Maloobchod a tržiště
Řádky „mohlo by se vám líbit“ mixují podobné produkty s tím, co se právě prodává, a nikdy neukážou stejnou položku dvakrát za relaci.
AI a LLMPersonalizacePlány Performance a Scale
Doporučení v reálném čase
Osobní doporučení na jedno kolo čtení. Uživatelské features, podobné položky podle vektoru a to, co je v trendu, bez toho, co už uživatel viděl.
- signály, jeden server
- 4
- opakovaných už viděných položek
- 0
- počty trendů
- Živé
Krok 1 z 6
Počítání toho, co je v trendu
Seznam Top-K byl jednou vytvořen pomocí TOPK.RESERVE. Každé zobrazení ho aktualizuje a položky, které vypadnou z čela, se hlásí zpět.
Ukázková relaceplaying
# Počítání toho, co je v trendu
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Animovaný průvodce se skutečnými příkazy HotKV a ukázkovými odpověďmi. Kliknutím na kterýkoli krok na něj přeskočíte. Příkazy a odpovědi zůstávají anglicky, přesně tak, jak je v HotKV zadáváte a vidíte.
Problém
Dobré doporučení kombinuje to, kým uživatel je, co je podobné tomu, co se mu líbilo, co je právě populární a co už viděl. Tyto signály obvykle žijí ve čtyřech systémech a jejich skládání při každém požadavku přidává latenci každé stránce.
Jak to řeší HotKV
HotKV drží všechny čtyři. Feature store obsahuje profil uživatele, vektorový index najde podobné položky, struktura Top-K sleduje, co je v trendu, jak přicházejí události, a Bloomův filtr pro každého uživatele odstraní položky, které už viděl. Doporučovač to všechno přečte z jednoho serveru několika voláními.
Krok za krokem
Co se děje, příkaz po příkazu
- 01
Počítání toho, co je v trendu
Seznam Top-K byl jednou vytvořen pomocí TOPK.RESERVE. Každé zobrazení ho aktualizuje a položky, které vypadnou z čela, se hlásí zpět.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Načtení features uživatele
Features profilu a chování pro model řazení, včetně jejich stáří.
FEATURE.GET user_features user:42 - 03
Nalezení podobných položek
Vektor vkusu uživatele najde nejbližší produkty.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Vynechání už viděného
Bloomův filtr pro každého uživatele odpoví na „už viděno?“ pro celý seznam kandidátů jedním voláním.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Přimíchání toho, co je žhavé
Aktuální bestsellery se přidají ke kandidátům a model řazení seřadí konečný seznam.
TOPK.LIST trending:shoes WITHCOUNT - 06
Zapamatování zobrazení
Zobrazené položky se přidají do filtru uživatele, aby se zítra neopakovaly.
BF.MADD seen:user:42 sku:5 sku:17
Kam to zapadá
Scénáře z praxe
Média a streamování
Domovské obrazovky řadí pořady podle vektorů vkusu a živé popularity a přeskakují tituly, které divák už dokoukal.
Zpravodajství a obsahové feedy
Články se doporučují podle podobnosti témat, zatímco trendové příběhy stoupají v reálném čase.
Zabudováno
Co dostanete
Feature store
Typované features pro uživatele nebo položky pro čtení s nízkou latencí při inferenci.
FEATURE.GETFEATURE.BATCHPodobné položky
Nejbližší sousedé z vektorového indexu HNSW.
VSIM.SEARCHPrávě v trendu
Top-K uchovává nejčastější položky v proudu událostí.
TOPK.ADDTOPK.LISTFiltry viděného
Bloomovy filtry odpovídají na „už viděno?“ s konstantní pamětí na uživatele.
BF.MADDBF.MEXISTSČasté otázky
Může se Bloomův filtr mýlit?
Občas může říct, že položka byla viděna, i když ne, s mírou chyb, kterou zvolíte pomocí BF.RESERVE. Nikdy neřekne, že položka viděna nebyla, když byla.
Kde běží model řazení?
Ve vaší vlastní službě. HotKV poskytuje features a kandidáty s nízkou latencí a váš model určuje konečné pořadí.
Které plány ho zahrnují?
Feature store je součástí plánů Performance a Scale. Vektorové vyhledávání, Top-K a Bloomovy filtry fungují v každém plánu.
Související případy použití
Vyzkoušejte to na své zátěži
HotKV mluví protokolem Redisu, takže na něj můžete nasměrovat stávajícího klienta a spustit tytéž příkazy.