Similaridade de texto

Introdução aos embeddings com o OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Recapitulando...

Textos semanticamente semelhantes ficam mais próximos no espaço vetorial
Medir distância permite medir similaridade
Possibilita aplicações com embeddings:
- Busca semântica
- Recomendações
- Classificação

Um gráfico do espaço vetorial 2D mostrando que resenhas com o mesmo sentimento e tópico ficam mais próximas no espaço.

Medindo similaridade

Distância cosseno

from scipy.spatial import distance

distance.cosine([0, 1], [1, 0])

1.0

Varia de 0 a 2
Números menores = maior similaridade

Dois vetores com uma linha reta traçada entre eles.

Exemplo: Comparando similaridade de manchetes

Uma lista de dicionários contendo as manchetes e seus embeddings.

Exemplo: Comparando similaridade de manchetes

def create_embeddings(texts):
  response = client.embeddings.create(
    model="text-embedding-3-small",
    input=texts
  )
  response_dict = response.model_dump()

  return [data['embedding'] for data in response_dict['data']]

print(create_embeddings(["Python is the best!", "R is the best!"]))

print(create_embeddings("DataCamp is awesome!")[0])

[[0.0050565884448587894, ..., , -0.04000323638319969],
 [-0.0018890155479311943, ..., -0.04085670784115791]]

[0.00037010075175203383, ..., -0.021759100258350372]

Exemplo: Comparando similaridade de manchetes

from scipy.spatial import distance
import numpy as np


search_text = "computer"

search_embedding = create_embeddings(search_text)[0]


distances = []

for article in articles:

  dist = distance.cosine(search_embedding, article["embedding"])

  distances.append(dist)


min_dist_ind = np.argmin(distances)

print(articles[min_dist_ind]['headline'])

Tech Company Launches Innovative Product to Improve Online Accessibility

Vamos praticar!

Introdução aos embeddings com o OpenAI API