我有一个基于内容的推荐器，它可以工作......很好。我相当确定这是解决这个问题的正确方法（将已建立的“用户”与几乎总是新的“项目”匹配，但包含与现有项目相似的已知功能）。
在我研究的过程中，我发现几乎所有基于内容的过滤示例都使用文章/电影作为示例，并且只关注使用来自文本块的编码 tf-idf 特征。这并不是我要处理的问题，但我的大部分特征都是布尔特征，所以制作一个相似的向量并查看余弦距离并不是特别困难。我还有一个连续特征，我对其进行了缩放并包含在向量中。正如我所说，它似乎有效，但非常不稳定，我想我知道部分原因......
我正在使用的连续功能是评分（我们称之为“美味”），其中，几乎在所有情况下，更好的分数表明项目对用户更有利。它是连续的，但它也有一个明确的“方向”（不确定这是否是正确的术语）。一个方向的错误与另一个方向的错误不同。
我有一些用户对“美味”分数平庸的项目给予高评价的案例，但从逻辑上讲，他们仍然更喜欢更美味的东西。该用户的向量可能具有 2.3 的平均美味。我对余弦距离的理解是，在我的模型中，如果该用户遇到两个完全相同的新项目，除了一个具有 1.0 的美味，另一个具有 4.5 的美味，它实际上会偏爱前者，因为它更短向量之间的距离。
我如何在此处修改或合并某种其他类型的距离度量，以考虑到一个方向的美味误差/距离与另一个方向的误差/距离不同？
（作为第二个问题，我如何决定如何最好地在我的布尔特征旁边缩放这个连续特征？）