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

अभ्यास

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.

निर्देश

100 XP
  • user_history में प्रत्येक product के लिए text फीचर्स को मिलाएँ, प्राप्त हुए strings को embed करें, और numpy का उपयोग करके mean embeddings 계산 करें.
  • products में से वे products हटा दें जो user_history में मौजूद हैं.
  • products_filtered में प्रत्येक product के लिए फीचर्स को मिलाएँ और प्राप्त हुए strings को embed करें.