Ajouter l’historique utilisateur au moteur de recommandation

Dans de nombreux cas de recommandation, comme les films ou les achats, baser la prochaine recommandation sur un seul point de données ne suffit pas. Dans ces situations, vous devrez créer des embeddings pour tout ou partie de l’historique de l’utilisateur afin d’obtenir des recommandations plus précises 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.

Cet exercice fait partie du cours

Introduction aux embeddings avec l’API OpenAI

Afficher le cours

Instructions

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 les produits présents dans user_history.
Combinez les caractéristiques de chaque produit dans products_filtered et générez les embeddings des chaînes obtenues.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Prepare and embed the user_history, and calculate the mean embeddings
history_texts = [____ for article in user_history]
history_embeddings = ____
mean_history_embeddings = ____

# Filter products to remove any in user_history
products_filtered = ____

# Combine product features and embed the resulting texts
product_texts = ____
product_embeddings = ____

hits = find_n_closest(mean_history_embeddings, product_embeddings)

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

Modifier et exécuter le code