OpenAI 使用嵌入和最近邻搜索的建议

建议在网络上广为流传。

  • “买了那件东西?试试这些类似的项目。
  • “喜欢那本书吗?试试这些类似的标题。
  • “不是您要找的帮助页面?试试这些类似的页面。

此笔记本演示如何使用嵌入来查找要推荐的类似项目。特别是,我们使用 AG 的新闻文章语料库作为我们的数据集。

我们的模型将回答这个问题:给定一篇文章,还有哪些文章与它最相似?

1. 加载数据

接下来,让我们加载 AG 新闻数据,看看它是什么样子的。

openai-cookbook/examples/data/AG_news_samples.csv at main · openai/openai-cookbook (github.com)

运行结果:

让我们看一下这些相同的示例,但没有被省略号截断。

运行结果:

2. 构建缓存以保存嵌入

在获取这些文章的嵌入之前,让我们设置一个缓存来保存我们生成的嵌入。通常,最好保存嵌入内容,以便以后可以重复使用它们。如果您不保存它们,则每次再次计算它们时都会再次付款。

缓存是一个字典,它将元组(text, model)映射到嵌入,嵌入是浮点数的列表。缓存保存为 Python pickle 文件。

让我们通过嵌入来检查它是否有效。

运行结果:

3. 基于嵌入推荐类似文章

要查找类似的文章,让我们遵循三步计划:

  1. 获取所有文章描述的相似性嵌入
  2. 计算源标题与所有其他文章之间的距离
  3. 打印出最接近源标题的其他文章

4. 示例建议

让我们寻找与第一篇类似的文章,这是关于托尼·布莱尔的。

运行结果:

挺好的!5项建议中有4项明确提到了托尼·布莱尔,第五项是伦敦关于气候变化的文章,这些话题可能经常与托尼·布莱尔有关。

让我们看看我们的推荐者在第二篇关于NVIDIA新芯片组的示例文章中的表现,该芯片组具有更高的安全性。

运行结果:

从打印的距离中,您可以看到 #1 推荐比其他所有推荐更接近(0.11 与 0.14+)。#1 建议看起来与起始文章非常相似 – 这是 PC World 关于提高计算机安全性的另一篇文章。挺好的!

附录:在更复杂的推荐器中使用嵌入

构建推荐系统的一种更复杂的方法是训练机器学习模型,该模型接收数十或数百个信号,例如项目受欢迎程度或用户点击数据。即使在这个系统中,嵌入也可以成为推荐器中非常有用的信号,特别是对于尚未“冷启动”且尚未获得用户数据的项目(例如,在没有任何点击的情况下添加到目录中的全新产品)。

附录:使用嵌入可视化类似文章

为了了解我们最近的邻居推荐器在做什么,让我们可视化文章嵌入。虽然我们无法绘制每个嵌入向量的 2048 个维度,但我们可以使用 t-SNE 或 PCA 等技术将嵌入压缩为 2 或 3 个维度,我们可以绘制这些维度。

在可视化最近邻之前,让我们使用 t-SNE 可视化所有文章描述。请注意,t-SNE 不是确定性的,这意味着结果可能因运行而异。

如上图所示,即使是高度压缩的嵌入也能很好地按类别对文章描述进行聚类。值得强调的是:这种聚类是在不了解标签本身的情况下完成的!

此外,如果您仔细观察最令人震惊的异常值,它们通常是由于标记错误而不是嵌入不良造成的。例如,绿色运动聚类中的大多数蓝色世界点似乎是体育故事。

接下来,让我们根据它们是源文章、其最近的邻居还是其他来重新着色这些点。

看看上面的2D图表,我们可以看到关于托尼·布莱尔的文章在世界新闻集群中有些接近。有趣的是,尽管 5 个最近邻(红色)在高维空间中最接近,但它们并不是这个压缩 2D 空间中最近的点。将嵌入压缩到 2 维会丢弃它们的大部分信息,并且 2D 空间中最近的邻居似乎不如完整嵌入空间中的邻居重要。

对于芯片组安全示例,完整嵌入空间中的 4 个最近邻在此压缩的 2D 可视化中仍然是最近邻。第五个显示得更远,尽管在整个嵌入空间中更近。

如果需要,还可以使用函数 chart_from_components_3D 制作嵌入的交互式 3D 图。(这样做需要使用n_components=3重新计算 t-SNE 组件。

发表评论

您的电子邮箱地址不会被公开。 必填项已用 * 标注

滚动至顶部