Python 如何使用KNN进行推荐

我正在构建一个简单的图书推荐器，其中我只有特定的图书信息（价格、标题、作者、流派、出版日期），而根本没有用户信息（没有评级，没有人口统计），只有他们的购买历史

因此，我只想基于此购买历史记录提出建议，例如：用户A购买了book1、book2和book3，用户B购买了book1、book3和book4，如果我想获得用户A的建议，我可以假设book4是一个不错的建议，因为基于他们的购买历史记录，他们有着相似的兴趣

我试图用余弦相似性来实现KNN，但我真的不知道如何根据用户给出建议，我的意思是，我已经建立了矩阵，选择了参数，但我不知道如何使用结果给出用户推荐的书籍列表

下面是我的矩阵的外观（简化）：

其中1表示用户是否购买了该书，0表示用户未购买

以下是我到目前为止所做的：

# Matrix with users as rows, products as columns and count as content
df_matrix = pd.pivot_table(order_df, values='count', index='username', columns='product')
# Replace all NaN contents with 0
df_matrix_dummy = df_matrix.fillna(0)

# Convert dataframe of books features to scipy sparse matrix
product_matrix = csr_matrix(df_matrix_dummy.values)

model_knn = NearestNeighbors(metric='cosine', algorithm='brute', n_neighbors=20, n_jobs=-1)

---

有人能帮我一把或给我介绍一个好的教程吗？

我想你是在使用

sklearn

，你有没有做过像

model\u knn.fit（product\u matrix）

这样的操作，然后使用

model\u knn.kneighbors（）进行预测，还可以看看这个sklean，我已经做了，但是我不能真正理解数组
model_knn.kneighbors（）
returns我的目标是在python中制作类似but的东西，在python中，根据用户及其图书购买历史提出建议
# Matrix with users as rows, products as columns and count as content
df_matrix = pd.pivot_table(order_df, values='count', index='username', columns='product')
# Replace all NaN contents with 0
df_matrix_dummy = df_matrix.fillna(0)

# Convert dataframe of books features to scipy sparse matrix
product_matrix = csr_matrix(df_matrix_dummy.values)

model_knn = NearestNeighbors(metric='cosine', algorithm='brute', n_neighbors=20, n_jobs=-1)