חזרה לפיד
articlesמקור: MongoDB Official Blog (general)17.2.2026

בניית מנוע המלצות סרטים בעזרת Hugging Face ו-Voyage AI

אמ;לק

מדריך מעשי להקמת מערכת המלצות תוכן באמצעות שילוב מודלים מבית Hugging Face ו-Voyage AI. המערכת מנצלת וקטורי שיבוץ (Embeddings) כדי לחשב דמיון סמנטי ולהפיק תוצאות מדויקות. הפתרון מדגים שימוש מעשי בכלים מודרניים לשליפת מידע מבוסס AI.

סיכום בעברית: מערכת VibeSec · מדיניות המקורות

נוסף ל-VibeSec:

כותרת מקורית: Building a Movie Recommendation Engine with Hugging Face and Voyage AI

$cat article.txt

>מדריך מעשי להקמת מערכת המלצות תוכן באמצעות שילוב מודלים מבית Hugging Face ו-Voyage AI. המערכת מנצלת וקטורי שיבוץ (Embeddings) כדי לחשב…

התוכן המלא בעברית

תרגום אוטומטי מהמקור; מונחים טכניים נשארו באנגלית. לנוסח המחייב — הכתבה המקורית.

פוסט בלוג אורח זה נכתב על ידי Arek Borucki, מהנדס נתונים ופלטפורמות למידת מכונה ב-Hugging Face - פלטפורמת שיתוף פעולה עבור קהילת למידת המכונה. ה-Hugging Face Hub פועל כמרכז שבו כל אחד יכול לשתף, לחקור, לגלות ולהתנסות ב-ML בקוד פתוח. HF מעצימה את הדור הבא של מהנדסי למידת מכונה, מדענים ומשתמשי קצה ללמוד, לשתף פעולה ולפרסם את עבודתם כדי לבנות יחד עתיד AI פתוח ואתי. בזכות הקהילה הצומחת במהירות, כמה מהספריות והכלים הנפוצים ביותר ל-ML בקוד פתוח, וצוות מדע מוכשר שבוחן את גבולות הטכנולוגיה, Hugging Face נמצאת בלב מהפכת ה-AI.

חיפוש סרטים מסורתי מסתמך על סינון לפי ז'אנר, שחקן או כותרת. אבל מה אם תוכלו לחפש לפי איך שאתם מרגישים? דמיינו שאתם מקלידים:

"משהו מרומם אחרי יום קשה בעבודה"

"משהו לראות עם סבתא ששונאת אלימות"

זהו חיפוש סמנטי מבוסס מצב רוח: התאמת המצב הרגשי שלכם לתיאורי עלילת הסרט באמצעות הטמעות (embeddings) של AI.

במדריך זה, תבנו מנוע המלצות לסרטים מבוסס-מצב רוח תוך שימוש בשלוש טכנולוגיות עוצמתיות: voyage-4-nano (מודל הטמעה בקוד פתוח מתקדם), Hugging Face (לאירוח מודלים ומערכי נתונים), ו-MongoDB Atlas Vector Search (לאחסון וביצוע שאילתות על הטמעות בקנה מידה רחב).

למה חיפוש מבוסס מצב רוח?

תגי הז'אנר הם כלליים מדי. "דרמה" יכולה להיות מחממת לב או טראגית. "קומדיה" יכולה להיות אסקפיזם קליל או סאטירה אפלה. מסננים מסורתיים אינם יכולים לתפוס את הניואנסים הללו.

חיפוש סמנטי פותר זאת באמצעות הבנת המשמעות. כשאתם מחפשים "סרט שעושה טוב על הלב ליום ראשון גשום", המערכת לא מחפשת את המילים המדויקות האלה. היא מבינה את הכוונה ומתאימה אותה לתיאורי עלילה המעוררים תחושות דומות.

סקירת אדריכלות

המערכת משלבת שלושה מרכיבים מהמערכת האקולוגית ⁦Hugging Face⁩ עם ⁦MongoDB⁩:

voyage-4-nano (⁦Hugging Face Hub⁩): ממיר טקסט להטמעות (עד 2048 ממדים, אנו משתמשים ב-1024)

MongoDB/embedded_movies (Hugging Face Datasets): למעלה מ-1500 סרטים עם סיכומי עלילה, ז'אנרים וצוות שחקנים.

⁦MongoDB Atlas Vector Search⁩: מאחסן הטמעות ומבצע חיפוש דמיון

הבנת voyage-4-nano

voyage-4-nano הוא המודל הקטן ביותר בסדרת ההטמעות האחרונה של Voyage AI, שיצאה עם משקלים פתוחים תחת רישיון Apache 2.0. חברת Voyage AI נרכשה על ידי MongoDB, ודגמי סדרת Voyage 4 זמינים כעת דרך MongoDB Atlas. כל הדגמים בסדרה (voyage-4-large, voyage-4, voyage-4-lite ו-voyage-4-nano) מייצרים הטמעות תואמות במרחב הטמעה משותף, מה שמאפשר לכם לערבב ולהתאים מודלים בתוך מקרה שימוש יחיד.

למרות ש-voyage-4-nano תומך באופן טבעי בהטמעות של עד 2048 ממדים, אנו חותכים אותם בכוונה ל-1024 ממדים באמצעות מאפיין ה-Matryoshka embedding שלו. בפועל, זה מספק איזון מצוין בין איכות סמנטית, יעילות אחסון והשהיית חיפוש וקטורי, תוך שמירה על דירוג יציב.

⁦Sentence Transformers⁩

מדריך זה משתמש ב-⁦Sentence Transformers⁩, ספריית ⁦Python⁩ הבנויה על גבי ⁦Hugging Face Transformers⁩. הוא תוכנן במיוחד לעבודה עם מודלים של הטבעה ומספק ⁦API⁩ פשוט ליצירת הטבעות טקסט.

למה להשתמש ב-Sentence Transformers במקום ב-Transformers גולמי? כשעובדים עם מודלי הטמעה, צריך לטפל בטוקניזציה, איגוד (pooling), נורמליזציה ועיצוב הנחיות (prompt formatting). Sentence Transformers מבצע את כל זה באופן אוטומטי בקריאת שיטה אחת. הקוד נקי יותר, יש פחות פוטנציאל לשגיאות, ואתם מקבלים תכונות מובנות כמו עיבוד אצווה (batch processing) עם פסי התקדמות.

מתחת למכסה המנוע, ⁦Sentence Transformers⁩ עדיין משתמש ב-⁦Hugging Face Transformers⁩ כדי לטעון ולהפעיל את הדגם.

הגדר את סביבת הפיתוח

יצירת מבנה הפרויקט

התקנת תלויות

צרו סביבה וירטואלית של Python והתקינו את התלויות:

הרצת MongoDB Atlas באופן מקומי

השתמשו ב-Atlas CLI כדי ליצור פריסה מקומית עם תמיכה ב-Vector Search:

בחר מקומי כאשר תתבקש. לאחר שתהיה מוכן, תקבל מחרוזת חיבור כמו:

הגדר משתני סביבה

אני משתמש ב-1024 ממדים כאיזון בין איכות אחזור ויעילות אחסון. אתה יכול להתנסות עם 2048 (איכות אחזור מקסימלית) או 512 (שאילתות מהירות יותר).

הטמעת רכיבי מערכת

מודול מסד נתונים

מודול מסד הנתונים מנהל חיבורים ⁦MongoDB⁩ ויוצר את אינדקס החיפוש הווקטורי. האינדקס חייב להתאים לממדי ההטמעה שצוינו בתצורה שלנו.

⁦AI⁩ מודול עם voyage-4-nano

המודול AI טוען את voyage-4-nano מ-Hugging Face Hub ומספק שיטות ליצירת הטמעות. אנו משתמשים בספריית sentence-transformers עבור API נקי.

voyage-4-nano משתמש בהנחיות שונות עבור שאילתות ומסמכים:

encode_query() מוסיפה בתחילת השאילתה: "Represent the query for retrieving supporting documents:"

encode_document() מוסיפה בתחילת המסמך: "Represent the document for retrieval: "

קידוד א-סימטרי זה משפר את איכות השליפה.

מודול אינדקס נתונים

האינדקס מוריד את מערך הנתונים של הסרט מ-⁦Hugging Face⁩, יוצר הטמעות חדשות עם voyage-4-nano, ומאחסן הכל ב-⁦MongoDB⁩.

חפש ⁦API⁩

היישום ⁦FastAPI⁩ חושף את נקודת הקצה של החיפוש המבוסס על מצב רוח. משתמשים מתארים את מצב הרוח שלהם, והמערכת מחזירה סרטים תואמים מבחינה סמנטית.

אתחול החבילה

מבנה הפרויקט

מבנה הפרויקט הסופי שלך צריך להיראות כך:

⁦Run⁩ ובדיקה

אינדקס את הנתונים

ראשית, הפעל את האינדקס כדי להוריד סרטים מ-⁦Hugging Face⁩ וליצור הטמעות:

הפעלת שרת ה-API

בדיקת שאילתות מבוססות מצב רוח

שאילתה 1: סרט הרגשה טוב אחרי יום קשה

המערכת החזירה סרטי פעולה עם נושאים של שינוי אישי ועזרה לזולת. ציונים סביב 0.65 מראים דמיון מתון מכיוון ש"מרומם" הוא מושג מופשט שאינו מופיע ישירות בטקסט העלילה.

המערכת מצאה סרטים עם נושאים כבדים מבחינה רגשית. "⁦Tae Guk Gi⁩" היא דרמת מלחמה על אחים שנאלצים להילחם זה בזה. "⁦Split Decisions⁩" עוסק באובדן ונקמה לאחר מותו של מתאגרף. המילה "דמעות" בעלילת "⁦Wedding Party⁩" תאמה ישירות את הכוונה הרגשית של השאילתה.

עם מסננים קפדניים (דירוג >= 7.5, ז'אנר = ⁦Action⁩), רק סרט אחד התאים. שימו לב לציון הגבוה משמעותית של 0.761 בהשוואה לשאילתות קודמות. הביטוי "הרפתקה מרגשת" מתיישר ישירות עם "אקשן מוגזם" בתיאור העלילה. זה מדגים ששאילתות מצב רוח תיאוריות קונקרטיות מייצרות התאמות סמנטיות חזקות יותר מאלו רגשיות מופשטות.

תצפיות מפתח

שאילתות מצב רוח מופשטות ("מרומם", "מרגש רגשית") קיבלו ציון של 0.62 עד 0.67

תיאורים קונקרטיים ("הרפתקה מרגשת") קיבלו ציון של 0.75+

מסננים עוזרים למצוא התאמות טובות יותר אפילו עם פחות תוצאות

המערכת מבינה נושאים גם ללא התאמות מילים מדויקות

השוואת מידות הטבעה

יתרון ייחודי אחד של הטבעות ⁦Matryoshka⁩ של voyage-4-nano הוא היכולת להתנסות בממדים שונים. הבה נשווה כיצד בחירת מימד משפיעה על התוצאות.

בדוגמה זו, כל הגדרות שלושת הממדים מדרגות נכון את העלילות באותו סדר: סיפור הידידות מקבל את הציון הגבוה ביותר, סיפור המלווה של הרובוט הוא שני (קשור מבחינה נושאית באמצעות חברות), והמותחן האלים מקבל את הציון הנמוך ביותר.

פער האבחנה: עם 2048 ממדים, הפער בין ההתאמה הטובה ביותר (0.4496) לגרועה ביותר (0.1472) הוא 0.302. עם 256 ממדים, הפער גדול יותר ועומד על 0.397 (0.4139 פחות 0.0168). מעניין לציין שממדים נמוכים יותר יכולים לייצר פערים רחבים יותר עקב דחיסה אגרסיבית יותר של מרחב ההטמעה, אך אין זה אומר בהכרח שהאיכות טובה יותר. ציוני הדמיון המוחלטים נמוכים יותר ופחות אמינים.

יציבות דירוג: במקרים רבים, התוצאות בדירוג הגבוה ביותר יישארו עקביות בכל הממדים. עם זאת, ממדים נמוכים יותר יראו ירידה קלה באיכות השליפה בהשוואה לוקטור המלא של 2048 מימדים.

כאשר הממדים חשובים: אם היישום שלך דורש דיוק מרבי ויכולת להבחין בין ניואנסים סמנטיים עדינים מאוד, ממדים גבוהים יותר הם הבחירה הטובה ביותר. עם זאת, אם יש לך אילוצים לגבי עלויות אחסון והשהיית שאילתות, מימדים נמוכים יותר עשויים להתאים יותר, מכיוון שהם מציעים רווחי יעילות משמעותיים עם פשרות שולית בלבד בדיוק השליפה.

המלצה מעשית: התחילו עם 1024 ממדים כברירת מחדל מאוזנת. רדו ל-512 אם האחסון מהווה דאגה. השתמשו ב-2048 רק כאשר אתם זקוקים לדיוק מרבי עבור שאילתות מורכבות.

#hugging-face#embeddings#vector-search#llm-dev
קרא במקור