Создаём собственную систему поиска фильмов на основе проекта Андрея Карпати

В апреле 2023 года Андрей Карпати, один из основателей OpenAI и бывший директор по ИИ в Tesla, поделился своим занятным проектом выходного дня – системой поиска и рекомендации кино.

Её пользовательский интерфейс откровенно прост и предлагает две основных функции: блок поиска, в котором можно искать кино по названию, и вывод списка из 40 похожих фильмов при клике по интересующему.

Несмотря на популярность этого проекта, Карпати, к сожалению, пока не поделился с публикой его исходным кодом.

И вот почему

Источник

Chaturvedi: «Может, откроете исходный код проекта?»

Andrej Karpathy: «Даже не знаю. Он такой страшный, что мне стыдно».

Так что запасайтесь попкорном и будем воссоздавать его сами на основе OpenAI и векторной базы данных!

Сервис доступен на awesome-movies.life

Что потребуется

Этот проект построен на четырёх основных компонентах:

• OpenAI-модель для генерации представлений (embeddings);
• векторная база данных Weaviate для хранения представлений, заполняемая скриптом Python;
• фронтенд: HTML, CSS, JS;
• бэкенд: NodeJs.

Получается, что для реализации этого проекта вам потребуется:

• Python для обработки данных и заполнения векторной БД;
• Docker и Docker-Compose для локального выполнения БД;
• Node.js и npm для локального выполнения приложения;
• ключ OpenAI API для доступа к модели OpenAI.

Реализация системы поиска фильмов

В этом разделе мы проанализируем проект Карпати и постараемся воссоздать его со всеми присущими ему особенностями. Для построения простого механизма поиска кино потребуется проделать следующее:

• подготовка: формирование датасета фильмов;
• шаг 1: генерация и сохранение представлений;
• шаг 2: поиск фильмов;
• шаг 3: получение рекомендаций похожих фильмов;
• шаг 4: запуск демо.

Весь код лежит в открытом виде на GitHub.

▍ Подготовка: формирование датасета фильмов

Проект Карпати индексирует 11 762 фильма, вышедших с начала 1970 года, включая описание сюжета и аннотацию из Википедии.

Чтобы получить нечто аналогичное, не прибегая к ручному скрейпингу Википедии, можно воспользоваться следующими датасетами с Kaggle:

• датасет с 48 000+ фильмов (лицензия: CC0: Public Domain) для столбцов 'id', 'name', 'PosterLink', 'Genres', 'Actors', 'Director', 'Description', 'Keywords' и 'DatePublished';
• Wikipedia Movie Plots (лицензия: CC BY-SA 4.0) для столбца 'plot'.

Эти два датасета совмещаются по названию и году выпуска фильма, после чего отфильтровываются, оставляя картины, вышедшие после 1970. Все этапы предварительной обработки прописаны в файле add_data.py. Полученный датафрейм содержит примерно 35 000 фильмов, среди которых около 8500, помимо аннотации, также сопровождаются описанием сюжета.


Предварительно обработанный датафрейм фильмов

▍ Шаг 1: Генерация и сохранение представлений

Ключевым элементом этого демо-проекта выступают представления объектов данных о фильмах, которые используются в основном для вывода рекомендаций на основе сходства. В проекте Карпати для аннотаций фильмов и их сюжетов генерируются векторные представления. Реализовать это можно с помощью двух инструментов:

• Показатель «частота термина – обратная частота документа» (TF-IDF, Term Frequency-Inverse Document Frequency), который представляет простые биграммы и используется для определения частоты вхождений отдельных слов относительно общего набора слов документа.
• Модель генерации представлений text-embedding-ada-002 от OpenAI, которая используется для определения семантического сходства.

Помимо этого, сходство вычисляется на основе аннотации и сюжета фильма из Википедии с использованием для ранжирования одного из двух способов:

• метода k-ближайших соседей (kNN), использующий косинусное сходство;
• метода опорных векторов.

Для хорошей и быстрой базовой настройки Карпати предлагает комбинацию модели text-embedding-ada-002 и kNN.

И последнее, но не менее важное – как осмысленно ответил сам автор проекта, векторные представления сохраняются в np.array:


Комментарий под оригинальным твитом

Hugh Anon: «А как вы сохраняли векторные представления?»

Andrej Karpathy: «В np.array. Сегодня люди зачастую спешат использовать нечто слишком навороченное».

В этом проекте мы также задействуем модель text-embedding-ada-002 от OpenAI, но будем сохранять генерируемые ей представления в векторной базе данных.

Если точнее, то в качестве опенсорсной векторной базы данных мы возьмём Weaviate. И хотя я мог бы поспорить, что векторные БД работают намного быстрее при сохранении представлений в np.array, потому что используют векторное индексирование, будем честны: при нашем масштабе, измеряемом в тысячах, разницы в скорости вы не заметите. Основной причиной для использования здесь векторной БД стало то, что Weaviate имеет богатую и готовую к использованию функциональность вроде автоматической векторизации с помощью моделей генерации представлений.

Первым делом, как показано в файле add_data.py, вам нужно настроить клиента Weaviate, который будет подключаться к локальному экземпляру БД Weaviate. Помимо этого, нужно определить здесь ключ OpenAI API, чтобы можно было использовать интегрированные модули OpenAI.

# pip weaviate-client
import weaviate
import os

openai_key = os.environ.get("OPENAI_API_KEY", "")

# Настройка клиента.
client = weaviate.Client(
    url = "http://localhost:8080",
    additional_headers={
         "X-OpenAI-Api-Key": openai_key,
    })

Далее мы определим коллекцию данных под названием Movies для сохранения объектов данных о фильмах. Это будет аналогично созданию таблицы в реляционной БД. На этом шаге определяем в качестве векторизатора модуль text2vec-openai, чтобы автоматически векторизовать данные при их импорте и запросе. А в настройках самого модуля прописываем использование модели представлений text-embedding-ada-002. Помимо этого, можете установить в качестве меры сходства косинусный коэффициент.

movie_class_schema = {
    "class": "Movies",
    "description": "A collection of movies since 1970.",
    "vectorizer": "text2vec-openai",
    "moduleConfig": {
        "text2vec-openai": {
            "vectorizeClassName": False,
            "model": "ada",
            "modelVersion": "002",
            "type": "text"
        },
    },
    "vectorIndexConfig": {"distance" : "cosine"},
}

Далее определяем свойства объектов данных фильмов и выбираем, для каких из них генерировать представления. В приведённом ниже фрагменте кода видно, что для свойств movie_id и title представления не генерируются, так как для модуля векторизации установлено "skip" : True. Дело в том, что нам нужно генерировать представления только для description и plot.

movie_class_schema["properties"] = [
        {
            "name": "movie_id",
            "dataType": ["number"],
            "description": "The id of the movie", 
            "moduleConfig": {
                "text2vec-openai": {  
                    "skip" : True,
                    "vectorizePropertyName" : False
                }
            }        
        },
        {
            "name": "title",
            "dataType": ["text"],
            "description": "The name of the movie", 
            "moduleConfig": {
                "text2vec-openai": {  
                    "skip" : True,
                    "vectorizePropertyName" : False
                }
            }   
        },
        # Сокращено...
        {
            "name": "description",
            "dataType": ["text"],
            "description": "overview of the movie", 
        },
        {
            "name": "Plot",
            "dataType": ["text"],
            "description": "Plot of the movie from Wikipedia", 
        },
    ]

# Создание класса
client.schema.create_class(movie_class_schema)

Наконец, определяем пакетную обработку для заполнения векторной базы данных:

# Настройка пакетной обработки для ускорения импорта
client.batch.configure(batch_size=10)

# Импорт данных
for i in range(len(df)):
    item = df.iloc[i]

    movie_object = {
        'movie_id':float(item['id']),
        'title': str(item['Name']).lower(),
        # Сокращено...
        'description':str(item['Description']),
        'plot': str(item['Plot']),
    }

    client.batch.add_data_object(movie_object, "Movies")

▍ Шаг 2: поиск фильмов

В проекте Карпати функция поиска работает по ключевым словам, сопоставляя запрос с названиями фильмов и выдавая максимально совпадающие результаты. Когда некоторые люди начали писать, что ожидали возможность семантического поиска фильмов, Карпати согласился, что это бы стало хорошим дополнением проекта:


Комментарий под оригинальным твитом

Andrej Karpathy: «К сожалению, сейчас поиск работает только для конкретных фильмов. Потенциально есть возможность выполнять поиск по содержимому, потому что вы можете встраивать запрос и искать в соответствии с ним. Это бы стало хорошим дополнением. Я вкратце протестировал эту возможность в консоли, но в интерфейс не добавлял, так как она показалась мне слегка недоработанной».

В текущем же проекте файле queries.js реализуется три вида поиска:

• поиск по ключевым словам (BM25);
• семантический поиск;
• гибридный поиск, представляющий комбинацию двух предыдущих.

Каждый из этих механизмов поиска будет возвращать num_movies = 20 фильмов со свойствами ['title', 'poster_link', 'genres', 'year', 'director', 'movie_id'].

Для включения поиска по ключевым словам используйте запрос .withBm25() по свойствам ['title', 'director', 'genres', 'actors', 'keywords', 'description', 'plot']. При этом свойству 'title' можно придать больший вес, указав 'title^3'.

async function get_keyword_results(text) {
    let data = await client.graphql
        .get()
        .withClassName('Movies')
        .withBm25({query: text,
            properties: ['title^3', 'director', 'genres', 'actors', 'keywords', 'description', 'plot'],
        })
        .withFields(['title', 'poster_link', 'genres', 'year', 'director', 'movie_id'])
        .withLimit(num_movies)
        .do()
        .then(info => {
            return info
        })
        .catch(err => {
            console.error(err)
        })
    return data;
}

Чтобы включить семантический поиск, используйте запрос .withNearText(). Он будет автоматически векторизовать содержимое поискового запроса и находить в векторном пространстве максимально подходящие фильмы.

async function get_semantic_results(text) {
    let data = await client.graphql
        .get()
        .withClassName('Movies')
        .withFields(['title', 'poster_link', 'genres', 'year', 'director', 'movie_id'])
        .withNearText({concepts: [text]})
        .withLimit(num_movies)
        .do()
        .then(info => {
            return info
        })
        .catch(err => {
            console.error(err)
        });
        return data;
}

Для включения гибридного поиска используйте запрос .withHybrid(). Параметр alpha : 0.5 означает, что поиск по ключевым словам и семантический поиск имеют равный вес.

async function get_hybrid_results(text) {
    let data = await client.graphql
        .get()
        .withClassName('Movies')
        .withFields(['title', 'poster_link', 'genres', 'year', 'director', 'movie_id'])
        .withHybrid({query: text, alpha: 0.5})
        .withLimit(num_movies)
        .do()
        .then(info => {
            return info
        })
        .catch(err => {
            console.error(err)
        });
    return data;
}

▍ Шаг 3: Получение рекомендаций похожих фильмов

Для получения рекомендаций похожих фильмов используйте поисковый запрос .withNearObject(), как показано в файле queries.js. Передавая id фильма, запрос возвращает из векторного пространства num_movies = 20 фильмов, наиболее соответствующих указанному.

async function get_recommended_movies(mov_id) {
    let data = await client.graphql
        .get()
        .withClassName('Movies')
        .withFields(['title', 'genres', 'year', 'poster_link', 'movie_id'])
        .withNearObject({id: mov_id})
        .withLimit(20)
        .do()
        .then(info => {
            return info;
        })
        .catch(err => {
            console.error(err)
        });
    return data;
}

▍ Шаг 4: запуск демо

Наконец, заворачиваем всё аккуратно в веб-приложение в культовой стилистике GeoCities из 2000-х (не стану утомлять вас деталями фронтенда) и вуаля! Всё готово!

Для локального запуска демо клонируйте репозиторий GitHub.

git clone [e-mail]:weaviate-tutorials/awesome-moviate.git

Перейдите в каталог демо и настройте виртуальную среду.

python -m venv .venv             
source .venv/bin/activate

Установите в ней переменные среды для $OPENAI_API_KEY. Также для установки всех необходимых зависимостей выполните в этом каталоге следующую команду:

pip install -r requirements.txt

Теперь для локального запуска Weaviate через Docker установите OPENAI_API_KEY в файле docker-compose.yml и выполните:

docker compose up -d

Настроив экземпляр Weaviate, запустите файл add_data.py для заполнения векторной базы данных.

python add_data.py

Чтобы запустить приложение, установите все необходимые модули.

npm install

После этого для его локального запуска просто выполните следующую команду:

npm run start

Теперь можете начинать пользоваться вашим приложением по адресу http://localhost:3000/.

Обобщение

В этой статье мы воссоздали проект Андрея Карпати, реализовав систему рекомендаций фильмов. Ниже я прикрепил короткое видео этого проекта в действии:

Сервис доступен на awesome-movies.life

В отличие от оригинала, в моей системе поиска для хранения представлений используется векторная база данных. Кроме того, я расширил её функциональность, включив семантический и гибридный варианты поиска.

Поэкспериментировав с этим механизмом, вы заметите, что он не идеален. Как отметил сам Карпати:

«Работает неплохо, но требует некоторой настройки».

Как я уже писал, исходный код доступен на GitHub, так что можете дополнить его своими идеями.

В качестве возможных доработок можно поиграться с векторизацией различных свойств, изменить развесовку между поиском по ключевым словам и семантическим поиском, а также заменить модель генерации представлений опенсорсной альтернативой.

Скидки, итоги розыгрышей и новости о спутнике RUVDS — в нашем Telegram-канале ?