有這麼一個有名的故事，一家超市把啤酒跟尿布放在一起之後銷量驚人，調查後是發現給孩子買奶布的同時，也會給爸爸買啤酒。啤酒與奶布，這兩種看起來毫不相關的東西，卻發現有一定的關聯性，在以前，發現物品的相關性需要一定的機緣巧合，但是在大數據時代，找到物品的相關性卻是非常的簡單，這也是人工智能的一個分支。
今天我們來講一講，常見的物品/用戶相似性的評分算法。
歐幾里德距離評價算法
我們不凡想象這麼一個業務場景，我們常常使用的外賣或者美食點評軟件，我們經常會對點過的餐或者吃過的餐廳進行評價，例如A給日料店4分，給粵菜館5分，給西餐3分，用戶B給日料店3分，給粵菜館4.5分，給西餐廳4分，那麼，這兩個用戶是不是相似的呢？如果有一天A用戶去了一家新的餐廳，給出了高評價，那麼我們時候應該運用一定的推薦算法，把它推薦給B呢？
偉大的古希臘數學家歐幾里德提出，平面上兩個點的距離等於橫縱座標的差的平方之和開根號。我們把這個算法應用評估兩個商品是否相近當中，上述例子，A用戶跟B用戶最終的相似度為sqrt((4-3)^2 + (5-4.5)^2 + (3-4)^2) = 1.5, 很顯然，歐幾里德越小，說明越相似。
曼哈頓距離評價算法
曼哈頓距離評價算法與歐幾里德距離評價算法非常的接近，曼哈頓距離是由十九世紀的赫爾曼·閔可夫斯基提出了的一種衡量兩點距離的算法，曼哈頓距離的計算為每個維度的差值的絕對值之和，像上述例子種，我們使用曼哈頓距離評價算法，計算出來的結果為abs（4-3）+ abs（4-4.5） + abs(3-4) 等於2.5，很明顯，曼哈頓距離評價算法計算出來的結果越小，說明兩者越接近。
皮爾遜相關度評價算法
在我們的生活中常常存在這樣的場景，不同的兩個人，可能洗好相同，但是評分的尺度卻不一樣。例如兩個人都是程序員，都關注了沙茶敏碎碎念，喜歡閱讀程序設計類相關的書籍，A的評分標準比較低，通常都給4-5分，B的評分標準比較高，通常只給3-4分，這兩個人，本應該是相似的，但使用前面歐幾里德算法與曼哈頓距離算法，都會計算出來他們有一定的偏差，所以我們可能就需要用到皮爾遜相關度評價算法進行評價。
皮爾遜相關度評價算法主要是擬合一條直線，然後依賴直線的斜率來判斷兩者的相似程度，斜率的範圍有0到1，越大表示相關性越高，越小標識相關性越低，如果你對具體的算法感興趣，可以關注我，後臺私信“皮爾遜”可以獲得相關學習資料
Tanimoto分值
有些應用場景，可能沒有評分這樣的算法，例如用戶A購買了程序設計、算法導論、Java高級編程3本書，用戶B購買了JAVA高級編程，算法導論，程序員頸椎康復訓練3本書，雙方都沒有進行評價，那麼如何計算出兩者的相關度呢？
我們可以使用兩者的交集去除以兩者的並集，和明顯越接近1表示兩者越接近。
總結
今天我們就介紹這四種常用的用來評價相關度的算法，其實都非常地簡單，人工智能的很多知識並非高深莫測，關注我，我們由淺入深，慢慢來學習人工智能的一些相關算法吧。關注後私信"皮爾遜"，可以獲取更多算法資料哦。