我对于数据挖掘和推荐系统比较陌生，现在正试图为拥有以下参数的用户构建某种类型的推荐系统：
为了计算它们之间的相似度，我将应用余弦相似度和离散相似度。例如：
1 0 0 1 0 0 ... n
1 1 1 0 1 0 ... n
其中，1 表示兴趣存在，n 是所有兴趣的总数。
我的问题是： 如何以适当的顺序组合这三个相似性？仅仅将它们相加听起来不太聪明，对吧？同时，我也想听听关于我的“新手相似性系统”的意见，哈哈。
城市相似度听起来很合理，但实际上取决于您的领域。在同一个城市意味着一切，邻近城市一无是处吗？例如，是否在规模相似的城市中有任何意义？在同一个州内呢？如果是的话，您的相似性应该反映出这一点。
教育方面：我理解您为什么要使用余弦相似度，但这并不能解决真正的问题，即处理意义相同但表示不同的标记。您需要"eng"和"engineering"匹配，"ba"和"bachelors"等类似的东西。一旦您准备好这些标记，它可能会得到很好的结果。
兴趣方面：我不认为余弦相似度是最好的选择，在这里尝试使用简单的Tanimoto系数相似度（交集大小除以并集的大小）。
您不能只是将它们加起来，因为我想您仍然希望得到[0,1]范围内的值。您可以对它们进行平均处理。这意味着假设每个输出是直接可比较的，即它们是同一种“单位”。在这里它们不同；例如，并不像它们是概率。
在实践中它可能仍然可以正常工作，也许还可以加权。例如，在这里与具有完全相同兴趣相比，生活在同一个城市很重要。这是真的吗，还是应该更不重要？
您可以尝试测试不同的变化和权重，因为希望您有一些根据历史数据进行测试的方案。我会向您推荐我们的项目Mahout，因为它拥有完整的推荐系统和评估框架。
但是，所有这些解决方案都是hacky和启发式的。我认为您可能需要采取更正式的方法来进行特征编码和相似性。如果您愿意购买一本书并喜欢Mahout，Mahout in Action在聚类章节中涵盖了如何选择和编码特征，然后如何使它们成为一个相似性的好方法。
这是机器学习中的常用技巧。
城市：如果x = y，则d（x，y）= 0。否则，d（x，y）= 1。
我理解为您使用了一种一对K编码方法。很好。
教育：在这里，我将使用余弦相似度，因为单词出现在部门或学士学位的名称中
您也可以在此处使用一对K编码，以生成大小为| V |的向量，其中V是词汇表，即训练数据中的所有单词。
如果您现在规范化兴趣数字，使其始终落在[0,1]范围内，则可以在最终向量之间使用普通的L1（曼哈顿）或L2（欧几里得）距离度量。后者对应于信息检索的余弦相似度度量。
尝试使用L1和L2来决定哪个更好。