我认为在这样的稀疏数据上考虑余弦相似度几乎没有意义，不仅仅是因为稀疏性（因为它只为密集数据定义），而且因为余弦相似度并不明显是有意义的。例如，将 10 部电影评分为 5 的用户与将这 10 部电影评分为 1 的用户具有完美的相似性。余弦相似度中的大小无关紧要，但在您的领域中却很重要。

它更有可能对用户和项目的一些密集嵌入有意义，例如您从 ALS 获得的内容。

要回答这个问题，您要么需要估算缺失的评分（不要假设为 0，而是平均值或类似值），要么忽略两者中未定义的维度。

你有几种类型的 na 的处理方式。它的代码示例：

def na_handling(df, name_of_strategy):

        #list of stategies -> mean, mode, 0, spefic_value, next_row, previous_row

        if name_of_strategy=="previous_row":
            df.fillna(method="backfill", inplace=True)
            return df
        elif name_of_strategy=="next_row":
            df.fillna(method="ffill", inplace=True)
            return df
        elif name_of_strategy=="0":
            df.fillna(0, inplace=True)
            return df

        elif name_of_strategy=="mean":
            df.fillna(df.mean(), inplace=True)
            return df
        elif name_of_strategy=="mode":
            df.fillna(df.mode(), inplace=True)
            return df
        else:
            print("Wrong specified strategy")


vec1 = na_handling(old_vec, "next_row")

def cosine_sim(df1, df2):

    df1na = df1.isna()
    df1clean = df1[~df1na]
    df2clean = df2[~df1na]

    df2na = df2clean.isna()
    df1clean = df1clean[~df2na]
    df2clean = df2clean[~df2na]


    # Compute cosine similarity
    distance = cosine(df1clean, df2clean)
    sim = 1 - distance

    return sim