Zamanlı diqqət və qapılı birləşmə əsaslı çoxmodallı müştəri məqsədinin tanıya bilmə və profilin dinamik yeniləmə şəbəkəsi

Müştəri niyyətinin dəqiq tanınması, istifadəçi profillərinin vaxtında saxlanılması, müştəri tövsiyəsi, müştəri segmentləşdirilməsi, məqsədyönlü təşviq, müştəri əlaqələrinin idarə edilməsi (CRM) və müştəri xidmətinin keyfiyyətinin təmin edilməsi daxil olmaqla bir sıra aşağı səviyyəli tətbiqlərin əsasını təşkil edir. Üç praktik məhdudiyyət mövcud sistemləri məhdudlaşdırmağa davam edir: multimodal birləşmə strategiyaları nümunə başına modalitet etibarlılığına kifayət qədər uyğun deyil, zaman davranış modelləri qısa müddətli niyyət dəyişikliklərini və uzunmüddətli üstünlüklərin tək düz bir ardıcıllığa sürüşməsini ehtiva edir və niyyət tanıma boru kəmərləri adətən aşağı axın profil yeniləmə mexanizmlərindən ayırılır, buna görə yeni aşkarlanan siqnallar yalnız bir partiya dövründən sonra profillərə yayılır. Bu çatışmazlıqların vahid şəkildə aradan qaldırılması üçün bu məqalədə Multimodal Müştəri İstəyinin Tanınması və Profil Dinamik Yeniləmə Şəbəkəsi (MCIP-DUN) təklif olunur. Çərçivə əvvəlcədən təlim olunan dil arxa yumurtalarını nümunə başına metin, davranış və qarşılıqlı təsir xüsusiyyətləri axınlarını yenidən çəkən cross-modal qapalı birləşmə ilə birləşdirir, qısa müddətli taktiki dəyişiklikləri uzunmüddətli üstünlüklərin inkişafından ayıran vaxt çöküşündən xəbərdar bir zaman diqqət modulu və unutma qapısı və yeniləmə qapısı müstəqil idarə edilə biləcək bir şəkildə ayırılan bir qapalı təkrarlanan profil yeniləmə modulu. "Homoskedastik qeyri-müəyyənlik" ağırlığı ilə birgə təlim məqsədi, niyyət təsnifatının itkisini məhdud hədəf profilinin yenidən qurulması itkisinə qarşı balanslaşdırır. Alibaba İstifadəçi Davranışları Məlumat Qrupunda (AUBD) və Müştəri Xidmətinin Dialoq İstifadə İstifadə Məlumat Qrupunda (CSDID) MCIP-DUN 89,46% dəqiqliyə və 87,77% makro-F1 -ə çatır, ən güclü əsas xəttini 2,59 və 3,25% xal keçirir; profil yeniləmə boru kəmərində end-to-end davamlılıq gecikməsi ilə təxminən 18 min -ə çatır və hadisə qəbulundan verilənlər bazasının yeniləməsinə qədər ölçülür və ayrı-ayrılı olaraq bildirilən 14,1 ms modelin irəli sürülmə sürətindən aydın olaraq fərqlənir. Ablation tədqiqatları hər komponentin fərdi töhfələrini təcrid edir. Qeyd edək ki, qiymətləndirmə e-ticarət və müştəri xidmətləri ilə bağlı məlumatlara məhdudlaşır; elektrik enerjisi ilə bağlı müştəri xidmət kimi digər vertikallara ümumiləşdirilməsi gələcək iş kimi müzakirə olunur.

Multimodal müştərinin niyyətini tanıma və profil dinamik yeniləmə şəbəkəsi

Transformatorlardan iki istiqamətli kodlaşdırma təmsilçiləri

Güclü Optimized BERT Pre-Training Approach

Özünə diqqət yetirilən ardıcıl tövsiyə

Term FrequencyInverse Document Frequency