Recherche sémantique de produits
Il est temps d'utiliser votre fonction find_n_closest()! Vous testerez votre recherche sémantique de produits sur une requête test, en établissant une liste triée des cinq produits les plus sémantiquement similaires, sur la base des données enrichies que vous avez fournies au modèle.
Voici un rappel de la fonction find_n_closest() que vous avez créée dans l'exercice précédent :
def find_n_closest(query_vector, embeddings, n=3):
distances = []
for index, embedding in enumerate(embeddings):
distance = spatial.distance.cosine(query_vector, embedding)
distances.append({"distance": distance, "index": index})
distances_sorted = sorted(distances, key=lambda x: x["distance"])
return distances_sorted[0:n]
La fonction create_embeddings() que vous avez créée précédemment est également disponible. Rappelons qu'il prend un texte et renvoie une liste de listes contenant les intégrations pour chaque texte. Le dictionnaire products et le product_embeddings que vous avez créé précédemment ont également été chargés.
Cet exercice fait partie du cours
Introduction à l'intégration avec l'API OpenAI
Instructions
- Créez le vecteur de requête à partir de
query_text. - Trouvez les cinq distances les plus proches et leurs indices correspondants à l'aide de la fonction
find_n_closest(). - Passez en boucle sur
hitset extrayez le produit à chaque'index'de la listehits.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create the query vector from query_text
query_text = "computer"
query_vector = ____[0]
# Find the five closest distances
hits = ____
print(f'Search results for "{query_text}"')
for hit in hits:
# Extract the product at each index in hits
product = products[____]
print(product["title"])