Doporučovací systém produktů

V tomto cvičení vytvoříš doporučovací systém pro internetový obchod s různorodým sortimentem. Systém doporučí tři podobné produkty uživatelům, kteří navštíví stránku produktu, ale nic nekoupí – doporučení vychází z posledního produktu, který si prohlédli.

Máš k dispozici seznam slovníků s produkty dostupnými na webu,

products = [
    {
        "title": "Smartphone X1",
        "short_description": "The latest flagship smartphone with AI-powered features and 5G connectivity.",
        "price": 799.99,
        "category": "Electronics",
        "features": [
            "6.5-inch AMOLED display",
            ...
            "Fast wireless charging"
        ]
    },
    ...
]

a slovník s posledním produktem, který si uživatel prohlédl, uložený v last_product.

K dispozici máš také následující vlastní funkce definované dříve v kurzu:

create_embeddings(texts) → vrátí seznam embeddingů pro každý text v texts.
create_product_text(product) → sloučí vlastnosti product do jednoho řetězce připraveného k embeddingu.
find_n_closest(query_vector, embeddings, n=3) → vrátí n nejbližších vzdáleností a jejich indexů mezi query_vector a embeddings na základě kosinové vzdálenosti.

Toto cvičení je součástí kurzu

Introduction to Embeddings with the OpenAI API

Zobrazit kurz

Pokyny k cvičení

Zkombinuj textové vlastnosti z last_product a pro každý produkt v products použij create_product_text().
Vytvoř embeddingy pro last_product_text a product_texts pomocí create_embeddings() a zajisti, že last_product_embeddings bude jediný seznam.
Najdi tři nejmenší kosinové vzdálenosti a jejich indexy pomocí find_n_closest().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Combine the features for last_product and each product in products
last_product_text = ____
product_texts = ____

# Embed last_product_text and product_texts
last_product_embeddings = ____
product_embeddings = ____

# Find the three smallest cosine distances and their indexes
hits = ____(____, product_embeddings)

for hit in hits:
  product = products[hit['index']]
  print(product['title'])

Upravit a spustit kód