从兴趣到洞见：基于自然语言查询的课程推荐系统

美国大多数大学鼓励学生在正式声明专业之前探索学术领域，并通过满足各种要求来获取学术广度。每个学期，学生必须在数千个课程选项中选择几门课程，这些课程跨越数十个学科。课程环境是动态的，校园内的沟通和搜索功能不足会限制学生发现新兴趣的能力。为支持学生和他们的导师，我们探索了一种新的大型语言模型 (LLM) 课程推荐系统，该系统应用检索增强生成 (RAG) 方法处理课程描述语料库。系统首先根据用户查询生成一个“理想”课程描述。该描述被转换为搜索向量，然后用于通过比较嵌入相似性来查找与内容相似的实际课程。我们描述了该方法并评估了一些示例查询的质量和公平性。讨论了在校园内部署试点系统的步骤。