Embeddings voor restaurantreviews

Een veelvoorkomende classificatietaak waar embeddings uitstekend voor werken, is sentimentanalyse. In deze en de volgende oefeningen doorloop je de workflow voor het uitvoeren van sentimentanalyse met embeddings.

Je hebt een kleine set restaurantreviews gekregen in reviews, en sentimentlabels in sentiments:

sentiments = [{'label': 'Positive'},
              {'label': 'Neutral'},
              {'label': 'Negative'}]

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

Je gaat zero-shot-classificatie gebruiken om het sentiment van deze reviews te bepalen door zowel de reviews als de klasselabels te embedden.

De functie create_embeddings() die je eerder hebt gemaakt, is ook hier beschikbaar.

Deze oefening maakt deel uit van de cursus

Introductie tot Embeddings met de OpenAI API

Bekijk cursus

Oefeninstructies

Maak met een list comprehension een lijst met klassebeschrijvingen op basis van de labels in het woordenboek sentiments.
Embed class_descriptions en reviews met de functie create_embeddings().

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Create a list of class descriptions from the sentiment labels
class_descriptions = ____

# Embed the class_descriptions and reviews
class_embeddings = ____
review_embeddings = ____

Code bewerken en uitvoeren