Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >腾讯会议报名活动场景实践(网络研讨会)

腾讯会议报名活动场景实践(网络研讨会)

原创
作者头像
liquid
修改于 2024-10-11 07:59:21
修改于 2024-10-11 07:59:21
37603
代码可运行
举报
文章被收录于专栏:腾讯会议腾讯会议
运行总次数:3
代码可运行

培训、宣讲、金融路演及线上付费活动等场景用到的功能主要包括会前设置会议参数、参会者报名申请/导入白名单、确认参会人资格、反馈审核结果,会后分析汇总参会数据等。客户在创建会议时除腾讯会议参数外往往还有其他活动相关信息要设置,活动报名需要收集个性化信息,审核报名和会后分析数据时要对接客户自有信息库,这些需求很难通过标准会议功能来实现,需要使用到API接口将腾讯会议嵌入到客户业务系统来完成在线活动的组织。

本文将介绍基于网络研讨会如果通过腾讯会议API来完成一场报名活动的组织,主要业务流程如下图。

创建会议

创建一场活动需要使用到创建网络研讨会、修改网络研讨会嘉宾列表、设置网络研讨会暖场配置等接口,还需要订阅素材上传结果Webhook会议事件消息。

调用创建网络研讨会接口创建一场会议

代码语言:txt
AI代码解释
复制
{
  // 创建者的userid
  "userid": "carl", 
  "instanceid": 1,
  "subject": "报名活动",
  // 主办方名称(1~40位字符长度)。
  "sponsor": "举办方1", 
  "start_time": "string required",
  "end_time": "string required",
  // 观众观看限制类型,这里选1(报名)
  "admission_type": 1, 
  "hosts": [
    {
      "userid": "carl"
    }
  ],
  // 封面图片URL,格式限制参考接口文档
  "cover_url": "www.test.com/1.png", 
  // 网络研讨会描述详情
  "description": "string",
  // 是否开启通过邀请链接自动成为嘉宾
  "enable_guest_invite_link": "boolean",
  // 聊天敏感词设置
  "sensitive_words": [
    "string"
  ],
  // 是否开启准备模式
  "preparation_mode": true
}

调用修改网络研讨会嘉宾列表接口设置会议嘉宾

代码语言:txt
AI代码解释
复制
{
  // 会议创建者userid
  "userid": "string required",
  "instanceid": "integer required",
  "guests": [
    {
      // 嘉宾类型,1为内部嘉宾,2为外部嘉宾
      "guest_type": "integer required",
      // 内部嘉宾填userid
      "userid": "string",
      // 外部嘉宾填手机号和国家/地区代码
      "area": "string",
      "phone_number": "string",
      // 嘉宾名称,外部嘉宾需要填写,且仅对外部嘉宾生效
      "guest_name": "string"
    }
  ]
}

调用设置网络研讨会暖场配置接口设置暖场参数

请求发送后需要记录请求响应头中的X-Tc-Trace参数,用于和素材上传结果Webhook事件消息匹配上,获取接口调用结果。

代码语言:txt
AI代码解释
复制
{
  "operator_id": "carl",
  "operator_id_type": 1,
  "instanceid": 1,
  // 暖场图片和视频二选一,地址要公网可访问
  "warm_up_picture": "string",
  "warm_up_video": "string",
  // 是否允许参会者在暖场中邀请成员,根据实际需求设置
  "allow_participants_invite_others": "boolean"
}

订阅素材上传结果Webhook会议事件消息

上一步记录的X-Tc-Trace参数和消息中的trace_id参数做对比,相同时表示是对应接口调用的异步结果返回。

代码语言:txt
AI代码解释
复制
{
    "event":"meeting.medium-uploaded", //事件名
    "trace_id":"e7aa65dd-f7e6-4b62-912c-2035173b34a9",//事件的唯一序列值,可对应到具体请求
    "payload":[
        {
            "operate_time":1609313201465,//毫秒级别事件操作时间戳,成功/失败时间点
            "event_upload_status":true,//上传事件是否成功,true:全部素材上传成功;false:存在素材上传失败,需重新上传全部素材
            "upload_info":[  //根据本次请求中的上传素材类型数量决定对象个数
                   {
                "upload_status":true, //true:上传成功;false:上传失败
                "error_msg":"",//如果上传失败,则该字段返回失败原因
                "medium_type":1, //1:video,2:pic,3:file
                "medium_url":"",
                "medium_id":""//仅在“上传文档”场景返回该字段,文档上传成功后会返回medium_id(等效于文档ID)
                    }
                    {
                "upload_status":true, //true:上传成功;false:上传失败
                "error_msg":"",//如果上传失败,则该字段返回失败原因
                "medium_type":2, //1:video,2:pic,3:file
                "medium_url":"",
                "medium_id":""//仅在“上传文档”场景返回该字段,文档上传成功后会返回medium_id(等效于文档ID)
                    }
                        ]
                "meeting_info":{//会议信息
                "meeting_id":"13339451618278424869",// 会议id
                "meeting_code":"445999969", // 会议code
                "subject":"tester的快速会议", // 会议主题
                "meeting_type":0,// 会议类型(0-一次性会议,1-周期性会议,2-微信专属会议,3-rooms投屏会议,5-个人会议号会议,6-网络研讨会)
                "start_time":1608522626,// 秒级别的会议开始时间戳
                "end_time":1609415039// 秒级别的会议结束时间戳
            }
        }
    ]
}

报名设置

报名包括用户手动报名和白名单导入两种方式,不管使用什么报名方式一般都需要将审批类型设置为手动审批,支持用户在腾讯会议页面手动报名时还要设置收集问题列表,直接导入或者在客户自己的系统报名审批时调用导入网络研讨会报名信息的接口即可。

修改网络研讨会报名配置

代码语言:txt
AI代码解释
复制
{
  "operator_id": "carl",
  "operator_id_type": 1,
  // 审批类型设置为手动审批
  "approve_type": 2,
  "instanceid": "integer required",
  // 如果需要在会议入口报名,就开启问题收集;否则关闭
  "is_collect_question": "integer",
  "question_list": [
    {
      "question_type": "integer",
      "special_type": "integer",
      "is_required": "integer required",
      "option_list": [
        {
          "content": "string"
        }
      ],
      "question_title": "string"
    }
  ],
  // 本企业用户是否需要报名,根据实际需要设置
  "no_registration_needed_for_staff": "boolean",
  // 报名人数上限
  "enroll_number": "integer",
  // 报名截止时间
  "enroll_deadline": "string",
  // 报名审批结果通知方式
  "enroll_push_type": [
    "integer"
  ]
}

导入网络研讨会报名信息

代码语言:txt
AI代码解释
复制
{
  "operator_id": "carl",
  "operator_id_type": 1,
  "instanceid": 1,
  "enroll_list": [
    {
      // 企业内用户导入时传userid,企业外用户导入时传手机号 
      "userid": "string",
      "area": "string",
      "phone_number": "string",
      "nick_name": "string"
    }
  ]
}

报名审核

会议需要用户手动报名时可以开启报名审核,如果所有参会人员都是白名单导入,可以跳过此步骤。报名审核可以选择定期审核或者实时审核,定期审核时调用查询网络研讨会报名信息接口来获取待审核的报名信息,实时审核可以订阅用户报名Webhook事件消息,然后调用审批网络研讨会报名信息接口进行审核。

查询网络研讨会报名信息

具体用法参考官网文档,查询到的待审批状态的报名对象作为下一步审批报名的输入参数。

用户报名Webhook事件消息

记录消息里面的enroll_info信息,enroll_id和报名问题里面的信息后续可以用于确认报名者的身份。

代码语言:txt
AI代码解释
复制
{
  "event":"enroll.enroll",  // 事件名
  "trace_id":"e7aa65dd-f7e6-4b62-912c-2035173b34a9",  // 事件的唯一序列值
  "payload":[
     {
       "operate_time":1609313201465,  //毫秒级别事件操作时间戳
       "operator":{  //事件操作者
             "userid":"tester",  //事件操作者id(同企业用户才返回企业用户唯一id,OAuth用户返回openId,rooms返回roomsId)
             "user_name":"tester_name",  //事件操作者名称
             "ms_open_id":"tester_id"  // 会议中的临时id
         },
        "enroll_info":{  // 报名信息
            "meeting_id":"13339451618278424869", // 会议id
            "enroll_id":13339451618, // 报名id
            "answer_list":[{
                "question_id":12,  //问题id
                "question_content":"tester_name",  //问题内容
                "answer_type":3,  //回答类型:1 单选,2 多选,3 文本
                "is_required":1,  //是否必填:1 否,2 是  
                "answer_content": ["tester_name"]  //回答内容:单选/文本只有一个元素,多选会有多个
            }]
         }
     }
  ]
}

审批网络研讨会报名信息

代码语言:txt
AI代码解释
复制
{
  "operator_id": "carl",
  "operator_id_type": 1,
  // 是否通过
  "action": "integer",
  // 要审批的报名id列表
  "enroll_id_list": [
    "integer"
  ],
  "instanceid": "integer"
}

呼叫电话用户

调用批量外呼接口呼叫电话用户

代码语言:txt
AI代码解释
复制
{
  "operator_id": "carl",
  "operator_id_type": 1,
  "phone_numbers": [
    {
      // 分机号没有时不要传该参数
      "extension_number": "string",
      "nick_name": "string",
      "area": "integer required",
      "phone": "string required"
    }
  ]
}

获取参会数据

会议结束后调用查询参会成员列表获取参会信息,然后通过查询会议成员报名ID和查询会议报名信息等接口来确认参会人员的身份,通过和客户自有数据库的人员信息匹配,得出参会情况分析报表。

查询参会成员明细

具体用法参考官网文档,除了参会情况所需的字段信息外,还需要记录参会成员的ms_open_id字段用于后续确认身份,需要注意的是这里不要使用phone或者uuid字段来作为身份标识,这些字段在新接口中已经不支持。

查询网络研讨会成员报名ID

具体用法参考官网文档,输入前面获取到的ms_open_id列表,查询用户对应的报名ID并保存下来,对于接口导入的参会者直接和之前导入时返回的结果进行匹配确认身份,对于用户手动报名的需要继续调用查询报名信息接口来确认身份。

查询网络研讨会报名信息

具体用法参考官网文档,查询到的已批准状态报名对象的报名ID(enroll_id)和前面的匹配ms_open_id确认身份,需要注意的是本接口虽然也有返回ms_open_id,但是不能直接拿来用,原因是同一个手机号绑定了多个腾讯会议账号时,这个值和会中的不一定是相同的。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
机器学习的敲门砖:kNN算法(中)
关于作者:Japson。某人工智能公司AI平台研发工程师,专注于AI工程化及场景落地。持续学习中,期望与大家多多交流技术以及职业规划。
木东居士
2019/09/17
8150
机器学习的敲门砖:kNN算法(中)
KNN——K最近邻算法以及实例应用
持续创作,加速成长!这是我参与「掘金日新计划 · 10 月更文挑战」的第19天,点击查看活动详情
鳄鱼儿
2024/05/22
3750
KNN——K最近邻算法以及实例应用
分类-KNN算法(鸢尾花分类实战)
K近邻(K Nearest Neighbors,KNN)算法是最简单的分类算法之一,也就是根据现有训练数据判断输入样本是属于哪一个类别。
唔仄lo咚锵
2022/11/30
9670
分类-KNN算法(鸢尾花分类实战)
K 值选对,准确率翻倍:KNN 算法调参的黄金法则
K 近邻算法(K-Nearest Neighbors, KNN)是机器学习中最简单、最直观的算法之一,其核心思想源于人类对相似事物的判断逻辑 ——“近朱者赤,近墨者黑”。该算法无需复杂的训练过程,直接通过计算样本间的距离来进行分类或回归,广泛应用于图像识别、文本分类、推荐系统等领域。
羑悻的小杀马特.
2025/06/01
1710
K 值选对,准确率翻倍:KNN 算法调参的黄金法则
机器学习之KNN最邻近分类算法[通俗易懂]
KNN(K-Nearest Neighbor)最邻近分类算法是数据挖掘分类(classification)技术中最简单的算法之一,其指导思想是”近朱者赤,近墨者黑“,即由你的邻居来推断出你的类别。
全栈程序员站长
2022/08/10
1.3K0
机器学习之KNN最邻近分类算法[通俗易懂]
kNN分类算法
KNN(K-Nearest Neighbor)算法是机器学习算法中最基础、最简单的算法之一。它既能用于分类,也能用于回归。KNN通过测量不同特征值之间的距离来进行分类。
Hsinyan
2022/06/19
9110
kNN分类算法
分类-KNN算法(代码复现和可视化)
K近邻(K Nearest Neighbors,KNN)算法是最简单的分类算法之一,也就是根据现有训练数据判断输入样本是属于哪一个类别。
唔仄lo咚锵
2022/10/04
9600
分类-KNN算法(代码复现和可视化)
机器学习(二十)贪心学院ML训练营学习1 -KNN算法
K-邻近算法采用测量不同特征值之间的距离方法进行分类,工作原理是:存在一个样本数据集合,也称作训练样本集,并且样本集中每个数据都存在标签,意思是我们知道样本集中的每一个数据与所属分类的对应关系。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似数据的分类标签。选择k个最相似数据中出现次数最多的分类,作为新数据的分类。
致Great
2019/07/04
1.2K0
机器学习(二十)贪心学院ML训练营学习1 -KNN算法
深入浅出KNN算法
KNN(K-Nearest Neighbor),即K最邻近算法,是数据挖掘分类技术中最简单的方法之一。简单来说,它是根据“最邻近”这一特征来对样本进行分类。
Cyril-KI
2022/07/29
5650
深入浅出KNN算法
基于sklearn的K邻近分类器概念代码实现
概念 KNN(K临近)分类器应该算是概率派的机器学习算法中比较简单的。基本的思想为在预测时,计算输入向量到每个训练样本的欧氏距离(几何距离),选取最近的K个训练样本,K个训练样本中出现最多的类别即预测为输入向量的类别(投票) 代码实现 载入数据集——鸢尾花数据集 from sklearn.datasets import load_iris dataset = load_iris() print(dataset.data.shape) print(dataset.DESCR) (150, 4) Iris Pl
月见樽
2018/04/27
6690
使用KNN算法认识Machine Learning
应该是第一次跟周老师见面过后,周老师就建议我先开始学学Deep Learning相关的知识,为开学后进入正式的研究打个基础。回来之后自己信心满怀地买了李沐大神的《动手学深度学习(PyTorch版)》,然后便开始了自己的学习DL之路。
曼亚灿
2023/05/19
7231
使用KNN算法认识Machine Learning
A.机器学习入门算法(三):K近邻(k-nearest neighbors),鸢尾花KNN分类,马绞痛数据--kNN数据预处理+kNN分类pipeline
kNN(k-nearest neighbors),中文翻译K近邻。我们常常听到一个故事:如果要了解一个人的经济水平,只需要知道他最好的5个朋友的经济能力, 对他的这五个人的经济水平求平均就是这个人的经济水平。这句话里面就包含着kNN的算法思想。
汀丶人工智能
2023/03/22
1.8K0
A.机器学习入门算法(三):K近邻(k-nearest neighbors),鸢尾花KNN分类,马绞痛数据--kNN数据预处理+kNN分类pipeline
如何实现一个KNN算法
KNN算法,也称为K邻近算法,可以解决回归和分类问题,但解决分类问题才是它的优势。
佛系编程人
2020/05/07
3790
【KNN算法详解(用法,优缺点,适用场景)及应用】
KNN(K Near Neighbor):k个最近的邻居,即每个样本都可以用它最接近的k个邻居来代表。KNN算法属于监督学习方式的分类算法,我的理解就是计算某给点到每个点的距离作为相似度的反馈。
老虎也淘气
2024/01/30
1.3K0
【KNN算法详解(用法,优缺点,适用场景)及应用】
Python3入门机器学习(四)- kNN算法的学习与使用
先基于原有的肿瘤病人的发现时间和肿瘤大小(特征)对应的良性/恶性(值)建立了一张散点图,横坐标是肿瘤大小,纵坐标是发现时间,红色代表良性,蓝色代表恶性,现在要预测的病人的颜色为绿色
Meet相识
2018/09/12
2K0
Python3入门机器学习(四)- kNN算法的学习与使用
KNN算法实现及其交叉验证
简单的理解,我有一组数据,比如每个数据都是n维向量,那么我们可以在n维空间表示这个数据,这些数据都有对应的标签值,也就是我们感兴趣的预测变量。那么当我们接到一个新的数据的时候,我们可以计算这个新数据和我们已知的训练数据之间的距离,找出其中最近的k个数据,对这k个数据对应的标签值取平均值就是我们得出的预测值。简单粗暴,谁离我近,就认为谁能代表我,我就用你们的属性作为我的属性。具体的简单代码实现如下。
用户2183996
2018/06/21
2.1K0
支招 | 机器学习算法之KNN
本文为 AI 研习社社区用户 @BBuf 的博客内容,欢迎扫描底部社区名片访问 @BBuf 的主页,查看更多内容。
AI研习社
2019/10/08
3920
支招 | 机器学习算法之KNN
统计学习方法-KNN算法
其中,xi为实例特征向量,yi为实例的类别;i=1,2,3,…N。 输出:实例x所属的类别y
皮大大
2021/03/02
6330
斯坦福CS231n项目实战(一):k最近邻(kNN)分类算法
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/red_stone1/article/details/79238866
红色石头
2019/05/25
1.2K0
机器学习 | KNN, K近邻算法
k近邻法 (k-nearest neighbor, k-NN) 是一种基本分类与回归方法。是数据挖掘技术中原理最简单的算法之一,核心功能是解决有监督的分类问题。KNN能够快速高效地解决建立在特殊数据集上的预测分类问题,但其不产生模型,因此算法准确 性并不具备强可推广性。
数据STUDIO
2021/06/24
9960
推荐阅读
相关推荐
机器学习的敲门砖:kNN算法(中)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验