Recomendadores baseados em intenção conversacionais

Por que as conversas precisam de um sinal diferente

A personalização da Web depende de sinais implícitos, como cliques, visualizações e tempo na página. As conversas funcionam de maneira diferente.

• Os usuários declaram o que desejam em linguagem simples
• A intenção pode abranger vários turnos e usar linguagem informal ou ambígua
• A pergunta atual do usuário é maior que o comportamento histórico quando os dois conflitam

Por exemplo, um comprador que compra um presente não quer recomendações com base em preferências pessoais.

Para lidar com essa diferença, o DLPR trata a intenção conversacional como um sinal de engajamento primário e a consome em tempo real.

Como um Recomendador conversacional funciona

Um recomendador conversacional tem dois fluxos distintos: um fluxo de treinamento e um fluxo de inferência. O treinamento é executado offline em um ritmo regular e determina se o recomendador apresenta recomendações baseadas em DLPR ou baseadas em pesquisa semântica. A inferência é executada em tempo real durante cada conversa do Agentforce.

Fluxo de treinamento

O treinamento prepara o recomendador e determina se ele opera no início frio. O recomendador avalia se os dados de engajamento são robustos o suficiente para habilitar um modelo DLPR. Quando os dados cumprem esse padrão, o recomendador ativa DLPR. Caso contrário, o recomendador usará a pesquisa semântica para entregar recomendações.

Fluxo de inferência

A inferência é executada sempre que um usuário interage com o agente.

1. Iniciar o chat do agente: O agente Agentforce busca os detalhes do usuário usando variáveis pré-chat ocultas.
2. Classifique o enunciado: O agente classifica o enunciado do usuário no subagente Recomendações personalizadas e aciona as ações do subagente em sequência.
3. Extrair intenção do usuário: A ação Entender intenção do usuário do Agentforce usa um LLM para extrair uma intenção concisa e estruturada dos enunciados do usuário. Essa ação elimina lacunas de vocabulário entre o enunciado do usuário e seu catálogo e oferece suporte a traduções em vários idiomas.
4. Obter recomendações: O agente invoca Obter recomendações, que chama o pipeline de decisão de personalização. O mecanismo de recomendação roteia a solicitação com base no resultado do treinamento do recomendador.
5. Recomendações de regresso: Se o recomendador estiver em um início frio, o agente receberá recomendações baseadas em modelo semântico. Caso contrário, o agente receberá recomendações baseadas em DLPR e integrador de texto. O agente apresenta as recomendações dentro da conversa.

Início rápido em Recomendadores conversacionais

Um recomendador conversacional determina o início frio no horário de treinamento, não no horário de solicitação. Se a métrica de avaliação do DLPR na divisão de teste não superar a linha de base de pesquisa semântica, o recomendador permanecerá em um início frio e apresentará recomendações baseadas em pesquisa semântica. Conforme os dados de engajamento se acumulam e a próxima execução de treinamento produz uma métrica DLPR mais forte, o recomendador sai do início frio e alterna para DLPR mais recomendações baseadas em integrador de texto.

Entradas do modelo

• Conversa ao vivo: Os enunciados do usuário na sessão atual.
• Metadados do catálogo: Títulos, descrições, categorias e atributos de itens integrados para correspondência semântica.
• Histórico de engajamento: Interações anteriores quando disponíveis.

Orientação para seu catálogo

Como a intenção é associada semanticamente aos itens do catálogo, a riqueza das descrições do catálogo determina diretamente a qualidade da recomendação.

• Escreva títulos e descrições completos que reflitam os termos que os usuários naturalmente pedem.
• Inclua metadados de categoria e atributo para cada item.
• Mantenha os metadados atualizados conforme seu catálogo evolui.