评论情感分类
现在您已经计算好了嵌入向量，接下来要计算余弦距离并提取最相似的标签。
您将定义一个名为 find_closest() 的函数，用于将一个向量的嵌入与多个其他向量进行比较，并返回最近的距离及其索引。随后，您会遍历所有评论，并使用 find_closest() 为每条评论找到最近的距离，再根据该索引提取分类后的标签。
上一练习中创建的 class_embeddings 和 review_embeddings 已可直接使用，同时还提供了 reviews 和 sentiments。
本练习是课程的一部分
使用 OpenAI API 的 Embeddings 入门
练习说明
- 定义函数
find_closest()，返回与query_vector最相似的嵌入向量的距离和索引。 - 使用
find_closest()在每条评论的嵌入向量与class_embeddings之间找到最近的距离。 - 使用
closest的'index'对sentiments做子集选择，并提取'label'。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Define a function to return the minimum distance and its index
def find_closest(query_vector, embeddings):
distances = []
for index, embedding in enumerate(embeddings):
dist = distance.cosine(____, ____)
distances.append({"distance": dist, "index": index})
return ____(distances, key=lambda x: x["distance"])
for index, review in enumerate(reviews):
# Find the closest distance and its index using find_closest()
closest = ____(review_embeddings[____], ____)
# Subset sentiments using the index from closest
label = ____
print(f'"{review}" was classified as {label}')