Du är här:
Syftesbaserade rekommendationer för konversationer
En konversationsrekommendation tar in personanpassning i Agentforce genom att tolka en användares syfte i realtid och mata in det i DLPR tillsammans med engagemangshistorik. Livekonversation blir en primär engagemangssignal.
Varför konversationer behöver en annan signal
Webbpersonalisering förlitar sig på implicita signaler, som klick, visningar och tid på sidan. Konversationer fungerar annorlunda.
- Användare anger vad de vill ha i klartext
- Syfte kan löpa över flera varv och använda informellt eller tvetydigt språk
- Användarens aktuella fråga överväger historiskt beteende när de två konflikterna
Till exempel vill en kund som köper en gåva inte ha rekommendationer baserade på personliga preferenser.
För att hantera denna skillnad behandlar DLPR konversationssyfte som en primär engagemangssignal och konsumerar den i realtid.
Hur en konversationsrekommendation fungerar
En konversationsrekommendation har två unika flöden - ett utbildningsflöde och ett slutledningsflöde. Utbildning körs offline på en regelbunden kadens och avgör om rekommendationen servar DLPR-baserade eller semantiskt baserade rekommendationer. Slutsatser körs i realtid under varje Agentforce konversation.
Utbildningsflöde
Utbildning förbereder rekommendationen och avgör om den fungerar i kallstart. Rekommendationen utvärderar om engagemangsdata är robusta nog att driva en DLPR-modell. När data uppfyller denna standard aktiverar rekommendationen DLPR. Annars använder rekommendationen semantisk sökning för att leverera rekommendationer.
Slutledningsflöde
Slutsatser körs varje gång en användare interagerar med agenten.
- Inled agentchatten: Agentforce hämtar användardetaljer med dolda förchattvariabler.
- Klassificera yttrandet: Agenten klassificerar användarens yttrande i underagenten Personanpassade rekommendationer och utlöser underagentens åtgärder i sekvens.
- Extrahera användarsyfte: Agentforce Förstå användarsyfte använder en LLM för att extrahera ett koncist, strukturerat syfte från användarens yttranden. Denna åtgärd överbryggar luckor i ordförrådet mellan användaryttrande och din katalog och har stöd för översättningar på flera språk.
- Få rekommendationer: Agenten åberopar Få rekommendationer, som anropar pipeline för personanpassningsbeslut. Rekommendationsmotorn dirigerar begäran baserat på rekommendationens utbildningsresultat.
- Returrekommendationer: Om rekommendationen är i kallstart får agenten rekommendationer baserade på semantiska modeller. Annars får agenten DLPR plus textbaserade rekommendationer. Agenten presenterar rekommendationerna inuti konversationen.
Kallstart i konversationsrekommendationer
En konversationsrekommendation avgör kallstart vid träningstid, inte vid begäran. Om DLPR:s utvärderingsmått för testdelningen inte slår den semantiska sökningens baslinje stannar rekommendationen i kallstart och ger semantiskt sökbaserade rekommendationer. När engagemangsdata ackumuleras och nästa utbildningskörning producerar ett starkare DLPR-mått går rekommendationen ur kallstart och växlar till DLPR plus textbaserade rekommendationer.
Modellinmatningar
- Livekonversation: Användarens yttranden över den aktuella sessionen.
- Katalogmetadata: Objekttitlar, beskrivningar, kategorier och attribut, inbäddade för semantisk matchning.
- Engagemangshistorik: Tidigare interaktioner när de är tillgängliga.
Vägledning för din katalog
Eftersom syfte matchas semantiskt till katalogobjekt avgör rikedomen i dina katalogbeskrivningar direkt rekommendationskvaliteten.
- Skriv fullständiga titlar och beskrivningar som återspeglar de termer användare naturligt frågar efter.
- Inkludera kategori- och attributmetadata för varje objekt.
- Håll metadata uppdaterade medan din katalog utvecklas.
