CN110139288B - 一种网络通话方法、装置、系统和记录介质 - Google Patents
一种网络通话方法、装置、系统和记录介质 Download PDFInfo
- Publication number
- CN110139288B CN110139288B CN201910275291.8A CN201910275291A CN110139288B CN 110139288 B CN110139288 B CN 110139288B CN 201910275291 A CN201910275291 A CN 201910275291A CN 110139288 B CN110139288 B CN 110139288B
- Authority
- CN
- China
- Prior art keywords
- call
- user
- network
- completing rate
- login
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/60—Subscription-based services using application servers or record carriers, e.g. SIM application toolkits
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提出一种网络通话方法、装置、系统和记录介质,所述方法包括如下步骤:获取有通话尝试记录的用户的用户历史数据集,所述用户历史数据包括用户登录信息和通话状态信息;将所述用户历史数据集作为训练数据训练得到一接通率模型;对于待网络通话的多个用户中的每一个,根据其当前的登录信息以便通过所述接通率模型预测其接通率;根据所述接通率对待网络通话的用户进行通话尝试。本发明对于进行视频审核等需要进行连续的通话尝试的应用场景,能够提高网络电话接通率,从而提高工作人员的效率。
Description
技术领域
本发明涉及网络通信和人工智能技术领域,具体涉及一种网络通话方法、装置、系统和记录介质。
背景技术
为降低信贷风险,对APP进件客户(即贷款申请人)中的高风险客户(例如身份真实性存疑、中介代办、代接听或指引作答等),审核员可以通过视频的方式进行审核。
用户状态分为在线和离线,在线表示APP处于前台或后台运行状态中且用户已登录成功,离线表示APP处于退出状态中(包括关机)或者虽然处于运行状态中但是用户没有登录成功。与微信视频通话类似,当用户处于离线状态时,审核员无法接通用户,视频审核失败。
就贷款业务而言,通常会有多个待审核的用户,这些用户构成待审核队列,审核员会根据待审核队列中用户的顺序,依次向用户发起视频审核。现有的对待通知的用户进行的排序方式通常是随机的,或者根据登录时间进行排序。然而,不同的用户,其被接通的概率是不同的,如果仅随机进行通话尝试,或者简单的按登录时间的顺序进行通话尝试,很可能遇到接通率很低的情况,这会造成审核时间和审核资源的浪费。
因此亟需一种提高网络通话的接通率的方法和装置,以便对于诸如进行视频审核等需要进行连续的通话尝试的应用场景,能够提高审核人员工作效率。
发明内容
本发明所要解决的技术问题是现有的网络通话方法无法控制接通率,造成通话尝试的时间和资源的浪费。
为解决上述技术问题,本发明的第一方面提出一种网络通话方法,其特征在于包括如下步骤:获取有通话尝试记录的用户的用户历史数据集,所述用户历史数据包括用户登录信息和通话状态信息;将所述用户历史数据集作为训练数据训练得到一接通率模型;对于待网络通话的多个用户中的每一个,根据其当前的登录信息以便通过所述接通率模型预测其接通率;根据所述接通率对待网络通话的用户进行通话尝试。
根据本发明的优选实施方式,所述登录信息包括下面的任何一种,登录通话应用程序的时间、登录时长、登录状态下的网速。
根据本发明的优选实施方式,所述通话应用程序是移动终端APP。
根据本发明的优选实施方式,所述通话状态信息包括通话尝试时间、通话尝试成功或失败。
根据本发明的优选实施方式,所述通话状态信息包括通话状态下的地理位置信息;并且,所述方法还包括获取所述待网络通话的用户的实时地理位置的步骤。
根据本发明的优选实施方式,还包括分组步骤,所述分组步骤按用户的在线状态对待网络通话的用户进行分组;所述排序步骤为对在线的待网络通话的用户按预测的接通率进行降序排列。
本发明另一方面还提出一种网络通话装置,包括:数据获取模块,用于获取有通话尝试记录的用户的用户历史数据集,所述用户历史数据包括用户登录信息和通话状态信息;模型训练模块,用于将所述用户历史数据集作为训练数据训练得到一接通率模型;接通率预测模块,用于对于待网络通话的多个用户中的每一个,根据其当前的登录信息并通过所述接通率模型预测其接通率;通话模块,用于根据所述接通率对待网络通话的用户进行通话尝试。
根据本发明的优选实施方式,所述登录信息包括下面的任何一种,登录通话应用程序的时间、登录时长、登录状态下的网速。
根据本发明的优选实施方式,所述通话应用程序是移动终端APP。
根据本发明的优选实施方式,所述通话状态信息包括通话尝试时间、通话尝试成功或失败。
根据本发明的优选实施方式,所述通话状态信息包括通话状态下的地理位置信息;并且,所述装置还包括地理位置信息获取模块,用于获取所述待网络通话的用户的实时地理位置。
分组模块,用于按用户的在线状态对待网络通话的用户进行分组;
排序模块,用于对在线的待网络通话的用户按预测的接通率进行降序排列。
本发明第三方面提出一种网络通话系统,包括:存储器,用于存储计算机可执行程序;数据处理装置,用于读取所述存储器中的计算机可执行程序,以执行前面所述的网络通话方法。
本发明第四方面提出一种计算机可读介质,用于存储计算机可读程序,所述计算机可读程序用于执行前面所述的网络通话方法。
附图说明
图1是本发明的网络通话方法的流程示意图;
图2是本发明的网络通话装置的模块架构示意图;
图3是本发明的网络通话系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
本申请的说明书和权利要求书及所述附图中的术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决现有技术的问题,本发明提出一种基于机器学习的网络通话方法,以便提高接通率。本发明考虑到影像网络通话接通率的因素包括用户登录信息和通话状态信息,例如登录网络通话应用程序的时间、登录时长,通话尝试的时间、通话状态的网速等。
对于登录网络通话应用程序的时间来说,通常在用户较为空闲的时候登录时,接通率会高,但用户在何时较为空闲可能因人或地区而异。
而对于登录时长来说,登录的时间过短,可能用户正在通过应用程序处理其他事务,而登录时间过长,可能表示用户在处理别的事务,仅仅是忘了关闭应用程序。因此,登录时长为多久的用户接通率更高是需要从经验中总结的。此外,在上班时间或下班时间登陆可能会影响登陆时长,即登录的时间可能和登陆时长是发生某种关联的。
此外,对于通话尝试时间和网速也可能与接通率有关,例如,在用户空闭时间尝试拔打会有较高的接通率。而网速越快,通话效果可能越好,通话的接通率也就越高。
因此,本发明试图通过机器自学习的方式从用户登录信息和通话状态信息中寻找到那些真正影像用户接通率的因素,以及他们影像接通率的方式,并以此来指导发起网络通话的方如何来发起网络通话,特别是当存在多个待网络通话的用户时,指导网络通话发起的一方如何选择通话尝试的顺序以尽可能的提高接通率,以提高工作效率。
图1是本发明的网络通话方法的流程示意图,如图1所示,本发明的方法包括如下步骤:
S1、获取有通话尝试记录的用户的用户历史数据集。
为了进行机器学习,我们首先需要建立训练数据集。显然,训练数据集必需是那些已进行过通话尝试的用户的信息,并且对是否接通具有记录。一般来言,可以将在尝试过一定次数以内接通的用户数据作为白样本,而将那些尝试过一定次数仍未接通的用户数据作为黑样本。但本发明不限于具体何种接通状态作为黑白样本的区分,例如,对于尝试的次数可以变化,例如是当天尝试次数、单位时间内平均尝试次数、总尝试次数、总尝试天数等等,也可以以尝试接通的时长来计算。此外,对于某些区分策略,也可能存在模棱两可的数据,这里候可以作为灰色数据丢弃。
总之,本发明试图采取的数据是能够反应用户在一定条件下是否被接通的。而作为参数的数据,如前所述,应包括用户登录信息和通话状态信息。例如登录时间、登录时长,通话尝试的时间、通话状态的网速等。
由于网络通知通常是由一定的应用程序进行管理的,而该应用程序本身就能够能通话的状态信息进行记录,因此本发明优选为将登录时间、登录时长都限定为是对于某一应用程序的登录时间和登录时长。但本发明应不排除使用其他的数据,例如对于那些不需要特定应用程序的设备,可以是用户的开机时间和时长、登录设备的时间和时长等。
在收集了用户历史数据集之后,我们可以进行接下来的操作。
S2、将所述用户历史数据集作为训练数据训练得到一接通率模型。
在该步骤,本发明提出的是建立并训练一个接通率模型。该模型最终应输出一个反应网络通话被接通的概率的数值,例如是一个百分比,或者是一个评分。而该模型的变量,或称为参数,应是如前所述的用户登录信息和通话状态信息,例如登录时间、登录时长,通话尝试的时间、通话状态的网速等中的至少一个。当然,本发明建议将上述因素均作为模型的参数,以便能考虑到这些因素之间的一些关联。
本发明的接通率模型可以实现为参数模型,也可以是非参模型,参数模型包括线性回归模型、逻辑回归模型等,非参模型包括决策树、神经网络、线性规划等。但本发明优选为对采用神经网络模型,并预先用样本对模型进行训练。采用神经网络模型的优点是其能够根据欺诈模式的变化作出调整。
模型中使用的参数通常需要进行标签化,以便于模型的计算,标签通常分为分类标准、二元标签、名义标签、顺序标签、数值标签、连续标签、离散标签等。分类标签表示由定性特征确定的分组情况,例如性别(男、女)或颜色(黄、红、蓝);二元标签仅由两种类别构成,例如“是/否”,或者其他的一对反义词;名义标签是指用名字或代码表示的变量,不代表相对次序;顺序标签则表示一个序列中相对位置,但不表示相对距离大小,通常和主观评价有关,例如优秀、良好、一般或较差。数值标签通常用整数或实数表示,具有相对大小意义,能进行数学运算。连续标签存在于连续的序列中,可能值的数量无限,存在最大值和最小值,例如时间、距离等;离散变量是分离的或不连续的数值。本发明不限于标签的类型,即任何可能的标签类型均可能应用于本发明中。
S3、对于待网络通话的多个用户中的每一个,根据其当前的登录信息并通过所述接通率模型预测其接通率。
在该步骤中,接通率模型已经准备就绪。原则上,对于训练好的模型,我们可以获知各种参数对于最后结果的影响程度。但是,这也取决于模型的计算方式和所训练的数据本身。因此,本发明并不限于最终训练所得到的模型本身如何,但该模型应当能够对于所输入的用户登录信息和通话状态信息作出反应,并建立起自己的关联方式,从而能够对于待网络通话的客户计算其接通率。
通常,模型训练的样本数越多越全面,模型采用的参数越多,通常更加能反映实际的情况。通过这样的训练,可以使得原本不被人们认知的潜在的接通率的概率通过训练好的模型进行表达。
S4、根据所述接通率对待网络通话的用户进行通话尝试。
对于待网络通话的多个用户,接通率模型可以根据其用户登录信息和通话状态信息来预测出不同的接通率。显然,该接通率可以通过某种方式被利用,以实际提高网络用户的接通率。
当然,最直接的方式是将在线的用户按接通率进行排序,接通率越高的排序越靠前,这样,可以最先尝试接通那些接通率更高的用户,由此提高接通率。
然而,可以将其他策略结合到接通率的排序上来使用,例如,进行拔号的工作人员可以在已知接通率的情况下进行选择,例如选择特定的人群,包括特定职业、年龄、性别等。也就是说,尽管本发明预测到了用户的接通率,但是,如何来利用接通率来进行网络通话,仍有各种选择的空间,以更加切合某些特定的规则,例如当地的法规。也可以根据网络通话的目的来进行进一步选择,例如,对于视频审核来说,可以与视频审核合格率来配合使用。
图2是本发明的网络通话装置的模块架构图,如图2所示,该装置包括数据获取模块、模型训练模块、接通率预测模块和通话模块。
为了进行机器学习,我们首先使用数据获取模块来建立训练数据集。显然,训练数据集必需是那些已进行过通话尝试的用户的信息,并且对是否接通具有记录。一般来言,可以将在尝试过一定次数以内接通的用户数据作为白样本,而将那些尝试过一定次数仍未接通的用户数据作为黑样本。但本发明不限于具体何种接通状态作为黑白样本的区分,例如,对于尝试的次数可以变化,例如是当天尝试次数、单位时间内平均尝试次数、总尝试次数、总尝试天数等等,也可以以尝试接通的时长来计算。此外,对于某些区分策略,也可能存在模棱两可的数据,这里候可以作为灰色数据丢弃。
总之,本发明试图采取的数据是能够反应用户在一定条件下是否被接通的。而作为参数的数据,如前所述,应包括用户登录信息和通话状态信息。例如登录时间、登录时长,通话尝试的时间、通话状态的网速等。
由于网络通知通常是由一定的应用程序进行管理的,而该应用程序本身就能够能通话的状态信息进行记录,因此本发明优选为将登录时间、登录时长都限定为是对于某一应用程序的登录时间和登录时长。但本发明应不排除使用其他的数据,例如对于那些不需要特定应用程序的设备,可以是用户的开机时间和时长、登录设备的时间和时长等。
数据获取模块可以通过特定的接口从数据库或数据存储模块中获取用户历史数据,在收集了用户历史数据集之后,将其输入模型训练模块。
所述模型训练模块建立并训练一个接通率模型。该模型最终应输出一个反应网络通话被接通的概率的数值,例如是一个百分比,或者是一个评分。而该模型的变量,或称为参数,应是如前所述的用户登录信息和通话状态信息,例如登录时间、登录时长,通话尝试的时间、通话状态的网速等中的至少一个。当然,本发明建议将上述因素均作为模型的参数,以便能考虑到这些因素之间的一些关联。
本发明的接通率模型可以实现为参数模型,也可以是非参模型,参数模型包括线性回归模型、逻辑回归模型等,非参模型包括决策树、神经网络、线性规划等。但本发明优选为对采用神经网络模型,并预先用样本对模型进行训练。采用神经网络模型的优点是其能够根据欺诈模式的变化作出调整。
模型中使用的参数通常需要进行标签化,以便于模型的计算,标签通常分为分类标准、二元标签、名义标签、顺序标签、数值标签、连续标签、离散标签等。分类标签表示由定性特征确定的分组情况,例如性别(男、女)或颜色(黄、红、蓝);二元标签仅由两种类别构成,例如“是/否”,或者其他的一对反义词;名义标签是指用名字或代码表示的变量,不代表相对次序;顺序标签则表示一个序列中相对位置,但不表示相对距离大小,通常和主观评价有关,例如优秀、良好、一般或较差。数值标签通常用整数或实数表示,具有相对大小意义,能进行数学运算。连续标签存在于连续的序列中,可能值的数量无限,存在最大值和最小值,例如时间、距离等;离散变量是分离的或不连续的数值。本发明不限于标签的类型,即任何可能的标签类型均可能应用于本发明中。
模型训练模块得到了训练好的接通率模型之后,该模型被接通率预测模块直接利用。我们可以获知各种参数对于最后结果的影响程度。但是,这也取决于模型的计算方式和所训练的数据本身。因此,本发明并不限于最终训练所得到的模型本身如何,但该模型应当能够对于所输入的用户登录信息和通话状态信息作出反应,并建立起自己的关联方式,从而能够对于待网络通话的客户计算其接通率。
通常,模型训练的样本数越多越全面,模型采用的参数越多,通常更加能反映实际的情况。通过这样的训练,可以使得原本不被人们认知的潜在的接通率的概率通过训练好的模型进行表达。
接通率预测模块预测得到的待网络通话的用户的接通率被送入通话模块。通话模块根据所述接通率对待网络通话的用户进行通话尝试。
对于待网络通话的多个用户,接通率模型可以根据其用户登录信息和通话状态信息来预测出不同的接通率。显然,该接通率可以通过某种方式被利用,以实际提高网络用户的接通率。
当然,最直接的方式是将在线的用户按接通率进行排序,接通率越高的排序越靠前,这样,可以最先尝试接通那些接通率更高的用户,由此提高接通率。
然而,可以将其他策略结合到接通率的排序上来使用,例如,进行拔号的工作人员可以在已知接通率的情况下进行选择,例如选择特定的人群,包括特定职业、年龄、性别等。也就是说,尽管本发明预测到了用户的接通率,但是,如何来利用接通率来进行网络通话,仍有各种选择的空间,以更加切合某些特定的规则,例如当地的法规。也可以根据网络通话的目的来进行进一步选择,例如,对于视频审核来说,可以与视频审核合格率来配合使用。
如前所述,登录信息包括下面的任何一种:登录通话应用程序的时间、登录时长、登录状态下的网速。所述通话状态信息包括通话尝试时间、通话尝试成功或失败。
优选的,所述通话是与移动终端进行的,由此所述通话应用程序是移动终端的APP。但本发明并不限于此,PC端的应用程序或APP也可以作为通话的终端。
更进一步,本发明中的通话状态信息还可包括通话状态下的地理位置信息;因此,本发明的方法还包括获取所述待网络通话的用户的实时地理位置的步骤。本发明的装置还包括地理位置信息获取模块,用于获取所述待网络通话的用户的实时地理位置。用户的实时地理位置通常可通过用户持有的移动终端的定位功能获得,例如GPS定位。地址位置信息是有可能与通话的接通率有关的,如果用户在家中,或是在办公室中,相对于在别处,用户可能更加倾向于接听。因此,本发明优选为将通话状态下的地理位置信息作为接通率模型的一个参数。
图3显示了网络通话装置根据待网络通话的用户所预测的接通率生成的待网络通话用户列表。如图3所示,待通话的用户可以根据其在线情况进行分组,对于各待网络通话的用户,本发明的装置根据用户登录信息和通话状态信息预测该用户的接通率。
由此,本发明的网络通话装置还分组模块,用于按用户的在线状态对待网络通话的用户进行分组;以及排序模块,用于对在线的待网络通话的用户按预测的接通率进行降序排列。
如图3所示,在该示例中,在该列表中列出了用户的姓名、手机号,以及预测的接通率值,并且按“在线”和“离线”进行了分组显示。例如在在线列表中,按照接通率的大小从上往下进行排序。由此,工作人员可以按照列表进行选择,按接通率的大小以先后顺序进行拔号,由此大大提高网络通话的实际接通率,减小等待时间,提升工作效率。
通于待网络通话的用户列表,本发明可以实时进行更新,将在线或离线状态进行更新后可以对列表的用户重新排率,以保证预测接通率高的始终排在前面。
此外,本发明还提出一种网络通话系统,包括:存储器,用于存储计算机可执行程序;数据处理装置,用于读取所述存储器中的计算机可执行程序,以执行前面所述的网络通话方法。本发明还提出计算机可读介质,用于存储计算机可读程序,所述计算机可读程序用于执行网络通话方法。
应当理解,为了精简本发明并帮助本领域的技术人员理解本发明的各个方面,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时在单个实施例中进行描述,或者参照单个图进行描述。但是,不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。
应当理解,可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件,也可以把它们分成多个子模块、子单元或子组件。本发明的实施例中的模块、单元或组件可以以硬件方式实现,也可以以一个或者多个处理器上运行的软件方式实现,或者以它们的组合实现。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种网络通话方法,其特征在于包括如下步骤:
获取有通话尝试记录的用户的用户历史数据集,所述用户历史数据包括用户登录信息和通话状态信息;
将所述用户历史数据集作为训练数据训练得到一接通率模型;
对于待网络通话的多个用户中的每一个,根据其当前的登录信息和通话状态信息以便通过所述接通率模型预测其接通率;
将在线的用户按所述接通率进行排序,根据排序结果进行通话连接。
2.如权利要求1所述的网络通话方法,其特征在于:
所述登录信息包括下面的任何一种,登录通话应用程序的时间、登录时长、登录状态下的网速。
3.如权利要求2所述的网络通话方法,其特征在于:所述通话应用程序是移动终端APP。
4.如权利要求1所述的网络通话方法,其特征在于:
所述通话状态信息包括通话尝试时间、通话尝试成功或失败。
5.如权利要求1所述的网络通话方法,其特征在于:所述通话状态信息包括通话状态下的地理位置信息;并且,所述方法还包括获取所述待网络通话的用户的实时地理位置的步骤。
6.如权利要求1所述的网络通话方法,其特征在于:还包括分组步骤和排序步骤,所述分组步骤按用户的在线状态对待网络通话的用户进行分组;所述排序步骤为对在线的待网络通话的用户按预测的接通率进行降序排列。
7.一种网络通话装置,包括:
数据获取模块,用于获取有通话尝试记录的用户的用户历史数据集,所述用户历史数据包括用户登录信息和通话状态信息;
模型训练模块,用于将所述用户历史数据集作为训练数据训练得到一接通率模型;
接通率预测模块,用于对于待网络通话的多个用户中的每一个,根据其当前的登录信息和通话状态信息并通过所述接通率模型预测其接通率;
通话模块,用于将在线的用户按所述接通率进行排序,根据排序结果进行通话连接。
8.如权利要求7所述的网络通话装置,其特征在于:
所述登录信息包括下面的任何一种,登录通话应用程序的时间、登录时长、登录状态下的网速。
9.如权利要求8所述的网络通话装置,其特征在于:所述通话应用程序是移动终端APP。
10.如权利要求7所述的网络通话装置,其特征在于:
所述通话状态信息包括通话尝试时间、通话尝试成功或失败。
11.如权利要求7所述的网络通话装置,其特征在于:
所述通话状态信息包括通话状态下的地理位置信息;
并且,所述装置还包括地理位置信息获取模块,用于获取所述待网络通话的用户的实时地理位置。
12.如权利要求7所述的网络通话装置,其特征在于还包括:
分组模块,用于按用户的在线状态对待网络通话的用户进行分组;
排序模块,用于对在线的待网络通话的用户按预测的接通率进行降序排列。
13.一种网络通话系统,其特征在于,包括:
存储器,用于存储计算机可执行程序;
数据处理装置,用于读取所述存储器中的计算机可执行程序,以执行权利要求1至6中任一项所述的网络通话方法。
14.一种计算机可读介质,用于存储计算机可读程序,其特征在于,所述计算机可读程序被数据处理装置执行时实现权利要求1至6中任一项所述的网络通话方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275291.8A CN110139288B (zh) | 2019-04-08 | 2019-04-08 | 一种网络通话方法、装置、系统和记录介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275291.8A CN110139288B (zh) | 2019-04-08 | 2019-04-08 | 一种网络通话方法、装置、系统和记录介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110139288A CN110139288A (zh) | 2019-08-16 |
CN110139288B true CN110139288B (zh) | 2022-07-01 |
Family
ID=67569538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910275291.8A Active CN110139288B (zh) | 2019-04-08 | 2019-04-08 | 一种网络通话方法、装置、系统和记录介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110139288B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110475033B (zh) * | 2019-08-21 | 2021-08-03 | 深圳前海微众银行股份有限公司 | 智能拨号方法、装置、设备与计算机可读存储介质 |
CN113225435B (zh) * | 2021-04-27 | 2023-01-10 | 北京大米科技有限公司 | 预估电话接通概率的方法、装置和可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014023123A1 (en) * | 2012-08-08 | 2014-02-13 | Tencent Technology (Shenzhen) Company Limited | A user recommendation method and a user recommendation system using the same |
CN104778173A (zh) * | 2014-01-10 | 2015-07-15 | 腾讯科技(深圳)有限公司 | 目标用户确定方法、装置及设备 |
CN105610788A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 建立通话的方法和装置 |
CN107566249A (zh) * | 2016-10-28 | 2018-01-09 | 中国科学院计算技术研究所 | 一种训练用于预测社交网络用户转发消息的模型的方法 |
US10091348B1 (en) * | 2017-07-25 | 2018-10-02 | Cisco Technology, Inc. | Predictive model for voice/video over IP calls |
CN108647052A (zh) * | 2018-04-28 | 2018-10-12 | Oppo广东移动通信有限公司 | 应用程序预加载方法、装置、存储介质及终端 |
CN108989092A (zh) * | 2018-06-26 | 2018-12-11 | 广东南方通信建设有限公司 | 一种无线网络预测方法、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180174066A1 (en) * | 2016-12-21 | 2018-06-21 | Wipro Limited | System and method for predicting state of a project for a stakeholder |
-
2019
- 2019-04-08 CN CN201910275291.8A patent/CN110139288B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014023123A1 (en) * | 2012-08-08 | 2014-02-13 | Tencent Technology (Shenzhen) Company Limited | A user recommendation method and a user recommendation system using the same |
CN104778173A (zh) * | 2014-01-10 | 2015-07-15 | 腾讯科技(深圳)有限公司 | 目标用户确定方法、装置及设备 |
CN105610788A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 建立通话的方法和装置 |
CN107566249A (zh) * | 2016-10-28 | 2018-01-09 | 中国科学院计算技术研究所 | 一种训练用于预测社交网络用户转发消息的模型的方法 |
US10091348B1 (en) * | 2017-07-25 | 2018-10-02 | Cisco Technology, Inc. | Predictive model for voice/video over IP calls |
CN108647052A (zh) * | 2018-04-28 | 2018-10-12 | Oppo广东移动通信有限公司 | 应用程序预加载方法、装置、存储介质及终端 |
CN108989092A (zh) * | 2018-06-26 | 2018-12-11 | 广东南方通信建设有限公司 | 一种无线网络预测方法、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
User-Specific Rating Prediction for Mobile Applications via Weight-Based Matrix Factorization;Jingke Meng等;《2016 IEEE International Conference on Web Services (ICWS)》;20160901;全文 * |
改进模糊自回归模型在预测网络接通率中的应用;申晨等;《计算机应用》;20130531;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110139288A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10262195B2 (en) | Predictive and responsive video analytics system and methods | |
US10057419B2 (en) | Intelligent call screening | |
US9936075B2 (en) | Adaptive occupancy real-time predictive routing | |
JP5865444B2 (ja) | 一組の発信者からの発信者の順序を外した列でのルート決定 | |
CN102273185B (zh) | 基于多变量标准化评分和影子队列的呼叫路由方法及系统 | |
US10225403B2 (en) | Outbound customer interaction pairing methods and systems | |
CN109544324A (zh) | 信贷反欺诈方法、系统、设备及计算机可读存储介质 | |
CN106993104A (zh) | 来电处理方法、装置及终端 | |
WO2014193757A1 (en) | Optimized predictive routing and methods | |
WO2017186090A1 (zh) | 通信号码处理方法及装置 | |
CN108510233A (zh) | 远程面签匹配坐席方法、电子装置及计算机可读存储介质 | |
CN111931189B (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
CN111611351A (zh) | 在线客服会话的控制方法、装置和电子设备 | |
US20150134404A1 (en) | Weighted promoter score analytics system and methods | |
CN110139288B (zh) | 一种网络通话方法、装置、系统和记录介质 | |
CN109859032A (zh) | 基于智能语音的账款催收方法、装置、设备和存储介质 | |
US11272056B2 (en) | Artificial-intelligence powered skill management systems and methods | |
CN113206909A (zh) | 骚扰电话拦截方法及装置 | |
CN112364035A (zh) | 呼叫记录大数据的处理方法、装置、电子设备及存储介质 | |
CN110475033A (zh) | 智能拨号方法、装置、设备与计算机可读存储介质 | |
CN109474755A (zh) | 基于排序学习和集成学习的异常电话主动预测方法及系统 | |
CN113556430B (zh) | 外呼系统和外呼方法 | |
CN114257688A (zh) | 电话诈骗识别方法及相关装置 | |
CN116170537A (zh) | 一种信息处理方法、设备及存储介质 | |
CN113645356A (zh) | 一种基于网内开卡行为分析的诈骗电话识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220615 Address after: 510000 room 1502, 15 / F, No. 888, Tianhe North Road, Tianhe District, Guangzhou City, Guangdong Province (office only) Applicant after: Jianlian Technology (Guangdong) Co.,Ltd. Address before: Room 201, Building A, No. 1 Qianwan Road, Qianhai Shenzhen Cooperation Zone, Shenzhen, Guangdong 518000 Applicant before: SHENZHEN ZHONGYING WEIRONG TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |