Ajouter l'historique de l'utilisateur au moteur de recommandation
Pour de nombreux cas de recommandation, tels que la recommandation d'un film ou d'un achat, baser la recommandation suivante sur un seul point de données sera insuffisant. Dans ce cas, vous devrez intégrer tout ou partie de l'historique de l'utilisateur pour obtenir des recommandations plus précises et plus pertinentes.
Dans cet exercice, vous allez étendre votre système de recommandation de produits pour prendre en compte tous les produits que l'utilisateur a déjà visités, qui sont 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 de np.
Cet exercice fait partie du cours
Introduction à l'intégration avec l'API OpenAI
Instructions
- Combinez les caractéristiques textuelles de chaque produit dans
user_history, intégrez les chaînes résultantes et calculez les intégrations moyennes à l'aide denumpy. - Filtrez
productspour éliminer tous les produits présents dansuser_history. - Combinez les caractéristiques de chaque produit dans
products_filteredet intégrez les chaînes qui en résultent.
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'])