Retail y marketplaces
Las filas de "También te puede gustar" mezclan productos similares con lo que se vende ahora, y nunca muestran el mismo artículo dos veces en una sesión.
IA y LLMPersonalizaciónPlanes Performance y Scale
Recomendaciones en tiempo real
Recomendaciones personales en una sola ronda de lecturas. Atributos del usuario, elementos similares por vector y lo que es tendencia, menos lo que ya ha visto.
- señales, un servidor
- 4
- elementos vistos repetidos
- 0
- recuentos de tendencias
- En vivo
Paso 1 de 6
Cuenta lo que es tendencia
La lista Top-K se creó una vez con TOPK.RESERVE. Cada vista la actualiza, y se informa de los elementos que salen del top.
Sesión de ejemploplaying
# Cuenta lo que es tendencia
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Un recorrido animado con comandos reales de HotKV y respuestas de ejemplo. Haz clic en cualquier paso para saltar a él. Los comandos y las respuestas se quedan en inglés, tal como los escribes y los ves en HotKV.
El problema
Una buena recomendación combina quién es el usuario, qué se parece a lo que le gustó, qué es popular ahora mismo y qué ya ha visto. Esas señales suelen vivir en cuatro sistemas, y unirlas en el momento de la solicitud añade latencia a cada página.
Cómo lo resuelve HotKV
HotKV guarda las cuatro. El feature store tiene el perfil del usuario, un índice vectorial encuentra elementos similares, una estructura Top-K sigue las tendencias a medida que llegan los eventos y un filtro Bloom por usuario elimina lo que ya ha visto. El recomendador lo lee todo desde un servidor en unas pocas llamadas.
Paso a paso
Qué ocurre, comando a comando
- 01
Cuenta lo que es tendencia
La lista Top-K se creó una vez con TOPK.RESERVE. Cada vista la actualiza, y se informa de los elementos que salen del top.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Carga los atributos del usuario
Atributos de perfil y de comportamiento para el modelo de ranking, con su antigüedad.
FEATURE.GET user_features user:42 - 03
Encuentra elementos similares
El vector de gustos del usuario encuentra los productos más cercanos.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Descarta lo que ya ha visto
Un filtro Bloom por usuario responde "¿visto antes?" para toda la lista de candidatos en una llamada.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Añade lo que está de moda
Los más vendidos del momento se suman a los candidatos, y el modelo de ranking ordena la lista final.
TOPK.LIST trending:shoes WITHCOUNT - 06
Recuerda la impresión
Los elementos mostrados se añaden al filtro del usuario para que no se repitan mañana.
BF.MADD seen:user:42 sku:5 sku:17
Dónde encaja
Escenarios reales
Medios y streaming
Las pantallas de inicio ordenan las series por vectores de gustos y popularidad en vivo, y omiten los títulos que el espectador ya terminó.
Noticias y feeds de contenido
Los artículos se recomiendan por similitud de tema mientras las historias en tendencia suben en tiempo real.
Integrado
Qué obtienes
Feature store
Atributos tipados por usuario o elemento para lecturas de baja latencia en el momento de la inferencia.
FEATURE.GETFEATURE.BATCHElementos similares
Vecinos más cercanos desde un índice vectorial HNSW.
VSIM.SEARCHTendencias ahora
Top-K conserva los elementos más frecuentes de un stream de eventos.
TOPK.ADDTOPK.LISTFiltros de vistos
Los filtros Bloom responden "¿visto antes?" con memoria constante por usuario.
BF.MADDBF.MEXISTSPreguntas frecuentes
¿Puede equivocarse un filtro Bloom?
A veces puede decir que un elemento se vio cuando no fue así, con una tasa de error que eliges con BF.RESERVE. Nunca dice que un elemento no se vio cuando sí se vio.
¿Dónde se ejecuta el modelo de ranking?
En tu propio servicio. HotKV sirve los atributos y los candidatos con baja latencia, y tu modelo decide el orden final.
¿Qué planes lo incluyen?
El feature store forma parte de los planes Performance y Scale. La búsqueda vectorial, Top-K y los filtros Bloom funcionan en todos los planes.
Casos de uso relacionados
Pruébalo con tu propia carga de trabajo
HotKV habla el protocolo de Redis, así que puedes apuntar un cliente que ya usas hacia él y ejecutar estos mismos comandos.