Vous êtes ici :
Recommandations basées sur l'intention conversationnelle
Un recommandé conversationnel introduit la personnalisation dans Agentforce en interprétant en temps réel l'intention d'un utilisateur et en l'alimentant dans DLPR avec l'historique d'engagement. La conversation en direct devient un signal d'engagement principal.
Pourquoi les conversations nécessitent un signal différent
La personnalisation Web repose sur des signaux implicites, tels que les clics, les vues et le temps passé sur la page. Les conversations fonctionnent différemment.
- Les utilisateurs indiquent ce qu'ils veulent en langage clair
- L'intention peut prendre plusieurs tours et utiliser un langage informel ou ambigu
- La demande actuelle de l'utilisateur l'emporte sur le comportement historique lorsque les deux conflits
Par exemple, un consommateur qui achète un cadeau ne souhaite pas de recommandations basées sur ses préférences personnelles.
Pour gérer cette différence, DLPR traite l'intention conversationnelle comme un signal d'engagement principal et la consomme en temps réel.
Fonctionnement d'une recommandation conversationnelle
Un recommandé conversationnel a deux flux distincts : un flux d'entraînement et un flux d'inférence. La formation est exécutée hors ligne à une fréquence régulière et détermine si le recommandeur sert des recommandations basées sur la DLPR ou basées sur la recherche sémantique. L'inférence est exécutée en temps réel pendant chaque conversation Agentforce.
Flux de formation
La formation prépare le recommandataire et détermine s'il fonctionne en démarrage à froid. Le recommandeur évalue si les données d'engagement sont suffisamment robustes pour piloter un modèle DLPR. Lorsque les données respectent cette norme, le recommandeur active le DLPR. Sinon, le recommandeur utilise la recherche sémantique pour fournir des recommandations.
Flux d'inférence
L'inférence est exécutée chaque fois qu'un utilisateur interagit avec l'agent.
- Initier le chat de l'agent : L'agent Agentforce récupère les détails de l'utilisateur en utilisant des variables préalables au chat masquées.
- Classer l'énoncé : L'agent classe l'énoncé de l'utilisateur dans le sous-agent Recommandations personnalisées et déclenche les actions du sous-agent dans l'ordre.
- Extraire l'intention de l'utilisateur : L'action Agentforce Comprendre l'intention de l'utilisateur utilise un LLM pour extraire une intention concise et structurée des énoncés de l'utilisateur. Cette action comble les écarts de vocabulaire entre l'énoncé utilisateur et votre catalogue, et prend en charge les traductions en plusieurs langues.
- Obtenir des recommandations : L'agent invoque Obtenir des recommandations, qui appelle le pipeline de décision de personnalisation. Le moteur de recommandation achemine la requête en fonction du résultat de formation du recommandeur.
- Recommandations de retour : Si le recommandataire est en démarrage à froid, l'agent reçoit des recommandations basées sur un modèle sémantique. Sinon, l'agent reçoit DLPR plus des recommandations basées sur l'incorporateur de texte. L'agent présente les recommandations dans la conversation.
Démarrage à froid dans les recommandations conversationnelles
Une recommandation conversationnelle détermine le démarrage à froid au moment de l'entraînement, pas au moment de la demande. Si la métrique d'évaluation de DLPR dans la part de test ne bat pas la référence de recherche sémantique, le recommandeur reste en démarrage à froid et sert des recommandations basées sur la recherche sémantique. À mesure que les données d'engagement s'accumulent et que l'exécution d'entraînement suivante produit une métrique DLPR plus forte, le recommandeur quitte le démarrage à froid et bascule vers le DLPR plus les recommandations basées sur l'intégrateur de texte.
Entrées du modèle
- Conversation en direct : Les énoncés de l'utilisateur pendant la session actuelle.
- Métadonnées du catalogue : Titres, descriptions, catégories et attributs des éléments, incorporés pour la correspondance sémantique.
- Historique d'engagement : Interactions passées lorsqu'elles sont disponibles.
Guide pour votre catalogue
Comme l'intention correspond sémantiquement aux éléments du catalogue, la richesse de vos descriptions de catalogue détermine directement la qualité des recommandations.
- Écrivez des titres et des descriptions complets qui reflètent les termes naturellement demandés par les utilisateurs.
- Incluez des métadonnées de catégorie et d'attribut pour chaque élément.
- Tenez les métadonnées à jour à mesure que votre catalogue évolue.
