Recomendadores basados en intención conversacional

Por qué las conversaciones necesitan una señal diferente

La personalización web se basa en señales implícitas, como clics, vistas y tiempo en la página. Las conversaciones funcionan de forma diferente.

• Los usuarios indican lo que desean en lenguaje normal
• La intención puede abarcar múltiples turnos y utilizar lenguaje informal o ambiguo
• La pregunta actual del usuario supera el comportamiento histórico cuando los dos entran en conflicto

Por ejemplo, un comprador que compra un regalo no desea recomendaciones basadas en preferencias personales.

Para gestionar esta diferencia, DLPR trata la intención de conversación como una señal de implicación principal y la consume en tiempo real.

Cómo funciona un Recomendador de conversaciones

Un recomendador de conversación tiene dos flujos diferentes: un flujo de entrenamiento y un flujo de inferencia. El entrenamiento se ejecuta sin conexión en una cadencia regular y determina si el recomendador sirve recomendaciones basadas en DLPR o basadas en búsqueda semántica. La inferencia se ejecuta en tiempo real durante cada conversación Agentforce.

Flujo de entrenamiento

El entrenamiento prepara al recomendador y determina si funciona en arranque en frío. El recomendador evalúa si los datos de implicación son lo suficientemente sólidos para impulsar un modelo DLPR. Cuando los datos cumplen este estándar, el recomendador activa DLPR. De lo contrario, el recomendador utiliza la búsqueda semántica para entregar recomendaciones.

Flujo de inferencia

La inferencia se ejecuta cada vez que un usuario interactúa con el agente.

1. Inicie el chat de agente: El agente Agentforce obtiene detalles de usuario utilizando variables previas al chat ocultas.
2. Clasifique la expresión: El agente clasifica la expresión del usuario en el subagente Recomendaciones personalizadas y desencadena las acciones del subagente en secuencia.
3. Extraer intención de usuario: La acción Agentforce Comprender intención de usuario utiliza un LLM para extraer una intención concisa y estructurada de las expresiones del usuario. Esta acción acorta las brechas de vocabulario entre la expresión del usuario y su catálogo y admite múltiples traducciones de idiomas.
4. Obtener recomendaciones: El agente invoca Obtener recomendaciones, que llama a las oportunidades en curso de decisión de personalización. El motor de recomendaciones enruta la solicitud basándose en el resultado de formación del recomendador.
5. Recomendaciones de devolución: Si el recomendador está en inicio en frío, el agente recibe recomendaciones basadas en modelo semántico. De lo contrario, el agente recibe recomendaciones basadas en DLPR más incrustador de texto. El agente presenta las recomendaciones dentro de la conversación.

Inicio en frío en Recomendadores de conversación

Un recomendador de conversación determina el inicio en frío en el momento del entrenamiento, no en el momento de la solicitud. Si la medición de evaluación de DLPR en la división de prueba no supera la línea base de búsqueda semántica, el recomendador permanece en el inicio en frío y sirve recomendaciones basadas en búsqueda semántica. A medida que se acumulan datos de implicación y la siguiente ejecución de entrenamiento produce una medición de DLPR más sólida, el recomendador sale del inicio en frío y cambia a DLPR más recomendaciones basadas en incrustador de texto.

Entradas de modelo

• Conversación en vivo: Las expresiones del usuario en la sesión actual.
• Metadatos de catálogo: Títulos, descripciones, categorías y atributos de elementos integrados para la coincidencia semántica.
• Historial de implicación: Interacciones pasadas cuando están disponibles.

Directrices para su catálogo

Como la intención se compara semánticamente con elementos de catálogo, la riqueza de sus descripciones de catálogo determina directamente la calidad de las recomendaciones.

• Redacte títulos completos y descripciones que reflejen los términos que los usuarios solicitan de forma natural.
• Incluya metadatos de categoría y atributo para cada elemento.
• Mantenga los metadatos actualizados a medida que evoluciona su catálogo.