会议室推荐与排序算法逻辑 (v3.0)

1. 算法背景

在"空间运营官 (SA)"的会议预约场景中，系统需要根据用户输入的模糊需求（如："定个10人的会议室"、"明天下午两点开会"）或明确需求（如："定一下 A-101"），从海量空间资源中通过两段式筛选（向量召回+忙闲精排）得出最优推荐。

---

2. 评分逻辑体系

推荐总分 $Score$ 根据用户请求是否包含"语义意图（明确地点）"分为两种计算策略。

2.1 基础权重定义

权重项	缩写	定义	当前状态
向量相似度	$Sim$	用户输入的 room_entity 与空间别名在向量库中的语义匹配分值	✅ 使用中
容量适配度	$Fi{t}_{cap}$	衡量房间容量与用户人数需求的契合度	✅ 使用中
基础房间权重	$W_{base}$	映射后台配置的房间优先级权重（如：VIP室=1.0, 常用室=0.8）	⏸️ 预留（当前混合检索未消费）

2.2 容量适配度 ($Fi{t}_{cap}$) 计算公式

$$Fi{t}_{cap}=1-\frac{RoomCapacity-UserCapacity}{RoomCapacity}$$

逻辑原则：优先推荐能坐满、且不浪费大空间的房间。

---

3. 排序策略分发

策略 A：明确指定地点 (Has Semantic)

• 适用场景：用户提到具体房间名、编号或别名（如"帮我订305"）。
• 理论公式：$$Score=(Sim\times 0.9)+(W_{base}\times 0.1)$$
• 实际执行：由于混合检索未消费 $W_{base}$，当前实际等效于：$$Score=Sim$$
• 逻辑说明：用户明确指定了地点，系统应完全基于语义匹配度排序，确保推荐用户真正想要的会议室。

策略 B：无指定地点 (No Semantic)

• 适用场景：用户仅提供容量或时间需求（如"订个10人的会议室"）。
• 理论公式：$$Score=(Fi{t}_{cap}\times 0.6)+(W_{base}\times 0.4)$$
• 实际执行：由于混合检索未消费 $W_{base}$，当前实际等效于：$$Score=Fi{t}_{cap}$$
• 逻辑说明：用户未指定具体会议室，系统应优先推荐容量利用率最高的空间，避免大空间闲置、小空间拥挤。

---

4. 会议室匹配与推荐逻辑 (Room Matching & Recommendation)

当用户指定会议室时，系统通过向量搜索匹配会议室，并根据匹配度判断是否"找到"或"推荐"。

4.1 核心流程

用户指定会议室（如"8楼的会议室"）
    ↓
调用后端接口，阈值=0，返回前N个结果（默认N=3）
    ↓
Workflow判断：是否有 score > 前端判断阈值（默认0.5）的？
    ↓
├─ 有 → "找到了"，展示高分会议室
└─ 没有 → "未找到，但推荐了这些"

4.2 关键参数（可配置）

参数	说明	默认值
后端接口阈值	调用接口时传的阈值，设为0确保返回结果	0
前端判断阈值	Workflow判断是否"找到"的阈值	0.5
返回数量	接口返回的会议室数量	3

4.3 场景与话术

场景	判定条件	Agent 话术
找到了	有 score > 前端判断阈值的会议室	"已为您找到会议室如下"
未找到但推荐	所有 score < 前端判断阈值	"抱歉，未找到您指定的会议室，为您推荐了以下会议室"

4.4 与原有策略的关系

• 策略 A（明确指定地点）：适用于用户提到具体房间名、编号或别名的场景
• 策略 B（无指定地点）：适用于用户仅提供容量或时间需求的场景，不存在"匹配度低"的问题，直接搜索所有会议室

---

5. 开发实现建议

1. 相似度阈值策略：
   • 阈值设定：向量检索结果中，相似度评分 $\ge 0.6$ 的房间直接保留推荐
   • 低分处理：相似度 $<0.6$ 的房间不进入候选列表，避免低质量推荐
2. 召回精度：向量检索时应利用 Payload 中的 entity_type 和 cap_tags 标签进行 前置过滤 (Pre-filtering)。例如在预约流程中，仅检索具备 meet 能力的空间实体，以规避同名设备的干扰。

---

6. 场景模拟与跑分示例 (Scenarios & Examples)

示例 1：指定房间 (意图保护机制)

• 用户意图："帮我订一下 305 会议室"
• 候选集数据：
  1. 305 (研发厅)：$Sim=0.99$，$W_{base}=0.2$ (预留)
  2. 306 (总裁办)：$Sim=0.85$，$W_{base}=1.0$ (预留)
• 计算结果 (策略 A)：
  • 305 得分：$0.99$ ✅ (排第一)
  • 306 得分：$0.85$
• 结论：系统基于语义匹配度排序，准确推荐用户指定的 305。$W_{base}$ 保留但当前未参与计算。

示例 2：模糊预约 (容量择优机制)

• 用户意图：“订一个 10 人的会议室”
• 候选集数据：
  1. 火星厅 (12 人)：$RoomCap=12,UserCap=10,W_{base}=0.5$ (预留)
  2. 太阳厅 (30 人)：$RoomCap=30,UserCap=10,W_{base}=0.8$ (预留)
• 算法逻辑 ($Fi{t}_{cap}$)：
  1. 火星厅 Fit：$1-(12-10)/12=0.83$
  2. 太阳厅 Fit：$1-(30-10)/30=0.33$
• 计算结果 (策略 B)：
  • 火星厅得分：$0.83$ ✅ (排第一)
  • 太阳厅得分：$0.33$
• 结论：系统优先推荐容量利用率最高的“火星厅”。$W_{base}$保留但当前未参与计算。

示例 3：冲突平替 (降级推荐机制)

• 场景描述：用户指定 305，但系统中不存在该会议室，或 305 在该时段已被占用。
• 执行路径：
  1. 触发 Case 1：剥离名称限制，在当前时段检索 $Capacity\ge {305}_{Capacity}$ 的空余房间。
  2. 产出列表：找到同规格的 307 及 308。
  3. 最终输出：向用户返回“抱歉，未找到您指定的会议室（305），为您推荐同规格的 307 或 308”。