零售与交易平台
“猜你喜欢”栏位将相似商品与当下热销品混合，并且在一次会话中绝不重复展示同一条目。
AI 与 LLM个性化Performance 和 Scale 套餐
实时推荐
一轮读取即可完成个性化推荐。用户特征、按向量找出的相似条目和实时热门内容，再去掉用户已经看过的。
- 种信号，一台服务器
- 4
- 个已看条目被重复推荐
- 0
- 热门计数
- 实时
步骤 1 / 6
统计热门内容
Top-K 列表已事先用 TOPK.RESERVE 创建一次。每次浏览都会更新它，被挤出前列的条目会被报告回来。
示例会话playing
# 统计热门内容
hotkv> TOPK.ADD trending:shoes sku:88 sku:17 sku:88
1) (nil)
2) (nil)
3) (nil)
使用真实 HotKV 命令和示例回复的动画演示。点击任意步骤即可跳转。 命令和回复保持英文，与您在 HotKV 中输入和看到的完全一致。
问题所在
好的推荐要综合用户是谁、与其喜欢的内容相似的是什么、当下什么最热门，以及用户已经看过什么。这些信号通常分散在四个系统中，在请求时把它们拼起来，会让每个页面都多出延迟。
HotKV 如何解决
HotKV 同时容纳这四种信号。特征存储保存用户画像，向量索引查找相似条目，Top-K 结构在事件到达时跟踪热门内容，每个用户的 Bloom 过滤器则移除其已看过的条目。推荐服务只需几次调用，就能从一台服务器上读到全部信息。
逐步演示
逐条命令，看看发生了什么
- 01
统计热门内容
Top-K 列表已事先用 TOPK.RESERVE 创建一次。每次浏览都会更新它，被挤出前列的条目会被报告回来。
TOPK.ADD trending:shoes sku:88 sku:17 sku:88 - 02
加载用户特征
供排序模型使用的画像和行为特征，并附带其时效。
FEATURE.GET user_features user:42 - 03
查找相似条目
用户的偏好向量找出最接近的商品。
VSIM.SEARCH items 20 0.31 0.12 0.77 ... - 04
去掉已看过的
每个用户一个 Bloom 过滤器，一次调用即可为整个候选列表回答“以前看过吗？”。
BF.MEXISTS seen:user:42 sku:88 sku:5 sku:17 - 05
混入热门内容
当前的畅销品加入候选，由排序模型确定最终列表的顺序。
TOPK.LIST trending:shoes WITHCOUNT - 06
记录曝光
已展示的条目被加入该用户的过滤器，明天就不会重复出现。
BF.MADD seen:user:42 sku:5 sku:17
适用场景
真实场景
媒体与流媒体
首页按偏好向量和实时热度对节目排序，并跳过观众已经看完的作品。
新闻与内容信息流
文章按主题相似度推荐，热门报道则实时上升。
内置功能
您将获得
特征存储
按用户或条目存放带类型的特征，在推理时以低延迟读取。
FEATURE.GETFEATURE.BATCH相似条目
从 HNSW 向量索引中获取最近邻。
VSIM.SEARCH当下热门
Top-K 在事件流中保留出现频率最高的条目。
TOPK.ADDTOPK.LIST已看过滤
Bloom 过滤器以每用户固定的内存回答“以前看过吗？”。
BF.MADDBF.MEXISTS常见问题
Bloom 过滤器会出错吗？
它偶尔会把没看过的条目判定为看过，误判率由您在 BF.RESERVE 中设定。它绝不会把看过的条目判定为没看过。
排序模型在哪里运行？
在您自己的服务中。HotKV 以低延迟提供特征和候选，由您的模型决定最终顺序。
哪些套餐包含此功能？
特征存储包含在 Performance 和 Scale 套餐中。向量搜索、Top-K 和 Bloom 过滤器在所有套餐中均可使用。