CN110365660A - 一种基于机器学习的用户注册方法、装置和电子设备 - Google Patents
一种基于机器学习的用户注册方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110365660A CN110365660A CN201910570552.9A CN201910570552A CN110365660A CN 110365660 A CN110365660 A CN 110365660A CN 201910570552 A CN201910570552 A CN 201910570552A CN 110365660 A CN110365660 A CN 110365660A
- Authority
- CN
- China
- Prior art keywords
- user
- registration
- identifying code
- time interval
- active user
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003542 behavioural effect Effects 0.000 claims abstract description 36
- 230000009471 action Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/1066—Session management
- H04L65/1073—Registration or de-registration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
- H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals
- H04M3/4936—Speech interaction details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/42—Systems providing special services or facilities to subscribers
- H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
- H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
- H04M3/5183—Call or contact centers with computer-telephony arrangements
- H04M3/5191—Call or contact centers with computer-telephony arrangements interacting with the Internet
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W60/00—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W60/00—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration
- H04W60/02—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration by periodical registration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W60/00—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration
- H04W60/04—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration using triggered events
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于机器学习的用户注册方法、装置、电子设备和计算机可读介质,该方法包括:通过机器学习模型和历史用户的行为数据生成特征时间间隔;接收当前用户获取验证码的请求;判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔;如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。本发明通过机器学习模型确定呼叫用户手机号码的时间,能够在保证提高用户转化率的同时,提升用户注册体验。
Description
技术领域
本发明涉及计算机信息处理领域,具体而言,涉及一种基于机器学习的用户注册方法、装置、电子设备及计算机可读介质。
背景技术
现有技术中,短信验证码是用户完成注册等转化操作的必经认证步骤,验证码异常会直接导致用户放弃转化操作,验证码异常指的是,当用户注册后点击获取验证码,有可能手机收不到验证码。但是,互联网平台无法监测到用户收不到验证码的事件,造成用户流失。用户在注册过程中,需要输入手机号,获取验证码,输入验证码等操作,即使用户在注册环节无异常发生,整个的注册流程也耗费用户大量时间。
现有技术中存在通过客服拨打用户电话,进而引导用户进行账户注册的情形,会提高用户的转化率。客服拨打用户电话时,会存在用户接听不方便的情形,影响用户的注册体验。
现有技术中,并不存在使用户免于复杂的注册过程,同时又缩短注册用时,同时又提升注册体验的方法。
发明内容
本发明要解决的技术问题是如何在用户获取验证码异常的情况下,选择合理时间拨打用户电话,引导用户注册账户,提升用户注册体验。
本发明的一方面提供一种基于机器学习的用户注册方法,包括:
通过机器学习模型和历史用户的行为数据生成特征时间间隔,所述行为数据包括:预定行为、和/或预定行为对应的时间,其中,预定行为包括:获取验证码、和/或完成注册,预定行为对应的时间包括:获取验证码的时间、和/或完成注册的时间;
接收当前用户获取验证码的请求;
判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔;
如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。
根据本发明的一种优选实施方式,所述通过机器学习模型和历史用户的行为数据生成特征时间间隔,进一步包括:
通过机器学习模型的在线模式,获取历史用户的行为数据;
通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,其中,所述注册用户覆盖率为注册成功的用户比例;
确定注册用户覆盖率阈值;
根据所述对应关系和注册用户覆盖率阈值,确定特征时间间隔。
根据本发明的一种优选实施方式,所述通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,进一步包括:
通过所述历史用户的行为数据,计算各历史用户从所述获取验证码到所述完成注册的时间间隔;
按照时间间隔从小到大的顺序,对各历史用户进行排序,并统计注册用户覆盖率;
根据排序结果和统计结果,确定时间间隔和注册用户覆盖率的对应关系。
根据本发明的一种优选实施方式,其特征在于,还包括:
确定机器学习模型的训练周期,所述训练周期包括:一小时、一天、一月、和/或一年。
根据本发明的一种优选实施方式,所述判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间,进一步包括:
通过计时接口,监测当前用户获取验证码的起始时间;
通过计时接口,监测当前用户获取验证码后在注册页面停留的当前时间;
计算当前用户获取验证码后在注册页面的停留时间。
根据本发明的一种优选实施方式,还包括:
通过认证服务器的手机查询接口,获取当前用户的手机号码。
根据本发明的一种优选实施方式,所述如果达到所述特征时间,外呼当前用户手机号码,通过智能语音引导当前用户完成注册,进一步包括:
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,智能语音引导用户点击预设按键完成注册;或
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,向用户推送语音验证码,并提示用户输入语音验证码完成注册。
根据本发明的一种优选实施方式,还包括:
确定机器学习模型,所述机器学习模型包括:回归模型、决策树模型、和/或神经网络模型。
根据本发明的一种优选实施方式,还包括:
向当前用户发送注完成册的通知消息,并引导当前用户进行下一步操作。
本发明的另一方面提供一种基于机器学习的用户注册装置,其特征在于,包括:
特征时间间隔生成模块,用于通过机器学习模型和历史用户的行为数据生成特征时间间隔,所述行为数据包括:预定行为、和/或预定行为对应的时间,其中,预定行为包括:获取验证码、和/或完成注册,预定行为对应的时间包括:获取验证码的时间、和/或完成注册的时间;
请求接收模块,用于接收当前用户获取验证码的请求;
停留时间判断模块,用于判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔;
注册引导模块,用于如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。
根据本发明的一种优选实施方式,所述特征时间间隔成模块,进一步包括:
行为数据获取单元,用于通过机器学习模型的在线模式,获取历史用户的行为数据;
对应关系确定单元,用于通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,其中,所述注册用户覆盖率为注册成功的用户比例;
覆盖率阈值确定单元,用于确定注册用户覆盖率阈值;
特征时间间隔确定单元,用于根据所述对应关系和注册用户覆盖率阈值,确定特征时间间隔。
根据本发明的一种优选实施方式,所述对应关系确定单元,进一步包括:
时间间隔计算子单元,用于通过所述历史用户的行为数据,计算各历史用户从所述获取验证码到所述完成注册的时间间隔;
时间间隔排序子单元,用于按照时间间隔从小到大的顺序,对各历史用户进行排序,并统计注册用户覆盖率;
对应关系确定子单元,用于根据排序结果和统计结果,确定时间间隔和注册用户覆盖率的对应关系。
根据本发明的一种优选实施方式,还包括:
训练周期确定单元,用于确定机器学习模型的训练周期,所述训练周期包括:一小时、一天、一月、和/或一年。
根据本发明的一种优选实施方式,所述停留时间判断模块,进一步包括:
起始时间监测单元,用于通过计时接口,监测当前用户获取验证码的起始时间;
当前时间监测单元,用于通过计时接口,监测当前用户获取验证码后在注册页面停留的当前时间;
停留时间计算单元,用于计算当前用户获取验证码后在注册页面的停留时间。
根据本发明的一种优选实施方式,还包括:
手机号码获取模块,用于通过认证服务器的手机查询接口,获取当前用户的手机号码。
根据本发明的一种优选实施方式,所述注册引导模块,进一步包括:
手机预设按键操作单元,用于如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,智能语音引导用户点击预设按键完成注册;或
语音验证码推送单元,用于如果达到所述特征时间,通过IVR语音
接口外呼当前用户手机号码,向用户推送语音验证码,并提示用户输入语音验证码完成注册。
根据本发明的一种优选实施方式,还包括
机器学习模型确定模块,用于确定机器学习模型,所述机器学习模型包括:回归模型、决策树模型、和/或神经网络模型。
根据本发明的一种优选实施方式,还包括:
通知消息发送模块,用于向当前用户发送注完成册的通知消息,并引导当前用户进行下一步操作。
本发明的第三方面提供一种电子设备,其中,该电子设备包括:处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述的方法。
本发明的第四方法提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现所述的方法。
本发明的技术方案,具有如下有益效果:
本发明的基于机器学习的用户注册方法,能够通过机器学习模型确定呼叫用户手机号码的时间,能够在保证提高用户转化率的同时,提升用户注册体验。
本发明的基于机器学习的用户注册方法,通过智能语音引导用户完成注册过程,操作简单,节约用户注册时间。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明的基于机器学习的用户注册方法流程示意图;
图2是本发明的基于机器学习的用户注册方法的特征时间间隔生成流程示意图;
图3是本发明的基于机器学习的用户注册方法的确定时间间隔和注册用户覆盖率对应关系的流程示意图;
图4是本发明的基于机器学习的用户注册方法的计算停留时间的流程示意图;
图5是本发明的基于机器学习的用户注册装置模块架构示意图;
图6是本发明的基于机器学习的用户注册装置的特征时间间隔生成模块架构示意图;
图7是本发明的基于机器学习的用户注册注册装置的对应关系确定单元架构示意图;
图8是是本发明的基于机器学习的用户注册装置的停留时间判断模块架构示意图;
图9是本发明的基于机器学习的用户注册的电子设备结构框架示意图;
图10是本发明的计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
短信验证码是用户完成注册等转化操作的必经认证步骤,验证码异常会直接导致用户放弃转化操作,本发明的方法在手机号码注册页面出现访客获取短信验证码事件的某一特定时间间隔后,通过IVR语音外呼接口向该访客拨打电话,访客接听后可按任意键直接完成转化,避免部分短信验证码异常访客流失。
验证码异常指的是,当用户注册后点击获取验证码,有可能手机收不到验证码;则需要推送IVR语音或者语音验证码,但隔多长时间推送是有一定逻辑的,可以提高新户转化率。
图1是本发明的基于机器学习的用户注册方法流程示意图;如图1所示,本发明的方法包括:
S1:通过机器学习模型和历史用户的行为数据生成特征时间间隔,所述行为数据包括:预定行为、和/或预定行为对应的时间,其中,预定行为包括:获取验证码、和/或完成注册,预定行为对应的时间包括:获取验证码的时间、和/或完成注册的时间。
图2是本发明的基于机器学习的用户注册方法的特征时间间隔生成流程示意图,如图2所示,特征时间间隔生成的步骤如下:
其中,步骤S1进一步包括如下步骤:
S11:通过机器学习模型的在线模式,获取历史用户的行为数据。
S12:通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,其中,所述注册用户覆盖率为注册成功的用户比例。
S13:确定注册用户覆盖率阈值。
S14:根据所述对应关系和注册用户覆盖率阈值,确定特征时间间隔。
其中,在通过机器学习模型的在线模式,获取历史用户的行为数据之前,还包括:确定机器学习模型的训练周期,所述训练周期包括:一小时、一天、一月、和/或一年。
图3是本发明的基于机器学习的用户注册方法的确定时间间隔和注册用户覆盖率对应关系的流程示意图,如图3所示,步骤S12中,通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,进一步包括:
S1201:通过所述历史用户的行为数据,计算各历史用户从所述获取验证码到所述完成注册的时间间隔;
S1202:按照时间间隔从小到大的顺序,对各历史用户进行排序,并统计注册用户覆盖率;
S1203:根据排序结果和统计结果,确定时间间隔和注册用户覆盖率的对应关系。
S2:接收当前用户获取验证码的请求。
S3:判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔。
其中,步骤S3中,所述判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间,进一步包括:
S31:通过计时接口,监测当前用户获取验证码的起始时间。
S32:通过计时接口,监测当前用户获取验证码后在注册页面停留的当前时间。
S33:计算当前用户获取验证码后在注册页面的停留时间。
S4:如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。
其中,在外呼当前用户手机号码之前,需通过认证服务器的手机查询接口,获取当前用户的手机号码。
其中,步骤S4中所述如果达到所述特征时间,外呼当前用户手机号码,通过智能语音引导当前用户完成注册,进一步包括:
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,智能语音引导用户点击预设按键完成注册;或
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,向用户推送语音验证码,并提示用户输入语音验证码完成注册。
其中,本发明的基于机器学习的用户注册方法,还包括:
确定机器学习模型,所述机器学习模型包括:回归模型、决策树模型、和/或神经网络模型。
其中,本发明的基于机器学习的用户注册方法,还包括:
向当前用户发送注完成册的通知消息,并引导当前用户进行下一步操作。
作为示例,本发明通过机器学习模型的方式,在线上模式时,实时获取上一个小时,历史用户的行为数据。需要说明的是,该示例中机器学习模型的训练周期,即为一小时。机器学习模型的训练周期还可以是一天、一月、和/或一年。
假设本发明的机器学习模型通过线上模式获取到上一个小时200位用户的行为数据,其中,用户张女士获取验证码的时间为上午8:00:01,完成注册的时间为上午8:00:58,即获取验证码、输入验证码、确认注册的时间间隔为57秒。
获取到200位用户的行为数据后,需建立时间间隔和注册用户覆盖率的对应关系时,具体的操作步骤如下:
统计200位用户从获取验证码到完成注册的时间间隔;
按照时间间隔从小到大的顺序,对200用户进行排序,并统计注册用户覆盖率;
根据排序结果和统计结果,确定时间间隔和注册用户覆盖率的对应关系。
经过分析,上一小时200位用户从获取验证码到完成注册的时间间隔,其中,30s内有80%的用户完成注册,35s内有95%的用户完成注册,40s内有96%的用户完成注册,40s后还未完成注册的用户,存在放弃注册的可能性,以及注册用时过长。注册用户覆盖率为注册成功的用户比例,即30s的注册用户覆盖率为80%。
根据分析结果,将时间间隔30s和完成注册的比例80%,建立函数关系。
鉴于本发明的目的为选择合理的时间间隔拨打用户电话,以及在拨打用户电话时,成功完成注册的用户比例也不能够太低,即覆盖率不能太低。
需首先确定注册用户覆盖率阈值,比如,选择用户覆盖率为95%。
最后,根据用户覆盖率95%确定合理的时间间隔,即特征时间间隔为35s。
将上一小时的分析结果用于指导下一小时的用户注册过程。
在监测到当前用户获取验证码的请求后,通过计时接口,监测当前用户获取验证码的起始时间和在注册页面停留的当前时间。计算当前用户获取验证码后在注册页面的停留时间。
如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册
激活对应的IVR语音(或者语音验证码)呼叫。(语音验证码(比如自动IVR电话语音提示用户注册验证码),激发用户激活。
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,智能语音引导用户点击预设按键完成注册;引导用户按键1、2、3或者#等,确认注册。
IVR语音举例:您好,刚刚您打开了我们一个活动页面,可能您对此活动不满意,我们针对您这样最贵的用户,现在给到一个更大的活动给到您,只要您按任意键就可以获得注册确认。
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,向用户推送语音验证码,并提示用户输入语音验证码完成注册。
语音验证码举例:您好,你所注册的XXXX服务,手机注册验证码为:826693。
这样,即使用户注册手机后,无论是否点击了验证码,无论是否离开了当前注册页面,都在35秒后由IVR语音拨打。
其中,在外呼当前用户手机号码之前,需通过认证服务器的手机查询接口,获取当前用户的手机号码。
其中,本发明的基于机器学习的用户注册方法,还包括:
确定机器学习模型,所述机器学习模型包括:回归模型、决策树模型、和/或神经网络模型。
其中,本发明的基于机器学习的用户注册方法,还包括:
向当前用户发送注完成册的通知消息,并引导当前用户进行下一步操作。
本发明的基于机器学习的用户注册方法,能够通过机器学习模型确定呼叫用户手机号码的时间,能够在保证提高用户转化率的同时,提升用户注册体验。
本发明的基于机器学习的用户注册方法,通过智能语音引导用户完成注册过程,操作简单,节约用户注册时间。
本领域技术人员可以理解,实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
图5是本发明的基于机器学习的用户注册装置模块架构示意图;本发明的装置包括:特征时间间隔生成模块、请求接收模块、停留时间判断模块、注册引导模块。
特征时间间隔生成模块,用于通过机器学习模型和历史用户的行为数据生成特征时间间隔,所述行为数据包括:预定行为、和/或预定行为对应的时间,其中,预定行为包括:获取验证码、和/或完成注册,预定行为对应的时间包括:获取验证码的时间、和/或完成注册的时间。
请求接收模块,用于接收当前用户获取验证码的请求。
停留时间判断模块,用于判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔。
注册引导模块,用于如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。
其中,注册引导模块,进一步包括:手机预设按键操作单元、和/或语音验证码推送单元。
手机预设按键操作单元,用于如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,智能语音引导用户点击预设按键完成注册。
语音验证码推送单元,用于如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,向用户推送语音验证码,并提示用户输入语音验证码完成注册。
图6是本发明的基于机器学习的用户注册装置的特征时间间隔生成模块架构示意图;其中,特征时间间隔成模块,进一步包括:行为数据获取单元,对应关系确定单元,覆盖率阈值确定单元,特征时间间隔确定单元。
行为数据获取单元,用于通过机器学习模型的在线模式,获取历史用户的行为数据。
对应关系确定单元,用于通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,其中,所述注册用户覆盖率为注册成功的用户比例。
覆盖率阈值确定单元,用于确定注册用户覆盖率阈值。
特征时间间隔确定单元,用于根据所述对应关系和注册用户覆盖率阈值,确定特征时间间隔。
其中,特征时间间隔生成模块,还包括:
训练周期确定单元,用于确定机器学习模型的训练周期,所述训练周期包括:一小时、一天、一月、和/或一年。
图7是本发明的基于机器学习的用户注册注册装置的对应关系确定单元架构示意图;如图7所示,对应关系确定单元包括:时间间隔计算子单元,时间间隔排序子单元,对应关系确定子单元。
时间间隔计算子单元,用于通过所述历史用户的行为数据,计算各历史用户从所述获取验证码到所述完成注册的时间间隔。
时间间隔排序子单元,用于按照时间间隔从小到大的顺序,对各历史用户进行排序,并统计注册用户覆盖率。
对应关系确定子单元,用于根据排序结果和统计结果,确定时间间隔和注册用户覆盖率的对应关系。
图8是是本发明的基于机器学习的用户注册装置的停留时间判断模块架构示意图;如图8所示,停留时间判断模块,进一步包括:起始时间监测单元,当前时间监测单元,停留时间计算单元。
起始时间监测单元,用于通过计时接口,监测当前用户获取验证码的起始时间。
当前时间监测单元,用于通过计时接口,监测当前用户获取验证码后在注册页面停留的当前时间。
停留时间计算单元,用于计算当前用户获取验证码后在注册页面的停留时间。
本发明的基于机器学习的用户注册装置,还包括:手机号码获取模块,机器学习模型确定模块,通知消息发送模块。
手机号码获取模块,用于通过认证服务器的手机查询接口,获取当前用户的手机号码。
机器学习模型确定模块,用于确定机器学习模型,所述机器学习模型包括:回归模型、决策树模型、和/或神经网络模型。
通知消息发送模块,用于向当前用户发送注完成册的通知消息,并引导当前用户进行下一步操作。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图9是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图9来描述根据本发明该实施例的的电子设备200。图9显示的电子设备200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:通过机器学习模型和历史用户的行为数据生成特征时间间隔;接收当前用户获取验证码的请求;判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔;如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。
所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、C++等,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
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,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。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 (10)
1.一种基于机器学习的用户注册方法,其特征在于,包括:
通过机器学习模型和历史用户的行为数据生成特征时间间隔,所述行为数据包括:预定行为、和/或预定行为对应的时间,其中,预定行为包括:获取验证码、和/或完成注册,预定行为对应的时间包括:获取验证码的时间、和/或完成注册的时间;
接收当前用户获取验证码的请求;
判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔;
如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。
2.如权利要求1所述的方法,其特征在于,所述通过机器学习模型和历史用户的行为数据生成特征时间间隔,进一步包括:
通过机器学习模型的在线模式,获取历史用户的行为数据;
通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,其中,所述注册用户覆盖率为注册成功的用户比例;
确定注册用户覆盖率阈值;
根据所述对应关系和注册用户覆盖率阈值,确定特征时间间隔。
3.如权利要求1-2中任一项所述的方法,其特征在于,所述通过所述历史用户的行为数据,确定时间间隔和注册用户覆盖率的对应关系,进一步包括:
通过所述历史用户的行为数据,计算各历史用户从所述获取验证码到所述完成注册的时间间隔;
按照时间间隔从小到大的顺序,对各历史用户进行排序,并统计注册用户覆盖率;
根据排序结果和统计结果,确定时间间隔和注册用户覆盖率的对应关系。
4.如权利要求1-3中任一项所述的方法,其特征在于,还包括:
确定机器学习模型的训练周期,所述训练周期包括:一小时、一天、一月、和/或一年。
5.如权利要求1-4中任一项所述的方法,其特征在于,所述判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间,进一步包括:
通过计时接口,监测当前用户获取验证码的起始时间;
通过计时接口,监测当前用户获取验证码后在注册页面停留的当前时间;
计算当前用户获取验证码后在注册页面的停留时间。
6.如权利要求1-5中任一项所述的方法,其特征在于,还包括:
通过认证服务器的手机查询接口,获取当前用户的手机号码。
7.如权利要求1-6中任一项所述的方法,其特征在于,所述如果达到所述特征时间,外呼当前用户手机号码,通过智能语音引导当前用户完成注册,进一步包括:
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,智能语音引导用户点击预设按键完成注册;或
如果达到所述特征时间,通过IVR语音接口外呼当前用户手机号码,向用户推送语音验证码,并提示用户输入语音验证码完成注册。
8.一种基于机器学习的用户注册装置,其特征在于,包括:
特征时间间隔生成模块,用于通过机器学习模型和历史用户的行为数据生成特征时间间隔,所述行为数据包括:预定行为、和/或预定行为对应的时间,其中,预定行为包括:获取验证码、和/或完成注册,预定行为对应的时间包括:获取验证码的时间、和/或完成注册的时间;
请求接收模块,用于接收当前用户获取验证码的请求;
停留时间判断模块,用于判断当前用户获取验证码后在注册页面的停留时间是否达到特征时间间隔;
注册引导模块,用于如果达到所述特征时间间隔,外呼当前用户手机号码,通过智能语音引导当前用户完成注册。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570552.9A CN110365660B (zh) | 2019-06-27 | 2019-06-27 | 一种基于机器学习的用户注册方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570552.9A CN110365660B (zh) | 2019-06-27 | 2019-06-27 | 一种基于机器学习的用户注册方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365660A true CN110365660A (zh) | 2019-10-22 |
CN110365660B CN110365660B (zh) | 2021-09-24 |
Family
ID=68216205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910570552.9A Active CN110365660B (zh) | 2019-06-27 | 2019-06-27 | 一种基于机器学习的用户注册方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365660B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111194026A (zh) * | 2019-12-20 | 2020-05-22 | 上海淇玥信息技术有限公司 | 一种信息发送方法、装置和电子设备 |
CN111915368A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 汽车行业客户id识别系统、方法及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104618374A (zh) * | 2015-02-03 | 2015-05-13 | 深圳元景车联科技有限公司 | 一种注册方法 |
US20160127369A1 (en) * | 2013-12-30 | 2016-05-05 | Tencent Technology (Shenzhen) Company Limited | Method, device and system for user authentication |
CN107093084A (zh) * | 2016-08-01 | 2017-08-25 | 北京小度信息科技有限公司 | 潜在用户预测转化方法及装置 |
CN109729057A (zh) * | 2017-10-31 | 2019-05-07 | 中国电信股份有限公司 | 验证码发送方法、系统和相关设备 |
-
2019
- 2019-06-27 CN CN201910570552.9A patent/CN110365660B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160127369A1 (en) * | 2013-12-30 | 2016-05-05 | Tencent Technology (Shenzhen) Company Limited | Method, device and system for user authentication |
CN104618374A (zh) * | 2015-02-03 | 2015-05-13 | 深圳元景车联科技有限公司 | 一种注册方法 |
CN107093084A (zh) * | 2016-08-01 | 2017-08-25 | 北京小度信息科技有限公司 | 潜在用户预测转化方法及装置 |
CN109729057A (zh) * | 2017-10-31 | 2019-05-07 | 中国电信股份有限公司 | 验证码发送方法、系统和相关设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111194026A (zh) * | 2019-12-20 | 2020-05-22 | 上海淇玥信息技术有限公司 | 一种信息发送方法、装置和电子设备 |
CN111194026B (zh) * | 2019-12-20 | 2023-02-24 | 上海淇玥信息技术有限公司 | 一种信息发送方法、装置和电子设备 |
CN111915368A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 汽车行业客户id识别系统、方法及介质 |
CN111915368B (zh) * | 2020-07-30 | 2024-02-20 | 上海数策软件股份有限公司 | 汽车行业客户id识别系统、方法及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110365660B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018383615B2 (en) | Systems and methods for chatbot generation | |
EP2582123B1 (en) | Multi-modal customer care system | |
US9313332B1 (en) | Routing user communications to agents | |
TWI736673B (zh) | 來電處理方法、裝置及終端 | |
CN106293752B (zh) | 一种快捷功能界面的显示方法和设备 | |
EP1657899B1 (en) | Testing using asynchronous automated virtual agent behaviour | |
US20040042592A1 (en) | Method, system and apparatus for providing an adaptive persona in speech-based interactive voice response systems | |
CN111510564B (zh) | 基于互动式语音应答系统的数据处理方法、装置及介质 | |
CN109358880A (zh) | 一种通用网关配置方法及装置 | |
CN107832941A (zh) | 订单处理方法及装置 | |
CN107786430A (zh) | 机器人聊天方法及系统 | |
CN110365660A (zh) | 一种基于机器学习的用户注册方法、装置和电子设备 | |
CN109241302A (zh) | 一种在线课程的评论授权方法、装置及终端设备 | |
CN105099856A (zh) | 通讯消息处理方法及系统 | |
CN106856474A (zh) | 一种验证信息的处理方法及装置 | |
US20220269517A1 (en) | Adaptable warnings and feedback | |
US20160309016A1 (en) | Exchanging information via a designated application | |
JP2021536624A (ja) | 顧客動線アプリケーションにおける負荷需要を予測する方法及びシステム | |
US11893904B2 (en) | Utilizing conversational artificial intelligence to train agents | |
CN108337387A (zh) | 呼叫中心的监控方法、装置、电子设备、存储介质 | |
CN110365664A (zh) | 一种基于智能语音外呼的手机号码注册方法、装置和电子设备 | |
CN105827400B (zh) | 一种设置验证码有效时间的方法、服务器及系统 | |
CN110209788A (zh) | 输入信息处理方法及装置、系统、存储介质和电子设备 | |
CN106453237A (zh) | 安全验证方法及安全验证装置 | |
CN110362619A (zh) | 一种基于认证服务器的用户注册方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201500 room a3-5588, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone) Patentee after: Qifu Shuke (Shanghai) Technology Co.,Ltd. Address before: 201500 room a3-5588, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai (Shanghai Hengtai Economic Development Zone) Patentee before: Shanghai Qifu Information Technology Co.,Ltd. |