Raccomandazione di film con Milvus

In questo quaderno esploreremo come generare embeddings di descrizioni di film utilizzando OpenAI e sfruttare questi embeddings all'interno di Milvus per raccomandare film che corrispondono alle preferenze dell'utente. Per migliorare i risultati della ricerca, utilizzeremo il filtraggio per eseguire ricerche sui metadati. Il set di dati utilizzato in questo esempio proviene da HuggingFace e contiene oltre 8.000 voci di film, fornendo una ricca gamma di opzioni per le raccomandazioni di film.

Dipendenze e ambiente

È possibile installare le dipendenze eseguendo il seguente comando:

$ pip install openai pymilvus datasets tqdm

import os

os.environ["OPENAI_API_KEY"] = "sk-***********"

Inizializzare il client OpenAI e Milvus

Inizializzare il client OpenAI.

from openai import OpenAI

openai_client = OpenAI()

Impostare il nome della collezione e la dimensione degli embeddings.

COLLECTION_NAME = "movie_search"
DIMENSION = 1536

BATCH_SIZE = 1000

Connettersi a Milvus.

from pymilvus import MilvusClient

# Connect to Milvus Database
client = MilvusClient("./milvus_demo.db")

# Remove collection if it already exists
if client.has_collection(COLLECTION_NAME):
    client.drop_collection(COLLECTION_NAME)

Definire i campi per la raccolta, che includono id, titolo, tipo, anno di rilascio, valutazione e descrizione.

from pymilvus import DataType

# Create collection which includes the id, title, and embedding.

# 1. Create schema
schema = MilvusClient.create_schema(
    auto_id=True,
    enable_dynamic_field=False,
)

# 2. Add fields to schema
schema.add_field(field_name="id", datatype=DataType.INT64, is_primary=True)
schema.add_field(field_name="title", datatype=DataType.VARCHAR, max_length=64000)
schema.add_field(field_name="type", datatype=DataType.VARCHAR, max_length=64000)
schema.add_field(field_name="release_year", datatype=DataType.INT64)
schema.add_field(field_name="rating", datatype=DataType.VARCHAR, max_length=64000)
schema.add_field(field_name="description", datatype=DataType.VARCHAR, max_length=64000)
schema.add_field(field_name="embedding", datatype=DataType.FLOAT_VECTOR, dim=DIMENSION)

# 3. Create collection with the schema
client.create_collection(collection_name=COLLECTION_NAME, schema=schema)

Creare l'indice sulla raccolta e caricarlo.

# Create the index on the collection and load it.

# 1. Prepare index parameters
index_params = client.prepare_index_params()


# 2. Add an index on the embedding field
index_params.add_index(
    field_name="embedding", metric_type="IP", index_type="AUTOINDEX", params={}
)


# 3. Create index
client.create_index(collection_name=COLLECTION_NAME, index_params=index_params)


# 4. Load collection
client.load_collection(collection_name=COLLECTION_NAME, replica_number=1)

Set di dati

Con Milvus attivo e funzionante, possiamo iniziare a prelevare i nostri dati. Hugging Face Datasets è un hub che contiene molti dataset di utenti diversi e per questo esempio utilizziamo il dataset netflix-shows di HuggingLearners. Questo set di dati contiene film e coppie di metadati per oltre 8 mila film. Incorporeremo ogni descrizione e la memorizzeremo all'interno di Milvus insieme al titolo, al tipo, all'anno di uscita e alla valutazione.

from datasets import load_dataset

dataset = load_dataset("hugginglearners/netflix-shows", split="train")

Inserire i dati

Ora che abbiamo i nostri dati sulla macchina, possiamo iniziare a incorporarli e inserirli in Milvus. La funzione di incorporamento accetta il testo e restituisce gli incorporamenti in un formato di elenco.

def emb_texts(texts):
    res = openai_client.embeddings.create(input=texts, model="text-embedding-3-small")
    return [res_data.embedding for res_data in res.data]

Il prossimo passo è l'inserimento vero e proprio. Si iterano tutte le voci e si creano dei lotti che vengono inseriti una volta raggiunta la dimensione del lotto impostata. Al termine del ciclo, inseriamo l'ultimo lotto rimasto, se esiste.

from tqdm import tqdm

# batch (data to be inserted) is a list of dictionaries
batch = []

# Embed and insert in batches
for i in tqdm(range(0, len(dataset))):
    batch.append(
        {
            "title": dataset[i]["title"] or "",
            "type": dataset[i]["type"] or "",
            "release_year": dataset[i]["release_year"] or -1,
            "rating": dataset[i]["rating"] or "",
            "description": dataset[i]["description"] or "",
        }
    )

    if len(batch) % BATCH_SIZE == 0 or i == len(dataset) - 1:
        embeddings = emb_texts([item["description"] for item in batch])

        for item, emb in zip(batch, embeddings):
            item["embedding"] = emb

        client.insert(collection_name=COLLECTION_NAME, data=batch)
        batch = []

Interrogare il database

Dopo aver inserito i dati in Milvus, possiamo eseguire una query. La query contiene una tupla contenente la descrizione del film che si sta cercando e il filtro da utilizzare. Maggiori informazioni sul filtro sono disponibili qui. La ricerca stampa innanzitutto la descrizione e l'espressione del filtro. Successivamente, per ogni risultato vengono stampati il punteggio, il titolo, il tipo, l'anno di uscita, la valutazione e la descrizione dei film trovati.

import textwrap


def query(query, top_k=5):
    text, expr = query

    res = client.search(
        collection_name=COLLECTION_NAME,
        data=emb_texts(text),
        filter=expr,
        limit=top_k,
        output_fields=["title", "type", "release_year", "rating", "description"],
        search_params={
            "metric_type": "IP",
            "params": {},
        },
    )

    print("Description:", text, "Expression:", expr)

    for hit_group in res:
        print("Results:")
        for rank, hit in enumerate(hit_group, start=1):
            entity = hit["entity"]

            print(
                f"\tRank: {rank} Score: {hit['distance']:} Title: {entity.get('title', '')}"
            )
            print(
                f"\t\tType: {entity.get('type', '')} "
                f"Release Year: {entity.get('release_year', '')} "
                f"Rating: {entity.get('rating', '')}"
            )
            description = entity.get("description", "")
            print(textwrap.fill(description, width=88))
            print()


my_query = ("movie about a fluffly animal", 'release_year < 2019 and rating like "PG%"')

query(my_query)

Description: movie about a fluffly animal Expression: release_year < 2019 and rating like "PG%"
Results:
    Rank: 1 Score: 0.42213767766952515 Title: The Adventures of Tintin
        Type: Movie Release Year: 2011 Rating: PG
This 3-D motion capture adapts Georges Remi's classic comic strip about the adventures
of fearless young journalist Tintin and his trusty dog, Snowy.

    Rank: 2 Score: 0.4041026830673218 Title: Hedgehogs
        Type: Movie Release Year: 2016 Rating: PG
When a hedgehog suffering from memory loss forgets his identity, he ends up on a big
city journey with a pigeon to save his habitat from a human threat.

    Rank: 3 Score: 0.3980264663696289 Title: Osmosis Jones
        Type: Movie Release Year: 2001 Rating: PG
Peter and Bobby Farrelly outdo themselves with this partially animated tale about an
out-of-shape 40-year-old man who's the host to various organisms.

    Rank: 4 Score: 0.39479154348373413 Title: The Lamb
        Type: Movie Release Year: 2017 Rating: PG
A big-dreaming donkey escapes his menial existence and befriends some free-spirited
animal pals in this imaginative retelling of the Nativity Story.

    Rank: 5 Score: 0.39370301365852356 Title: Open Season 2
        Type: Movie Release Year: 2008 Rating: PG
Elliot the buck and his forest-dwelling cohorts must rescue their dachshund pal from
some spoiled pets bent on returning him to domesticity.