小编Myc*_*amm的帖子

我已经看到 K-Nearest Neighbor 算法中使用余弦相似度来根据用户偏好生成推荐。在这些模型中，用户对给定产品的评分被视为向量，然后两个用户之间的相似度由两个向量之间的余弦相似度确定。（例如http://www.neo4j.org/graphgist?8173017）

我的问题是： 谁能解释一下使用余弦相似度的推荐引擎如何解释并行用户偏好？在我看来，如果两个用户具有平行（但不同）的偏好，则他们可以具有完全极性的评级偏好，并且产生 1 的余弦相似度。例如，如果一个用户将 5 部电影评为 10 颗星中的 1 部电影，而另一个用户将 5 部电影评为 10 颗星中的 10 颗，则他们的余弦相似度将为 1（在我看来，这似乎是一个不准确的衡量标准用户相似性）。

问题示例：如果我们测量两个用户的用户偏好，并且测量他们对 3 个产品的偏好，我们可以将他们的偏好存储为两个向量：

a =(1,1,1) 和 b=(10,10,10)

然后我们可以使用余弦相似度来衡量它们彼此之间的相似程度。但在这种情况下，它们的余弦相似度将是 1，即使它们代表了相反的用户偏好。