Das ähnlichste Produkt finden
Die Berechnung der Ähnlichkeit zwischen Einbettungen ist ein wichtiger Schritt bei der Anwendung von Einbettungen. In dieser Übung kehrst du zu der products Liste von Wörterbüchern zurück, mit der du zuvor gearbeitet hast und die die eingebetteten Kurzbeschreibungen enthält, die du ebenfalls zuvor erstellt hast.
Du vergleichst einen Text mit diesen eingebetteten Beschreibungen, um die ähnlichste Beschreibung zu finden.
numpy wurde als np importiert, und distance ist unter scipy.spatial verfügbar. Eine create_embeddings() Funktion wurde bereits für dich definiert und steht dir zur Verfügung, um Einbettungen aus einer einzigen Eingabe zu erstellen.
Diese Übung ist Teil des Kurses
Einführung in Embeddings mit der OpenAI API
Anleitung zur Übung
- Bette den Text
"soap"mit deinercreate_embeddings()Funktion ein und extrahiere eine einzelne Liste von Einbettungen. - Berechne den Kosinusabstand zwischen der
query_embeddingund den Einbettungen inproduct. - Finde das
'short_description'des ähnlichsten Produkts zum Suchtext und drucke es aus, indem du die Kosinusabstände indistancesverwendest.
Interaktive Übung zum Anfassen
Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.
# Embed the search text
search_text = "soap"
search_embedding = ____
distances = []
for product in products:
# Compute the cosine distance for each product description
dist = ____(search_embedding, ____)
distances.append(dist)
# Find and print the most similar product short_description
min_dist_ind = ____
print(____)