Op intent gebaseerde aanbevelingen voor gesprekken

Waarom gesprekken een ander signaal nodig hebben

Webpersonalisatie is gebaseerd op impliciete signalen, zoals klikken, weergaven en tijd op de pagina. Gesprekken werken anders.

• Gebruikers geven in duidelijke taal aan wat ze willen
• Intent kan meerdere wendingen bestrijken en informele of ambigue taal gebruiken
• De huidige vraag van de gebruiker weegt zwaarder dan historisch gedrag wanneer de twee conflicteren

Een klant die bijvoorbeeld een cadeau koopt, wil geen aanbevelingen op basis van persoonlijke voorkeuren.

Om dit verschil op te vangen, beschouwt DLPR gespreksintent als een primair betrokkenheidssignaal en verbruikt deze in real-time.

Hoe een gespreksaanbeveler werkt

Een gespreksaanbeveler heeft twee afzonderlijke stromen: een trainingsstroom en een gevolgstroom. Trainingen worden offline uitgevoerd met een regelmatige cadans en bepalen of de aanbeveling op basis van DLPR of op basis van semantisch zoeken wordt uitgevoerd. Inferentie wordt in real-time uitgevoerd tijdens elk Agentforce gesprek.

Trainingsstroom

Training bereidt de aanbeveler voor en bepaalt of deze in koude start werkt. De aanbeveler evalueert of de betrokkenheidsgegevens robuust genoeg zijn om een DLPR-model aan te sturen. Wanneer de gegevens aan deze standaard voldoen, activeert de aanbeveler DLPR. Anders gebruikt de aanbeveler semantisch zoeken om aanbevelingen te doen.

Inferentiestroom

Inferentie wordt uitgevoerd telkens wanneer een gebruiker interactie heeft met de agent.

1. De agentchat starten: De Agentforce agent haalt gebruikersdetails op met behulp van verborgen prechatvariabelen.
2. De uiting classificeren: De agent classificeert de uiting van de gebruiker in de subagent Gepersonaliseerde aanbevelingen en activeert de acties van de subagent op volgorde.
3. Gebruikersintent extraheren: De Agentforce actie Understand User Intent gebruikt een LLM om een beknopte, gestructureerde intent te extraheren uit de uitingen van de gebruiker. Deze actie overbrugt woordenschathiaten tussen gebruikersuitingen en uw catalogus en ondersteunt vertalingen in meerdere talen.
4. Aanbevelingen ophalen: De agent roept Aanbevelingen ophalen aan, wat de beslissingspijplijn voor personalisering aanroept. De aanbevelingsengine routeert het verzoek op basis van de trainingsuitkomst van de aanbeveling.
5. Retouraanbevelingen: Als de aanbeveler een koude start maakt, ontvangt de agent aanbevelingen op basis van een semantisch model. Als dit niet het geval is, ontvangt de agent DLPR plus op tekst ingebedde aanbevelingen. De agent presenteert de aanbevelingen binnen het gesprek.

Koude start in gespreksaanbevelingen

Een gespreksaanbeveler bepaalt de koude start op trainingstijd, niet op verzoektijd. Als het evaluatiemeetgegeven van DLPR voor de testsplitsing de baseline van semantisch zoeken niet overtreft, blijft de aanbevelingsplichtige koud starten en geeft deze aanbevelingen op basis van semantisch zoeken. Naarmate betrokkenheidsgegevens zich opstapelen en de volgende trainingsuitvoering een sterker meetgegeven voor DLPR oplevert, verlaat de aanbeveling de koude start en schakelt over op DLPR plus op tekst ingebedde aanbevelingen.

Modelinvoer

• Live gesprek: De uitingen van de gebruiker binnen de huidige sessie.
• Metagegevens catalogus: Itemtitels, beschrijvingen, categorieën en kenmerken, ingebed voor semantische overeenkomsten.
• Betrokkenheidshistorie: Interacties uit het verleden, indien beschikbaar.

Richtlijnen voor uw catalogus

Omdat intent semantisch is gekoppeld aan catalogusitems, bepaalt de rijkdom van uw catalogusbeschrijvingen rechtstreeks de kwaliteit van aanbevelingen.

• Schrijf volledige titels en beschrijvingen die de termen weerspiegelen waar gebruikers natuurlijk om vragen.
• Neem categorie- en kenmerkmetagegevens op voor elk item.
• Houd metagegevens actueel terwijl uw catalogus zich ontwikkelt.