diff --git a/docs/examples/课程推荐计算评分.md b/docs/examples/课程推荐计算评分.md
new file mode 100644
index 0000000..566abc7
--- /dev/null
+++ b/docs/examples/课程推荐计算评分.md
@@ -0,0 +1,156 @@
+项目地址：[https://gitea.suimu.site/lennon/recommend_system](https://gitea.suimu.site/lennon/recommend_system)
+
+项目中给出两个算法，一个是基于用户的协同过滤算法，一个是基于物品的协同过滤算法。
+
+
+
+# 数据处理
+## 原始数据集说明
+用户与课程关联数据集, 行数说明
+
+| 字段 | 名称 | 示例值 | 描述 | 取值范围 |
+| :---: | :---: | :---: | :---: | :---: |
+| views | 浏览记录 | 60% | 用户对课程浏览进度 | （0%，100%） |
+| favorites | 收藏记录 | 0 | 用户是否收藏课程，1 为收藏 | enum(0,1) |
+| likes | 点赞记录 | 1 | 用户是否点赞课程，1 为点赞 | enum(0,1) |
+| comments | 评论记录 | ["Loved it", "Would buy again"] | 用户对课程的评论，为字符串数组 | ["Great product!", "Loved it", "Would buy again"] |
+| shares | 分享记录 | 1 | 用户是否分享课程，1 为分享 | enum(0,1) |
+| feedbacks | 反馈记录 | [ "Shipping was fast"] | 用户对课程的反馈，为字符串数组 | ["The product was good", "Shipping was fast"] |
+| ratings | 评分记录 | 3 | 用户对课程的评分 | （1，5） |
+
+
+
+
+## 中间状态，文本情感计算
+处理文本情感之后的数据，示例如下：
+
+| **用户编码** | **课程编码** | **浏览记录** | **收藏记录** | **点赞记录** | **评论记录** | **分享记录** | **反馈记录** | **评分记录** |
+| :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
+| 1 | 1 | 0.28 | 1 | 0 | 0.25 | 1 | 0.87 | 1 |
+| 1 | 2 | 0.49 | 0 | 1 | 0.76 | 0 | 0.65 | 3 |
+
+
+其中，评论记录和反馈记录通过 NLP 的情感分析，得到 （0,1）之间的两位小数。偏向 1 表示正向情感。
+
+```python
+pip install snownlp
+```
+
+```python
+from snownlp import SnowNLP
+
+text1 = "这个产品真的很好用！"
+s = SnowNLP(text1)
+print(s.sentiments)  # 输出情感得分 0.8380894562907347
+
+
+from snownlp import SnowNLP
+
+text = "好烦啊，和参数对不上！"
+s = SnowNLP(text)
+print(s.sentiments)  # 输出情感得分 0.2734196629160368
+```
+
+
+
+## 计算 User-Item 的评分
+在原始 ml-100k 数据集中，用户和电影之间的评分是手动打的，本项目中的实现逻辑也比较简单。计算物品或者用户的邻居逻辑都在类 `CoreMath`中。所以这边需要根据 浏览记录、收藏记录、点赞记录、评论记录、反馈记录、评分记录等信息计算出一个评分。
+
+实现逻辑是将所有的信息都标准化为一个 0 到 1 之间数，然后按照不同信息的重要程度给一个权重。计算出一个 1 到 5 之间的分数。这样就不需要改动原有算法的代码了。
+
+### 权重分配说明：
++ **浏览记录 (views)**: 虽然浏览行为重要，但它属于较为被动的行为。建议赋予较低的权重。
++ **收藏记录 (favorites)**: 收藏表明用户对产品有一定的兴趣，建议赋予中等权重。
++ **点赞记录 (likes)**: 点赞表示用户的积极反馈，建议赋予中等偏高的权重。
++ **评论记录 (comments)**: 评论能直接反映用户的想法，建议赋予较高的权重。
++ **分享记录 (shares)**: 分享表明用户愿意向他人推荐产品，建议赋予中等偏高的权重。
++ **反馈记录 (feedbacks)**: 反馈通常比评论更详细，建议赋予较高的权重。
++ **评分记录 (ratings)**: 评分是最直接的用户评分，建议赋予最高的权重。
+
+### 权重分配建议
+```python
+weights = {
+    'views': 0.05,        # 浏览记录：较低权重
+    'favorites': 0.1,     # 收藏记录：中等权重
+    'likes': 0.15,        # 点赞记录：中等偏高权重
+    'comments': 0.2,      # 评论记录：较高权重
+    'shares': 0.15,       # 分享记录：中等偏高权重
+    'feedbacks': 0.2,     # 反馈记录：较高权重
+    'ratings': 0.15       # 评分记录：最高权重
+}
+```
+
+### 代码示例
+```python
+from typing import Dict
+from snownlp import SnowNLP
+
+def calculate_composite_score(
+        views: float,
+        favorites: int,
+        likes: int,
+        comments: list[str],
+        shares: int,
+        feedbacks: list[str],
+        rating: int,
+        weights: Dict[str, float] = None
+) -> float:
+    if weights is None:
+        print("No weights provided, using default values.")
+        weights = {
+            'views': 0.01,
+            'favorites': 0.1,
+            'likes': 0.125,
+            'comments': 0.175,
+            'shares': 0.125,
+            'feedbacks': 0.175,
+            'rating': 0.29
+        }
+    print(f"Weights: {weights}")
+
+    # 量化 comments 和 feedback 数据，如果列表为空则默认为0
+    avg_comment_score = np.mean([SnowNLP(comment).sentiments for comment in comments]) if comments else 0
+    avg_feedback_score = np.mean([SnowNLP(feedback).sentiments for feedback in feedbacks]) if feedbacks else 0
+
+    # 格式化为两位小数
+    avg_comment_score_formatted = round(avg_comment_score, 2)
+    avg_feedback_score_formatted = round(avg_feedback_score, 2)
+
+    print(f"Average comment score: {avg_comment_score_formatted}")
+    print(f"Average feedback length: {avg_feedback_score_formatted}")
+
+    # 将评分数据缩放到 0-1
+    scale_rating = rating * 0.2
+
+    # Calculate the weighted score
+    score = (
+            views * weights['views'] +
+            favorites * weights['favorites'] +
+            likes * weights['likes'] +
+            avg_comment_score_formatted * weights['comments'] +
+            shares * weights['shares'] +
+            avg_feedback_score_formatted * weights['feedbacks'] +
+            scale_rating * weights['rating']
+    )
+
+    print(f"Score: {score}")
+
+    # Ensure the score is in the range [1, 5]
+    score = max(1, min(5, score * 5))
+
+    return round(score, 2)
+
+
+# 示例用法
+views = 75 * 0.01  # 假设 75% 的用户浏览了这个 item
+favorites = 1
+likes = 0
+comments = ["非常棒的产品!", "超爱的", "下次还买"]
+shares = 1
+feedbacks = ["产品很好", "发货速度很快"]
+rating = 5
+
+composite_score = calculate_composite_score(views, favorites, likes, comments, shares, feedbacks, rating)
+print("Composite Score:", composite_score)
+```
+