レコメンドエンジンにユーザー履歴を加える

映画や購入のレコメンドのように、多くのケースでは1つのデータポイントだけで次のレコメンドを決めるのは不十分です。こうした場合は、より正確で関連性の高いレコメンドのために、ユーザーの履歴データのすべて、または一部を埋め込みにする必要があります。

この演習では、これまでにユーザーが閲覧したすべての商品を考慮するように、商品レコメンドシステムを拡張します。これらは user_history という辞書のリストに保存されています。

次のカスタム関数を使用できます: create_embeddings(texts)、create_product_text(product)、find_n_closest(query_vector, embeddings, n=3)。また、numpy は np としてインポート済みです。