ค้นหาสินค้าที่คล้ายกันมากที่สุด

การคำนวณความคล้ายคลึงระหว่าง embedding ถือเป็นขั้นตอนสำคัญในการพัฒนาแอปพลิเคชันที่ใช้ embedding ในแบบฝึกหัดนี้ จะได้กลับมาทำงานกับลิสต์ดิกชันนารี products ที่ใช้ไปก่อนหน้า ซึ่งบรรจุ embedding ของคำอธิบายสั้น ๆ ของสินค้าที่สร้างขึ้นไว้แล้ว

จากนั้นจะนำข้อความมาเปรียบเทียบกับ embedding เหล่านั้น เพื่อระบุว่าคำอธิบายใดมีความคล้ายคลึงมากที่สุด

numpy ถูก import ไว้แล้วในชื่อ np และ distance จาก scipy.spatial พร้อมใช้งาน นอกจากนี้ยังมีฟังก์ชัน create_embeddings() ที่กำหนดไว้ให้แล้ว สามารถใช้สร้าง embedding จาก input เดียวได้เลย

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้าง Embeddings ด้วย OpenAI API

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้าง embedding จากข้อความ "soap" โดยใช้ฟังก์ชัน create_embeddings() ที่กำหนดเอง แล้วดึงค่าออกมาเป็นลิสต์ embedding เดียว
คำนวณ cosine distance ระหว่าง query_embedding กับ embedding ของ product แต่ละรายการ
ค้นหาและแสดงผล 'short_description' ของสินค้าที่คล้ายกับข้อความค้นหามากที่สุด โดยใช้ค่า cosine distance ใน distances

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(____)

แก้ไขและรันโค้ด