Ako previesť predmety na embeddingy a odporučiť ich na ich základe?

Ak chcete previesť predmety (napríklad produkty, články, filmy) na vloženia (embeddings) a na základe nich odporučiť, zvyčajne sa vykonávajú nasledujúce kroky:

1. Výber vlastností: zhromažďovanie údajov o predmetoch — textové popisy, kategórie, vlastnosti, obrázky atď.

2. Transformácia do vektorového priestoru:

   • Pre textové údaje môžu byť použité modely ako Word2Vec, FastText, BERT, Sentence Transformers, ktoré prevádzajú text na pevne veľkostné vektory.
   • Pre obrázky sa používajú predtrénované CNN (napríklad ResNet) na extrakciu vlastností.
   • Pre kategorizované a číselné vlastnosti sa aplikuje one-hot kódovanie, normalizácia a/alebo trénovanie embeddingov.

3. Kombinácia vlastností: ak existuje viac typov údajov, tieto sa spoja do jedného vektorového embeddingu.

4. Tréning modelu embeddingov (voliteľné): môže sa trénovať model, ktorý zohľadňuje interakcie medzi používateľmi a predmetmi (napríklad matričná faktorizácia, neurónové siete s triplet alebo contrastive loss).

5. Odporúčania:

   • Pre nového používateľa alebo dotaz nájsť embedding záujmových predmetov.
   • Používať metriky podobnosti (kosínusová vzdialenosť, euklidovská vzdialenosť) na vyhľadanie najbližších susedov v priestore embeddingov.
   • Odporučiť predmety s najbližšími embeddingami.

Príklad v Pythone s knižnicou sentence-transformers pre textové popisy:

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

items = ["Červené bavlnené tričko", "Modré džínsy", "Čierne kožené topánky"]
model = SentenceTransformer('all-MiniLM-L6-v2')
embeddings = model.encode(items)

# Nájsť predmet podobný "Modrému tričku"
query = "Modré tričko"
query_emb = model.encode([query])

similarities = cosine_similarity(query_emb, embeddings)[0]
most_similar_idx = np.argmax(similarities)
print(f"Odporúčaný predmet: {items[most_similar_idx]}")

Týmto spôsobom umožňujú embeddings reprezentovať predmety v pohodlnom formáte na porovnávanie a vytváranie odporúčaní na základe blízkosti vektorových reprezentácií.