1. Lernen
    2. /
  2. Kurse
    3. /
  3. Introduction aux embeddings avec l'API d'OpenAI
Connected

Übung

Trier par similarité

Maintenant que vous avez créé les représentations (embeddings) de toutes vos caractéristiques, l'étape suivante consiste à calculer les similarités. Dans cet exercice, vous allez définir une fonction appelée find_n_closest() qui calcule les distances cosinus entre un vecteur de requête et une liste d'embeddings, puis retourne les n plus petites distances ainsi que leurs index.

Dans le prochain exercice, vous utiliserez cette fonction pour activer votre application de recherche sémantique de produits.

distance a été importé de scipy.spatial.

Anleitung

100 XP
  • Calculez la distance cosinus entre query_vector et embedding.
  • Ajoutez au tableau distances un dictionnaire contenant dist et son index.
  • Triez la liste distances selon la clé 'distance' de chaque dictionnaire.
  • Retournez les n premiers éléments de distances_sorted.