Trouver le produit le plus similaire
Être capable de calculer la similarité entre des embeddings est une étape clé dans les applications utilisant des embeddings. Dans cet exercice, vous allez revenir à la liste de dictionnaires products utilisée plus tôt, qui contient aussi les courtes descriptions mises en embedding que vous avez créées précédemment.
Vous comparerez un court texte à ces descriptions mises en embedding pour repérer celle qui est la plus similaire.
numpy a été importé sous le nom np, et distance provient de scipy.spatial. Une fonction create_embeddings() a déjà été définie pour vous et est prête à être utilisée pour créer des embeddings à partir d'une seule entrée.
Cette activité fait partie du cours
Introduction aux embeddings avec l'API d'OpenAI
Instructions de l’exercice
- Mettez en embedding le texte
"soap"à l'aide de votre fonction personnaliséecreate_embeddings()et extrayez une seule liste d'emeddings. - Calculez la distance cosinus entre
query_embeddinget les embeddings dansproduct. - Trouvez et affichez la
'short_description'du produit le plus similaire au texte de recherche en utilisant les distances dansdistances.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(____)