CN114816181A - 基于机器学习的人机交互方式处理方法、装置及相关设备 - Google Patents
基于机器学习的人机交互方式处理方法、装置及相关设备 Download PDFInfo
- Publication number
- CN114816181A CN114816181A CN202210220279.9A CN202210220279A CN114816181A CN 114816181 A CN114816181 A CN 114816181A CN 202210220279 A CN202210220279 A CN 202210220279A CN 114816181 A CN114816181 A CN 114816181A
- Authority
- CN
- China
- Prior art keywords
- human
- interaction
- preset
- computer interaction
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Abstract
本申请属于人工智能技术领域,提供了一种基于机器学习的人机交互方式处理方法、装置、计算机设备及计算机可读存储介质,为了解决人机交互效率较低的技术问题,通过响应用户进行人机交互的用户操作,获取用户操作对应的预设信息,根据预设信息,基于预设机器学习交互模型,确定预设信息对应的人机交互方式,根据人机交互方式,构建人机交互方式对应的人机交互页面,将人机交互页面通过用户操作的计算机设备进行显示,以使用户通过人机交互方式进行人机交互,从而基于人工智能,通过对用户的预设信息所体现的用户行为进行识别,根据用户的预设信息对应的用户习惯的行为特征,提供符合用户行为特征的针对性人机交互方式,可以提高人机交互的效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于机器学习的人机交互方式处理方法、装置、计算机设备及计算机可读存储介质。
背景技术
网页中一般均存在人机交互,所述人机交互的交互方式往往是交互设计师、UI设计师预先设定的固定交互布局方式,然后将交互布局方式提供给用户使用,一般包含确认、选择、提交等基本交互形态。
目前市面上手机、平板电脑及笔记本电脑等计算机设备的屏幕大小、分辨率等设备性能的不同,都对页面展示的效果存在影响,且对于交互操作,不同的用户存在不同的用户习惯,比如用户习惯左手操作或者右手操作,及不同用户对交互中的字体、字号大小及字体颜色等页面内容的需求均不相同。传统技术中,由于人机交互方式的布局是固定的,而不同计算机设备对页面的显示效果不同,及不同用户的操作习惯不同,造成用户对页面的操作效果不同,对于部分用户来说存在操作上的不便与困难,导致人机交互的效率较低,影响了用户通过人机交互办理相关业务,进而影响了业务的增长,浪费了业务成交的资源。
发明内容
本申请提供了一种基于机器学习的人机交互方式处理方法、装置、计算机设备及计算机可读存储介质,能够解决传统技术中用户进行业务办理时人机交互效率较低的技术问题。
第一方面,本申请提供了一种基于机器学习的人机交互方式处理方法,包括:响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息;根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式;根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示。
第二方面,本申请还提供了一种基于机器学习的人机交互方式处理装置,包括:第一获取单元,用于响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息;确定单元,用于根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式;构建单元,用于根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示。
第三方面,本申请还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现所述基于机器学习的人机交互方式处理方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行所述基于机器学习的人机交互方式处理方法的步骤。
本申请提供了一种基于机器学习的人机交互方式处理方法、装置、计算机设备及计算机可读存储介质,通过响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息,根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示,以使用户通过所述人机交互方式进行人机交互,办理相关人机交互业务,从而基于人工智能,通过对用户的预设信息所体现的用户行为进行识别,加深对用户行为的理解,根据用户的预设信息对应的用户习惯的行为特征,动态调整人机交互页面的页面布局与页面形态,提供符合用户行为特征的针对性人机交互方式,从而使人机交互页面对用户非常友好与便利,可以提高人机交互形式的灵活性与人机交互的效率,加强对用户的业务引导,从而促进业务增长与发展,降低业务增长的成本。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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为本申请实施例提供的基于机器学习的人机交互方式处理方法的一个流程示意图;
图2为本申请实施例提供的基于机器学习的人机交互方式处理方法的第一个子流程示意图;
图3为本申请实施例提供的基于机器学习的人机交互方式处理方法的第二个子流程示意图;
图4为本申请实施例提供的基于机器学习的人机交互方式处理方法的第三个子流程示意图;
图5为本申请实施例提供的基于机器学习的人机交互方式处理装置的一个示意性框图;
图6为本申请实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参阅图1,图1为本申请实施例提供的基于机器学习的人机交互方式处理方法的一个流程示意图。如图1所示,本申请实施例可以基于人工智能技术对相关的数据进行获取和处理,其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统,该方法包括以下步骤S11-S13:
S11、响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息。
具体地,用户进行人机交互时,用户会产生对应的用户操作,根据所述用户操作,可以获取所述用户操作对应的预设信息,所述用户操作包括登录操作与浏览操作,所述登录操作用于描述用户登录人机交互界面时的登录账户的操作,所述浏览操作用于描述用户办理人机交互业务时,通过浏览人机交互页面时进行的操作。
进一步地,响应于用户进行登录账户的登录操作,可以获取登录账户的账户资料信息,所述账户资料信息包括用户资料维度信息、登录设备维度信息、业务维度信息及展示维度信息,其中,所述用户资料维度信息包括用户的性别、年龄、账户编号等用户内容,所述登录设备维度信息包括登录设备的设备型号、设备品牌、设备屏幕大小及地址位置等登录设备的设备内容,所述业务维度信息包括用户办理的人机交互业务的业务标识、页面ID及交互标识等业务内容,所述交互标识可以为交互按钮等交互方式的标识,所述展示维度信息包括进行人机交互的页面对应的页面布局编号及展示样式等展示内容。
进一步地,响应于用户进行人机交互时浏览页面的浏览操作,可以获取用户进行浏览操作时的行为包含的行为维度信息,并将所述行为维度信息作为所述用户的用户行为信息,所述行为维度信息包括曝光时间、行为方式、行为时间、响应结果等不同行为维度的用户行为内容,例如,基于所述浏览操作,可以获取所述浏览操作对应的浏览操作信息,所述浏览操作信息包括用户操作信息、用户对页面进行配置的页面配置信息及交互流程信息,其中,所述用户操作信息包括用户使用左手或者右手的用户操作习惯等操作方式,所述页面配置信息包括页面的颜色、字体、字号、按钮的大小与样式、页面布局等页面形式。所述交互流程信息包括用户对页面内的下层链接进行点击、浏览及进一步操作等页面内容的交互过程涉及的内容。
为了获取用户操作的预设信息,可以在人机交互的交互环节,设置收集用户信息的信息配置选项,以使用户进行配置或者填写必要用户信息后,再进入人机交互过程中,从而搜集用户操作的预设信息,例如,用户使用左手或者右手的用户操作习惯,可以通过设置左右手配置选项,让用户进行使用左手或者使用右手的配置后,再进入下一个交互环节,从而收集用户操作习惯对应的信息。
S12、根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式。
具体地,预先构建基于机器学习的预设机器学习交互模型,所述预设机器学习交互模型经过人机交互训练样本训练后,可以根据用户的预设信息确定所述预设信息对应的人机交互方式,并根据所述人机交互方式构建人机交互页面,以将所述人机交互方式转换成对应的人机交互页面,所述用户后续进行人机交互时,或者所述用户操作当前页面包含的链接对应的下层页面、并向服务器请求下层链接的页面数据时,可以将对应的人机交互页面通过用户操作的计算机设备进行显示,以使用户通过所述人机交互方式进行人机交互,办理页面上的人机交互业务。由于用户使用的计算机设备一般情况下具备固定性,因此,通过推荐的人机交互方式,对于用户来说,具备针对性,以便用于进行针对性的人机交互,有利于促进人机交互对应的业务的增长。
获取所述预设信息后,根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,并根据所述人机交互方式构建人机交互页面,以将所述人机交互方式转换成对应的人机交互页面,用户进行人机交互时,或者所述用户操作当前页面包含的链接对应的下层页面、并向服务器请求下层链接的页面数据时,将所述人机交互页面通过所述用户操作的计算机设备进行显示,以使用户通过所述人机交互方式办理业务,所述人机交互方式包括人机交互页面的页面配置及人机交互页面的交互流程,其中,所述页面配置包括页面布局与页面形态,所述页面布局包括页面的显示内容与所述显示内容所在的页面位置,显示内容的显示顺序等,所述页面形态包括了页面实体、文字、符号、图像等作用于人体视觉的静止凝固或使观众被动接受的形态表达方式,包括页面的字体、字号、字体颜色、按钮的样式与大小等页面内容的显示方式,所述交互流程包括交互节点的配置与所述交互节点上的交互内容的配置,包括交互节点个数的配置,及每个交互节点的显示内容的配置,以描述人机交互的步骤,例如,根据用户的历史交互数据,可以将交互节点设置成两个,只显示重要的交互内容,也可以将交互节点设置成四个或者六个,以详细显示交互内容,以满足用户对交互内容的详细了解。
S13、根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示。
具体地,确定所述人机交互方式后,根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,所述人机交互页面包括页面内容的显示方式及交互步骤对应的交互流程,并将所述人机交互交互页面进行渲染,例如,用户通过终端设备向服务器请求人机交互页面时,服务器将人机交互页面发送至所述终端,以使所述终端显示所述人机交互页面,以将所述人机交互页面通过所述用户操作的终端等计算机设备进行显示,以使用户通过所述人机交互方式办理相关业务。
本申请实施例,通过响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息,根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示,以使用户通过所述人机交互方式进行人机交互,办理相关人机交互业务,从而基于人工智能,通过对用户的预设信息所体现的用户行为进行识别,加深对用户行为的理解,根据用户的预设信息对应的用户习惯的行为特征,动态调整人机交互页面的页面布局与页面形态,提供符合用户行为特征的针对性人机交互方式,从而使人机交互页面对用户非常友好与便利,可以提高人机交互形式的灵活性与人机交互的效率,加强对用户的业务引导,从而促进业务增长与发展,降低业务增长的成本。
在一实施例中,所述预设信息包括所述用户的账户资料信息,所述根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,包括:
将所述账户资料信息作为输入参数,基于预设机器学习交互模型,确定所述账户资料信息对应的人机交互页面布局,并将所述人机交互页面布局作为人机交互方式。
具体地,由于用户的年龄、性别、左右手使用习惯等用户资料,及用户使用的计算机设备的屏幕大小、分辨率等设备性能的不同,均会对用户使用人机交互页面产生影响,因此,可以预先收集人机交互的历史人机交互资料信息,所述历史人机交互资料信息包括用户的个人资料信息,用户使用的设备资料信息及用户使用人机交互页面的业务交互完成度等人机交互内容,其中,所述个人资料信息包括用户的年龄、性别等个人信息,所述设备资料信息包括使用的计算机设备的屏幕大小、分辨率等设备的性能,所述人机交互页面的业务交互完成度用于描述用户完成整个人机交互业务对应的业务流程的程度,例如,针对一业务的业务交互页面包含ABCDE五个顺序业务模块,若用户由始至终的顺序完成了ABCDE五个业务模块,用户的业务交互完成度为100%,若用户完成了A业务模块,没有往下进行,用户的业务交互完成度为20%,若用户顺序完成了ABC三个业务模块,没有往下进行,用户的业务交互完成度为60%,以此类推;再例如,针对一业务的业务流程包含ABCDE五个顺序节点,若用户由始至终的顺序完成了ABCDE五个节点,用户的业务交互完成度为100%,若用户完成了A节点,没有往下进行,用户的业务交互完成度为20%,若用户顺序完成了ABC三个节点,没有往下进行,用户的业务交互完成度为60%,以此类推,业务交互完成度完成的人机交互方式默认为用户都认可的人机交互方式,业务交互完成度为100%的人机交互方式为目标人机交互方式。
基于积累的预设历史人机交互资料信息,并结合预设机器学习交互模型,可以将所有所述历史人机交互资料信息进行聚类,从而分析出不同类型用户所适合的人机交互方式。
监测到用户登录人机交互页面后,可以获取用户的账户资料信息,并将所述账户资料信息作为输入参数(即入参),基于预设机器学习交互模型,匹配出与所述账户资料信息相适应的人机交互页面布局等页面内容,从而确定所述账户资料信息对应的人机交互页面布局,所述人机交互页面布局包括页面上各个功能模块的位置、样式及按钮的样式等页面内容,并将所述人机交互页面布局作为人机交互方式。例如,由于不同年龄段的喜好等因素造成的行为方式的相似性与差异性,可以根据不同年龄段,预先确定该年龄段对应的默认人机交互方式,例如针对18周岁以下的未成年人确定相对应的默认人机交互方式,针对65周岁以上的老年人确定相对应的默认人机交互方式等。在用户登录人机交互页面后,针对不同年龄段的用户,可以根据用户登录的账户,获取用户的年龄,根据所述年龄,基于预设机器学习交互模型,确定与所述年龄相适应的人机交互页面布局,并将所述人机交互页面布局作为人机交互方式。若所述账户资料信息包含多方面内容,可以综合考虑各方面的内容,从而得出一个综合性的人机交互页面布局,从而充分根据用户的特点,采用针对性的人机交互方式实现人机交互,可以实现动态调整人机交互方式,提高人机交互方式的灵活性与适应性,从而促进业务的增长,节约业务增长的资源,降低业务增长的成本。
在一实施例中,所述预设信息包括所述用户的用户行为信息,所述根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,包括:
将所述用户行为信息作为输入参数,基于所述预设机器学习交互模型,确定所述用户行为信息对应的人机交互流程,并将所述人机交互流程作为人机交互方式。
具体地,如上所述,可以基于所述用户的账户资料信息,并且基于预先收集的历史人机交互资料信息,根据所述人机交互页面的业务交互完成度,确定适合不同用户的用户行为的人机交互流程,所述人机交互流程包括预设业务的若干个业务节点,每个业务节点对应一个业务处理步骤,每个业务节点可以通过网页链接的方式构成上层页面的下层链接页面,所有所述业务节点按照由前至后的顺序构建成预设人机交互业务的完整流程,例如,用户注册流程。在用户进行人机交互的过程中,获取所述用户的用户行为信息,所述用户行为信息包括用户的左右手使用习惯、用户的业务交互完成度,用户浏览相关内容的停留时间等用户行为信息,并将所述用户行为信息作为入参,基于所述预设机器学习交互模型,确定所述用户行为信息对应的人机交互流程等动态内容,并将所述人机交互流程作为人机交互方式,从而识别用户的行为,根据用户的行为,得到所述用户行为信息,并根据所述用户行为信息,确定所述用户行为信息对应的人机交互流程,并将所述人机交互流程作为人机交互方式。若所述用户行为信息包含多方面内容,可以综合衡量各个维度的内容,从而得出一个综合性的人机交互流程,从而实现针对用户行为,确定对应的人机交互流程,采用针对性的人机交互方式实现人机交互,可以实现动态调整人机交互方式,提高人机交互方式的灵活性与适应性,从而促进业务的增长,节约业务增长的资源,降低业务增长的成本。
进一步地,也可以将所述用户的账户资料信息与所述用户的用户行为信息共同作为输入参数,以更全面的用户信息,从而更准确地确定适应于用户的人机交互方式,然后基于预设机器学习交互模型,确定所述账户资料信息对应的人机交互页面布局,并将所述人机交互页面布局作为人机交互方式。
综上所述,所述预设信息可以包括所述用户的账户资料信息和/或所述用户的用户行为信息,然后将所述账户资料信息和/或所述用户行为信息作为输入参数,并基于预设机器学习交互模型,确定所述账户资料信息对应的人机交互页面布局,并将所述人机交互页面布局作为人机交互方式,从而能够根据获取的不同层面的用户预设信息,尽可能准确的确定适用于用户的人机交互方式,从而提高人机交互效率。
在一实施例中,请参阅图2,图2为本申请实施例提供的基于机器学习的人机交互方式处理方法的第一个子流程示意图。如图2所示,在该实施例中,所述预设信息包含若干预设类别内容,所述根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,包括:
S121、基于所述预设机器学习交互模型,获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值;
S122、基于所述预设机器学习交互模型包含的预设决策算法,根据所述预设特征完成度分值,获取完成度评分最高的目标人机交互方式,并将所述目标人机交互方式作为所述预设信息对应的人机交互方式,其中,所述完成度评分为人机交互方式包含的交互流程特征的特征完成度分值的和值。
具体地,人机交互方式包含的内容用交互流程特征描述,所述交互流程特征用于描述人机交互的页面布局、页面展示方式及人机交互的步骤等内容属性,且针对每一交互流程特征设置对应的预设特征完成度分值,所述预设特征完成度分值用于描述完成所述交互流程特征可以得到的分值,所述预设特征完成度分值可以根据交互流程特征在人机交互方式中的重要性及人机交互的业务引导目的进行设置。例如,在用户办理支付的过程中,引导用户绑定银行卡比引导用户填写职业信息重要,因此,引导用户绑定银行卡对应的交互流程特征的完成度分值,可以比引导用户填写职业信息的交互流程特征的完成度分值大,例如,引导用户绑定银行卡的交互流程特征的完成度分值可以为90分,引导用户填写的职业信息的交互流程特征的完成度分值可以为60分。
针对同一人机交互业务,可以设置不相同的人机交互流程,所述人机交互流程包括人机交互的交互节点及每个交互节点的节点内容,所述节点内容包括业务内容及业务内容的内容展示方式,采用交互流程特征来描述所述人机交互的交互节点及每个交互节点的节点内容等所述人机交互流程包含的特性,不相同的人机交互流程可以为交互节点的不相同,或者交互节点的业务内容不相同,或者交互节点的内容展示方式不相同,所述人机交互流程可以采用集合h={h1,h2,hi,…hn}描述所有的交互流程特征,hi描述所述人机交互流程的第i个交互流程特征,hi可以用向量pi描述,一个人机交互流程可以表示为一个由交互流程特征的属性组成的向量,如下公式(1)所示:
p=[p1,p2,pi,…,pn] 公式(1);
公式(1)中,pi用来描述所述交互流程特征hi的特征属性。pi为0表示所述人机交互流程不具有交互流程特征hi,pi为1表示所述人机交互流程具有交互流程特征hi,从而当pi取确定的值时,可得到一个具体的人机交互流程,每个人机交互流程均具有各自的属性特征,每个用户使用人机交互流程时,均要基于所述交互流程特征进行比较与选择,以办理对应的人机交互业务。例如,针对一预设人机交互业务,所述预设人机交互业务的人机交互流程可以包含ABCDE五个交互节点,所述预设人机交互业务的人机交互流程也可以包含A’B’E’三个交互节点,其中,交互节点A的内容可以为内容A1,内容A1的展示方式可以为图表1,交互节点A’的内容可以为内容A2,内容A2的展示方式可以为文字1等,从而将同一人机交互业务的不同人机交互业务流程展示给众多用户,由于不同用户对每种类型的人机交互流程的喜好程度不同,会导致用户对每种类型的人机交互流程的反馈不相同,例如,用户甲对人机交互流程ABCDE,可能只进行了ABC三个交互节点,即终止了人机交互业务,而用户乙对人机交互流程A’B’E’,可能进行了A’B’E’三个交互节点,完成了整个人机交互业务。根据用户对每种类型的人机交互流程的反馈,可以得到所述预设人机交互流程对应的人机交互完成度,将所述预设人机交互流程及所述预设人机交互流程对应的人机交互完成度进行对应标注,可以构建预设人机交互训练样本,以便后续根据预设人机交互训练样本,将人机交互流程进行优化。
基于所述预设机器学习交互模型,获取预设信息对应的预设人机交互训练样本,所述预设人机交互训练样本包含预设人机交互流程及所述预设人机交互流程对应的人机交互完成度,每个所述预设人机交互流程包含若干交互流程特征,其中,所述人机交互完成度用于描述用户对所述预设人机交互流程的完成程度,根据所述人机交互完成度,可以默认用户完成的完成度所包含的交互流程特征是用户能够接收的、喜好程度较高的流程特征,可以根据交互流程特征在所有用户完成的人机交互完成度中出现的频率,或者可以根据交互流程特征在所有完成的人机交互流程中出现的频率等特征属性,确定用户对所述交互流程特征的特征喜好度,然后根据所述特征喜好度,确定完成所述预设人机交互业务包含的目标交互流程特征,并将所有所述目标交互流程特征构建成人机交互流程,从而确定预设信息对应的人机交互流程,所述人机交互流程包含完成所述预设人机交互业务所必须的最少的交互流程特征。
基于所述预设机器学习交互模型,获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值,由于交互流程特征对应的交互节点进一步跳转时,可以有不同的跳转分支节点,例如,在一人机交互业务中,从交互节点B可以跳转到交互节点C,也可以跳转到交互节点D,尤其所述预设信息包含多种预设类别内容,例如,包含用户的年龄、性别、屏幕尺寸、左右手习惯及业务分支等多种预设类别内容时,多种交互流程特征可以组合出不同的人机交互方式,需要从多种人机交互方式中筛选出能促进人机交互业务目的的目标人机交互方式,作为优选人机交互方式推荐给用户,可以基于所述预设机器学习交互模型包含的预设决策算法,所述预设决策算法可以为决策树算法,从多种人机交互方式中,筛选出完成度评分最高的目标人机交互方式,所述完成度评分用于描述人机交互方式包含的交互流程特征的特征完成度分值的和值,并将所述目标人机交互方式作为所述预设信息对应的人机交互方式。例如,所述预设类别内容对应的交互流程特征可以为ABCDEFG,ABCDEFG各自对应预设特征完成度分值,基于所述预设机器学习交互模型包含的预设决策算法,其中,ABFG可以组成第一种人机交互方式,ABCEG可以组成第二种人机交互方式,ABCDEFG各自对应预设特征完成度分值,可以根据预设特征完成度分值,计算第一种人机交互方式与第二种人机交互方式各自的完成度评分,从而可以筛选出完成度评分最高的目标人机交互方式,并将所述目标人机交互方式作为所述预设信息对应的人机交互方式,从而筛选出较优的人机交互方式,采用针对性的人机交互方式实现人机交互,可以实现动态调整人机交互方式,提高人机交互方式的灵活性与适应性,从而促进业务的增长,节约业务增长的资源,降低业务增长的成本。
进一步地,请参阅图3,图3为本申请实施例提供的基于机器学习的人机交互方式处理方法的第一个子流程示意图。如图3所示,在该实施例中,所述获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值,包括:
S1211、获取所述预设类别内容对应的多个初始交互流程特征,及获取每个所述初始交互流程特征对应的特征喜好度,并所述初始交互流程特征在完成历史人机交互方式中所占的决定比重;
S1212、根据所述特征喜好度与所述决定比重,确定所述预设类别内容对应的交互流程特征;
S1213、获取所述交互流程特征对应的预设特征完成度分值,得到所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值。
具体地,由于同一预设类别内容可以对应不同的交互流程特征,例如,针对用户使用的计算机设备的同一尺寸屏幕,可以设置不同的人机交互页面的显示分辨率,以通过用户对人机交互方式中显示分辨率的反馈,得到用户对该尺寸的屏幕,更喜欢那种人机交互页面的显示分辨率。因此,针对同一预设类别内容可以对应不同的交互流程特征。获取所述预设类别内容对应的多个初始交互流程特征,及每个所述初始交互流程特征对应的特征喜好度与所述初始交互流程特征在完成历史人机交互方式中所占的决定比重,根据所述特征喜好度与所述决定比重,确定所述预设类别内容对应的交互流程特征,获取所述交互流程特征对应的预设特征完成度分值,得到所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值。
进一步地,对于人机交互业务涉及的交互流程特征,可以基于包含交互流程特征的历史交互流程信息,统计用户对所述交互流程特征的喜好程度,从而得到每个交互流程特征对应的特征喜好度,即每个所述初始交互流程特征对应的特征喜好度,特征喜好度可以通过用户对所述交互流程特征的点击量进行描述,也可以用交互流程特征在所有完成的历史人机交互方式中出现的概率进行描述,例如,交互流程特征A设置在第一位置时,点击量为1000次,交互流程特征A设置在第二位置时,点击量为600次,可知,交互流程特征A设置在第一位置时,对交互流程特征A的喜好度更大。
进一步地,为了提高得到的每个交互流程特征对应的特征喜好度准确性,可以预先将所述交互流程特征包含于不同的人机交互方式中,根据人机交互过程中,用户对所述交互流程特征的反馈,统计用户对所述交互流程特征的喜好程度(即特征喜好度)。例如,对于人机交互中涉及到的绑定银行卡的交互流程特征,在同一人机交互业务的不同人机交互方式中,例如,对于实现同一人机交互业务甲,可以由交互流程特征ABFG组成第一种人机交互方式,也可以由交互流程特征ABCEG组成第二种人机交互方式,或者在不同人机交互业务的不同人机交互方式中,交互流程特征B可以出现在人机交互业务甲中,交互流程特征B也可以出现在人机交互业务乙中,从而可以获得用户对交互流程特征B的反馈,避免基于同一人机交互方式,统计用户对交互流程特征的喜好度存在片面的问题。
进一步地,所述获取所述预设类别内容对应的多个初始交互流程特征之前,还包括:
获取预设人机交互训练样本,基于所述预设人机交互训练样本,统计所述交互流程特征在所述预设人机交互训练样本中出现的频率,并将所述频率作为用户对所述交互流程特征的特征喜好度。
其中,频率(英文为Frequency),为每个交互流程特征出现的次数m与所有交互流程特征出现的总次数n的比值,比值m/n称为交互流程特征发生的频率,可以描述用户对交互流程特征的喜好程度,频率越高,用户对交互流程特征的喜好程度越大。
具体地,为了更准确的描述用户对所述交互流程特征的特征喜好度,从而提高人机交互方式相对用户的针对性,可以根据所述交互流程特征在完成的历史人机交互方式中出现的频率,描述用户对所述交互流程特征的特征喜好度。基于用户对历史人机交互方式的完成度,构建预设人机交互训练样本,所述预设人机交互训练样本包含预设人机交互方式及用户对所述预设人机交互方式的完成度,从而基于预设人机交互训练样本,统计每个交互流程特征在所述预设人机交互训练样本出现的次数,及所有交互流程特征在所述预设人机交互训练样本中出现的总次数,然后统计每个所述交互流程特征在在所述预设人机交互训练样本中出现的频率,并将所述频率作为用户对所述交互流程特征的特征喜好度。在基于机器学习实现人机交互方式处理时,可以采用一个喜好函数定义用户对预设交互流程特征的喜好程度,如下公式(1):
ci=f(hi) 公式(1);
hi描述交互流程特征,函数f(hi)用于统计用户对交互流程特征hi的喜好程度,定义为[0 1]上的一个连续函数,ci定义为区间[0,1]上的值,用于描述用户对交互流程特征hi的喜好程度,ci为1,描述hi为用户最可能完成的交互流程特征,ci为0,描述hi为最不可能完成的交互流程特征。
由于同一预设类别内容可以对应不同的交互流程特征,例如,针对用户使用的计算机设备的同一尺寸屏幕,可以设置不同的人机交互页面的显示分辨率,以通过用户对人机交互方式中显示分辨率的反馈,得到用户对该尺寸的屏幕,更喜欢那种人机交互页面的显示分辨率。因此,针对同一预设类别内容可以对应不同的交互流程特征。获取所述预设类别内容对应的多个初始交互流程特征,及每个所述初始交互流程特征对应的特征喜好度,后续基于所述特征喜好度,获取所述交互流程特征对应的预设特征完成度分值,从而得到所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值。
进一步地,请参阅图4,图4为本申请实施例提供的基于机器学习的人机交互方式处理方法的第二个子流程示意图。如图4所示,在该实施例中,所述获取初始交互流程特征在完成历史人机交互方式中所占的决定比重,包括:
S41、获取所述预设人机交互训练样本包含的预设历史人机交互方式;
S42、统计所述预设历史人机交互方式包含的所有交互流程特征的总完成度分值;
S43、获取所述初始交互流程特征对应的预设特征完成度分值;
S44、计算所述预设特征完成度分值与所述总完成度分值的比值,得到所述初始交互流程特征在完成所述预设历史人机交互方式中所占的决定比重。
具体地,用户是否喜欢人机交互方式,是用户对该人机交互方式包含的各项交互流程特征的喜好程度共同作用的结果,由于人机交互方式包含多项交互流程特征,每项交互流程特征对应于预设特征完成度分值,因此,可以统计所述交互流程特征在所对应的历史人机交互方式中所占的比重,从而获得初始交互流程特征在完成人机交互方式中所占的决定比重,来描述初始交互流程特征在完成历史人机交互过程所起的作用,即基于所述交互流程特征对应的预设特征完成度分值,并统计所述人机交互方式所包含的交互流程特征的总完成度分值,计算所述预设特征完成度分值与所述总完成度分值的比值,得到所述初始交互流程特征在完成人机交互过程中所占的决定比重。
例如,在基于BP神经网络构建所述预设机器学习交互模型时,可以定义yi=ci*pi,则人机交互方式包含的各项交互流程特征共同作用可以表示为函数d1,其函数d1表示所述预设机器学习交互模型包含的隐含层到输出层的关系函数:
d1=g(y1,y2,…,yn) 公式(2);
进一步地,综合函数ci=f(hi)和d=g(y1,y2,…,yn)及其变换关系yi=ci*pi,得到一个统一的用户偏好模型d2,1函数表示输入层到输出层的综合关系函数:
d2=l(p1,p2,…,pn) 公式(3);
公式(3)表明用户对一个交互流程的喜好程度由该交互流程的所有特征属性所决定,上述函数(3)用来描述用户的偏好模型,即预设机器学习交互模型,可以借助机器学习工具来模拟该用户偏好模型,例如,可以采用BP神经网络进行用户偏好模型对应的预设机器学习交互模型的训练,可以根据用户对以往人机交互方式的喜好程度(即人机交互方式的完成度)情况进行学习,帮助该用户选择其它有可能感兴趣的人机交互方式。
BP神经网络的预设人机交互训练样本,源于用户已经参与过的历史人机交互方式信息和人机交互方式完成度。对于用户已经参与过的任一人机交互方式i,根据其配置文件可得到相应的交互流程特征向量p(i)及用户的完成度评分q(i),交互流程特征向量和相应的完成度评分构成了该用户的一个历史人机交互样本yb(i)=(p(i),q(i))。对于用户参与过的任一人机交互方式,均可得到相应的交互流程样本,所有这些样本构成了一个可供训练和测试的样本集。BP神经网络的输入因子应为交互流程的特征向量,输出因子为用户对交互流程的预测人机交互完成度。
BP神经网络的结构,即用户偏好模型的构建需要分两步完成,第一步是用户对某项交互流程特征的喜好程度,即函数ci=f(hi)的构建,第二步需完成函数d=g(y1,y2,…,yn)的构建工作,设定BP神经网络为三层:输入层,隐层,输出层。输入层用来输入交互流程的特征数据,隐层为用户对这些交互流程特征的喜好程度数据,输出层输出完成度评分值,可将BP神经网络的输入层到隐层的关系理解为第一步的函数关系,隐层到输出层的关系理解为第二步函数关系,这样整个神经网络可以很好地模拟用户偏好模型,最后的BP神经网络结构设定为:第一层为系统输入层,由于神经网络的输入变量为交互流程的特征向量,因此输入层神经元个数与交互流程特征向量维数相同;第三层为输出层,为用户对该交互流程的完成度评分,输出层神经元个数为1;隐层每个神经元被用来表征对某个特征值的喜好程度,因此其个数与交互流程特征向量维数相同,即与输入层神经元个数相同。
需要说明的是,上述各个实施例所述的基于机器学习的人机交互方式处理方法,可以根据需要将不同实施例中包含的技术特征重新进行组合,以获取组合后的实施方案,但都在本申请要求的保护范围之内。
请参阅图5,图5为本申请实施例提供的基于机器学习的人机交互方式处理装置的一个示意性框图。对应于上述所述基于机器学习的人机交互方式处理方法,本申请实施例还提供一种基于机器学习的人机交互方式处理装置。如图5所示,该基于机器学习的人机交互方式处理装置包括用于执行上述所述基于机器学习的人机交互方式处理方法的单元,该基于机器学习的人机交互方式处理装置可以被配置于计算机设备中。具体地,请参阅图5,该基于机器学习的人机交互方式处理装置50包括第一获取单元51、确定单元52及构建单元53。
其中,第一获取单元51,用于响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息;
确定单元52,用于根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式;
构建单元53,用于根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示。
在一实施例中,所述预设信息包括所述用户的账户资料信息和/或所述用户的用户行为信息,所述确定单元52,用于将所述账户资料信息和/或所述用户的用户行为信息作为输入参数,基于预设机器学习交互模型,确定所述账户资料信息对应的人机交互页面布局,并将所述人机交互页面布局作为人机交互方式。
在一实施例中,所述基于机器学习的人机交互方式处理装置50还包括:
响应单元,用于响应于用户进行人机交互时浏览页面的浏览操作,获取所述浏览操作对应的行为包含的行为维度信息,并将所述行为维度信息作为所述用户的用户行为信息。
在一实施例中,所述预设信息包含若干预设类别内容,所述确定单元52包括:
第一获取子单元,用于基于所述预设机器学习交互模型,获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值;
第二获取子单元,用于基于所述预设机器学习交互模型包含的预设决策算法,根据所述预设特征完成度分值,获取完成度评分最高的目标人机交互方式,并将所述目标人机交互方式作为所述预设信息对应的人机交互方式,其中,所述完成度评分为人机交互方式包含的交互流程特征的特征完成度分值的和值。
在一实施例中,所述第一获取子单元包括:
第三获取子单元,用于获取所述预设类别内容对应的多个初始交互流程特征,及获取每个所述初始交互流程特征对应的特征喜好度,并获取所述初始交互流程特征在完成历史人机交互方式中所占的决定比重;
确定子单元,用于根据所述特征喜好度与所述决定比重,确定所述预设类别内容对应的交互流程特征;
第四获取子单元,用于获取所述交互流程特征对应的预设特征完成度分值,得到所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值。
在一实施例中,所述第一获取子单元还包括:
第一统计子单元,用于获取预设人机交互训练样本,基于所述预设人机交互训练样本,统计所述交互流程特征在所述预设人机交互训练样本中出现的频率,并将所述频率作为用户对所述交互流程特征的特征喜好度。
在一实施例中,所述第三获取子单元包括:
第五获取子单元,用于获取所述预设人机交互训练样本包含的预设历史人机交互方式;
第二统计子单元,用于统计所述预设历史人机交互方式包含的所有交互流程特征的总完成度分值;
第六获取子单元,用于获取所述初始交互流程特征对应的预设特征完成度分值;
计算子单元,用于计算所述预设特征完成度分值与所述总完成度分值的比值,得到所述初始交互流程特征在完成所述预设历史人机交互方式中所占的决定比重。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于机器学习的人机交互方式处理装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
同时,上述基于机器学习的人机交互方式处理装置中各个单元的划分和连接方式仅用于举例说明,在其他实施例中,可将基于机器学习的人机交互方式处理装置按照需要划分为不同的单元,也可将基于机器学习的人机交互方式处理装置中各单元采取不同的连接顺序和方式,以完成上述基于机器学习的人机交互方式处理装置的全部或部分功能。
上述基于机器学习的人机交互方式处理装置可以实现为一种计算机程序的形式,该计算机程序可以在如图6所示的计算机设备上运行。
请参阅图6,图6是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备,也可以是其他设备中的组件或者部件。
参阅图6,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504,所述存储器也可以为易失性存储介质。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种上述基于机器学习的人机交互方式处理方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种上述基于机器学习的人机交互方式处理方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图6所示实施例一致,在此不再赘述。
其中,基于机器学习的人机交互方式处理方法,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息;根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式;根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示。
在一实施例中,所述预设信息包括所述用户的账户资料信息和/或所述用户的用户行为信息,所述处理器502在实现所述根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式时,具体实现以下步骤:
将所述账户资料信息和/或所述用户的用户行为信息作为输入参数,基于预设机器学习交互模型,确定所述账户资料信息对应的人机交互页面布局,并将所述人机交互页面布局作为人机交互方式。
在一实施例中,所述处理器502在实现所述将所述用户行为信息作为输入参数之前,还实现以下步骤:
响应于用户进行人机交互时浏览页面的浏览操作,获取所述浏览操作对应的行为包含的行为维度信息,并将所述行为维度信息作为所述用户的用户行为信息。
在一实施例中,所述预设信息包含若干预设类别内容,所述处理器502在实现所述根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式时,具体实现以下步骤:
基于所述预设机器学习交互模型,获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值;
基于所述预设机器学习交互模型包含的预设决策算法,根据所述预设特征完成度分值,获取完成度评分最高的目标人机交互方式,并将所述目标人机交互方式作为所述预设信息对应的人机交互方式,其中,所述完成度评分为人机交互方式包含的交互流程特征的特征完成度分值的和值。
在一实施例中,所述处理器502在实现所述获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值时,具体实现以下步骤:
获取所述预设类别内容对应的多个初始交互流程特征,及获取每个所述初始交互流程特征对应的特征喜好度,并获取所述初始交互流程特征在完成历史人机交互方式中所占的决定比重;
根据所述特征喜好度与所述决定比重,确定所述预设类别内容对应的交互流程特征;
获取所述交互流程特征对应的预设特征完成度分值,得到所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值。
在一实施例中,所述处理器502在实现所述获取所述预设类别内容对应的多个初始交互流程特征之前,还实现以下步骤:
获取预设人机交互训练样本,基于所述预设人机交互训练样本,统计所述交互流程特征在所述预设人机交互训练样本中出现的频率,并将所述频率作为用户对所述交互流程特征的特征喜好度。
在一实施例中,所述处理器502在实现所述获取初始交互流程特征在完成历史人机交互方式中所占的决定比重时,具体实现以下步骤:
获取所述预设人机交互训练样本包含的预设历史人机交互方式;
统计所述预设历史人机交互方式包含的所有交互流程特征的总完成度分值;
获取所述初始交互流程特征对应的预设特征完成度分值;
计算所述预设特征完成度分值与所述总完成度分值的比值,得到所述初始交互流程特征在完成所述预设历史人机交互方式中所占的决定比重。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessingUnit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来完成,该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,也可以为易失性的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器执行如下步骤:
一种计算机程序产品,当其在计算机上运行时,使得计算机执行以上各实施例中所描述的所述基于机器学习的人机交互方式处理方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述存储介质为实体的、非瞬时性的存储介质,例如可以是U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元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,可以存储在一个存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机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电子设备(可以是个人计算机,终端,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。
以上所述,仅为本申请的具体实施方式,但本申请明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于机器学习的人机交互方式处理方法,其特征在于,包括:
响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息;
根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式;
根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示。
2.根据权利要求1所述基于机器学习的人机交互方式处理方法,其特征在于,所述预设信息包括所述用户的账户资料信息和/或所述用户的用户行为信息,所述根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,包括:
将所述账户资料信息和/或所述用户行为信息作为输入参数,基于预设机器学习交互模型,确定所述账户资料信息对应的人机交互页面布局,并将所述人机交互页面布局作为人机交互方式。
3.根据权利要求2所述基于机器学习的人机交互方式处理方法,其特征在于,所述将所述用户行为信息作为输入参数之前,还包括:
响应于用户进行人机交互时浏览页面的浏览操作,获取所述浏览操作对应的行为包含的行为维度信息,并将所述行为维度信息作为所述用户的用户行为信息。
4.根据权利要求1所述基于机器学习的人机交互方式处理方法,其特征在于,所述预设信息包含若干预设类别内容,所述根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式,包括:
基于所述预设机器学习交互模型,获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值;
基于所述预设机器学习交互模型包含的预设决策算法,根据所述预设特征完成度分值,获取完成度评分最高的目标人机交互方式,并将所述目标人机交互方式作为所述预设信息对应的人机交互方式,其中,所述完成度评分为人机交互方式包含的交互流程特征的特征完成度分值的和值。
5.根据权利要求4所述基于机器学习的人机交互方式处理方法,其特征在于,所述获取所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值,包括:
获取所述预设类别内容对应的多个初始交互流程特征,及获取每个所述初始交互流程特征对应的特征喜好度,并获取所述初始交互流程特征在完成历史人机交互方式中所占的决定比重;
根据所述特征喜好度与所述决定比重,确定所述预设类别内容对应的交互流程特征;
获取所述交互流程特征对应的预设特征完成度分值,得到所述预设类别内容对应的交互流程特征及所述交互流程特征对应的预设特征完成度分值。
6.根据权利要求5所述基于机器学习的人机交互方式处理方法,其特征在于,所述获取所述预设类别内容对应的多个初始交互流程特征之前,还包括:
获取预设人机交互训练样本,基于所述预设人机交互训练样本,统计所述交互流程特征在所述预设人机交互训练样本中出现的频率,并将所述频率作为用户对所述交互流程特征的特征喜好度。
7.根据权利要求5所述基于机器学习的人机交互方式处理方法,其特征在于,所述获取初始交互流程特征在完成历史人机交互方式中所占的决定比重,包括:
获取所述预设人机交互训练样本包含的预设历史人机交互方式;
统计所述预设历史人机交互方式包含的所有交互流程特征的总完成度分值;
获取所述初始交互流程特征对应的预设特征完成度分值;
计算所述预设特征完成度分值与所述总完成度分值的比值,得到所述初始交互流程特征在完成所述预设历史人机交互方式中所占的决定比重。
8.一种基于机器学习的人机交互方式处理装置,其特征在于,包括:
第一获取单元,用于响应用户进行人机交互的用户操作,获取所述用户操作对应的预设信息;
确定单元,用于根据所述预设信息,基于预设机器学习交互模型,确定所述预设信息对应的人机交互方式;
构建单元,用于根据所述人机交互方式,构建所述人机交互方式对应的人机交互页面,并将所述人机交互页面通过所述用户操作的计算机设备进行显示。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,以执行如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220279.9A CN114816181A (zh) | 2022-03-08 | 2022-03-08 | 基于机器学习的人机交互方式处理方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220279.9A CN114816181A (zh) | 2022-03-08 | 2022-03-08 | 基于机器学习的人机交互方式处理方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114816181A true CN114816181A (zh) | 2022-07-29 |
Family
ID=82528711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210220279.9A Pending CN114816181A (zh) | 2022-03-08 | 2022-03-08 | 基于机器学习的人机交互方式处理方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114816181A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459993A (zh) * | 2020-02-17 | 2020-07-28 | 平安科技(深圳)有限公司 | 基于行为分析的配置更新方法、装置、设备及存储介质 |
CN112256181A (zh) * | 2020-10-26 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 交互处理方法、装置、计算机设备及存储介质 |
US20210089331A1 (en) * | 2019-09-19 | 2021-03-25 | Adobe Inc. | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments |
CN113781161A (zh) * | 2021-08-30 | 2021-12-10 | 微民保险代理有限公司 | 展示页面生成方法、装置、计算机设备和存储介质 |
-
2022
- 2022-03-08 CN CN202210220279.9A patent/CN114816181A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210089331A1 (en) * | 2019-09-19 | 2021-03-25 | Adobe Inc. | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments |
CN111459993A (zh) * | 2020-02-17 | 2020-07-28 | 平安科技(深圳)有限公司 | 基于行为分析的配置更新方法、装置、设备及存储介质 |
CN112256181A (zh) * | 2020-10-26 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 交互处理方法、装置、计算机设备及存储介质 |
CN113781161A (zh) * | 2021-08-30 | 2021-12-10 | 微民保险代理有限公司 | 展示页面生成方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10958748B2 (en) | Resource push method and apparatus | |
CN108363602B (zh) | 智能ui界面布局方法、装置、终端设备及存储介质 | |
CN107273492B (zh) | 一种基于众包平台处理图像标注任务的交互方法 | |
US10896049B2 (en) | Correlating user interface design types to user groups | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
US11119793B2 (en) | Custom user interface design based on metrics from another communication channel | |
US11068285B2 (en) | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments | |
US20200341780A1 (en) | Adjusting emphasis of user interface elements based on user attributes | |
CN108287857B (zh) | 表情图片推荐方法及装置 | |
US20180253649A1 (en) | Method and system for finding a solution to a provided problem by selecting a winner in evolutionary optimization of a genetic algorithm | |
CN109087162A (zh) | 数据处理方法、系统、介质和计算设备 | |
CN113240778A (zh) | 虚拟形象的生成方法、装置、电子设备和存储介质 | |
WO2019174379A1 (zh) | 操作路径导航 | |
CN114035793A (zh) | 页面生成方法、页面生成装置、设备及存储介质 | |
JP7128311B2 (ja) | 文書種別の推奨方法、装置、電子機器、可読記憶媒体及びコンピュータプログラム製品 | |
WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN111368195A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN114816181A (zh) | 基于机器学习的人机交互方式处理方法、装置及相关设备 | |
CN113486283B (zh) | 页面合并方法、装置、服务器、介质及产品 | |
CN111897618A (zh) | 一种ui界面的确定方法、装置及存储介质 | |
CN110992071B (zh) | 一种服务策略制定方法、装置、存储介质及电子设备 | |
CN110808899B (zh) | 一种内容分享方法、装置、客户端、服务器及系统 | |
CN111126012B (zh) | 定制生成表达式方法及装置 | |
CN115248891A (zh) | 一种页面展示方法、装置、电子设备和存储介质 | |
CN113722577A (zh) | 反馈信息的处理方法、装置、设备以及存储介质 |
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 |