AI 算法题分类与标签体系：从题目特征到知识点的自动映射

AI 算法题分类与标签体系：从题目特征到知识点的自动映射

一、标签体系的混乱现状：同一道题三个平台三种分类

LeetCode、Codeforces、AtCoder 对同一道题的分类标签经常不一致。LeetCode 标为"动态规划"的题，Codeforces 可能标为"贪心"，因为两种解法都可行。更严重的是标签粒度不统一：有的平台标"数组"，有的标"双指针"，有的标"滑动窗口"——它们其实是同一类问题的不同抽象层次。

统一的标签体系是算法学习的基础设施。没有统一的标签，就无法准确统计"我动态规划做了多少题"，也无法推荐"和你薄弱知识点相关的题目"。AI 自动标签的目标是：输入题目描述和代码，输出多层级的知识点标签，覆盖算法类型、数据结构、解题技巧和难度梯度。

二、多层标签体系的设计

graph TB TAG[题目标签] --> L1[一级：算法范式] TAG --> L2[二级：数据结构] TAG --> L3[三级：解题技巧] TAG --> L4[四级：难度梯度] L1 --> DP[动态规划] L1 --> SEARCH[搜索] L1 --> GREEDY[贪心] L1 --> DIVIDE[分治] L2 --> ARR[数组] L2 --> TREE[树] L2 --> GRAPH[图] L2 --> STR[字符串] L3 --> SLIDE[滑动窗口] L3 --> MONO[单调栈] L3 --> BINARY[二分查找] L3 --> BIT[位运算] L4 --> EASY[入门 O n] L4 --> MED[进阶 O n log n] L4 --> HARD[高级 O n 或特殊算法]

三、自动标签系统的工程实现

from dataclasses import dataclass, field from typing import Any @dataclass class ProblemTags: """题目标签""" problem_id: str paradigm: list[str] # 算法范式 data_structure: list[str] # 数据结构 technique: list[str] # 解题技巧 difficulty_tier: str # 难度梯度 class AutoTagger: """自动标签系统""" def __init__(self, llm_client): self.llm_client = llm_client async def tag(self, problem: dict, code: str = "") -> ProblemTags: """自动生成多层标签""" prompt = f"""为以下算法题生成多层标签。 题目：{problem['title']} 描述：{problem['description']} {'代码：' + code if code else ''} 标签体系： - 算法范式：动态规划, 搜索(BFS/DFS), 贪心, 分治, 回溯, 图论 - 数据结构：数组, 链表, 树, 图, 字符串, 哈希表, 堆, 栈, 队列 - 解题技巧：滑动窗口, 单调栈, 二分查找, 位运算, 前缀和, 差分, 拓扑排序 - 难度梯度：入门(暴力可解), 进阶(需要优化), 高级(需要特殊算法) 输出 JSON： {{ "paradigm": ["标签1", "标签2"], "data_structure": ["标签1"], "technique": ["标签1"], "difficulty_tier": "入门/进阶/高级" }}""" response = await self.llm_client.chat(prompt, temperature=0.05) import json tags = json.loads(response) return ProblemTags( problem_id=problem["id"], paradigm=tags["paradigm"], data_structure=tags["data_structure"], technique=tags["technique"], difficulty_tier=tags["difficulty_tier"], ) def validate_tags(self, tags: ProblemTags, manual_tags: list[str]) -> dict: """与人工标签对比，计算准确率""" all_auto = set(tags.paradigm + tags.data_structure + tags.technique) all_manual = set(manual_tags) if not all_manual: return {"precision": 0, "recall": 0} intersection = all_auto & all_manual precision = len(intersection) / len(all_auto) if all_auto else 0 recall = len(intersection) / len(all_manual) if all_manual else 0 return { "precision": round(precision, 2), "recall": round(recall, 2), "auto_tags": list(all_auto), "manual_tags": list(all_manual), "missing": list(all_manual - all_auto), "extra": list(all_auto - all_manual), }

四、自动标签的 Trade-offs 分析

标签一致性：不同标注者对同一题的标签可能不同。DP 和贪心都可解的题，标签应该包含两者还是只标"更优解法"？建议允许多标签，按解法质量排序。

LLM 标签的稳定性：同一题目多次调用 LLM 可能生成不同标签。temperature 设为 0.05 可以提升稳定性，但不能完全消除波动。建议缓存标签结果，避免重复生成。

标签粒度的权衡：粒度太粗（如只标"数组"）无法指导学习，粒度太细（如标"双指针-对撞指针"）增加标注成本。建议三级粒度：范式→结构→技巧，按需展开。

冷启动问题：新题没有历史标签数据，纯靠 LLM 标注精度有限。建议结合代码特征（AST 分析）和题目文本特征（关键词匹配）辅助标注。

五、总结

统一的标签体系是算法学习的基础设施。多层标签（范式→结构→技巧→难度）覆盖了从抽象到具体的全维度。AI 自动标签通过 LLM 语义理解生成初始标签，与人工标签对比验证精度。落地时需要关注标签一致性、LLM 稳定性、粒度权衡和冷启动问题。建议采用"AI 初标 + 人工审核"的半自动模式，逐步积累高质量标签数据。