Neo4j 推荐的最佳解决方案

我将找到一个合适的函数，以便根据两个人的喜好获得精确的相似性

例如，人员连接到标签，他们对每个标签的期望将作为数值保留在标签节点的边缘。我想向每个人推荐相似的人

我找到了两种解决办法：

余弦相似性

Neo4j中有一个余弦函数，它只接受一个输入，而在上面的函数中，我需要将向量传递给这个公式。例如：

对于“a”：a=[10,20,45]，每个数字表示人们对每个标签的渴望。 对于“b”：b=[20,50,70]

皮尔逊相关

当我在网上冲浪时，我发现了你的文档：

我的问题是，这个公式背后的逻辑是什么？ r和H的区别是什么

因为乍一看，我认为H1或H2总是等于1。除非我考虑图的其余部分。< /P>

---

提前感谢您的帮助

这个例子让人有点难以理解发生了什么。在本例中，H1和H2均为1。更好的例子是每个人吃不同种类的食物，这样你就能看到H值的变化。如果“我”也吃“蔬菜”、“比萨饼”和“热狗”，他们的H值将是4

这个例子让人有点难以理解发生了什么。在本例中，H1和H2均为1。更好的例子是每个人吃不同种类的食物，这样你就能看到H值的变化。如果“我”也吃“蔬菜”、“比萨饼”和“热狗”，他们的H值将是4

我认为

H1

和

H2

的目的是使

times

属性（用户食用食物的次数）在不同食物类型中的结果正常化。您可以在下面的示例中进行实验

---

既然您提到了其他相似性度量，您可能会对这个图表感兴趣。它有一些使用Cypher计算Pearson相关性和Jaccard相似性的简单示例。

我认为

H1

和

H2

的目的是规范化

times

属性（用户食用食物的次数）在不同食物类型中的结果。您可以在下面的示例中进行实验

---

既然您提到了其他相似性度量，您可能会对这个图表感兴趣。它有一些使用Cypher计算Pearson相关性和Jaccard相似性的简单示例。

对Neo4J没有帮助，只想指出余弦相似性和Pearson相关系数本质上是一样的。如果你解码不同的符号，你会发现唯一的区别是皮尔逊零首先将向量居中。因此，您可以如下定义Pearson：

Pearsons(a, b) = Cosine(a - mean(a), b - mean(b))

---

Neo4J帮不了你，只想指出余弦相似性和皮尔逊相关系数本质上是一样的。如果你解码不同的符号，你会发现唯一的区别是皮尔逊零首先将向量居中。因此，您可以如下定义Pearson：

Pearsons(a, b) = Cosine(a - mean(a), b - mean(b))

---

谢谢@william这些链接似乎正是我想要的谢谢@william这些链接似乎正是我想要的。这两个函数是相同的，但差别很小，这就是它们结果的准确性。余弦的RMSE小于Pearson，因此余弦具有精确的结果。这两个函数相同，但差别很小，这就是它们结果的精确性。余弦的RMSE小于皮尔逊，因此余弦具有准确的结果。