Incorporação de descrições mais detalhadas
Um dos últimos rótulos previstos não pareceu representativo da análise; isso provavelmente se deveu à falta de informações capturadas quando estamos incorporando apenas os rótulos de classe. Desta vez, as descrições de cada classe serão incorporadas, para que o modelo "entenda" melhor que você está classificando as avaliações de restaurantes.
Os seguintes objetos estão disponíveis para você usar:
sentiments = [{'label': 'Positive',
'description': 'A positive restaurant review'},
{'label': 'Neutral',
'description':'A neutral restaurant review'},
{'label': 'Negative',
'description': 'A negative restaurant review'}]
reviews = ["The food was delicious!",
"The service was a bit slow but the food was good",
"The food was cold, really disappointing!"]
Este exercício faz parte do curso
Introdução aos embeddings com o OpenAI API
Instruções de exercício
- Extraia uma lista contendo as descrições de sentimentos e incorpore-as.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# Extract and embed the descriptions from sentiments
class_descriptions = ____
class_embeddings = ____
review_embeddings = create_embeddings(reviews)
def find_closest(query_vector, embeddings):
distances = []
for index, embedding in enumerate(embeddings):
dist = distance.cosine(query_vector, embedding)
distances.append({"distance": dist, "index": index})
return min(distances, key=lambda x: x["distance"])
for index, review in enumerate(reviews):
closest = find_closest(review_embeddings[index], class_embeddings)
label = sentiments[closest['index']]['label']
print(f'"{review}" was classified as {label}')