CN103473354A - 基于电子商务平台的保险推荐系统框架及保险推荐方法 - Google Patents

Abstract

本发明属于信息技术中的推荐系统技术领域，特别适合于在Internet环境下保险推荐应用，对于基于电子商务的其它商品推荐也有借鉴意义。针对基于保险电子商务平台的特点，提出了个性化保险推荐系统的一般性体系构架；考虑到保险电子商务平台的具体场景，设计了基于电子商务平台的保险个性化推荐流程；将各种推荐方法集成在一个推荐框架下，充分利用各种推荐方法的优点，实现准确可靠的个性化保险推荐；结合使用离线和在线推荐两种模式，保证推荐的及时性；对推荐结果进行解释，指出每个推荐结果是基于用户的哪些行为而给出的；因应保险推荐的特殊性，设计了合理的推荐结果展示界面。

Description

基于电子商务平台的保险推荐系统框架及保险推荐方法

技术领域

本发明属于信息技术中的推荐系统技术领域，特别适合于Internet环境下基于电子商务的保险推荐，对于其它基于电子商务平台的商品推荐均有借鉴意义。

背景技术

随着互联网技术的高速发展和广泛应用，电子商务应用蓬勃发展。新的商业环境在为企业提供新的商机的同时，也对企业提出了新的挑战。以客户为中心的客户关系管理是电子商务环境中企业吸引和提高客户粘性的关键。怎样在瞬息万变的电子商务时代吸引新的客户，并提高自己的用户体验，用足够吸引客户的产品或服务促使他们留下来，成为许多电子商务企业的主要任务。另一方面，客户面对如此众多的选择，要从中挑选出自己真正需要的东西也相当于大海捞针。近年来兴起的推荐系统成为解决这些问题的重要途径之一。

推荐系统就是根据用户个人的喜好、习惯来向其推荐信息或商品的程序。最初的研究动机来自于互联网带来的信息爆炸。通常人们借助于搜索引擎来寻找所需的内容，但大多数用户很难用几个简短的关键字来准确地描述自己的需要，其结果是要么得不到任何结果，要么不得不从返回的大量列表中逐个查看。于是，设想让一个程序来推测用户的心意，观察什么是用户喜欢的，什么是用户不喜欢的，然后自动地为用户筛选出用户喜欢的内容，过滤掉那些用户不喜欢的内容。在电子商务应用领域，推荐对象变成商家销售的商务。目前，国际上主流电子商务网站中，已有不少成功的推荐系统应用系统，推荐的对象包括影碟、CD、书籍和其它各类商品等。

近年来，保险行业与电子商务行业日益结合，成为保险行业发展的新领域。传统的保险销售都需要借助于销售顾问针对客户的需求进行定制推荐，这使得保险行业的电子商务有别于零售业的电子商务平台。这种特殊性要求保险电子商务平台需要提供强大的人性化推荐系统，以方便客户快速，便捷的了解并选取适合自身需求的保险。

发明内容

针对基于保险电子商务平台的特点，本发明提出了了基于电子商务的保险推荐系统框架、流程和实现方法，具有如下特点：

1）设计了个性化保险推荐系统的一般性体系构架

2）考虑到保险电子商务平台的具体场景，设计了基于电子商务平台的保险个性化推荐流程；

3）将各种推荐方法集成在一个推荐框架下，充分利用各种推荐方法的优点，实现准确的、个性化保险推荐；

4）结合使用离线和在线推荐两种模式，保证推荐的及时性；

5）对推荐结果进行解释，指出每个推荐结果是基于用户的哪些行为而给出的；

6）针对保险推荐的特殊性，设计了推荐结果展示界面。

附图说明

图1本发明的系统构架。

图2本发明未有信息的客户进入网站示意图。

图3本发明注册用户无浏览购买记录进入网站示意图。

图4本发明未注册客户（有浏览记录）进入网站示意图。

图5本发明注册客户且有浏览购买记录进入网站示意图。

图6本发明网站首页推荐示意图。

图7本发明产品分类页推荐示意图。

图8本发明产品详情页推荐示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。

英文专有词及缩写词对应中文含义

E-commerce(EC)	电子商务
		Insurance	保险

Recommendation system(RS)	推荐系统
		Recommendation algorithm(RA)	推荐算法
Architecture	体系构建
		Recommendation workflow(RW)	推荐流程
On-line recommendation	在线推荐
		Collaborative filtering(CF)	协同过滤
Content-based recommendation	基于内容的推荐
		Association-based recommendation	关联推荐
User-based filtering	基于用户的过滤
		Item-base filtering	基于产品的过滤
Human Interface(HI)	人机界面

一、系统构架

针对保险电子商务网站特色，设计了如图1的基于电子商务平台的保险推荐系统框架。我们重点使用用户的浏览购买数据，保险产品的自身属性特色，用来提供个性化的推荐系统。系统主要分为三层，分别是：推荐数据/知识层、推荐引擎层和推荐实施层。

推荐数据/知识层主要是存储电子商务网站提供的客户数据、保险品种数据、购买交易数据以及客户行为数据；另外，就是从这些数据中提取、挖掘的用于支持推荐的各种统计信息、规则等知识，这些知识存储在知识库中。

推荐引擎层包括支撑推荐的各种数据统计、挖掘算法和具体的推荐算法，主要有：热点产品的统计分析、保险产品销售关联分析、协同推荐、基于内容的推荐、基于案例的推荐等。

推荐实施层根据来自电子商务网站系统的在线客户访问行为，结合数据库中的相关信息和知识库中的相关知识，利用相关的数据分析与推荐算法，实施具体推荐，并提供一个webservice接口，把推荐结果返回给网站的线上系统。

二、推荐流程

针对客户访问保险电子商务平台时的不同场景，设计了具体的推荐流程。其中，根据所掌握的客户信息不同，把客户分为：1）全新客户；2）注册但是几乎没有浏览历史的客户（有信息没浏览）；3）有浏览历史的客户（没客户信息）；4）有购买历史的客户。对应于不同的情形，采用不同的推荐流程，如图2、3、4、5所示。

三、关键技术

3.1分析网站平台的用户数据

利用java程序对网站的用户数据做解析，通过解析可以得到用户按时间排序的行为数据，行为包括：访问的页面地址、时间、用户的cookie信息等。系统也会过滤日志中的爬虫的干扰信息。进一步，总结用户每日的对不同产品的访问频次。使用oracle数据库存放网站用户的信息、产品的信息、用户的购买信息(针对电子商务网站)和打分信息等。

3.2统计推荐

统计推荐旨在更好地反应各个产品在所有用户行为下的一个综合表现。采用以下指标来衡量产品的表现：点击次数、购买次数、销售金额、弹出次数、点击率和购买率等。其中，弹出是指：在用户的一段会话内，最后一次访问的产品。即用户访问到某一个产品，不继续在网站访问，则记为弹出。原则上，希望弹出频次特别高的产品不被出现在推荐列表中，所以对这个参数赋予负值。由于保险产品是一个有着时效性的产品，应该给近期的热点会更好的评分，所以在时间上做衰退处理。把历史数据和近期数据记录下来，分别统计，最终给出一个打分。

假设以上提到的各因素近期的分值为x₁，x₂，x₃，...，x_k，历史数据统计得分为y₁，y₂，y₃，...，y_k，分别给他们a₁，a₂，a₃，...，a_k的权重。假设我们对历史数据有一个时间的衰退因子t(0<t<1)。于是，给出的一个产品的综合统计分数为：

最终将按照得分排序所有的产品。一个新用户将优先看到和他所在页面相关的分数最高的产品推荐。

3.3关联规则推荐

关联规则推荐选用了经典的Apriori算法，它是关联规则领域的经典算法。该算法将发现关联规则的过程分为两个步骤：第一步通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于客户设定的阈值的项集；第二步利用频繁项集构造出满足客户最小信任度的规则。具体做法就是：首先找出频繁1-项集，记为L1；然后利用L1来产生候选项集C2，对C2中的项进行判定挖掘出L2，即频繁2-项集；不断如此循环下去直到无法发现更多的频繁k-项集为止。每挖掘一层Lk就需要扫描整个数据库一遍。

3.4协同过滤

提出了一种基于特征的协同过滤推荐方法，其计算步骤如下：

步骤一、根据物品的特征，将原有的物品-用户打分矩阵投影到不同的物品特征上，得到多个聚合的特征-用户打分矩阵。对每个特征f_x，特征-用户X矩阵设为M^x，矩阵中第i行第j列的值为用户i评分过的含有特征f_xj的评分均值：

$M_{\mathrm{ij}}^x=\begin{array}{cc}\mathrm{AVG}& r_{\mathrm{ij}}\end{array}..$

步骤二、对于每一个用户统计其在各个特征上打分的方差，并用该方差值刻画用户对该特征的好恶程度，方差越大，表明用户对该特征的取值有越强偏向；

步骤三、基于各个特征-用户打分矩阵，预测用户对某新物品的打分值。每一个特征-用户矩阵，运用协同过滤方法均得到一个预测评分，这样得到一组预测评分，P={p^1,p^2,...p^r}。

步骤四、利用步骤二各特征上打分的方差，对步骤三计算得到的打分预测值进行加权平均，得到用户对该物品的最终打分预测值。物品的预测评分为各个特征预测评分的加权平均值，设SD(i,x)表示用户i在特征x上的预测评分标准差，则有：

$p_{\mathrm{ui}}=\frac{{\mathrm{\&Sigma;}}_{x=1}^{x=r}\mathrm{SD}(i,x)p^x}{{\mathrm{\&Sigma;}}_{x=1}^{x=r}\mathrm{SD}(i,x)}.$

步骤五、基于最终的打分预测值，进行物品推荐。

3.5基于内容的推荐

在针对保险购买群体的行为分析后发现，用户购买一款产品，往往也是因为这款产品的一些重要属性符合自身的需求，所以保险产品的推荐也可以从此入手。在分析了网站的业务数据后，使用保险产品的属性标签作为保险产品的内容，以此来计算产品之间的相似度，后续也可以有人工干预相似度。这样的最大优点在于，一款新产品，只要能够提供准确的产品属性标签，那么它就可以很快出现在其潜在用户的推荐列表里。这是一般的协同过滤算法所不能提供的。

关于用户内容，可以根据用户的职业、年龄、性别和收入等来衡量用户的潜在购买习惯。因为往往背景接近的用户购买保险产品的行为也会较为接近。基于用户内容的推荐，可以弥补一个新用户在不知道他的历史浏览和购买情况下，通过引导其填入个人信息，来推测他的潜在需求。

具体地，选用了以下属性：

1)产品大分类（例如：交通意外保险、综合意外保险、国内旅行保险、境外旅行保险）；

2)保险使用区域(例如：中国大陆、境外、东南亚、南亚、港澳、台湾、中东非洲、申根国家、日本、韩国)；

3)特色保障内容（例如：医疗补偿、交通双倍赔付、高原特定疾病、紧急救援、高风险运动、自驾出行、财产损失、航班延误、租金损失等等）；

4)承保年龄（例如：0-3周岁、4-17周岁、18-65周岁、65周岁以上）；

5)保障期限（例如：7天以内、1个月以内、1-3个月、3个月-1年、1年多次往返、全年驻留）。

在系统的初期重点选取以上的属性，属性间的权重是可以灵活调节。另外，可以通过长期对用户调研分析，选取用户潜在看重的保险属性，调节这些已有属性的权重，并在必要的时候增加新属性。这些属性都是来自网站的自身产品分类标签属性。通过推荐结果的反馈，也可以帮助网站改进自身已有的属性体系。在有了这些属性后，下一步就是对产品计算相似度，才用类似于协同过滤的打分矩阵，建立产品的属性相似度矩阵。这里使用Pearson相似度公式，在计算出相似度结果后，会在数据库中存储这一结果，并根据用户的购买记录推荐与之相似的结果，并作为最终的基于产品内容推荐结果。

3.6线上推荐

在介绍了我们选取的算法后，我们可以发现，我们选取的四种算法不仅他们有着较为合理的推荐结果，而且它们也在一定程度上有着互补的效果。协同过滤在很大程度上有着通用性和较好的推荐结果，但是在冷启动上有着很大的不足。基于内容的推荐，可以部分解决冷启动，即用户或产品不全是新的，那么都可以有着较好的推荐结果。关联规则，有着非常发散普适性的推荐效果，在新用户到来，也不知道他的背景属性下，我们仍然可以做出个性化的推荐。而统计算法则弥补了在各自情况下其他算法都没还有合适的推荐结果下，我们仍然可以引导用户购买一些畅销的产品。

所以综上所述，我们赋予基于内容和协同过滤相同的权重，在这2个算法有推荐结果的情况下，我们优先选取这2种算法的推荐结果。如果这两种算法结果不足，则依次用关联规则和统计算法做补足。除此之外，为了能够较好的体现用户的当前会话的购买意愿，我们还会动态的结合用户当前的浏览页面类型，选取我们的推荐结果。具体分如下三种情况：

1)首页。针对用户处于首页，我们会着重考虑用户的访问来源。因为网站还处于发展期，那么网站肯定会在较多相关的地方投放广告。我们可以根据用户广告来源来分析他的潜在购买需求。例如用户来自于一个健康知识网站，那么我们会在推荐结果中优先选取健康类的保险产品，如果用户来自旅游网站，那么我们势必会把旅游险的权重调高。

2)产品分类页。在产品的分类页，说明用户对自己所要购买的大类产品已有了明确的需求，甚至对一些细节属性也有了自己的要求，所以我们会在推荐结果中选取适合当前页面的保险产品作为优先推荐，为了保证推荐结果的多样性和发散性，我们还会避免和用户的搜索结果产品重复。

3)产品详情页。在商品详情页，用户可能已经浏览或者有了自己想购买的产品，在此时，我们根据关联规则，推测用户可能想进一步继续购买的产品，提升用户的访问效率。

在用户的行为数量积累，用户数目的增长以后，我们可以减少离线处理的周期，并且将其中一部分的计算变为线上的实时计算，这样使得我们的推荐更加准确的符合用户近期需求。

4、操作界面

对于线上的推荐，系统目标是根据不同的页面场景，提供不同的推荐。一个统一的目标是尽可能地符合用户的当前需求，提高用户在网站的访问时间以及购买率。具体有如下三种类型：

1)网站首页：即网站的主页，用户通常从该页开始浏览网站；

2)产品分类页：用户通过点击分类标签进入具体某一类别的保险产品继续浏览；

3)产品详情页：即具体定位到一款保险计划，用户在该页可以进行购买产品。

针对这三类页面，分别提供如图6、7、8所示的推荐界面。

以上实施例只是对于本发明的部分功能进行描述，但实施例和附图并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (9)

1.一种基于电子商务平台的保险推荐系统框架，它分为三层，分别是：推荐数据/知识层、推荐引擎层和推荐实施层，其特征在于：

所述推荐数据/知识层是存储电子商务网站提供的客户数据、保险品种数据、购买交易数据以及客户行为数据；另外，从这些数据中提取、挖掘的用于支持推荐的各种统计信息、规则的知识，这些知识存储在知识库中；

所述推荐引擎层包括支撑推荐的各种数据统计、挖掘算法和具体的推荐算法，包括有：热点产品的统计分析、保险产品销售关联分析、协同推荐、基于内容的推荐、基于案例的推荐；

所述推荐实施层根据来自电子商务网站系统的在线客户访问行为，结合数据库中的相关信息和知识库中的相关知识，利用相关的数据分析与推荐算法，实施具体推荐，并提供一个webservice接口，把推荐结果返回给网站的线上系统。

2.一种基于电子商务平台的保险推荐方法，适用于权利要求1所述的保险推荐系统框架，是基于Internet环境下电子商务平台的保险推荐应用，它将多种推荐方法集成在一个推荐框架下，针对不同的用户给予个性化保险推荐；使用基于特征的协同过滤算法，增加用户偏好这一因素，对用户的打分在时间上做了衰减，较久远的用户行为数据被赋予较低的权重，而最新的用户被赋予较低的权值；对推荐结果进行解释，指出每个推荐结果是基于用户的哪些行为而给出的；针对保险推荐的特殊性，设计了推荐结果展示界面。

3.根据权利要求2所述的保险推荐方法，其特征在于：通过解析用户的行为数据对用户进行划分，所述行为数据包括：访问的页面地址、时间、用户的cookie信息。

4.根据权利要求2所述的保险推荐方法，其特征在于：所述不同的用户分为：全新用户；有注册信息但没有浏览历史的用户；有浏览历史但没有注册信息的用户；有购买历史的用户。

5.根据权利要求2所述的保险推荐方法，其特征在于，所述个性化保险推荐包括：统计推荐、关联规则推荐、协同过滤推荐、基于内容推荐。

6.根据权利要求5所述的保险推荐方法，其特征在于，所述统计推荐，采用以下指标来衡量产品的表现：点击次数、购买次数、销售金额、弹出次数、点击率和购买率；其中，弹出是指：在用户的一段会话内最后一次访问的产品，即用户访问到某一个产品，不继续在本网站访问，则记为弹出；弹出频次特别高的产品不被出现在推荐列表中，对这个参数赋予负值；同时保险产品在时间上做衰退处理；把历史数据和近期数据记录下来，分别统计，最终给出一个打分；

以上提到的各因素近期的分值为为x₁，x₂，x₃，...，x_k,历史数据统计得分为y₁，y₂，y₃，...，y_k，分别给他们a₁，a₂，a₃，...，a_k的权重；历史数据有一个时间的衰退因子t(0<t<1)；一个产品的综合统计分数为：

按照得分排序所有的产品。

7.根据权利要求5所述的保险推荐方法，其特征在于，所述关联规则推荐选用Apriori算法将发现关联规则的过程分为两个步骤：第一步通过迭代，检索出事务数据库中的所有频繁项集，即支持度不低于客户设定的阈值的项集；第二步利用频繁项集构造出满足客户最小信任度的规则；具体做法就是：首先找出频繁1-项集，记为L1；然后利用L1来产生候选项集C2，对C2中的项进行判定挖掘出L2，即频繁2-项集；不断如此循环下去直到无法发现更多的频繁k-项集为止；每挖掘一层Lk就需要扫描整个数据库一遍。

8.根据权利要求5所述的保险推荐方法，其特征在于，所述协同过滤推荐是一种基于特征的推荐方法，其计算步骤如下：

步骤一、根据物品的特征，将原有的物品-用户打分矩阵投影到不同的物品特征上，得到多个聚合的特征-用户打分矩阵；对每个特征f_x，特征-用户X矩阵设为M^x，矩阵中第i行第j列的值为用户i评分过的含有特征f_xj的评分均值：

$M_{\mathrm{ij}}^x=\begin{array}{cc}\mathrm{AVG}& r_{\mathrm{ij}}\end{array}.;$

步骤二、对于每一个用户统计其在各个特征上打分的方差，并用该方差值刻画用户对该特征的好恶程度，方差越大，表明用户对该特征的取值有越强偏向；

步骤三、基于各个特征-用户打分矩阵，预测用户对某新物品的打分值；每一个特征-用户矩阵，运用协同过滤方法均得到一个预测评分，这样得到一组预测评分，P={p^1,p^2,...p^r}；

步骤四、利用步骤二各特征上打分的方差，对步骤三计算得到的打分预测值进行加权平均，得到用户对该物品的最终打分预测值；物品的预测评分为各个特征预测评分的加权平均值，设SD(i,x)表示用户i在特征x上的预测评分标准差，则有：

$p_{\mathrm{ui}}=\frac{{\mathrm{\&Sigma;}}_{x=1}^{x=r}\mathrm{SD}(i,x)p^x}{{\mathrm{\&Sigma;}}_{x=1}^{x=r}\mathrm{SD}(i,x)}.$

步骤五、基于最终的打分预测值，进行物品推荐。

9.根据权利要求5所述的保险推荐方法，其特征在于，所述基于内容推荐在分析了网站的业务数据后，使用保险产品的属性标签作为保险产品的内容，以此来计算产品之间的相似度；

关于用户内容，根据用户的职业、年龄、性别和收入来衡量用户的潜在购买习惯；

所述保险产品的属性，包括：产品分类、保险使用区域、特色保障内容、承保年龄、保障期限；属性间的权重是调节；

使用Pearson相似度公式，建立产品的属性相似度矩阵，在计算出相似度结果后，在数据库中存储这一结果，并根据用户的购买记录推荐与之相似的结果，并作为最终的基于产品内容推荐结果。

Images