布尔数据的相似度计算

Question

我试图实现简单的推荐系统，并试图理解不同的方法来实现我的目标。

我的数据集由用户和他们购买的物品组成。我有关于什么项目的用户购买的信息和这些项目的描述形式的标题。

起初，我想我可以使用基于用户的协作过滤方法，但我仍然坚持这样做。我不太清楚如何计算布尔数据的相似性。

例如，当我有这样的数据时

   1  2  3  4
A  0  1  0  1
B  0  1  0  1
C  1  0  1  1
D  0  1  0  0
E  0  0  1  1

我想向用户E推荐项目，那么在这种情况下我应该如何计算相似性呢？例如，我从python中的scikit学习模块中选择了余弦相似性。但我不太清楚什么应该被视为投入。据我所读，它应该只是两个用户计算相似的项目的向量。

例如，如果我想计算用户E和C之间的相似性，我的输入应该是什么？因为如果我只输入他们共有的值，那就没有意义了，对吧？因为输入将是1，1和1，1，对于这种相似性是1。

然后我试着输入整个向量，像这样：

from sklearn.metrics.pairwise import cosine_similarity
from numpy import array, reshape

c = array([1, 0, 1, 1])
e = array([0, 0, 1, 1])

result = cosine_similarity(c.reshape(1, -1), e.reshape(1, -1))

>>> result is 0.81649658

我认为这种方法更有意义，但基于我对这类推荐的了解，我不确定它是否可以接受。

Answer 1

您应该查看贾卡德指数，这是项集之间的事实上的相似性，其中集合是使用布尔向量表示的。在这个布尔向量中，每个坐标表示一个项，1表示该项存在，否则为0。举个例子:香蕉，橘子和苹果。设置香蕉，橙色将代表(1，1，0)。Jaccard指数是集合上集合的交集，因此对于一个集( 1，1)，它的值是1。

余弦相似度是针对实数向量的，但余弦相似度是否优于Jaccard指数，反之亦然，这取决于应用程序。您应该对您的数据进行测试并验证哪个更好，有关讨论请参见下面的问题