CN110060167A - 一种保险产品推荐方法、服务器及计算机可读介质 - Google Patents
一种保险产品推荐方法、服务器及计算机可读介质 Download PDFInfo
- Publication number
- CN110060167A CN110060167A CN201910191329.3A CN201910191329A CN110060167A CN 110060167 A CN110060167 A CN 110060167A CN 201910191329 A CN201910191329 A CN 201910191329A CN 110060167 A CN110060167 A CN 110060167A
- Authority
- CN
- China
- Prior art keywords
- user
- insurance products
- data
- degree
- association
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003542 behavioural effect Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 16
- 230000006399 behavior Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000013480 data collection Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- -1 natural loss danger Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本发明实施例公开了一种保险产品推荐方法、服务器及计算机可读介质,其中方法包括:获取第一用户的用户特征数据;确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度;将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。通过本申请,可以实现针对保险产品的精准推荐。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种保险产品推荐方法、服务器及计算机可读介质。
背景技术
车险,也即机动车辆保险,是指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险。通俗的来说,车险是以机动车辆本身及其第三者责任等为保险标的一种运输工具保险。其保险客户,主要是拥有各种机动交通工具的法人团队和个人。
随着保险意识的提高,越来越多的企业、家庭和个人在购买机动车辆后,会为车辆投保,购买车险,以保障车祸事故中受害人的正当权益。现有的车险销售模式主要包括:一、传统的销售模式,例如,通过业务员和车主沟通,无目的性地向车主推荐各类车险。在车主确认要购买的车险种类后,再由业务员将车主提供投保所需的各项信息、已缴纳的车险费用等录入系统生成保单,完成车险的销售;二、车险公司通过自助终端销售车险,自助终端上展示车险公司提供的各种险种和保额,以供用户选择。在整个实现过程中,用户需要在繁多的险种中选择满足自身需求的险种产品,然后再进行购买。
由上述论述可以知道,现有的针对保险产品的销售存在盲目性、针对性差。
发明内容
本发明实施例提供一种保险产品推荐方法、服务器及计算机可读介质,可解决现有技术中针对保险产品的销售存在盲目性、针对性差的这一问题,可以实现保险产品的精准推荐。
第一方面,本发明实施例提供了一种保险产品推荐方法,该方法包括:
获取第一用户的用户特征数据;
确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度;
将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
通过本发明实施例,服务器根据用户的特征数据与保险产品的属性特征之间的关联度向用户推荐保险产品,可以实现针对保险产品的精准推荐。
可选的,所述获取第一用户的用户特征数据,包括:
根据所述第一用户的数据构建第一用户画像,其中,所述第一用户画像用于表征所述第一用户的行为特征和/或静态特征;
所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,包括:
确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述第一用户的数据包括所述第一用户的基本数据和所述第一用户在不同维度上的行为数据;
所述根据所述第一用户的数据构建第一用户画像,包括:
通过深度学习算法对所述第一用户的基本数据进行学习,得到所述第一用户的静态特征向量;
通过所述深度学习算法对所述第一用户的行为数据进行学习,得到所述第一用户的行为特征向量;
根据所述第一用户的静态特征向量和/或所述第一用户的行为特征向量构建所述第一用户画像。
可选的,所述确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度,包括:
基于用户画像样本数据与保险产品的属性特征样本数据进行训练,得到所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,包括:
将排名前N位的所述关联度对应的保险产品推荐给所述第一用户;其中,N为大于0的正整数。
可选的,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,还包括:
将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。
可选的,所述获取第一用户的用户特征数据,包括:
对第一用户的数据进行分类,得到M个数据集;其中,所述M为大于0的正整数;所述M个数据集用于表征所述第一用户在不同维度上的用户特征;
所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,包括:
确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述对第一用户的数据进行分类,得到M个数据集,包括:
确定所述第一用户的数据中的两两数据之间的相关度;
若所述两两数据之间的相关度大于第二预设阈值,则对所述两两数据进行聚类,以得到所述M个数据集。
可选的,所述确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度,包括:
基于所述至少一个数据集的样本数据与保险产品的属性特征样本数据进行训练,得到所述至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,包括:
将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的关联度进行排序,得到所述确定的每个数据集各自对应的排序结果;
根据所述每个数据集各自对应的排序结果,将保险产品推荐给所述第一用户。
可选的,所述方法还包括:
确定所述第一用户的用户特征数据与第二用户的用户特征数据之间的相似度;
若所述相似度大于第三预设阈值,则将推荐给所述第一用户的保险产品推荐给所述第二用户。
第二方面,本发明实施例提供了一种服务器,该服务器包括用于执行上述第一方面的方法的单元。具体地,该服务器包括:
获取单元,用于获取第一用户的用户特征数据;
第一确定单元,用于确定所述第一用户的的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度;
第一推荐单元,用于将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
可选的,所述获取单元包括构建单元;
所述构建单元,用于根据所述第一用户的数据构建第一用户画像,其中,所述第一用户画像用于表征所述第一用户的行为特征和/或静态特征;
所述第一确定单元包括第二确定单元;
所述第二确定单元,用于确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述第一用户的数据包括所述第一用户的基本数据和所述第一用户在不同维度上的行为数据;
所述构建单元包括:第一学习单元、第二学习单元和处理单元;
所述第一学习单元,用于通过深度学习算法对所述第一用户的基本数据进行学习,得到所述第一用户的静态特征向量;
所述第二学习单元,用于通过所述深度学习算法对所述第一用户的行为数据进行学习,得到所述第一用户的行为特征向量;
所述处理单元,用于根据所述第一用户的静态特征向量和/或所述第一用户的行为特征向量构建所述第一用户画像。
可选的,所述第二确定单元具体用于:
基于用户画像样本数据与保险产品的属性特征样本数据进行训练,得到所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述第一推荐单元具体用于:
将排名前N位的所述关联度对应的保险产品推荐给所述第一用户;其中,N为大于0的正整数。
可选的,所述第一推荐单元还具体用于:
将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。
可选的,所述获取单元包括分类单元;
所述分类单元,用于对第一用户的数据进行分类,得到M个数据集;其中,所述M为大于0的正整数;所述M个数据集用于表征所述第一用户在不同维度上的用户特征;
所述第一确定单元包括第三确定单元;
所述第三确定单元,用于确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述分类单元包括:第四确定单元和聚类单元;
所述第四确定单元,用于确定所述第一用户的数据中的两两数据之间的相关度;
所述聚类单元,用于在所述两两数据之间的相关度大于第二预设阈值时,对所述两两数据进行聚类,以得到所述M个数据集。
可选的,所述第三确定单元具体用于:
基于所述至少一个数据集的样本数据与保险产品的属性特征样本数据进行训练,得到所述至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述第一推荐单元包括排序单元和第二推荐单元;
所述排序单元,用于将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的关联度进行排序,得到所述确定的每个数据集各自对应的排序结果;
所述第二推荐单元,用于根据所述每个数据集各自对应的排序结果,将保险产品推荐给所述第一用户。
可选的,所述服务器还包括:
第五确定单元,用于确定所述第一用户的用户特征数据与第二用户的用户特征数据之间的相似度;
第三推荐单元,用于在所述相似度大于第二预设阈值时,将推荐给所述第一用户的保险产品推荐给所述第二用户。
第三方面,本发明实施例提供了另一种服务器,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持服务器执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第五方面,本发明实施例提供了一种计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例通过确定用户特征数据与保险产品的属性特征之间的关联度,继而,将符合预设规则的关联度对应的保险产品推荐给用户,可以实现针对保险产品的精准推荐。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1A是本发明实施例提供的一种保险产品推荐方法的示意流程图;
图1B是本发明实施例提供的一种用户画像的示意图;
图2是本发明实施例提供的另一种保险产品推荐方法的示意流程图;
图3A是本发明实施例提供的一种服务器的示意性框图;
图3B是本发明实施例提供的另一种服务器的示意性框图;
图4是本发明另一实施例提供的一种服务器的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
具体实现中,本发明实施例中描述的服务器包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的服务器。然而,应当理解的是,服务器可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
服务器支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在服务器上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及服务器上显示的相应信息。这样,服务器的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
接下来,对本申请中的部分用语进行解释说明,以便本领域技术人员理解。
(1)用户画像。
用户画像,也即用户角色,可以作为一种勾画目标用户、联系用户诉求与涉及方向的有效工具。通俗的说,用户画像是真实用户的虚拟代表,可以反映真实用户的行为特征。
(2)车险种类。
以平安车险种类为例,可以包括:车辆损失险、商业第三者责任险、全车盗抢险、司机座位责任险、乘客座位责任险,不计免赔特约险、玻璃单独破碎险、自然损失险、车辆划痕损失险、涉水险。为了便于阐述,本申请将以A类车险产品、B类车险产品、C类车险产品、D类车险产品、E类车险产品为例进行描述。
在实际应用中,上述车险产品均有自身独特的属性特征。该属性特征用于表征该产品的特性。
下面结合图1A所示的本发明实施例提供的保险产品推荐方法的流程示意图,具体说明本发明实施例提供的第一种保险产品推荐方式是如何向用户推荐保险产品的,在这种推荐方式中,服务器通过确定用户画像与保险产品的属性特征之间的关联度,继而根据确定好的关联度来向用户推荐保险产品。在实际应用中,可以包括如下步骤:
步骤S101、获取第一用户的用户特征数据;
在其中一个实施方式中,获取第一用户的用户特征数据可以包括:
根据第一用户的数据构建第一用户画像;其中,所述第一用户画像用于表征所述第一用户的行为特征和/或静态特征。
示例性地,第一用户的数据可以包括:性别、年龄、地域、驾龄、职业、收入情况、家庭情况、消费习惯、车险投保记录、车险出保记录中的至少一种。其中,第一用户的基本数据可以包括:性别、年龄、地域、驾龄、职业;第一用户在不同维度上的行为数据可以包括:收入情况、家庭情况、消费习惯、车险投保记录、车险出保记录等等。
例如,某保险公司收集了多个用户的数据,其中,这多个用户包括第一用户、第二用户、第三用户以及第四用户。具体地,这多个用户的数据的表现形式可以如表1所示:
表1用户的数据
用户 | 性别 | 年龄 | 车险投保记录 | 车险出保记录 |
第一用户 | 男 | 20 | A类保险产品 | 8次 |
第二用户 | 女 | 30 | C类保险产品 | 2次 |
第三用户 | 男 | 35 | D类保险产品 | 0次 |
第四用户 | 女 | 28 | E类保险产品 | 1次 |
在实际应用中,服务器在获取到第一用户的数据之后,服务器将第一用户的数据输入预设的机器学习模型,继而,根据该预设的机器学习模型确定第一用户的用户画像。具体地,终端通过深度学习算法对第一用户的基本数据进行学习,得到第一用户的静态特征向量;其次,通过上述深度学习算法对第一用户的行为数据进行学习,得到第一用户的行为特征向量,之后,根据第一用户的静态特征向量和/或第一用户的行为特征向量构建第一用户画像。
例如,服务器根据上述预设的机器学习模型确定第一用户对应的用户画像为:冲动型青年车主。具体地,请参见图1B。该用户画像表征第一用户的行为特征如下所示:第一,第一用户的年纪过于年轻,年轻气盛;第二,第一用户可能存在驾驶陋习,例如,在驾驶机动车的过程中存在接听电话的行为;驾驶速度超过预设速度范围(也即,超速行驶);喜欢闯红绿灯等等。
同样地,服务器根据第二用户的数据构建第二用户的用户画像。例如,服务器根据上述预设的机器学习模型确定第二用户的用户画像为:怀疑型青年车主。该用户画像表征第二用户的行为特征如下所示:第一,驾驶习惯较好;第二,驾驶技能不够熟练,有待加强。
同样地,服务器根据第三用户的数据构建第三用户的用户画像。例如,服务器根据上述预设的机器学习模型确定第三用户的用户画像为:成熟稳重型青年车主。该用户画像表征第三用户的行为特征如下所示:第一,驾驶人性格稳重;第二,驾驶技术娴熟。
同样地,服务器根据第四用户的数据构建第四用户的用户画像。例如,服务器根据上述预设的机器学习模型确定第四用户的用户画像为:坚毅型青年车主。该用户画像表征第四用户的行为特征如下所示:第一,驾驶人的安全意识较高;第二,驾驶技能较好。
步骤S102、确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度。
在其中一个实施方式中,确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,可以包括:
确定第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
示例性地,在本发明实施例中,保险产品集合中包括五大类保险产品,这五大类保险产品分别为:A类保险产品、B类保险产品、C类保险产品、D类保险产品。
在具体实现中,保险产品集合中的每个保险产品的属性特征包括:车险公司、车险公司信誉度、车险险种、车险保额。
例如,以保险公司1为例,保险公司1销售的保险产品包括:A类保险产品、B类保险产品以及C类保险产品。这三大类保险产品各自对应的属性特征可以如表2所示:
表2保险产品的属性特征
在具体实现中,保险产品的属性特征可以体现该产品的特性。例如,如表2所示,从表2中A类车险产品的属性特征可以确定公司1的A类车险产品的特性为:低成本经济型;从表2中B类车险产品的属性特征可以确定公司1的B类车险产品的特性为:经济适用刚需型;从表2中C类车险产品的属性特征可以确定公司1的C类车险产品的特性:高成本高回报型。
需要说明的是,在实际应用中,以A类保险产品为例,假设市面上存在多家公司销售A类保险产品,具体的情况可以如表3所示:
表3
保险公司 | 保险公司信誉度 | 车险险种 | 车险保额 |
公司1 | 优秀 | A类 | 5万-100万 |
公司2 | 良好 | A类 | 5万-100万 |
公司3 | 较差 | A类 | 5万-100万 |
由表3可以知道,这多家保险公司销售的A类保险产品的车险保额信息一致,那么,在这种情况下,当服务器向第一用户推荐保险产品时,服务器优先向第一用户推荐信誉度高的公司的保险产品,例如,向用户1推荐公司1的A类保险产品。
在具体实现中,服务器可以通过大数据分析模型确定用户画像与保险产品的属性特征之间的关联度。在本发明实施例中,这里所涉及的关联度,也即相关性,是表征两个事物之间的关联程度。
示例性地,上述大数据分析模型为基于粒子群优化算法改进的极限学习机模型,该模型基于大量的用户画像样本数据以及保险产品的属性特征样本数据进行训练,以确定用户画像与保险产品的属性特征之间的关联度。
接下来,以表1所示的第一用户以及第三用户为例进行阐述:
例如,服务器确定第一用户与A类保险产品的关联度为0.2;服务器确定第一用户与B类保险产品的关联度为0.6;服务器确定第一用户与C类保险产品的关联度为0.1;服务器确定第一用户与D类保险产品的关联度为0.9;服务器确定第一用户与E类保险产品的关联度为0.7。
又例如,服务器确定第三用户与A类保险产品的关联度为0.8;服务器确定第三用户与B类保险产品的关联度为0.4;服务器确定第三用户与C类保险产品的关联度为0.5;服务器确定第三用户与D类保险产品的关联度为0.7;服务器确定第一用户与E类保险产品的关联度为0.6。
步骤S103、将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
在其中一个实施方式中,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,包括:
将排名前N位的所述关联度对应的保险产品推荐给所述第一用户;其中,N为大于0的正整数。
示例性地,N可以为2,也可以为3,等等,本发明实施例不作具体限定。
如前所述,以第一用户为例,服务器确定第一用户与A类保险产品的关联度为0.2;服务器确定第一用户与B类保险产品的关联度为0.6;服务器确定第一用户与C类保险产品的关联度为0.1;服务器确定第一用户与D类保险产品的关联度为0.9;服务器确定第一用户与E类保险产品的关联度为0.7。服务器在向用户推荐保险产品的过程中,将上述计算得到的关联度由大到小进行排序,可以得到排序结果为:第一用户与D类保险产品的关联度0.9>第一用户与E类保险产品的关联度0.7>第一用户与B类保险产品的关联度0.6>第一用户与A类保险产品的关联度0.2>第一用户与C类保险产品的关联度0.1。
在实际应用中,服务器将排名前2位的关联度对应的保险产品推荐给第一用户,即:服务器将D类保险产品和E类保险产品推荐给第一用户。
在其中的另一个实施方式中,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,还可以包括:
将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。
如前所述,以第一用户为例,服务器确定第一用户与A类保险产品的关联度为0.2;服务器确定第一用户与B类保险产品的关联度为0.6;服务器确定第一用户与C类保险产品的关联度为0.1;服务器确定第一用户与D类保险产品的关联度为0.9;服务器确定第一用户与E类保险产品的关联度为0.7。在推荐的过程中,服务器依次判断上述计算得到的关联度是否大于第一预设阈值(例如,第一预设阈值为0.5),从而可以获知第一用户与D类保险产品的关联度、第一用户与B类保险产品的关联度以及第一用户与E类保险产品的关联度大于第一预设阈值,那么,在这种情况下,服务器将B类保险产品、D类保险产品以及E类保险产品推荐给第一用户。
通过实施本发明实施例,服务器根据用户的数据构建用户画像,然后,确定用户画像与保险产品的属性特征之间的关联度,继而,根据关联度向用户推荐保险产品,可以实现针对保险产品的精准推荐。
下面结合图2所示的本发明实施例提供的保险产品推荐方法的流程示意图,具体说明本发明实施例提提供的第二种保险产品推荐方式是如何向用户推荐保险产品的,在这种推荐方式中,服务器通过确定至少一个数据集与保险产品的属性特征之间的关联度,其中,至少一个数据集可以表征用户在不同维度上的用户特征,之后,根据确定好的关联度来向用户推荐保险产品。在实际应用中,可以包括如下步骤:
步骤S201、获取第一用户的用户特征数据;
在其中一个实施方式中,获取第一用户的用户特征数据可以包括:
对第一用户的数据进行分类,得到M个数据集;其中,所述M为大于0的正整数;所述M个数据集用于表征所述第一用户在不同维度上的用户特征。
如前所述,第一用户的数据可以包括:性别、年龄、地域、驾龄、行车速度数据、刹车操作数据、换挡数据、打转向灯数据、闯红灯数据、驾驶过程接听电话数据、职业、收入情况、车险投保记录、车险出保记录、车辆类型、事故率(发生事故的次数)等。
服务器对上述第一用户的数据进行分类,在具体实现中,对第一用户的数据进行分类,得到M个数据集,可以包括:
确定所述第一用户的数据中的两两数据之间的相关度;
若所述两两数据之间的相关度大于第二预设阈值,则对所述两两数据进行聚类,以得到所述M个数据集。
例如,服务器确定行车速度数据、刹车操作数据之间的相关度为0.8,其相关度大于设定好的第二预设阈值(例如,第二预设阈值为0.7),此时,服务器将上述两个数据划分在同一个数据集中,例如,该数据集为驾驶操作数据集,在实际应用中,驾驶操作数据集用于表征用户在驾驶技能上的行为特征。
又例如,服务器确定职业、收入情况之间的相关度为0.7,其相关度大于设定好的第二预设阈值,此时,服务器将上述两个数据划分在同一个数据集汇总,例如,该数据集为职业数据集,在实际应用中,职业数据集用于表征用户在购买能力上的行为特征。
采用以上所描述的分类方法,服务器可以将第一用户的数据分为4类,这4类数据集分别为:基本数据集、驾驶操作数据集、职业数据集以及车险数据集。每类数据集可以表征用户在一个维度上的行为特征。具体地,基本数据集中包括性别、年龄、地域、驾龄;驾驶操作数据集中包括:行车速度数据、刹车操作数据、换挡数据、打转向灯数据、闯红灯数据、驾驶过程接听电话数据;职业数据集中包括:职业、收入情况;车险数据集中包括:车险投保记录、车险出保记录、车辆类型、事故率(发生事故的次数)。
步骤S202、确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度。
在其中一个实施方式中,确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,可以包括:
确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
在本申请中,服务器可以基于一个数据集与保险产品集合中的每个保险产品的属性特征之间的关联度来向用户推荐保险产品,也可以基于多个数据集与保险产品集合中的每个保险产品的属性特征之间的关联度来向用户推荐保险产品,这均在本申请的保护范围之内。可以理解的是,在实际应用中,基于多个数据集与保险产品集合中的每个保险产品的属性特征之间的关联度的这一实现方式,推荐效果更好。下面将结合多个数据集与保险产品集合中的每个保险产品的属性特征之间的关联度这一实现方式为例进行具体阐述:
在具体实现中,服务器可以通过大数据分析模型确定每个数据集与保险产品的属性特征之间的关联度。例如,服务器基于每个数据集的样本数据以及保险产品的属性特征样本数据进行训练,以确定每个数据集与保险产品的属性特征之间的关联度。
例如,服务器确定基本数据集与保险产品集合中每个保险产品的属性特征之间的关联度如表4所示:
表4基本数据集与车险产品的关联度
车险产品 | 关联度 |
A类 | 0.2 |
B类 | 0.6 |
C类 | 0.1 |
D类 | 0.9 |
E类 | 0.7 |
又例如,服务器确定驾驶操作数据集与保险产品集合中每个保险产品的属性特征之间的关联度如表5所示:
表5驾驶操作数据集与车险产品的关联度
车险产品 | 关联度 |
A类 | 0.8 |
B类 | 0.4 |
C类 | 0.5 |
D类 | 0.7 |
E类 | 0.6 |
又例如,服务器确定职业数据集与保险产品集合中每个保险产品的属性特征之间的关联度如表6所示:
表6职业数据集与车险产品的关联度
车险产品 | 关联度 |
A类 | 0.2 |
B类 | 0.3 |
C类 | 0.4 |
D类 | 0.5 |
E类 | 0.6 |
又例如,服务器确定车险数据集与保险产品集合中每个保险产品的属性特征之间的关联度如表7所示:
表7车险数据集与车险产品的关联度
车险产品 | 关联度 |
A类 | 0.8 |
B类 | 0.6 |
C类 | 0.4 |
D类 | 0.5 |
E类 | 0.7 |
步骤S203、将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
在其中一个实施方式中,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,包括:
将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的关联度进行排序,得到所述确定的每个数据集各自对应的排序结果;
根据所述每个数据集各自对应的排序结果,将保险产品推荐给所述第一用户。
例如,以基本数据集与车险产品的关联度为例,服务器将基本数据集与车险产品的属性特征之间的关联度进行排序,得到第一排序结果。具体地,第一排序结果为:基本数据集与D类保险产品的关联度0.9>基本数据集与E类保险产品的关联度0.7>基本数据集与B类保险产品的关联度0.6>基本数据集与A类保险产品的关联度0.2>基本数据集与C类保险产品的关联度0.1。
又例如,服务器将驾驶操作数据集与车险产品的属性特征之间的关联度进行排序,得到第二排序结果。具体地,第二排序结果为:驾驶操作数据集与A类保险产品的关联度0.8>驾驶操作数据集与D类保险产品的关联度0.7>驾驶操作数据集与E类保险产品的关联度0.6>驾驶操作数据集与C类保险产品的关联度0.5>驾驶操作数据集与B类保险产品的关联度0.4。
又例如,服务器将职业数据集与车险产品的属性特征之间的关联度进行排序,得到第三排序结果。具体地,第三排序结果为:职业数据集与E类保险产品的关联度0.6>职业数据集与D类保险产品的关联度0.5>职业数据集与C类保险产品的关联度0.4>职业数据集与B类保险产品的关联度0.3>职业数据集与A类保险产品的关联度0.2。
又例如,服务器将车险数据集与车险产品的属性特征之间的关联度进行排序,得到第四排序结果。具体地,第四排序结果为:车险数据集与A类保险产品的关联度0.8>车险数据集与E类保险产品的关联度0.7>车险数据集与B类保险产品的关联度0.6>车险数据集与D类保险产品的关联度0.5>车险数据集与C类保险产品的关联度0.4。
在向用户进行推荐时,在其中的一个实施方式中,服务器将上述每个排序结果中前N位的所述关联度对应的保险产品推荐给第一用户。
例如,N可以为2,也可以为3,还可以为其它数值,本发明实施例不作具体限定。
示例性地,服务器将上述每个排序结果中前2位的所述关联度对应的保险产品推荐给第一用户。可以理解的是,第一排序结果中的待推荐保险产品为:D类保险产品和E类保险产品;第二排序结果中的待推荐保险产品为:A类保险产品和D类保险产品;第三排序结果中的待推荐保险产品为:E类保险产品和D类保险产品;第四排序结果中的待推荐保险产品为:A类保险产品和E类保险产品。从而,服务器将A类保险产品、D类保险产品和E类保险产品推荐给第一用户,第一用户可以在上述三个保险产品中购买任意一个保险产品,均满足自己的需求。相较于现有的实现方式来说,可以提高服务器针对保险产品的推荐效率。
在向用户进行推荐时,在其中的另一个实施方式中,服务器将上述多个排结果中前N位的所述关联度对应的保险产品确定为待推荐保险产品集合,之后,分析上述待推荐保险产品集合中的每个待推荐保险产品的推荐次数,若该待推荐保险产品的推荐次数大于设定好的阈值,则将该待推荐保险产品推荐给第一用户。
如前所述,以N为2为例进行阐述,待推荐保险产品集合中包括:A类保险产品、D类保险产品和E类保险产品,其中,A类保险产品的推荐次数为2次,D类保险产品的推荐次数为3次,E类保险产品的推荐次数为3次,服务器设定好的推荐次数阈值为3,在这种情况下,服务器将D类保险产品和E类保险产品推荐给第一用户。
在向用户进行推荐时,在其中的另一个实施方式中,服务器按照预设的排名权重公式确定各保险产品的排名,将排名在预设范围内的保险产品推荐给第一用户。
在实际应用中,服务器可以按照以下公式依次确定多个保险产品中的每个保险产品的排名权重,所述公式为:
Xi=0.1*Ai+0.2*Bi+0.4*Ci+0.3*Di
其中,Xi为所述保险集合中的第i个保险产品的排名权重,Ai为第i个保险产品在第一排序结果中所占的排名,Bi为第i个保险产品在第二排序结果中所占的排名,Ci为第i个保险产品在第三排序结果中所占的排名,Di为第i个保险产品在第四排序结果中所占的排名,其中,i为大于等于1且小于等于Q的正整数;Q为保险产品集合中的保险产品数量;0.1为基本数据集对排名权重的影响因子,0.2为驾驶操作数据集对排名权重的影响因子,0.4为职业数据集对排名权重的影响因子,0.3为车险数据集对排名权重的影响因子。
在具体实现中,保险产品的排名权重越小,表征该保险产品的推荐度越高。
在实际应用中,上述公式还可以有其他表现形式。例如,上述公式中Ai的权重因子0.1还可以是其他值,例如0.2、0.3等等。上述公式中Bi的权重因子0.2还可以是其他值,例如0.4等等。只需满足多个权重因子的权重和为1即可。
如前所述,在第一排序结果中,排序后的结果为:D类保险产品(第一),E类保险产品(第二),B类保险产品(第三),A类保险产品(第四),C类保险产品(第五)。在第二排序结果中,排序后的结果为:A类保险产品(第一),D类保险产品(第二),E类保险产品(第三),C类保险产品(第四),B类保险产品(第五)。在第三排序结果中,排序后的结果为:E类保险产品(第一),D类保险产品(第二),C类保险产品(第三),B类保险产品(第四),A类保险产品(第五)。在第四排序结果中,排序后的结果为:A类保险产品(第一),E类保险产品(第二),B类保险产品(第三),D类保险产品(第四),C类保险产品(第五)。
然后,服务器根据上述公式计算保险产品集合中的5个保险产品分别对应的排名权重,其中,A类保险产品的排名权重为2.9;B类保险产品的排名权重为3.8;C类保险产品的排名权重为4;D类保险产品的排名权重为2.5;E类保险产品的排名权重为1.5。最后,服务器对上述5个排名权重由小到大进行排序,排序结果为:E类保险产品、D类保险产品、A类保险产品、B类保险产品、C类保险产品。继而,服务器将E类保险产品以及D类保险产品推荐给第一用户。
通过实施本发明实施例,服务器根据不同的数据集与保险产品的属性特征之间的关联度来向用户推荐保险产品,可以实现针对保险产品的精准推荐。
在一种可选的实现方式中,服务器在执行步骤S103之后,还可以执行步骤S104-步骤S105,以下对步骤S104-步骤S105进行具体阐述:
步骤S104、确定所述第一用户的用户特征数据与第二用户的用户特征数据之间的相似度。
相似度,又称相似性度量,也即综合评定两个事物之间相近程度的一种度量。在实际应用中,两个事物越亲近,他们的相似度也就越大。
确定第一用户的用户特征数据与第二用户的用户特征数据之间的相似度,通俗的说,就是确定这二者之间的共性。在具体实现中,采用“相似度”这一指标来评价这二者之间的共性。
在一种可能的实现方式中,服务器可以通过以下的实现方式来确定第一用户的用户特征数据与第二用户的用户特征数据之间的相似度:
首先,服务器获取第一用户的数据以及第二用户的数据。例如,服务器获取到的第一用户的数据以及第二用户的数据可以如表8所示:
表8用户的数据
用户 | 性别 | 年龄 | 车险投保记录 | 车险出保记录 |
第一用户 | 男 | 20 | A类保险产品 | 8次 |
第二用户 | 男 | 20 | A类保险产品 | 2次 |
其次,服务器确定总数据数量;
最后,分析相同数据或相似数据的数量在总数据数量上的占比。这里所涉及的占比也即第一用户的用户特征数据与第二用户的用户特征数据之间的相似度。
在另一种可能的实现方式中,服务器可以通过贝叶斯概率模型确定第一用户的用户特征数据与第二用户的用户特征数据之间的相似度。
例如,服务器确定第一用户的用户特征数据与第二用户的用户特征数据之间相似度为0.8。
步骤S105、若所述相似度大于第三预设阈值,则将推荐给所述第一用户的保险产品推荐给所述第二用户。在本发明实施例中,第三预设阈值可以是服务器自主设置的,也可以是服务器根据用户需求设置的,本发明实施例不作具体限定。在具体实现中,第三预设阈值可以为大于0的任意数,示例性地,第三预设阈值可以为0.6,也可以为0.7,等等。
如前所述,服务器确定第一用户的用户特征数据与第二用户的用户特征数据之间的相似度为0.8。服务器判断第一用户与第二用户之间的相似度是否大于第三预设阈值(例如,第三预设阈值为0.6),在这种情况下,服务器判断第一用户与第二用户的相似度大于设定好的第三预设阈值,此时,服务器将推荐给第一用户的保险产品推荐给第二用户,可以提高服务器针对保险产品的推荐效率。
通过实施本发明实施例,服务器根据第一用户的用户特征数据与第二用户的用户特征数据之间的相似度是否大于设定好的阈值来向用户推荐保险产品,在这二者之间的相似度大于设定好的阈值的情况下,服务器将推荐给第一用户的保险产品推荐给第二用户,可以提高服务器针对保险产品的推荐效率。
进一步地,为了便于更好的实施本发明实施例的上述方案,本发明实施例还提供了一种服务器,该服务器用于执行前述任一项所述的方法的单元,以实现向用户推荐保险产品的功能。具体地,请参见图3A,是本发明实施例提供的一种服务器300的示意框图。本发明实施例的服务器300可以包括:
获取单元301,用于获取第一用户的用户特征数据;
第一确定单元302,用于确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度;
第一推荐单元303,用于将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
可选的,所述获取单元301包括构建单元;
所述构建单元,用于根据所述第一用户的数据构建第一用户画像,其中,所述第一用户画像用于表征所述第一用户的行为特征和/或静态特征;
所述第一确定单元302包括第二确定单元;
所述第二确定单元,用于确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述第一用户的数据包括所述第一用户的基本数据和所述第一用户在不同维度上的行为数据;
所述构建单元包括:第一学习单元、第二学习单元和处理单元;
所述第一学习单元,用于通过深度学习算法对所述第一用户的基本数据进行学习,得到所述第一用户的静态特征向量;
所述第二学习单元,用于通过所述深度学习算法对所述第一用户的行为数据进行学习,得到所述第一用户的行为特征向量;
所述处理单元,用于根据所述第一用户的静态特征向量和/或所述第一用户的行为特征向量构建所述第一用户画像。
可选的,所述第二确定单元具体用于:
基于用户画像样本数据与保险产品的属性特征样本数据进行训练,得到所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述第一推荐单元303具体用于:
将排名前N位的所述关联度对应的保险产品推荐给所述第一用户;其中,N为大于0的正整数。
可选的,所述第一推荐单元303还具体用于:
将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。
可选的,所述获取单元301包括分类单元;
所述分类单元,用于对第一用户的数据进行分类,得到M个数据集;其中,所述M为大于0的正整数;所述M个数据集用于表征所述第一用户在不同维度上的用户特征;
所述第一确定单元302包括第三确定单元;
所述第三确定单元,用于确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述分类单元包括:第四确定单元和聚类单元;
所述第四确定单元,用于确定所述第一用户的数据中的两两数据之间的相关度;
所述聚类单元,用于在所述两两数据之间的相关度大于第二预设阈值时,对所述两两数据进行聚类,以得到所述M个数据集。
可选的,所述第三确定单元具体用于:
基于所述至少一个数据集的样本数据与保险产品的属性特征样本数据进行训练,得到所述至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
可选的,所述第一推荐单元303包括排序单元和第二推荐单元;
所述排序单元,用于将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的关联度进行排序,得到所述确定的每个数据集各自对应的排序结果;
所述第二推荐单元,用于根据所述每个数据集各自对应的排序结果,将保险产品推荐给所述第一用户。
可选的,如图3B所示,所述服务器300还包括:
第五确定单元304,用于确定所述第一用户的用户特征数据与第二用户的用户特征数据之间的相似度;
第三推荐单元305,用于在所述相似度大于第二预设阈值时,将推荐给所述第一用户的保险产品推荐给所述第二用户。
通过实施本发明实施例,服务器确定用户特征数据与保险产品的属性特征之间的关联度,继而,将符合预设规则的关联度对应的保险产品推荐给用户,可以实现针对保险产品的精准推荐。
为了便于更好地实施本发明实施例的上述方案,本发明还对应提供了另一种服务器,下面结合附图来进行详细说明:
如图4示出的本发明实施例提供的服务器的结构示意图,服务器40可以包括处理器401、存储器404和通信模块405,处理器401、存储器404和通信模块405可以通过总线406相互连接。存储器404可以是高速随机存储记忆体(Random Access Memory,RAM)存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储系统。存储器404用于存储应用程序代码,可以包括操作系统、网络通信模块、用户接口模块以及数据处理程序,通信模块405用于与外部设备进行信息交互;处理器401被配置用于调用该程序代码,执行以下步骤:
获取第一用户的用户特征数据;
确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度;
将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
处理器401获取第一用户的用户特征数据,可以包括:
根据所述第一用户的数据构建第一用户画像,其中,所述第一用户画像用于表征所述第一用户的行为特征和/或静态特征;
处理器401确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,可以包括:
确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
其中,所述第一用户的数据包括所述第一用户的基本数据和所述第一用户在不同维度上的行为数据;
处理器401根据所述第一用户的数据构建第一用户画像,可以包括:
通过深度学习算法对所述第一用户的基本数据进行学习,得到所述第一用户的静态特征向量;
通过所述深度学习算法对所述第一用户的行为数据进行学习,得到所述第一用户的行为特征向量;
根据所述第一用户的静态特征向量和/或所述第一用户的行为特征向量构建所述第一用户画像。
其中,处理器401确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度,可以包括:
基于用户画像样本数据与保险产品的属性特征样本数据进行训练,得到所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
其中,处理器401将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,包括:
将排名前N位的所述关联度对应的保险产品推荐给所述第一用户;其中,N为大于0的正整数。
其中,处理器401将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,还可以包括:
将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。
其中,处理器401获取第一用户的用户特征数据,可以包括:
对第一用户的数据进行分类,得到M个数据集;其中,所述M为大于0的正整数;所述M个数据集用于表征所述第一用户在不同维度上的用户特征;
处理器401确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,可以包括:
确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
其中,处理器401对第一用户的数据进行分类,得到M个数据集,包括:
确定所述第一用户的数据中的两两数据之间的相关度;
若所述两两数据之间的相关度大于第二预设阈值,则对所述两两数据进行聚类,以得到所述M个数据集。
其中,处理器401确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度,可以包括:
基于所述至少一个数据集的样本数据与保险产品的属性特征样本数据进行训练,得到所述至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
其中,处理器401所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,可以包括:
将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的关联度进行排序,得到所述确定的每个数据集各自对应的排序结果;
根据所述每个数据集各自对应的排序结果,将保险产品推荐给所述第一用户。
其中,处理器401还用于:
确定所述第一用户的用户特征数据与第二用户的用户特征数据之间的相似度;
若所述相似度大于第三预设阈值,则将推荐给所述第一用户的保险产品推荐给所述第二用户。
需要说明的是,本发明实施例中的服务器40中处理器的执行步骤可参考上述各方法实施例中图1A实施例中的服务器运行的具体实现方式,这里不再赘述。
在具体实现中,服务器40可以包括移动手机、平板电脑、个人数字助理(PersonalDigital Assistant,PDA)、移动互联网设备(Mobile Internet Device,MID)、智能穿戴设备(如智能手表、智能手环)等各种用户可以使用的设备,本发明实施例不作具体限定。
本发明实施例还提供了一种计算机存储介质,用于存储为上述图1A-图2所示的服务器所用的计算机软件指令,其包含用于执行上述方法实施例所涉及的程序。通过执行存储的程序,可以实现针对保险产品的推荐。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种保险产品推荐方法,其特征在于,包括:
获取第一用户的用户特征数据;
确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度;
将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
2.根据权利要求1所述的方法,其特征在于,所述获取第一用户的用户特征数据,包括:
根据所述第一用户的数据构建第一用户画像,其中,所述第一用户画像用于表征所述第一用户的行为特征和/或静态特征;
所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,包括:
确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
3.根据权利要求2所述的方法,其特征在于,所述确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度,包括:
基于用户画像样本数据与保险产品的属性特征样本数据进行训练,得到所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。
4.根据权利要求1所述的方法,其特征在于,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,包括:
将排名前N位的所述关联度对应的保险产品推荐给所述第一用户;其中,N为大于0的正整数;或者,
将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。
5.根据权利要求1所述的方法,其特征在于,所述获取第一用户的用户特征数据,包括:
对第一用户的数据进行分类,得到M个数据集;其中,所述M为大于0的正整数;所述M个数据集用于表征所述第一用户在不同维度上的用户特征;
所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度,包括:
确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联度。
6.根据权利要求5所述的方法,其特征在于,所述对第一用户的数据进行分类,得到M个数据集,包括:
确定所述第一用户的数据中的两两数据之间的相关度;
若所述两两数据之间的相关度大于第二预设阈值,则对所述两两数据进行聚类,以得到所述M个数据集。
7.根据权利要求5所述的方法,其特征在于,所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户,包括:
将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的关联度进行排序,得到所述确定的每个数据集各自对应的排序结果;
根据所述每个数据集各自对应的排序结果,将保险产品推荐给所述第一用户。
8.一种服务器,其特征在于,包括:
获取单元,用于获取第一用户的用户特征数据;
第一确定单元,用于确定所述第一用户的的用户特征数据与保险产品集合中的每个保险产品的属性特征之间的关联度;
第一推荐单元,用于将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。
9.一种服务器,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191329.3A CN110060167A (zh) | 2019-03-12 | 2019-03-12 | 一种保险产品推荐方法、服务器及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191329.3A CN110060167A (zh) | 2019-03-12 | 2019-03-12 | 一种保险产品推荐方法、服务器及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060167A true CN110060167A (zh) | 2019-07-26 |
Family
ID=67317021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910191329.3A Pending CN110060167A (zh) | 2019-03-12 | 2019-03-12 | 一种保险产品推荐方法、服务器及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060167A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619585A (zh) * | 2019-08-16 | 2019-12-27 | 广州越秀金融科技有限公司 | 推荐数据的方法、装置、存储介质和处理器 |
CN110738416A (zh) * | 2019-10-15 | 2020-01-31 | 珠海格力电器股份有限公司 | 分销推荐系统、方法、介质和计算设备 |
CN110796521A (zh) * | 2019-10-30 | 2020-02-14 | 海腾保险代理有限公司 | 车险智能推荐方法及装置、设备、存储介质 |
CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
CN112418989A (zh) * | 2020-11-20 | 2021-02-26 | 中国建设银行股份有限公司 | 权益产品推荐方法及装置 |
CN112418745A (zh) * | 2019-08-22 | 2021-02-26 | 天津五八到家科技有限公司 | 保单生成方法、装置、设备和存储介质 |
CN113177852A (zh) * | 2021-04-30 | 2021-07-27 | 东风汽车集团股份有限公司 | 智能保单的推送方法、装置、设备及存储介质 |
CN113468389A (zh) * | 2020-03-30 | 2021-10-01 | 中国移动通信集团河北有限公司 | 一种基于特征序列比对的用户画像建立方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204202A (zh) * | 2016-06-29 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种车险信息推荐方法和装置 |
CN107730389A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技(深圳)有限公司 | 电子装置、保险产品推荐方法及计算机可读存储介质 |
CN108133013A (zh) * | 2017-12-22 | 2018-06-08 | 平安养老保险股份有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-03-12 CN CN201910191329.3A patent/CN110060167A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204202A (zh) * | 2016-06-29 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 一种车险信息推荐方法和装置 |
CN107730389A (zh) * | 2017-09-30 | 2018-02-23 | 平安科技(深圳)有限公司 | 电子装置、保险产品推荐方法及计算机可读存储介质 |
CN108133013A (zh) * | 2017-12-22 | 2018-06-08 | 平安养老保险股份有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619585A (zh) * | 2019-08-16 | 2019-12-27 | 广州越秀金融科技有限公司 | 推荐数据的方法、装置、存储介质和处理器 |
CN112418745A (zh) * | 2019-08-22 | 2021-02-26 | 天津五八到家科技有限公司 | 保单生成方法、装置、设备和存储介质 |
CN110738416A (zh) * | 2019-10-15 | 2020-01-31 | 珠海格力电器股份有限公司 | 分销推荐系统、方法、介质和计算设备 |
CN110796521A (zh) * | 2019-10-30 | 2020-02-14 | 海腾保险代理有限公司 | 车险智能推荐方法及装置、设备、存储介质 |
CN113468389A (zh) * | 2020-03-30 | 2021-10-01 | 中国移动通信集团河北有限公司 | 一种基于特征序列比对的用户画像建立方法和装置 |
CN113468389B (zh) * | 2020-03-30 | 2023-04-28 | 中国移动通信集团河北有限公司 | 一种基于特征序列比对的用户画像建立方法和装置 |
CN111429232A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 产品推荐方法、装置和电子设备及计算机可读存储介质 |
CN112418989A (zh) * | 2020-11-20 | 2021-02-26 | 中国建设银行股份有限公司 | 权益产品推荐方法及装置 |
CN113177852A (zh) * | 2021-04-30 | 2021-07-27 | 东风汽车集团股份有限公司 | 智能保单的推送方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060167A (zh) | 一种保险产品推荐方法、服务器及计算机可读介质 | |
US10963942B1 (en) | Systems, methods, and devices for generating recommendations of unique items | |
US10565602B1 (en) | Method and system for obtaining leads based on data derived from a variety of sources | |
McCarthy et al. | Applying predictive analytics | |
Adebayo | FairML: ToolBox for diagnosing bias in predictive modeling | |
Pfeffermann | Methodological issues and challenges in the production of official statistics: 24th annual Morris Hansen lecture | |
CA3118313A1 (en) | Methods and systems for improving machines and systems that automate execution of distributed ledger and other transactions in spot and forward markets for energy, compute, storage and other resources | |
CN108140075A (zh) | 将用户行为分类为异常 | |
US20150066806A1 (en) | Quantitative product feature analysis | |
US11854088B1 (en) | Methods and systems for improving the underwriting process | |
US20200175403A1 (en) | Systems and methods for expediting rule-based data processing | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN110110012A (zh) | 用户预期价值评估方法、装置、电子设备及可读介质 | |
CN109934646B (zh) | 预测新商品关联购买行为的方法及装置 | |
CN104331411A (zh) | 推荐项目的方法和装置 | |
CN111274330A (zh) | 一种目标对象确定方法、装置、计算机设备及存储介质 | |
CN113643103A (zh) | 基于用户相似度的产品推荐方法、装置、设备及存储介质 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN110363650A (zh) | 一种存量用户动支意愿预测方法、装置和系统 | |
Owadally et al. | An agent-based system with temporal data mining for monitoring financial stability on insurance markets | |
Liao et al. | Overview of hesitant linguistic preference relations for representing cognitive complex information: Where we stand and what is next | |
Shokouhyar et al. | Toward customer-centric mobile phone reverse logistics: using the DEMATEL approach and social media data | |
CN113344660A (zh) | 房源信息的处理方法、装置、电子设备及存储介质 | |
Faisal et al. | A structural analysis of the enablers of u-commerce proliferation in a developing economy | |
CN103218726A (zh) | 一种信息项推荐方法及系统 |
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 |