基于属性的相似度计算

Question

我的目标是根据两个用户的属性来计算它们之间的相似度。例如，让我们考虑一个球员，并考虑年龄，工资，和分数作为属性。

另外，我还想按重要性的顺序对每个属性进行加权。在我看来，年龄比薪水和分数更重要。例如，假设我们用欧几里得距离来计算相似性。

Given user 1 who is age 20, salary 50, points scored 100

Given user 2 who is age 24, salary 60, points scored 85

Given user 3 who is age 19, salary 62, points scored 80

要计算用户1和用户2之间的相似性，我可以这样做。

( (20-24)^2 + (60-50)^2 + (85-100)^2 )

现在我们也要加权，所以在欧几里得距离越小，两个物体的相似性就越接近。如前所述，年龄是最重要的，因此我们将按以下方式分配权重

( 0.60*(20-24)^2 + 0.20*(60-50)^2 + 0.20*(85-100)^2 )

我的方法正确吗？另外，我是否应该考虑其他算法，例如余弦相似来计算相似度？

Answer 1

我目前正在进行一个项目，该项目涉及计算不同实体之间的度量，因此我熟悉您的问题。

在你的例子中，好的事情是你没有各种各样的混合类型的特性(例如文本或分类等等)。年龄、薪水和分数都是数字，正如评论中已经提到的，你应该做的第一件事就是正常化。这是一个“必须做”，因为如果你不这样做，那么有一个危险，一个特点将占主导地位时，计算距离。

你必须小心，检查你的数据，并在必要时进行清理。例如，当年龄为200岁时，坏值会破坏您的标准化，而大多数缩放的年龄值将在较低的部分(接近于零)结束。

关于权重和加权欧几里德的计算，你是对的。这些权重的和值为1(如在示例0.6+0.2+0.2 =1中所示)。

关于使用何种距离度量，这是一个很好的问题。有一群人。例如检查https://docs.scipy.org/doc/scipy/reference/spatial.distance.html

但是根据我的经验，我会选择，欧几里德，尽管你应该很少尝试，并且检查它是如何工作在你的数据上的。