Het meest vergelijkbare product vinden
De gelijkenis tussen embeddings kunnen berekenen is een kernstap binnen embeddings-toepassingen. In deze oefening ga je terug naar de products-lijst met dictionaries waar je eerder mee werkte, die de ge-embedde korte beschrijvingen bevat die je ook al eerder hebt gemaakt.
Je vergelijkt een stukje tekst met deze ge-embedde beschrijvingen om de meest vergelijkbare beschrijving te vinden.
numpy is geïmporteerd als np, en distance is beschikbaar vanuit scipy.spatial. Een functie create_embeddings() is al voor je gedefinieerd en kun je gebruiken om embeddings te maken van één enkele input.
Deze oefening maakt deel uit van de cursus
Introductie tot Embeddings met de OpenAI API
Oefeninstructies
- Embed de tekst
"soap"met je aangepaste functiecreate_embeddings()en haal er één lijst met embeddings uit. - Bereken de cosinusafstand tussen de
query_embeddingen de embeddings inproduct. - Zoek en print de
'short_description'van het product dat het meest lijkt op de zoektekst, met behulp van de cosinusafstanden indistances.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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(____)