1. Apprendre
    2. /
  2. Cours
    3. /
  3. Introduction aux embeddings avec l'API d'OpenAI
Connected

Exercice

Ajouter l'historique de l'utilisateur au moteur de recommandation

Dans bien des cas de recommandation, comme les films ou les achats, se baser sur un seul point de données ne suffit pas. Dans ces situations, vous devez intégrer tout ou partie de l'historique de l'utilisateur pour fournir des recommandations plus justes et pertinentes.

Dans cet exercice, vous allez étendre votre système de recommandation de produits pour tenir compte de tous les produits que l'utilisateur a déjà consultés, stockés dans une liste de dictionnaires appelée user_history.

Les fonctions personnalisées suivantes sont à votre disposition : create_embeddings(texts), create_product_text(product) et find_n_closest(query_vector, embeddings, n=3). numpy a également été importé sous le nom np.

Instructions

100 XP
  • Combinez les caractéristiques textuelles de chaque produit dans user_history, générez les embeddings des chaînes obtenues, puis calculez la moyenne des embeddings avec numpy.
  • Filtrez products pour retirer tous les produits qui figurent dans user_history.
  • Combinez les caractéristiques de chaque produit dans products_filtered et générez les embeddings des chaînes obtenues.