Du er her:
Samtalehensiktsbaserte anbefalinger
En samtaleanbefaling bringer tilpassing til Agentforce ved å tolke en brukers hensikt i sanntid og mate den til DLPR sammen med engasjementshistorikk. Direkte samtale blir et primært engasjementssignal.
Hvorfor samtaler trenger et annet signal
Netttilpassing er avhengig av implisitte signaler, som klikk, visninger og tid på siden. Samtaler fungerer annerledes.
- Brukere angir hva de ønsker, på vanlig språk
- Hensikt kan omfatte flere omgange og bruke uformelt eller tvetydig språk
- Brukerens gjeldende spørsmål veier større enn den historiske virkemåten når de to er i konflikt
En kjøper som kjøper en gave, ønsker for eksempel ikke anbefalinger basert på personlige preferanser.
DLPR håndterer denne forskjellen ved å behandle samtalehensikt som et primært engasjementssignal og bruker det i sanntid.
Slik fungerer en samtaleanbefaling
En samtaleanbefalinger har to distinkte flyter - en opplæringsflyt og en utledningsflyt. Opplæring kjører offline på en regelmessig kadens og bestemmer om anbefalingen skal levere DLPR-baserte eller semantisk søkbaserte anbefalinger. Utledningen kjøres i sanntid under hver Agentforce.
Opplæringsflyt
Opplæring klargjør anbefalingen og bestemmer om den skal operere med kald start. Anbefalingen evaluerer om engasjementsdataene er robuste nok til å levere en DLPR-modell. Når dataene oppfyller denne standarden, aktiverer anbefalingen DLPR. Ellers bruker anbefalingen semantisk søk til å levere anbefalinger.
Utledningsflyt
Utleding kjøres hver gang en bruker samhandler med agenten.
- Starte agentchatten: Agentforce henter brukerdetaljer ved bruk av skjulte prechat-variabler.
- Klassifisere ytringen: Agenten klassifiserer brukerens ytring i underagent for tilpassede anbefalinger og utløser underagentens handlinger i rekkefølge.
- Uttrekk brukerhensikt: Agentforce Forstå brukerhensikt bruker en LLM til å trekke ut en presis, strukturert hensikt fra brukerens ytringer. Denne handlingen bygger bro mellom vokabellhull mellom brukertypen og katalogen, og støtter oversettelser på flere språk.
- Få anbefalinger: Agenten kaller opp Hent anbefalinger, som kaller opp tilpassingsbeslutningene under behandling. Anbefalingsmotoren ruter forespørselen basert på anbefalingens opplæringsutfall.
- Returanbefalinger: Hvis anbefalingen er i kald start, mottar agenten semantisk-modellbaserte anbefalinger. Hvis ikke mottar agenten DLPR pluss tekstinnbyggingsbaserte anbefalinger. Agenten presenterer anbefalingene i samtalen.
Kald start i Samtaleanbefalinger
En samtaleanbefaling bestemmer kald start på opplæringstidspunktet, ikke på forespørselstidspunktet. Hvis DLPRs evalueringsmåling i testoppdelingen ikke slår grunnlinjen for semantisk søk, beholdes anbefalingen i kald start og leverer semantisk søkbaserte anbefalinger. Etter hvert som engasjementsdata akkumuleres og neste opplæringskjøring produserer en sterkere DLPR-måling, avslutter anbefalingen kaldstart og bytter til DLPR pluss tekstinnbyggingsbaserte anbefalinger.
Modelinndata
- Live chat: Brukerens ytringer på tvers av den gjeldende økten.
- Katalogmetadata: Elementtittel, -beskrivelser, -kategorier og -attributter innebygd for semantisk samsvar.
- Engasjementshistorikk: Tidligere interaksjoner når tilgjengelig.
Veiledning for katalogen
Fordi hensikt samsvarer semantisk med katalogelementer, bestemmer rikdommen av katalogbeskrivelsene direkte anbefalingskvaliteten.
- Skriv fullstendige titler og beskrivelser som gjenspeiler begrepene brukerne naturlig ber om.
- Inkluder kategori- og attributtmetadata for hvert element.
- Hold metadata oppdaterte etter hvert som katalogen utvikler seg.
