가장 유사한 상품 찾기
임베딩 간 유사도를 계산하는 능력은 임베딩 기반 애플리케이션에서 핵심 단계입니다. 이번 연습에서는 이전에 다뤘던 products 딕셔너리 리스트로 돌아가서, 앞에서 생성한 임베딩된 간단한 설명들이 포함된 데이터를 다시 사용합니다.
텍스트 한 조각을 이 임베딩된 설명들과 비교하여 가장 유사한 설명을 찾아보세요.
numpy는 np로 임포트되어 있고, distance는 scipy.spatial에서 사용할 수 있습니다. 단일 입력에서 임베딩을 생성하기 위한 create_embeddings() 함수가 이미 정의되어 있으며 사용 가능합니다.
이 연습은 강의의 일부입니다
OpenAI API로 시작하는 임베딩 Introduction
연습 안내
- 사용자 정의 함수
create_embeddings()를 사용해"soap"텍스트를 임베딩하고, 단일 임베딩 리스트를 추출하세요. query_embedding과product의 임베딩들 사이의 코사인 거리를 계산하세요.distances의 코사인 거리를 사용해 검색 텍스트와 가장 유사한 상품의'short_description'을 찾아 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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(____)