应使用sklearn.metrics.pairwise.cosine_similarity而非手写实现，因其自动L2归一化、适配二维输入；输入需为float型二维矩阵（如用户×物品），稀疏矩阵须转float并reshape；物品协同过滤需用ratings.T；相似度范围[-1,1]，降序取top-K；推荐分数用稀疏矩阵.dot()高效计算，避免for循环。
余弦相似度计算要用 sklearn.metrics.pairwise.cosine_similarity，别手写
自己用 numpy 实现余弦公式容易忽略归一化或维度对齐问题，比如用户-物品矩阵转置没处理好，结果全是 nan 或全为 1.0。直接调 cosine_similarity 更稳——它内部做了 L2 归一化，且自动适配二维输入（如用户向量矩阵）。
常见错误：把稀疏评分矩阵（如 scipy.sparse.csr_matrix）直接丢进函数却不指定 dtype=float，导致整数溢出或精度丢失；或者传入一维数组却没 reshape 成二维（[[v]]），报 ValueError: Expected 2D array。
- 输入必须是二维：用户×物品矩阵，每行是一个用户的向量（缺失值填 0）
- 若原始数据稀疏，先转成
float类型的csr_matrix，再传入 - 输出是方阵：
similarity_matrix[i][j]表示用户 i 和 j 的相似度
用户冷启动时拿不到相似用户？用物品相似度兜底
新用户没有任何行为，无法在用户相似度矩阵中找邻居，硬算会得到全零行。这时候该切到物品侧：用物品共现矩阵（转置后）算 cosine_similarity，得到物品间相似度，再基于用户已评物品推荐相似物品。
关键点在于矩阵转置时机：用户协同过滤用原始矩阵；物品协同过滤必须用 ratings.T（物品×用户），再喂给 cosine_similarity。别漏掉这一步，否则相似度全是 0。
立即学习“Python免费学习笔记（深入）”；
- 物品相似度矩阵形状是
(n_items, n_items)，不是(n_users, n_users) - 用户只评过 1 个物品？那该物品的相似物品列表就是唯一推荐源
- 避免重复推荐：过滤掉用户已交互过的物品 ID
cosine_similarity 返回值不是距离，别当距离用
余弦相似度范围是 [-1, 1]，值越大越相似。有人误把它当欧氏距离用，做 argsort 时升序取 top-K，结果拿到最不相似的几个用户。正确做法是降序排列，或用 1 - similarity 转成距离再升序——但没必要，直接 np.argsort(-similarity_row)[:k] 更直观。
另一个坑：相似度为负值时（比如用户兴趣完全相反），是否该排除？视场景而定。电影推荐通常保留负值（反向推荐小众片），但电商场景常加阈值过滤，如只取 similarity > 0.1 的邻居。
- 排序前检查是否有有效相似值：
np.any(similarity_row > 0) - 阈值设太低（如 0.01）会引入噪声邻居；太高（如 0.8）可能导致无推荐
- 推荐分数 = Σ(邻居评分 × 相似度) / Σ|相似度|，注意分母是绝对值和，防负值干扰
稀疏矩阵乘法比 for 循环快十倍，但得用 .dot() 不是 *
生成最终推荐分数时，常见写法是遍历每个用户、每个未评分物品、每个邻居，三层循环——10 万用户就卡死。正确姿势是用稀疏矩阵乘法：user_similarity @ user_ratings，其中 @ 或 .dot() 自动利用 CSR 格式加速。
但 * 是逐元素乘，@ 才是矩阵乘。如果用了 *，结果形状不对，还会触发隐式广播错误。另外，user_similarity 必须是 float64，否则乘法后精度塌缩，推荐分全为 0。
- 确保两个矩阵 dtype 一致：
user_similarity.astype(np.float64) - 结果需 mask 掉用户已评物品位置，用布尔索引：
pred[already_rated_mask] = 0 - 内存不够？分块计算：
np.array_split切用户批次，逐块.dot()
实际跑起来你会发现，相似度计算本身不慢，慢在后续的 top-K 检索和去重逻辑——尤其是用 Python 做 item ID 映射时，字典查表比 numpy index 慢一个数量级。这部分没法靠 cosine_similarity 解决，得提前建好 ID → index 的映射数组。
