模拟用户实时点击文章过程
兴趣推荐APP
行为采集
0
已选文章数 (5篇生成兴趣)
兴趣生长树可视化
动态演化中点击任意节点查看详细信息
系统状态监控
0
已阅读文章
0
触发新兴趣
5
距离下次触发
实体节点 (基础概念)
兴趣节点 (语义组合)
兴趣果实 (具体标签)
兴趣节点总数
动态更新中
18
个
活跃神经元
1,248
个
BLS网络活跃度
87.5%
%
重构误差
0.024
%
性能指标
246ms
响应时间
89ms
增量更新延迟
98.7%
模型精度
BLS+LLM 工作流程
运行中1
用户行为采集
采集点击、浏览、停留时长等行为数据，构建行为序列
2
内容语义向量化
将用户交互内容转换为高维语义向量，保留语义特征
3
BLS网络激活分析
宽度学习网络识别高方差节点，分析共激活模式
4
潜在兴趣发现
基于激活模式发现潜在兴趣因子，构建兴趣空间
5
LLM语义归纳命名
大语言模型对兴趣因子进行语义归纳，生成可解释标签
6
兴趣树动态更新
将新兴趣融入生长树，实现可视化动态更新
模拟交互控制
操作面板双阶段系统架构
架构视图离线阶段
语义向量化
BLS自编码器训练
兴趣因子提取
LLM自动命名体系构建
在线阶段
内容驱动+行为驱动双轨道
BLS网络增量训练
LLM实时语义归纳
兴趣树动态演化
动态更新闭环
内容入库 → 语义编码
局部模式激活 → BLS增量训练
演化判断 → 可视化驱动
内容驱动 + 行为驱动的双轨演化机制
轨道一：内容驱动的实体与概念发现
1
增量内容接入与统一向量化
2
新实体与新概念识别（LLM）
3
新语义模式与复合兴趣检测（BLS）
4
LLM语义归纳与命名
轨道二：用户行为驱动的情感与意图发现
1
用户短期行为序列建模
2
情绪与意图标签的语义提炼（LLM）
3
情绪/意图与内容兴趣的交叉融合
4
情感兴趣节点补充到知识库
BLS + LLM 协同机制
BLS
快速识别兴趣模式，监测新兴单一或复合兴趣
LLM
对BLS发现的兴趣模式进行语义归纳与标签生成
协同
兴趣发现速度与语义可解释性同时提升