# Yandori 实时新闻传播图追踪：高效变化检测与传播速度度量 > 基于 Yandori 系统，解析实时追踪 200k 站点新闻扩散的图构建机制，包括变化检测、低延迟索引与传播速度参数配置要点。 ## 元数据 - 路径: /posts/2025/11/30/real-time-news-diffusion-graph-tracking-yandori/ - 发布时间: 2025-11-30T19:03:12+08:00 - 分类: [systems-engineering](/categories/systems-engineering/) - 站点: https://blog.hotdry.top ## 正文 Yandori 系统通过神经压缩架构实现信息流的实时聚合与预测，为新闻在海量网站间的扩散提供图追踪能力。这种设计的核心在于高效变化检测机制，仅捕获预测相关的新增内容，避免全量处理带来的延迟与资源浪费。系统每分钟处理 RSS/Atom feeds 来自数千站点，聚合为固定维度世界状态嵌入 z_t ∈ ℝ^{256}，总内存恒定 ~14MB，支持无界运行。 高效变化检测依赖自监督重要性加权：给定 N 篇文章嵌入 e_i，计算 w_i = softmax(MLP(e_i))，z_t = Σ w_i · e_i。这种加权通过梯度信号 ∂L_pred / ∂e_i 学习，优先聚合对未来预测有影响的内容。Yandori 的单头时间注意力进一步稳定梯度：scores_i = (K_i · q)/√d + log(exp(-Δt_i / τ))，τ 为时间衰减参数，通常设为 1 小时，确保近期事件主导上下文。 低延迟索引采用分层内存缓冲：最近缓冲（24h，1min 分辨率，1440 状态）、周缓冲（7d，小时下采样，168 状态），辅以 5 个 EMA 基线（衰减率 α ∈ {0.67, 0.033, 0.014, 0.002, 0.0005}）。每分钟更新周期：发现 feeds → fetch 文章 → 编码 → 聚合 → 注意力丰富 → 预测。典型延迟 <100ms/GPU，编码 O(N·L)，N≤100，L=512 tokens。 传播速度指标通过图构建量化：新闻实体作为节点，传播边基于相似度（禁用重建重要性，因其与预测负相关 -0.41）。速度度量 v = Δreach / Δt，其中 reach 为覆盖站点数，Δt 为时间窗（1min/1h/1d）。图优化使用分层传播模型，从事件 → 子事件 → 消息网络迭代求解可信度，但 Yandori 聚焦预测偏差：context = 0.6(z_t - baseline_1h) + 0.4(z_t - baseline_1day)，预测损失 L_pred = 0.1 MSE_1min + 0.3 MSE_1h + 0.6 MSE_1d，长时预测权重最高。 落地参数配置如下： **爬虫参数（YandoriBot）：** - User-Agent: YandoriBot/1.0 (+https://yandori.io/bot.html) - 请求间隔：Poisson(λ=1.0)/域，500-1200ms 均匀延迟 - 并发：100 workers，10s 超时 + 断路器 - robots.txt：24h TTL，前缀树解析，支持 Crawl-delay **模型超参：** - 嵌入维 d=256，Transformer 3层 (d_model=256, 8 heads)，瓶颈 d=32 - 初始化：Xavier uniform gain=0.1，梯度裁剪 0.5 - 损失权重：L_total = 0.30 L_recon + 0.50 L_pred + 0.20 L_importance - LR: 1e-4 AdamW，wd=1e-5 **监控要点：** - 惊喜信号 surprise_t = ||z_t - EMA_baseline||_2 > 阈值（sigmoid 缩放）时，提升重要性学习 - 预测损失分层：1d 预测主导，确保因果信息保留 - 内存：~1.7MB 缓冲 + 12MB 模型，警报 >15MB - 传播速度：v_1h > 10 站点/h 标记爆发，图密度监控（节点/边 >0.1 疑似循环） 回滚策略：若预测偏差 >2σ，fallback 到纯聚合模式，禁用预测头；爬虫 429 错误率 >5%，全局 backoff 2x。 部署清单： 1. 预训练 CC-News (31M 文章)，时窗采样 ±15s ~ ±30min 2. 生产：semaphore 池限并发，LRU 缓存 feeds ∞ TTL 3. 评估：分层缓冲提升预测 9%，总准确率基准 HN 数据集 >95% “Yandori 通过 RSS 发现爬取 200k 站点，实现常量内存实时追踪。” 资料来源： - https://yandori.io (arXiv preprint 2025) - https://news.ycombinator.com/item?id=最近 Show HN (5 points) ## 同分类近期文章 ### [Apache Arrow 10 周年：剖析 mmap 与 SIMD 融合的向量化 I/O 工程流水线](/posts/2026/02/13/apache-arrow-mmap-simd-vectorized-io-pipeline/) - 日期: 2026-02-13T15:01:04+08:00 - 分类: [systems-engineering](/categories/systems-engineering/) - 摘要: 深入分析 Apache Arrow 列式格式如何与操作系统内存映射及 SIMD 指令集协同，构建零拷贝、硬件加速的高性能数据流水线，并给出关键工程参数与监控要点。 ### [Stripe维护系统工程：自动化流程、零停机部署与健康监控体系](/posts/2026/01/21/stripe-maintenance-systems-engineering-automation-zero-downtime/) - 日期: 2026-01-21T08:46:58+08:00 - 分类: [systems-engineering](/categories/systems-engineering/) - 摘要: 深入分析Stripe维护系统工程实践，聚焦自动化维护流程、零停机部署策略与ML驱动的系统健康度监控体系的设计与实现。 ### [基于参数化设计和拓扑优化的3D打印人体工程学工作站定制](/posts/2026/01/20/parametric-ergonomic-3d-printing-design-workflow/) - 日期: 2026-01-20T23:46:42+08:00 - 分类: [systems-engineering](/categories/systems-engineering/) - 摘要: 通过OpenSCAD参数化设计、BOSL2库燕尾榫连接和拓扑优化，实现个性化人体工程学3D打印工作站的轻量化与结构强度平衡。 ### [TSMC产能分配算法解析：构建半导体制造资源调度模型与优先级队列实现](/posts/2026/01/15/tsmc-capacity-allocation-algorithm-resource-scheduling-model-priority-queue-implementation/) - 日期: 2026-01-15T23:16:27+08:00 - 分类: [systems-engineering](/categories/systems-engineering/) - 摘要: 深入分析TSMC产能分配策略，构建基于强化学习的半导体制造资源调度模型，实现多目标优化的优先级队列算法，提供可落地的工程参数与监控要点。 ### [SparkFun供应链重构：BOM自动化与供应商评估框架](/posts/2026/01/15/sparkfun-supply-chain-reconstruction-bom-automation-framework/) - 日期: 2026-01-15T08:17:16+08:00 - 分类: [systems-engineering](/categories/systems-engineering/) - 摘要: 分析SparkFun终止与Adafruit合作后的硬件供应链重构工程挑战，包括BOM自动化管理、替代供应商评估框架、元器件兼容性验证流水线设计