新闻详情

新闻详情

首页 / 资讯中心 / 详情

教培AI推荐系统:从单轮查询到多轮对话——面向开发者的对话状态管理技术实现

发布时间:2026/11/16 8:48:24来源:尧图网络
教培AI推荐系统:从单轮查询到多轮对话——面向开发者的对话状态管理技术实现
导读当前AI推荐大多是单轮查询模式——家长问一次AI推荐一次。但越来越多AI工具支持多轮对话家长会逐步补充条件。本文拆解多轮对话式推荐系统的核心技术对话状态管理、槽位填充、上下文追踪以及教培机构如何让自己的信息适配这种新范式。一、从单轮查询到多轮对话的演进1.1 单轮查询的局限传统的AI推荐流程用户Query → 检索 → 排序 → 推荐结果家长问本地有什么好的数学培训机构AI返回一个推荐列表。但如果家长想要更精准的结果只能重新组织语言再问一次。问题家长需要把所有条件一次性说完AI无法利用前一轮的上下文每轮都是独立的检索没有状态延续1.2 多轮对话的新范式轮次1: 有什么数学机构 → AI推荐10家 轮次2: 适合三年级的 → AI从10家中筛选出5家 轮次3: 每班不超过8人的 → AI从5家中筛选出2家 轮次4: 老师有5年以上经验的 → AI从2家中筛选出1家每一轮家长补充一个条件AI在上一次结果的基础上继续筛选。这需要系统具备对话状态管理——记住所有已收集的条件槽位填充——从自然语言中提取结构化字段上下文追踪——知道的指的是上一轮的哪个结果增量检索——在已有结果集上做进一步筛选二、核心技术1对话状态管理2.1 状态模型定义对话状态Dialogue State是所有已收集条件的集合。from dataclasses import dataclass, field from typing import Optional, List, Dict from enum import Enum class Grade(Enum): PRESCHOOL preschool G1_G3 g1_g3 G4_G6 g4_g6 JUNIOR junior SENIOR senior class Subject(Enum): MATH math ENGLISH english CHINESE chinese SCIENCE science dataclass class DialogueState: 教培推荐对话状态 subject: Optional[Subject] None # 科目 grade: Optional[Grade] None # 年级 max_class_size: Optional[int] None # 最大班型 min_teacher_years: Optional[int] None # 最低教师年限 location_radius_km: Optional[float] None # 距离范围 budget_monthly: Optional[int] None # 月预算上限 teaching_style: Optional[str] None # 教学风格偏好 specific_problem: Optional[str] None # 具体问题如计算粗心 # 对话元数据 turn_count: int 0 last_updated_slot: Optional[str] None candidate_ids: List[str] field(default_factorylist) # 当前候选机构ID列表 def filled_slots(self) - List[str]: 返回已填充的槽位名称 slots [] for f in self.__dataclass_fields__: val getattr(self, f) if val is not None and f not in (turn_count, last_updated_slot, candidate_ids): slots.append(f) return slots def to_filter_dict(self) - Dict: 转换为过滤条件字典 return { k: v.value if isinstance(v, Enum) else v for k, v in self.__dict__.items() if v is not None and k not in (turn_count, last_updated_slot, candidate_ids) }2.2 状态更新逻辑每轮对话后更新状态def update_state(state: DialogueState, new_slots: Dict) - DialogueState: 根据新一轮提取的槽位更新对话状态 for slot, value in new_slots.items(): if hasattr(state, slot): setattr(state, slot, value) state.last_updated_slot slot state.turn_count 1 return state # 使用示例 state DialogueState() # 轮次1: 有什么数学机构 state update_state(state, {subject: Subject.MATH}) print(f轮次1后: {state.filled_slots()}) # [subject] # 轮次2: 适合三年级的 state update_state(state, {grade: Grade.G1_G3}) print(f轮次2后: {state.filled_slots()}) # [subject, grade] # 轮次3: 每班不超过8人 state update_state(state, {max_class_size: 8}) print(f轮次3后: {state.filled_slots()}) # [subject, grade, max_class_size]三、核心技术2槽位填充Slot Filling3.1 基于规则的槽位填充import re from typing import Dict, Any # 教培场景实体提取规则 SLOT_PATTERNS { subject: [ (r(数学|算数|计算|奥数), math), (r(英语|英文|口语|雅思|托福), english), (r(语文|作文|阅读|写作), chinese), (r(物理|化学|生物|科学), science), ], grade: [ (r(幼儿园|学前|幼小衔接), preschool), (r(一年级|二年级|三年级|1-3年级|低年级), g1_g3), (r(四年级|五年级|六年级|4-6年级|高年级), g4_g6), (r(初中|中考), junior), (r(高中|高考), senior), ], max_class_size: [ (r(小班|(\d)[人以]内|不超过(\d)(人|个)), None), # 需要自定义解析 (r(一对一|1对1|单独), 1), (r(6人班|6人以内), 6), (r(8人班|8人以内), 8), (r(10人班|10人以内), 10), ], min_teacher_years: [ (r(\d)年(以上)?经验, None), (r资深, 5), (r专家, 10), ], specific_problem: [ (r(计算粗心|算错|粗心), calculation_careless), (r(注意力不集中|走神|分心), attention_deficit), (r(基础薄弱|跟不上), weak_foundation), (r(拔高|竞赛|提优), advanced), (r(应用题|解决问题), word_problems), ], } def extract_slots_from_text(text: str) - Dict[str, Any]: 从家长输入中提取槽位 slots {} for slot_name, patterns in SLOT_PATTERNS.items(): for pattern, fixed_value in patterns: match re.search(pattern, text) if match: if fixed_value is not None: slots[slot_name] fixed_value elif match.groups(): # 从捕获组中提取数字 for group in match.groups(): if group and group.isdigit(): slots[slot_name] int(group) break break # 匹配到一个就够了 return slots # 测试 print(extract_slots_from_text(适合三年级计算粗心的小班课)) # {grade: g1_g3, specific_problem: calculation_careless, max_class_size: 小班} print(extract_slots_from_text(老师有5年以上经验每班不超过8人)) # {min_teacher_years: 5, max_class_size: 8}3.2 基于LLM的槽位填充对于更复杂的场景可以用LLM做槽位填充SLOT_FILLING_PROMPT 你是一个教培推荐系统的槽位填充模块。 从家长的输入中提取以下结构化信息 可提取的槽位 - subject: 科目math/english/chinese/science - grade: 年级preschool/g1_g3/g4_g6/junior/senior - max_class_size: 最大班型人数整数 - min_teacher_years: 最低教师年限整数 - location_radius_km: 距离范围公里数 - budget_monthly: 月预算元 - teaching_style: 教学风格偏好 - specific_problem: 具体问题 家长输入{user_input} 当前已收集的槽位{current_slots} 请输出JSON格式的槽位更新。只输出本轮新提取到的槽位。 def llm_slot_filling(user_input: str, current_state: DialogueState) - Dict: 使用LLM进行槽位填充 prompt SLOT_FILLING_PROMPT.format( user_inputuser_input, current_slotscurrent_state.to_filter_dict() ) # 调用LLM API这里用伪代码 # response llm.chat(prompt) # return json.loads(response) pass四、核心技术3增量检索与筛选4.1 增量筛选流程class IncrementalRetriever: 增量检索器在已有候选集上做进一步筛选 def __init__(self, institution_db): self.db institution_db # 机构数据库 def first_round_retrieve(self, state: DialogueState, top_k: int 20) - List[str]: 第一轮全库检索 filters state.to_filter_dict() # 使用向量检索 过滤条件 candidates self.db.hybrid_search( queryself._build_query_text(state), filtersfilters, top_ktop_k ) state.candidate_ids [c.id for c in candidates] return state.candidate_ids def incremental_filter(self, state: DialogueState) - List[str]: 后续轮次在候选集上做增量筛选 if not state.candidate_ids: return self.first_round_retrieve(state) new_filter {state.last_updated_slot: getattr(state, state.last_updated_slot)} # 在已有候选集上做进一步过滤 remaining self.db.filter_in_set( candidate_idsstate.candidate_ids, new_filternew_filter ) # 如果筛选后太少适当放宽 if len(remaining) 2: relaxed self._relax_constraints(state, remaining) state.candidate_ids relaxed else: state.candidate_ids remaining return state.candidate_ids def _build_query_text(self, state: DialogueState) - str: 根据状态构建检索query parts [] if state.subject: parts.append(state.subject.value) if state.grade: parts.append(state.grade.value) if state.specific_problem: parts.append(state.specific_problem) return .join(parts) if parts else 教培机构 def _relax_constraints(self, state: DialogueState, current: List) - List: 当筛选结果太少时放宽约束 # 策略放宽最近添加的非核心约束 non_core_slots [max_class_size, min_teacher_years, budget_monthly] for slot in reversed(state.filled_slots()): if slot in non_core_slots: setattr(state, slot, None) # 重新检索 return self.db.filter_in_set( candidate_idsstate.candidate_ids, new_filterstate.to_filter_dict() ) return current五、多轮对话对教培机构信息的要求多轮对话式推荐对机构信息有4个新要求5.1 信息可结构化你的课程信息需要能被提取为结构化字段{ institution: XX教育, courses: [ { subject: math, grades: [g1_g3, g4_g6], class_size: 6, teacher_avg_years: 8, teaching_style: interactive, problems_solved: [calculation_careless, word_problems] } ] }5.2 信息可增量筛选每一轮家长补充的条件你的信息中都要有对应字段可以被筛选。如果你的信息只有我们很好任何条件都无法筛选——你就无法在多轮对话中被选中。5.3 信息有明确边界能说清楚自己不适合什么学生和能说清楚自己适合什么学生一样重要。{ suitable_for: [g1_g3, calculation_careless], not_suitable_for: [senior, advanced] }5.4 信息有优先级在多轮对话中核心信息优先展示。AI可能会先问科目和年级再问班型和师资。你的信息结构也要按重要性排序。六、完整的多轮对话推荐流程class TutoringRecommender: 教培多轮对话推荐系统 def __init__(self, retriever: IncrementalRetriever): self.state DialogueState() self.retriever retriever def process_turn(self, user_input: str) - Dict: 处理一轮对话 # 1. 槽位填充 new_slots extract_slots_from_text(user_input) # 2. 更新状态 self.state update_state(self.state, new_slots) # 3. 增量检索 candidates self.retriever.incremental_filter(self.state) # 4. 生成推荐 results self.retriever.db.get_details(candidates) # 5. 判断是否需要追问 follow_up self._should_ask_follow_up() return { state: self.state.to_filter_dict(), candidates: len(results), results: results[:5], # 最多返回5个 follow_up_question: follow_up, filled_slots: self.state.filled_slots() } def _should_ask_follow_up(self) - Optional[str]: 判断是否需要追问家长 if self.state.turn_count 5: return None if self.state.subject is None and self.state.turn_count 0: return 请问您想给孩子找哪个科目的辅导 if self.state.grade is None and self.state.turn_count 1: return 孩子现在几年级呢 if self.state.specific_problem is None and self.state.turn_count 2: return 孩子在学习中有什么具体的问题吗比如计算粗心、应用题困难等 return None # 模拟多轮对话 recommender TutoringRecommender(retrieverIncrementalRetriever(dbNone)) turns [ 有什么数学机构, 适合三年级计算粗心的, 每班不超过8人, 老师有5年以上经验的, ] for i, turn in enumerate(turns, 1): print(f\n 轮次{i} ) print(f家长: {turn}) result recommender.process_turn(turn) print(f已收集条件: {result[state]}) print(f候选机构数: {result[candidates]}) print(fAI追问: {result[follow_up_question]})七、总结技术模块作用关键技术对话状态管理记住家长所有条件Dataclass状态机、槽位更新槽位填充从自然语言提取结构化字段正则规则/LLM抽取增量检索在候选集上做进一步筛选增量过滤、约束放宽上下文追踪理解指代和省略对话历史管理对开发者的启示多轮对话推荐是AI推荐系统的下一个演进方向对话状态管理是核心技术需要精心设计状态模型槽位填充可以混合使用规则和LLM增量检索要在精准和结果数量之间平衡对教培机构的启示信息需要可结构化——课程、师资、班型等要能被提取为字段信息需要可增量筛选——每一轮条件都能对应到你的信息字段信息需要有明确边界——说清楚适合和不适合什么学生
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉