https://blog.csdn.net/leitouguan8655/article/details/80589654

    • 趋势计算使用余弦

      • 如某T恤从100块降到了50块（A(100,50)），某西装从1000块降到了500块（B(1000,500)），那么T恤和西装都是降价了50%，两者的价格变动趋势一致，可以用余弦相似度衡量，即两者有很高的变化趋势相似度，但是从商品价格本身的角度来说，两者相差了好几百块的差距，欧氏距离较大，即两者有较低的价格相似度。

      • 这个例子中我们主要比较的是变化趋势，和具体的数值大小无关

    • 数值为主要影响的时候用欧式

      • 如果要对电子商务用户做聚类，区分高价值用户和低价值用户，用消费次数和平均消费额，这个时候用余弦夹角是不恰当的，因为它会将(2,10)和(10,50)的用户算成相似用户，但显然后者的价值高得多，因为这个时候需要注重数值上的差异，而不是维度之间的差异。

      • 在这个时候不同维度的数值影响很大，不能算余弦

    • 协同计算

      • 两用户只对两件商品评分，向量分别为(3,3)和(5,5)，显然这两个用户对两件商品的偏好是一样的，但是欧式距离给出的相似度显然没有余弦值合理。

      • 有些用户可能就打3分，但是不代表他不喜欢，比如他看了一个电影很多次，才打了3分，我们也可以认为他是喜欢这个电影的。那么当他对另外一个电影也只打了3分，那么可以说他应该是喜欢这个电影的吧。