推薦系統中相似度計算可以說是基礎中的基礎了，因爲基本所有的推薦算法都是在計算相似度，用戶相似度或者物品相似度，這裏羅列一下各種相似度計算方法和適用點
餘弦相似度
這個基本上是最常用的，最初用在計算文本相似度效果很好，一般像tf-idf一下然後計算，推薦中在協同過濾以及很多算法中都比其他相似度效果理想。
由於餘弦相似度表示方向上的差異，對距離不敏感，所以有時候也關心距離上的差異會先對每個值都減去一個均值，這樣稱爲調整餘弦相似度
歐式距離
基本上就是兩個點的空間距離，下面這個圖就能很明顯的說明他和餘弦相似度區別，歐式距離更多考慮的是空間中兩條直線的距離，而餘弦相似度關心的是空間夾角。所以
歐氏距離能夠體現個體數值特徵的絕對差異，所以更多的用於需要從維度的數值大小中體現差異的分析，如使用用戶行爲指標分析用戶價值的相似度或差異。
餘弦距離更多的是從方向上區分差異，而對絕對的數值不敏感，更多的用於使用用戶對內容評分來區分興趣的相似度和差異，同時修正了用戶間可能存在的度量標準不統一的問題（因爲餘弦距離對絕對數值不敏感）。
皮爾遜相關性（PC）
上面是總體相關係數，常用希臘小寫字母 ρ (rho) 作爲代表符號。估算樣本的協方差和標準差，可得到樣本相關係數(樣本皮爾遜係數)，常用英文小寫字母 r 代表：
其實這個就是前面講的調整的餘弦相似度，因爲在推薦系統中均值分爲用戶的均值和物品的均值，這裏相當於是物品的均值。這個也是比較常用的。