Perakende ve pazar yerleri
"Bunlar da hoşunuza gidebilir" satırları benzer ürünleri şu anda satanlarla karıştırır ve bir oturumda aynı öğeyi asla iki kez göstermez.
Yapay zeka ve LLMKişiselleştirmePerformance ve Scale planları
Gerçek Zamanlı Öneriler
Tek tur okumada kişisel öneriler. Kullanıcı özellikleri, vektörle benzer öğeler ve trend olanlar; ayrıca zaten gördüklerini çıkararak.
- sinyal, tek sunucu
- 4
- tekrarlanan görülmüş öğe
- 0
- trend sayıları
- Canlı
Adım 1 / 6
Trend olanı sayın
Top-K listesi TOPK.RESERVE ile bir kez oluşturuldu. Her görüntüleme onu günceller ve zirveden düşen öğeler geri bildirilir.
Örnek oturumplaying
# Trend olanı sayın
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
Gerçek HotKV komutları ve örnek yanıtlarla animasyonlu bir anlatım. Herhangi bir adıma atlamak için üzerine tıklayın. Komutlar ve yanıtlar, HotKV'de yazdığınız ve gördüğünüz haliyle İngilizce kalır.
Sorun
İyi bir öneri, kullanıcının kim olduğunu, beğendiklerine neyin benzediğini, şu anda neyin popüler olduğunu ve zaten nelerin görüldüğünü harmanlar. Bu sinyaller genellikle dört sistemde yaşar ve bunları istek anında birleştirmek her sayfaya gecikme ekler.
HotKV bunu nasıl ele alır
HotKV dördünü de tutar. Özellik deposu kullanıcının profilini barındırır, bir vektör dizini benzer öğeleri bulur, bir Top-K yapısı olaylar geldikçe trend olanı izler ve kullanıcı başına bir Bloom filtresi zaten gördüğü öğeleri çıkarır. Öneri sistemi hepsini tek sunucudan birkaç çağrıyla okur.
Adım adım
Ne olur, komut komut
- 01
Trend olanı sayın
Top-K listesi TOPK.RESERVE ile bir kez oluşturuldu. Her görüntüleme onu günceller ve zirveden düşen öğeler geri bildirilir.
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
Kullanıcının özelliklerini yükleyin
Sıralama modeli için profil ve davranış özellikleri, yaşlarıyla birlikte.
FEATURE.GET user_features user:42 - 03
Benzer öğeleri bulun
Kullanıcının zevk vektörü en yakın ürünleri bulur.
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
Gördüklerini çıkarın
Kullanıcı başına bir Bloom filtresi, "daha önce görüldü mü?" sorusunu tüm aday listesi için tek çağrıda yanıtlar.
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
Sıcak olanı harmanlayın
Şu anki en çok satanlar adaylara katılır ve sıralama modeli nihai listeyi sıralar.
TOPK.LIST trending:shoes WITHCOUNT - 06
Gösterimi hatırlayın
Gösterilen öğeler kullanıcının filtresine eklenir; böylece yarın tekrarlanmazlar.
BF.MADD seen:user:42 sku:5 sku:17
Nereye uyar
Gerçek dünya senaryoları
Medya ve akış
Ana ekranlar dizileri zevk vektörlerine ve canlı popülerliğe göre sıralar, izleyicinin zaten bitirdiği yapımları atlar.
Haber ve içerik akışları
Makaleler konu benzerliğine göre önerilir; trend haberler gerçek zamanlı yükselir.
Yerleşik
Neler elde edersiniz
Özellik deposu
Çıkarım zamanında düşük gecikmeli okumalar için kullanıcı veya öğe başına türlü özellikler.
FEATURE.GETFEATURE.BATCHBenzer öğeler
Bir HNSW vektör dizininden en yakın komşular.
VSIM.SEARCHŞu an trend
Top-K, bir olay akışındaki en sık öğeleri tutar.
TOPK.ADDTOPK.LISTGörülmüş filtreleri
Bloom filtreleri "daha önce görüldü mü?" sorusunu kullanıcı başına sabit bellekte yanıtlar.
BF.MADDBF.MEXISTSSık sorulan sorular
Bir Bloom filtresi yanlış olabilir mi?
Ara sıra BF.RESERVE ile seçtiğiniz bir hata oranında, görülmemiş bir öğe için görüldü diyebilir. Görülmüş bir öğe için asla görülmedi demez.
Sıralama modeli nerede çalışır?
Kendi servisinizde. HotKV özellikleri ve adayları düşük gecikmeyle sunar, nihai sırayı modeliniz belirler.
Hangi planlara dahil?
Özellik deposu Performance ve Scale planlarının parçasıdır. Vektör arama, Top-K ve Bloom filtreleri her planda çalışır.
İlgili kullanım senaryoları
Kendi iş yükünüzde deneyin
HotKV, Redis protokolünü konuşur; bu yüzden mevcut bir istemciyi ona yönlendirip aynı komutları çalıştırabilirsiniz.