より詳しい説明を埋め込む

最後の予測ラベルの一つはレビューの内容をうまく表していませんでした。これは、おそらくクラスラベルだけを埋め込んでいたため、取り込める情報が限られていたからです。今回は各クラスの説明文を埋め込むことで、モデルが「レストランレビューを分類している」ことをよりよく理解できるようにします。

次のオブジェクトを使用できます。

sentiments = [{'label': 'Positive',
               'description': 'A positive restaurant review'},
              {'label': 'Neutral',
               'description':'A neutral restaurant review'},
              {'label': 'Negative',
               'description': 'A negative restaurant review'}]

reviews = ["The food was delicious!",
           "The service was a bit slow but the food was good",
           "The food was cold, really disappointing!"]

この演習はコースの一部です

OpenAI API ではじめる Embeddings 入門

コースを見る

演習の手順

感情クラスの説明文を含むリストを抽出し、それらを埋め込みに変換してください。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Extract and embed the descriptions from sentiments
class_descriptions = ____
class_embeddings = ____
review_embeddings = create_embeddings(reviews)

def find_closest(query_vector, embeddings):
  distances = []
  for index, embedding in enumerate(embeddings):
    dist = distance.cosine(query_vector, embedding)
    distances.append({"distance": dist, "index": index})
  return min(distances, key=lambda x: x["distance"])

for index, review in enumerate(reviews):
  closest = find_closest(review_embeddings[index], class_embeddings)
  label = sentiments[closest['index']]['label']
  print(f'"{review}" was classified as {label}')

コードを編集して実行