最後,我們將探討如何使用 embeddings 來視覺化相似的文章,並且討論如何在更複雜的推薦系統中使用 embeddings。我們會使用 t-SNE 技術來壓縮 embeddings 到 2 或 3 維,然後進行繪圖。
# 使用 t-SNE 來視覺化 embeddings
embeddings = [embedding_from_string(string) for string in article_descriptions]
tsne_components = tsne_components_from_embeddings(embeddings)
chart_from_components(components=tsne_components, labels=labels, strings=article_descriptions, width=600, height=500, title="t-SNE components of article descriptions")
透過這種視覺化技術,我們可以更直觀地理解文章之間的相似性,並且探索更多可能的知識推薦方法。此外,我們也會探討如何在一個包含了多個信號(例如用戶點擊數據或商品人氣)的機器學習模型中使用 embeddings 來建立更精確的推薦系統。