我把书封面扔给 CLIP 向量库，真能推出你想读的书吗

核心架构分两条线。语义搜索那边，用户上传一张封面或输一句描述，同时走 CLIP 向量检索和 GLiNER 抽实体再走 Hardcover API 的关键词搜索，最后用 Reciprocal Rank Fusion 融合。GLiNER 已经转 ONNX 了，推理延迟能接受。向量库里目前只有两千多本书，冷启动靠用户搜什么、补什么，搜得多库才大。

排序侧用的是两塔神经协同过滤，显式反馈只有 Dislike / Like / Love 三档，隐式信号全没有。训练好的用户塔、物品塔做内积召回，再套一层 Determinantal Point Process 去重——不然全是同一本书的不同版本封面。按 Eugene Yan 那套离线更新思路：增量微调两小时跑一次，全量重训每天早 8:30 EST 定时触发。模型配置全在 bic-learn 里，想复现的可以直接看。

部署全在 AWS 上跑，前后端分离，模型服务统一 ONNX Runtime，省得折腾 PyTorch 运行时。目前匿名用户看到的都是“默认用户”推荐，注册打几分大概两小时后能见到个性化结果。

最大的坑还是数据量：两千本书连长尾都覆盖不了，协同过滤矩阵稀疏得离谱，DPP 去重后候选集经常不够分。下一步想接点点击、停留时长当隐式信号，再把封面以外的元数据（简介、标签、作者向量）拼进去，看能不能把召回率拉上来。

站点和代码都开着，感兴趣的可以去踩踩坑：

• 站点：https://by-its-cover.com/
• 主仓库：https://github.com/ByItsCover
• 训练侧配置：https://github.com/ByItsCover/bic-learn