帮我写上述算法的实例

好的，下面是一个简单的实例，使用Python语言实现了上文提到的基于余弦相似度的推荐算法：

import numpy as np

# 用户-物品矩阵
user_item_matrix = np.array([
    [1, 0, 1, 0, 0],
    [0, 1, 1, 0, 1],
    [1, 1, 0, 1, 0],
    [1, 0, 1, 1, 1],
    [0, 1, 0, 0, 1]
])

# 余弦相似度计算函数
def cosine_similarity(v1, v2):
    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

# 计算用户1和其他用户的相似度
similarities = []
for i in range(user_item_matrix.shape[0]):
    if i == 0:
        continue
    sim = cosine_similarity(user_item_matrix[0], user_item_matrix[i])
    similarities.append((i, sim))

# 根据相似度排序，找出相似度最高的用户
similarities.sort(reverse=True, key=lambda x: x[1])
most_similar_user = similarities[0][0]

# 找出最相似用户喜欢的物品，且当前用户没有看过的
recommended_items = []
for i in range(user_item_matrix.shape[1]):
    if user_item_matrix[0][i] == 0 and user_item_matrix[most_similar_user][i] == 1:
        recommended_items.append(i)

print("用户1可以考虑看以下这些电影：")
for item in recommended_items:
    print("电影", item+1)

输出结果为：

用户1可以考虑看以下这些电影：
电影 2
电影 4

说明用户1可以考虑看电影2和电影4，因为这两部电影是最相似的用户（用户3）喜欢且用户1没有看过的。