推荐算法入门中的相似度计算方法主要包括以下几种：
欧式距离：
简介：最直观的距离计算方法，通过计算两个样本在多维空间中的距离来评估相似度。应用：适用于评估样本在数值上的差异程度。
余弦相似度：
简介：衡量样本向量间的夹角余弦值，反映方向相似性。应用：适用于高维空间中向量方向的相似性比较，忽略数值差异。
皮尔逊相关系数：
简介：在计算夹角余弦的基础上，通过数据中心化提供更精确的相似度度量。应用：强调样本之间的线性关系，适用于评估数值型数据的相似度。
修正余弦相似度：
简介：对原始余弦相似度进行改进，以解决数值差异对相似度计算的影响。应用：提供更准确的相似度评估，适用于存在数值波动的数据集。
汉明距离：
简介：评估两个字符串在对应位置上字符差异的数量。应用：常用于图像匹配、同图搜索等字符串比较场景。
曼哈顿距离：
简介：衡量在标准坐标系中两点间沿轴向距离的总和。应用：适用于网格状数据结构中两点间的实际行走距离评估。
以上相似度计算方法在推荐算法中各有优劣，选择合适的方法取决于数据的特性和推荐系统的具体需求。