余弦相似度计算结果超出1范围，np.clip无效问题求助

你遇到的余弦相似度超出1的情况，大概率是浮点数精度误差导致的——对于非负的用户评分向量，余弦相似度理论值应落在[0,1]区间，但sklearn的cosine_similarity计算时，由于浮点数运算的舍入误差，可能会出现极接近1的微小溢出（比如1.0000000000001）。另外要注意：你在推荐函数里计算的weighted_ratings是预测的物品评分（范围约1-5），不是余弦相似度，别混淆两者。

修复方案 #

1. 裁剪相似度矩阵的数值范围 #

在计算完user_similarity后，添加一行代码将所有值强制限制在[0,1]区间内，解决精度溢出问题：

# Calculate user-user cosine similarity
user_similarity = pd.DataFrame(cosine_similarity(user_item_matrix), index=user_item_matrix.index, columns=user_item_matrix.index)
# 裁剪数值，修正精度溢出
user_similarity = user_similarity.clip(lower=0, upper=1)

2. 区分余弦相似度与预测评分 #

如果你误把推荐函数输出的score当成了余弦相似度，那是正常现象——这个score是基于相似度加权计算出的预测物品评分，范围和原始评分（1-5）一致，自然会大于1。

额外优化建议 #

你的推荐计算逻辑里用user_similarity.loc[user].abs().sum()作为分母，用绝对值求和是合理的（避免负相似度拉低结果）。如果你的场景只关注正相似用户，可以考虑过滤掉负相似度的用户，让推荐结果更贴合目标用户偏好：

def get_recommendations(user, user_similarity, user_item_matrix, n_recommendations=2):
    if user not in user_similarity.index:
        return None

    # 只保留与当前用户正相似的用户
    positive_similarity = user_similarity.loc[user][user_similarity.loc[user] > 0]
    if positive_similarity.empty:
        return pd.Series(dtype='float64')
    
    # 基于正相似用户计算加权评分
    weighted_ratings = (positive_similarity.values[:, np.newaxis] * user_item_matrix.loc[positive_similarity.index]).sum(axis=0) / positive_similarity.sum()
    weighted_ratings = pd.Series(weighted_ratings, index=user_item_matrix.columns)

    # 过滤已评分物品并排序
    recommendations = weighted_ratings[user_item_matrix.loc[user] == 0].sort_values(ascending=False)
    return recommendations.head(n_recommendations)

内容的提问来源于stack exchange，提问作者Mark Fisk