CN111754335B - 网点机器人自调节方法、装置及系统 - Google Patents
网点机器人自调节方法、装置及系统 Download PDFInfo
- Publication number
- CN111754335B CN111754335B CN202010599486.0A CN202010599486A CN111754335B CN 111754335 B CN111754335 B CN 111754335B CN 202010599486 A CN202010599486 A CN 202010599486A CN 111754335 B CN111754335 B CN 111754335B
- Authority
- CN
- China
- Prior art keywords
- service
- business
- users
- user
- sum
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种网点机器人自调节方法、装置及系统,其中方法应用于网点机器人,所述方法包括:通过排队设备获取处于等待状态的用户数量;预估与所述用户数量对应的业务办理时间总和;输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于所述业务参数集执行业务处理操作。本发明中网点机器人可以根据银行网点的排队数量来灵活调整业务参数集,从而按照灵活调整后的业务参数集来执行业务处理操作,提升灵活性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及网点机器人自调节方法、装置及系统。
背景技术
现在银行非常关注科技的力量,很多银行网点已经部署有网点机器人,网点机器人可以协助客户解答问题、办理业务,从而提升用户体验。
但是,现在网点机器人业务处理过程是固定不变的,例如输出语速一致、业务展现方式一致等。因此业务处理过程较为机械化。
发明内容
鉴于此,本申请提供网点机器人自调节方法、装置及系统,可以根据排队数量来灵活调节业务处理过程,提升灵活性。
为了实现上述目的,本发明提供了下述技术特征:
一种网点机器人自调节方法,应用于网点机器人,所述方法包括:
通过排队设备获取处于等待状态的用户数量;
预估与所述用户数量对应的业务办理时间总和;
输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;
基于所述业务参数集执行业务处理操作。
可选的,所述预估与所述用户数量对应的业务办理时间总和包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
可选的,所述业务参数集包括:
语速、语调和业务模式。
可选的,所述基于所述业务参数集执行业务处理操作包括:
按所述业务模式与用户交互业务处理操作;
在交互业务操作过程中,按所述语速和所述语调播放业务注意事项。
可选的,还包括:
获取训练样本集;其中,一个训练样本包括用户数量、业务办理时间总和以及业务参数集;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务调节模型。
可选的,还包括:
获取训练样本集;其中,一个训练样本包括一个用户的基本数据,以及,某一业务标识对应的业务办理时间;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务时间预估模型。
一种网点机器人自调节装置,应用于网点机器人,所述装置包括:
获取单元,用于通过排队设备获取处于等待状态的用户数量;
预估单元,用于预估与所述用户数量对应的业务办理时间总和;
输入单元,用于输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;
执行单元,用于基于所述业务参数集执行业务处理操作。
可选的,所述预估单元用于预估与所述用户数量对应的业务办理时间总和,具体包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
一种网点机器人自调节系统,包括:
网点机器人、排队设备和银行服务器;
网点机器人,用于通过排队设备获取处于等待状态的用户数量;预估与所述用户数量对应的业务办理时间总和;输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于所述业务参数集执行业务处理操作。
可选的,网点机器人用于预估与所述用户数量对应的业务办理时间总和,具体包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
通过以上技术手段,可以实现以下有益效果:
本发明可以通过排队设备获取处于等待状态的用户数量,并预估与用户数量对应的业务办理时间总和。然后,输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于业务参数集执行业务处理操作。
也即本发明中网点机器人可以根据银行网点的排队数量来灵活调整业务参数集,从而按照灵活调整后的业务参数集来执行业务处理操作,提升灵活性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种网点机器人自调节系统的结构示意图;
图2为本申请实施例公开的一种业务调节模型训练方法的流程图;
图3为本申请实施例公开的一种业务时间预估模型的训练方法的流程图;
图4为本申请实施例公开的一种网点机器人自调节方法实施例一的流程图;
图5为本申请实施例公开的一种网点机器人自调节方法实施例二的流程图;
图6为本申请实施例公开的一种网点机器人自调节装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明提供一种网点机器人自调节系统,参见图1包括:
网点机器人100、排队设备200和银行服务器300。
根据本申请提供的实施例,本发明提供一种业务调节模型训练方法。参见图2,包括以下步骤:
步骤S201:获取训练样本集。
一个训练样本包括用户数量、业务办理时间总和以及业务参数集,业务参数集包括:语速、语调和业务模式。
可以理解的是,在用户数量较少业务办理时间总和较小的情况下,语速可以为正常语速、业务模式为丰富模式。在丰富模式下可以提供较为详尽的业务介绍和业务提醒,以及,在业务办理结束时可以提供理财产品推荐和介绍,以便可以为银行带来最大收益。
可以理解的是,在用户数量适中业务办理时间总和适中的情况下,语速可以为正常语速、业务模式为正常模式。正常模式下可以提供正常情况的业务介绍和业务提醒,业务办理结束之后即可。
可以理解的是,在用户数量较多业务办理时间总和较多的情况下,语速可以为加快语速、业务模式为精简模式。精简模式下可以提供比正常情况更加精简化的业务介绍和业务提醒,以便客户简单方便了解业务核心内容,业务办理结束即可。
步骤S202:利用所述训练样本集训练神经网络模型。
利用训练样本集来训练神经网络模型,并在训练过程使得神经网络模型学习到用户数量和业务办理时间总和,与,业务参数集的对应关系。
步骤S203:在训练结束后获得训练好的业务调节模型。
业务调节模型以用户数量和业务办理时间总和为输入,以与用户数量和业务办理时间总和对应的业务参数集为输出。
根据本申请提供的实施例,本发明提供一种业务时间预估模型的训练方法。参见图3,包括以下步骤:
步骤S301:获取训练样本集。
一个训练样本包括一个用户的基本数据,以及,某一业务标识对应的业务办理时间。用户的基本数据可以包括用户年龄、学历等基本数据。业务标识对应的业务办理时间为预先计算得到的与用户具有类似基本数据下办理相同业务标识的平均的业务办理时间。
步骤S302:利用所述训练样本集训练神经网络模型。
利用训练样本集来训练神经网络模型,并在训练过程使得神经网络模型学习到用户基本数据和业务标识,与,业务办理时间的对应关系。
步骤S303:在训练结束后获得训练好的业务时间预估模型。
业务时间预估模型以用户基本数据和业务标识为输入,以业务办理时间为输出。
根据本申请提供的实施例,本发明提供一种业务时间预估模型的训练方法。参见图4,本发明提供一种网点机器人自调节方法实施例一,包括以下步骤:
步骤S401:通过排队设备获取处于等待状态的用户数量。
用户进入银行网点后,可以通过排队设备来刷银行卡或存折来排队,网点机器人通过排队设备可以获得当前处于等待状态的用户数量,并且,还可以获取处于等待状态的各个用户标识和所需办理的业务标识。
步骤S402:预估与所述用户数量对应的业务办理时间总和。
网点机器人可以根据银行网点中多个用户对应的历史业务办理时间,来确定一个用户的平均业务办理时间。用户数量与平均业务办理时间的乘积,可以作为与所述用户数量对应的业务办理时间总和。
步骤S403:输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集。
为了便于网点机器人可以根据实际情况来调整业务处理操作,可以输入用户数量和业务办理时间总和至预先训练好的业务调节模型,业务调节模型可以基于用户数量和业务办理时间总和进行计算,从而输出业务参数集。
所述业务参数集包括:语速、语调和业务模式。
步骤S404:基于所述业务参数集执行业务处理操作。
在获得业务参数集之后,可以基于业务参数集来执行业务处理操作。也即按所述业务模式与用户交互业务处理操作;在交互业务操作过程中,按所述语速和所述语调播放业务注意事项。
通过以上技术手段,可以实现以下有益效果:
本发明可以通过排队设备获取处于等待状态的用户数量,并预估与用户数量对应的业务办理时间总和。然后,输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于业务参数集执行业务处理操作。
也即本发明中网点机器人可以根据银行网点的排队数量来灵活调整业务参数集,从而按照灵活调整后的业务参数集来执行业务处理操作,提升灵活性。
根据本申请提供的实施例,本发明提供一种业务时间预估模型的训练方法。参见图5,本实施例提供步骤S402的具体实现,具体包括以下步骤:
步骤S501:从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识。
网点机器人可以从银行服务器提取处于等待状态的各个用户的基本数据。因为不同的基本数据的用户的办理速度不同,所以业务办理时间也不尽相同。
同一用户办理不同业务所需的业务办理时间也不尽相同,所以还需获取业务标识。
步骤S502:分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间。
步骤S503:对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
各个用户对应的业务办理时间执行加和操作,从而可以获得业务办理时间总和。
本实施例采用业务时间预估模型来预估各个用户执行业务办理时所需的业务办理时间,这样可以更加准确的得知业务办理时间总和。
参见图6,本发明提供一种网点机器人自调节装置,应用于网点机器人,所述装置包括:
获取单元61,用于通过排队设备获取处于等待状态的用户数量;
预估单元62,用于预估与所述用户数量对应的业务办理时间总和;
输入单元63,用于输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;
执行单元64,用于基于所述业务参数集执行业务处理操作。
其中,所述预估单元用于预估与所述用户数量对应的业务办理时间总和,具体包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
其中,所述业务参数集包括:语速、语调和业务模式。
其中,所述基于所述业务参数集执行业务处理操作包括:
按所述业务模式与用户交互业务处理操作;
在交互业务操作过程中,按所述语速和所述语调播放业务注意事项。
其中,还包括:
获取训练样本集;其中,一个训练样本包括用户数量、业务办理时间总和以及业务参数集;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务调节模型。
其中,还包括:
获取训练样本集;其中,一个训练样本包括一个用户的基本数据,以及,某一业务标识对应的业务办理时间;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务时间预估模型。
通过以上技术手段,可以实现以下有益效果:
本发明可以通过排队设备获取处于等待状态的用户数量,并预估与用户数量对应的业务办理时间总和。然后,输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于业务参数集执行业务处理操作。
也即本发明中网点机器人可以根据银行网点的排队数量来灵活调整业务参数集,从而按照灵活调整后的业务参数集来执行业务处理操作,提升灵活性。
参见图1,本发明提供了一种网点机器人自调节系统,包括:
网点机器人、排队设备和银行服务器;
网点机器人,用于通过排队设备获取处于等待状态的用户数量;预估与所述用户数量对应的业务办理时间总和;输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于所述业务参数集执行业务处理操作。
其中,所述预估单元用于预估与所述用户数量对应的业务办理时间总和,具体包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
其中,所述业务参数集包括:语速、语调和业务模式。
其中,所述基于所述业务参数集执行业务处理操作包括:
按所述业务模式与用户交互业务处理操作;
在交互业务操作过程中,按所述语速和所述语调播放业务注意事项。
其中,还包括:
获取训练样本集;其中,一个训练样本包括用户数量、业务办理时间总和以及业务参数集;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务调节模型。
其中,还包括:
获取训练样本集;其中,一个训练样本包括一个用户的基本数据,以及,某一业务标识对应的业务办理时间;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务时间预估模型。
通过以上技术手段,可以实现以下有益效果:
本发明可以通过排队设备获取处于等待状态的用户数量,并预估与用户数量对应的业务办理时间总和。然后,输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于业务参数集执行业务处理操作。
也即本发明中网点机器人可以根据银行网点的排队数量来灵活调整业务参数集,从而按照灵活调整后的业务参数集来执行业务处理操作,提升灵活性。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种网点机器人自调节方法,其特征在于,应用于网点机器人,所述方法包括:
通过排队设备获取处于等待状态的用户数量;
预估与所述用户数量对应的业务办理时间总和;
输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;
基于所述业务参数集执行业务处理操作;
其中,所述业务参数集包括:
语速、语调和业务模式;
所述基于所述业务参数集执行业务处理操作包括:
按所述业务模式与用户交互业务处理操作;
在交互业务操作过程中,按所述语速和所述语调播放业务注意事项。
2.如权利要求1所述的方法,其特征在于,所述预估与所述用户数量对应的业务办理时间总和包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
3.如权利要求1所述的方法,其特征在于,还包括:
获取训练样本集;其中,一个训练样本包括用户数量、业务办理时间总和以及业务参数集;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务调节模型。
4.如权利要求1所述的方法,其特征在于,还包括:
获取训练样本集;其中,一个训练样本包括一个用户的基本数据,以及,某一业务标识对应的业务办理时间;
利用所述训练样本集训练神经网络模型;
在训练结束后获得训练好的业务时间预估模型。
5.一种网点机器人自调节装置,其特征在于,应用于网点机器人,所述装置包括:
获取单元,用于通过排队设备获取处于等待状态的用户数量;
预估单元,用于预估与所述用户数量对应的业务办理时间总和;
输入单元,用于输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;
执行单元,用于基于所述业务参数集执行业务处理操作;
其中,所述业务参数集包括:
语速、语调和业务模式;
所述执行单元具体用于按所述业务模式与用户交互业务处理操作;在交互业务操作过程中,按所述语速和所述语调播放业务注意事项。
6.如权利要求5所述的装置,其特征在于,
所述预估单元用于预估与所述用户数量对应的业务办理时间总和,具体包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
7.一种网点机器人自调节系统,其特征在于,包括:
网点机器人、排队设备和银行服务器;
网点机器人,用于通过排队设备获取处于等待状态的用户数量;预估与所述用户数量对应的业务办理时间总和;输入所述用户数量和业务办理时间总和至预先训练好的业务调节模型,获得业务调节模型输出的业务参数集;基于所述业务参数集执行业务处理操作;
其中,所述业务参数集包括:语速、语调和业务模式;
所述基于所述业务参数集执行业务处理操作包括:按所述业务模式与用户交互业务处理操作;在交互业务操作过程中,按所述语速和所述语调播放业务注意事项。
8.如权利要求7所述的系统,其特征在于,
网点机器人用于预估与所述用户数量对应的业务办理时间总和,具体包括:
从银行服务器提取处于等待状态的各个用户的基本数据,从排队设备获取所需办理的业务标识;
分别输入各个用户的基本数据和所需办理的业务标识至业务时间预估模型,并获得所述业务时间预估模型输出的各个用户对应的业务办理时间;
对各个用户对应的业务办理时间执行加和操作获得业务办理时间总和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599486.0A CN111754335B (zh) | 2020-06-28 | 2020-06-28 | 网点机器人自调节方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010599486.0A CN111754335B (zh) | 2020-06-28 | 2020-06-28 | 网点机器人自调节方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754335A CN111754335A (zh) | 2020-10-09 |
CN111754335B true CN111754335B (zh) | 2023-09-05 |
Family
ID=72677674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010599486.0A Active CN111754335B (zh) | 2020-06-28 | 2020-06-28 | 网点机器人自调节方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754335B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105545A (zh) * | 2019-11-25 | 2020-05-05 | 南京奥拓电子科技有限公司 | 一种排队方法、系统、客户端、装置及其服务器 |
-
2020
- 2020-06-28 CN CN202010599486.0A patent/CN111754335B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105545A (zh) * | 2019-11-25 | 2020-05-05 | 南京奥拓电子科技有限公司 | 一种排队方法、系统、客户端、装置及其服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111754335A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447204B (zh) | 网址识别方法和装置 | |
US10853421B2 (en) | Segmented sentence recognition method and device for human-machine intelligent question answer system | |
CN112365894B (zh) | 基于ai的复合语音交互方法、装置及计算机设备 | |
CN111160514B (zh) | 一种对话的方法和系统 | |
CN108021934B (zh) | 多要素识别的方法及装置 | |
CN113360622B (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
CN110704618B (zh) | 确定对话数据对应的标准问题的方法及装置 | |
CN112183098B (zh) | 会话的处理方法和装置、存储介质、电子装置 | |
CN104092653B (zh) | 一种数据处理的方法和系统 | |
CN113724010A (zh) | 客户流失预测方法及装置 | |
CN111881273A (zh) | 问答处理方法、装置 | |
CN115098633A (zh) | 一种智能客服情感分析方法和系统、电子设备、存储介质 | |
CN111754335B (zh) | 网点机器人自调节方法、装置及系统 | |
CN117193980A (zh) | 任务剩余时长的计算方法和装置 | |
CN111687863B (zh) | 网点机器人自调节方法及装置 | |
KR20180042763A (ko) | 채팅형 금융 로봇 및 이를 이용한 금융 서비스 제공방법 | |
CN116431912A (zh) | 用户画像推送方法及装置 | |
CN111738863B (zh) | 用户数据筛选方法、装置及系统 | |
CN111464687A (zh) | 一种陌生呼叫请求的处理方法及装置 | |
CN115438976A (zh) | 基于智能柜台的用户需求处理方法及装置 | |
CN114969295A (zh) | 基于人工智能的对话交互数据处理方法、装置及设备 | |
CN114418609A (zh) | 成交概率预估方法、存储介质及程序产品 | |
CN113065109A (zh) | 人机识别方法及装置 | |
CN112381989A (zh) | 排序方法、装置、系统和电子设备 | |
CN108710697B (zh) | 用于生成信息的方法和装置 |
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 |