Семантичний пошук товарів

Час застосувати вашу функцію find_n_closest()! Ви протестуєте семантичний пошук товарів на тестовому запиті, розрахувавши відсортований список п'яти найбільш семантично подібних товарів на основі збагачених даних, які ви надали моделі.

Нагадування про функцію find_n_closest(), яку ви створили в попередній вправі:

def find_n_closest(query_vector, embeddings, n=3):
    distances = []
    for index, embedding in enumerate(embeddings):
        distance = spatial.distance.cosine(query_vector, embedding)
        distances.append({"distance": distance, "index": index})
    distances_sorted = sorted(distances, key=lambda x: x["distance"])
    return distances_sorted[0:n]

Функція create_embeddings(), яку ви створили раніше, також доступна. Нагадаємо: вона приймає текст і повертає список списків із вкладеннями (embeddings) для кожного тексту. Словник products і product_embeddings, які ви створили раніше, уже завантажено.

Ця вправа є частиною курсу

Вступ до Embeddings з OpenAI API

Переглянути курс

Інструкції до вправи

Створіть вектор запиту з query_text.
Знайдіть п'ять найближчих відстаней і їхні індекси за допомогою функції find_n_closest().
Пройдіться циклом по hits і дістаньте товар за кожним 'index' у списку hits.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create the query vector from query_text
query_text = "computer"
query_vector = ____[0]

# Find the five closest distances
hits = ____

print(f'Search results for "{query_text}"')
for hit in hits:
  # Extract the product at each index in hits
  product = products[____]
  print(product["title"])

Редагувати та запускати код