使用Surprise库KNNBasic时用户相似度全为0的问题咨询

你遇到的问题本质是所有用户的评分全为1，导致基于评分统计量的相似度算法（皮尔逊、cosine、MSD）完全失效：

• 皮尔逊相关系数计算时，用户评分向量的方差为0、协方差也为0，结果直接为0
• MSD算法计算均方误差时，所有评分差都是0，无法区分用户差异
• pearson_baseline会因为分母（方差）为0触发ZeroDivisionError

这类只有正反馈（仅收藏/喜欢，无负反馈）的稀疏数据，不适合用传统基于评分的协同过滤，得换用集合匹配型的相似度算法，比如Jaccard相似度，核心是计算用户间共同收藏的URL比例。

直接绕开Surprise的评分型KNN，先把用户的收藏数据转换成集合，再计算Jaccard系数：

import pandas as pd

# 先把原始数据转换成{用户ID: 收藏URL集合}的字典
user_urls = {}
for z in s_data:
    user_id = z[0]
    urls = z[1]
    if urls is not None:
        user_urls[user_id] = set(urls)

# 计算目标用户与其他用户的Jaccard相似度
target_user = 'user1'
target_urls = user_urls.get(target_user, set())
similar_users = []

for user_id, urls in user_urls.items():
    if user_id == target_user:
        continue
    # 计算交集和并集的大小
    intersection = len(target_urls & urls)
    union = len(target_urls | urls)
    # 处理并集为0的极端情况（两个用户都没收藏任何URL）
    jaccard = intersection / union if union != 0 else 0.0
    similar_users.append((user_id, jaccard))

# 按相似度降序排序
similar_users_sorted = sorted(similar_users, key=lambda x: x[1], reverse=True)
print(similar_users_sorted)

• 如果用户收藏的URL数量极大，直接计算集合交集/并集效率低，可以用MinHash或者SimHash算法来近似计算Jaccard相似度，减少计算量
• 也可以给不同的URL加权（比如根据URL的流行度反加权，越冷门的URL共同收藏越能代表兴趣相似），计算加权Jaccard或者余弦相似度

内容的提问来源于stack exchange，提问作者maston