Handel und Marktplätze
Zeilen mit "Das könnte Ihnen auch gefallen" mischen ähnliche Produkte mit dem, was sich gerade verkauft, und zeigen in einer Session nie zweimal dasselbe Element.
KI und LLMPersonalisierungPerformance- und Scale-Tarife
Echtzeit-Empfehlungen
Persönliche Empfehlungen in einer Runde von Lesezugriffen. Benutzermerkmale, ähnliche Elemente per Vektor und aktuelle Trends, abzüglich dessen, was bereits gesehen wurde.
- Signale, ein Server
- 4
- gesehene Elemente wiederholt
- 0
- Trendzählung
- Live
Schritt 1 von 6
Zählen, was im Trend liegt
Die Top-K-Liste wurde einmal mit TOPK.RESERVE angelegt. Jeder Aufruf aktualisiert sie, und Elemente, die aus der Spitze fallen, werden zurückgemeldet.
Beispielsitzungplaying
# Zählen, was im Trend liegt
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Ein animierter Durchlauf mit echten HotKV-Befehlen und Beispielantworten. Klicken Sie auf einen Schritt, um direkt dorthin zu springen. Befehle und Antworten bleiben auf Englisch, genau so, wie Sie sie in HotKV eingeben und sehen.
Das Problem
Eine gute Empfehlung verbindet, wer der Benutzer ist, was dem ähnelt, was ihm gefallen hat, was gerade beliebt ist und was er schon gesehen hat. Diese Signale liegen meist in vier Systemen, und sie zur Anfragezeit zusammenzufügen, macht jede Seite langsamer.
So löst HotKV es
HotKV hält alle vier. Der Feature-Store enthält das Profil des Benutzers, ein Vektorindex findet ähnliche Elemente, eine Top-K-Struktur verfolgt beim Eintreffen der Ereignisse, was im Trend liegt, und ein Bloom-Filter pro Benutzer entfernt bereits gesehene Elemente. Der Recommender liest all das mit wenigen Aufrufen von einem Server.
Schritt für Schritt
Was passiert, Befehl für Befehl
- 01
Zählen, was im Trend liegt
Die Top-K-Liste wurde einmal mit TOPK.RESERVE angelegt. Jeder Aufruf aktualisiert sie, und Elemente, die aus der Spitze fallen, werden zurückgemeldet.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Die Features des Benutzers laden
Profil- und Verhaltensfeatures für das Ranking-Modell, mit ihrem Alter.
FEATURE.GET user_features user:42 - 03
Ähnliche Elemente finden
Der Geschmacksvektor des Benutzers findet die nächsten Produkte.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Bereits Gesehenes entfernen
Ein Bloom-Filter pro Benutzer beantwortet "schon gesehen?" für die ganze Kandidatenliste mit einem Aufruf.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Angesagtes untermischen
Die aktuellen Topseller kommen zu den Kandidaten, und das Ranking-Modell ordnet die endgültige Liste.
TOPK.LIST trending:shoes WITHCOUNT - 06
Die Einblendung merken
Angezeigte Elemente kommen in den Filter des Benutzers, damit sie morgen nicht wiederholt werden.
BF.MADD seen:user:42 sku:5 sku:17
Wo es passt
Szenarien aus der Praxis
Medien und Streaming
Startbildschirme ordnen Sendungen nach Geschmacksvektoren und Live-Beliebtheit und überspringen Titel, die der Zuschauer schon zu Ende gesehen hat.
News- und Content-Feeds
Artikel werden nach thematischer Ähnlichkeit empfohlen, während angesagte Geschichten in Echtzeit aufsteigen.
Integriert
Was Sie bekommen
Feature-Store
Typisierte Features pro Benutzer oder Element für Lesezugriffe mit niedriger Latenz zur Inferenzzeit.
FEATURE.GETFEATURE.BATCHÄhnliche Elemente
Nächste Nachbarn aus einem HNSW-Vektorindex.
VSIM.SEARCHGerade im Trend
Top-K hält die häufigsten Elemente in einem Strom von Ereignissen.
TOPK.ADDTOPK.LISTFilter für Gesehenes
Bloom-Filter beantworten "schon gesehen?" mit konstantem Speicher pro Benutzer.
BF.MADDBF.MEXISTSHäufige Fragen
Kann sich ein Bloom-Filter irren?
Er kann gelegentlich melden, dass ein Element gesehen wurde, obwohl es nicht so ist, mit einer Fehlerrate, die Sie mit BF.RESERVE wählen. Er meldet nie, dass ein Element nicht gesehen wurde, wenn es gesehen wurde.
Wo läuft das Ranking-Modell?
In Ihrem eigenen Dienst. HotKV liefert die Features und Kandidaten mit niedriger Latenz, und Ihr Modell bestimmt die endgültige Reihenfolge.
Welche Tarife enthalten sie?
Der Feature-Store ist Teil der Tarife Performance und Scale. Vektorsuche, Top-K und Bloom-Filter funktionieren in jedem Tarif.
Verwandte Anwendungsfälle
Probieren Sie es mit Ihrer eigenen Workload
HotKV spricht das Redis-Protokoll, sodass Sie einen bestehenden Client darauf richten und genau diese Befehle ausführen können.