相似度算法主要包括以下幾種：
餘弦相似度(cosine_similarity)：通過計算兩個向量的夾角餘弦值來評估他們的相似度。
Jaccard相似度：主要用於計算符號度量或布爾值度量的樣本間的相似度。Jaccard係數等於樣本集交集的個數和樣本集並集個數的比值。
編輯距離(Levenshtein)：也稱爲Levenshtein距離，用於衡量兩個序列之間的差異。
MinHash：一種用於大規模數據集上估計Jaccard相似度的算法。
SimHash + 海明距離：SimHash是一種局部敏感哈希算法，可以將高維數據映射到短的指紋（哈希值），然後使用海明距離（漢明距離）來衡量兩個SimHash指紋之間的相似度。
皮爾遜相關係數：一般用於計算兩個定距變量間聯繫的緊密程度，其值總是在 -1.0 到 1.0 之間，接近 0 的變量被稱爲無相關性，接近 1 或者 -1 被稱爲具有強相關性。
歐式距離和曼哈頓距離：在多維空間中，歐式距離和曼哈頓距離都可以用來計算向量之間的相似度。
以上各種算法適用於不同的場景和數據類型，選擇合適的相似度算法對於解決特定問題是至關重要的。