Recommendation engine में user history जोड़ना
कई recommendation मामलों में, जैसे फ़िल्म या खरीदारी की सिफारिश, केवल एक डेटा पॉइंट पर अगली सिफारिश आधारित करना पर्याप्त नहीं होता. ऐसे में, अधिक सटीक और प्रासंगिक recommendations के लिए आपको उपयोगकर्ता के इतिहास (संपूर्ण या कुछ हिस्सा) को embed करना होगा.
इस अभ्यास में, आप अपने product recommendation सिस्टम को इस तरह बढ़ाएँगे कि वह उन सभी products को ध्यान में रखे जिन्हें उपयोगकर्ता पहले देख चुका है. ये user_history नाम की dictionaries की एक list में संग्रहीत हैं.
आपके लिए निम्नलिखित कस्टम फंक्शंस उपलब्ध हैं: create_embeddings(texts), create_product_text(product), और find_n_closest(query_vector, embeddings, n=3). साथ ही numpy को np नाम से आयात किया गया है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
OpenAI API के साथ Embeddings परिचय
अभ्यास निर्देश
user_historyमें प्रत्येक product के लिए text फीचर्स को मिलाएँ, प्राप्त हुए strings को embed करें, औरnumpyका उपयोग करके mean embeddings 계산 करें.productsमें से वे products हटा दें जोuser_historyमें मौजूद हैं.products_filteredमें प्रत्येक product के लिए फीचर्स को मिलाएँ और प्राप्त हुए strings को embed करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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'])