SAP Cloud for Customer(C4C)和微信集成系列教程

1313296-20180106212748753-908603004.png

1313296-20180106212759956-1978015885.png

这个系列主要从技术层面阐述了如何实现end user在微信app里发送的message能够投递到C4C系统,以及在C4C系统基于微信发送过来的message回复之后,如何将这些回复再push回微信app. 基于这种最简单的一发一收的场景,partner可以自行开发更复杂的集成场景.

场景示例

  1. 微信用户关注服务公众号之后,直接和这个公众号交谈,能够在C4C系统基于交谈内容直接生成Service Request

1313296-20180106212829909-111282174.png

下图是基于微信用户和公众号交谈之后,在C4C系统自动生成的service request:

1313296-20180106212848143-643282821.png

  1. C4C agent在系统里直接回复这个service request:

1313296-20180106212901628-38758017.png

微信用户能在微信app直接收到这个回复信息:

1313296-20180106212922065-1860339474.png

完成这个系列需要具备的知识

  • 简单的C4C配置;
  • 最基本的nodejs开发知识;
  • 掌握一种云平台的用法, 因为需要将测试微信公众号的server端部署到云平台上

blog list

  1. setup your development environment
  2. development Q&A service using nodejs
  3. Trigger C4C Account creation in Wechat
  4. Send C4C Data change notification to Wechat
  5. embedded your UI5 application to Wechat
  6. Retrieve Wechat User info via oAuth2 and display it in UI5 application
  7. use Redis to store Wechat conversation history
  8. Map integration
  9. Create C4C Social Media Message and Service within Wechat
  10. Use Wechat app to receive Service Request reply made from C4C

要获取更多Jerry的原创技术文章,请关注公众号"汪子熙"或者扫描下面二维码:

1313296-20180106212406424-1544680390.png

1313296-20180106212413096-1947180313.png

转载于:https://www.cnblogs.com/sap-jerry/p/8215401.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值