E-ticaret araması
Alışverişçiler istediklerini kendi sözcükleriyle yazar. Katalog anlamıyla aranır ve içinde bulundukları kategori ve mağazaya göre filtrelenir.
Yapay zeka ve LLMGetirme
Vektör Benzerlik Araması
Öğelerin kendisini tutan aynı motorun içinde, etikete göre filtreleyerek en yakın öğeleri anlamlarıyla bulun.
- dizinli
- HNSW
- ortalama arama
- O(log N)
- mesafe metriği
- 3
Adım 1 / 6
Dizini oluşturun
Boyutlar ve metrik dizin başına sabittir. HNSW parametreleri gerektiğinde ayarlanabilir.
Örnek oturumplaying
# Dizini oluşturun
hotkv> VSIM.CREATEINDEX products 3 METRIC COSINE
OK
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
Anlamsal arama, "buna benzer olanlar" ve tekilleştirme tek bir soruya varır. Saklanan hangi öğeler buna en yakın? Yanıtlamak genellikle ana deponuzun yanında özel bir vektör veritabanı demektir ve her ürün güncellemesinin ikisine de yazılması gerekir.
HotKV bunu nasıl ele alır
HotKV, HNSW vektör dizinlerini motorda tutar. Ürün verisi sıradan anahtarlarda yaşar, vektörler aynı anahtar adları altında dizinlenir ve bu anahtarlardaki etiketler bir aramanın bir kategori veya kiracı içinde kalmasını sağlar. Tek yazma yolu, işletilecek tek sistem.
Adım adım
Ne olur, komut komut
- 01
Dizini oluşturun
Boyutlar ve metrik dizin başına sabittir. HNSW parametreleri gerektiğinde ayarlanabilir.
VSIM.CREATEINDEX products 3 METRIC COSINE - 02
Ürünü saklayın
Ürünün verisi, dizinin kullanacağı anahtar adı altında sıradan bir hash'tir.
HSET sku:1 name "Trail runner" price 89 - 03
Etiketleyin
Anahtardaki etiketler, bir vektör aramasının bir kategori içinde kalmasını sağlar.
TAG.SET sku:1 shoes running - 04
Vektörünü dizinleyin
Vektör, dizine aynı anahtar adı altında girer.
VSIM.SET products sku:1 0.12 0.80 0.31 - 05
Anlamla arayın, bir etiket içinde
Sorgu metni embed edilir ve etiketi taşıyan en yakın ürünler mesafeleriyle geri gelir.
VSIM.SEARCH products 3 0.10 0.82 0.29 FILTER shoes - 06
Gösterilecekleri getirin
Sonuçlar anahtar adlarıdır; bu yüzden ürün verisi aynı sunucuda tek bir okuma uzaklığındadır.
HGETALL sku:1
Nereye uyar
Gerçek dünya senaryoları
Kopya tespiti
Yeni destek talepleri veya ilanlar mevcut olanlarla karşılaştırılır ve neredeyse aynı olanlar bir insan görmeden birleştirilir.
Görsel ve medya benzerliği
Bir görsel modelden gelen embedding'ler, bir kitaplıktaki görsel olarak benzer fotoğrafları veya klipleri bulur.
Yerleşik
Neler elde edersiniz
HNSW dizinleri
Büyük dizinlerde hızlı kalan yaklaşık en yakın komşu araması, ortalama O(log N).
VSIM.CREATEINDEXVSIM.SEARCHÜç metrik
Kosinüs, L2 ve iç çarpım; dizin başına seçilir.
METRICEtiket filtreleri
Bir aramayı, verilen her etiketi taşıyan anahtarlarla sınırlayın.
TAG.SETFILTERKalıcı
Dizinler, verilerinizin geri kalanı gibi anlık görüntülerinizde ve AOF yeniden yazmalarında tutulur.
VSIM.INFOSık sorulan sorular
HotKV embedding'leri üretir mi?
Hayır. Vektörleri tercih ettiğiniz embedding modeliyle oluşturun ve VSIM.SET ile saklayın.
Bu, RAG işlem hatlarından nasıl farklı?
VSIM genel vektör dizinidir. RAG işlem hatları aynı fikir üzerine kurulur ve belgeler için parçalama, meta veri ve hibrit anahtar sözcük araması ekler.
Hangi planlara dahil?
Vektör arama ve etiketler çekirdek komutlardır ve lisans gerekmeden her planda çalışır.
İlgili kullanım senaryoları
Kendi iş yükünüzde deneyin
HotKV, Redis protokolünü konuşur; bu yüzden mevcut bir istemciyi ona yönlendirip aynı komutları çalıştırabilirsiniz.