pile·
백엔드·핏펫핏펫·

ElasticSearch 검색엔진을 활용한 상품 검색 — basic

문제핏펫몰의 RDBMS LIKE 기반 상품 검색은 데이터가 늘며 응답시간이 700~1000ms까지 늘어났고, 정렬·랭킹을 세밀하게 제어하기 어려웠다.
접근Python 3.8/Django/GraphQL 백엔드에 AWS OpenSearch 7.10(ElasticSearch)을 붙여 역색인과 BM25 스코어 기반 정렬을 도입하고, 품절 상품을 하단 배치하려고 `is_real_sold_out` 필드에 bool/should + boost 가중치를 적용했다.
결과검색 응답시간이 200~300ms → 약 50ms로 4~6배 빨라지고, score 제어로 품절 상품 후순위화 같은 비즈니스 룰을 검색 레이어에서 직접 구현할 수 있게 됐다.
핏펫
핏펫 블로그
원문은 여기서 이어서 읽을 수 있어요
원문 읽기
읽음 (0)

이 글과 비슷한

  1. 백엔드·twilio-engTwilio Engineering·

    Programmable Messaging에서 Verify API로 마이그레이션하기

    Twilio의 Programmable Messaging API로 자체 OTP 솔루션을 운영하던 서비스가 Verify API로 전환하는 방법을 코드 예시와 함께 설명한다. Verify는 OTP 전송·검증을 위한 전용 API로, 전화번호 구매, 토큰 생성, DB 저장·만료 관리를 내부에서 처리해 개발자가 직접 구현할 코드를 크게 줄인다.

    요약 이어보기
    #authentication#twilio#sms+2
  2. 백엔드·포스타입포스타입·

    포스타입이 개인화 추천을 하는 방법 2부

    포스타입 백엔드 엔지니어가 벡터 기반 개인화 추천 시스템을 실제 운영하며 맞닥뜨린 성능 장애와 용량 문제를 해결한 과정을 담은 2부다. 수백만 개의 벡터 KNN 검색이 피크 시간대에 전체 Elasticsearch 검색 성능을 흔드는 문제부터 클러스터 OOM 사태까지, 쿼리 최적화와 인프라 분리 두 가지 경로로 근본 해결에 이른다.

    요약 이어보기
    #elasticsearch#vector-search#recommendation-system+2
  3. 백엔드·포스타입포스타입·

    포스타입이 개인화 추천을 하는 방법 1부

    포스타입이 태그 기반 추천의 한계를 극복하고 벡터 임베딩 기반 개인화 추천 시스템을 구축한 과정을 담은 1부다. 유사한 콘텐츠가 다른 용어를 쓰거나 동일한 태그가 전혀 다른 톤의 콘텐츠를 가리키는 문제를 임베딩 벡터로 해결하고, OpenSearch의 HNSW ANN 검색으로 수백만 벡터를 실시간 검색하는 시스템을 구축해 구매율 15% 향상을 달성했다.

    요약 이어보기
    #opensearch#vector-search#recommendation-system+2