Sorğu və məhsul gömme vektorlarını necə müqayisə etmək olar ki, uyğun namizədləri tapmaq üçün?

Sorğu və məhsulun gömmələrini müqayisə etmək üçün adətən vektor məkanında oxşarlıq və ya məsafə ölçüləri istifadə olunur. Əsas yanaşmalar:

• Kosinus oxşarlığı (Cosine Similarity): iki vektor arasındakı bucağı ölçür, onların uzunluğunu nəzərə almır. Tez-tez istifadə olunur, çünki semantik yaxınlığı yaxşı əks etdirir.

• Euklid məsafəsi (Euclidean Distance): nöqtələr arasındakı düz məsafəni ölçür.

• Manhattan məsafəsi (Manhattan Distance): hər bir koordinat üzrə müsbət fərqlərin cəmidir.

Sorğu əsasında uyğun məhsulları tapmaq üçün:

1. Sorğu və məhsulları model (məsələn, BERT, Word2Vec) istifadə edərək gömmələrə çevirin.
2. Sorğu gömməsi ilə hər bir məhsul gömməsi arasında kosinus oxşarlığını hesablayın.
3. Məhsulları azalan oxşarlıq sırasına görə sıralayın — ən uyğunlar yuxarıda olacaq.

Python nümunəsi ilə kosinus oxşarlığını istifadə edərək:

from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

query_embedding = np.array([[0.1, 0.3, 0.5]])
product_embeddings = np.array([
    [0.2, 0.1, 0.4],
    [0.9, 0.8, 0.7],
    [0.05, 0.3, 0.5]
])

similarities = cosine_similarity(query_embedding, product_embeddings)
# similarities.shape = (1, məhsul sayı)

# Məhsulları oxşarlığa görə azalan sıralama
sorted_indices = np.argsort(-similarities[0])

print("Əhəmiyyətli məhsullar azalan oxşarlıq sırasına görə:", sorted_indices)

Böyük kolleksiyalarda miqyaslı axtarış üçün FAISS və ya Annoy kimi ixtisaslaşmış kitabxanalar və indekslər istifadə olunur.