Adição do histórico do usuário ao mecanismo de recomendação
Para muitos casos de recomendação, como recomendação de filmes ou compras, basear a próxima recomendação em um ponto de dados será insuficiente. Nesses casos, você precisará incorporar todo ou parte do histórico do usuário para obter recomendações mais precisas e relevantes.
Neste exercício, você ampliará seu sistema de recomendação de produtos para considerar todos os produtos que o usuário visitou anteriormente, que estão armazenados em uma lista de dicionários chamada user_history.
As seguintes funções personalizadas estão disponíveis para você usar: create_embeddings(texts) create_product_text(product) , e find_n_closest(query_vector, embeddings, n=3). numpy também foi importado como np.
Este exercício faz parte do curso
Introdução aos embeddings com o OpenAI API
Instruções de exercício
- Combine os recursos de texto de cada produto em
user_history, incorpore as sequências resultantes e calcule as incorporações médias usandonumpy. - Filtre
productspara remover todos os produtos que estão presentes emuser_history. - Combine os recursos de cada produto em
products_filterede incorpore as strings resultantes.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# Prepare and embed the user_history, and calculate the mean embeddings
history_texts = [____ for article in user_history]
history_embeddings = ____
mean_history_embeddings = ____
# Filter products to remove any in user_history
products_filtered = ____
# Combine product features and embed the resulting texts
product_texts = ____
product_embeddings = ____
hits = find_n_closest(mean_history_embeddings, product_embeddings)
for hit in hits:
product = products_filtered[hit['index']]
print(product['title'])