确认皮尔逊相关系数是否适用于基于产品评分的客户推荐算法
2026-8-25
皮尔逊相关系数完全适用于你的客户推荐场景
核心结论
皮尔逊相关系数绝非仅通过数组均值对比，它完全是基于逐产品的评分差异来计算相似度的，完全符合你的需求。
用你的例子直观理解计算过程
拿你给出的客户评分来手动计算一遍，你就能明白它是怎么逐产品分析的：
- 客户A评分：
[3,4,2,4,3]，均值 = (3+4+2+4+3)/5 = 3.2 - 客户B评分：
[5,4,2,3,3]，均值 = (5+4+2+3+3)/5 = 3.4
步骤1：逐产品计算评分偏差与乘积
偏差 = 单产品评分 - 用户自身评分均值，然后计算两个用户对应产品的偏差乘积：
| 产品 | A的偏差 | B的偏差 | 偏差乘积 |
|---|---|---|---|
| a | 3-3.2=-0.2 | 5-3.4=1.6 | -0.2×1.6=-0.32 |
| b | 4-3.2=0.8 | 4-3.4=0.6 | 0.8×0.6=0.48 |
| c | 2-3.2=-1.2 | 2-3.4=-1.4 | (-1.2)×(-1.4)=1.68 |
| d | 4-3.2=0.8 | 3-3.4=-0.4 | 0.8×(-0.4)=-0.32 |
| e | 3-3.2=-0.2 | 3-3.4=-0.4 | (-0.2)×(-0.4)=0.08 |
步骤2：计算综合相似度
- 把所有偏差乘积相加：
-0.32 + 0.48 + 1.68 - 0.32 + 0.08 = 1.6 - 计算两个用户的偏差平方和：
- A的偏差平方和：
(-0.2)² + 0.8² + (-1.2)² + 0.8² + (-0.2)² = 2.8 - B的偏差平方和：
1.6² + 0.6² + (-1.4)² + (-0.4)² + (-0.4)² = 5.2
- A的偏差平方和：
- 计算平方和的平方根乘积：
√2.8 × √5.2 ≈ 3.814 - 最终皮尔逊系数：
1.6 ÷ 3.814 ≈ 0.419
结果解读（不用懂线性相关）
- 皮尔逊系数的范围是
[-1, 1]：- 越接近
1：两个用户的评分趋势越一致（比如都在某类产品上给高分/低分） - 越接近
-1：评分趋势完全相反 - 接近
0：评分无关联
- 越接近
- 你的例子中系数≈0.419，说明A和B有一定的评分相似度，可以考虑推荐。
关于Java库的说明
Java中的皮尔逊相关系数库（比如Apache Commons Math的PearsonCorrelation）完全是按照上述逻辑实现的，你可以放心使用。如果仍有疑虑，可以用你的示例评分作为输入，对比库的计算结果和手动计算的0.419是否一致。
内容的提问来源于stack exchange，提问作者Bryar
相关产品推荐
相关产品推荐
