İlgili adayları bulmak için sorgu ve ürün gömme vektörlerini nasıl karşılaştırılır?

Sorgulama gömme ve ürün gömme karşılaştırması genellikle vektör uzayında benzerlik veya uzaklık ölçüleri kullanılarak yapılır. Ana yaklaşımlar:

• Kosinus Benzerliği (Cosine Similarity): iki vektör arasındaki açıyı ölçer, uzunluklarını dikkate almaz. Sık kullanılır çünkü semantik yakınlığı iyi yansıtır.

• Öklid Uzaklığı (Euclidean Distance): uzaydaki iki nokta arasındaki doğrudan uzaklığı ölçer.

• Manhattan Uzaklığı (Manhattan Distance): her koordinattaki mutlak farkların toplamı.

İlgili ürünleri aramak için:

1. Sorgu ve ürünleri bir model (örneğin, BERT, Word2Vec) kullanarak gömme biçimine dönüştürün.
2. Sorgu gömme ile her ürün gömme arasındaki kosinus benzerliğini hesaplayın.
3. Benzerliğe göre azalan sırayla ürünleri sıralayın — en alakalılar en üstte olur.

Python'da kosinus benzerliği kullanarak örnek:

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, ürün_sayısı)

# Benzerliğe göre azalan sıralı ürün indeksleri
sorted_indices = np.argsort(-similarities[0])

print("Benzerliğe göre azalan sıralamayla ilgili ürünler:", sorted_indices)

Büyük gömme koleksiyonlarında ölçeklenebilir arama için FAISS veya Annoy gibi özel kütüphaneler ve indeksler kullanılır.