自适应 ToR：帕累托最优多意图 NLU 的复杂性感知树检索

多意图自然语言理解需要检索系统同时实现高精度和计算效率，但现有方法要么采用统一的单步检索，会损害召回率，要么采用固定深度的分层分解，无论查询复杂性如何，都会引入过多的延迟。本文提出了自适应检索树（Adaptive ToR），这是一种复杂性感知检索架构，可根据查询特征动态配置检索拓扑。该系统集成了四个组件：（1）查询树分类器根据加权语言信号计算查询复杂性指数，以将查询路由到快速单步路径或自适应深度分层路径； (2) 基于树的检索模块，该模块递归地将复杂查询分解为根据预测的复杂性进行校准的重点子查询； (3)自适应剪枝模块，采用两级过滤结合定量相似性门控和语义相关性评估来抑制指数节点增长； (4) 检索重排序层，具有重复数据删除器优先的管道和全局 LLM 重新评分，以提高生产效率。对 NLU++ 基准（跨银行和酒店领域的 2,693 个多意图查询）进行评估，子集准确度为 29.07%，Micro-F1 为 71.79%，比固定深度基准提高了 9.7%，同时延迟减少了 37.6%，LLM 调用减少了 43.0%，词元消耗减少了 9.8%。深度分析显示，26.92% 的查询通过单步路由（d=0：37.9% 子集精度，74.8% Micro-F1）在三秒内解决（2.45 秒平均延迟），而词元消耗在深度上扩展了 4.9 倍，验证了复杂性感知资源分配，并在准确性、延迟和计算效率之间建立了帕累托最优平衡。