用 Embedding 做「相關文章」推薦

最近幫部落格做了一個「相關文章」功能，用 AI 的語義向量（Embedding）來計算文章之間的相似度。

原文：《DIY 系列：來做個「相關文章」功能》

---

原理

三個步驟：

1. 把文章餵給 Embedding 模型，得到一組向量（一串浮點數）。這組向量代表文章的「語意」，語意越接近的文章，向量在空間中的距離也越近。

2. 計算餘弦相似度，也就是兩個向量之間的夾角，越接近 1 代表越相似。

3. 排序取前 K 名，就是「相關文章」了。

---

兩種 Embedding 方案

方案一：Gemini API（免費）

到 Google AI Studio 申請 API Key，呼叫 gemini-embedding-001 模型。

免費方案有速率限制，我的做法是每篇截取前 2000 字，每隔兩秒呼叫一次。

方案二：BGE-M3 本地端（也免費）

用 Ollama 在本機跑 BGE-M3，CPU 就能跑，完全離線。

ollama pull bge-m3
pip install ollama

import ollama

res = ollama.embeddings(model="bge-m3", prompt="文章內容...")
vector = res["embedding"]

---

快取機制

每次重新計算 Embedding 很耗時，所以用 Hash(標題 + 內文) 來判斷文章是否有改變，沒變就直接讀快取。

相似度計算目前是全部重跑（讓新舊文章可以互相連結），一百多篇大概三秒，還可以接受。

---

完整流程

1. 載入快取，用 Hash 比對找出需要更新的文章。
2. 清除已刪除文章的舊快取。
3. 對需要更新的文章重新 Embedding，存入快取。
4. 計算所有文章兩兩之間的相似度，排序取前 K 名。
5. 輸出 related.json 或直接生成靜態 HTML。