Lägg till användarhistorik i rekommendationsmotorn

I många rekommendationsscenarier – som film- eller köprekommendationer – räcker det inte att basera nästa rekommendation på en enda datapunkt. I sådana fall behöver du bädda in hela eller delar av användarens historik för mer träffsäkra rekommendationer.

I den här övningen utökar du ditt produktrekommendationssystem till att ta hänsyn till alla produkter som användaren tidigare har besökt. Dessa lagras i en lista av ordböcker som heter user_history.

Följande egna funktioner finns tillgängliga: create_embeddings(texts), create_product_text(product) och find_n_closest(query_vector, embeddings, n=3). numpy har även importerats som np.

Den här övningen är en del av kursen

Introduktion till inbäddningar med OpenAI API

Visa kurs

Övningsinstruktioner

Kombinera textegenskaperna för varje produkt i user_history, bädda in de resulterande strängarna och beräkna medelinbäddningarna med hjälp av numpy.
Filtrera products för att ta bort produkter som finns i user_history.
Kombinera egenskaperna för varje produkt i products_filtered och bädda in de resulterande strängarna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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'])

Redigera och kör kod