AI說書 - 從0開始 - 339 | Embedding Based Search 資料集整備

我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。

整理目前手上有的素材：

• AI說書 - 從0開始 - 338 | Embedding Based Search 資料集描述

有了資料集的描述，就可以來進行資料清洗與整備，首先匯入需要的依賴：

import pandas as pd
import tiktoken

from openai.embeddings_utils import get_embedding

再準備 Embedding 模型：

embedding_model = "text-embedding-ada-002"
embedding_encoding = "cl100k_base"  # this is the encoding for text-embedding-ada-002
max_tokens = 8000  # the maximum for text-embedding-ada-002 is 8191

注意，text-embedding-ada-002 模型沒有自己的編碼基礎，它依賴 cl100K 基底，cl100K 基礎是一組預先訓練的字詞嵌入，用於初始化 text-embedding-ada-002 模型，該模型學習如何使嵌入適應特定任務。

接著進行資料清洗與整備：

input_datapath = "/content/Reviews.csv"
df = pd.read_csv(input_datapath, index_col = 0)
df = df[["Time", "ProductId", "UserId", "Score", "Summary", "Text"]]
df = df.dropna()
df["combined"] = (
    "Title: " + df.Summary.str.strip() + "; Content: " + df.Text.str.strip()
)
df.head(10)

資料格式為：