Embedding

# Vocabulary: ["apple", "banana", "orange"]
# One-hot encoding:
apple  = [1, 0, 0]
banana = [0, 1, 0]
orange = [0, 0, 1]
 
# Vấn đề: 
# - Không thể hiện được "apple" và "orange" đều là trái cây
# - Vector rất thưa (sparse) với vocabulary lớn

# Embedding vectors (ví dụ 3 chiều, thực tế có 768-4096 chiều)
apple  = [0.82, 0.15, 0.73]  # Trái cây, màu đỏ
banana = [0.79, 0.21, 0.12]  # Trái cây, màu vàng
orange = [0.85, 0.18, 0.68]  # Trái cây, màu cam
 
car    = [0.12, 0.95, 0.08]  # Xe cộ
 
# Kết quả:
# - apple ≈ orange (gần nhau trong không gian vector)
# - apple ≠ car (xa nhau)

from sklearn.metrics.pairwise import cosine_similarity
 
text1 = "Python is a programming language"
text2 = "Python là ngôn ngữ lập trình"  
text3 = "The weather is nice today"
 
embedding1 = get_embedding(text1)  # [0.12, 0.45, ...]
embedding2 = get_embedding(text2)  # [0.11, 0.47, ...]
embedding3 = get_embedding(text3)  # [0.89, -0.32, ...]
 
cosine_similarity(embedding1, embedding2)  # 0.92 (rất giống)
cosine_similarity(embedding1, embedding3)  # 0.15 (rất khác)

from openai import OpenAI
 
client = OpenAI()
 
response = client.embeddings.create(
    model="text-embedding-3-small",
    input="Python is a great programming language"
)
 
embedding = response.data[0].embedding
print(f"Dimensions: {len(embedding)}")  # 1536

import google.generativeai as genai
 
genai.configure(api_key="YOUR_API_KEY")
 
result = genai.embed_content(
    model="models/text-embedding-004",
    content="Python is a great programming language"
)
 
embedding = result['embedding']
print(f"Dimensions: {len(embedding)}")  # 768

from sentence_transformers import SentenceTransformer
 
model = SentenceTransformer('all-MiniLM-L6-v2')
 
sentences = [
    "Python is a programming language",
    "Java is also a programming language",
    "The weather is nice today"
]
 
embeddings = model.encode(sentences)
print(f"Shape: {embeddings.shape}")  # (3, 384)

# Query: "cách học lập trình hiệu quả"
# Kết quả trả về:
# ✅ "Phương pháp tự học code nhanh" (semantic match)
# ✅ "Tips học programming cho người mới"
# ❌ "Lập trình viên cần gì?" (không liên quan)

# User đã đọc: "Python Tutorial for Beginners"
user_embedding = get_embedding("Python Tutorial for Beginners")
 
# Tìm bài viết tương tự
similar_articles = find_similar(
    user_embedding, 
    all_article_embeddings,
    top_k=5
)
# → ["Python List Comprehension", "Python Functions", ...]

# Phân nhóm emails tự động
email_embeddings = [get_embedding(email) for email in emails]
 
from sklearn.cluster import KMeans
clusters = KMeans(n_clusters=5).fit(email_embeddings)
 
# Cluster 0: Support tickets
# Cluster 1: Sales inquiries
# Cluster 2: Spam
# ...

# Tìm câu hỏi trùng lặp trên forum
def find_duplicates(new_question, existing_questions, threshold=0.9):
    new_embedding = get_embedding(new_question)
    
    for q in existing_questions:
        similarity = cosine_similarity(new_embedding, q.embedding)
        if similarity > threshold:
            return q  # Đã có câu hỏi tương tự
    
    return None  # Câu hỏi mới

import chromadb
from chromadb.utils import embedding_functions
 
# Tạo client
client = chromadb.Client()
 
# Sử dụng OpenAI embedding
openai_ef = embedding_functions.OpenAIEmbeddingFunction(
    api_key="YOUR_API_KEY",
    model_name="text-embedding-3-small"
)
 
# Tạo collection
collection = client.create_collection(
    name="documents",
    embedding_function=openai_ef
)
 
# Thêm documents
collection.add(
    documents=[
        "Python là ngôn ngữ lập trình phổ biến",
        "JavaScript dùng cho web development",
        "Machine Learning là nhánh của AI"
    ],
    ids=["doc1", "doc2", "doc3"]
)
 
# Tìm kiếm
results = collection.query(
    query_texts=["Ngôn ngữ lập trình nào dễ học?"],
    n_results=2
)
# → ["doc1", "doc2"]

import numpy as np
 
def normalize(vector):
    return vector / np.linalg.norm(vector)
 
normalized = normalize(embedding)

def chunk_text(text, chunk_size=500, overlap=50):
    """Chia text dài thành các chunks nhỏ hơn."""
    words = text.split()
    chunks = []
    
    for i in range(0, len(words), chunk_size - overlap):
        chunk = ' '.join(words[i:i + chunk_size])
        chunks.append(chunk)
    
    return chunks
 
# Document 10000 từ → 20-25 chunks
chunks = chunk_text(long_document)
embeddings = [get_embedding(chunk) for chunk in chunks]

import hashlib
import json
 
def get_embedding_cached(text, cache={}):
    """Cache embedding để tránh gọi API lặp lại."""
    key = hashlib.md5(text.encode()).hexdigest()
    
    if key not in cache:
        cache[key] = get_embedding(text)
    
    return cache[key]

from sentence_transformers import SentenceTransformer, util
 
model = SentenceTransformer('all-MiniLM-L6-v2')
 
documents = [
    "Python is great for beginners",
    "JavaScript runs in browsers",
    "Machine learning needs data",
    # ... thêm câu
]
 
query = "Ngôn ngữ nào tốt cho người mới?"
# Tìm document tương tự nhất

from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
 
# Giảm từ 384 chiều xuống 2 chiều để vẽ
tsne = TSNE(n_components=2)
reduced = tsne.fit_transform(embeddings)
 
plt.scatter(reduced[:, 0], reduced[:, 1])
plt.show()