机器学习 _ 算法 _ 协作性过滤

欧几里德距离

将评价对象的评分放入坐标，如果距离最短，则爱好，特征相近。

公式为：所有距离的差值，先求平方和，然后取平方根。

python 的实现方法：
sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2) for item in prefs[person1] if item in prefs[person2]])

皮尔逊相关度

如果不同人的评分或者评价标准不同，可以将评价放入散列图，通过相似度来评价。

虚线为最佳拟合线。
相关度值为 0：1，值越大表示越相近。

公式为：

python 的实现方法：
count = len(common)
if count == 0:
return 0
#sum
p1_sum = sum(prefs[person1][item] for item in common)
p2_sum = sum(prefs[person2][item] for item in common)

#square sum
p1_sqsum = sum(pow(prefs[person1][item], 2) for item in common)
p2_sqsum = sum(pow(prefs[person2][item], 2) for item in common)
        
#plus sum
p_plus_sum = sum(prefs[person1][item] * prefs[person2][item] for item in common)

num = p_plus_sum - (p1_sum * p2_sum) / count
den = sqrt( (p1_sqsum - pow(p1_sum, 2) / count) * (p2_sqsum - pow(p2_sum, 2) / count) )

r = num / den