Додавання історії користувача до системи рекомендацій

У багатьох задачах рекомендацій, наприклад, для фільмів чи покупок, спиратися на одну подію недостатньо. У таких випадках потрібно вбудовувати всі або частину переглядів користувача, щоб отримати точніші й доречніші рекомендації.

У цій вправі ви розширите свою систему рекомендацій товарів так, щоб вона враховувала всі товари, які користувач переглядав раніше. Вони зберігаються у списку словників user_history.

Ви можете скористатися такими допоміжними функціями: create_embeddings(texts), create_product_text(product) і find_n_closest(query_vector, embeddings, n=3). Також імпортовано numpy як np.

Ця вправа є частиною курсу

Вступ до Embeddings з OpenAI API

Переглянути курс

Інструкції до вправи

Об'єднайте текстові ознаки для кожного товару в user_history, створіть вкладення для отриманих рядків і обчисліть середні вкладення за допомогою numpy.
Відфільтруйте products, щоб прибрати товари, які вже є в user_history.
Об'єднайте ознаки для кожного товару в products_filtered і створіть вкладення для отриманих рядків.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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'])

Редагувати та запускати код