協同過濾相似度

1. 相似度的計算 用哪個演算法 協同過濾 演算法

SIM = Structural SIMilarity（結構相似性），這是一種用來評測圖像質量的一種方法。由於人類視覺很容易從圖像中抽取出結構信息,因此計算兩幅圖像結構信息的相似性就可以用來作為一種檢測圖像質量的好壞.

首先結構信息不應該受到照明的影響,因此在計算結構信息時需要去掉亮度信息,即需要減掉圖像的均值;其次結構信息不應該受到圖像對比度的影響,因此計算結構信息時需要歸一化圖像的方差;最後我們就可以對圖像求取結構信息了,通常我們可以簡單地計算一下這兩幅處理後的圖像的相關系數.

然而圖像質量的好壞也受到亮度信息和對比度信息的制約,因此在計算圖像質量好壞時,在考慮結構信息的同時也需要考慮這兩者的影響.通常使用的計算方法如下,其中C1,C2,C3用來增加計算結果的穩定性:
2u(x)u(y) + C1
L(X,Y) = ------------------------ ,u(x), u(y)為圖像的均值
u(x)^2 + u(y)^2 + C1

2d(x)d(y) + C2
C(X,Y) = ------------------------,d(x),d(y)為圖像的方差
d(x)^2 + d(y)^2 + C2

d(x,y) + C3
S(X,Y) = ----------------------,d(x,y)為圖像x,y的協方差
d(x)d(y) + C3

而圖像質量Q = [L(X,Y)^a] x [C(X,Y)^b] x [S(X,Y)^c]，其中a，b，c分別用來控制三個要素的重要性，為了計算方便可以均選擇為1，C1，C2，C3為比較小的數值，通常C1=(K1 x L)^2, C2=(K2 xL)^2, C3 = C2/2, K1

2. 怎樣用perl實現相似度的計算

在數據挖掘中有很多地方要計算相似度，比如聚類分析和協同過濾。
計算相似度的有許多方法版，其中權有歐幾里德距離、曼哈頓距離、Jaccard系數和皮爾遜相關度等等。
我們這里把一些常用的相似度計算方法，用Python進行實現以下。

3. 有沒有比較兩個用戶興趣相似度的api

針對傳統協同過濾推薦數據稀疏會影響推薦質量,以及項目最近鄰居集的計算忽略用戶多版興趣及提高推薦的權准確度問題,該文採用混合模型改進了相似性度量計算,綜合Pearson相關系數與修正餘弦相似性,提出了一種基於混合相似度的用戶多興趣推薦演算法.實驗表明:該推薦方法的相似度計算更高效,不僅提高推薦准確率,而且使用戶有更好的推薦體驗.