Menemukan produk yang paling mirip

Kemampuan menghitung kemiripan antar embedding adalah langkah penting dalam aplikasi embedding. Pada latihan ini, Anda akan kembali ke daftar kamus products yang telah Anda gunakan sebelumnya, yang berisi embedding dari deskripsi singkat yang juga telah Anda buat sebelumnya.

Anda akan membandingkan sebuah potongan teks dengan deskripsi yang sudah di-embed untuk mengidentifikasi deskripsi yang paling mirip.

numpy telah diimpor sebagai np, dan distance tersedia dari scipy.spatial. Fungsi create_embeddings() telah didefinisikan untuk Anda dan dapat digunakan untuk membuat embedding dari satu masukan.

Latihan ini merupakan bagian dari kursus

Pengantar Embeddings dengan OpenAI API

Lihat Kursus

Instruksi latihan

Embedding-kan teks, "soap", menggunakan fungsi kustom create_embeddings() Anda dan ekstrak satu daftar embedding.
Hitung jarak kosinus antara query_embedding dan embedding dalam product.
Temukan dan cetak 'short_description' dari produk yang paling mirip dengan teks pencarian menggunakan jarak kosinus di distances.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Embed the search text
search_text = "soap"
search_embedding = ____

distances = []
for product in products:
  # Compute the cosine distance for each product description
  dist = ____(search_embedding, ____)
  distances.append(dist)

# Find and print the most similar product short_description    
min_dist_ind = ____
print(____)

Edit dan Jalankan Kode