Găsirea celui mai similar produs

Capacitatea de a calcula similaritatea dintre încorporări (embeddings) este un pas esențial în aplicațiile bazate pe acestea. În acest exercițiu, vei reveni la lista de dicționare products cu care ai lucrat anterior — aceasta conține descrierile scurte încorporate pe care le-ai creat mai devreme.

Vei compara un fragment de text cu aceste descrieri încorporate pentru a identifica cea mai similară descriere.

numpy a fost importat ca np, iar distance este disponibil din scipy.spatial. O funcție create_embeddings() a fost deja definită și este disponibilă pentru a crea încorporări dintr-un singur input.

Acest exercițiu face parte din cursul

Introducere în Embeddings cu API-ul OpenAI

Vezi cursul

Instrucțiuni pentru exercițiu

Încorporează textul "soap" folosind funcția personalizată create_embeddings() și extrage o singură listă de încorporări.
Calculează distanța cosinus dintre query_embedding și încorporările din product.
Găsește și afișează 'short_description' a celui mai similar produs față de textul căutat, folosind distanțele cosinus din distances.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(____)

Editează și rulează codul