CN110399559A - 智能保险推荐系统和计算机存储介质 - Google Patents

Abstract

本发明公开了一种智能保险推荐系统和计算机存储介质，该系统存储有险种推荐模型和预设保障类型对应的应有保额模型，包括：信息采集模块，用于获取用户在输入界面输入的用户信息并获取用户在各预设保障类型下的已有保额；保障缺口计算模块，用于计算得到用户的应有保额并根据已有保额计算用户存在的保障缺口；险种推荐模块，用于将用户信息输入险种推荐模型得到一待推荐险种；判断该待推荐险种是否作为向用户推荐的首要险种。本发明的技术方案可根据用户的实际情况及险种推荐模型向用户实现客观且定制化的险种推荐，使得用户可不用受到广告诱导而购买了非刚需产品等。

Description

智能保险推荐系统和计算机存储介质

技术领域

本发明涉及保险销售技术领域，尤其涉及一种智能保险推荐系统和计算机存储介质。

背景技术

随着我国互联网产业的日益发展与完善，现有的保险公司的网销产品推荐方法主要是靠在其集团、产寿险官网首页打某款首推的产品广告，或在百度等搜索引擎投放关键字来引流，近年来又增加了微信端公众号销售，而非网销产品则基本还是依靠传统的人力来销售。

对于销售平台来说，作为第三方代理，其推荐模式属于泛用化推荐，并无针对性。而对于保险公司来说，与销售平台类似，其官网上的产品推荐均为业务规则所筛选出来的产品，完全取决于公司当时主打的产品和渠道。而非网络渠道销售的产品则通过业务员的经验及销售策略来判断究竟应该主推哪款产品。

因此，对于一些不懂保险的用户来说，初次接触容易不知所措或很容易受到被广告等所诱导从而购买了自己并不需要的产品，从而造成不理性消费，并且后续也可能会对该保险公司的影响而大打折扣等。另外，对于保险公司而言，这也会导致一些潜在客户的流失，从而造成相应损失等。

发明内容

鉴于上述问题，本发明提出一种智能保险推荐系统和计算机存储介质，通过由简单收集客户信息并准确快速计算其保障缺口，并依据该保障缺口及历史保单数据针对性地向客户推荐首要险种，可解决现有的保险推荐方法的太过泛用化、效率低等问题。

本发明实施例提出一种智能保险推荐系统，所述智能保险推荐系统存储有险种推荐模型和至少一种预设保障类型对应的应有保额模型，包括：

信息采集模块，用于获取用户在输入界面输入的用户信息；

保障缺口计算模块，用于根据所述用户信息获取所述用户在各所述预设保障类型下的已有保额；将所述用户信息输入各所述应有保额模型以得到所述用户在对应的预设保障类型下的应有保额，并根据所述用户的所述已有保额和所述应有保额计算所述用户存在的保障缺口，其中，所述保障缺口包括与险种对应的保障类型和保额大小；

险种推荐模块，用于将所述用户信息输入所述险种推荐模型，得到一待推荐险种；若所述待推荐险种与所述保障缺口对应的险种集合中保额最大的险种相同，则将所述待推荐险种作为向所述用户推荐的首要险种。

进一步地，在上述的智能保险推荐系统，所述险种推荐模块还用于若所述待推荐险种与所述险种集合中保额最大的险种不同，则将所述待推荐险种与所述险种集合中保额最大的险种分别进行标记并向所述用户进行险种推荐。

进一步地，在上述的智能保险推荐系统，还包括：险种产品推荐模块，用于根据向所述用户推荐的险种对应的历史销售数据或根据用户经济状况确定向所述用户推荐的保险产品。

进一步地，在上述的智能保险推荐系统，还包括：抗风险等级计算模块，用于根据所述用户的所述已有保额和所述应有保额计算各预设保障类型下的用户抗风险等级。

进一步地，在上述的智能保险推荐系统，还包括：总体抗风险等级计算模块，用于根据各预设保障类型下的所述用户抗风险等级及各所述预设保障类型下的预设风险权重计算所述用户的总体抗风险等级。

进一步地，在上述的智能保险推荐系统，所述智能保险推荐系统存储有历史保单数据，所述险种推荐模型通过以下步骤得到，包括：

将所述历史保单数据划分为训练集和测试集；

对所述训练集按照至少两种预设模型算法分别进行险种分类模型训练并得到对应的险种分类模型；

利用所述测试集对各所述险种分类模型分别进行测试，并将得到的测试结果中准确率最高的险种分类模型作为所述险种推荐模型。

进一步地，在上述的智能保险推荐系统，所述至少两种预设模型算法包括C5.0决策树算法、梯度提升决策树算法和随机森林算法中的至少两种。

进一步地，在上述的智能保险推荐系统，所述应有保额模型采用线性回归模型、广义线性模型或广义线性混合模型进行训练及测试得到。

进一步地，在上述的智能保险推荐系统，还包括：推荐模型更新模块，用于利用向所述用户推荐险种成功的成交保单数据对所述险种推荐模型进行迭代更新。

本发明的另一实施例还提出一种计算机存储介质，存储有计算机程序，在所述计算机程序被实施时，执行上述的智能保险推荐系统中的各模块的功能。

本发明的技术方案可根据客户的实际情况计算其保障缺口，并根据其保障缺口及基于历史保单数据得到的保险推荐模型来针对性地进行首要险种推荐，以及保险产品推荐，不仅可以实现不同客户的定制化推荐，可提高保险产品的推荐成功率，还可以节省人力、简化推荐流程等。而客户在利用该智能保险推荐系统时，可以根据较客观的分析结果做出理性选择，同样也提高了客户体验等。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。

图1为本发明实施例的智能保险推荐系统的第一结构示意图；

图2为本发明实施例的智能保险推荐系统的信息采集页面示意图；

图3为本发明实施例的智能保险推荐系统的获取险种推荐模型流程示意图；

图4为本发明实施例的智能保险推荐系统的第二结构示意图；

图5为本发明实施例的智能保险推荐系统的保障缺口及风险评估页面示意图。

主要元件符号说明：

100-智能保险推荐系统；1-信息采集模块；2-保障缺口计算模块；

3-险种推荐模块；4-险种产品推荐模块；5-抗风险等级计算模块；

6-总体抗风险等级计算模块；7-推荐模型更新模块。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合具体的实施例对本发明进行详细说明。

对于上述的销售平台和保险公司而言，可知，前者广告推荐环节的弱点在于过于泛用化，不能针对每个客户进行个性化推荐，只能参考历史最畅销险种来进行无差别销售，这样做会因为将不合适的产品推荐给部分潜在客户从而导致客户流失。而后者人工销售环节的弱点在于完全依赖公司销售策略方向及业务员的业务水平高低，例如对于每年年初各大保险公司“开门红”时期销售的特定产品，业务员均需要用比较大的精力来将一款相同的产品想方设法卖给不同的人群，同时新业务员的推荐方法中存在的问题也会影响其销售成功率，往往会造成效率降低，潜在客户流失等。

因此，本发明提出一种智能保险推荐系统来解决上述两种推荐环节的弱点，通过从人工转向系统智能自动，从泛用化推荐转向定制化推荐，不仅可以提高保险公司的推荐效率，还可使得客户能根据自身实际情况的保障缺口分析结果来做出合理的保险产品选择等等。

实施例1

请参照图1，本实施例提出一种智能保险推荐系统100，可应用于各公司、企业等的保险产品推荐等。下面对该智能保险推荐系统100进行详细描述。

如图1所示，该智能保险推荐系统100主要包括：信息采集模块1、保障缺口计算模块2和首要险种推荐模块3，其中，信息采集模块1分别连接保障缺口计算模块2和首要险种推荐模块3，而保障缺口计算模块2还连接首要险种推荐模块3。本实施例中，该智能保险推荐系统100预先存储有险种推荐模型和至少一种预设保障类型对应的应有保额模型，即一种预设保障类型对应有一个应有保额模型。例如，该预设保障类型包括人寿保障、健康保障和意外保障，则对应有人寿应有保额模型、健康应有保额模型和意外应有保额模型。

示范性地，该预设保障类型包括多种，可包括但不限于人寿保障、健康保障、养老保障、意外保障等等。相应地，每一种预设保障类型则对应有一种险种。例如，人寿保障类型对应有人寿险种，意外保障类型对应有意外险种，而该人寿险种、该意外险种又分别包括多种不同的人寿保险产品、意外保险产品等等。

本实施例中，该信息采集模块1用于获取用户在输入界面输入的用户信息。示范性地，该输入界面作为系统的前端页面，用于收集用户输入的用户信息。系统通过该用户信息可从中获取该用户当前的实际情况，如年龄信息、经济情况及家庭情况等等。

示范性地，用户可通过该输入界面选择或填写自己的相关信息，这些信息可包括但不限于年龄、居住地、家庭结构、社保有无情况、收入支出情况、以及已有的保障情况等等。如图2所示，该输入界面用于输入自己目前的家庭结构情况，例如，包括已婚未婚情况、子女养育以及父母赡养情况等等。

本实施例中，该保障缺口计算模块2用于根据所述用户信息获取所述用户在各预设保障类型下的已有保额。

于是，系统在获取到来自信息采集模块1输出的用户信息后，通过该用户信息可获取到该用户在上述各预设保障类型下的已有保额。例如，该用户在人寿保障方面的已有保额为0万元，在健康保障方面的已有保额为10万元等等。

本实施例中，该保障缺口计算模块2还用于将所述用户信息输入预先存储的各应有保额模型以得到该用户在对应的预设保障类型下的应有保额，并根据用户的已有保额和应有保额计算该用户存在的保障缺口，其中，所述保障缺口包括与险种对应的保障类型，以及该保障类型对应的保额。

例如，若系统存储有人寿应有保额模型、健康应有保额模型和意外应有保额模型，则可将获取的用户信息分别输入到这三个应有保额模型，以分别得到在人寿保障、健康保障和意外保障下该用户应该需要的保额，进而计算出该用户可能存在的保障缺口。

可以理解，保障缺口是在某种保障类型下，用户的已有保额未达到应有保额的额度，则表明该用户在当前保障类型下存在缺口，而这两者之间的差值即为当前保障类型对应的保额大小。

本实施例中，上述的各预设保障类型下的应有保额模型主要是利用系统中存储的历史保单数据进行建模训练得到。其中，不同保障类型的应有保额模型可采用相同或不同的回归模型进行建模，相互独立且彼此不受影响。这样可以保证各保障类型的应有保额的客观、准确。

示范性地，上述的各应有保额模型可采用线性回归模型、广义线性回归模型或广义线性混合模型等不同类型的模型进行训练及测试得到。例如，以人寿应有保额模型为例，可通过采用广义线性回归(Generalized Linear Models,GLM)模型来建立该回归模型。当然，也可以采用其他的回归模型。建模前，将系统中存储的历史保单数据任意划分为两部分，分别为训练集和测试集，两者的比例可根据实际需求设定，如7：3或6：4等。其中，输入的字段可包括年龄、收入、支出、险种等，而目标字段为用户购买的保额。于是，利用训练集中的保单数据输入到该GLM模型中并得到训练后的模型，然后再用测试集中的保单数据对该训练后的模型进行验证，以保证该训练后的GLM模型的准确率达到预设值。

对于保障缺口的计算，例如，若用户在某一保障类型下的已有保额为10万元，而该保障类型下输出的该用户的应有保额为65万元，则说明用户存在该保障类型的缺口，对应的保额为55万元。

于是，通过上述的保障缺口计算模块2可得到该用户存在的保障缺口，其中，该保障缺口包括保障类型及对应的保额。

本实施例中，首要险种推荐模块3用于将所述用户信息输入预先存储的险种推荐模型，得到一待推荐险种。若该待推荐险种属于所述保障缺口对应的险种集合中保额最大的险种相同，则将所述待推荐险种作为向用户推荐的首要险种。

其中，保障缺口模块将输出该用户的保障缺口，例如，可以以一险种集合的形式进行存储。该险种集合中可以不包含任何一保障类型元素，也可包含至少一种保障类型元素，具体取决于该用户输入的用户信息。若该险种集合包含至少一保障类型元素，表明该用户存在相应的保障缺口。可选地，对该险种集合中的各保障类型元素进行保额大小排序，并确定保额最大的险种，即该用户最需要购买的险种。

对于上述情况，若险种推荐模型输出的该待推荐险种与该险种集合中保额最大的险种相同，即说明该待推荐险种确实为用户最需要购买的险种，则将该待推荐险种作为向用户推荐的首要险种。

可以理解，通过保障缺口这一过程对险种推荐模型的待推荐结果进行进一步确认，这样可验证险种推荐模型的准确率，从而提高推荐准确性等。

若该待推荐险种不属于该险种集合中的缺口险种，则说明该待推荐险种是与用户具有同样情况的用户群体最倾向购买的险种，而不是用户最需要购买的险种。此时，可将将该待推荐险种与该险种集合中保额最大的险种分别进行标记并向用户进行两种险种的推荐。

例如，可将该待推荐险种标记为同类用户群众最倾向购买的险种，而险种集合中保额最大的险种标记为可能最需要购买的险种，然后，同时向用户进行推荐。可以理解，通过给出两种推荐险种，一种是用户可能最需要的，一种是与用户同样情况的群体购买最多的，这样可以给用户相应地选择权，让用户自行决定购买哪一种，可大大提高用户的满意度等。

此外，若该险种集合不包含任何保障类型元素，即说明该用户不存在保障缺口，或者说，该用户在各预设保障类型的保额已全面覆盖。对于这种情况，系统将不对用户作任何推荐。

其中，如图3所示，该险种推荐模型通过以下步骤得到，包括：

步骤S10，将历史保单数据划分为训练集和测试集。其中，训练集与测试集的比例可根据实际需求进行设定。

步骤S20，对所述训练集按照至少两种预设模型算法分别进行险种分类模型训练并得到对应的险种分类模型。

对于该险种推荐模型的建立，输入字段可包括性别、年龄、居住地区等等，而目标字段为客户购买的险种类型。于是，在确定好输入字段与目标字段后，选取至少两种预设模型算法进行这些训练集的保单数据进行训练，以分别得到对应的险种分类模型，即输出客户将购买哪一种险种。示范性地，该预设模型算法可包括但不限于C5.0决策树算法、梯度提升决策树算法和随机森林算法等中的至少两种，优选地，选取三种不同的算法进行模型训练。

步骤S30，利用所述测试集对各所述险种分类模型分别进行测试，并将得到的测试结果中准确率最高的险种分类模型作为该险种推荐模型。

在得到至少两种险种分类模型后，再利用测试集进行分别测试。对于测试结果中险种分类准确率最高的那个模型，即作为最终应用的险种推荐模型。可以理解，通过结合不同模型的测试结果并选取分类正确率最高的模型作为最优的模型，可以进一步提高模型的推荐准确率，进而提高推荐成功率等。

进一步地，如图4所示，该智能保险推荐系统100还包括：险种产品推荐模块4，该险种产品推荐模块4与所述首要险种推荐模块3连接。

该险种产品推荐模块4用于根据向该用户推荐的险种按照预设险种产品推荐规则确定向该用户推荐的具体保险产品。其中，该推荐的险种是指由首要险种推荐模块3输出的首要险种，或者是标记后输出的推荐险种。

示范性地，该预设险种推荐规则可为，按照该推荐的险种对应的历史销售数据进行推荐，如将该推荐的险种内销售量最高的保险产品进行推荐等。这样结合大多数客户的购买情况来推荐，可让用户更加放心。当然，也可以按照其他规则进行其他保险产品的推荐。例如，可根据用户经济状况来推荐对应的保险产品，具体可根据该用户的实际收入情况在推荐的险种内选择最符合用户经济情况的保险产品等。

进一步可选地，该智能保险推荐系统100还包括：抗风险等级计算模块5，该抗风险等级计算模块5用于根据所述用户在各预设保障类型下的已有保额和应有保额计算各预设保障类型下的用户抗风险等级。

示范性地，以一预设保障类型为例，用户的抗风险值可采用以下公式进行计算：进一步地，可根据行业经验值将抗风险值按照不同的数值范围划分成至少两个等级，优选地，划分成三个等级，即分别为高、中和低。其中，抗风险值越小，即表明抗风险能力越低，则抗风险等级越低；反之，抗风险值越大，则抗风险等级越高。例如，高抗风险等级对应的抗风险值可为75％-100％，当然，也可以划分为其他范围，在此不作限定。

此时，若某一保障类型下用户的已有保额为10万元，应有保额为65万元，则抗风险值为15.38％，对应为低抗风险等级。可以理解，通过抗风险等级的计算可以提示用户在各保障类型下的抗风险能力。

进一步可选地，该智能保险推荐系统100还包括：总体抗风险等级计算模块6，该总体抗风险等级计算模块6用于根据在各预设保障类型下的所述用户抗风险等级及各所述预设保障类型下的预设风险权重计算该用户的总体抗风险等级。

示范性地，不同的保障类型可预先分配不同的风险权重，在计算得到各保障类型的抗风险值后，可进一步计算用户的总体抗风险能力。例如，人寿保障类型的权重为a，健康保障类型的权重为b，意外保障类型的权重为c，可选地，可将各权重进行归一化处理后再用于计算。若该用户在人寿保障类型下的抗风险值为A，健康保障类型下的抗风险值为B，意外保障类型下的抗风险值为C，则有总体抗风险值为a*A+b*B+c*C。同样，可根据行业经验值将该总体抗风险值划分成不同的等级，优选地，可划分成高、中和低。如图5所示，根据该用户在人寿保障、健康保障、意外保障和养老保障类型下的保障缺口，可计算得到该用户的总体抗风险值为69％，总体抗风险等级为高，即对应有图5所示的该用户存在的总体风险为低。

为进一步保证或提高险种推荐模型的精度，优选地，该智能保险推荐系统100还包括：推荐模型更新模块7，该推荐模型更新模块7用于利用向所述用户推荐险种成功的成交保单数据对所述险种推荐模型进行迭代更新，即当向用户推荐险种后且用户完成交易时，可将该用户对应的成交保单数据与之前的历史保单数据重新对该险种推荐模型进行更新训练。通过不断迭代更新可提高该险种推荐模型的准确率，从而提高推荐成功率等。

本实施的智能保险推荐系统可根据每个用户的实际情况计算其保障缺口，并根据其保障缺口及基于历史保单数据得到的保险推荐模型来针对性地进行首要险种推荐，以及保险产品推荐等。此次，还根据用户的实际情况进行用户抗风险等级及总体抗风险等级等提示。一方面，对于业务方而言，利用该智能保险推荐系统不仅可以实现每个用户的定制化推荐，从而提高保险产品的推荐成功率，还可以节省人力、简化推荐流程等。另一方面，客户在利用该智能保险推荐系统时，可以根据较客观的大数据分析结果做出理性选择而不用受到销售人员的过多影响，从而大大提高了客户体验等。

本发明还提出一种终端，如计算机等，该终端包括处理器和存储器，该存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使终端执行上述的智能保险推荐系统中的各个模块的功能。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明还提供一种计算机可读存储介质，用于储存上述终端中使用的所述计算机程序。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种智能保险推荐系统，其特征在于，所述智能保险推荐系统存储有险种推荐模型和至少一种预设保障类型对应的应有保额模型，包括：

信息采集模块，用于获取用户在输入界面输入的用户信息；

保障缺口计算模块，用于根据所述用户信息获取所述用户在各所述预设保障类型下的已有保额；将所述用户信息输入各所述应有保额模型以得到所述用户在对应的预设保障类型下的应有保额，并根据所述用户的所述已有保额和所述应有保额计算所述用户存在的保障缺口，其中，所述保障缺口包括与险种对应的保障类型和保额大小；

险种推荐模块，用于将所述用户信息输入所述险种推荐模型，得到一待推荐险种；若所述待推荐险种与所述保障缺口对应的险种集合中保额最大的险种相同，则将所述待推荐险种作为向所述用户推荐的首要险种。

2.根据权利要求1所述的智能保险推荐系统，其特征在于，所述险种推荐模块，还用于若所述待推荐险种与所述险种集合中保额最大的险种不同，则将所述待推荐险种与所述险种集合中保额最大的险种分别进行标记并向所述用户进行险种推荐。

3.根据权利要求1或2所述的智能保险推荐系统，其特征在于，还包括：

险种产品推荐模块，用于根据向所述用户推荐的险种对应的历史销售数据或根据用户经济状况确定向所述用户推荐的保险产品。

4.根据权利要求1所述的智能保险推荐系统，其特征在于，还包括：

抗风险等级计算模块，用于根据所述用户的所述已有保额和所述应有保额计算在各预设保障类型下的用户抗风险等级。

5.根据权利要求4所述的智能保险推荐系统，其特征在于，还包括：

总体抗风险等级计算模块，用于根据各预设保障类型下的所述用户抗风险等级及各所述预设保障类型下的预设风险权重计算所述用户的总体抗风险等级。

6.根据权利要求1所述的智能保险推荐系统，其特征在于，所述智能保险推荐系统存储有历史保单数据，所述险种推荐模型通过以下步骤得到，包括：

将所述历史保单数据划分为训练集和测试集；

对所述训练集按照至少两种预设模型算法分别进行险种分类模型训练并得到对应的险种分类模型；

利用所述测试集对各所述险种分类模型分别进行测试，并将得到的测试结果中准确率最高的险种分类模型作为所述险种推荐模型。

7.根据权利要求6所述的智能保险推荐系统，其特征在于，所述至少两种预设模型算法包括C5.0决策树算法、梯度提升决策树算法和随机森林算法中的至少两种。

8.根据权利要求1所述的智能保险推荐系统，其特征在于，所述应有保额模型采用线性回归模型、广义线性模型或广义线性混合模型进行训练及测试得到。

9.根据权利要求1所述的智能保险推荐系统，其特征在于，还包括：

推荐模型更新模块，用于利用向所述用户推荐险种成功的成交保单数据对所述险种推荐模型进行迭代更新。

10.一种计算机存储介质，其特征在于，存储有计算机程序，在所述计算机程序被实施时，执行如权利要求1-9中任一项所述的智能保险推荐系统中的各模块的功能。