GuíasIA y e-commerce
Tutorial: recomendaciones de producto con embeddings
1. El texto que vectorizar
const texto = [p.titulo, p.categoria, p.material, p.descripcion].filter(Boolean).join('. ');
Ni precio ni stock en este texto: son filtros, no sentido.
2. El almacenamiento
CREATE EXTENSION IF NOT EXISTS vector;
ALTER TABLE productos ADD COLUMN embedding vector(1024); -- la dimensión del modelo elegido
const v = await embed(texto); // llamada al modelo de embeddings
await db.query('UPDATE productos SET embedding = $1 WHERE id = $2', [JSON.stringify(v), p.id]);
3. Los más cercanos
SELECT id, titulo
FROM productos
WHERE id <> $1 AND en_stock
ORDER BY embedding <=> (SELECT embedding FROM productos WHERE id = $1)
LIMIT 6;
El operador <=> de pgvector mide la distancia coseno: cuanto más pequeña, más se parecen los productos.
4. Los ajustes útiles
- Misma categoría o noSimilares (otro vestido) o complementarios (zapatos).
- StockNunca recomendar un producto agotado.
- MediciónClics y añadidos al carrito desde el bloque.
Los vectores: los embeddings explicados. Sobre la misma base: la búsqueda semántica.
Preguntas frecuentes
- ¿Qué modelo de embeddings usar?
- Un modelo de embeddings de texto, alojado (Voyage AI, OpenAI, Mistral…) o de código abierto. Debe manejar bien el idioma de tus fichas. Usa el mismo modelo para todos los productos.
- ¿Y las compras de los clientes?
- Las recomendaciones «comprados juntos» salen del historial de pedidos. Los embeddings sirven cuando falta ese historial: productos nuevos, catálogo pequeño.
- ¿Hay que recalcular a menudo?
- Solo cuando cambia el texto de un producto. Un producto nuevo se vectoriza al crearse.