GuidesIA et e-commerce
Tuto : des recommandations produit avec les embeddings
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.