Detaljhandel och marknadsplatser
Raderna ”Du kanske också gillar” blandar liknande produkter med det som säljer just nu, och visar aldrig samma objekt två gånger under en session.
AI och LLMPersonaliseringPlanerna Performance och Scale
Rekommendationer i realtid
Personliga rekommendationer i en enda omgång läsningar. Användarfeatures, liknande objekt via vektorer och det som trendar, minus det användaren redan har sett.
- signaler, en server
- 4
- sedda objekt som upprepas
- 0
- trendande räknare
- Live
Steg 1 av 6
Räkna det som trendar
Top-K-listan skapades en gång med TOPK.RESERVE. Varje visning uppdaterar den, och objekt som faller ur toppen rapporteras tillbaka.
Exempelsessionplaying
# Räkna det som trendar
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
En animerad genomgång med riktiga HotKV-kommandon och exempelsvar. Klicka på valfritt steg för att hoppa dit. Kommandon och svar förblir på engelska, precis som du skriver och ser dem i HotKV.
Problemet
En bra rekommendation blandar vem användaren är, vad som liknar det de gillade, vad som är populärt just nu och vad de redan har sett. Signalerna ligger oftast i fyra system, och att sy ihop dem vid förfrågan lägger latens på varje sida.
Så löser HotKV det
HotKV håller alla fyra. Feature store har användarens profil, ett vektorindex hittar liknande objekt, en Top-K-struktur följer vad som trendar när händelser kommer in, och ett Bloom-filter per användare tar bort objekt de redan har sett. Rekommendationsmotorn läser allt från en server i några få anrop.
Steg för steg
Vad som händer, kommando för kommando
- 01
Räkna det som trendar
Top-K-listan skapades en gång med TOPK.RESERVE. Varje visning uppdaterar den, och objekt som faller ur toppen rapporteras tillbaka.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Läs in användarens features
Profil- och beteendefeatures för rankningsmodellen, med deras ålder.
FEATURE.GET user_features user:42 - 03
Hitta liknande objekt
Användarens smakvektor hittar de närmaste produkterna.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Släng det de har sett
Ett Bloom-filter per användare besvarar ”sett förut?” för hela kandidatlistan i ett anrop.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Blanda in det som är hett
De just nu mest sålda kommer med bland kandidaterna, och rankningsmodellen ordnar den slutliga listan.
TOPK.LIST trending:shoes WITHCOUNT - 06
Kom ihåg visningen
Objekt som har visats läggs till i användarens filter så att de inte upprepas i morgon.
BF.MADD seen:user:42 sku:5 sku:17
Där det passar
Verkliga scenarier
Media och streaming
Startskärmar rankar program efter smakvektorer och livepopularitet, och hoppar över titlar som tittaren redan har sett klart.
Nyhets- och innehållsflöden
Artiklar rekommenderas efter ämneslikhet medan trendande nyheter stiger i realtid.
Inbyggt
Det här får du
Feature store
Typade features per användare eller objekt för läsningar med låg latens vid inferens.
FEATURE.GETFEATURE.BATCHLiknande objekt
Närmaste grannar från ett HNSW-vektorindex.
VSIM.SEARCHTrendar just nu
Top-K behåller de vanligaste objekten i en ström av händelser.
TOPK.ADDTOPK.LISTFilter för sett
Bloom-filter besvarar ”sett förut?” med konstant minne per användare.
BF.MADDBF.MEXISTSVanliga frågor
Kan ett Bloom-filter ha fel?
Det kan ibland säga att ett objekt har setts när det inte har det, med en felfrekvens du väljer med BF.RESERVE. Det säger aldrig att ett objekt inte har setts när det har det.
Var körs rankningsmodellen?
I din egen tjänst. HotKV serverar features och kandidater med låg latens, och din modell bestämmer den slutliga ordningen.
Vilka planer innehåller den?
Feature store ingår i planerna Performance och Scale. Vektorsökning, Top-K och Bloom-filter fungerar i alla planer.
Relaterade användningsfall
Prova på din egen arbetslast
HotKV talar Redis-protokollet, så du kan peka en befintlig klient mot det och köra samma kommandon.