|
|
# 09 | 协同过滤中的相似度计算方法有哪些
|
|
|
|
|
|
今天，我们来聊聊协同过滤中的相似度计算方法有哪些。
|
|
|
|
|
|
## 相似度的本质
|
|
|
|
|
|
推荐系统中，推荐算法分为两个门派，一个是机器学习派，另一个就是相似度门派。机器学习派是后起之秀，而相似度派则是泰山北斗，以致撑起来推荐系统的半壁江山。
|
|
|
|
|
|
近邻推荐顾名思义就是在地理位置上住得近。如果用户有个邻居，那么社交软件上把邻居推荐给他在直观上就很合理，当然，如果邻居姓王的话，就不要推荐了。
|
|
|
|
|
|
这里说的近邻，并不一定只是在三维空间下的地理位置的近邻，在任意高维空间都可以找到近邻，尤其是当用户和物品的特征维度都很高时，要找到用户隔壁的邻居，就不是那么直观，需要选择好用适合的相似度度量办法。
|
|
|
|
|
|
近邻推荐的核心就是相似度计算方法的选择，由于近邻推荐并没有采用最优化思路，所以效果通常取决于矩阵的量化方式和相似度的选择。
|
|
|
|
|
|
相似度，与之配套的还有另一个概念就是距离，两者都是用来量化两个物体在高维空间中的亲疏程度的，它们是硬币的两面。
|
|
|
|
|
|
**推荐算法中的相似度门派，实际上有这么一个潜在假设：如果两个物体很相似，也就是距离很近，那么这两个物体就很容易产生一样的动作。**
|
|
|
|
|
|
如果两篇新闻很相似，那么他们很容易被同一个人先后点击阅读，如果两个用户很相似，那么他们就很容易点击同一个新闻。这种符合直觉的假设，大部分时候很奏效。
|
|
|
|
|
|
其实属于另一门派的推荐算法——机器学习中，也有很多算法在某种角度看做是相似度度量。
|
|
|
|
|
|
例如，逻辑回归或者线性回归中，一边是特征向量，另一边是模型参数向量，两者的点积运算，就可以看做是相似度计算，只不过其中的模型参数向量值并不是人肉指定的，而是从数据中由优化算法自动总结出来的。
|
|
|
|
|
|
在近邻推荐中，最常用的相似度是余弦相似度。然而可以选用的相似度并不只是余弦相似度，还有欧氏距离、皮尔逊相关度、自适应的余弦相似度、局部敏感哈希等。使用场景各不相同，今天，我会分别一一介绍如下。
|
|
|
|
|
|
## 相似度的计算方法
|
|
|
|
|
|
### 数据分类
|
|
|
|
|
|
在真正开始巡视相似度计算方法前，我先给你把度量对象做个简单分类。相似度计算对象是向量，或者叫做高维空间下的坐标，一个意思。那表示这个向量的数值就有两种：
|
|
|
|
|
|
1. 实数值；
|
|
|
2. 布尔值，也就是0或者1。
|
|
|
|
|
|
下面介绍的不同计算方法适用于不同的数据种类。
|
|
|
|
|
|
### 1欧氏距离
|
|
|
|
|
|
欧氏距离，如名字所料，是一个欧式空间下度量距离的方法。两个物体，都在同一个空间下表示为两个点，假如叫做p和q，分别都是n个坐标。那么欧式距离就是衡量这两个点之间的距离，从p到q移动要经过的距离。欧式距离不适合布尔向量之间。
|
|
|
|
|
|
计算方式可以表示如下，我在文稿中放了一个公式，你可以点击查看。
|
|
|
|
|
|
$$E(p,q) = \\sqrt{\\sum\_{i=1}^{n}{(p\_{i} - q\_{i})^{2}}}$$
|
|
|
|
|
|
这个公式就是，每一个坐标上的取值相减，求平方和，最后输出方根。
|
|
|
|
|
|
显然，欧式距离得到的值是一个非负数，最大值是正无穷。通常相似度计算度量结果希望是\[-1，1\]或者\[0，1\]之间，所以欧式距离要么无法直接使用到这个场景中，要么需要经过二次转化得到，我在文稿中放了一个最常用的转化公式，你可以点击查看。
|
|
|
|
|
|
$$ \\frac{1}{1+E(p,q)} $$
|
|
|
|
|
|
距离加一后取倒数。这个公式能够把范围为0到正无穷的欧式距离转换为0到1的相似度。
|
|
|
|
|
|
欧式距离度量的是空间中两个点的绝对差异，适用于分析用户能力模型之间的差异，比如消费能力、贡献内容的能力等。
|
|
|
|
|
|
当然，虽然欧式距离计算两个点的距离，实际上，点的坐标表示和我们常说的向量表示是同一回事，希望这句话是废话，你早已懂得。
|
|
|
|
|
|
### 2余弦相似度
|
|
|
|
|
|
大名鼎鼎的余弦相似度，度量的是两个向量之间的夹角，其实就是用夹角的余弦值来度量，所以名字叫余弦相似度。当两个向量的夹角为0度时，余弦值为1，当夹角为90度时，余弦值为0，为180度时，余弦值则为-1。
|
|
|
|
|
|
余弦相似度在度量文本相似度、用户相似度、物品相似度的时候都较为常用；但是在这里需要提醒你一点，余弦相似度的特点：它与向量的长度无关。因为余弦相似度计算需要对向量长度做归一化：
|
|
|
|
|
|
$$cos(p,q) = \\frac{\\sum\_{i}{p\_{i}q\_{i}}}{\\sqrt{\\sum\_{i}{q\_{i}^{2}}}\\sqrt{\\sum\_{i}{p\_{i}^{2}}}} $$
|
|
|
|
|
|
经过向量长度归一化后的相似度量方式，背后潜藏着这样一种思想：两个向量，只要方向一致，无论程度强弱，都可以视为“相似”。
|
|
|
|
|
|
这简直就是：招聘人才时只看价值观，不考核代码能力，只要肯干，搬砖嘛，谁搬不是搬。这样做错不错呢？很显然，有非常大的合理性。
|
|
|
|
|
|
比如，我用140字的微博摘要了一篇5000字的博客内容，两者得到的文本向量可以认为方向一致，词频等程度不同，但是余弦相似度仍然认为他们是相似的。
|
|
|
|
|
|
在协同过滤中，如果选择余弦相似度，某种程度上更加依赖两个物品的共同评价用户数，而不是用户给予的评分多少。这就是由于余弦相似度被向量长度归一化后的结果。
|
|
|
|
|
|
余弦相似度对绝对值大小不敏感这件事，在某些应用上仍然有些问题。
|
|
|
|
|
|
举个小例子，用户A对两部电影评分分别是1分和2分，用户B对同样这两部电影评分是4分和5分。用余弦相似度计算出来，两个用户的相似度达到0.98。这和实际直觉不符，用户A明显不喜欢这两部电影。
|
|
|
|
|
|
针对这个问题，对余弦相似度有个改进，改进的算法叫做调整的余弦相似度（Adjusted Cosine Similarity）。调整的方法很简单，就是先计算向量每个维度上的均值，然后每个向量在各个维度上都减去均值后，再计算余弦相似度。
|
|
|
|
|
|
前面这个小例子，用调整的余弦相似度计算得到的相似度是-0.1，呈现出两个用户口味相反，和直觉相符。
|
|
|
|
|
|
### 3皮尔逊相关度
|
|
|
|
|
|
皮尔逊相关度，实际上也是一种余弦相似度，不过先对向量做了中心化，向量p和q各自减去向量的均值后，再计算余弦相似度。
|
|
|
|
|
|
$$R(p,q) = \\frac{\\sum\_{i=1}^{n}{(p\_{i} - \\bar{p})(q\_{i} - \\bar{q})}}{\\sqrt{\\sum\_{i=1}^{n}{(p\_{i} - \\bar{p})^{2}}}\\sqrt{\\sum\_{i=1}^{n}{(q\_{i} - \\bar{q})^{2}}}}$$
|
|
|
|
|
|
皮尔逊相关度计算结果范围在-1到1。-1表示负相关，1比表示正相关。皮尔逊相关度其实度量的是两个随机变量是不是在同增同减。
|
|
|
|
|
|
如果同时对两个随机变量采样，当其中一个得到较大的值另一也较大，其中一个较小时另一个也较小时，这就是正相关，计算出来的相关度就接近1，这种情况属于沆瀣一气，反之就接近-1。
|
|
|
|
|
|
由于皮尔逊相关度度量的时两个变量的变化趋势是否一致，所以不适合用作计算布尔值向量之间相关度，因为两个布尔向量也就是对应两个0-1分布的随机变量，这样的随机变量变化只有有限的两个取值，根本没有“变化趋势，高低起伏”这一说。
|
|
|
|
|
|
### 4 杰卡德（Jaccard）相似度
|
|
|
|
|
|
杰卡德相似度，是两个集合的交集元素个数在并集中所占的比例。由于集合非常适用于布尔向量表示，所以杰卡德相似度简直就是为布尔值向量私人定做的。对应的计算方式是：
|
|
|
|
|
|
1. 分子是两个布尔向量做点积计算，得到的就是交集元素个数；
|
|
|
2. 分母是两个布尔向量做或运算，再求元素和。
|
|
|
|
|
|
余弦相似度适用于评分数据，杰卡德相似度适合用于隐式反馈数据。例如，使用用户的收藏行为，计算用户之间的相似度，杰卡德相似度就适合来承担这个任务。
|
|
|
|
|
|
## 总结
|
|
|
|
|
|
今天，我介绍了常用的几种相似度计算方法，以及其各自的使用场景。
|
|
|
|
|
|
这里的场景是按照数据形式划分的，按照向量维度取值是否是布尔值来看，杰卡德相似度就只适合布尔值向量，余弦相似度弹性略大，适合两种向量。欧式距离度量的是绝对差异，余弦相似度度量的是方向差异，但是调整的余弦相似度则可以避免这个弱点。
|
|
|
|
|
|
现在留给你一个问题：如果在一个社交网络中，要计算好友的相似度，你会选择哪种相似度来做？欢迎留言讨论。
|
|
|
|
|
|
感谢收听，我们下期再见。
|
|
|
|
|
|
|
|
|
|