对话到发现：对话式产品搜索助手的属性感知偏好诱导

对话式产品搜索助手为传统的基于关键字的产品搜索提供了更具表现力、更自然、更具交互性的替代方案。由于屏幕空间有限，仅显示少数项目会增加对精确偏好引导的需求，这会延长对话时间，导致用户沮丧和会话放弃。相反，在不清楚偏好的情况下匆忙推荐商品可能会导致匹配不佳和用户体验下降。我们提出了 Dialogue to Discovery (D2D)，这是一个面向属性的偏好获取框架，它动态地利用产品属性的结构来有效地将对话引导到用户想要的项目。 D2D 自适应地优先考虑信息最丰富的查询，并战略性地安排产品推荐时间，减少不成熟或偏离目标的建议，从而损害参与度。为了评估 D2D，我们从亚马逊评论语料库中整理了三个数据集。在使用多因素功利主义耐心框架建模的模拟对话中，与最先进的基线相比，D2D 的目标查找准确性提高了 22.2-29.9%，放弃率降低了 6.6-16.1%，平均对话时间缩短了 27.5%。一项补充性的用户研究进一步证实了用户满意度和感知效率的显着提升。