"""Рекомендательная система для заданий (MVP-1)."""
from typing import Dict, List, Optional

import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity


class RecommendationEngine:
    """Простая рекомендательная система на основе TF-IDF."""

    def __init__(self):
        self.vectorizer = TfidfVectorizer(max_features=100, stop_words="english")
        self.task_vectors = None
        self.tasks = []

    def fit(self, tasks: List[Dict]):
        """
        Обучить модель на исторических данных.

        Args:
            tasks: Список заданий с полями: title, description, category, completed
        """
        self.tasks = tasks

        # Создаем текстовые описания для векторизации
        texts = []
        for task in tasks:
            text = f"{task.get('title', '')} {task.get('description', '')} {task.get('category', '')}"
            texts.append(text)

        if texts:
            self.task_vectors = self.vectorizer.fit_transform(texts)

    def recommend(
        self,
        preferences: List[str],
        completed_tasks: Optional[List[str]] = None,
        top_k: int = 5,
    ) -> List[Dict]:
        """
        Рекомендовать задания на основе предпочтений.

        Args:
            preferences: Предпочтения пользователя
            completed_tasks: Список уже выполненных заданий (для исключения)
            top_k: Количество рекомендаций

        Returns:
            Список рекомендованных заданий
        """
        if not self.tasks or self.task_vectors is None:
            return []

        # Векторизуем предпочтения
        preferences_text = " ".join(preferences)
        preference_vector = self.vectorizer.transform([preferences_text])

        # Вычисляем схожесть
        similarities = cosine_similarity(preference_vector, self.task_vectors)[0]

        # Исключаем уже выполненные задания
        if completed_tasks:
            for i, task in enumerate(self.tasks):
                if task.get("title") in completed_tasks or task.get("id") in completed_tasks:
                    similarities[i] = -1

        # Получаем топ-K индексов
        top_indices = np.argsort(similarities)[::-1][:top_k]
        top_indices = [idx for idx in top_indices if similarities[idx] > 0]

        return [self.tasks[idx] for idx in top_indices]

    def recommend_by_category(
        self,
        category: str,
        completed_tasks: Optional[List[str]] = None,
        top_k: int = 3,
    ) -> List[Dict]:
        """
        Рекомендовать задания по категории.

        Args:
            category: Категория заданий
            completed_tasks: Выполненные задания
            top_k: Количество рекомендаций

        Returns:
            Список рекомендованных заданий
        """
        category_tasks = [task for task in self.tasks if task.get("category") == category]

        if completed_tasks:
            category_tasks = [
                task
                for task in category_tasks
                if task.get("title") not in completed_tasks
                and task.get("id") not in completed_tasks
            ]

        # Сортируем по популярности (можно добавить поле rating)
        return category_tasks[:top_k]

    def get_popular_tasks(self, top_k: int = 10) -> List[Dict]:
        """
        Получить популярные задания.

        Args:
            top_k: Количество заданий

        Returns:
            Список популярных заданий
        """
        # Простая эвристика: задания, которые чаще выполняются
        task_scores: Dict[str, float] = {}

        for task in self.tasks:
            task_id = task.get("id") or task.get("title")
            if task.get("completed", False):
                task_scores[task_id] = task_scores.get(task_id, 0) + 1

        # Сортируем по популярности
        sorted_tasks = sorted(
            self.tasks,
            key=lambda t: task_scores.get(t.get("id") or t.get("title"), 0),
            reverse=True,
        )

        return sorted_tasks[:top_k]