將使用者歷史加入推薦引擎

在許多推薦情境（例如電影或購物推薦）中，只根據單一資料點來產生下一次推薦通常不夠充分。這些情況下，你需要為使用者的全部或部分歷史紀錄建立嵌入向量（embedding），才能得到更精準、也更相關的推薦。

在本練習中，你會擴充產品推薦系統，將使用者先前瀏覽過的所有產品納入考量。這些產品以字典所組成的清單 user_history 儲存。

你可以使用以下自訂函式：create_embeddings(texts)、create_product_text(product)、以及 find_n_closest(query_vector, embeddings, n=3)。numpy 也已匯入為 np。

本練習屬於課程

Introduction to Embeddings with the OpenAI API

檢視課程

練習說明

將 user_history 中每個產品的文字特徵合併、對合併後的字串建立嵌入向量，並使用 numpy 計算其平均嵌入向量。
將出現在 user_history 的產品自 products 中過濾移除。
將 products_filtered 中每個產品的特徵合併，並對合併後的字串建立嵌入向量。

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。

# 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'])

編輯並執行程式碼