题解思路

构建用户-商品矩阵

首先将输入的用户购买历史转换为用户–商品的二值矩阵。行表示用户，列表示商品，如果用户购买过该商品则对应位置为1，否则为0。

计算Cosine相似度与KNN邻居

使用 scikit-learn 的 NearestNeighbors，设置

• metric='cosine'（返回的距离为 1−cosine_similarity）
• algorithm='brute'

题目内容

某电子商务平台希望使用机器学习来改善用户的购物体验。他们收集了用户的购买历史数据，希望你 能构建一个推荐系统，为用户推荐他们可能喜欢的商品。

你的任务是，使用$scikit-learn$库，基于用户的购买历史数据，构建一个基于$K$最近邻$(KNN)$的推荐系统，并使用$Cosine$相似度来评估模型的性能。

要求:

$1$.首先要计算用户之间的$Cosine$相似度矩阵，然后在推荐系统中使用基于$KNN$的方法，并且将 $KNN$的距离度量设置为$cosine$。

$2$.$KNN$的邻居数量n_neighbors参数设为$4$，其中包括用户自己，最后在生成推荐时排除自己(即实 际使用$3$个邻居)。

$3$.推荐的商品必须是用户尚未购买过的商品(即排除已购买的商品)。

$4$.如果没有合适的商品推荐(例如用户的邻居没有新商品)，输出结果中应显示$None$和相似度为$0.0$。

$5$.相同相似度情况下，取$ID$最小的商品。

输入描述

输入是一个$list$，每个元素是一个包含两个元素的$list$，第一个元素是用户$ID$，第二个元素是该用户 购买过的商品$ID$的列表。

输出描述

输出是一个$list$，包含三个元素，第一个元素是用户$ID$，第二个元素是预测的用户可能喜欢的商品 $ID$，第三个元素是预测的$Cosine$相似度，保留小数点后$3$位有效数字。

补充说明

(1)可以使用形如$numpy、pandas、sklearn$的第三方代码库。

(2)为了保证唯一性，请严格遵循输入输出描述进行作答。

(3)形如 $sys.stdin$等方法结合$for$循环和$eval$函数即可读取并还原输入数据。

(4)算法使用$brute$，最近邻数量设置为$3$。

样例1

输入

[[1, [101, 102, 103]], [2, [101, 104]], [3, [102, 103, 105]], [4, [101, 103, 105]]]

输出

[1, 105, 0.667]
[2, 102, 0.408]
[3, 101, 0.667]
[4, 102, 0.667]