1

我正在玩编程集体智慧书中的欧几里德距离示例，


# Returns a distance-based similarity score for person1 and person2 
def sim_distance(prefs,person1,person2): 
  # Get the list of shared_items 
  si={} 
  for item in prefs[person1]: 
    if item in prefs[person2]: 
       si[item]=1 
  # if they have no ratings in common, return 0 
  if len(si)==0: return 0 
  # Add up the squares of all the differences 
  sum_of_squares=sum([pow(prefs[person1][item]-prefs[person2][item],2) 
                      for item in prefs[person1] if item in prefs[person2]])

这是对影评人进行排名的原始代码，我正在尝试修改它以查找类似的帖子，基于我构建地图的标签，例如，

url1 - > tag1 tag2
url2 - > tag1 tag3

但如果将此应用于函数，

pow(prefs[person1][item]-prefs[person2][item],2)

这变为 0 因为标签没有权重相同的标签排名为 1。我修改了代码以手动创建差异进行测试，

pow(prefs[1,2)

然后我得到了很多 0.5 的相似度，但是同一篇文章与它自己的相似度下降到 0.3。我想不出一种将欧几里得距离应用于我的情况的方法？

4

2 回答 2

1

好的，首先，您的代码看起来不完整：我只看到您的函数返回一个。我想你的意思是这样的：

def sim_distance(prefs, person1, person2): 
  # Get the list of shared_items
  p1, p2 = prefs[person1], prefs[person2]
  si = set(p1).intersection(set(p2))

  # Add up the squares of all the differences 
  matches = (p1[item] - p2[item] for item in si)
  return sum(a * a for a in matches)

接下来，为了清晰起见，您的帖子需要进行一些编辑。我不知道这是什么意思：“这变成 0 因为标签没有权重相同的标签排名 1。”

最后，如果您提供了 和 的示例数据，将会有所prefs[person1]帮助prefs[person2]。然后你可以说出你正在得到什么以及你期望得到什么。

编辑：根据我下面的评论，我会使用这样的代码：

def sim_distance(prefs, person1, person2):
    p1, p2 = prefs[person1], prefs[person2]
    s, t = set(p1), set(p2)
    return len(s.intersection(t)) / len(s.union(t))
于 2009-12-09T23:48:59.267 回答
1

基本上，标签没有权重，不能用数值表示。所以你不能定义两个标签之间的距离。

如果您想使用它们的标签找到两个帖子之间的相似性，我建议您使用相似标签的比率。例如，如果您有

url1 -> tag1 tag2 tag3 tag4
url2 -> tag1 tag4 tag5 tag6

那么你有 2 个相似的标签，代表2 (similar tags) / 4 (total tags) = 0.5. 我认为这将代表一个很好的相似性衡量标准，只要每个帖子有超过 2 个标签。

于 2009-12-09T23:50:52.820 回答