1 余弦相似度

余弦相似度公式：

这里的分别代表向量A和B的各分量。
原理：多维空间两点与所设定的点形成夹角的余弦值。
范围：[-1,1]，值越大，说明夹角越大，两点相距就越远，相似度就越小。
余弦相似度模型：根据用户评分数据表，生成物品的相似矩阵；

2 欧氏距离相似度

原理：利用欧式距离d定义的相似度s，s=1 /(1+d)。
范围：[0,1]，值越大，说明d越小，也就是距离越近，则相似度越大。
欧式相似度模型：根据用户评分数据表，生成物品的相似矩阵；

3 余弦相似度和欧氏距离相似度总结：

余弦相似度衡量的是维度间取值方向的一致性，注重维度之间的差异，不注重数值上的差异，而欧氏度量的正是数值上的差异性。
主要看数值的差异，比如个人兴趣，可能数值对他影响不大，这种情况应该采用余弦相似度，而物品的相似度，例如价格差异数值差别影响就比较大，这种情况应该采用欧氏度量。

4 Kn