CN110163657A - 基于流形学习算法的保险产品推荐方法及相关设备 - Google Patents
基于流形学习算法的保险产品推荐方法及相关设备 Download PDFInfo
- Publication number
- CN110163657A CN110163657A CN201910301875.8A CN201910301875A CN110163657A CN 110163657 A CN110163657 A CN 110163657A CN 201910301875 A CN201910301875 A CN 201910301875A CN 110163657 A CN110163657 A CN 110163657A
- Authority
- CN
- China
- Prior art keywords
- information
- insurance products
- manifold learning
- learning arithmetic
- integrating
- 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.)
- Granted
Links
- 230000013016 learning Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000010354 integration Effects 0.000 claims abstract description 67
- 238000004891 communication Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于流形学习算法的保险产品推荐方法及相关设备,所述方法包括:每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;根据所述关联关系,对其他客户进行预设保险产品的精准推荐。本发明通过引入机器学习算法,解决现有技术中,难以从海量客户数据中提取到有用数据,进而降低了保险产品推荐准确度的技术问题。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于流形学习算法的保险产品推荐方法及相关设备。
背景技术
在大数据时代,客户的相关信息越来越多,复杂性也越来越高,现有的原始数据分析方法很难从大量的客户的相关信息中获取到有用的数据,由于难以准确得到有用的客户信息,因而,也难以根据有用的客户信息进行保险产品的精准推荐。
发明内容
本发明的主要目的在于提供一种基于流形学习算法的保险产品推荐方法、装置、设备及可读存储介质,旨在解决现有技术中,难以从海量客户数据中提取到有用数据,进而降低了保险产品推荐准确度的技术问题。
为实现上述目的,本发明提供一种基于流形学习算法的保险产品推荐方法,所述基于流形学习算法的保险产品推荐方法包括:
每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
可选地,所述基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息步骤包括:
将所述整合信息输入至所述预设的流形学习算法模型中,以对所述整合信息进行K近邻处理,并得到第一处理结果;
从所述第一处理结果中确定不同保险产品对应的整合信息的测地线距离;
根据所述测地线距离的等距离映射,以对所述整合信息进行降维处理,得到降维信息。
可选地,所述将所述整合信息输入至所述预设的流形学习算法模型中,以对所述整合信息进行K近邻处理,并得到第一处理结果步骤包括:
将所述整合信息输入至所述预设的流形学习算法模型中,以得到所述整合信息的坐标位置;
基于所述坐标位置,对所述整合信息进行K近邻处理,其中,所述K近邻处理为将预设坐标半径内的所有整合信息拟合为一个代表信息,以得到所述整合信息对应的多个代表信息;
将所述代表信息的集合设置为第一处理结果。
可选地,所述对所述客户信息进行维度整合,得到整合信息步骤包括:
获取所述客户信息中每个子维度信息的名称,根据所述每个子维度信息的名称确定所述客户信息维度整合的整合顺序,其中,所述整合顺序包括根据每个子维度信息的名称的首位字母在字母表中的先后顺序确定;
根据所述整合顺序对所述客户信息进行维度整合,得到整合信息。
可选地,所述对所述客户信息进行维度整合,得到整合信息步骤还包括:
选取所述客户信息中两个不同维度的子维度信息,将所述客户信息中的其他信息与所述两个不同维度的子维度信息分别进行维度整合,以得到对应的第一整合信息以及第二整合信息。
可选地,所述基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息步骤包括:
将所述第一整合信息以及第二整合信息分别输入至所述预设的流形学习算法模型中,以对所述第一整合信息以及第二整合信息分别进行降维处理,并对应得到第一降维子信息以及第二降维子信息;
对所述第一降维子信息以及第二降维子信息进行桥接融合处理,以得到降维信息。
可选地,所述根据所述关联关系,对其他客户进行预设保险产品的精准推荐步骤包括:
若检测到新客户接入时,获取所述新客户的新客户信息;
将所述新客户信息与所述关联关系中的降维客户信息进行匹配,得到匹配的降维客户信息,根据所述匹配的降维客户信息确定所述新客户的目标保险产品;
将所述目标保险产品推荐给所述新客户。
本发明还提供一种基于流形学习算法的保险产品推荐装置,所述基于流形学习算法的保险产品推荐装置包括:
接收模块,用于每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
降维模块,用于基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
获取模块,用于从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
推荐模块,用于根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
可选地,所述降维模块包括:
K近邻处理单元,用于将所述整合信息输入至所述预设的流形学习算法模型中,以对所述整合信息进行K近邻处理,并得到第一处理结果;
确定单元,用于从所述第一处理结果中确定不同保险产品对应的整合信息的测地线距离;
第一降维单元,用于根据所述测地线距离的等距离映射,以对所述整合信息进行降维处理,得到降维信息。
可选地,所述K近邻处理单元包括:
输入子单元,用于将所述整合信息输入至所述预设的流形学习算法模型中,以得到所述整合信息的坐标位置;
K近邻处理子单元,用于基于所述坐标位置,对所述整合信息进行K近邻处理,其中,所述K近邻处理为将预设坐标半径内的所有整合信息拟合为一个代表信息,以得到所述整合信息对应的多个代表信息;
设置子单元,用于将所述代表信息的集合设置为第一处理结果。
可选地,所述接收模块包括:
第一获取单元,用于获取所述客户信息中每个子维度信息的名称,根据所述每个子维度信息的名称确定所述客户信息维度整合的整合顺序,其中,所述整合顺序包括根据每个子维度信息的名称的首位字母在字母表中的先后顺序确定;
整合单元,用于根据所述整合顺序对所述客户信息进行维度整合,得到整合信息。
可选地,所述所述接收模块还包括:
选取单元,用于选取所述客户信息中两个不同维度的子维度信息,将所述客户信息中的其他信息与所述两个不同维度的子维度信息分别进行维度整合,以得到对应的第一整合信息以及第二整合信息。
可选地,所述降维模块还包括:
第二降维单元,用于将所述第一整合信息以及第二整合信息分别输入至所述预设的流形学习算法模型中,以对所述第一整合信息以及第二整合信息分别进行降维处理,并对应得到第一降维子信息以及第二降维子信息;
融合单元,用于对所述第一降维子信息以及第二降维子信息进行桥接融合处理,以得到降维信息。
可选地,所述推荐模块包括:
第二获取单元,用于若检测到新客户接入时,获取所述新客户的新客户信息;
第三获取单元,用于将所述新客户信息与所述关联关系中的降维客户信息进行匹配,得到匹配的降维客户信息,根据所述匹配的降维客户信息确定所述新客户的目标保险产品;
推荐单元,用于将所述目标保险产品推荐给所述新客户。
此外,为实现上述目的,本发明还提供一种基于流形学习算法的保险产品推荐设备,所述基于流形学习算法的保险产品推荐设备包括:存储器、处理器,通信总线以及存储在所述存储器上的基于流形学习算法的保险产品推荐程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述基于流形学习算法的保险产品推荐程序,以实现以下步骤:
每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于:
每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
本发明通过每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;根据所述关联关系,对其他客户进行预设保险产品的精准推荐。在本实施例中,在获取到海量的客户信息后,首先进行整合以得到整合信息,然后再通过预设的流形学习算法模型对整合信息进行降维处理,以提取到实际有用的降维信息,得到所述降维信息与所述目标保险产品的关联关系;根据所述关联关系,对其他客户进行预设保险产品的精准推荐,也即,在本申请中,不是使用全部的海量客户信息,因而,减少了客户信息对应数据的处理难度,而由于得到降维信息与所述目标保险产品的关联关系,因而,能够准确预设保险产品的精准推荐,也即在本申请中,解决了现有技术中,难以从海量客户数据中提取到有用数据,进而降低了保险产品推荐准确度的技术问题。
附图说明
图1为本发明基于流形学习算法的保险产品推荐方法第一实施例的流程示意图;
图2为本发明基于流形学习算法的保险产品推荐方法第二实施例中基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息步骤的细化流程示意图;
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于流形学习算法的保险产品推荐方法,在本发明基于流形学习算法的保险产品推荐方法的第一实施例中,参照图1,所述基于流形学习算法的保险产品推荐方法包括:
步骤S10,每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
步骤S20,基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
步骤S30,从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
步骤S40,根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
具体步骤如下:
步骤S10,每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
在本实施例中,基于流形学习算法的保险产品推荐方法应用于基于流形学习算法的保险产品推荐系统,每间隔第一预设时间段采集过去第二设时间段内基于流形学习算法的保险产品推荐系统获取的客户信息,第一预设时间段可以是半年,第二预设时间段可以是一年,其中,只要客户在过去第二预设时间段已经购买了预设保险产品,则对应的销售系统将客户信息发送给基于流形学习算法的保险产品推荐系统,以供基于流形学习算法的保险产品推荐系统接收。
具体地,客户信息包括客户姓名,年龄,住址,学历,工资,身份证号码等子维度信息,每间隔第一预设时间段进行客户信息的采集的目的在于确保客户信息的及时有效性,以根据最新鲜的数据实现精准推荐的目的,在获取客户信息后,对客户信息进行维度的整合,进行维度的整合即是:将不同子维度的客户信息按照一定的顺序进行有序排序,例如,客户信息中包括姓名,住址,学历,年龄等子维度信息,则确定客户信息按照姓名,年龄,住址,学历的顺序进行客户信息的排列,例如按照张三,25岁,住址深圳南山,大学学历等顺序排列。排序的目的在于便于后续进行客户信息的坐标的确定,需要说明的是,在本实施例中,所述对所述客户信息进行维度整合,得到整合信息步骤包括:
步骤S11,获取所述客户信息中每个子维度信息的名称,根据所述每个子维度信息的名称确定所述客户信息维度整合的整合顺序,其中,所述整合顺序包括根据每个子维度信息的名称的首位字母在字母表中的先后顺序确定;
在本实施例中,整合顺序是根据所述每个子维度信息的名称确定的,具体地,是根据每个子维度信息的名称的首位字母在字母表中的先后顺序确定,若不同子维度信息的名称的首位字母相同,则根据不同子维度信息的名称的次位字母在字母表中的先后顺序确定,其中,名称的首位字母在字母表中越靠前,则在整合顺序中越靠前,例如,学历X在住址Z之前,因而,整合顺序中学历在住址之前。
步骤S12,根据所述整合顺序对所述客户信息进行维度整合,得到整合信息。
在得到整合顺序后,根据所述整合顺序对所述客户信息进行维度整合,得到整合信息,该整合信息可以为(x,y,z、、等)。
步骤S20,基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
在本实施例中,在得到整合信息后,基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息,其中,预设的流形学习算法模型是预存的且已经训练好的能够对整合信息进行降维处理的模型,在预设的流形学习算法模型中,主要基于形学习算法进行整合信息的降维处理。
具体地,所述基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息步骤包括:
步骤S21,将所述整合信息输入至所述预设的流形学习算法模型中,以对所述整合信息进行K近邻处理,并得到第一处理结果;
在本实施例中,将所述整合信息输入至所述预设的流形学习算法模型中,预设的流形学习算法模型首先对全部的整合信息进行坐标位置确定处理,在确定整合信息的坐标位置后,对所述整合信息进行K近邻处理,其中,K近邻处理指的是客户信息的一部分的统计特性与近邻部分统计特性是一样的,即是在某一部分学习的特征也能用在其相应紧邻的另一部分上,因而将某一客户信息的特征作为其他近邻其他客户信息的代表。
在对所述整合信息进行K近邻处理,并得到第一处理结果。
具体地,所述将所述整合信息输入至所述预设的流形学习算法模型中,以对所述整合信息进行K近邻处理,并得到第一处理结果步骤包括:
步骤S211,将所述整合信息输入至所述预设的流形学习算法模型中,以得到所述整合信息的坐标位置;
将所述整合信息输入至所述预设的流形学习算法模型中,流形学习算法模型先坐标确定所述整合信息。
步骤S212,基于所述坐标位置,对所述整合信息进行K近邻处理,其中,所述K近邻处理为将预设坐标半径内的所有整合信息拟合为一个代表信息,以得到所述整合信息对应的多个代表信息;
基于所述坐标位置,对所述整合信息进行K近邻处理,其中,K近邻处理方式包括:
方式一:将购买了同一预设保险产品的,预设坐标半径内的所有整合信息拟合为一个代表信息,以得到所述整合信息对应的多个代表信息,其中,预设坐标半径与K值关联。
方式二:确定整合信息的坐标基准线,基于该坐标基准线,将每预设K个数如10个整合信息拟合为一个代表信息,以得到所述整合信息对应的多个代表信息。
步骤S213,将所述代表信息的集合设置为第一处理结果。
在得到整合信息的全部代表信息后,将代表信息的集合设置为第一处理结果。
步骤S22,从所述第一处理结果中确定不同保险产品对应的整合信息的测地线距离;
在得到第一处理结果后,从所述第一处理结果中确定不同保险产品对应的整合信息的测地线距离,需要说明的是,同一保险产品对应的整合信息中可能具有多个代表信息,因而,在获取不同保险产品对应的整合信息的测地线距离之前,也需要整合或者拟合不同代表信息,或者获取不同代表信息之间的子测地线距离。
在本实施例中,在拟合了同一保险产品对应的不同代表信息后,确定不同保险产品对应的整合信息的测地线距离,具体地,若购买了A保险产品的整合信息的坐标为M1(t1、t2、t3),购买了B保险产品的整合信息的坐标为M2(t4、t5、t6),则测地线距离为M1与M2之间的坐标距离,需要说明的是,获取为M1与M2之间的坐标距离是为了确保降维的准确性。
在本实施例中,若未拟合同一保险产品对应的不同代表信息,则获取不同代表信息之间的子测地线距离,以供后续使用。
步骤S23,根据所述测地线距离的等距离映射,以对所述整合信息进行降维处理,得到降维信息。
在得到测地线距离后,根据所述测地线距离的等距离映射,以对所述整合信息进行降维处理,得到降维信息,另外,若得到代表信息的子测地线距离,则根据所述子测地线距离的等距离映射,以最终实现对所述整合信息进行降维处理,得到降维信息,在本实施例中,降维可以是将三维的整合信息降维为二维的整合信息。
步骤S30,从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
在本实施例中,各个客户所购买的预设保险产品是确定的,因而,基于降维处理后的降维信息能够得到所述降维信息与所述目标保险产品的关联关系。例如学历高的,住址在深圳南山的客户购买某保险产品的机率更大。
步骤S40,根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
在得到关联关系后,根据所述关联关系,对其他客户进行预设保险产品的精准推荐,具体地,将其他客户的客户信息与所述关联关系中的降维客户信息进行匹配,得到匹配的降维客户信息,由于该关联关系的存在,因而,匹配的降维客户信息对应的保险产品是确定的,将所述匹配的降维客户信息对应的保险产品确定为所述新客户的目标保险产品。
本发明通过每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;根据所述关联关系,对其他客户进行预设保险产品的精准推荐。在本实施例中,在获取到海量的客户信息后,首先进行整合以得到整合信息,然后再通过预设的流形学习算法模型对整合信息进行降维处理,以提取到实际有用的降维信息,得到所述降维信息与所述目标保险产品的关联关系;根据所述关联关系,对其他客户进行预设保险产品的精准推荐,也即,在本申请中,不是使用全部的海量客户信息,因而,减少了客户信息对应数据的处理难度,而由于得到降维信息与所述目标保险产品的关联关系,因而,能够准确预设保险产品的精准推荐,也即在本申请中,解决了现有技术中,难以从海量客户数据中提取到有用数据,进而降低了保险产品推荐准确度的技术问题。
进一步地,本发明提供基于流形学习算法的保险产品推荐方法的另一实施例,在该实施例中,所述对所述客户信息进行维度整合,得到整合信息步骤还包括:
步骤S13,选取所述客户信息中两个不同维度的子维度信息,将所述客户信息中的其他信息与所述两个不同维度的子维度信息分别进行维度整合,以得到对应的第一整合信息以及第二整合信息。
在本实施例中,还可以采用流形学习算法模型中的并行流形学习算法进行客户信息的降维处理。
在采用并行流形学习算法进行客户信息的降维处理之前,需要选取所述客户信息中两个不同维度的子维度信息,将所述客户信息中的其他信息与所述两个不同维度的子维度信息分别进行维度整合,以得到对应的第一整合信息以及第二整合信息,即在本实施例中,进行客户信息的分割,进行客户信息的分割包括:基于历史经验获取客户信息中影响力度最大的两个子维度信息,将所述客户信息中的其他信息与所述影响力度最大的两个子维度信息分别进行维度整合,以得到对应的第一整合信息以及第二整合信息。
其中,所述基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息步骤包括:
步骤S24,将所述第一整合信息以及第二整合信息分别输入至所述预设的流形学习算法模型中,以对所述第一整合信息以及第二整合信息分别进行降维处理,并对应得到第一降维子信息以及第二降维子信息;
在本实施例中,在得到第一整合信息以及第二整合信息后,将所述第一整合信息以及第二整合信息分别输入至所述预设的流形学习算法模型中,以基于流形学习算法模型中的预设并行流形学习算法对所述第一整合信息以及第二整合信息分别进行降维处理,并对应得到第一降维子信息以及第二降维子信息,其中,对所述第一整合信息以及第二整合信息分别进行降维处理的降维方式与上述基本相同,在此不再赘述。
步骤S25,对所述第一降维子信息以及第二降维子信息进行桥接融合处理,以得到降维信息。
在得到第一降维子信息以及第二降维子信息后,对所述第一降维子信息以及第二降维子信息进行桥接融合处理,以得到降维信息,其中,桥接融合处理指的是按照预设比例融合。
在本实施例中,通过将所述第一整合信息以及第二整合信息分别输入至所述预设的流形学习算法模型中,以对所述第一整合信息以及第二整合信息分别进行降维处理,并对应得到第一降维子信息以及第二降维子信息;对所述第一降维子信息以及第二降维子信息进行桥接融合处理,以得到降维信息。由于并行处理第一整合信息以及第二整合信息,因而,提升了信息处理的准确性,避免偶然性误差。
进一步地,本发明提供基于流形学习算法的保险产品推荐方法的另一实施例,在该实施例中,所述根据所述关联关系,对其他客户进行预设保险产品的精准推荐步骤包括:
步骤S41,若检测到新客户接入时,获取所述新客户的新客户信息;
步骤S42,将所述新客户信息与所述关联关系中的降维客户信息进行匹配,得到匹配的降维客户信息,根据所述匹配的降维客户信息确定所述新客户的目标保险产品;
在本实施例中,若检测到新客户接入时,获取所述新客户的新客户信息,基于新客户信息与关联关系,确定新客户合适的目标保险产品。
步骤S43,将所述目标保险产品推荐给所述新客户。
将所述目标保险产品推荐给所述新客户,也即在本实施例中,目标保险产品是有针对性的推荐,而不是无目的性的推荐,因而,在本实施例中,提升了推荐的准确性。
参照图3,图3是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例基于流形学习算法的保险产品推荐设备可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group AudioLayer IV,动态影像专家压缩标准音频层面4)播放器、便携计算机等终端设备。
如图3所示,该基于流形学习算法的保险产品推荐设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该基于流形学习算法的保险产品推荐设备还可以包括目标用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。目标用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选目标用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的基于流形学习算法的保险产品推荐设备结构并不构成对基于流形学习算法的保险产品推荐设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于流形学习算法的保险产品推荐程序。操作系统是管理和控制基于流形学习算法的保险产品推荐设备硬件和软件资源的程序,支持基于流形学习算法的保险产品推荐程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于流形学习算法的保险产品推荐设备中其它硬件和软件之间通信。
在图3所示的基于流形学习算法的保险产品推荐设备中,处理器1001用于执行存储器1005中存储的基于流形学习算法的保险产品推荐程序,实现上述任一项所述的基于流形学习算法的保险产品推荐方法的步骤。
本发明基于流形学习算法的保险产品推荐设备具体实施方式与上述基于流形学习算法的保险产品推荐方法各实施例基本相同,在此不再赘述。
本发明还提供一种基于流形学习算法的保险产品推荐装置,所述基于流形学习算法的保险产品推荐装置包括:
接收模块,用于每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
降维模块,用于基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
获取模块,用于从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
推荐模块,用于根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
本发明基于流形学习算法的保险产品推荐装置具体实施方式与上述基于流形学习算法的保险产品推荐方法各实施例基本相同,在此不再赘述。
本发明提供了一种可读存储介质,所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的基于流形学习算法的保险产品推荐方法的步骤。
本发明可读存储介质具体实施方式与上述基于流形学习算法的保险产品推荐方法各实施例基本相同,在此不再赘述。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利处理范围内。
Claims (10)
1.一种基于流形学习算法的保险产品推荐方法,其特征在于,所述基于流形学习算法的保险产品推荐方法包括:
每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
2.如权利要求1所述的基于流形学习算法的保险产品推荐方法,其特征在于,所述基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息步骤包括:
将所述整合信息输入至所述预设的流形学习算法模型中,以对所述整合信息进行K近邻处理,并得到第一处理结果;
从所述第一处理结果中确定不同保险产品对应的整合信息的测地线距离;
根据所述测地线距离的等距离映射,以对所述整合信息进行降维处理,得到降维信息。
3.如权利要求2所述的基于流形学习算法的保险产品推荐方法,其特征在于,所述将所述整合信息输入至所述预设的流形学习算法模型中,以对所述整合信息进行K近邻处理,并得到第一处理结果步骤包括:
将所述整合信息输入至所述预设的流形学习算法模型中,以得到所述整合信息的坐标位置;
基于所述坐标位置,对所述整合信息进行K近邻处理,其中,所述K近邻处理为将预设坐标半径内的所有整合信息拟合为一个代表信息,以得到所述整合信息对应的多个代表信息;
将所述代表信息的集合设置为第一处理结果。
4.如权利要求1所述的基于流形学习算法的保险产品推荐方法,其特征在于,所述对所述客户信息进行维度整合,得到整合信息步骤包括:
获取所述客户信息中每个子维度信息的名称,根据所述每个子维度信息的名称确定所述客户信息维度整合的整合顺序,其中,所述整合顺序包括根据每个子维度信息的名称的首位字母在字母表中的先后顺序确定;
根据所述整合顺序对所述客户信息进行维度整合,得到整合信息。
5.如权利要求1所述的基于流形学习算法的保险产品推荐方法,其特征在于,所述对所述客户信息进行维度整合,得到整合信息步骤还包括:
选取所述客户信息中两个不同维度的子维度信息,将所述客户信息中的其他信息与所述两个不同维度的子维度信息分别进行维度整合,以得到对应的第一整合信息以及第二整合信息。
6.如权利要求5所述的基于流形学习算法的保险产品推荐方法,其特征在于,所述基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息步骤包括:
将所述第一整合信息以及第二整合信息分别输入至所述预设的流形学习算法模型中,以对所述第一整合信息以及第二整合信息分别进行降维处理,并对应得到第一降维子信息以及第二降维子信息;
对所述第一降维子信息以及第二降维子信息进行桥接融合处理,以得到降维信息。
7.如权利要求1所述的基于流形学习算法的保险产品推荐方法,其特征在于,所述根据所述关联关系,对其他客户进行预设保险产品的精准推荐步骤包括:
若检测到新客户接入时,获取所述新客户的新客户信息;
将所述新客户信息与所述关联关系中的降维客户信息进行匹配,得到匹配的降维客户信息,根据所述匹配的降维客户信息确定所述新客户的目标保险产品;
将所述目标保险产品推荐给所述新客户。
8.一种基于流形学习算法的保险产品推荐装置,其特征在于,所述基于流形学习算法的保险产品推荐装置包括:
接收模块,用于每间隔第一预设时间段收集过去第二预设时间段内接收的客户的客户信息,对所述客户信息进行维度整合,得到整合信息;
降维模块,用于基于预设的流形学习算法模型对所述整合信息进行降维处理,得到降维信息;
获取模块,用于从所述客户信息中提取每个客户所购买的目标保险产品,以得到所述降维信息与所述目标保险产品的关联关系;
推荐模块,用于根据所述关联关系,对其他客户进行预设保险产品的精准推荐。
9.一种基于流形学习算法的保险产品推荐设备,其特征在于,所述基于流形学习算法的保险产品推荐设备包括:存储器、处理器,通信总线以及存储在所述存储器上的基于流形学习算法的保险产品推荐程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述基于流形学习算法的保险产品推荐程序,以实现如权利要求1至7中任一项所述的基于流形学习算法的保险产品推荐方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有基于流形学习算法的保险产品推荐程序,所述基于流形学习算法的保险产品推荐程序被处理器执行时实现如权利要求1至7中任一项所述的基于流形学习算法的保险产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301875.8A CN110163657B (zh) | 2019-04-12 | 2019-04-12 | 基于流形学习算法的保险产品推荐方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301875.8A CN110163657B (zh) | 2019-04-12 | 2019-04-12 | 基于流形学习算法的保险产品推荐方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163657A true CN110163657A (zh) | 2019-08-23 |
CN110163657B CN110163657B (zh) | 2024-07-02 |
Family
ID=67639426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910301875.8A Active CN110163657B (zh) | 2019-04-12 | 2019-04-12 | 基于流形学习算法的保险产品推荐方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163657B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717806A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 产品信息推送方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180121765A1 (en) * | 2016-11-02 | 2018-05-03 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium |
CN109062914A (zh) * | 2017-06-12 | 2018-12-21 | 东软集团股份有限公司 | 用户推荐方法和装置,存储介质和服务器 |
-
2019
- 2019-04-12 CN CN201910301875.8A patent/CN110163657B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180121765A1 (en) * | 2016-11-02 | 2018-05-03 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium |
CN109062914A (zh) * | 2017-06-12 | 2018-12-21 | 东软集团股份有限公司 | 用户推荐方法和装置,存储介质和服务器 |
Non-Patent Citations (2)
Title |
---|
唐斯琪;潘志松;: "基于流形学习的网络数据流异常检测", 济南大学学报(自然科学版), no. 02, pages 35 - 45 * |
李雪晴;王靖;杜吉祥;: "基于近邻元分析的半监督流形学习算法", 模式识别与人工智能, no. 08, pages 84 - 90 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717806A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 产品信息推送方法、装置、设备及存储介质 |
CN110717806B (zh) * | 2019-09-06 | 2024-04-02 | 中国平安财产保险股份有限公司 | 产品信息推送方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110163657B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697629B (zh) | 产品数据推送方法及装置、存储介质、计算机设备 | |
TWI598839B (zh) | Method and apparatus for determining a target location | |
CN104993962B (zh) | 获取终端使用状态的方法和系统 | |
CN106028134A (zh) | 针对移动计算设备检测体育视频精彩部分 | |
US20200234444A1 (en) | Systems and methods for the analysis of skin conditions | |
WO2018120425A1 (zh) | 个人财产状态评估方法、装置、设备和存储介质 | |
CN106462648B (zh) | 针对数据捕获的动态控制 | |
CN105518608A (zh) | 上下文关联的手势分类 | |
CN110717806B (zh) | 产品信息推送方法、装置、设备及存储介质 | |
CN111026967B (zh) | 一种获得用户兴趣标签的方法、装置、设备和介质 | |
CN107729473B (zh) | 文章推荐方法及其装置 | |
CN111401318A (zh) | 动作识别方法及装置 | |
CN109919903A (zh) | 一种脊椎检测定位标记方法、系统及电子设备 | |
CN111798260A (zh) | 用户行为预测模型构建方法、装置、存储介质及电子设备 | |
CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
CN111984803B (zh) | 多媒体资源处理方法、装置、计算机设备及存储介质 | |
CN110889036A (zh) | 一种多维度信息的处理方法、装置及终端设备 | |
WO2020000715A1 (zh) | 基于指数特征提取的股指预测方法、服务器及存储介质 | |
JP5746550B2 (ja) | 画像処理装置、画像処理方法 | |
CN112995757B (zh) | 视频剪裁方法及装置 | |
CN110163657A (zh) | 基于流形学习算法的保险产品推荐方法及相关设备 | |
WO2021047376A1 (zh) | 数据处理方法、数据处理装置及相关设备 | |
CN111258413A (zh) | 虚拟对象的控制方法和装置 | |
CN109658172A (zh) | 一种商圈推荐方法、计算设备、装置及存储介质 | |
CN114675767A (zh) | 一种信息采集方法、装置、电子设备以及存储介质 |
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 |