Ritel dan marketplace
Baris "Anda mungkin juga suka" memadukan produk serupa dengan yang sedang laris, dan tidak pernah menampilkan item yang sama dua kali dalam satu sesi.
AI dan LLMPersonalisasiPaket Performance dan Scale
Rekomendasi Real-Time
Rekomendasi personal dalam satu putaran pembacaan. Fitur pengguna, item serupa berdasarkan vektor, dan apa yang sedang tren, dikurangi apa yang sudah mereka lihat.
- sinyal, satu server
- 4
- item yang sudah dilihat diulang
- 0
- hitungan tren
- Langsung
Langkah 1 dari 6
Hitung apa yang sedang tren
Daftar Top-K dibuat sekali dengan TOPK.RESERVE. Setiap tayangan memperbaruinya, dan item yang keluar dari peringkat atas dilaporkan kembali.
Sesi contohplaying
# Hitung apa yang sedang tren
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Panduan beranimasi dengan perintah HotKV yang sebenarnya dan balasan contoh. Klik langkah mana pun untuk melompat ke sana. Perintah dan balasan tetap dalam bahasa Inggris, persis seperti yang Anda ketik dan lihat di HotKV.
Masalahnya
Rekomendasi yang baik memadukan siapa penggunanya, apa yang mirip dengan yang mereka sukai, apa yang populer saat ini, dan apa yang sudah mereka lihat. Sinyal-sinyal itu biasanya berada di empat sistem, dan menyatukannya pada saat permintaan menambah latensi pada setiap halaman.
Cara HotKV menanganinya
HotKV menyimpan keempatnya. Feature store memiliki profil pengguna, indeks vektor menemukan item serupa, struktur Top-K melacak apa yang sedang tren saat peristiwa masuk, dan filter Bloom per pengguna menghapus item yang sudah mereka lihat. Perekomendasi membaca semuanya dari satu server dalam beberapa panggilan.
Langkah demi langkah
Apa yang terjadi, perintah demi perintah
- 01
Hitung apa yang sedang tren
Daftar Top-K dibuat sekali dengan TOPK.RESERVE. Setiap tayangan memperbaruinya, dan item yang keluar dari peringkat atas dilaporkan kembali.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Muat fitur pengguna
Fitur profil dan perilaku untuk model peringkat, beserta usianya.
FEATURE.GET user_features user:42 - 03
Temukan item serupa
Vektor selera pengguna menemukan produk terdekat.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Buang yang sudah dilihat
Filter Bloom per pengguna menjawab "sudah pernah dilihat?" untuk seluruh daftar kandidat dalam satu panggilan.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Padukan yang sedang populer
Penjualan teratas saat ini bergabung dengan kandidat, dan model peringkat mengurutkan daftar akhir.
TOPK.LIST trending:shoes WITHCOUNT - 06
Ingat impresinya
Item yang ditampilkan ditambahkan ke filter pengguna agar tidak diulang besok.
BF.MADD seen:user:42 sku:5 sku:17
Di mana ini cocok
Skenario dunia nyata
Media dan streaming
Layar beranda memeringkat tayangan berdasarkan vektor selera dan popularitas langsung, dan melewati judul yang sudah selesai ditonton.
Feed berita dan konten
Artikel direkomendasikan berdasarkan kemiripan topik sementara berita yang sedang tren naik secara real-time.
Bawaan
Yang Anda dapatkan
Feature store
Fitur bertipe per pengguna atau item untuk pembacaan latensi rendah saat inferensi.
FEATURE.GETFEATURE.BATCHItem serupa
Nearest neighbour dari indeks vektor HNSW.
VSIM.SEARCHSedang tren
Top-K menyimpan item yang paling sering muncul dalam stream peristiwa.
TOPK.ADDTOPK.LISTFilter yang sudah dilihat
Filter Bloom menjawab "sudah pernah dilihat?" dalam memori konstan per pengguna.
BF.MADDBF.MEXISTSPertanyaan umum
Bisakah filter Bloom salah?
Terkadang ia dapat mengatakan item sudah dilihat padahal belum, pada tingkat kesalahan yang Anda pilih dengan BF.RESERVE. Ia tidak pernah mengatakan item belum dilihat padahal sudah.
Di mana model peringkat berjalan?
Di layanan Anda sendiri. HotKV menyajikan fitur dan kandidat dengan latensi rendah, dan model Anda menentukan urutan akhir.
Paket mana yang menyertakannya?
Feature store adalah bagian dari paket Performance dan Scale. Vector search, Top-K, dan filter Bloom bekerja di setiap paket.
Kasus penggunaan terkait
Coba pada beban kerja Anda sendiri
HotKV berbicara protokol Redis, jadi Anda dapat mengarahkan klien yang sudah ada ke HotKV dan menjalankan perintah yang sama.