Trovare il prodotto più simile
Saper calcolare la similarità tra embedding è un passaggio chiave nelle applicazioni basate sugli embedding. In questo esercizio tornerai alla lista di dizionari products con cui hai già lavorato, che contiene anche le brevi descrizioni incorporate create in precedenza.
Confronterai un testo con queste descrizioni incorporate per identificare la descrizione più simile.
numpy è stato importato come np e distance è disponibile da scipy.spatial. Una funzione create_embeddings() è già stata definita per te ed è pronta per creare embedding a partire da un singolo input.
Questo esercizio fa parte del corso
Introduzione agli Embeddings con l'API di OpenAI
Istruzioni dell'esercizio
- Crea l'embedding del testo
"soap"usando la tua funzione personalizzatacreate_embeddings()ed estrai un'unica lista di embedding. - Calcola la distanza coseno tra
query_embeddinge gli embedding inproduct. - Trova e stampa la
'short_description'del prodotto più simile al testo di ricerca usando le distanze coseno indistances.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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(____)