某零售商需要一个推荐系统，该系统根据每个用户的浏览历史为现有用户提供推荐，并过滤掉用户已购买的商品。哪种解决方案能以最少的开发工作量满足这些要求？

正确答案是使用Amazon Personalize USERPERSONALIZATION训练模型，创建实时过滤器以排除以前购买的商品，部署Personalize campaign，并使用GetRecommendations获取实时推荐。这是因为Amazon Personalize的USERPERSONALIZATION配方专门用于根据用户历史提供个性化推荐，并且它支持实时过滤器以排除已购买商品，这直接满足了零售商的需求，同时最大限度地减少了开发工作量。 其他选项的不足在于： 在SageMaker中构建基于用户的协同过滤模型或神经协同过滤模型（无论是否使用GPU）需要大量的开发、训练和部署工作，这与“最少的开发工作量”要求不符。 使用Amazon Personalize PERSONALIZEDRANKING模型主要用于对现有推荐列表进行重新排序，而不是生成新的推荐，这不完全符合提供“推荐”的需求。