查找最相似的商品
能够计算嵌入向量之间的相似度，是嵌入向量应用中的关键一步。在本练习中，您将回到之前使用的 products 字典列表，其中包含您先前创建的简短描述的嵌入向量。
您将把一段文本与这些嵌入后的描述进行比较，以找出最相似的描述。
已将 numpy 以 np 导入，且可以从 scipy.spatial 导入 distance。已为您定义好 create_embeddings() 函数，可直接用于从单个输入创建嵌入向量。
本练习是课程的一部分
使用 OpenAI API 的 Embeddings 入门
练习说明
- 使用您自定义的
create_embeddings()函数对文本"soap"进行嵌入，并提取单个嵌入向量列表。 - 计算
query_embedding与product中各嵌入向量之间的余弦距离。 - 使用
distances中的余弦距离，找到并打印与检索文本最相似商品的'short_description'。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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(____)