<h1 align="center"> <a style="text-decoration: none" href="https://www.metarank.ai"> <img width="120" src="https://yellow-cdn.veclightyear.com/35dd4d3f/4cfc2eb6-ff6a-431e-bba5-a1ce2721311c.svg" /> <p align="center">Metarank：实时个性化服务</p> </a> </h1> <h2 align="center"> <a href="https://docs.metarank.ai">文档</a> | <a href="https://metarank.ai">官网</a> | <a href="https://metarank.ai/slack">社区 Slack</a> | <a href="https://blog.metarank.ai">博客</a> | <a href="https://demo.metarank.ai">示范</a> </h2>

Last commit Last release

什么是Metarank？

Metarank是一个开源排名服务。它可以帮助你建立个性化的语义/神经搜索和推荐系统。

如果你只是想快速入门，试试：

在你的搜索引擎之上实现学习排序的快速入门教程。
构建基于LLM的神经搜索的语义搜索指南。
创建类似于许多电商平台上的"你可能也喜欢"小部件的协同过滤推荐指南。

为什么选择Metarank？

通过Metarank，你可以让现有的搜索和推荐系统变得更智能：

将客户信号（如点击和购买）整合到排名中——并为最大化点击率（CTR）进行优化！
追踪访客资料，通过实时个性化使搜索结果适应用户操作。
使用LLM的双编码和交叉编码模式，让你的搜索更好地理解查询的真实含义。

Metarank非常快速：

针对重排序延迟进行了优化，即使是大结果集，它也可以在10-20毫秒内处理。查看基准测试。
作为无状态的云原生服务（通过Redis管理状态），它可以横向扩展并处理成千上万的RPS。详情请参阅Kubernetes部署指南。

节省你的开发时间：

Metarank可以开箱即用地计算几十种典型的排名信号：点击率（CTR）、引用来源、用户代理、时间等——你不需要为大多数常见的排名因素编写自定义的临时代码。查看文档中支持的全部排名信号列表。
与许多可能的流处理系统集成以摄取访客信号：详情请参阅数据源。

你能用Metarank构建什么？

Metarank帮助你建立用于搜索和推荐的高级排名系统：

语义搜索：使用最先进的LLM使你的Elasticsearch/OpenSearch理解你的查询意图。
推荐：传统的协同过滤和新式的语义内容推荐。
学习排序：优化你的现有搜索。

内容

博客文章：

聚会和会议讲座：

主要特征

语义神经搜索：[TODO]
推荐：趋势推荐和相似项推荐（MF ALS）。
个性化：二次重排序（LambdaMART）
AutoML：自动特征生成和模型再训练
A/B测试：多模型服务

演示

你可以在demo.metarank.ai上体验Metarank的演示：

Demo

演示本身和使用的数据都是开源的，你可以在GitHub仓库中获取训练事件和配置文件的副本。

一分钟了解Metarank

让我们展示如何在不到一分钟的时间内开始使用基于LambdaMART的重排序进行内容个性化：

准备数据：我们将从demo.metarank.ai获取数据集和配置文件。
以独立模式启动Metarank：它将导入数据，训练ML模型并启动API。
发送几个请求到API。

第一步：准备数据

我们将使用ranklens数据集，它在我们的演示中使用，所以只需下载数据文件

curl -O -L https://github.com/metarank/metarank/raw/master/src/test/resources/ranklens/events/events.jsonl.gz

第二步：准备配置文件

我们将再次使用演示中的配置文件。它使用内存存储，因此不需要其他依赖项。 <SOURCE_TEXT>

curl -O -L https://raw.githubusercontent.com/metarank/metarank/master/src/test/resources/ranklens/config.yml

第三步：启动 Metarank！

在最后一步中，我们将使用 Metarank 的 standalone 模式，该模式将训练和运行 API 合并为一个命令：

docker run -i -t -p 8080:8080 -v $(pwd):/opt/metarank metarank/metarank:latest standalone --config /opt/metarank/config.yml --data /opt/metarank/events.jsonl.gz

在 Metarank 启动并处理数据时，你会看到一些有用的输出。一旦完成，你可以向 localhost:8080 发送请求以获取个性化结果。

这里我们将通过点击其中一部电影并观察结果与几部电影进行互动。

首先，让我们看看 Metarank 在我们与其互动之前提供的初始输出

# 获取一些项目的初始排名
curl http://localhost:8080/rank/xgboost \
    -d '{
    "event": "ranking",
    "id": "id1",
    "items": [
        {"id":"72998"}, {"id":"67197"}, {"id":"77561"},
        {"id":"68358"}, {"id":"79132"}, {"id":"103228"}, 
        {"id":"72378"}, {"id":"85131"}, {"id":"94864"}, 
        {"id":"68791"}, {"id":"93363"}, {"id":"112623"}
    ],
    "user": "alice",
    "session": "alice1",
    "timestamp": 1661431886711
}'

# {"item":"72998","score":0.9602446652021992},{"item":"79132","score":0.7819134441404151},{"item":"68358","score":0.33377910321385645},{"item":"112623","score":0.32591281190727805},{"item":"103228","score":0.31640256043322723},{"item":"77561","score":0.3040782705414116},{"item":"94864","score":0.17659007036183608},{"item":"72378","score":0.06164568676567339},{"item":"93363","score":0.058120639770243385},{"item":"68791","score":0.026919880032451306},{"item":"85131","score":-0.35794106000271037},{"item":"67197","score":-0.48735167237049154}

# 告诉 Metarank 在上一个请求中向用户展示了哪些项目及其顺序
# 可选地，我们可以包括由 Metarank 或你的内部检索系统计算的分数
curl http://localhost:8080/feedback \
 -d '{
  "event": "ranking",
  "fields": [],
  "id": "test-ranking",
  "items": [
    {"id":"72998","score":0.9602446652021992},{"id":"79132","score":0.7819134441404151},{"id":"68358","score":0.33377910321385645},
    {"id":"112623","score":0.32591281190727805},{"id":"103228","score":0.31640256043322723},{"id":"77561","score":0.3040782705414116},
    {"id":"94864","score":0.17659007036183608},{"id":"72378","score":0.06164568676567339},{"id":"93363","score":0.058120639770243385},
    {"id":"68791","score":0.026919880032451306},{"id":"85131","score":-0.35794106000271037},{"id":"67197","score":-0.48735167237049154}
  ],
  "user": "test2",
  "session": "test2",
  "timestamp": 1661431888711
}'

现在，让我们与项目 93363 互动

# 点击 id 为 93363 的项目
curl http://localhost:8080/feedback \
 -d '{
  "event": "interaction",
  "type": "click",
  "fields": [],
  "id": "test-interaction",
  "ranking": "test-ranking",
  "item": "93363",
  "user": "test",
  "session": "test",
  "timestamp": 1661431890711
}'

现在，Metarank 将对项目进行个性化处理，响应中的项目顺序将有所不同

# 个性化相同的项目列表
# 它们将按照 Metarank 返回的不同顺序返回
curl http://localhost:8080/rank/xgboost \
 -d '{
  "event": "ranking",
  "fields": [],
  "id": "test-personalized",
  "items": [
    {"id":"72998"}, {"id":"67197"}, {"id":"77561"},
    {"id":"68358"}, {"id":"79132"}, {"id":"103228"}, 
    {"id":"72378"}, {"id":"85131"}, {"id":"94864"}, 
    {"id":"68791"}, {"id":"93363"}, {"id":"112623"}
  ],
  "user": "test",
  "session": "test",
  "timestamp": 1661431892711
}'

# {"items":[{"item":"93363","score":2.2013986484185124},{"item":"72998","score":1.1542776301073876},{"item":"68358","score":0.9828904282341605},{"item":"112623","score":0.9521647429731446},{"item":"79132","score":0.9258841742518286},{"item":"77561","score":0.8990921381835769},{"item":"103228","score":0.8990921381835769},{"item":"94864","score":0.7131600718467729},{"item":"68791","score":0.624462038351694},{"item":"72378","score":0.5269765094008626},{"item":"85131","score":0.29198666089255343},{"item":"67197","score":0.16412780810560743}]}