您位於此處：
以對話為基礎的意圖建議
對話建議工具會透過即時解譯使用者的意圖,並將其與參與歷程記錄一起提供至 DLPR,將個人化帶入 Agentforce。即時對話會成為主要參與訊號。
對話為何需要不同的訊號
網路個人化依賴隱含的訊號,例如點擊、檢視和頁面上的時間。對話的運作方式不同。
- 使用者以純文字表示他們想要的內容
- 意圖可跨多個輪流,並使用非正式或不明確的語言
- 當兩個問題衝突時,使用者的目前要求會加權歷程記錄行為
例如,購物者購買禮物不想要根據個人偏好建議。
為了處理此差異,DLPR 會將對話意圖視為主要參與訊號,並將其即時取用。
對話建議員的運作方式
對話建議工具有兩個不同的流程 - 一個訓練流程和一個推斷流程。訓練會定期離線執行,並決定建議者是以 DLPR 為基礎還是以語意搜尋為基礎的建議。推斷會在每個 Agentforce 對話期間即時執行。
訓練流程
訓練會準備建議者,並決定其是否在冷啟動中作業。建議者評估參與資料是否足夠強大以支援 DLPR 模型。當資料符合此標準時,建議工具會啟用 DLPR。否則,建議者會使用語意搜尋來提供建議。
推斷流程
每次使用者與工作人員互動時,都會執行推斷。
- 開始工作人員聊天:Agentforce 工作人員使用隱藏的聊天前變數來提取使用者詳細資料。
- 分類說話方式:工作人員會將使用者的說話方式分類至「個人化建議」子代理程式,並依序觸發子代理程式的動作。
- 解壓縮使用者意圖:Agentforce 動作「瞭解使用者意圖」使用 LLM 來從使用者的說話方式中提取精簡且結構化意圖。此動作會橋接使用者說話方式與您的目錄之間的詞彙差距,並支援多種語言翻譯。
- 取得建議:工作人員會叫用「取得建議」,這會呼叫個人化決策管道。建議引擎會根據建議者的訓練結果路由要求。
- 傳回建議:如果建議者為冷入門,則工作人員會收到以語意模型為基礎的建議。若否,工作人員會收到 DLPR 加上文字內嵌器型建議。工作人員在交談內呈現建議。
對話建議中的冷開始
對話建議工具會在訓練時間決定冷開始,而非要求時間。如果測試分割上的 DLPR 評估度量未超過語意搜尋基準,則建議工具會保持在冷開始狀態並提供以語意搜尋為基礎的建議。當參與資料累積且下一次訓練執行產生更強大的 DLPR 度量時,建議工具會結束 Cold Start 並切換至 DLPR 加上文字內嵌程式型建議。
模式輸入
- 即時對話:使用者在目前工作階段中的說話方式。
- 目錄中繼資料:項目標題、描述、種類和屬性,內嵌以進行語意比對。
- 參與歷程記錄:可用的過去互動。
目錄指引
由於意圖會以語意方式與目錄項目進行比對,因此目錄描述的豐富性會直接決定建議品質。
- 撰寫完整的標題和描述,以反映使用者自然要求的詞彙。
- 包含每個項目的種類和屬性中繼資料。
- 隨著目錄的發展,讓中繼資料保持在最新狀態。
另請參照：
此文章是否解決您的問題？
請讓我們知道，以便我們改進！
