Das ähnlichste Produkt finden

Die Ähnlichkeit zwischen Embeddings zu berechnen, ist ein wichtiger Schritt in Embeddings-Anwendungen. In dieser Übung kehrst du zur products-Liste mit Dictionaries zurück, mit der du zuvor gearbeitet hast. Sie enthält die eingebetteten Kurzbeschreibungen, die du ebenfalls zuvor erstellt hast.

Du vergleichst einen Textausschnitt mit diesen eingebetteten Beschreibungen, um die ähnlichste Beschreibung zu identifizieren.

numpy wurde als np importiert, und distance ist aus scipy.spatial verfügbar. Eine Funktion create_embeddings() wurde bereits für dich definiert und steht zur Verfügung, um Embeddings aus einer einzelnen Eingabe zu erstellen.

Diese Übung ist Teil des Kurses

Einführung in Embeddings mit der OpenAI API

Kurs anzeigen

Anleitung zur Übung

Embedde den Text "soap" mit deiner benutzerdefinierten Funktion create_embeddings() und extrahiere eine einzelne Liste von Embeddings.
Berechne die Kosinus-Distanz zwischen dem query_embedding und den Embeddings in product.
Finde und gib die 'short_description' des Produkts aus, das dem Suchtext am ähnlichsten ist, und nutze dafür die Kosinus-Distanzen in distances.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(____)

Code bearbeiten und ausführen