breadcrumbDescription
Samtalebaserede hensigtsanbefalinger
En konverserende anbefaling bringer personliggørelse ind i Agentforce ved at fortolke en brugers hensigt i realtid og indsætte den i DLPR sammen med engagementhistorikken. Live-samtale bliver et primært engagementssignal.
Hvorfor samtaler har brug for et andet signal
Webtilpasning er baseret på implicitte signaler, f.eks. klik, visninger og tid på siden. Samtaler fungerer anderledes.
- Brugere angiver, hvad de ønsker, på almindeligt sprog
- Hensigt kan strække sig over flere vagter og bruge uformelt eller tvetydigt sprog
- Brugerens aktuelle spørgsmål vejer over historisk adfærd, når de to konflikter
En køber, der køber en gave, ønsker f.eks. ikke anbefalinger baseret på personlige præferencer.
For at håndtere denne forskel behandler DLPR samtalehensigt som et primært engagementssignal og forbruger det i realtid.
Sådan fungerer en samtaleanbefaler
En samtaleanbefaler har to forskellige forløb - et træningsforløb og et udledningsforløb. Uddannelse kører offline på en regelmæssig kadence og bestemmer, om anbefaleren viser DLPR-baserede eller semantisk søgebaserede anbefalinger. Afledning køres i realtid under hver Agentforce.
Uddannelsesforløb
Uddannelse forbereder anbefaleren og bestemmer, om den skal fungere ved kold start. Anbefalingen evaluerer, om engagementdata er robuste nok til at styre en DLPR-model. Når dataene opfylder denne standard, aktiverer anbefaleren DLPR. Ellers bruger anbefaleren semantisk søgning til at levere anbefalinger.
Indledningsforløb
Inference køres, hver gang en bruger interagerer med agenten.
- Starte agentchatten: Agentforce henter brugerdetaljer ved brug af skjulte før chat-variabler.
- Klassificer erklæringen: Agenten klassificerer brugerens erklæring i underagenten Personlige anbefalinger og udløser underagentens handlinger i rækkefølge.
- Udtræk brugerhensigt: Agentforce Forstå brugerhensigt bruger en LLM til at udtrække en præcis, struktureret hensigt fra brugerens erklæringer. Denne handling danner bro mellem ordlistehuller mellem brugererklæringen og dit katalog og understøtter flere sprogoversættelser.
- Få anbefalinger: Agenten kalder Hent anbefalinger, som kalder tilpasningsbeslutningspipelinen. Anbefalingssystemet distribuerer anmodningen baseret på anbefalingens træningsresultat.
- Returanbefalinger: Hvis anbefaleren er i kold start, modtager agenten semantisk-modelbaserede anbefalinger. Hvis ikke, modtager agenten DLPR plus tekstintegrationsbaserede anbefalinger. Agenten præsenterer anbefalingerne i samtalen.
Kold start i konverserende anbefalinger
En konverserende anbefaling bestemmer en kold start på træningstidspunktet, ikke på anmodningstidspunktet. Hvis DLPR's evalueringsmetrik på testopdelingen ikke slår den semantiske basislinje for søgning, forbliver anbefalingen i kold start og viser semantisk søgningsbaserede anbefalinger. Efterhånden som engagementsdata akkumuleres, og den næste uddannelseskørsel producerer en stærkere DLPR-metrik, afslutter anbefalingen en kold start og skifter til DLPR plus tekstintegrationsbaserede anbefalinger.
Modelinput
- Live samtale: Brugerens erklæringer på tværs af den aktuelle session.
- Katalogmetadata: Elementtitler, beskrivelser, kategorier og attributter, integreret til semantisk matchning.
- Engagementhistorik: Tidligere interaktioner, når de er tilgængelige.
Vejledning i dit katalog
Da hensigten matches semantisk med katalogelementer, bestemmer omfanget af dine katalogbeskrivelser anbefalingskvaliteten direkte.
- Skriv komplette titler og beskrivelser, der afspejler de udtryk, som brugerne naturligt beder om.
- Inkluder kategori- og attributmetadata for hvert element.
- Hold metadata opdateret, efterhånden som dit katalog udvikles.
