举一个推荐算法的代码例子

非常感谢您的提问。以下是一个简单的基于协同过滤的推荐算法的代码例子：

import numpy as np

# 生成用户-物品评分矩阵
user_item_scores = np.array([[1, 2, 0, 0], [0, 2, 3, 1], [1, 0, 2, 4]])

# 计算用户之间的相似度
similarity_matrix = np.dot(user_item_scores, user_item_scores.T)

# 对每个用户进行推荐
for i in range(user_item_scores.shape[0]):
    # 获取该用户未评分的物品
    unrated_items = np.where(user_item_scores[i] == 0)[0]

    # 对每个未评分物品进行预测评分
    predicted_scores = []
    for j in unrated_items:
        # 计算该用户与其他用户的相似度加权平均值作为该用户对该物品的评分预测值
        similarities = similarity_matrix[i, np.where(user_item_scores[:, j] != 0)[0]]
        scores = user_item_scores[:, j][np.where(user_item_scores[:, j] != 0)[0]]
        predicted_score = np.dot(similarities, scores) / np.sum(similarities)
        predicted_scores.append(predicted_score)

    # 将预测评分从高到低排序，推荐评分最高的物品
    recommended_item = unrated_items[np.argsort(predicted_scores)[::-1][0]]

    print("用户", i, "的推荐物品是", recommended_item)

该算法基于用户-物品评分矩阵，使用余弦相似度计算用户之间的相似度，对于每个用户通过计算与其他用户的相似度加权平均值得到对未评分物品的评分预测值，再推荐预测评分最高的物品。当然，实际应用中还需要考虑许多因素，例如数据预处理、模型调优等等。如果您有更多的问题，请随时问我。