向量相似性用什麼數據集

1. 熵 判斷向量的相似度

利用熵來判斷兩個向量之間的相似度，可以用利用熵權系數法來評價，利用熵的原理，統一用定量的方式來判斷

2. 中文詞向量相似性評價一般用哪個數據集和什麼評價標准

先試圖定義麼叫適合研究做
計算量要太高（svg或者lstm太合適）
能夠三內做完（志向宏遠坑比pragmatics太合適）
創新性（難定義啊文應用情析HIT做詞PKU做句解析翻豎櫻隱譯似乎余廳做）
能簡單ACL 』14所論文看遍頌弊看看沒問題針文或者少數民族語言特化反ACL 『14基本都用詞向量吧堅信需要詞向量都獨特

3. 怎麼比較兩個向量組相似度

相關性是數據屬性相關性的度量方法，相似度是數據對象相似性度量的方法，數據對象由多個數據屬性描述，數據屬性的相關性由相關系數來描述，數據對象的相似性由某種距離度量。許多數據分析演算法會涉及相似性度量和相關性度量，如聚類、KNN等。

相關性度量

相關性用相關系數來度量，相關系數種類如下圖所示。相關系岩叢數絕對值越大表是相關性越大，相關系數取值在-1–1之間，0表示不相關。各系數計算表達式和取值范圍參考 相粗頌櫻關性與相似性度量
這里寫圖片描述

相似性度量

相似度用距離來度量，相似度度量指標種類如下圖所示。相似度通常是非負的，取值在0-1之間。距離越大，相似性越小，在應用過程中要注意計算的是相似度還是距離。
這里寫圖片描述
Jaccard（傑卡德相似系數）
兩個集合A和B的交集元素在A，B的並集中所佔的比例 這里寫櫻茄圖片描述
傑卡德距離用兩個集合中不同元素占所有元素的比例來衡量兩個集合的區分度這里寫圖片描述
Cosine（餘弦相似度）
在二維空間中向量A(x1,y1)與向量B(x2,y2)的夾角餘弦公式這里寫圖片描述
夾角餘弦取值范圍為[-1,1]。當兩個向量的方向重合時夾角餘弦取最大值1，當兩個向量的方向完全相反夾角餘弦取最小值-1，兩個方向正交時夾角餘弦取值為0.

Minkowski Distance（閔可夫斯基距離）
兩個n維變數間的閔可夫斯基距離定義為：這里寫圖片描述
當p=1時，就是曼哈頓距離，兩點間各邊距離之和
當p=2時，就是歐氏距離，兩點間直線距離
當p→∞時，就是切比雪夫距離，所有邊距離的最大值
閔氏距離的缺點(1)數據量綱不同，無法直接進行距離計算，需要先對數據進行歸一化(2)沒有考慮各個分量的分布（期望，方差等)。下圖展示了不同距離函數是怎麼逼近中心的在這里插入圖片描述

Mahalanobis Distance（馬氏距離）
馬氏距離計算公式為這里寫圖片描述
S為協方差矩陣， 若協方差矩陣是單位矩陣則變為歐式距離。馬氏距離的優點是量綱無關、排除變數之間的相關性的干擾。

Hamming distance(漢明距離)
兩個等長字元串s1與s2之間的漢明距離定義為將其中一個變為另外一個所需要作的最小替換次數。例如字元串「1111」與「1010」之間的漢明距離為2。信息編碼時為了增強容錯性，應使得編碼間的最小漢明距離盡可能大。

K-L散度（相對熵）
是衡量兩個分布(P、Q)之間的距離；越小越相似這里寫圖片描述
Hellinger距離
在概率論和統計理論中，Hellinger距離被用來度量兩個概率分布的相似度。它是f散度的一種（f散度——度量兩個概率分布相似度的指標）。
概率密度函數分別表示為 f 和 g，兩個概率密度函數的Hellinger距離的平方為
在這里插入圖片描述

具有混合類型屬性的對象可以將相同類型的屬性劃分為一組，對每組屬性分析繼續相似度度量，也可以分別對每個屬性進行相似度度量再加權。

其他類型的距離度量可以參考 18種和「距離(distance)」、「相似度(similarity)」相關的量的小結

4. R語言數據集

1. 向量 Vector
    向量是用於儲存數值型、字元型或邏輯型數據的一維數組。執行組合功能能的函數 可用來創建向量。

單個向量中的數據必須擁有相同的類型或模式（即數值型、字元型或邏輯型）。同一向量中無法混雜不同模式的數據。

2. 矩陣 Matrix
    矩陣是一個二維數組，知識每個元素都擁有相同的模式（數值型、字元型或邏輯型）。可通過函數 創建矩陣。

3. 數組 Array
    數組與矩陣類似，但是維度可以大於2。數組可通過 函數創建。
    數組是矩陣的一個自然推廣。它們在編寫新的統計方法時很有用。像矩陣一樣，數賀高斗組中的數據也只能擁有一種模式。從數組中選取元素的方法與矩陣相同。念兆

4. 數據框 Data Frame
    這是R語言最常用的數據類型。不同的列可以包含不同模式的數據。每一列數據的模式必須相同，且必須等長。數據框可通過函數 創建。

5. 列表 List
    列表是一些對象（或成分）的有序集合。列表允許你整合若干（可能無關的）對象到單個對象名下。例如，某個列表中可能是若干向量、矩陣、數據框，甚至其他列表的組合。可以使用函禪磨數 創建列表。
    許多R的運行結果都是以列表的形式返回的。需要取出其中哪些成分由分析人員決定。

5. 如何從統計意義上判斷兩個數據集的相似度

事實賀肆上用統計來說判斷兩個數據集的相似度的方法不是很好！
以下是我的幾點猜想！
1：假設稿橋把整個數據化成條形統計圖！長方形的形狀和大小應相似有個前提，就是數據圖要比較精確
否則，誤差很大！
2：我們知道：條形圖的長方形的面積是
頻率
那麼兩個數據集的頻率也因接近！
還有頻數
貌似只有這鍵拍猛些了，我必修三數學基本上沒聽過課，說一沒辦法繼續幫助你！請見諒！
有什麼問題可以請教《數學麥圈》呵呵！

6. 如何衡量兩個「任意數據集」間的相似度

對於兩個數據集 和 。若存在矩陣 和 ，使得 ， 可以通過 經過若干次線性變換得到，這表明了 中的信息完全蘊含在 中。此時，相對於 ， 中的信息是冗餘的。這種冗餘既可以體現在維度上，即 中的樣本分布在一個高維空間中的低維流形上，也可以體現在樣本上，即 中存在一些非常相似的樣本。矩陣 和 分別在樣本層面和特徵層面使 與 對齊。同樣的，若存在矩陣 和 ，使得 ，則表明 中的信息完全搭鉛蘊含在 中。但是對於一般的兩個數據集 和 ，不太可能會出現 中信息完全蘊含於 或 中信息完全蘊含於 的情況。因此可以通過考慮兩個數據集在線性變換下的信息損失來度量兩個數據集的差異（相似度）。具體的，可以考慮求解以下優化問題： 優化過程也是使兩個數據集在樣本層面和特徵層搏枝知面對基消齊的過程，求解優化問題得到的結果可以作為兩個數據集的差異度量。若想得到 范圍內的相似性度量，對差異度量做以下變換即可。

7. 有什麼方法可以簡單快速的把想買的商品出現在淘寶的猜我喜歡哪裡呢

淘寶的內部有推薦系統，只要你有瀏覽你想買的東西的歷史，淘寶的計算機就會根據的特點，，運用推薦演算法，推薦給你想要的東西，將東西放在猜你喜鍵雀歡上面，所以只有多瀏覽你想買的東西即可。

(7)向量相似性用什麼數據集擴展閱讀：

基於內容的信息推薦方法的理論依據主要來自於信息檢索和信息過濾，所謂的基於內容的推薦方法就是根據用戶過去的瀏覽記錄來向用戶推薦用戶沒有接觸過的推薦項。

主要是從兩個方法來描述基於內容的推薦方法：啟發式的方法和基於模型的方法。啟發式的方法就是用戶憑借經驗來定義相關的計算公式，然後再根據公式的計算結果和實際的結果進行稿漏早驗證，然後再不斷修改公式以達到最終目的。

而對於模型的方法就是根據以往的數據作為數據集，然後根據這個數據集來學習出一個模型。一般的推薦系統中運用到的啟發式的方法就是使用tf-idf的方法來計算，跟還有tf-idf的方法計算出這個文檔中出現權重比較高的關鍵字作為描述用戶特徵，並使用這些關鍵字作為描述用戶特徵的向量。

然後再根據被推薦項中的權重高的關鍵字來作為推薦項的屬性特徵，然後再將這個兩個向量最相近的（與用戶特徵的向量計算得分最高）的項推薦給用戶。在計算用戶特徵向量和被推薦項的搜棗特徵向量的相似性時，一般使用的是cosine方法，計算兩個向量之間夾角的cosine值。