Créer des embeddings à partir de descriptions plus détaillées
L'une des dernières étiquettes prédites ne semblait pas représentative de l'évaluation; c'était probablement dû au manque d'information quand on ne crée des embeddings qu'à partir des étiquettes de classe. Cette fois-ci, vous allez plutôt créer des embeddings à partir des descriptions de chaque classe, afin que le modèle « comprenne » mieux que vous classez des avis de restaurants.
Les objets suivants sont à votre disposition :
sentiments = [{'label': 'Positive',
'description': 'A positive restaurant review'},
{'label': 'Neutral',
'description':'A neutral restaurant review'},
{'label': 'Negative',
'description': 'A negative restaurant review'}]
reviews = ["The food was delicious!",
"The service was a bit slow but the food was good",
"The food was cold, really disappointing!"]
Cette activité fait partie du cours
Introduction aux embeddings avec l'API d'OpenAI
Instructions de l’exercice
- Extrayez une liste contenant les descriptions des sentiments et créez des embeddings à partir de celles-ci.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Extract and embed the descriptions from sentiments
class_descriptions = ____
class_embeddings = ____
review_embeddings = create_embeddings(reviews)
def find_closest(query_vector, embeddings):
distances = []
for index, embedding in enumerate(embeddings):
dist = distance.cosine(query_vector, embedding)
distances.append({"distance": dist, "index": index})
return min(distances, key=lambda x: x["distance"])
for index, review in enumerate(reviews):
closest = find_closest(review_embeddings[index], class_embeddings)
label = sentiments[closest['index']]['label']
print(f'"{review}" was classified as {label}')