Vyhledávání v e-commerce
Nakupující píšou, co chtějí, vlastními slovy. Katalog se prohledává podle významu a filtruje na kategorii a obchod, ve kterém se nacházejí.
AI a LLMVyhledávání
Vyhledávání podle vektorové podobnosti
Najděte nejbližší položky podle významu, filtrované podle tagu, ve stejném jádru, které drží samotné položky.
- indexováno
- HNSW
- průměrné vyhledávání
- O(log N)
- metriky vzdálenosti
- 3
Krok 1 z 6
Vytvoření indexu
Dimenze a metrika jsou pevné pro každý index. Parametry HNSW lze v případě potřeby ladit.
Ukázková relaceplaying
# Vytvoření indexu
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
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
Sémantické vyhledávání, „více takových“ i deduplikace se scházejí u jediné otázky. Které uložené položky jsou této nejblíže? Odpověď obvykle znamená vyhrazenou vektorovou databázi vedle hlavního úložiště a každou změnu produktu je pak třeba zapisovat do obou.
Jak to řeší HotKV
HotKV drží vektorové indexy HNSW v jádru. Data o produktech žijí v běžných klíčích, vektory se indexují pod stejnými názvy klíčů a tagy na těchto klíčích umožňují vyhledávání omezit na kategorii nebo tenanta. Jedna cesta zápisu, jeden systém k provozu.
Krok za krokem
Co se děje, příkaz po příkazu
- 01
Vytvoření indexu
Dimenze a metrika jsou pevné pro každý index. Parametry HNSW lze v případě potřeby ladit.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Uložení produktu
Data produktu jsou běžný hash pod názvem klíče, který index použije.
HSET sku:1 name "Trail runner" price 89 - 03
Označení tagem
Tagy na klíči umožňují vektorovému vyhledávání zůstat uvnitř kategorie.
TAG.SET sku:1 shoes running - 04
Indexace vektoru
Vektor jde do indexu pod stejným názvem klíče.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Hledání podle významu, v rámci tagu
Text dotazu se převede na embedding a vrátí se nejbližší produkty, které nesou tag, s jejich vzdálenostmi.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Načtení toho, co zobrazit
Výsledky jsou názvy klíčů, takže data o produktu jsou na jedno čtení ve stejném serveru.
HGETALL sku:1
Kam to zapadá
Scénáře z praxe
Detekce duplicit
Nové tikety podpory nebo inzeráty se porovnávají s existujícími a téměř shodné se sloučí dřív, než je uvidí člověk.
Podobnost obrázků a médií
Embeddingy z modelu pro obrázky najdou vizuálně podobné fotografie nebo klipy napříč knihovnou.
Zabudováno
Co dostanete
Indexy HNSW
Přibližné vyhledávání nejbližších sousedů, které zůstává rychlé i na velkých indexech, v průměru O(log N).
VSIM.CREATEINDEXVSIM.SEARCHTři metriky
Kosinová vzdálenost, L2 a vnitřní součin, volené pro každý index.
METRICFiltry tagů
Omezte vyhledávání na klíče, které nesou všechny zadané tagy.
TAG.SETFILTERPerzistentní
Indexy se uchovávají ve vašich snapshotech a přepisech AOF jako zbytek dat.
VSIM.INFOČasté otázky
Generuje HotKV embeddingy?
Ne. Vektory vytvářejte modelem pro embeddingy, který preferujete, a ukládejte je pomocí VSIM.SET.
Čím se to liší od RAG pipeline?
VSIM je obecný vektorový index. RAG pipeline staví na stejné myšlence a přidávají dělení na chunky, metadata a hybridní klíčové vyhledávání pro dokumenty.
Které plány ho zahrnují?
Vektorové vyhledávání a tagy jsou základní příkazy a fungují v každém plánu, bez licence.
Související případy použití
Vyzkoušejte to na své zátěži
HotKV mluví protokolem Redisu, takže na něj můžete nasměrovat stávajícího klienta a spustit tytéž příkazy.