ImpReSS：面向对话支持智能体的轻量级隐式推荐系统设计与评估

大型语言模型（LLM）驱动的 AI 智能体已经改变了客户支持方式，但将产品推荐整合到问题解决对话中的研究却很少。我们引入了 ImpReSS，这是一个基于小型语言和嵌入模型的对话支持智能体轻量级隐式推荐系统，适用于数据隐私关键的本地上署环境。与传统的对话推荐系统（CRS）不同，ImpReSS 不假设购买意图。相反，它从对话上下文中识别相关的解决方案产品类别（SPC）以协助问题解决。我们对三个真实世界数据集的离线评估表明，它的性能表现强劲，MRR@1 达到 0.477，优于包括最先进的 CRS 在内的五种竞争方法。仅仅算法相关性不足以实现有效采用。对 144 名参与者进行的受控用户研究表明，感知到的推荐自然度强烈依赖于其呈现方式。传统的 UI 模式（如弹出窗口）被认为比对话内插入更合适。最佳时机因上下文而异，表明推荐应根据用户需求动态调整。参与者反馈的主题分析进一步突出了对更大用户代理的需求，包括与推荐交互、质疑和探索替代方案的能力。我们首次提供了将隐式推断的推荐整合到支持对话中的综合研究。我们的发现凸显了将准确性与人机交互设计相结合的挑战，并为将推荐系统整合到对话支持智能体中提供了基于实证的启示。