会話インテントベースのおすすめ

会話に異なるシグナルが必要な理由

Web パーソナライズは、クリック数、参照数、ページ滞在時間などの暗黙的なシグナルに依存します。会話の動作は異なります。

• ユーザーが求めていることを平易な言葉で述べる
• インテントが複数のターンにまたがっており、非公式な表現やあいまいな表現が使用されている
• 2 つが競合する場合、ユーザーの現在の質問が過去の行動よりも優先される

たとえば、ギフトを購入した買い物客が個人の好みに基づくおすすめを希望していないとします。

この違いを処理するために、DLPR は会話のインテントをプライマリエンゲージメントシグナルとして扱い、リアルタイムで消費します。

対話型のおすすめの仕組み

会話のおすすめには、トレーニングフローと推論フローという 2 つの異なるフローがあります。トレーニングは通常の頻度でオフラインで実行され、おすすめが DLPR ベースのおすすめを提供するのか、セマンティック検索ベースのおすすめを提供するのかを判断します。推測は各 Agentforce 会話中にリアルタイムで実行されます。

トレーニングフロー

トレーニングでは、おすすめの準備を行い、コールドスタートで動作するかどうかを判断します。おすすめ者は、エンゲージメントデータが DLPR モデルを強化するのに十分な堅牢性があるかどうかを評価します。データがこの標準を満たすと、おすすめは DLPR を有効にします。それ以外の場合、おすすめはセマンティック検索を使用しておすすめを提供します。

推測フロー

推測は、ユーザーがエージェントを操作するたびに実行されます。

1. エージェント チャットの開始:Agentforce エージェントは、非表示の事前チャット変数を使用してユーザの詳細を取得します。
2. 発言を分類: エージェントは、ユーザの発言を [パーソナライズされたおすすめ] サブエージェントに分類し、サブエージェントのアクションを順番にトリガーします。
3. ユーザ インテントの抽出：Agentforce アクションの ［Understand User Intent］ は、LLM を使用してユーザの発言から簡潔で構造化されたインテントを抽出します。このアクションは、ユーザーの発言とカタログの語彙のギャップを埋め、複数の言語の翻訳をサポートします。
4. Get recommendations: エージェントは、パーソナライズの決定パイプラインをコールする Get Recommendations を呼び出します。おすすめエンジンは、おすすめのトレーニング結果に基づいて要求を転送します。
5. おすすめを返す: おすすめがコールドスタートの場合、エージェントはセマンティックモデルベースのおすすめを受信します。そうでない場合、エージェントは DLPR とテキストエンベダーベースのおすすめを受信します。エージェントが会話内でおすすめを表示します。

会話のおすすめでのコールドスタート

会話のおすすめ者は、要求時ではなくトレーニング時にコールドスタートを決定します。テスト分割での DLPR の評価指標がセマンティック検索のベースラインに勝てない場合、おすすめはコールドスタートのままになり、セマンティック検索ベースのおすすめが提供されます。エンゲージメントデータが蓄積され、次のトレーニングでより強力な DLPR 評価指標が生成されると、おすすめはコールドスタートを終了し、DLPR とテキストエンベダーベースのおすすめに切り替えられます。

モデルの入力

• ライブ会話: 現在のセッションでのユーザーの発言。
• カタログメタデータ: 項目のタイトル、説明、カテゴリ、および属性。セマンティック一致のために埋め込まれます。
• Engagement history: Past interactions when available. (エンゲージメント履歴: 過去のやりとり (利用可能な場合)。)

カタログのガイダンス

インテントはカタログ項目とセマンティックに照合されるため、カタログの説明の充実度が直接おすすめの品質を決定します。

• ユーザーが自然に求める用語を反映した完全なタイトルと説明を記述します。
• すべての項目のカテゴリおよび属性メタデータを含めます。
• カタログの進化に合わせてメタデータを最新の状態に保ちます。