Menambahkan riwayat pengguna ke mesin rekomendasi
Untuk banyak kasus rekomendasi, seperti rekomendasi film atau pembelian, mendasarkan rekomendasi berikutnya pada satu titik data saja tidak akan memadai. Dalam kasus seperti ini, Anda perlu membuat embedding untuk seluruh atau sebagian riwayat pengguna agar rekomendasi lebih akurat dan relevan.
Pada latihan ini, Anda akan memperluas sistem rekomendasi produk agar mempertimbangkan semua produk yang sebelumnya dikunjungi pengguna, yang disimpan dalam sebuah list berisi dictionary bernama user_history.
Fungsi kustom berikut tersedia untuk Anda gunakan: create_embeddings(texts), create_product_text(product), dan find_n_closest(query_vector, embeddings, n=3). numpy juga telah diimpor sebagai np.
Latihan ini merupakan bagian dari kursus
Pengantar Embeddings dengan OpenAI API
Instruksi latihan
- Gabungkan fitur teks untuk setiap produk di
user_history, buat embedding dari string hasilnya, dan hitung embedding rata-rata menggunakannumpy. - Saring
productsuntuk menghapus produk mana pun yang ada diuser_history. - Gabungkan fitur untuk setiap produk di
products_filtereddan buat embedding dari string hasilnya.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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'])