Mahout的taste里的几种相似度计算方法
?
欧几里德相似度（Euclidean Distance）<!--[endif]--><!--[endif]-->
在tasete里的实现类CityBlockSimilarity采用了简化的计算方式，比较适用于用户的喜欢数据时0或者1的情况
?
LogLikelihood（对数似然相似度）相似度公式比较复杂，实现类为LogLikelihoodSimilarity，比较适用于用户的喜欢数据时0或者1的情况
?
Spearman（斯皮尔曼）相似度斯皮尔曼相关性可以理解为是排列后（Rank）用户喜好值之间的Pearson相关度。《Mahout in Action》中有这样的解释：假设对于每个用户，我们找到他最不喜欢的物品，重写他的评分值为“1”；然后找到下一个最不喜欢的物品，重写评分值为“2”，依此类推。然后我们对这些转换后的值求Pearson相关系数，这就是Spearman相关系数。
?
斯皮尔曼相关度的计算舍弃了一些重要信息，即真实的评分值。但它保留了用户喜好值的本质特性——排序（ordering），它是建立在排序（或等级，Rank）的基础上计算的。
?
因为斯皮尔曼相关性的计算需要花时间计算并存储喜好值的一个排序（Ranks），具体时间取决于数据的数量级大小。正因为这样，斯皮尔曼相关系数一般用于学术研究或者是小规模的计算。
?
在taste里的实现类为SpearmanCorrelationSimilarity
?
