여러 텍스트로 쿼리하기
많은 경우에 여러 개의 쿼리 텍스트로 벡터 데이터베이스를 질의하고 싶을 때가 있습니다. 이때 사용하는 쿼리 텍스트는 문서를 추가할 때와 동일한 임베딩 함수를 사용해 임베딩된다는 점을 떠올려 보세요.
이 연습 문제에서는 netflix_titles 컬렉션의 두 개 ID에 해당하는 문서를 이용해 컬렉션의 나머지 항목을 쿼리하고, 가장 유사한 결과를 추천 결과로 반환해 보겠습니다.
netflix_titles 컬렉션은 계속 사용 가능하며, OpenAIEmbeddingFunction()도 이미 임포트되어 있습니다.
이 연습은 강의의 일부입니다
OpenAI API로 시작하는 임베딩 Introduction
연습 안내
reference_ids에 있는 ID에 대해 컬렉션에서 문서를 가져오세요.reference_texts를 사용해 컬렉션을 쿼리하고, 각 쿼리에 대해 3개의 결과를 반환하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
collection = client.get_collection(
name="netflix_titles",
embedding_function=OpenAIEmbeddingFunction(model_name="text-embedding-3-small", api_key="")
)
reference_ids = ['s999', 's1000']
# Retrieve the documents for the reference_ids
reference_texts = ____
# Query using reference_texts
result = ____
print(result['documents'])