1. Learn
    2. /
  2. कोर्स
    3. /
  3. OpenAI API के साथ Embeddings परिचय
Connected

अभ्यास

प्रोडक्ट्स के लिए सेमान्टिक सर्च

अब अपने find_n_closest() फंक्शन को काम में लेने का समय है! आप एक टेस्ट क्वेरी पर अपना सेमान्टिक प्रोडक्ट सर्च आज़माएँगे, और आपके द्वारा मॉडल को दिए गए enriched डेटा के आधार पर, सेमान्टिक रूप से सबसे मिलते-जुलते पाँच प्रोडक्ट्स की sorted लिस्ट निकालेंगे.

पिछले अभ्यास में बनाए गए find_n_closest() फंक्शन की झलक याद दिला दें:

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]

आपने पहले जो create_embeddings() फंक्शन बनाया था, वह भी उपलब्ध है. याद रखें, यह कुछ टेक्स्ट लेता है और प्रत्येक टेक्स्ट के लिए एम्बेडिंग्स (embedding — वेक्टर रूप में निरूपण) वाली लिस्ट-की-लिस्ट लौटाता है. आपने पहले जो products डिक्शनरी और product_embeddings बनाए थे, वे भी लोड किए जा चुके हैं.

निर्देश

100 XP
  • query_text से क्वेरी वेक्टर बनाएँ.
  • find_n_closest() फंक्शन का उपयोग करके सबसे पास की पाँच दूरियाँ और उनके संबंधित इंडेक्स खोजें.
  • hits पर लूप चलाएँ और hits लिस्ट में हर 'index' पर मौजूद प्रोडक्ट निकालें.