Système de recommandation de produits

Dans cet exercice, vous allez créer un système de recommandation pour un détaillant en ligne qui vend une variété de produits. Ce système recommande trois produits similaires aux utilisateurs qui visitent une page produit mais n'achètent pas, sur la base du dernier produit qu'ils ont visité.

Vous avez reçu une liste de dictionnaires de produits disponibles sur le site,

products = [

    {

        "title": "Smartphone X1",

        "short_description": "The latest flagship smartphone with AI-powered features and 5G connectivity.",

        "price": 799.99,

        "category": "Electronics",

        "features": [

            "6.5-inch AMOLED display",

            ...

            "Fast wireless charging"

        ]

    },

    ...

]

et un dictionnaire pour le dernier produit visité par l'utilisateur, stocké dans last_product.

Les fonctions personnalisées suivantes, définies plus tôt dans le cours, sont également à votre disposition :

create_embeddings(texts) → renvoie une liste d'encastrements pour chaque texte dans texts.
create_product_text(product) → combine les caractéristiques product en une seule chaîne pour l'intégration.
find_n_closest(query_vector, embeddings, n=3) → renvoie les n distances les plus proches et leurs index entre les query_vector et embeddings, sur la base des distances cosinusoïdales.

Cet exercice fait partie du cours

Introduction à l'intégration avec l'API OpenAI

Afficher le cours

Instructions

Combinez les caractéristiques textuelles dans last_product, et pour chaque produit dans products, en utilisant create_product_text().
Incorporez les adresses last_product_text et product_texts à l'aide de create_embeddings(), en veillant à ce que last_product_embeddings soit une liste unique.
Trouvez les trois plus petites distances en cosinus et leurs indices en utilisant find_n_closest().

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Combine the features for last_product and each product in products
last_product_text = ____
product_texts = ____

# Embed last_product_text and product_texts
last_product_embeddings = ____
product_embeddings = ____

# Find the three smallest cosine distances and their indexes
hits = ____(____, product_embeddings)

for hit in hits:
  product = products[hit['index']]
  print(product['title'])

Modifier et exécuter le code