Nutzerhistorie zur Empfehlungs-Engine hinzufügen
Für viele Empfehlungsszenarien, etwa Film- oder Kaufempfehlungen, reicht eine einzelne Datenbasis für die nächste Empfehlung nicht aus. In solchen Fällen musst du die gesamte oder einen Teil der Nutzerhistorie einbetten, um genauere und relevantere Empfehlungen zu erhalten.
In dieser Übung erweiterst du dein Produktempfehlungssystem so, dass es alle Produkte berücksichtigt, die der Nutzer zuvor besucht hat. Diese sind in einer Liste von Dictionaries namens user_history gespeichert.
Folgende benutzerdefinierte Funktionen stehen dir zur Verfügung: create_embeddings(texts), create_product_text(product) und find_n_closest(query_vector, embeddings, n=3). numpy wurde außerdem als np importiert.
Diese Übung ist Teil des Kurses
Einführung in Embeddings mit der OpenAI API
Anleitung zur Übung
- Kombiniere die Textmerkmale für jedes Produkt in
user_history, bette die resultierenden Strings ein und berechne die durchschnittlichen Embeddings mitnumpy. - Filtere
products, sodass alle Produkte, die inuser_historyenthalten sind, entfernt werden. - Kombiniere die Merkmale für jedes Produkt in
products_filteredund bette die resultierenden Strings ein.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Prepare and embed the user_history, and calculate the mean embeddings
history_texts = [____ for article in user_history]
history_embeddings = ____
mean_history_embeddings = ____
# Filter products to remove any in user_history
products_filtered = ____
# Combine product features and embed the resulting texts
product_texts = ____
product_embeddings = ____
hits = find_n_closest(mean_history_embeddings, product_embeddings)
for hit in hits:
product = products_filtered[hit['index']]
print(product['title'])