您在此处：
基于对话意图的推荐者
对话推荐人通过实时解释用户的意图并将其与参与历史记录一起输入到 DLPR 中，将个性化带入 Agentforce。实时对话成为主要参与信号。
为什么对话需要不同的信号
Web 个性化依赖于隐式信号，例如页面上的点击、查看次数和时间。对话的工作方式不同。
- 用户用简单的语言陈述他们想要的内容
- 意图可以跨越多个回合，并使用非正式或不明确的语言
- 当两个冲突时，用户的当前要求超过历史行为
例如，购买礼品的购物者不想要基于个人偏好的推荐。
为了处理这种差异，DLPR 将对话意图视为主要参与信号，并实时消耗它。
对话推荐器的工作方式
对话推荐人有两个不同的流 - 训练流和推理流。训练定期离线运行，并确定推荐者是提供基于 DLPR 还是基于语义搜索的推荐。推理在每个 Agentforce 对话期间实时运行。
培训流
培训为推荐人做准备，并确定它是否在冷启动中运行。推荐者评估参与数据是否足够稳健，足以为 DLPR 模型提供支持。当数据满足此标准时，推荐者会激活 DLPR。否则，推荐人使用语义搜索来提供推荐。
推理流
每次用户与客服人员交互时，推理都会运行。
- 启动客服人员聊天：Agentforce 客服人员使用隐藏的聊天前变量获取用户详细信息。
- 分类话语：客服人员将用户的话语分类为个性化推荐子客服人员，并按顺序触发子客服人员的操作。
- 提取用户意图：Agentforce 操作了解用户意图使用 LLM 从用户的话语中提取简洁、结构化的意图。此操作会弥合用户话语和目录之间的词汇鸿沟，并支持多种语言翻译。
- 获取推荐：客服人员调用获取推荐，这会调用个性化决策漏斗。推荐引擎根据推荐人的培训结果路由请求。
- 退货建议：如果推荐者处于冷启动状态，客服人员将收到基于语义模型的推荐。如果没有，客服人员将收到 DLPR 加上基于文本嵌入器的推荐。客服人员在对话中显示推荐。
对话推荐器中的冷启动
对话推荐人在培训时间而不是请求时间确定冷启动。如果测试拆分中的 DLPR 评估度量没有超过语义搜索基准，推荐器将保持冷启动状态，并提供基于语义搜索的推荐。随着参与度数据的累积以及下一次培训运行产生更强的 DLPR 度量，推荐者会退出冷启动，并切换到 DLPR 加上基于文本嵌入器的推荐。
模型输入
- 实时对话：用户在当前会话中的话语。
- 目录元数据：为语义匹配嵌入的项目标题、描述、类别和属性。
- 参与历史：过去可用的交互。
目录指南
因为意图与目录项目在语义上匹配，所以目录描述的丰富性直接决定了推荐质量。
- 编写完整的标题和描述，反映用户自然要求的术语。
- 包括每个项目的类别和属性元数据。
- 随着目录的发展，保持元数据最新。
另请参阅：
本文章是否解决您的问题？
请与我们共享您的想法，以便我们进行改进！
