Пошук найподібнішого товару

Уміння обчислювати подібність між вкладеннями (embeddings — векторними представленнями) є ключовим етапом у застосунках на їх основі. У цій вправі ви повернетеся до списку словників products, з яким працювали раніше. Він містить вкладені короткі описи, які ви також створювали раніше.

Ви порівняєте фрагмент тексту з цими вкладеними описами, щоб знайти найбільш подібний опис.

numpy імпортовано як np, а distance доступна з scipy.spatial. Функцію create_embeddings() уже визначено для вас — її можна використати для створення вкладень з одного вхідного тексту.

Ця вправа є частиною курсу

Вступ до Embeddings з OpenAI API

Переглянути курс

Інструкції до вправи

Створіть вкладення для тексту "soap" за допомогою вашої користувацької функції create_embeddings() і отримайте один список значень вкладення.
Обчисліть косинусну відстань між query_embedding і вкладеннями в product.
Знайдіть і виведіть 'short_description' товару, що є найподібнішим до пошукового тексту, використовуючи косинусні відстані в distances.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____)

Редагувати та запускати код