CN117808438B - 基于深度学习的用户习惯学习方法、装置、设备及介质 - Google Patents
基于深度学习的用户习惯学习方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117808438B CN117808438B CN202410226479.4A CN202410226479A CN117808438B CN 117808438 B CN117808438 B CN 117808438B CN 202410226479 A CN202410226479 A CN 202410226479A CN 117808438 B CN117808438 B CN 117808438B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- equipment
- identity
- behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 230000006399 behavior Effects 0.000 claims abstract description 217
- 238000010801 machine learning Methods 0.000 claims abstract description 55
- 230000004044 response Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 36
- 238000012795 verification Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于深度学习的用户习惯学习方法、装置、设备及介质,所述方法包括基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;根据所述用户身份信息和所述业务办理信息,获取可用设备信息;基于所述可用设备信息,采集用户行为信息;将所述用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息;基于所述设备控制信息控制对应的设备,采集用户反应行为信息,将所述用户反应行为信息输入机器学习模型,通过所述用户行为信息和所述用户反应行为信息训练机器学习模型。本申请提供一种能够对不同用户实行更加适宜的服务流程的方式,以提高用户体验满意度。
Description
技术领域
本发明涉及用户习惯学习的技术领域,尤其是涉及一种基于深度学习的用户习惯学习方法、装置、设备及介质。
背景技术
信创一体机是一种集成多个功能设备的终端,功能设备例如有高拍仪、单目/双目人像拍摄摄像机、多证件识读设备、读写卡设备和电磁签名设备等,信创一体机应用在电信营业厅和电网营业厅等客户服务地点,为用户提供良好的服务,同时提高工作人员的效率。
应用在不同的服务场景的信创一体机均需要服务许多用户,但一般的信创一体机在使用时,对应不同服务的服务流程不会改变,例如,信创一体机的缴费服务流程往往是通过摄像设备识别用户身份,通过用户身份查询对应的欠费信息并显示,用户选择缴费方式进行缴费。但若用户是年纪较大的老人或不熟悉信创一体机的操作方式的人群,使用起来就会比较有难度,因此,亟需一种能够对不同用户实行更加适宜的服务流程的方式,以提高用户体验满意度。
发明内容
为了提供一种能够对不同用户实行更加适宜的服务流程的方式,以提高用户体验满意度,本申请提供一种基于深度学习的用户习惯学习方法、装置、设备及介质。
第一方面,本申请的上述发明目的是通过以下技术方案得以实现的:
一种基于深度学习的用户习惯学习方法,所述基于深度学习的用户习惯学习方法包括:
基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;
根据所述用户身份信息和所述业务办理信息,获取可用设备信息;
基于所述可用设备信息,采集用户行为信息;
将所述用户身份信息和所述用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,所述用户设备控制用于根据用户习惯优化不同设备与用户的交互方式;
基于所述设备控制信息控制对应的设备,采集用户反应行为信息,将所述用户反应行为信息输入机器学习模型,通过所述用户行为信息和所述用户反应行为信息训练机器学习模型。
通过采用上述技术方案,在信创一体机的使用过程中,当调用信创一体机连接的设备或运行信创一体机的服务程序时,利用信创一体机连接的设备中具有用户身份识别的设备,识别用户,以此快速判断出用户的身份,便于后续进行针对用户的行为采集或设备控制,保障信创一体机的响应速度,进而提高用户的使用体验感;当成功识别用户身份后,还会根据业务所办理的具体的业务类型,判断当前适宜的用于采集用户行为的设备,例如,当用户办理账户查询业务时,需要用户输入账户信息,此时与用户办理的业务相关的设备有证件识读设备,因此,此时可以通过不需要用到的摄像头装置采集用户行为,并且,该摄像头为不会使得用户反感,即不与用户眼睛平行的摄像头,以此保障在采集用户行为信息的设备不会使得用户的体验感降低;在机器学习模型中,学习每个用户在办理每种业务时的行为,进而判断用户对不同的业务办理的满意度,并且,根据每个用户在办理每种业务时的行为,推断适宜用户习惯的业务办理流程,进而实现对用户实行更加适宜的服务流程;在每次用户办理时均会采集用户行为,训练机器学习模型,以不断提高判断用户习惯的准确度,进而生成更加适宜用户习惯的服务流程,提高用户体验满意度。
本申请在一较佳示例中可以进一步配置为:所述基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息,具体包括:
基于业务办理信息,调用对应的设备识别用户身份,判断是否用户输入身份验证信息;
若判断为是,则将所述身份验证信息与设备识别的用户身份进行对比,根据对比结果,触发身份核验不一致指令或获得用户身份信息;
若判断为否,则根据所述设备识别的用户身份,获得用户身份信息。
通过采用上述技术方案,在信创一体机的应用场景中,部分业务可能不需要用户输入身份验证信息,例如,为用户查询营业厅的可办理业务或只需使用工作人员的权限查询信息的业务,而部分业务需要用户本人办理,另外,也有无需用户本人办理的业务,对于需要用户本人办理但不需要用户输入身份验证信息的业务,一般是工作人员人工核验用户身份,因此,为了保障业务流程的规范和进一步保障识别用户身份的准确性,将设备识别的用户身份与用户输入身份验证信息进行对比,当对比不一致时,会提醒工作人员,以此实现对用户信息的安全保障,进而提高用户对信创一体机的信任度和满意度。
本申请在一较佳示例中可以进一步配置为:所述根据所述用户身份信息和所述业务办理信息,获取可用设备信息,具体包括:
根据所述业务办理信息,获取设备锁定信息;
根据所述用户身份信息,获取对应的用户设备锁定信息;
基于所述设备锁定信息和所述用户设备锁定信息,获取可用设备信息。
通过采用上述技术方案,设备锁定信息是指用户当前办理的业务会调用的设备,为了保障用户业务办理的顺利进行,不使用用户当前办理的业务会调用的设备采集用户信息,而是通过其他闲置的设备采集用户行为信息,另外,用户设备锁定信息是指针对每个用户的习惯的不用于采集用户行为信息的设备,例如,历史采集的用户行为信息表示当使用摄像装置采集用户的信息时,用户行为信息表现出抗拒,则对该用户标记摄像装置锁定的标签信息,后续识别为该名用户时,就不会再使用摄像装置采集用户信息,基于此,在保障用户的使用体验感的前提下,实现对不同用户的针对性的行为采集。
本申请在一较佳示例中可以进一步配置为:所述基于所述可用设备信息,采集用户行为信息,具体包括:
基于所述可用设备信息和所述用户身份信息,获取设备行为控制信息;
基于所述设备行为控制信息控制对应的设备,采集用户行为信息。
通过采用上述技术方案,设备行为控制信息是指在采集用户行为信息的过程中,对设备的控制信息,例如,控制设备的用户行为采集频率以及控制设备的运行功率,或者对一些设备进行联动控制以获取更加准确的用户行为信息,因此,通过对应每个用户办理的业务类型对应的设备行为控制信息,保障对用户的用户行为信息的采集准确性,并且保障用户的使用体验感,降低用户出现抗拒的概率。
本申请在一较佳示例中可以进一步配置为:所述将所述用户身份信息和所述用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,具体包括:
将所述用户身份信息和所述用户行为信息输入机器学习模型,提取对应的用户习惯信息和用户期望排序信息,所述用户期望排序信息用于表示用户对业务办理过程的需求;
根据所述用户习惯信息和所述用户期望排序信息,获取设备控制信息。
通过采用上述技术方案,机器学习模型为具有识别用户行为的功能,且能够理解用户行为含义并通过多个用户行为信息学习用户习惯的深度学习模型,因此,将用户行为信息输入机器学习模型后,判断用户在办理当前业务时的行为习惯,以及判断用户对当前业务办理过程的需求,例如,用户希望业务办理的速度提高或用户希望业务办理过程中的等待时间降低,因此,通过用户习惯信息和用户期望排序信息,综合判断符合用户习惯且满足用户期望的设备控制信息,例如,调用更多的计算资源处理当前业务提高业务办理速度,或者通过改变信创一体机与客户管理系统的数据通道,提高信创一体机与客户管理系统的数据交互速度,进而提高信创一体机的业务办理速度,基于此,实现了对用户实行更加适宜的服务流程的效果,提高用户体验满意度。
本申请在一较佳示例中可以进一步配置为:所述根据所述用户期望排序信息,获取设备控制信息,具体包括:
所述用户期望排序信息将业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度进行排序,所述业务办理速度、所述业务等待时长、所述业务办理流程明显度和所述业务办理结果展示明显度均对应有多个不同优化程度的设备控制信息,所述用户期望排序信息用于控制不同设备的优化程度;
根据所述用户期望排序信息,获取对应的优化程度的设备控制信息。
通过采用上述技术方案,用户期望排序信息将业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度进行排序,业务等待时长是指在业务办理的过程中用户等待的时长,而不是用户等待办理业务的时长,业务办理流程明显度是指用户办理业务时具体的下一步操作的指引的明显程度,业务办理结果展示明显度是指展示业务办理结果的形式的明显程度,不同用户对业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度的感受度不同,对应的期望也不同,因此,根据用户对业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度的期望的排序,控制设备以对应排序进行优化,以此避免出现过度优化导致出现适得其反的效果,在用户比较期望的方面进行对应的优化,更能够提高用户的使用满意度,且更加合理地利用信创一体机的资源,延长信创一体机的使用寿命。
第二方面,本申请的上述发明目的是通过以下技术方案得以实现的:
一种基于深度学习的用户习惯学习装置,所述基于深度学习的用户习惯学习装置包括:
用户身份识别模块,用于基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;
可用设备获取模块,用于根据所述用户身份信息和所述业务办理信息,获取可用设备信息;
用户行为采集模块,用于基于所述可用设备信息,采集用户行为信息;
模型输出模块,用于将所述用户身份信息和所述用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,所述用户设备控制用于根据用户习惯优化不同设备与用户的交互方式;
模型训练模块,用于基于所述设备控制信息控制对应的设备,采集用户反应行为信息,将所述用户反应行为信息输入机器学习模型,通过所述用户行为信息和所述用户反应行为信息训练机器学习模型。
可选的,所述用户身份识别模块包括:
用户输入判断子模块,用于基于业务办理信息,调用对应的设备识别用户身份,判断是否用户输入身份验证信息;
身份对比子模块,用于若判断为是,则将所述身份验证信息与设备识别的用户身份进行对比,根据对比结果,触发身份核验不一致指令或获得用户身份信息;
用户身份获取子模块,用于若判断为否,则根据所述设备识别的用户身份,获得用户身份信息。
第三方面,本申请的上述发明目的是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于深度学习的用户习惯学习方法的步骤。
第四方面,本申请的上述发明目的是通过以下技术方案得以实现的:
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实现上述基于深度学习的用户习惯学习方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1、在信创一体机的使用过程中,当调用信创一体机连接的设备或运行信创一体机的服务程序时,利用信创一体机连接的设备中具有用户身份识别的设备,识别用户,以此快速判断出用户的身份,便于后续进行针对用户的行为采集或设备控制,保障信创一体机的响应速度,进而提高用户的使用体验感;当成功识别用户身份后,还会根据业务所办理的具体的业务类型,判断当前适宜的用于采集用户行为的设备,例如,当用户办理账户查询业务时,需要用户输入账户信息,此时与用户办理的业务相关的设备有证件识读设备,因此,此时可以通过不需要用到的摄像头装置采集用户行为,并且,该摄像头为不会使得用户反感,即不与用户眼睛平行的摄像头,以此保障在采集用户行为信息的设备不会使得用户的体验感降低;在机器学习模型中,学习每个用户在办理每种业务时的行为,进而判断用户对不同的业务办理的满意度,并且,根据每个用户在办理每种业务时的行为,推断适宜用户习惯的业务办理流程,进而实现对用户实行更加适宜的服务流程;在每次用户办理时均会采集用户行为,训练机器学习模型,以不断提高判断用户习惯的准确度,进而生成更加适宜用户习惯的服务流程,提高用户体验满意度;
2、在信创一体机的应用场景中,部分业务可能不需要用户输入身份验证信息,例如,为用户查询营业厅的可办理业务或只需使用工作人员的权限查询信息的业务,而部分业务需要用户本人办理,另外,也有无需用户本人办理的业务,对于需要用户本人办理但不需要用户输入身份验证信息的业务,一般是工作人员人工核验用户身份,因此,为了保障业务流程的规范和进一步保障识别用户身份的准确性,将设备识别的用户身份与用户输入身份验证信息进行对比,当对比不一致时,会提醒工作人员,以此实现对用户信息的安全保障,进而提高用户对信创一体机的信任度和满意度;
3、设备锁定信息是指用户当前办理的业务会调用的设备,为了保障用户业务办理的顺利进行,不使用用户当前办理的业务会调用的设备采集用户信息,而是通过其他闲置的设备采集用户行为信息,另外,用户设备锁定信息是指针对每个用户的习惯的不用于采集用户行为信息的设备,例如,历史采集的用户行为信息表示当使用摄像装置采集用户的信息时,用户行为信息表现出抗拒,则对该用户标记摄像装置锁定的标签信息,后续识别为该名用户时,就不会再使用摄像装置采集用户信息,基于此,在保障用户的使用体验感的前提下,实现对不同用户的针对性的行为采集。
附图说明
图1是本申请实施例中基于深度学习的用户习惯学习方法的一实现流程图;
图2是本申请实施例中基于深度学习的用户习惯学习方法的S10的实现流程图;
图3是本申请实施例中基于深度学习的用户习惯学习方法的S20的实现流程图;
图4是本申请实施例中基于深度学习的用户习惯学习方法的S30的实现流程图;
图5是本申请实施例中基于深度学习的用户习惯学习方法的S40的实现流程图;
图6是本申请实施例中基于深度学习的用户习惯学习方法的S42的实现流程图;
图7是本申请实施例中基于深度学习的用户习惯学习装置的一原理框图;
图8是本申请实施例中基于深度学习的用户习惯学习计算机设备的内部结构图。
具体实施方式
以下结合附图1-8对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了一种基于深度学习的用户习惯学习方法,具体包括如下步骤:
S10:基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息。
在本实施例中,信创一体机应用在电信营业厅的服务窗口,信创一体机与电信企业的用户管理系统连接,信创一体机连接的设备可以包括高拍仪、单目/双目人像拍摄摄像机、多证件识读设备、读写卡设备和电磁签名设备,信创一体机可外接降噪录音设备、扫码支付设备、指纹识别设备、网证识别设备、超级SIM卡读取设备、可调光照灯、投影式键盘、智能温度检测仪、生物特征识别设备:包括面部识别、虹膜识别、声纹识别等。业务办理信息是指用于表示开始使用信创一体机办理业务的信息。用户身份信息是指用户在与信创一体机连接的用户管理系统中的身份信息。
具体地,在信创一体机的使用过程中,当调用信创一体机连接的设备或运行信创一体机的服务程序时,生成表示开始使用信创一体机办理业务的信息,即业务办理信息,响应于该业务办理信息,调用信创一体机连接的用于识别用户身份的设备运行以识别当前用户的身份,用于识别用户身份的设备可以是高拍仪、单目/双目人像拍摄摄像机和生物特征识别设备,通过用于识别用户身份的设备的识别,获得用户身份信息,即用户在与信创一体机连接的用户管理系统中的身份信息,例如,在用户管理系统中的身份信息为用户的姓名,则对应的用户身份信息也是用户的姓名。
进一步的,若业务办理信息表示调用的信创一体机连接的设备为多证件识读设备、读写卡设备、指纹识别设备、网证识别设备或超级SIM卡读取设备,则通过当前调用的信创一体机连接的设备,从客户管理系统获取用户身份信息。另外,并不是调用信创一体机连接的所有设备或运行信创一体机的所有服务程序均会生成业务办理信息,只有当所调用的设备和运行的服务程序为用于服务客户的设备或程序,而并非工作人员的工作设备或工作程序时,才会生成业务办理信息。
S20:根据用户身份信息和业务办理信息,获取可用设备信息。
在本实施例中,可用设备信息是指当前可用的用于采集用户行为信息的设备。
具体地,业务办理信息表示调用信创一体机连接的设备或运行信创一体机的服务程序,因此,基于业务办理信息,继续判断当前用户需要办理的详细业务,例如,通过监测调用设备的指令或运行的服务程序的具体功能,以此获得当前用户需要办理的详细业务信息,基于详细业务信息,获取对应该详细业务信息的业务办理设备,对应该详细业务信息的业务办理设备不用于采集用户行为,以此判断当前可用的用于采集用户行为信息的设备,例如,当用户办理账户查询业务时,需要用户输入账户信息,此时与用户办理的业务相关的设备有证件识读设备,因此,当前可用的用于采集用户行为信息的设备包括的高拍仪和单目/双目人像拍摄摄像机;另外,根据用户身份信息,从预设的用户反感设备表中获取对应的用户反感的采集用户行为信息的设备信息,例如,该用户觉得单目/双目人像拍摄摄像机与用户眼睛平行,因此该用户对单目/双目人像拍摄摄像机的采集具有抗拒情绪,因此,判断当前可用的用于采集用户行为信息的设备是否与用户反感的采集用户行为信息的设备不同的设备,将该不同的设备作为当前可用的用于采集用户行为信息的设备,即可用设备信息。在本实施例中,机器学习模型通过用户历史办理不同业务时的行为,分析学习用户的情绪,并将判断用户感到反感、抗拒或厌恶等情绪时,正在使用的采集用户行为的设备信息导出,形成表示每个用户在办理每种业务时禁止使用的采集用户行为的设备的用户反感设备表。
进一步的,采集用户行为的设备中,图像视频采集设备能够采集用户的更多行为信息,因此若当前用户需要办理的详细业务信息需要用到信创一体机的所有图像视频采集设备,此时,图像视频采集设备均不用于采集用户行为,会导致获取的用户行为信息量较少;因此,将所有图像视频采集设备作为当前可用的用于采集用户行为信息的设备,再通过用户身份信息进行筛选,得到可用设备信息。
S30:基于可用设备信息,采集用户行为信息。
在本实施例中,用户行为信息是指用户在办理业务的过程中的动作行为信息。
具体地,基于可用设备信息,控制对应的设备采集用户在办理业务的过程中的动作行为信息,获得用户行为信息。
在本实施例中,在信创一体机投入使用前,对信创一体机连接的每个用于采集用户行为信息的设备进行试验,以判断每个用于采集用户行为信息的设备所能采集的具体信息,根据当地的用户隐私保护法规要求,调整每个用于采集用户行为信息的设备的工作参数或禁止违反当地的用户隐私保护法规要求的设备,例如,调整单目/双目人像拍摄摄像机的角度,以使得单目/双目人像拍摄摄像机拍摄的图像中不包含用户输入的密码等隐私信息。
S40:将所述用户身份信息和用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,用户设备控制用于根据用户习惯优化不同设备与用户的交互方式。
在本实施例中,用户习惯信息是指用户在业务办理过程中的行为习惯信息。设备控制信息是指控制设备与用户的交互方式的信息。
具体地,将用户身份信息和用户行为信息输入机器学习模型,该机器学习模型为具有识别用户行为的功能,且能够理解用户行为含义并通过多个用户行为信息学习用户习惯的深度学习模型,因此,基于机器学习模型,获取用户在办理当前业务时的行为习惯信息,即用户习惯信息,以及对应该用户习惯信息的用于优化设备与用户的交互方式的信息,即设备控制信息,例如,用户习惯信息表示用户在业务办理过程中习惯使用电磁签名屏的页面放大功能,则对应的设备控制信息为根据用户历史页面放大的倍数,在用户打开对应的页面时,控制电磁签名屏的页面自动放大或在用户使用电磁签名屏过程中,当用户停止签名时,预判用户将要使用页面放大功能时自动放大。
进一步的,用户在办理同一业务时可能具有不同的行为习惯信息,例如,在不同时间点用户办理同一业务时的行为习惯信息不同,因此,若用户在办理同一业务时具有不同的行为习惯信息,则基于机器学习模型,分析用户当前的动作行为,并选择对应的行为习惯信息作为当前的行为习惯信息。
S50:基于设备控制信息控制对应的设备,采集用户反应行为信息,将用户反应行为信息输入机器学习模型,通过用户行为信息和用户反应行为信息训练机器学习模型。
在本实施例中,用户反应行为信息是指用户在业务办理过程中对设备交互方式改变时的行为习惯信息。
具体地,基于设备控制信息,控制对应的设备调整用户的交互方式,并将采集的用户行为信息中,在基于设备控制信息控制设备交互方式改变后的用户行为信息作为用户反应行为信息,即用户在业务办理过程中对设备交互方式改变时的行为习惯信息,将用户反应行为信息输入机器学习模型,基于用户行为信息和用户反应行为信息,通过机器学习模型分析用户行为信息和用户反应行为信息的不同之处,判断用户对设备交互方式的改变的满意度,以此,根据用户对设备交互方式的改变的满意度,调整对应当前业务类型的设备控制信息。另外,基于用户行为信息和用户反应行为信息训练机器学习模型学习用户行为习惯,以此提高判断用户行为习惯信息的准确性。
在一实施例中,如图2所示,在步骤S10中,基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息,具体包括:
S11:基于业务办理信息,调用对应的设备识别用户身份,判断是否用户输入身份验证信息。
在本实施例中,身份验证信息是指用户输入的表明用户身份的信息。
具体地,在信创一体机的应用场景中,部分业务可能不需要用户自行输入用于表明用户身份的信息,即身份验证信息,例如,工作人员为用户查询营业厅的可办理业务或只需使用工作人员的权限查询信息的业务,而部分业务需要用户本人办理,部分业务无需用户本人办理,对于需要用户本人办理但不需要用户输入身份验证信息的业务,一般是工作人员人工核验用户身份,因此,为了保障业务流程的规范和进一步保障识别用户身份的准确性,在基于业务办理信息,调用对应的设备识别用户身份时,判断用户是否输入身份验证信息。
S12:若判断为是,则将身份验证信息与设备识别的用户身份进行对比,根据对比结果,触发身份核验不一致指令或获得用户身份信息。
具体地,若判断为用户输入了身份验证信息,则表示当前业务为需要用户本人办理的业务类型,因此,将身份验证信息与设备识别的用户身份进行对比,例如,通过高拍仪拍摄的用户图像与身份验证信息的用户图像进行识别对比,根据对比结果,若对比结果表示身份验证信息与设备识别的用户身份不一致,则表示当前的业务办理存在风险,因此,向工作人员发送用于提醒工作人员当前的身份验证信息与设备识别的用户身份不一致的信息,即触发身份核验不一致指令;若对比结果表示身份验证信息与设备识别的用户身份一致,则表示当前用户身份正确,则将身份验证信息作为用户身份信息。
S13:若判断为否,则根据设备识别的用户身份,获得用户身份信息。
具体地,若判断为用户没有输入身份验证信息,则表示当前业务为无需用户本人办理的业务类型,因此,将设备识别的用户身份作为用户身份信息。
在一实施例中,如图3所示,在步骤S20中,根据用户身份信息和业务办理信息,获取可用设备信息,具体包括:
S21:根据业务办理信息,获取设备锁定信息。
在本实施例中,设备锁定信息是指用户当前办理的业务会调用的设备。
具体地,在信创一体机的业务办理过程中,为了保障用户业务办理的顺利进行,不使用用户当前办理的业务会调用的设备采集用户行为信息,而是通过其他闲置的设备采集用户行为信息,因此,根据业务办理信息表示的用户办理的具体的业务类型,获取在办理该业务类型的业务时会调用的设备,即设备锁定信息,该设备锁定信息是指禁止使用的用于采集用户行为信息的设备。
S22:根据用户身份信息,获取对应的用户设备锁定信息。
在本实施例中,用户设备锁定信息是指针对用户的行为习惯的不用于采集用户行为信息的设备。
具体地,根据用户身份信息表示的用户身份,从预设的用户反感设备表中获取对应的用户反感的采集用户行为信息的设备信息,获得针对用户的行为习惯的不用于采集用户行为信息的设备,即用户设备锁定信息。
S23:基于设备锁定信息和用户设备锁定信息,获取可用设备信息。
具体地,设备锁定信息和用户设备锁定信息均为不用于采集用户行为信息的设备,因此,结合设备锁定信息和用户设备锁定信息,将其余的能够采集用户行为信息的设备作为用于采集用户行为信息的可用设备信息。
在一实施例中,如图4所示,在步骤S30中,基于可用设备信息,采集用户行为信息,具体包括:
S31:基于可用设备信息和用户身份信息,获取设备行为控制信息。
在本实施例中,设备行为控制信息是指在采集用户行为信息的过程中对设备的工作参数的控制信息。
具体地,用于采集用户行为信息的设备包括高拍仪和单目/双目人像拍摄摄像机,若当前信创一体机所处环境较差,例如,环境亮度较低或环境背景声音嘈杂,则高拍仪和单目/双目人像拍摄摄像机所采集的用户行为信息中的实用信息量就会降低,因此,先基于可用设备信息进行试验采集用户行为信息,获得试验用户行为信息,分析该试验用户行为信息,从该试验用户行为信息提取与用户身份信息同类型的信息(例如,用户人像照片),并将试验用户行为信息中与用户身份信息同类型的信息与用户身份信息进行对比,判断基于试验用户行为信息是否能够明显判断出用户的身份,若判断为是,则无需对当前的采集用户行为信息的设备进行调整,若判断为否,则根据试验用户行为信息中与用户身份信息同类型的信息与用户身份信息的对比结果,获取在采集用户行为信息的过程中对设备的工作参数的控制信息,即设备行为控制信息,例如,采集用户行为的信息为高拍仪,试验用户行为信息为视频,若该对比结果表示通过视频中的图像难以判断出用户的身份,则分析对比结果,判断难以判断出用户的身份的原因,例如,环境亮度较暗,则根据对比结果生成对应的调整高拍仪的曝光等拍摄参数,或控制可调光照灯进行补光;若采集用户行为的信息为高拍仪,试验用户行为信息为视频,若该对比结果表示通过视频的音频难以判断出用户的声波,则生成控制降噪录音设备进行录音的设备行为控制信息。
S32:基于设备行为控制信息控制对应的设备,采集用户行为信息。
具体地,基于设备行为控制信息控制对应的用于采集用户行为信息的设备运行,并基于设备行为控制信息调整用于采集用户行为信息的设备的运行参数,以采集用户行为信息。
在一实施例中,如图5所示,在步骤S40中,将用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,具体包括:
S41:将用户身份信息和用户行为信息输入机器学习模型,提取对应的用户习惯信息和用户期望排序信息,用户期望排序信息用于表示用户对业务办理过程的需求。
在本实施例中,期望排序信息是指用户对当前业务办理过程的需求信息。
具体地,将用户身份信息和用户行为信息输入机器学习模型,分析用户当前的动作行为,提取对应当前分析的分析用户当前的动作行为的用户习惯信息,以及表示用户对当前业务办理过程的不同需求的期望程度信息,即用户期望排序信息,例如,用户希望业务办理的速度提高或用户希望业务办理过程中的等待时间降低,且用户希望业务办理的速度提高的期望程度高于用户希望业务办理过程中的等待时间降低的期望程度。
进一步的,对应不同用户行为信息的机器学习模型不同,即将不同设备采集的不同用户行为信息输入对应的机器学习模型,每种用户行为信息对应的机器学习模型为预先设置的能够更好地识别用户行为和理解用户行为含义的机器学习模型。
S42:根据用户习惯信息和用户期望排序信息,获取设备控制信息。
具体地,根据用户习惯信息和用户期望排序信息,综合判断对应的符合用户习惯且满足用户期望的设备控制信息,例如,用户希望业务办理的速度提高或用户希望业务办理过程中的等待时间降低,则对应业务办理的速度提高的设备控制信息包括自动信息填充、步骤引导和提示,以及历史判断用户已完成的步骤省略等,对应业务办理过程中的等待时间降低的设备控制信息同样包括业务数据提前下载、调用更多的计算资源处理当前业务,以及通过增加信创一体机与客户管理系统的数据通道等,而用户希望业务办理的速度提高的期望程度高于用户希望业务办理过程中的等待时间降低的期望程度,因此,根据用户习惯信息判断更多的自动填充的信息、获取更多的步骤引导信息以及获取更多的历史判断用户已完成的步骤,而业务数据提前下载的量则相应减少、处理当前业务的计算资源相应减少,以及信创一体机与客户管理系统的数据通道减少。
在一实施例中,如图6所示,在步骤S42中,根据用户期望排序信息,获取设备控制信息,具体包括:
S421:用户期望排序信息将业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度进行排序,业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度均对应有多个不同优化程度的设备控制信息,用户期望排序信息用于控制不同设备的优化程度。
在本实施例中,业务等待时长是指在业务办理的过程中用户等待的时长。业务办理流程明显度是指用户办理业务时具体的下一步操作的指引的明显程度。业务办理结果展示明显度是指展示业务办理结果的形式的明显程度。
具体地,每个用户对应的用户期望排序信息均为将业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度进行排序的信息,业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度均对应有多个不同优化程度的设备控制信息,例如,业务办理速度排在第一时,对应的设备控制信息的优化程度最高,业务办理速度排在第二时,对应的设备控制信息的优化程度次高,业务办理速度排在第四时,对应的设备控制信息的优化程度最低,因此,用户期望排序信息中表示的排序信息是用于控制不同设备的优化程度。业务办理流程明显度是指用户办理业务时具体的下一步操作的指引的明显程度,例如,指引下一步操作的动画演示的大小和数量。业务办理结果展示明显度是指展示业务办理结果的形式的明显程度,例如,展示业务办理结果的形式为图形或文字,以及图形大小和文字大小。
在本实施例中,设备控制信息的类型固定,即通过机器学习模型,根据用户习惯信息和用户期望排序信息获取设备控制信息时,具体方式是将已有的设备控制信息对应关联至该用户,因此,若不同用户的用户习惯信息相同,则对应的设备控制信息也相同,若不同用户的用户习惯信息比较相近,则对应的设备控制信息可能也相同。
S422:根据用户期望排序信息,获取对应的优化程度的设备控制信息。
具体地,根据用户期望排序信息表示的顺序,获取对应的优化程度的设备控制信息。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种基于深度学习的用户习惯学习装置,该基于深度学习的用户习惯学习装置与上述实施例中基于深度学习的用户习惯学习方法一一对应。如图7所示,该基于深度学习的用户习惯学习装置包括用户身份识别模块、可用设备获取模块、用户行为采集模块、模型输出模块和模型训练模块。各功能模块详细说明如下:
用户身份识别模块,用于基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;
可用设备获取模块,用于根据用户身份信息和业务办理信息,获取可用设备信息;
用户行为采集模块,用于基于可用设备信息,采集用户行为信息;
模型输出模块,用于将用户身份信息和用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,用户设备控制用于根据用户习惯优化不同设备与用户的交互方式;
模型训练模块,用于基于设备控制信息控制对应的设备,采集用户反应行为信息,将用户反应行为信息输入机器学习模型,通过用户行为信息和用户反应行为信息训练机器学习模型。
可选的,用户身份识别模块包括:
用户输入判断子模块,用于基于业务办理信息,调用对应的设备识别用户身份,判断是否用户输入身份验证信息;
身份对比子模块,用于若判断为是,则将身份验证信息与设备识别的用户身份进行对比,根据对比结果,触发身份核验不一致指令或获得用户身份信息;
用户身份获取子模块,用于若判断为否,则根据设备识别的用户身份,获得用户身份信息。
可选的,可用设备获取模块包括:
第一锁定子模块,用于根据业务办理信息,获取设备锁定信息;
第二锁定子模块,用于根据用户身份信息,获取对应的用户设备锁定信息;
可用设备获取子模块,用于基于设备锁定信息和用户设备锁定信息,获取可用设备信息。
可选的,用户行为采集模块包括:
行为控制子模块,用于基于可用设备信息和用户身份信息,获取设备行为控制信息;
采集子模块,用于基于设备行为控制信息控制对应的设备,采集用户行为信息。
可选的,模型输出模块包括:
信息提取子模块,用于将用户身份信息和用户行为信息输入机器学习模型,提取对应的用户习惯信息和用户期望排序信息,用户期望排序信息用于表示用户对业务办理过程的需求;
模型输出子模块,用于根据用户习惯信息和用户期望排序信息,获取设备控制信息。
可选的,用户期望排序信息将业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度进行排序,业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度均对应有多个不同优化程度的设备控制信息,用户期望排序信息用于控制不同设备的优化程度,模型输出子模块包括:
模型输出单元,用于根据用户期望排序信息,获取对应的优化程度的设备控制信息。
关于基于深度学习的用户习惯学习装置的具体限定可以参见上文中对于基于深度学习的用户习惯学习方法的限定,在此不再赘述。上述基于深度学习的用户习惯学习装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存用户身份信息、可用设备信息、用户行为信息、用户反应行为信息、用户习惯信息和设备控制信息等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度学习的用户习惯学习方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;
根据用户身份信息和业务办理信息,获取可用设备信息;
基于可用设备信息,采集用户行为信息;
将用户身份信息和用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,用户设备控制用于根据用户习惯优化不同设备与用户的交互方式;
基于设备控制信息控制对应的设备,采集用户反应行为信息,将用户反应行为信息输入机器学习模型,通过用户行为信息和用户反应行为信息训练机器学习模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;
根据用户身份信息和业务办理信息,获取可用设备信息;
基于可用设备信息,采集用户行为信息;
将用户身份信息和用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,用户设备控制用于根据用户习惯优化不同设备与用户的交互方式;
基于设备控制信息控制对应的设备,采集用户反应行为信息,将用户反应行为信息输入机器学习模型,通过用户行为信息和用户反应行为信息训练机器学习模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于深度学习的用户习惯学习方法,其特征在于,所述基于深度学习的用户习惯学习方法包括:
基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;
根据所述用户身份信息和所述业务办理信息,获取可用设备信息;
基于所述可用设备信息,采集用户行为信息;
将所述用户身份信息和所述用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,所述设备控制信息是指用于优化设备与用户的交互方式的信息;
基于所述设备控制信息控制对应的设备,采集用户反应行为信息,将所述用户反应行为信息输入机器学习模型,通过所述用户行为信息和所述用户反应行为信息训练机器学习模型;
所述基于所述可用设备信息,采集用户行为信息,具体包括:
基于所述可用设备信息和所述用户身份信息,获取设备行为控制信息;
基于所述设备行为控制信息控制对应的设备,采集用户行为信息;
所述将所述用户身份信息和用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,具体包括:
将所述用户身份信息和所述用户行为信息输入机器学习模型,提取对应的用户习惯信息和用户期望排序信息,所述用户期望排序信息用于表示用户对业务办理过程的需求;
根据所述用户习惯信息和所述用户期望排序信息,获取设备控制信息。
2.根据权利要求1所述的基于深度学习的用户习惯学习方法,其特征在于,所述基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息,具体包括:
基于业务办理信息,调用对应的设备识别用户身份,判断是否用户输入身份验证信息;
若判断为是,则将所述身份验证信息与设备识别的用户身份进行对比,根据对比结果,触发身份核验不一致指令或获得用户身份信息;
若判断为否,则根据所述设备识别的用户身份,获得用户身份信息。
3.根据权利要求1所述的基于深度学习的用户习惯学习方法,其特征在于,所述根据所述用户身份信息和所述业务办理信息,获取可用设备信息,具体包括:
根据所述业务办理信息,获取设备锁定信息;
根据所述用户身份信息,获取对应的用户设备锁定信息;
基于所述设备锁定信息和所述用户设备锁定信息,获取可用设备信息。
4.根据权利要求1所述的基于深度学习的用户习惯学习方法,其特征在于,所述根据所述用户期望排序信息,获取设备控制信息,具体包括:
所述用户期望排序信息将业务办理速度、业务等待时长、业务办理流程明显度和业务办理结果展示明显度进行排序,所述业务办理速度、所述业务等待时长、所述业务办理流程明显度和所述业务办理结果展示明显度均对应有多个不同优化程度的设备控制信息,所述用户期望排序信息用于控制不同设备的优化程度;
根据所述用户期望排序信息,获取对应的优化程度的设备控制信息。
5.一种基于深度学习的用户习惯学习装置,其特征在于,所述基于深度学习的用户习惯学习装置包括:
用户身份识别模块,用于基于业务办理信息,调用对应的设备识别用户身份,获得用户身份信息;
可用设备获取模块,用于根据所述用户身份信息和所述业务办理信息,获取可用设备信息;
用户行为采集模块,用于基于所述可用设备信息,采集用户行为信息;
模型输出模块,用于将所述用户身份信息和所述用户行为信息输入机器学习模型,获得用户习惯信息和设备控制信息,所述设备控制信息是指用于优化设备与用户的交互方式的信息;
模型训练模块,用于基于所述设备控制信息控制对应的设备,采集用户反应行为信息,将所述用户反应行为信息输入机器学习模型,通过所述用户行为信息和所述用户反应行为信息训练机器学习模型;
所述用户行为采集模块包括:
行为控制子模块,用于基于可用设备信息和用户身份信息,获取设备行为控制信息;
采集子模块,用于基于设备行为控制信息控制对应的设备,采集用户行为信息;
所述模型输出模块包括:
信息提取子模块,用于将用户身份信息和用户行为信息输入机器学习模型,提取对应的用户习惯信息和用户期望排序信息,用户期望排序信息用于表示用户对业务办理过程的需求;
模型输出子模块,用于根据用户习惯信息和用户期望排序信息,获取设备控制信息。
6.根据权利要求5所述的基于深度学习的用户习惯学习装置,其特征在于,所述用户身份识别模块包括:
用户输入判断子模块,用于基于业务办理信息,调用对应的设备识别用户身份,判断是否用户输入身份验证信息;
身份对比子模块,用于若判断为是,则将所述身份验证信息与设备识别的用户身份进行对比,根据对比结果,触发身份核验不一致指令或获得用户身份信息;
用户身份获取子模块,用于若判断为否,则根据所述设备识别的用户身份,获得用户身份信息。
7.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于深度学习的用户习惯学习方法的步骤。
8.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于深度学习的用户习惯学习方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226479.4A CN117808438B (zh) | 2024-02-29 | 2024-02-29 | 基于深度学习的用户习惯学习方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226479.4A CN117808438B (zh) | 2024-02-29 | 2024-02-29 | 基于深度学习的用户习惯学习方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117808438A CN117808438A (zh) | 2024-04-02 |
CN117808438B true CN117808438B (zh) | 2024-07-09 |
Family
ID=90423824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410226479.4A Active CN117808438B (zh) | 2024-02-29 | 2024-02-29 | 基于深度学习的用户习惯学习方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808438B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722532A (zh) * | 2020-06-29 | 2020-09-29 | 重庆跃途科技有限公司 | 一种基于边缘计算技术的智慧教室控制方法及系统 |
CN115718433A (zh) * | 2022-11-15 | 2023-02-28 | 科大讯飞股份有限公司 | 智能设备的控制方法、装置、智能系统和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909439A (zh) * | 2017-11-16 | 2018-04-13 | 阿里巴巴集团控股有限公司 | 共享产品的推荐方法、装置以及电子设备 |
CN114978602A (zh) * | 2022-04-25 | 2022-08-30 | 沈莲 | 一种基于大数据的云安全账户管理方法及安全平台 |
-
2024
- 2024-02-29 CN CN202410226479.4A patent/CN117808438B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722532A (zh) * | 2020-06-29 | 2020-09-29 | 重庆跃途科技有限公司 | 一种基于边缘计算技术的智慧教室控制方法及系统 |
CN115718433A (zh) * | 2022-11-15 | 2023-02-28 | 科大讯飞股份有限公司 | 智能设备的控制方法、装置、智能系统和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117808438A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6743188B2 (ja) | リモートの契約面談方法、電子装置及びコンピューター読取可能記憶媒体 | |
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
EP3928230B1 (en) | Efficient removal of personal information from a data set | |
CN108845835B (zh) | 基于应用程序的操作引导处理方法、装置和计算机设备 | |
CN109345374A (zh) | 风险控制方法、装置、计算机设备和存储介质 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
US20230094243A1 (en) | Systems and methods for digital identity verification | |
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 | |
US11847584B2 (en) | Systems and methods for automated identity verification | |
CN108337251A (zh) | 银行卡手机号码变更实现方法、设备、系统及存储介质 | |
CN113486785A (zh) | 基于深度学习的视频换脸方法、装置、设备及存储介质 | |
CN117255064B (zh) | 多功能信创一体机的控制方法、装置、设备及介质 | |
EP3891972B1 (en) | Method and system for remote interaction between at least one user and at least one operator of the automated type and of the human type | |
CN117808438B (zh) | 基于深度学习的用户习惯学习方法、装置、设备及介质 | |
CN116484985A (zh) | 网点业务预约方法、装置、系统及电子设备 | |
US11968194B2 (en) | Providing outcome explanation for algorithmic decisions | |
CN110795707A (zh) | 一种核身策略推荐方法、装置和电子设备 | |
CN113450124B (zh) | 基于用户行为的外呼方法、装置、电子设备及介质 | |
US20230222407A1 (en) | System and Method of Shift and Operative Match Optimization | |
KR102171906B1 (ko) | 광학 문자 인식 기반 증명서류 검증 방법 | |
CN117494851A (zh) | 业务的预约方法、装置、计算机存储介质以及电子设备 | |
US20240185196A1 (en) | Reduced memory resources for proactive monitoring of electronic transactions | |
US20230267470A1 (en) | Flexible authentication | |
JP2023132476A (ja) | 管理装置、管理方法および管理プログラム | |
JP2023132474A (ja) | 管理装置、管理方法および管理プログラム |
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 |