Embeddingy pro klasifikační úlohy

Introduction to Embeddings with the OpenAI API

Emmanuel Pire

Senior Software Engineer, DataCamp

Klasifikační úlohy

Přiřazování názvětek položkám

Kategorizace
- Příklad: přiřazení nadpisů do témat
Analýza sentimentu

Tabulka témat pro kategorizaci článků.

Klasifikační úlohy

Přiřazování názvětek položkám

Kategorizace
- Příklad: přiřazení nadpisů do témat
Analýza sentimentu
- Příklad: klasifikace recenzí jako pozitivních nebo negativních

Embeddingy zachycují sémantický význam

Tabulka se smajlíkem a smutným obličejem pro kategorizaci podle sentimentu.

Klasifikace pomocí embeddingů

Zero-shot klasifikace:
- Bez použití označených dat

Postup:

Embedujte popisy tříd

Embeddované popisy tříd ve vektorovém prostoru.

Klasifikace pomocí embeddingů

Zero-shot klasifikace:
- Bez použití označených dat

Postup:

Embedujte popisy tříd
Embedujte klasifikovanou položku
Vypočítejte kosinové vzdálenosti

Embeddované popisy tříd ve vektorovém prostoru s neznámým vektorem.

Klasifikace pomocí embeddingů

Zero-shot klasifikace:
- Bez použití označených dat

Postup:

Embedujte popisy tříd
Embedujte klasifikovanou položku
Vypočítejte kosinové vzdálenosti
Přiřaďte nejpodobnější názvětek

Embeddované popisy tříd ve vektorovém prostoru s neznámým vektorem přiřazeným ke kategorii Tech.

Embedování popisů tříd

topics = [
  {'label': 'Tech'},
  {'label': 'Science'},
  {'label': 'Sport'},
  {'label': 'Business'},
]


class_descriptions = [topic['label'] for topic in topics]

class_embeddings = create_embeddings(class_descriptions)

Embedování klasifikované položky

article = {"headline": "How NVIDIA GPUs Could Decide Who Wins the AI Race",
           "keywords": ["ai", "business", "computers"]}


def create_article_text(article):
  return f"""Headline: {article['headline']}
Keywords: {', '.join(article['keywords'])}"""

article_text = create_article_text(article)

article_embeddings = create_embeddings(article_text)[0]

Výpočet kosinových vzdáleností

def find_closest(query_vector, embeddings):
  distances = []
  for index, embedding in enumerate(embeddings):
    dist = distance.cosine(query_vector, embedding)
    distances.append({"distance": dist, "index": index})
  return min(distances, key=lambda x: x["distance"])


closest = find_closest(article_embeddings, class_embeddings)

Extrakce nejpodobnější názvětky

label = topics[closest['index']]['label']

print(label)

Business

article = {"headline": "How NVIDIA GPUs Could Decide Who Wins the AI Race",
           "keywords": ["ai", "business", "computers"]}

Omezení:

Popisy tříd nebyly dostatečně podrobné

Podrobnější popisy

topics = [
  {'label': 'Tech', 'description': 'A news article about technology'},
  {'label': 'Science', 'description': 'A news article about science'},
  {'label': 'Sport', 'description': 'A news article about sports'},
  {'label': 'Business', 'description': 'A news article about business'},
]


class_descriptions = [topic['description'] for topic in topics]
class_embeddings = create_embeddings(class_descriptions)

[...]
label = topics[closest['index']]['label']
print(label)

Tech

Pojďme si procvičit!

Introduction to Embeddings with the OpenAI API