ایجاد توصیه های دقیق تر محصول با SurrealDB

تجربیات شخصی می تواند تبدیل بازدید کننده به مشتری را ایجاد یا از بین ببرد ، به همین دلیل موتورهای توصیه دیگر لوکس نیستند – آنها ضروری هستند.

شما آنها را در همه جا دیده اید:

“ایده های هدیه با الهام از سابقه خرید شما.“

“مشتریانی که این مورد را مشاهده کرده اند نیز خریداری کرده اند …”

“فقط برای شما رسید.”

با این حال ، در پشت این برهنه های مفید سیستم های پیچیده ای قرار دارند. به طور سنتی ، ساختن این سیستم ها به معنای ایجاد تیمی از متخصصان است که پشته های ابزارهای قطع شده را ایجاد می کنند ، که پس از آن باید دوباره به هم چسبانده شوند. این ممکن است شامل پایگاه داده های رابطه ای ، اسناد و نمودار به همراه یادگیری ماشین پیشرفته و فروشگاه های بردار باشد.

سیستمهایی مانند این روند به سمت پیچیدگی روزافزون ، اما آیا واقعاً لازم است؟

اگر سیستم های پیچیده نیازی به پیچیده بودن ندارند ، چه می شود؟

چه می شود اگر می توانستید همه این کارها را در یک پشته انجام دهید؟

ابزارهای جدا شده را با SurrealDB متحد کنید

SurrealDB قدرت 10+ محصولات را در یک بانک اطلاعاتی چند مدل متحد به شما می دهد.

این در زمان واقعی ، رابطه ای ، اسناد ، نمودار ، بردار و موارد دیگر است. ساخته شده از زمین با استفاده از تحقیقات برش و زبان زنگ زدگی برای اطمینان از ایمنی زمان اجرا ، همراه با عملکرد و نیازهای کم تحرک مورد نیاز شما از یک سیستم با کارایی بالا.

برای سیستم های توصیه ، این امکان را به شما امکان می دهد تا سیستم های ساده تری بسازید و به شخصی سازی بهتر دست یابید. SurrealDB به جای اینکه چندین سیستم را برای هم زدن زمینه ، روابط و معنی ، به شما امکان می دهد بدون نیاز به نصب یا تعامل با چندین پایگاه داده ، کتابخانه یا چارچوب ، همه چیز را در یک بستر محکم و یکپارچه نگه دارید.

چرا توصیه ها باید باهوش تر باشند

سیستم های توصیه سنتی به تکنیک هایی مانند:

• فیلتر مشارکتی (CF): “افرادی که این را خریداری کردند نیز خریداری کردند …”
• فیلتر مبتنی بر محتوا: “محصولات مشابه کالاهای مورد نظر شما.”
• مدل های ترکیبی: ترکیب CF و مبتنی بر محتوا برای دقت بیشتر.

این کار ، اما اگر می توانید نرخ تبدیل را با چند درصد افزایش دهید ، چرا اینطور نیست؟

روندهای برش فعلی به سمت سیستم های واقعی و آگاه تر در حال حرکت هستند-با استفاده از توصیه های محور LLM که از نمودارهای دانش متمرکز استفاده می شود.

اینجاست که سورئالدب می درخشد. بنابراین بیایید یک دستور العمل سطح بالا را برای چگونگی ساخت چنین سیستم های توصیه ای ، به سادگی با استفاده از سورئالدب و یک ارائه دهنده LLM کشف کنیم. نیازی به کد چسب پایتون ، چارچوب ها ، فروشگاه های بردار و موارد دیگر نیست.

نحوه ساخت یک موتور توصیه هوشمند با SurrealDB

نمودار دانش خود را بسازید

این امر فراهم کردن زمینه ای را که می تواند برای پاسخ به سؤالاتی از قبیل:

• چه کسی چه چیزی خریداری کرده است؟
• چه کسی شبیه به چه کسی است؟
• چه گرایش دارد؟

SELECT array::distinct(
  ->order->product
  <-order<-person
  ->order->product.{id, name}
) AS recommended_products
FROM person:01FVRH055G93BAZDEVNAJ9ZG3D;

داده ها را به تعبیه برای جستجوی بردار و LLMS تبدیل کنید

از توضیحات محصول یا رفتار کاربر تعبیه شده وکتور ایجاد کنید.

DEFINE FUNCTION fn::create_embeddings($input: string) {
  RETURN http::post("https://example.com/api/embeddings", {
    "model": "embedding model",
    "input": $input
  });
};

این تعبیه ها جستجوی معنایی را باز می کنند ، بنابراین می توانید بگویید:

“محصولات مشابه” پیراهن گاه به گاه “را به من نشان دهید”

و بر اساس معنی ، نه فقط کلمات کلیدی.

SELECT id, name, vector::similarity::cosine(details_embedding, $prompt)
FROM product
ORDER BY similarity DESC;

جستجوی معنایی را با جستجوی متن کامل مخلوط کنید

ارتباط کلمات کلیدی و شباهت بردار را برای بهترین های هر دو جهان ترکیب کنید.

DEFINE FUNCTION fn::hybrid_search($search_term: string) {
  LET $prompt = fn::create_embeddings($search_term);
  LET $semantic_search = (…);
  LET $full_text_search = (…);
  RETURN { semantic_results: $semantic_search, full_text_results: $full_text_search };
};

زمینه را از نمودار اضافه کنید

بازیابی زمینه شخصی: تاریخ خرید ، ترجیحات ، موارد محبوب و موارد دیگر.

DEFINE FUNCTION fn::person_context($record_id: string) {
  LET $context = (SELECT id, name, address, ->order.* AS order_history FROM $record_id);
  RETURN $context;
};

زمینه را برای LLM ارسال کنید

برای توصیه های بیش از حد شخصی ، تمام این زمینه های غنی را به LLM ارسال کنید.

DEFINE FUNCTION fn::get_recs($template: any) {
  RETURN http::post('https://example.com/api/chat', {
    "model": 'reasoning model',
    "input": $template
  });
};

یک مثال در دنیای واقعی: خرده فروشی مد لوکس

یک خرده فروش مد لوکس با نرخ تبدیل وب سایت پایین دست و پنجه نرم می کرد. آنها خریداران شخصی در فروشگاه داشتند ، اما مقیاس آن تجربه آنلاین یک چالش گسترده بود.

راه حل آنها؟ یک خریدار شخصی مجازی بسازید!

نتایج:

• 4 میلیون مشتری ماهانه خدمت می کردند
• 1.5 میلیون توصیه هر هفته
• 3 برابر افزایش نرخ تبدیل

با ایجاد یک خط لوله توصیه در زمان واقعی که توسط SurrealDB به پایان رسیده است. آیا می خواهید آن را در عمل ببینید؟ مطالعه کامل مورد در یوتیوب را بررسی کنید.

آیا می خواهید توصیه های خود را باهوش تر کنید؟ رسیدن به ما