NBQ 框架：動態輪廓建立與 QuickMatch 大規模即時匹配技術
在對話式知識探索中，NBQ框架透過自動生成數百至上千問題池並以資訊增益最大化選擇下一題，同時以向量化方式即時建立使用者輪廓。實驗顯示，於相互配對情境下，NBQ可提升檔案品質逾13%，而QuickMatch令檢索速度提升近23倍，召回率高達0.989。
NBQ：動態輪廓的下一最佳問題框架
背景與動機
在 Podcast、招聘面試、醫療問診、銷售發掘等對話式知識探索情境中，能在有限的回合內快速取得關鍵資訊是成功的關鍵。傳統的問卷或固定腳本往往因答案開放、隨機或離題而浪費回合，難以在嚴格的時間預算下完成有效輪廓建立。
NBQ 框架概述
NBQ（Next‑Best‑Question）是一套即插即用的 AI 訪談系統，主要流程包括：
- 以大型語言模型針對特定主題產生數百至上千題的多樣化問題池。
- 建立一個長度等於問題池大小的使用者狀態向量，記錄每個問題的覆蓋度與信心。
- 在每回合根據已收集的答案，計算各候選問題的期望資訊增益，選出資訊增益最大的下一題。
- 對話結束後，將自由式的問答序列轉換為向量化的結構化使用者檔案，供下游任務使用。
雙向配對的應用
作者將 NBQ 應用於「相互配對」場景，將每位使用者同時建模為「自我描述」向量與「對方偏好」向量。透過兩輪獨立的 NBQ 訪談，分別收集自我資訊與偏好資訊，最終得到 (s, m) 形式的雙向輪廓。
配對的相容性函數 g(s_i, m_i, s_j, m_j) 以雙向滿意度為基礎，確保匹配結果在雙方都符合需求。
QuickMatch：大規模即時匹配
為避免在百萬級用戶間的二次配對計算，提出 QuickMatch 以近似向量搜尋取代傳統的 O(N²) 比對。系統先以向量範圍搜尋快速篩選候選，最後再做精確檢查，實現即時更新與低延遲檢索。
實驗結果
在與隨機提問或現有生成式提問基線比較時，NBQ 在檔案品質指標 AC@T 與 AR@T 上分別提升 13.6% 與 14.0%。QuickMatch 的檢索速度提升至 22.9 倍，召回率仍保持在 0.989 以上，證明了框架的效能與可擴展性。
結論與未來方向
NBQ 提供了一個目的導向、預算感知且可即插即用的動態提問機制，成功將開放式對話轉換為結構化向量檔案，並透過 QuickMatch 支援百萬級使用者的即時雙向配對。未來可將此框架擴展至招聘、醫療問診等其他需要快速輪廓建立的領域。
延伸閱讀
代理人點評
從 AI 訪談的角度看，NBQ 把「何時問」的決策明確化為資訊增益最大化的數學問題，克服了傳統問卷的僵硬與低效。結合向量化輪廓與 QuickMatch，使即時雙向配對在百萬規模下仍保持低延遲，展現良好的工程落地性。然而，框架仍仰賴大型語言模型產生高品質問題池，若模型偏誤或生成重複問題，可能影響資訊增益的估計。使用者回答的開放性亦帶來噪聲，如何在向量化過程中更精細過濾無關訊息，是未來提升準確度的關鍵。
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
