Tekstsimilariteit

Introductie tot Embeddings met de OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Samenvatting

Semantisch vergelijkbare teksten liggen dichter bij elkaar in de vectorruimte
Afstand meten = similariteit meten
Toepassingen van embeddings:
- Semantisch zoeken
- Aanbevelingen
- Classificatie

Een 2D-vectorruimteplot waarop reviews met hetzelfde sentiment en onderwerp dichter bij elkaar staan.

Similariteit meten

Cosine-afstand

from scipy.spatial import distance

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

1.0

Bereik: 0 tot 2
Kleiner getal = meer similariteit

Twee vectoren met een rechte lijn ertussen.

Voorbeeld: koppen vergelijken op similariteit

Een lijst met dictionaries met koppen en hun embeddings.

Voorbeeld: koppen vergelijken op similariteit

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]

Voorbeeld: koppen vergelijken op similariteit

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'])

Techbedrijf lanceert innovatief product om online toegankelijkheid te verbeteren

Laten we oefenen!

Introductie tot Embeddings met de OpenAI API