GuidesIA et e-commerce

Tuto : des recommandations produit avec les embeddings

Par l’équipe Banzai LabsMis à jour le 2 min de lecture

Produit consulté0.920.880.810.77Les plus proches en sens, proposés à côté
Autour du produit consulté, les produits les plus proches en sens, avec leur score de similarité.

1. Le texte à vectoriser

const texte = [p.titre, p.categorie, p.matiere, p.description].filter(Boolean).join('. ');

Pas de prix ni de stock dans ce texte : ce sont des filtres, pas du sens.

2. Le stockage

CREATE EXTENSION IF NOT EXISTS vector;
ALTER TABLE produits ADD COLUMN embedding vector(1024); -- la dimension du modèle choisi
const v = await embed(texte); // appel au modèle d’embeddings
await db.query('UPDATE produits SET embedding = $1 WHERE id = $2', [JSON.stringify(v), p.id]);

3. Les plus proches

SELECT id, titre
FROM produits
WHERE id <> $1 AND en_stock
ORDER BY embedding <=> (SELECT embedding FROM produits WHERE id = $1)
LIMIT 6;

L’opérateur <=> de pgvector mesure la distance cosinus : plus elle est petite, plus les produits se ressemblent.

4. Les réglages utiles

  • Même catégorie ou nonSimilaires (autre robe) ou complémentaires (chaussures).
  • StockJamais un produit épuisé en recommandation.
  • MesureClics et ajouts au panier depuis le bloc.

Les vecteurs : les embeddings expliqués. Sur la même base : la recherche sémantique.

Questions fréquentes

Quel modèle d’embeddings utiliser ?
Un modèle d’embeddings de texte, hébergé (Voyage AI, OpenAI, Mistral…) ou open source. Il doit bien gérer la langue de vos fiches. Gardez le même modèle pour tous les produits.
Et les achats des clients ?
Les recommandations « achetés ensemble » viennent de l’historique des commandes. Les embeddings servent quand cet historique manque : nouveaux produits, petit catalogue.
Faut-il recalculer souvent ?
Seulement quand le texte d’un produit change. Un nouveau produit est vectorisé à sa création.

À lire ensuite

Tous les guides