Розница и маркетплейсы
Строки «Вам может понравиться» сочетают похожие товары с тем, что продаётся сейчас, и никогда не показывают один и тот же элемент дважды за сеанс.
ИИ и LLMПерсонализацияТарифы Performance и Scale
Рекомендации в реальном времени
Персональные рекомендации за один раунд чтений. Признаки пользователя, похожие элементы по вектору и то, что в тренде, за вычетом уже просмотренного.
- сигнала, один сервер
- 4
- повторов уже просмотренного
- 0
- счётчики трендов
- Живые
Шаг 1 из 6
Считаем то, что в тренде
Список Top-K один раз создаётся командой TOPK.RESERVE. Каждый просмотр обновляет его, а элементы, выпавшие из топа, возвращаются в ответе.
Пример сеансаplaying
# Считаем то, что в тренде
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Анимированная демонстрация с настоящими командами HotKV и примерами ответов. Нажмите на любой шаг, чтобы перейти к нему. Команды и ответы остаются на английском, ровно так, как вы вводите и видите их в HotKV.
Проблема
Хорошая рекомендация сочетает то, кто такой пользователь, что похоже на понравившееся ему, что популярно прямо сейчас и что он уже видел. Эти сигналы обычно живут в четырёх системах, а их сшивание во время запроса добавляет задержку на каждой странице.
Как с этим справляется HotKV
HotKV хранит все четыре. Feature store содержит профиль пользователя, векторный индекс находит похожие элементы, структура Top-K отслеживает популярное по мере поступления событий, а фильтр Блума для каждого пользователя убирает уже просмотренные элементы. Рекомендатель читает всё это с одного сервера за несколько вызовов.
Шаг за шагом
Что происходит, команда за командой
- 01
Считаем то, что в тренде
Список Top-K один раз создаётся командой TOPK.RESERVE. Каждый просмотр обновляет его, а элементы, выпавшие из топа, возвращаются в ответе.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Загружаем признаки пользователя
Признаки профиля и поведения для модели ранжирования, вместе с их возрастом.
FEATURE.GET user_features user:42 - 03
Находим похожие элементы
Вектор вкусов пользователя находит ближайшие товары.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Убираем просмотренное
Фильтр Блума для каждого пользователя отвечает на вопрос «видел ранее?» для всего списка кандидатов за один вызов.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Подмешиваем популярное
Текущие бестселлеры присоединяются к кандидатам, а модель ранжирования упорядочивает итоговый список.
TOPK.LIST trending:shoes WITHCOUNT - 06
Запоминаем показ
Показанные элементы добавляются в фильтр пользователя, чтобы завтра они не повторялись.
BF.MADD seen:user:42 sku:5 sku:17
Где это уместно
Реальные сценарии
Медиа и стриминг
Главные экраны ранжируют передачи по векторам вкусов и живой популярности и пропускают то, что зритель уже досмотрел.
Новости и ленты контента
Статьи рекомендуются по близости тем, а популярные материалы поднимаются в реальном времени.
Встроено
Что вы получаете
Feature store
Типизированные признаки на пользователя или элемент для чтения с низкой задержкой во время инференса.
FEATURE.GETFEATURE.BATCHПохожие элементы
Ближайшие соседи из векторного индекса HNSW.
VSIM.SEARCHСейчас в тренде
Top-K хранит самые частые элементы в потоке событий.
TOPK.ADDTOPK.LISTФильтры просмотренного
Фильтры Блума отвечают на вопрос «видел ранее?» в постоянном объёме памяти на пользователя.
BF.MADDBF.MEXISTSЧастые вопросы
Может ли фильтр Блума ошибаться?
Иногда он может сказать, что элемент был просмотрен, хотя это не так, с долей ошибок, которую вы выбираете через BF.RESERVE. Он никогда не скажет, что элемент не просматривался, если просматривался.
Где работает модель ранжирования?
В вашем собственном сервисе. HotKV отдаёт признаки и кандидатов с низкой задержкой, а итоговый порядок определяет ваша модель.
Какие тарифы это включают?
Feature store входит в тарифы Performance и Scale. Векторный поиск, Top-K и фильтры Блума работают на любом тарифе.
Связанные сценарии
Попробуйте на своей нагрузке
HotKV понимает протокол Redis, поэтому вы можете подключить к нему существующий клиент и выполнить те же команды.