Commerce et marketplaces
Les rangées « Vous aimerez aussi » mêlent des produits similaires et ce qui se vend en ce moment, sans jamais montrer deux fois le même article dans une session.
IA et LLMPersonnalisationOffres Performance et Scale
Recommandations en temps réel
Des recommandations personnelles en une seule série de lectures. Caractéristiques de l'utilisateur, éléments similaires par vecteur et tendances du moment, moins ce qu'il a déjà vu.
- signaux, un serveur
- 4
- élément déjà vu répété
- 0
- comptage des tendances
- En direct
Étape 1 sur 6
Compter les tendances
La liste Top-K a été créée une fois avec TOPK.RESERVE. Chaque vue la met à jour, et les éléments qui sortent du classement sont signalés.
Session d’exempleplaying
# Compter les tendances
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Une démonstration animée avec de vraies commandes HotKV et des exemples de réponses. Cliquez sur une étape pour y accéder directement. Les commandes et les réponses restent en anglais, exactement comme vous les saisissez et les voyez dans HotKV.
Le problème
Une bonne recommandation combine qui est l'utilisateur, ce qui ressemble à ce qu'il a aimé, ce qui est populaire en ce moment et ce qu'il a déjà vu. Ces signaux vivent en général dans quatre systèmes, et les assembler au moment de la requête ajoute de la latence à chaque page.
Comment HotKV s'en charge
HotKV héberge les quatre. Le feature store contient le profil de l'utilisateur, un index vectoriel trouve les éléments similaires, une structure Top-K suit les tendances à mesure que les événements arrivent, et un filtre de Bloom par utilisateur retire les éléments déjà vus. Le moteur de recommandation lit tout cela sur un seul serveur, en quelques appels.
Étape par étape
Ce qui se passe, commande par commande
- 01
Compter les tendances
La liste Top-K a été créée une fois avec TOPK.RESERVE. Chaque vue la met à jour, et les éléments qui sortent du classement sont signalés.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Charger les features de l'utilisateur
Les features de profil et de comportement pour le modèle de classement, avec leur âge.
FEATURE.GET user_features user:42 - 03
Trouver des éléments similaires
Le vecteur de goûts de l'utilisateur trouve les produits les plus proches.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Écarter ce qu'il a déjà vu
Un filtre de Bloom par utilisateur répond à « déjà vu ? » pour toute la liste de candidats en un seul appel.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Ajouter ce qui marche
Les meilleures ventes du moment rejoignent les candidats, et le modèle de classement ordonne la liste finale.
TOPK.LIST trending:shoes WITHCOUNT - 06
Mémoriser l'impression
Les éléments affichés sont ajoutés au filtre de l'utilisateur pour ne pas être répétés demain.
BF.MADD seen:user:42 sku:5 sku:17
Où cela s'applique
Scénarios concrets
Médias et streaming
Les écrans d'accueil classent les programmes selon les vecteurs de goûts et la popularité en direct, et ignorent les titres que le spectateur a déjà terminés.
Flux d'actualités et de contenus
Les articles sont recommandés par proximité thématique, tandis que les sujets tendance remontent en temps réel.
Intégré
Ce que vous obtenez
Feature store
Des features typées par utilisateur ou par élément, pour des lectures à faible latence au moment de l'inférence.
FEATURE.GETFEATURE.BATCHÉléments similaires
Les plus proches voisins d'un index vectoriel HNSW.
VSIM.SEARCHTendances du moment
Top-K conserve les éléments les plus fréquents d'un flux d'événements.
TOPK.ADDTOPK.LISTFiltres des éléments vus
Les filtres de Bloom répondent à « déjà vu ? » avec une mémoire constante par utilisateur.
BF.MADDBF.MEXISTSQuestions fréquentes
Un filtre de Bloom peut-il se tromper ?
Il peut parfois indiquer qu'un élément a été vu alors que ce n'est pas le cas, avec un taux d'erreur que vous choisissez via BF.RESERVE. Il n'indique jamais qu'un élément n'a pas été vu alors qu'il l'a été.
Où s'exécute le modèle de classement ?
Dans votre propre service. HotKV sert les features et les candidats avec une faible latence, et votre modèle établit l'ordre final.
Quelles offres l'incluent ?
Le feature store fait partie des offres Performance et Scale. La recherche vectorielle, Top-K et les filtres de Bloom fonctionnent avec toutes les offres.
Cas d'usage associés
Essayez-le sur votre propre charge de travail
HotKV parle le protocole Redis. Vous pouvez donc y connecter un client existant et exécuter ces mêmes commandes.