推荐系统基础、方法与技术 课件 3.3基于向量相似度的推荐.pptxVIP

3.3基于向量相似度的推荐主讲人：

PART1基于向量相似度的计算什么是基于向量相似度的计算基于向量相似度的推荐是指利用项目的特征计算出相似度，并根据用户的历史行为数据为用户推荐更相似的项目。

PART1基于向量相似度的计算向量相似度的计算分为哪几类欧式距离方法余弦相似度计算方法

PART1基于向量相似度的计算欧氏距离方法公式定义：举例说明：可以计算3.2节中提到的用户A已读新闻和未读新闻两条向量之间的相似度，假设得到已读新闻a的向量：向量a：[0.3,0.5,0.6,0.4]未读新闻b、c的向量：向量b：[0.4,0.5,0.6,0.3]向量c：[0.5,0.4,0.6,0.3]向量a、b之间的欧氏距离为：向量a、c之间的欧氏距离为：a和b新闻的欧氏距离最小，因此a、b新闻最相似。

PART1基于向量相似度的计算余弦相似度计算方法公式定义：公式说明：余弦相似度的计算通常使用sklearn中的cosine_similarity方法实现sklearn.metrics.pairwise.cosine_similarity(X,Y=None,dense_output=True)cosine_similarity?方法中若仅输入一个向量（矩阵）时，则表示计算该矩阵中每两个向量的相似度，即矩阵中任意一行的向量都会与其余各行的向量进行相似度计算，最终会得到一个对称矩阵，矩阵的对角