在本站中

本站是开源的 dioxus 全栈应用（yuxuetr/rustineverything），不用 tenferro，也没有科学计算的部分。前两卷问过同一个问题：给文档页加「相关文章」该怎么算。burn 卷的 在本站中 用 TF-IDF，便宜、合理，但 88.4% 的推荐留在同一卷；candle 卷的 在本站中 用 BERT 句向量，跨卷推荐多了，代价是模型和分钟级的计算。这一部分试两者之间的经典做法：对 TF-IDF 矩阵做截断 SVD 的潜在语义分析，这正是 tenferro-linalg 的本行。实验只读本站代码和私有内容仓库在提交 dd09e82 时的 docs/，在本地跑，页面上只给标题和统计。

1. 用 tenferro 做潜在语义分析：tenferro-linalg 没有截断 SVD，对 705 × 52 120 的稠密矩阵做完整的薄 svd，8 线程要 1.2 s、1.6 GiB，其中 tlinalg 的残差检查和 tenferro 必须返回的 Vt 各占 280 MiB；改成 G = A Aᵀ（就是 TF-IDF 的余弦矩阵）加 eigh，68 ms、143 MiB，结果完全相同。Accelerate 构建省内存但更慢。k = 32 / 64 / 128 时跨卷推荐不比 TF-IDF 多，前 5 和 TF-IDF 重合 57%–76%，和 BERT 的距离不变。tenferro 版二进制 39.4 MiB，只用 faer 1.82 MiB。结论是继续用 TF-IDF，不用 LSA，也不为它引入 tenferro。

flowchart TB
  docs["705 个 docs 页面"] --> tfidf["TF-IDF burn 卷"]
  docs --> bert["BERT candle 卷"]
  tfidf --> lsa["LSA 本卷"]
  tfidf --> cmp["前 5 比较"]
  bert --> cmp
  lsa --> cmp
  cmp --> pick["继续用 TF-IDF"]

本站怎么读文档、怎么部署（镜像只出 linux/amd64、内容只读挂载、容器内存上限 768 MiB），见 burn 卷的 用 burn 算相关文章。本部分的数字都是 macOS（M2 Max）上测的，Linux 服务器上的情况只读了源码。