Wyszukiwanie w e-commerce
Kupujący wpisują, czego chcą, własnymi słowami. Katalog jest przeszukiwany według znaczenia i filtrowany do kategorii oraz sklepu, w którym są.
AI i LLMWyszukiwanie
Wyszukiwanie podobieństwa wektorowego
Znajduj najbliższe elementy według znaczenia, filtrowane tagiem, w tym samym silniku, który przechowuje same elementy.
- indeksowane
- HNSW
- średnie wyszukiwanie
- O(log N)
- miary odległości
- 3
Krok 1 z 6
Utwórz indeks
Wymiary i miara są stałe dla indeksu. Parametry HNSW można dostroić w razie potrzeby.
Przykładowa sesjaplaying
# Utwórz indeks
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
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
Wyszukiwanie semantyczne, „więcej takich” i deduplikacja sprowadzają się do jednego pytania. Które zapisane elementy są najbliższe temu? Odpowiedź zwykle oznacza dedykowaną bazę wektorową obok głównego magazynu, a każda aktualizacja produktu musi być zapisana w obu.
Jak radzi sobie z tym HotKV
HotKV przechowuje indeksy wektorowe HNSW w silniku. Dane produktów żyją w zwykłych kluczach, wektory są indeksowane pod tymi samymi nazwami kluczy, a tagi na tych kluczach pozwalają wyszukiwaniu pozostać w kategorii lub u tenanta. Jedna ścieżka zapisu, jeden system do uruchomienia.
Krok po kroku
Co się dzieje, polecenie po poleceniu
- 01
Utwórz indeks
Wymiary i miara są stałe dla indeksu. Parametry HNSW można dostroić w razie potrzeby.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Zapisz produkt
Dane produktu to zwykły hash, pod nazwą klucza, której użyje indeks.
HSET sku:1 name "Trail runner" price 89 - 03
Otaguj go
Tagi na kluczu pozwalają wyszukiwaniu wektorowemu pozostać w kategorii.
TAG.SET sku:1 shoes running - 04
Zaindeksuj jego wektor
Wektor trafia do indeksu pod tą samą nazwą klucza.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Szukaj według znaczenia, w obrębie tagu
Tekst zapytania jest osadzany, a najbliższe produkty z tagiem wracają wraz z odległościami.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Pobierz to, co pokazać
Wyniki to nazwy kluczy, więc dane produktu są o jeden odczyt dalej, na tym samym serwerze.
HGETALL sku:1
Gdzie się sprawdza
Scenariusze z życia
Wykrywanie duplikatów
Nowe zgłoszenia lub oferty są porównywane z istniejącymi, a prawie-duplikaty są scalane, zanim zobaczy je człowiek.
Podobieństwo obrazów i mediów
Embeddingi z modelu obrazów znajdują wizualnie podobne zdjęcia lub klipy w całej bibliotece.
Wbudowane
Co dostajesz
Indeksy HNSW
Przybliżone wyszukiwanie najbliższych sąsiadów, które pozostaje szybkie na dużych indeksach, średnio O(log N).
VSIM.CREATEINDEXVSIM.SEARCHTrzy miary
Cosinus, L2 i iloczyn skalarny, wybierane dla każdego indeksu.
METRICFiltry tagów
Ogranicz wyszukiwanie do kluczy, które mają każdy z podanych tagów.
TAG.SETFILTERTrwałe
Indeksy są zachowywane w migawkach i przepisaniach AOF jak reszta Twoich danych.
VSIM.INFOCzęste pytania
Czy HotKV generuje embeddingi?
Nie. Twórz wektory wybranym modelem embeddingów i zapisuj je przez VSIM.SET.
Czym to się różni od potoków RAG?
VSIM to ogólny indeks wektorowy. Potoki RAG opierają się na tym samym pomyśle i dodają dzielenie na fragmenty, metadane i hybrydowe wyszukiwanie słów kluczowych dla dokumentów.
Które plany to zawierają?
Wyszukiwanie wektorowe i tagi to polecenia podstawowe i działają w każdym planie, bez licencji.
Powiązane przypadki użycia
Wypróbuj na własnym obciążeniu
HotKV mówi protokołem Redis, więc możesz skierować na niego istniejącego klienta i uruchomić te same polecenia.