Handel detaliczny i marketplace
Wiersze „może Ci się też spodobać” łączą podobne produkty z tym, co się teraz sprzedaje, i nigdy nie pokazują tego samego elementu dwa razy w sesji.
AI i LLMPersonalizacjaplany Performance i Scale
Rekomendacje w czasie rzeczywistym
Spersonalizowane rekomendacje w jednej rundzie odczytów. Cechy użytkownika, podobne elementy według wektora i to, co jest na topie, minus to, co użytkownik już widział.
- sygnały, jeden serwer
- 4
- powtórzonych widzianych elementów
- 0
- liczniki trendów
- Live
Krok 1 z 6
Zliczaj, co jest na topie
Listę Top-K utworzono raz poleceniem TOPK.RESERVE. Każde wyświetlenie ją aktualizuje, a elementy wypadające z topu są zwracane.
Przykładowa sesjaplaying
# Zliczaj, co jest na topie
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Animowany przegląd z prawdziwymi poleceniami HotKV i przykładowymi odpowiedziami. Kliknij dowolny krok, aby do niego przejść. Polecenia i odpowiedzi pozostają po angielsku, dokładnie tak, jak je wpisujesz i widzisz w HotKV.
Problem
Dobra rekomendacja łączy to, kim jest użytkownik, co jest podobne do tego, co lubił, co jest teraz popularne i co już widział. Te sygnały zwykle żyją w czterech systemach, a sklejanie ich w czasie żądania dodaje opóźnienie do każdej strony.
Jak radzi sobie z tym HotKV
HotKV przechowuje wszystkie cztery. Feature store zawiera profil użytkownika, indeks wektorowy znajduje podobne elementy, struktura Top-K śledzi trendy w miarę napływu zdarzeń, a filtr Blooma dla każdego użytkownika usuwa elementy, które już widział. Rekomender odczytuje wszystko z jednego serwera w kilku wywołaniach.
Krok po kroku
Co się dzieje, polecenie po poleceniu
- 01
Zliczaj, co jest na topie
Listę Top-K utworzono raz poleceniem TOPK.RESERVE. Każde wyświetlenie ją aktualizuje, a elementy wypadające z topu są zwracane.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Wczytaj cechy użytkownika
Cechy profilu i zachowania dla modelu rankingowego, wraz z ich wiekiem.
FEATURE.GET user_features user:42 - 03
Znajdź podobne elementy
Wektor gustu użytkownika znajduje najbliższe produkty.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Odrzuć to, co widział
Filtr Blooma dla każdego użytkownika odpowiada „widziane wcześniej?” dla całej listy kandydatów w jednym wywołaniu.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Dołącz to, co gorące
Aktualne bestsellery dołączają do kandydatów, a model rankingowy porządkuje ostateczną listę.
TOPK.LIST trending:shoes WITHCOUNT - 06
Zapamiętaj wyświetlenie
Pokazane elementy są dodawane do filtra użytkownika, aby nie powtórzyły się jutro.
BF.MADD seen:user:42 sku:5 sku:17
Gdzie się sprawdza
Scenariusze z życia
Media i streaming
Ekrany główne szeregują programy według wektorów gustu i popularności na żywo i pomijają tytuły, które widz już skończył.
Wiadomości i strumienie treści
Artykuły są rekomendowane według podobieństwa tematów, a popularne historie wspinają się w czasie rzeczywistym.
Wbudowane
Co dostajesz
Feature store
Typowane cechy na użytkownika lub element do odczytów o niskim opóźnieniu w czasie inferencji.
FEATURE.GETFEATURE.BATCHPodobne elementy
Najbliżsi sąsiedzi z indeksu wektorowego HNSW.
VSIM.SEARCHTeraz na topie
Top-K zachowuje najczęstsze elementy w strumieniu zdarzeń.
TOPK.ADDTOPK.LISTFiltry widzianych
Filtry Blooma odpowiadają „widziane wcześniej?” w stałej pamięci na użytkownika.
BF.MADDBF.MEXISTSCzęste pytania
Czy filtr Blooma może się mylić?
Może czasem powiedzieć, że element był widziany, choć nie był, z częstością błędów wybraną przez BF.RESERVE. Nigdy nie powie, że element nie był widziany, gdy był.
Gdzie działa model rankingowy?
W Twojej usłudze. HotKV serwuje cechy i kandydatów z niskim opóźnieniem, a Twój model ustala ostateczną kolejność.
Które plany to zawierają?
Feature store jest częścią planów Performance i Scale. Wyszukiwanie wektorowe, Top-K i filtry Blooma działają w każdym planie.
Powiązane przypadki użycia
Wypróbuj na własnym obciążeniu
HotKV mówi protokołem Redis, więc możesz skierować na niego istniejącego klienta i uruchomić te same polecenia.