# Semantic Search और Recommendations — Embeddings और Vector Search

Source: https://www.geekswithgeeks.com/hi/embeddings/u-search

> खोज box और "समान items" सुविधाएँ बनाएँ।

## दूसरे items के पास के items

**Semantic search**: सारे दस्तावेज़ एक बार embed करें, अनुरोध के समय हर query embed करें, निकटतम items लौटाएँ, आदर्श रूप से keyword search के साथ मिलाकर और metadata से छानकर। **"इसके जैसे और"**: किसी item का अपना vector query बनाकर समान लेख, उत्पाद या support tickets खोजें। **Recommendations**: user को उनके पसंद किए items के vectors के औसत (या सीखे संयोजन) से दर्शाएँ, फिर पास के items लाएँ, याद रखते हुए कि पहले देखे items **हटाएँ** और **विविधता** व व्यावसायिक नियम (stock, क्षेत्र, आयु प्रतिबंध) जोड़ें। Cold-start items को भी उनकी सामग्री से vector मिलता है, जो ऐसे तरीक़ों पर लाभ है जिन्हें interaction इतिहास चाहिए। सिर्फ़ ऑफ़लाइन similarity से नहीं, **click-through, conversion या कार्य सफलता** से मापें।

## खोजें, सुझाएँ, वर्गीकृत करें, retrieve करें

वही vectors खोज, सुझाव, वर्गीकरण और language models के लिए retrieval चलाते हैं।

![चार उपयोग: खोज, सुझाव, वर्गीकरण, आधार।](assets/figures/embeddings/section-7-map.svg) — चित्र 7.1 — खोज, सुझाव, वर्गीकरण और आधार।

## पहले देखा हुआ हटाएँ

Recommendations के लिए निकटतम पड़ोसी दिखाने से पहले user के देखे या ख़रीदे items हटाएँ।

**Quiz:** Item का vector "इसके जैसे और" के लिए कैसे उपयोग हो सकता है?

- [ ] उसे वापस मूल पाठ में बदलें
- [ ] उसे हटाएँ
- [x] उसे query बनाकर उसके निकटतम पड़ोसी लाएँ
- [ ] उसे मॉडल में जोड़ें

*Answer:* उसे query बनाकर उसके निकटतम पड़ोसी लाएँ. Item space में एक बिंदु है; उसके पड़ोसी समान items हैं।