摘要
本文研究了知识发现中的“下一个最佳问题”（NBQ）难题，旨在每轮对话中根据已学信息和目标选择预期信息增益最高的问题。作者提出 NBQ 框架，通过维护紧凑且持续更新的用户状态，自适应地选择问题，并将自由对话提炼为结构化向量画像。在双向匹配应用中，该框架结合 QuickMatch 检索层，将配对复杂度从二次方降至近似向量搜索。实验表明，NBQ 显著提升了画像质量，QuickMatch 则大幅加速了检索过程。
AI 推荐理由
论文核心在于基于信息增益的动态推理与决策，以选择最佳问题构建用户画像。
研究机构
National University of Singapore, Singapore
University of Pennsylvania, Philadelphia, Pennsylvania, USA
EventUp, San Francisco, California, USA
论文信息