零售與市集平台
「您可能也喜歡」的區塊混合相似商品與當下熱銷的商品，而且在同一個工作階段中絕不會重複顯示相同的項目。
AI 與 LLM個人化Performance 與 Scale 方案
即時推薦
只需一輪讀取就能完成個人化推薦。使用者特徵、依向量找出的相似項目與熱門趨勢，再扣掉他們已經看過的。
- 種訊號，一台伺服器
- 4
- 個重複出現的已看過項目
- 0
- 熱門計數
- 即時
步驟 1 ／ 6
統計熱門趨勢
Top-K 清單以 TOPK.RESERVE 建立一次。每次瀏覽都會更新它，掉出前幾名的項目也會被回報。
範例工作階段playing
# 統計熱門趨勢
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
以真實 HotKV 指令與範例回覆呈現的動畫導覽。點擊任一步驟即可跳到該步驟。 指令與回覆維持英文，與您在 HotKV 中輸入及看到的完全一致。
問題
好的推薦會融合使用者是誰、與他們喜歡的東西相似的項目、當下什麼最熱門，以及他們已經看過什麼。這些訊號通常分散在四個系統中，在請求時把它們拼湊起來，會讓每個頁面都增加延遲。
HotKV 如何處理
HotKV 把這四種全都涵蓋了。特徵庫存放使用者的個人檔案，向量索引找出相似項目，Top-K 結構在事件到來時追蹤熱門趨勢，而每位使用者各一個的 Bloom filter 會移除他們已看過的項目。推薦器只需幾次呼叫，就能從同一台伺服器讀取這一切。
逐步說明
逐個指令看看發生了什麼事
- 01
統計熱門趨勢
Top-K 清單以 TOPK.RESERVE 建立一次。每次瀏覽都會更新它，掉出前幾名的項目也會被回報。
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
載入使用者的特徵
提供給排序模型的個人檔案與行為特徵，並附帶其新舊程度。
FEATURE.GET user_features user:42 - 03
找出相似項目
使用者的偏好向量會找出最接近的商品。
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
剔除他們看過的
每位使用者各一個的 Bloom filter，只要一次呼叫，就能針對整份候選清單回答「以前看過嗎？」。
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
加入當下熱門的項目
目前的熱銷商品加入候選清單，再由排序模型排出最終的清單。
TOPK.LIST trending:shoes WITHCOUNT - 06
記住這次曝光
已顯示的項目會加入使用者的過濾器，明天就不會重複出現。
BF.MADD seen:user:42 sku:5 sku:17
適用之處
真實世界的情境
媒體與串流
首頁依偏好向量與即時人氣為節目排序，並略過觀眾已經看完的作品。
新聞與內容動態
依主題相似度推薦文章，同時熱門報導即時竄升。
內建
您能獲得什麼
特徵庫
依使用者或項目儲存具型別的特徵，供推論時低延遲讀取。
FEATURE.GETFEATURE.BATCH相似項目
來自 HNSW 向量索引的最近鄰。
VSIM.SEARCH當下熱門
Top-K 在事件串流中保留出現頻率最高的項目。
TOPK.ADDTOPK.LIST已看過過濾器
Bloom filter 以固定的每位使用者記憶體回答「以前看過嗎？」。
BF.MADDBF.MEXISTS常見問題
Bloom filter 可能出錯嗎？
它偶爾會在項目沒看過時說看過，誤差率由您以 BF.RESERVE 選定。但它絕不會在項目已看過時說沒看過。
排序模型在哪裡運行？
在您自己的服務中。HotKV 以低延遲提供特徵與候選項目，最終的排序由您的模型決定。
哪些方案包含它？
特徵庫屬於 Performance 與 Scale 方案。向量搜尋、Top-K 與 Bloom filter 在每個方案上都能使用。