Produktbeschreibungen embedden

Dir wurde eine Liste von Dictionaries namens products bereitgestellt. Sie enthält Produktinformationen zu verschiedenen Artikeln, die ein Onlinehändler verkauft. Deine Aufgabe ist es, die 'short_description' jedes Produkts zu embedden, um semantische Suche auf der Website des Händlers zu ermöglichen.

Hier ist eine Vorschau der Liste products mit Dictionaries:

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",
            "Quad-camera system with 48MP main sensor",
            "Face recognition and fingerprint sensor",
            "Fast wireless charging"
        ]
    },
    ...
]

Ein OpenAI-Client wurde bereits erstellt und ist client zugewiesen.

Diese Übung ist Teil des Kurses

Einführung in Embeddings mit der OpenAI API

Kurs anzeigen

Anleitung zur Übung

Erstelle eine Liste namens product_descriptions, die die 'short_description' jedes Produkts in products enthält, und verwende dafür eine List Comprehension.
Erstelle Embeddings für jede 'short_description' per Batching, indem du das Input an das Modell text-embedding-3-small übergibst.
Extrahiere die Embeddings für jedes Produkt aus response_dict und speichere sie in products unter einem neuen Schlüssel namens 'embedding'.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Extract a list of product short descriptions from products
product_descriptions = [____ for product in ____]

# Create embeddings for each product description
response = ____
response_dict = response.model_dump()

# Extract the embeddings from response_dict and store in products
for i, product in ____:
    product['embedding'] = response_dict[____][____][____]
    
print(products[0].items())

Code bearbeiten und ausführen