Skip to content

Latest commit

 

History

History
84 lines (49 loc) · 4.12 KB

README.md

File metadata and controls

84 lines (49 loc) · 4.12 KB
Raw

Nan-Shan-Chatbot

以Langchain, Faiss, Ollama 建立基於向量搜索的商品推薦聊天機器人

https://www.anaconda.com/download/

conda env create -f environment.yml

download taide-8b-a.3-q4_k_m.gguf

https://huggingface.co/nctu6/Llama3-TAIDE-LX-8B-Chat-Alpha1-GGUF

running ollama server

https://github.com/ollama/ollama?tab=readme-ov-file

Modelfile跟TAIDE量化模型taide-8b-a.3-q4_k_m.gguf放在同一個路徑底下

ollama create taide-llama3 -f Modelfile

Start

放置檔案路徑 link

raw = pd.read_csv('../post_PCA.csv')
repur_list = pd.read_csv('../repur_list.csv')
Reference = pd.read_excel("../南山資料/台大財金 金融科技 變數欄位_NTU 20240326.xlsx")

python recommendation.py

Output

gpt-4o

根據提供的資料，包含客戶的詳細資訊、FAISS檢索結果以及客戶軌跡資料，可以推薦如下產品：

  1. AH-重疾商品：

    • 客戶目前擁有2張AH-重疾商品保單，相較於相似客群的4張，數量偏少。可以考慮增加這類保單來提升保障。

  2. AH-住院商品：

    • 相似客群傾向購買AH-住院商品保單數為3張，而客戶目前已經擁有3張，與相似客群持平，因此可以繼續推薦此類產品以維持保障。

  3. AH-長照商品：

    • 客戶目前擁有1張長照商品保單，雖然相似客群中並沒有購買此類產品，但這類產品對於年齡較大的客戶（如61歲）仍然是重要的保障，建議持續推薦。

  4. AH-意外商品：

    • 相似客群中並未購買AH-意外商品，客戶也沒有此類保單。可以根據客戶具體需求和風險評估，決定是否推薦此類產品。

綜合分析，最適合推薦的產品包括：

  • 增加AH-重疾商品保單數，以提升保障水平。
  • 持續推薦AH-住院商品保單，維持現有保障。
  • 保留並可能增加AH-長照商品保單，以應對未來長期護理需求。

這樣的推薦策略能夠滿足客戶現有情況並提升其未來保障。

TAIDE-Llama3

根據FAISS檢索資料與客戶足跡，我們為該客戶推薦以下產品:

  • AH-住院商品保單數：基於他所購買的產品類別，這是個明顯的推薦項目。
  • AH-重疾商品保單數：我們發現他有較高的可能性對這類型產品感興趣，儘管目前購買量不多，我們仍建議持續關注。
  • AH-意外商品保單數：根據足跡資料，他購買這類型產品的機率相對較低，但依然是他未來考慮的潛在選項。
  • AH-長照商品保單數：他目前擁有1張這類型保單，考量他的年齡與性別，我們預期他未來幾年內可能會增加保障項目。

這些推薦是根據客戶目前所持有的產品，以及其在該領域內的足跡資料。我們建議在做出購買決策前，客戶應諮詢專業顧問，以獲得量身訂製的建議。

Llama3-chinese

基於給定對應和相似對應的模型，我可以建議以下幾種產品:

  1. 一個與此客戶類似的購買了住院商品，因此建議該客戶也許要考慮住院計劃。

  2. 關於重疾健康計畫，FAISS檢索顯示這位客人沒有在相似群中參考任何相關產品。他可能有興趣採購或學習更適合的方案。此外，他對醫療保險或長期照顧也應該感興趣。

  3. 這個客戶並無關於意外事件（例如事故）的行為，所以建議他在這種領域上進行更多調查和研究，或是探索其他可能性，像是財務安排等。

  4. 根據此客人的軌跡，我們也可以看到，他對健康照顧計劃有相當的興趣。因此，可以建議他考慮參與一些長期護理方案或類似產品，以確保他的未來生活更能夠以身體和心理上的需求為主。

總之，基於這些FAISS相似度檢索，我可以提供上述建議，但建議會因應個人的特徵和興趣而異。因此，他可能有興趣採購、學習或參與一些不同的計劃或活動，以滿足他的需求，並適合的同時保持對其他產品的認可程度。