Sie befinden sich hier:
Unterhaltungs-Intent-basierte Empfehlungen
Ein Unterhaltungsempfehlungsanbieter integriert die Personalisierung in Agentforce, indem er den Intent eines Benutzers in Echtzeit interpretiert und zusammen mit dem Interaktionsverlauf in DLPR einspeist. Die Live-Unterhaltung wird zu einem primären Engagementsignal.
Warum Unterhaltungen ein anderes Signal benötigen
Die Webpersonalisierung basiert auf impliziten Signalen wie Klicks, Aufrufen und der Uhrzeit auf der Seite. Unterhaltungen funktionieren anders.
- Benutzer geben an, was sie wünschen, und zwar in einfacher Sprache.
- Intent kann mehrere Wendungen umfassen und informelle oder mehrdeutige Sprache verwenden
- Die aktuelle Frage des Benutzers überwiegt das historische Verhalten, wenn die beiden in Konflikt stehen.
Ein Käufer, der beispielsweise ein Geschenk kauft, möchte keine Empfehlungen, die auf persönlichen Vorlieben basieren.
Um diesen Unterschied zu verarbeiten, behandelt DLPR den Unterhaltungs-Intent als primäres Engagementsignal und verwendet es in Echtzeit.
Funktionsweise einer Unterhaltungsempfehlung
Unterhaltungsempfehlungen verfügen über zwei unterschiedliche Flows: einen Schulungs-Flow und einen Rückschluss-Flow. Das Training wird in einem regelmäßigen Rhythmus offline ausgeführt und bestimmt, ob der Empfehlende DLPR-basierte oder semantische Suchempfehlungen bereitstellt. Rückschlüsse werden während jeder Agentforce Unterhaltung in Echtzeit ausgeführt.
Schulungs-Flow
Das Training bereitet den Empfehlenden vor und bestimmt, ob er im Kaltstart arbeitet. Der Empfehlende bewertet, ob die Engagementdaten robust genug sind, um ein DLPR-Modell zu unterstützen. Wenn die Daten diesen Standard erfüllen, aktiviert der Empfehlende DLPR. Andernfalls verwendet der Empfehlende die semantische Suche, um Empfehlungen bereitzustellen.
Rückschluss-Flow
Rückschlüsse werden jedes Mal ausgeführt, wenn ein Benutzer mit dem Agenten interagiert.
- Initiieren des Agenten-Chats: Der Agentforce Agent ruft Benutzerdetails mithilfe ausgeblendeter Vor-Chat-Variablen ab.
- Klassifizieren der Äußerung: Der Agent klassifiziert die Äußerung des Benutzers in den Unteragenten für personalisierte Empfehlungen und löst die Aktionen des Unteragenten nacheinander aus.
- Benutzerabsicht extrahieren: Die Agentforce-Aktion "Benutzer-Intent verstehen" verwendet ein LLM, um einen prägnanten strukturierten Intent aus den Äußerungen des Benutzers zu extrahieren. Diese Aktion schließt Vokabularlücken zwischen Benutzeräußerungen und Ihrem Katalog und unterstützt Übersetzungen in mehrere Sprachen.
- Empfehlungen abrufen: Der Agent ruft "Empfehlungen abrufen" auf, wodurch die Pipeline für Personalisierungsentscheidungen aufgerufen wird. Das Empfehlungsmodul leitet die Anforderung basierend auf dem Schulungsergebnis des Empfehlenden weiter.
- Rückgabeempfehlungen: Wenn sich der Empfehlende im Kaltstart befindet, erhält der Agent semantische modellbasierte Empfehlungen. Andernfalls erhält der Agent DLPR plus text-embedder-basierte Empfehlungen. Der Agent stellt die Empfehlungen in der Unterhaltung vor.
Kaltstart in Unterhaltungsempfehlungen
Ein Unterhaltungsempfehlungsempfänger bestimmt den Kaltstart zur Trainingszeit und nicht zur Anforderungszeit. Wenn die Bewertungskennzahl von DLPR für die Testaufteilung die Basis für die semantische Suche nicht übertrifft, bleibt der Empfehlende im Kaltstart und stellt semantische Suchempfehlungen bereit. Wenn Engagementdaten gesammelt werden und die nächste Schulungsausführung eine stärkere DLPR-Kennzahl generiert, beendet der Empfehlende den Kaltstart und wechselt zu DLPR plus text-embedder-basierten Empfehlungen.
Modelleingaben
- Live-Unterhaltung: Die Äußerungen des Benutzers in der aktuellen Sitzung.
- Katalogmetadaten: Elementtitel, Beschreibungen, Kategorien und Attribute, eingebettet für den semantischen Abgleich.
- Interaktionsverlauf: Vergangene Interaktionen, sofern verfügbar.
Anleitung für Ihren Katalog
Da der Intent semantisch mit Katalogelementen abgeglichen wird, bestimmt der Umfang Ihrer Katalogbeschreibungen direkt die Empfehlungsqualität.
- Verfassen Sie vollständige Titel und Beschreibungen, die die von Benutzern natürlich gewünschten Begriffe widerspiegeln.
- Fügen Sie Kategorie- und Attributmetadaten für jedes Element ein.
- Halten Sie die Metadaten auf dem neuesten Stand, während sich Ihr Katalog entwickelt.
