Рекомендации на основе разговорных намерений

Почему разговорам нужен другой сигнал

Веб-персонализация зависит от скрытых сигналов, например, щелчков, просмотров и времени на странице. Разговоры работают по-другому.

• Пользователи заявляют о своем желании простым языком
• Намерение может охватывать несколько оборотов и использовать неформальные или двусмысленные формулировки
• Текущий вопрос пользователя перевешивает архивное поведение, когда два конфликта

Например, покупатель, покупающий подарок, не желает рекомендаций на основе личных предпочтений.

Чтобы справиться с этим отличием, DLPR обрабатывает намерение разговора как основной сигнал занятости и использует его в режиме реального времени.

Принцип работы рекомендации по диалогу

Диалоговый рекомендатель имеет два отдельных потока - поток обучения и поток вывода. Обучение выполняется в автономном режиме в обычной каденции и определяет, обслуживает ли рекомендатель рекомендации на основе DLPR или семантического поиска. Вывод выполняется в режиме реального времени во время каждого разговора Agentforce.

Поток обучения

Обучение подготавливает рекомендатель и определяет, работает ли он в холодном пуске. Рекомендатель оценивает, являются ли данные занятости достаточно надежными для питания модели DLPR. Если данные соответствуют этому стандарту, рекомендатель активирует DLPR. В противном случае, рекомендатель использует семантический поиск для доставки рекомендаций.

Поток вывода

Вывод выполняется при каждом взаимодействии пользователя с агентом.

1. Запуск чата агента: Агент Agentforce извлекает сведения о пользователе посредством скрытых переменных предчата.
2. Классификация реплик: Агент классифицирует реплику пользователя в подагенте «Персонифицированные рекомендации» и запускает действия подагента в последовательности.
3. Извлечение намерения пользователя: Действие Agentforce «Понимание намерения пользователя» использует LLM для извлечения краткого структурированного намерения из реплик пользователя. Это действие устраняет пробелы между репликами пользователей и каталогом и поддерживает переводы на разные языки.
4. Получение рекомендаций: Агент вызывает «Получение рекомендаций», которое вызывает ожидаемые продажи решений по персонализации. Механизм рекомендации перенаправляет запрос на основе результата обучения рекомендателя.
5. Рекомендации по возврату: Если рекомендатель находится в состоянии холодного запуска, агент получает рекомендации на основе семантической модели. В противном случае, агент получает DLPR плюс текстовые рекомендации на основе встраивания. Агент представляет рекомендации в разговоре.

Холодный запуск в рекомендациях по разговорам

Диалоговый рекомендатель определяет холодный запуск во время обучения, а не по запросу. Если показатель оценки DLPR в тестовой доле не превышает стандарт семантического поиска, рекомендатель остается в состоянии холодного запуска и обслуживает рекомендации на основе семантического поиска. По мере накопления данных занятости и следующего выполнения обучения создается более сильный показатель DLPR, рекомендатель выходит из «холодного запуска» и переключается на DLPR плюс текстовые рекомендации на основе встраивания.

Исходные данные модели

• Живая беседа: Реплики пользователя в текущем сеансе.
• Метаданные каталога: Заголовки элементов, описания, категории и атрибуты, встроенные для семантического сопоставления.
• Журнал занятости: Прошлые взаимодействия, если они доступны.

Руководство по каталогу

Поскольку намерение семантически сопоставляется с элементами каталога, обогащенность описаний каталога напрямую определяет качество рекомендаций.

• Напишите полные заголовки и описания, отображающие термины, которые обычно запрашиваются пользователями.
• Добавьте метаданные категорий и атрибутов для каждого элемента.
• Поддерживайте актуальность метаданных в процессе развития каталога.