產品推薦系統
在這個練習中，你將為一家販售多樣商品的線上零售商打造一套推薦系統。當使用者瀏覽了產品頁但未購買時，系統會根據他最後瀏覽的產品，推薦 3 個相似的商品。
你已獲得網站可用產品的字典清單：
products = [
{
"title": "Smartphone X1",
"short_description": "The latest flagship smartphone with AI-powered features and 5G connectivity.",
"price": 799.99,
"category": "Electronics",
"features": [
"6.5-inch AMOLED display",
...
"Fast wireless charging"
]
},
...
]
以及使用者最後瀏覽產品的字典，已存於 last_product。
課程先前定義的下列自訂函式也可供你使用：
create_embeddings(texts)→ 回傳texts中每個文字的嵌入向量（embedding）清單。create_product_text(product)→ 將product的各項特徵合併為單一字串以供嵌入。find_n_closest(query_vector, embeddings, n=3)→ 依餘弦距離，回傳query_vector與embeddings之間最接近的n個距離與其索引。
本練習屬於課程
Introduction to Embeddings with the OpenAI API
練習說明
- 使用
create_product_text()，將last_product的文字特徵合併，並對products中的每個產品也進行合併。 - 使用
create_embeddings()對last_product_text與product_texts進行嵌入，並確保last_product_embeddings為單一串列。 - 使用
find_n_closest()找出最小的 3 個餘弦距離及其索引。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Combine the features for last_product and each product in products
last_product_text = ____
product_texts = ____
# Embed last_product_text and product_texts
last_product_embeddings = ____
product_embeddings = ____
# Find the three smallest cosine distances and their indexes
hits = ____(____, product_embeddings)
for hit in hits:
product = products[hit['index']]
print(product['title'])