recommender-agent 0.3.0

En el presente proyecto muestro la construcción de una sistema de recomendación, el sistema permite recomendar recursos a través del uso de mecanismos de Procesamiento de lenguaje natura como agentes langchain, IA generatica y embeddings.

Sistema de recomendación con agente langchain

Acerca del proyecto

En el presente proyecto muestro la construcción de una sistema de recomendación, el sistema permite recomendar recursos a través del uso de mecanismos de Procesamiento de lenguaje natura como agentes langchain, IA generatica y embeddings.

Procesos

• Configuración y creacion del modulo de la base de datos vectorial con ChromaDb
• Creación del módulo y configuracion del agente Langchain
• Módulo principal de recomendación el cual gestiona e integrar los dos anteriores modulos

Tecnologías

• Python
• ChromaDB
• Langchain
• Llama
• HugginFace
• pytorch
• OpenAI
• Groq
• Embeddings
• LLM

Prerequisitos

• Instalar Python (https://www.python.org/downloads/).
• Obtener una API KEY de OpenAI (opcional si se va a utilizar Groq) (https://openai.com/).
• Obtener una API KEY de groq (opcional si se va a utilizar OpenAI) (https://console.groq.com/keys)

Instalacion manual desde el repositorio

• Clonar el repositorio

  git clone https://github.com/johansquintero/recommender-agent
  

• Crear el entorno virtual

  python -m venv env
  

• Activar entorno virtual (windows):

  env\Scripts\activate
  

• Instalar las dependencias del proyecto:

  pip install -r requirements.txt
  

Instalando con pip

pip install recommender-agent

Ejemplo de implementacion del sistema

Imports

from recommender_agent.recommenderSystem import CoreRecommendation
import pandas as pd

Se importa el dataset de la ruta donde este ubicado

books = pd.read_csv("../dataset_books/Books2.csv")
books = books.fillna('')
books.drop(columns=["isbn13","thumbnail","subtitle"],axis=1,inplace=True)

Un requisito es que cada uno de los elementos tengan un id

books["id"] = books.index + 1

Se convierte a diccionario el dataset

books_dict = books.to_dict(orient='records') 

la libreria dispone de dos alternativas para aplicar un LLM uno por la api de OpenAI y el otro por la api de Groq, cabe recalcar que es obligatorio contar con alguna de estas 2 apis

Si se cuenta con una api key de openai este seria el proceso

openai_api_key = ""

Se inicializa la instancia el recomendador

recommender_open_ai = CoreRecommendation(openai_key=openai_api_key)

De la intancia anterior se crea ruta de persistencia de los recursos

recommender_open_ai.init_components(collection_name="books",resources=books_dict)

El el caso de usar groq este es el metodo

groq_api_key=""
recommender_groq = CoreRecommendation(groq_key=groq_api_key)
recommender_groq.init_components(collection_name="books",resources=books_dict)

Usuario de prueba en formato JSON

user = {
  "user": {
    "id": 234567,
    "name": "Carlos Rodriguez",
    "email": "[e-mail]",
    "address": {
      "street": "Calle Principal",
      "city": "Barcelona",
      "state": "Spain",
      "postal_code": "08001"
    },
    "preferences": {
      "genres": ["Philosophy","Novels", "History"],
      "favorite_authors": ["Dan Brown", "Ken Follett", "René Descartes"]
    },
    "purchase_history": [
      {
        "book": "The Da Vinci Code",
        "author": "Dan Brown",
        "price": 17.99,
        "purchase_date": "2023-12-12"
      },
      {
        "book": "The Pillars of the Earth",
        "author": "Ken Follett",
        "price": 22.99,
        "purchase_date": "2024-01-05"
      }
    ]
  }
}

Se ejecuta el recomendador con la informacion del usuario

response = recommender_groq.get_recommendation(user=user)
print(f"Usuario={response['user']} \n") 
print(f"Recomendaciones= {response['rec']}")