CN110390047A - 基于遗传算法的资源信息推荐方法、装置、终端及介质 - Google Patents
基于遗传算法的资源信息推荐方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN110390047A CN110390047A CN201910533742.3A CN201910533742A CN110390047A CN 110390047 A CN110390047 A CN 110390047A CN 201910533742 A CN201910533742 A CN 201910533742A CN 110390047 A CN110390047 A CN 110390047A
- Authority
- CN
- China
- Prior art keywords
- resource
- recommended
- user
- genetic algorithm
- information
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000006870 function Effects 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 208000028782 Hereditary disease Diseases 0.000 claims description 25
- 208000026350 Inborn Genetic disease Diseases 0.000 claims description 25
- 208000024556 Mendelian disease Diseases 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 22
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 235000006694 eating habits Nutrition 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 210000000349 chromosome Anatomy 0.000 description 8
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 239000010931 gold Substances 0.000 description 6
- 229910052737 gold Inorganic materials 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于人工智能技术领域,公开了一种基于遗传算法的资源信息推荐方法、装置、终端及介质,本发明通过获取待推荐用户的数据信息,再根据所述数据信息,确定所述待推荐用户适用的资源类型,根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数,再根据确定的适应度函数,更新预设的遗传算法模型,再将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称,最后将所述待推荐资源名称对应的资源信息发送至待推荐用户,能快速确定适合用户的资源名称、推荐效果佳。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于遗传算法的资源信息推荐方法、装置、终端及介质。
背景技术
在资源信息的推广过程中,多采用推荐人员推荐,推荐人员通常只能根据经验值向用户推荐资源名称。然而,由于社会人员的个人情况各不相同,而资源的种类繁多,各个资源之间具有不同的产品条款和适用场景,推荐人员很难在短时间内自行分析出更适合用户的资源,资源推荐准确性低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于遗传算法的资源信息推荐方法、装置、终端及介质,旨在解决现有技术资源信息推荐过程中难以在短时间确定适合用户的资源名称、资源推荐准确性低的技术问题。
为实现上述目的,本发明提供了一种基于遗传算法的资源信息推荐方法,包括如下步骤:
获取待推荐用户的数据信息;
根据所述数据信息,确定所述待推荐用户适用的资源类型;
根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数;
根据确定的适应度函数,更新预设的遗传算法模型;
将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称;
将所述待推荐资源名称对应的资源信息发送至待推荐用户。
优选地,所述数据信息包括待推荐用户以及与其相关人员的信息;
相应地,所述根据所述数据信息,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:
以所述数据信息中实体为节点,各实体之间的关系为边长,建立所述待推荐用户的知识图谱;
根据所述知识图谱,确定所述待推荐用户适用的资源类型。
优选地,所述数据信息包括待推荐用户以及与其相关人员是否携带遗传病的信息;
相应地,所述根据所述知识图谱,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:
根据所述知识图谱中携带有遗传病的实体与所述待推荐用户的边长,确定待推荐用户与携带有遗传病的实体的关联程度;
将关联程度计算结果,作为所述待推荐用户的遗传病命中率;
根据所述遗传病命中率,确定所述待推荐用户适用的资源类型。
优选地,所述资源类型为消费型资源;
相应地,所述获取待推荐用户的数据信息的步骤之前,还包括如下步骤:
建立遗传算法模型,其中,所述遗传算法模型的适应度函数为:
Mi为资源使用期望转换值,Ti为资源使用有效期限,Ni为资源获取转换值,Xi为资源获取数量,i=1,2,……,n,其中i为预设的资源编号,Rm为资源使用期望转换值的权值,Rt为资源使用有效期限的权值,Ri为风险保障的权值,Rmf为资源获取转换值的权值,I(x)为资源使用实际转换值。
优选地,所述资源类型为返还型资源;
相应地,所述获取待推荐用户的数据信息的步骤之前,还包括如下步骤:
建立遗传算法模型,其中,所述遗传算法模型的适应度函数为:
其中,M'i为资源使用期望转换值,Ti'为资源使用有效期限,Ni'为资源获取转换值,Xi'为资源数量,i=1,2,……,n,其中i为预设的资源数量,Rm'为资源使用期望转换值的权值,Rt'为资源使用有效期限的权值,Ri'为风险保障的权值,Rmf'为资源获取转换值的权值,I'(x)为资源使用实际转换值,Rs'为资源返还概率。
优选地,所述数据信息包括待推荐用户的饮食习惯以及当前健康指数;
相应地,所述根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数的步骤之后,所述方法还包括如下步骤:
根据所述知识图谱中携带家族遗传病的实体与所述待推荐用户的关联程度、所述待推荐用户的饮食习惯、当前健康指数以及预设的寿命预测模型,确定所述待推荐用户的寿命预测值;
根据寿命预测值,确定各资源名称的所述资源返还概率。
优选地,所述数据信息包括待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯;
所述资源类型包括返还型资源和消费型资源;
相应地,所述根据所述数据信息,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:
根据所述待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯,确定所述待推荐用户的资源类型,确定方法为:
若所述待推荐用户属于年纪尚轻、收入丰厚、花钱大手大脚的人,则所述待推荐用户适用于返还型资源;
若所述待推荐用户属于年纪尚轻、事业处于成长期、收入较低的人群,则所述待推荐用户适用于买消费型。
基于上述发明目的,本发明还提供一种基于遗传算法的资源信息推荐装置,包括:
获取模块,用于获取待推荐用户的数据信息;
确定模块,用于根据所述数据信息,确定所述待推荐用户适用的资源类型;
选择模块,用于根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数;
更新模块,用于根据确定的适应度函数,更新预设的遗传算法模型;
计算模块,用于将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称;
推荐模块,用于将所述待推荐资源名称对应的资源信息发送至待推荐用户。
基于上述发明目的,本发明还提供一种终端,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于遗传算法的资源信息推荐程序,所述基于遗传算法的资源信息推荐程序配置为实现如上述的基于遗传算法的资源信息推荐方法的步骤。
基于上述发明目的,本发明还提供一种存储介质,所述存储介质上存储有基于遗传算法的资源信息推荐程序,所述基于遗传算法的资源信息推荐程序被处理器执行时实现如上述的基于遗传算法的资源信息推荐方法的步骤。
本发明通过获取待推荐用户的数据信息,再根据所述数据信息,确定所述待推荐用户适用的资源类型,根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数,再根据确定的适应度函数,更新预设的遗传算法模型,再将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称,最后将所述待推荐资源名称对应的资源信息发送至待推荐用户,能快速确定适合用户的资源名称、推荐效果佳。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端的结构示意图;
图2为本发明基于遗传算法的资源信息推荐方法第一实施例的流程示意图;
图3为本发明基于遗传算法的资源信息推荐方法第二实施例的流程示意图;
图4为本发明基于遗传算法的资源信息推荐方法第三实施例的流程示意图;
图5为本发明基于遗传算法的资源信息推荐方法第四实施例的流程示意图;
图6为本发明基于遗传算法的资源信息推荐方法第五实施例的流程示意图;
图7为本发明基于遗传算法的资源信息推荐装置第一实施例的结构框图。
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用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入模块比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),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的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对终端的限定,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1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于遗传算法的资源信息推荐程序。
在图1所示的终端中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明终端中的处理器1001、存储器1005可以设置在终端中,所述终端通过处理器1001调用存储器1005中存储的基于遗传算法的资源信息推荐程序,并执行本发明实施例提供的基于遗传算法的资源信息推荐方法。
本发明实施例提供了一种基于遗传算法的资源信息推荐方法,参照图2,图2为本发明基于遗传算法的资源信息推荐方法第一实施例的流程示意图。
本实施例中,所述基于遗传算法的资源信息推荐方法包括如下步骤:
步骤S10:获取待推荐用户的数据信息;
应该理解的是,本实施例方法的执行主体为终端,待推荐用户即资源业务员推荐资源名称的用户,待推荐用户的数据信息通常可以包括待推荐用户的年龄、公司、住址、子女等;还可以包括待推荐用户的家族信息、好友、是否携带遗传病或其他重大疾病等信息。
步骤S20:根据所述数据信息,确定所述待推荐用户适用的资源类型;
应该理解的是,在本实施例中,资源类型包括返还型资源和消费型资源,在其他实施例中,也可以按照其他规则分类。其中资源可以为保险产品,下面以保险产品为例,返还型资源也称储蓄型资源,即被保险生存至约定年限后,保险公司有返还所交保费或者合同列明的保险使用转换值;消费型保险即一种消费型的保险,即用户(投保人)跟保险公司(保险人)签定合同,在约定时间内如发生合同约定的保险事故,保险公司按原先约定的额度进行补偿或给付;如果在约定时间内未发生保险事故,保险公司不返还所交保费。
具体实现时,所述数据信息包括待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯;所述资源类型包括返还型资源和消费型资源;相应地,所述根据所述数据信息,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:根据所述待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯,确定所述待推荐用户的资源类型。
在本实施例中,根据所述数据信息,若确定所述待推荐用户属于年纪尚轻、收入丰厚、花钱大手大脚的人,这类用户通常适用于买返还型资源;若确定所述待推荐用户属于年纪尚轻、事业处于成长期、收入较低的人群,这类用户适用于买消费型。其中,所述数据信息可以包括待推荐用户的年龄、性别、事业发展和收入情况、生活习惯、子女等。
步骤S30:根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数;
应该理解的是,以保险产品为例,消费型资源通常包括消费型意外险、消费型医疗保险、消费型重疾险以及消费型寿险,具体可以根据资源公司的具体推出产品调整;返还型资源通常包括两全寿险、养老金、教育金资源等,具体可以根据资源公司的具体推出产品调整。
具体实现时,以资源为保险产品为例,当资源类型为消费型资源时,与该消费型资源对应的保险产品有消费型意外险、消费型医疗保险、消费型重疾险以及消费型寿险等产品;而当资源类型为返还型资源时,与该返还型资源对应的保险产品保险有两全寿险、养老金、教育金保险等产品。
遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的,而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。适应度函数是求解出最优解或次优解的保证,根据资源类型,确定于资源类型对应的适应度函数。
步骤S40:根据确定的适应度函数,更新预设的遗传算法模型;
应该理解的是,不同的资源类型对应不同的适应度函数,对应地,不同的资源类型对应不同的遗传算法模型。
步骤S50:将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称;
应该理解的是,遗传算法的求解步骤如下:1)初始化种群;2)计算群体上每个个体的适应度值;3)按由个体适应度值所决定的某个规则选择将进入下一代的个体;4)按概率Pc进行交叉操作;5)按概率Pc进行突变操作;6)若没有满足某种停止条件,则转不转2),否则进入下一步;7)输出群体中适应度值最优的染色体作为问题的满意解或最优解。
具体实现时,将确定的所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称,对各资源名称进行编码,可以采用常规的二进制编码,也可以针对每种资源名称制定对应的编号;初始化种群可以根据确定的资源名称以及资源名称的保费随机生成的初始染色体;再进行遗传运算(选择操作、交叉操作、变异操作),最后得到最优解,即最优的资源方案。
步骤S60:将所述待推荐资源名称对应的资源信息发送至待推荐用户。
应该理解的是,在本实施例中,将所述待推荐资源名称对应的资源信息发送至待推荐用户,在其他实施例中,也可以是将所述所述待推荐资源名称对应的资源信息发送至实施推荐资源的人员,例如业务员。
本发明通过获取待推荐用户的数据信息,再根据所述数据信息,确定所述待推荐用户适用的资源类型,根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数,再根据确定的适应度函数,更新预设的遗传算法模型,再将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称,最后将所述待推荐资源名称对应的资源信息发送至待推荐用户,能快速确定适合用户的资源名称、推荐效果佳。
参考图3,图3为本发明基于遗传算法的资源信息推荐方法第二实施例的流程示意图。
基于上述第一实施例,所述数据信息包括待推荐用户以及与其相关人员的信息;在本实施例中,所述步骤S20,包括:
步骤S201:以所述数据信息中实体为节点,各实体之间的关系为边长,建立所述待推荐用户的知识图谱;
应该理解的是,知识图谱(Knowledge Graph)就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。本实施例中,知识图谱的数据源可以是所述数据信息,还可以包括在网络上公开、抓取的数据。每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。
需要说明的是,与待推荐用户相关人员可以是亲属、朋友等;而待推荐用户以及与其相关人员的信息,可以是包括年龄、性别、子女、工作、疾病史等等。
步骤S202:根据所述知识图谱,确定所述待推荐用户适用的资源类型。
具体实现时,根据所述知识图谱,确定所述待推荐用户适用的资源类型,由于消费型资源考虑的是花钱买一个保障,一般较常见的是消费型重疾险,特别是对于家族有遗传病,重疾可能性较大的用户,通过预估用户重疾可能性,来判断用户是否更适用消费性重疾险。而预估用户重疾可能性可以通过计算知识图谱中得重疾的实体与用户实体的关联关系(通常是通过计算待推荐用户实体与知识图谱中携带重疾标记的实体之间的距离,来确定得重疾的实体与用户实体的关联关系),作为重疾指标(重疾命中率),当重疾指标达到预设阀值时,则确定待推荐用户适用消费型资源。在其他实施例中,也可以根据具体资源类型产品的特点,设定计算规则,例如还可以是通过知识图谱计算待推荐用户的固定资产实体(房产等)、子女教育等负担,综合考虑待推荐用户的经济压力及经济条件,判断待推荐用户是否适用返还型资源。
参考图4,图4为本发明基于遗传算法的资源信息推荐方法第三实施例的流程示意图。
基于上述第二实施例,所述数据信息包括待推荐用户以及与其相关人员是否携带遗传病的信息;在本实施例中,所述步骤S202,包括:
步骤S2021:计算所述知识图谱中携带有遗传病的实体与所述待推荐用户的边长,确定待推荐用户与携带有遗传病的实体的关联程度;
应该理解的是,计算所述知识图谱中携带有遗传病的实体与所述待推荐用户的边长(通常两个实体之间的关系关联程度,用边长来表示),即计算携带遗传病的实体与待推荐用户的关联程度,以此判断待推荐用户患病的概率,特别是针对一些重大疾病。在其他实施例中,也可以是计算所述知识图谱中携带有重大疾病的实体与所述待推荐用户的关联程度。
步骤S2022:将关联程度计算结果,作为所述待推荐用户的遗传病命中率;
应该理解的是,将知识图谱中携带有遗传病的实体与待推荐用户的关联程度,作为待推荐用户患遗传病的可能性,并将该待推荐用户患遗传病的可能性作为所述待推荐用户的遗传病命中率。
步骤S2023:根据所述遗传病命中率,确定所述待推荐用户适用的资源类型。
具体实现时,当遗传病命中率达到预设阀值时,确定待推荐用户患遗传病的可能性较大,若该遗传病为大病,则待推荐用户更适用消费型资源。
参考图5,图5为本发明基于遗传算法的资源信息推荐方法第四实施例的流程示意图。
基于上述第一实施例,所述资源类型为消费型资源;在本实施例中,所述步骤S10之前,还包括:
步骤S01:建立遗传算法模型,其中,所述遗传算法模型的适应度函数为:
Mi为资源使用期望转换值(以保险产品为例,可以为保险金额),Ti为资源使用有效期限(以保险产品为例,可以为保险期限),Ni为资源获取转换值(以保险产品为例,可以为保险费用),Xi为资源数量,i=1,2,……,n,其中i为预设的资源数量,Rm为资源使用期望转换值的权值,Rt为资源使用有效期限的权值,Ri为风险保障的权值,Rmf为资源获取转换值的权值,I(x)为资源使用实际转换值(以保险产品为例,可以为补偿额度)。
应该理解的是,遗传算法模型的适应度函数中各参数,通常是根据所述资源类型对应的资源名称确定的,例如消费型资源有消费型意外险,而消费型意外险对应的资源使用期望转换值、资源使用有效期限、资源获取转换值等可以是根据资源公司针对具体资源名称的具体规定而设置。
参考图6,图6为本发明基于遗传算法的资源信息推荐方法第五实施例的流程示意图。
基于上述第一实施例,所述资源类型为返还型资源;在本实施例中,所述步骤S10之前,还包括:
步骤S01':建立遗传算法模型,其中,所述遗传算法模型的适应度函数为:
其中,M'i为资源使用期望转换值(以保险产品为例,可以为保险金额),Ti'为资源使用有效期限(以保险产品为例,可以为保险期限),Ni'为资源获取转换值(以保险产品为例,可以为保险费用),Xi'为资源数量,i=1,2,……,n,其中n为预设的资源数量,Rm'为资源使用期望转换值的权值,Rt'为资源使用有效期限的权值,Ri'为风险保障的权值,Rmf'为资源获取转换值的权值,I'(x)为资源使用实际转换值,Rs'为资源返还概率。
应该理解的是,遗传算法模型的适应度函数中各参数,通常是根据所述资源类型对应的资源名称确定的,例如以资源为保险产品为例,返还型保险有教育金保险,而教育金保险对应的保险金额、保险期限、保险费用等可以是根据保险公司针对具体保险产品的具体规定而设置。而对于资源返还概率的确定在本实施例中可以采用如下方式:
所述数据信息包括待推荐用户的饮食习惯以及当前健康指数;
相应地,所述根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数的步骤之后,所述方法还包括如下步骤:
根据所述知识图谱中携带家族遗传病的实体与所述待推荐用户的关联程度、所述待推荐用户的饮食习惯、当前健康指数以及预设的寿命预测模型,确定所述待推荐用户的寿命预测值;
应该理解的是,所述根据所述知识图谱中携带家族遗传病的实体与所述待推荐用户的关联程度、所述待推荐用户的饮食习惯、当前健康指数以及预设的寿命预测模型,确定所述待推荐用户的寿命预测值的步骤之前,还包括:
建立寿命预测模型;
其中,所述寿命预测模型可以为:
其中,X表示携带家族遗传病的实体与所述待推荐用户的关联程度,Y表示待推荐用户的饮食习惯值(在本实施例中,素食主义者,Y取1,肉食主义者,Y取0.5),Z表示当前健康指数,λ1、λ2、λ3分别为X、Y、Z的权值。
根据寿命预测值,确定各资源名称的所述资源返还概率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于遗传算法的资源信息推荐程序,所述基于遗传算法的资源信息推荐程序被处理器执行时实现如上文所述的基于遗传算法的资源信息推荐方法的步骤。
参照图7,图7为本发明基于遗传算法的资源信息推荐装置第一实施例的结构框图。
如图7所示,本发明实施例提出的基于遗传算法的资源信息推荐装置包括:
获取模块701,用于获取待推荐用户的数据信息;
应该理解的是,待推荐用户即资源业务员推荐资源名称的用户,待推荐用户的数据信息通常可以包括待推荐用户的年龄、公司、住址、子女等;还可以包括待推荐用户的家族信息、好友等信息。
确定模块702,用于根据所述数据信息,确定所述待推荐用户适用的资源类型;
应该理解的是,在本实施例中,资源类型包括返还型资源和消费型资源,在其他实施例中,也可以按照其他规则分类。其中资源可以为保险产品,下面以保险产品为例,返还型资源也称储蓄型资源,即被保险生存至约定年限后,保险公司有返还所交保费或者合同列明的保险使用转换值;消费型保险即一种消费型的保险,即用户(投保人)跟保险公司(保险人)签定合同,在约定时间内如发生合同约定的保险事故,保险公司按原先约定的额度进行补偿或给付;如果在约定时间内未发生保险事故,保险公司不返还所交保费。
具体实现时,所述数据信息包括待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯;所述资源类型包括返还型资源和消费型资源;相应地,所述根据所述数据信息,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:根据所述待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯,确定所述待推荐用户的资源类型。
在本实施例中,根据所述数据信息,若确定所述待推荐用户属于年纪尚轻、收入丰厚、花钱大手大脚的人,这类用户通常适用于买返还型资源;若确定所述待推荐用户属于年纪尚轻、事业处于成长期、收入较低的人群,这类用户适用于买消费型。其中,所述数据信息可以包括待推荐用户的年龄、性别、事业发展和收入情况、生活习惯、子女等。
选择模块703,用于根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数;
应该理解的是,以保险产品为例,消费型资源通常包括消费型意外险、消费型医疗保险、消费型重疾险以及消费型寿险,具体可以根据资源公司的具体推出产品调整;返还型资源通常包括两全寿险、养老金、教育金资源等,具体可以根据资源公司的具体推出产品调整。
具体实现时,以资源为保险产品为例,当资源类型为消费型资源时,与该消费型资源对应的保险产品有消费型意外险、消费型医疗保险、消费型重疾险以及消费型寿险等产品;而当资源类型为返还型资源时,与该返还型保险对应的保险产品保险有两全寿险、养老金、教育金保险等产品。
遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的,而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。适应度函数是求解出最优解或次优解的保证,根据资源类型,确定于资源类型对应的适应度函数。
更新模块704,根据确定的适应度函数,更新预设的遗传算法模型;
应该理解的是,不同的资源类型对应不同的适应度函数,对应地,不同的资源类型对应不同的遗传算法模型。
计算模块705,用于将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称;遗传运算得到最优解,作为最优资源推荐方案。
应该理解的是,遗传算法的求解步骤如下:1)初始化种群;2)计算群体上每个个体的适应度值;3)按由个体适应度值所决定的某个规则选择将进入下一代的个体;4)按概率Pc进行交叉操作;5)按概率Pc进行突变操作;6)若没有满足某种停止条件,则转不转2),否则进入下一步;7)输出群体中适应度值最优的染色体作为问题的满意解或最优解。
具体实现时,将确定的所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称;对各资源名称进行编码,可以采用常规的二进制编码,也可以针对每种资源名称制定对应的编号;初始化种群可以根据确定的资源名称以及资源名称的保费随机生成的初始染色体;再进行遗传运算(选择操作、交叉操作、变异操作),最后得到最优解,即最优的资源名称方案。
推荐模块706,将所述待推荐资源名称对应的资源信息发送至待推荐用户。
应该理解的是,在本实施例中,将所述待推荐资源名称对应的资源信息发送至待推荐用户,在其他实施例中,也可以是将所述所述待推荐资源名称对应的资源信息发送至实施推荐资源的人员,例如业务员。
本发明通过获取待推荐用户的数据信息,再根据所述数据信息,确定所述待推荐用户适用的资源类型,根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数,再根据确定的适应度函数,更新预设的遗传算法模型,再将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称,最后将所述待推荐资源名称对应的资源信息发送至待推荐用户,能快速确定适合用户的资源名称、推荐效果佳。
本发明基于遗传算法的资源信息推荐装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
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保护范围内。
Claims (10)
1.一种基于遗传算法的资源信息推荐方法,其特征在于,包括如下步骤:
获取待推荐用户的数据信息;
根据所述数据信息,确定所述待推荐用户适用的资源类型;
根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数;
根据确定的适应度函数,更新预设的遗传算法模型;
将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称;
将所述待推荐资源名称对应的资源信息发送至待推荐用户。
2.如权利要求1所述的基于遗传算法的资源信息推荐方法,其特征在于,所述数据信息包括待推荐用户以及与其相关人员的信息;
相应地,所述根据所述数据信息,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:
以所述数据信息中实体为节点,各实体之间的关系为边长,建立所述待推荐用户的知识图谱;
根据所述知识图谱,确定所述待推荐用户适用的资源类型。
3.如权利要求2所述的基于遗传算法的资源信息推荐方法,其特征在于,所述数据信息包括待推荐用户以及与其相关人员是否携带遗传病的信息;
相应地,所述根据所述知识图谱,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:
根据所述知识图谱中携带有遗传病的实体与所述待推荐用户的边长,确定待推荐用户与携带有遗传病的实体的关联程度;
将关联程度计算结果,作为所述待推荐用户的遗传病命中率;
根据所述遗传病命中率,确定所述待推荐用户适用的资源类型。
4.如权利要求1至3任意一项所述的基于遗传算法的资源信息推荐方法,其特征在于,所述资源类型为消费型资源;
相应地,所述获取待推荐用户的数据信息的步骤之前,还包括如下步骤:
建立遗传算法模型,其中,所述遗传算法模型的适应度函数为:
Mi为资源使用期望转换值,Ti为资源使用有效期限,Ni为资源获取转换值,Xi为资源获取数量,i=1,2,……,n,其中i为预设的资源编号,Rm为资源使用期望转换值的权值,Rt为资源使用有效期限的权值,Ri为风险保障的权值,Rmf为资源获取转换值的权值,I(x)为资源使用实际转换值。
5.如权利要求1至3任意一项所述的基于遗传算法的资源信息推荐方法,其特征在于,所述资源类型为返还型资源;
相应地,所述获取待推荐用户的数据信息的步骤之前,还包括如下步骤:
建立遗传算法模型,其中,所述遗传算法模型的适应度函数为:
其中,M'i为资源使用期望转换值,Ti'为资源使用有效期限,Ni'为资源获取转换值,Xi'为资源数量,i=1,2,……,n,其中i为预设的资源数量,Rm'为资源使用期望转换值的权值,Rt'为资源使用有效期限的权值,Ri'为风险保障的权值,Rmf'为资源获取转换值的权值,I'(x)为资源使用实际转换值,Rs'为资源返还概率。
6.如权利要求5所述的基于遗传算法的资源信息推荐方法,其特征在于,所述数据信息包括待推荐用户的饮食习惯以及当前健康指数;
相应地,所述根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数的步骤之后,所述方法还包括如下步骤:
根据所述知识图谱中携带家族遗传病的实体与所述待推荐用户的关联程度、所述待推荐用户的饮食习惯、当前健康指数以及预设的寿命预测模型,确定所述待推荐用户的寿命预测值;
根据寿命预测值,确定各资源名称的所述资源返还概率。
7.如权利要求1所述的基于遗传算法的资源信息推荐方法,其特征在于,所述数据信息包括待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯;
所述资源类型包括返还型资源和消费型资源;
相应地,所述根据所述数据信息,确定所述待推荐用户适用的资源类型的步骤,包括如下步骤:
根据所述待推荐用户的年龄、收入、子女、事业情况、以及花钱习惯,确定所述待推荐用户的资源类型,确定方法为:
若所述待推荐用户属于年纪尚轻、收入丰厚、花钱大手大脚的人,则所述待推荐用户适用于返还型资源;
若所述待推荐用户属于年纪尚轻、事业处于成长期、收入较低的人群,则所述待推荐用户适用于消费型资源。
8.一种基于遗传算法的资源信息推荐装置,其特征在于,包括:
获取模块,用于获取待推荐用户的数据信息;
确定模块,用于根据所述数据信息,确定所述待推荐用户适用的资源类型;
选择模块,用于根据所述资源类型,确定与所述资源类型对应的各资源名称、以及与所述资源类型对应的适应度函数;
更新模块,用于根据确定的适应度函数,更新预设的遗传算法模型;
计算模块,用于将所述各资源名称作为所述遗传算法模型的输入参数并运行所述遗传算法模型,得到待推荐资源名称;
推荐模块,用于将所述待推荐资源名称对应的资源信息发送至待推荐用户。
9.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于遗传算法的资源信息推荐程序,所述基于遗传算法的资源信息推荐程序配置为实现如权利要求1至7中任一项所述的基于遗传算法的资源信息推荐方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于遗传算法的资源信息推荐程序,所述基于遗传算法的资源信息推荐程序被处理器执行时实现如权利要求1至7任一项所述的基于遗传算法的资源信息推荐方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910533742.3A CN110390047A (zh) | 2019-06-19 | 2019-06-19 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
PCT/CN2020/085851 WO2020253354A1 (zh) | 2019-06-19 | 2020-04-21 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910533742.3A CN110390047A (zh) | 2019-06-19 | 2019-06-19 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390047A true CN110390047A (zh) | 2019-10-29 |
Family
ID=68285597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910533742.3A Pending CN110390047A (zh) | 2019-06-19 | 2019-06-19 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110390047A (zh) |
WO (1) | WO2020253354A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253109A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于语音识别的资源信息推荐方法、装置、终端及介质 |
WO2020253354A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
CN112632429A (zh) * | 2020-12-25 | 2021-04-09 | 北京百度网讯科技有限公司 | 引导信息展示方法、装置、设备、存储介质和程序产品 |
CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN117290077A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市飞梵实业有限公司 | 基于遗传算法的医疗平台云计算任务调度方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005522A1 (en) * | 2005-06-06 | 2007-01-04 | Wren William E | Resource assignment optimization using direct encoding and genetic algorithms |
KR20160124628A (ko) * | 2015-04-20 | 2016-10-28 | 이기훈 | 사용자 유사도 기반의 보험 상품 추천 시스템 |
CN108959618A (zh) * | 2018-07-18 | 2018-12-07 | 北京欣欣苹果网络科技有限公司 | 互联网信息收集及处理方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230057A (zh) * | 2016-12-09 | 2018-06-29 | 阿里巴巴集团控股有限公司 | 一种智能推荐方法及系统 |
CN109859052B (zh) * | 2019-01-16 | 2024-02-23 | 平安科技(深圳)有限公司 | 一种投资策略的智能推荐方法、装置、存储介质和服务器 |
CN110390047A (zh) * | 2019-06-19 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
CN110379427A (zh) * | 2019-06-19 | 2019-10-25 | 深圳壹账通智能科技有限公司 | 基于语音识别的资源信息推荐方法、装置、终端及介质 |
-
2019
- 2019-06-19 CN CN201910533742.3A patent/CN110390047A/zh active Pending
-
2020
- 2020-04-21 WO PCT/CN2020/085851 patent/WO2020253354A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070005522A1 (en) * | 2005-06-06 | 2007-01-04 | Wren William E | Resource assignment optimization using direct encoding and genetic algorithms |
KR20160124628A (ko) * | 2015-04-20 | 2016-10-28 | 이기훈 | 사용자 유사도 기반의 보험 상품 추천 시스템 |
CN108959618A (zh) * | 2018-07-18 | 2018-12-07 | 北京欣欣苹果网络科技有限公司 | 互联网信息收集及处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
宋骏豪: "一种基于遗传算法的保险方案智能推荐方法", 《计算机与现代化》, pages 2 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253109A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于语音识别的资源信息推荐方法、装置、终端及介质 |
WO2020253354A1 (zh) * | 2019-06-19 | 2020-12-24 | 深圳壹账通智能科技有限公司 | 基于遗传算法的资源信息推荐方法、装置、终端及介质 |
CN112632429A (zh) * | 2020-12-25 | 2021-04-09 | 北京百度网讯科技有限公司 | 引导信息展示方法、装置、设备、存储介质和程序产品 |
CN112632429B (zh) * | 2020-12-25 | 2023-10-10 | 北京百度网讯科技有限公司 | 引导信息展示方法、装置、设备、存储介质和程序产品 |
CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN114757724B (zh) * | 2022-06-14 | 2022-09-20 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN117290077A (zh) * | 2023-11-24 | 2023-12-26 | 深圳市飞梵实业有限公司 | 基于遗传算法的医疗平台云计算任务调度方法和系统 |
CN117290077B (zh) * | 2023-11-24 | 2024-02-23 | 深圳市飞梵实业有限公司 | 基于遗传算法的医疗平台云计算任务调度方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020253354A1 (zh) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390047A (zh) | 基于遗传算法的资源信息推荐方法、装置、终端及介质 | |
Adiga et al. | Mathematical models for covid-19 pandemic: a comparative analysis | |
CN108364195B (zh) | 用户留存概率预测方法、装置、预测服务器及存储介质 | |
CN111967971B (zh) | 银行客户数据处理方法及装置 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
WO2020192460A1 (zh) | 数据处理的方法、端侧设备、云侧设备和端云协同系统 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
WO2020253109A1 (zh) | 基于语音识别的资源信息推荐方法、装置、终端及介质 | |
CN110288459A (zh) | 贷款预测方法、装置、设备及存储介质 | |
CN110472798A (zh) | 时间序列数据的预测方法、装置及计算机可读存储介质 | |
CN110287250A (zh) | 用户等级量化方法和装置 | |
KR102424507B1 (ko) | 인공지능과 위치정보 기술을 기반으로 유저 맞춤형 팀매칭과 라운딩 노쇼를 방지하는 골프팀매칭 플랫폼의 운영방법 | |
CN113449260A (zh) | 广告点击率预测方法、模型的训练方法、装置和存储介质 | |
Pougala et al. | OASIS: Optimisation-based activity scheduling with integrated simultaneous choice dimensions | |
Dodangeh et al. | Best project selection by using of Group TOPSIS method | |
Gerst et al. | The interplay between risk attitudes and low probability, high cost outcomes in climate policy analysis | |
CN110298730A (zh) | 新零售模式下基于机器学习算法的商品推送方法及设备 | |
CN115938600A (zh) | 一种基于关联分析的心理健康状态预测方法与系统 | |
Koka et al. | Theoretical simulation in health economics: An application to Grossman’s model of investment in health capital | |
CN113763053A (zh) | 一种基于区块链的大数据电商平台用户活跃等级评估的方法 | |
Von Laer et al. | Analysing the influence of the cultural aspect in the self-regulation of social exchanges in MAS societies: an evolutionary game-based approach | |
CN114723469A (zh) | 用户满意度预测与归因的方法、系统以及电子设备 | |
Junkka | Membership in and presence of voluntary organisations during the Swedish fertility transition, 1880-1949 | |
Özerol et al. | Interactive outranking approaches for multicriteria decision-making problems with imprecise information | |
CN111626524A (zh) | 一种基于因果推断和分配策略最优化的金融智能营销算法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191029 |