GuíasIA y e-commerce

Tutorial: recomendaciones de producto con embeddings

Por el equipo de Banzai LabsActualizado el 2 min de lectura

Producto visto0.920.880.810.77Los más cercanos en sentido, propuestos al lado
Alrededor del producto visto, los productos más cercanos en sentido, con su puntuación de similitud.

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.

Para leer después

Todas las guías