1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wprowadzenie do osadzeń z OpenAI API
Connected

ćwiczenie

Uwzględnianie historii użytkownika w silniku rekomendacji

W wielu scenariuszach rekomendacji – takich jak polecanie filmów czy produktów – oparcie się na jednym punkcie danych będzie niewystarczające. W takich przypadkach trzeba osadzić całą historię użytkownika lub jej część, aby uzyskać trafniejsze rekomendacje.

W tym ćwiczeniu rozbudujesz system rekomendacji produktów tak, aby uwzględniał wszystkie produkty wcześniej odwiedzone przez użytkownika. Są one przechowywane na liście słowników o nazwie user_history.

Do dyspozycji masz następujące funkcje niestandardowe: create_embeddings(texts), create_product_text(product) oraz find_n_closest(query_vector, embeddings, n=3). Biblioteka numpy została zaimportowana jako np.

Instrukcje

100 XP
  • Połącz cechy tekstowe każdego produktu z user_history, osadź powstałe ciągi tekstowe i oblicz średnie osadzenia (embeddings) za pomocą biblioteki numpy.
  • Odfiltruj z products produkty, które znajdują się w user_history.
  • Połącz cechy każdego produktu z products_filtered i osadź powstałe ciągi tekstowe.