CN111652735A - 基于用户行为标签特征及商品特征的保险产品推荐的方法 - Google Patents
基于用户行为标签特征及商品特征的保险产品推荐的方法 Download PDFInfo
- Publication number
- CN111652735A CN111652735A CN202010306035.3A CN202010306035A CN111652735A CN 111652735 A CN111652735 A CN 111652735A CN 202010306035 A CN202010306035 A CN 202010306035A CN 111652735 A CN111652735 A CN 111652735A
- Authority
- CN
- China
- Prior art keywords
- model
- user
- data
- user behavior
- models
- 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
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种基于用户行为标签特征及商品特征的保险产品推荐的方法,包括:第一步骤:采集用户属性及用户行为数据;第二步骤:执行用户数据过滤处理;第三步骤:从过滤后的用户数据中提取用户特征,并根据用户特征确定多模型变量;第四步骤:针对每个模型变量设计一个模型,并对设计的多个模型进行训练;第五步骤:输出并评价模型的输出结果;第六步骤:根据对模型的输出结果的评价,从多个模型中选择一个或多个模型应用至目标场景以进行保险产品推荐。
Description
技术领域
本发明涉及保险领域,具体涉及一种基于用户行为标签特征及商品特征的保险产品推荐的方法。
背景技术
近年来大量用户已经开始习惯于在互联网/移动互联网上进行保险知识的学习,保障需求的咨询,了解保险产品,互联网上产生了大量的用户行为数据。
大数据处理、用户行为推荐等相关技术的发展,已经可以满足基于用户的各种互联网操作行为特征和用户属性,来进行用户需求的客观分析,并进行千人千面的保险产品及组合方案的推荐。
已有的方案目前主要集中在如下几个方面:
1.根据用户问卷调查、问题回答的结果,建立用户属性特征和需求标签,设计基于用户属性和需求标签的推荐规则逻辑,根据相对简单的推荐规则进行保险产品推荐;
2.根据用户的的年龄、性别、家庭组成、收入...等静态属性,建立用户静态属性标签,设计基于静态属性标签的推荐规则逻辑,根据简单的推荐规则进行保险产品推荐;
3.基于用户分类的简单推荐,例如中年家庭支柱,推荐人寿保险及重疾险,属于固定简单推荐规则进行保险产品推荐;
有部分基于用户互联网浏览操作行为的推荐技术实现,但采用了相对简单的推荐算法模型,如聚类、贝叶斯、决策树、协同推荐等,泛化能力不强,推荐结果准确度不够,并不适用于保险领域的用户深度的需求洞察分析。
现有方案未充分利用大数据技术进行用户需求的挖掘和模拟,或者对大数据技术、推荐技术的应用不够深入,模型泛化能力不强,推荐结果准确度不够,对用户需求的分析深度、细粒度和客观度不够,无法深度挖掘用户潜在保障需求。
发明内容
本发明所要解决的技术问题是针对现有技术中存在上述缺陷,提供一种基于用户行为标签特征及商品特征的保险产品推荐的方法,过特定的技术方案和机制,实现根据用户的各种互联网操作行为特征和用户属性,为用户推荐更合适的、其更喜欢的、或者更能满足其需求的保险产品或者保险产品的组合方案。
根据本发明,提供了一种基于用户行为标签特征及商品特征的保险产品推荐的方法,包括:
第一步骤:采集用户属性及用户行为数据;
第二步骤:执行用户数据过滤处理;
第三步骤:从过滤后的用户数据中提取用户特征,并根据用户特征确定多模型变量;
第四步骤:针对每个模型变量设计一个模型,并对设计的多个模型进行训练;
第五步骤:输出并评价模型的输出结果;
第六步骤:根据对模型的输出结果的评价,从多个模型中选择一个或多个模型应用至目标场景以进行保险产品推荐。
优选地,第一步骤包括:通过数据库数据获取、用户操作日志获取的方式,将数据建模所需数据存储到建模宽表。
优选地,执行用户数据清洗处理包括:针对用户属性及用户行为数据,对无效数据、重复数据、失真、噪声数据进行删除处理。
优选地,设计的模型是基于深度学习的优化模型SJ-DNN。
进一步优选地,设计的模型是包含10个隐层的基于深度学习的优化模型SJ-DNN,并且模型中使用Dropout layer和Early stopping来避免模型的过拟合。
优选地,在模型训练时,选取的预测变量是偏态分布的。
优选地,在模型训练时,选取“是否购买”作为预测变量,选用交叉熵作为代价函数,并选用Adam优化器作为优化方法。
优选地,采用查全率和查准率来评价模型的输出结果。
本发明基于用户在互联网/移动互联网上的所有浏览、收藏、购买、支付、续保、理赔、咨询等操作行为明细数据,利用大数据处理、深度学习及优化的推荐算法模型等技术,为用户进行保险保障需求的客观分析,并进行千人千面的保险产品及组合方案的推荐。
附图说明
结合附图,并通过参考下面的详细描述,将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征,其中:
图1示意性地示出了根据本发明优选实施例的基于用户行为标签特征及商品特征的保险产品推荐的方法的流程图。
图2示意性地示出了根据本发明优选实施例的采用基于SJ-DNN深度学习模型并进行模型优化的建模示例。
图3示意性地示出了根据本发明优选实施例的第一模型的购买行为的表现图。
图4示意性地示出了根据本发明优选实施例的第二模型的意外险购买行为的表现图。
图5示意性地示出了根据本发明优选实施例的第四模型的某意外险产品购买行为的表现图。
需要说明的是,附图用于说明本发明,而非限制本发明。注意,表示结构的附图可能并非按比例绘制。并且,附图中,相同或者类似的元件标有相同或者类似的标号。
具体实施方式
为了使本发明的内容更加清楚和易懂,下面结合具体实施例和附图对本发明的内容进行详细描述。
本发明根据数以千万条的保险用户互联网历史点击行为日志,来挖掘用户细分特征,以及细分用户群体对不同保险产品的购买转化率预估,采用适用于保险领域的深度学习算法模型,找出购买转化率高和低的细分用户群体及其特征,并且预估出每个用户的将来一段时间内的购买转化率量化值,为保险线上运营数据挖掘人员以及运营管理人员提供投放和设计参考。
图1示意性地示出了根据本发明优选实施例的基于用户行为标签特征及商品特征的保险产品推荐的方法的流程图。如图1所示,根据本发明优选实施例的基于用户行为标签特征及商品特征的保险产品推荐的方法包括:
第一步骤S1:采集用户属性及用户行为数据;
具体地,例如,第一步骤包括:通过数据库数据获取、用户操作日志获取的方式,将数据建模所需数据存储到建模宽表。数据类型样例如下:A)操作日志
B)保单订单
C)用户基本信息
D)其他用户互联网行为数据。
第二步骤S2:执行用户数据过滤处理;
具体地,例如,执行用户数据清洗处理包括:针对用户属性及用户行为数据,对无效数据、重复数据、失真、噪声数据进行删除处理,消除脏数据对建模的影响。
第三步骤S3:从过滤后的用户数据中提取用户特征,并根据用户特征确定多个模型变量;
具体地,例如,经过数据清洗,对有效变量进行抽取和梳理,本次建模时所选取的变量(约800个)主要特征示例如下述建模变量类别表所示:
第四步骤S4:针对每个模型变量设计一个模型,并对设计的多个模型进行训练;
具体地,例如,对于建模对象,本次选取的建模对象包括:
第一模型:未来180天内,是否产生购买行为;
第二模型:未来180天内,是否对于意外险类别产生购买行为;
第三模型:未来180天内,是否对于健康险类别产生购买行为;
第四模型:未来180天内,对各意外险产品购买的倾向性;
第五模型:未来180天内,对各健康险产品购买的倾向性。
具体如下表示例:
第一模型:未来180天内,是否产生购买行为
用户ID | 产生购买行为倾向度 |
830548 | 0~1区间数值,值越大倾向度越高 |
830591 | 0~1区间数值,值越大倾向度越高 |
833735 | 0~1区间数值,值越大倾向度越高 |
841789 | 0~1区间数值,值越大倾向度越高 |
第二模型:未来180天内,是否对于意外险类别产生购买行为
用户ID | 产生意外险购买行为倾向度 |
830548 | 0~1区间数值,值越大倾向度越高 |
830591 | 0~1区间数值,值越大倾向度越高 |
833735 | 0~1区间数值,值越大倾向度越高 |
841789 | 0~1区间数值,值越大倾向度越高 |
第三模型:未来180天内,是否对于健康险类别产生购买行为
第四模型:未来180天内,对各意外险产品购买的倾向性
用户ID | 意外险产品ID | 产生购买行为倾向度 |
830548 | 110180 | 0~1区间数值,值越大倾向度越高 |
830591 | 1110151 | 0~1区间数值,值越大倾向度越高 |
833735 | 1110191 | 0~1区间数值,值越大倾向度越高 |
841789 | 1110195 | 0~1区间数值,值越大倾向度越高 |
第五模型:未来180天内,对各健康险产品购买的倾向性
用户ID | 健康险产品ID | 产生购买行为倾向度 |
830548 | 110150 | 0~1区间数值,值越大倾向度越高 |
830591 | 110151 | 0~1区间数值,值越大倾向度越高 |
833735 | 110152 | 0~1区间数值,值越大倾向度越高 |
841789 | 110158 | 0~1区间数值,值越大倾向度越高 |
优选地,对于模型设计,本发明采用了深度学习预测模型进行用户购险倾向性预测,预测变量输出结果将反应用户在未来某个时间段内购买某类别及某个保险产品的倾向性(概率值)。
本发明采用的深度学习模型是基于DNN(Deep Neural Networks,深度神经网络)的优化模型SJ-DNN,由于本发明中的预测变量是偏态分布的(skewed),通过较为传统的Logistic回归、基于随机树的算法(随机森林、GBDT等)时模型的结果会受到较大程度的影响,如果通过重采样(resampling)的方式来缓解该问题,则会损失原始数据中的部分信息。
因此,本模型最终选择使用了10个隐层(hidden layer)的DNN深度学习(deeplearning)结构解决偏态数据的预测问题,同时在模型中使用了Dropout layer和Earlystopping的方式来避免了模型的过拟合(overfitting)问题的发生。例如,具体示例如图2所示。
对于,模型优化,本发明采用的深度学习模型是基于DNN(深度神经网络)的优化模型SJ-DNN,SJ-DNN优化点主要考虑保险用户行为特征对DNN模型的调整和适应性。
由于在该SJ-DNN模型中使用“购买次数”作为预测变量,选用均方误差(MSE,mean-squared error)作为代价函数(cost function)时,其在该问题下是非凸函数(non-convexfunction)且梯度较为平缓,故会导致局部最小值(local minimum)和梯度消失(vanishinggradient)的问题。
故选取“是否购买”作为预测变量,选用交叉熵(cross entropy)作为代价函数(cost function),并选用Adam优化器(Adam Optimizer)作为其优化方法,从而保证其良好的收敛性质。
第五步骤S5:输出并评价模型的输出结果;
具体地,例如,对于模型输出,由于预测变量为“未来180天内,是否产生某种购买行为”,故模型的预测结果输出也通过softmax函数的方式转化为了0-1之间的伪概率。
通过一定的阈值控制,就能够通过经验数据得到其对应的预测比例(rate)、查全率(recall)、查准率(precision)。例如对于第一模型,选择0.5作为阈值,那么所有预测值大于阈值的客户的比例大约为10.94%(比例),这些用户中包含了所有实际购买用户的57.26%(查全率),而实际上这些用户中有58.85%的客户确实会产生购买行为(查准率)。
于是根据经验,需要购买倾向性为前10%的用户作为目标用户时,即可以通过控制阈值大于0.5的方式来筛选出这部分用户,这些用户的购买倾向性远高于其余90%的用户。
部分模型输出结果示例如下述表格所示:
其中第一模型下的数据为可选数据。
其中第二模型和第三模型下的数据为可选数据。
其中第四模型和第五模型下的数据为可选数据。
对于模型评估,了解到对于一定的阈值所对应的预测比例(rate)而言,该比例下的查全率(recall)和查准率(precision)能够较好地衡量和评价模型的效果。
一定比率下的查全率(recall)代表着预测购买倾向性最高的一定比例用户,其包含的所有实际购买用户的比例,其反映了模型的区分能力。
一定比率下的查准率(precision)代表着预测购买倾向性最高的一定比例用户,其确实会产生购买行为的比例,其反映了模型的精确性。
下面对部分模型的效果进行评估分析,以便最终确定模型适用性:
如图3所示,第一模型的查全率提升速度良好,查准率的下降速度也相应的缓慢而稳定:
(1)前1%的用户包含了8.30%的实际购买用户,查准率为93.23%;
(2)前5%的用户包含了30.56%的实际购买用户,查准率为68.73%;
(3)前10%的用户包含了53.00%的实际购买用户,查准率为59.93%;
(4)前20%的用户包含了87.34%的实际购买用户,查准率为49.63%。
由此可见,该模型的区分能力较为优秀,而精确性和稳定性都十分突出。
如图4所示,第二模型的查全率提升速度十分迅速,在小规模精准区分上具有优势:
(1)前0.5%的用户包含了20.10%的实际购买用户,查准率为92.46%;
(2)前1%的用户包含了33.65%的实际购买用户,查准率为81.13%;
(3)前2%的用户包含了46.03%的实际购买用户,查准率为55.68%;
(4)前3%的用户包含了50.33%的实际购买用户,查准率为40.60%。
由此可见,该模型的区分能力十分优秀,而精确性和稳定性也较为良好。
第三模型的健康险购买行为与第二模型相似,此处不详细描述。
如图5所示,第四模型(第五模型与第四模型相似)的查全率提升速度良好,查准率水平良好但稳定性欠佳:
(1)前1%的用户包含了6.95%的实际购买用户,查准率为52.59%;
(2)前5%的用户包含了36.28%的实际购买用户,查准率为54.55%;
(3)前10%的用户包含了55.18%的实际购买用户,查准率为49.85%;
(4)前20%的用户包含了98.13%的实际购买用户,查准率为40.08%。
由此可见,按照第一模型、第二模型和第三模型进行推荐,局部查全率及查准率均达到业务可用性,可在业务实践中广泛使用。第四模型、第五模型由于查准率影响,可针对部分场景、部分用户做附加推荐。
第六步骤S6:根据对模型的输出结果的评价,从多个模型中选择一个或多个模型应用至目标场景以进行保险产品推荐。
具体地,例如,以上已经详细描述了模型的设计原理及模型数据输出过程、结果。在召回效果满足业务可用性的前提下,可在如下业务场景应用:
1)APP系统首页推荐猜你喜欢的产品,应用第四模型、第五模型;
2)产品列表页优先推荐用户可能感兴趣的险种类别,应用第二模型和第三模型;
3)新产品上架时,APP消息推送,为用户甄选感兴趣的类别产品,应用第一模型;
4)用户制定家庭解决方案时,为用户自动匹配合适的产品组合,应用第二模型、第三模型、第四模型、第五模型。
由此,与现有技术相比,本发明有何如下优点:
1、基于大数据处理技术的推荐模型,针对数以千万量的用户数据进行特征分析和处理;
2、基于SJ-DNN的深度神经网络优化模型,基于保险领域的数据标签进行优化处理;
3、模型召回率好,真正达到了千人千面的自动化产品及产品组合的推荐。
需要说明的是,除非特别指出,否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等,而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
可以理解的是,虽然本发明已以较佳实施例披露如上,然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言,在不脱离本发明技术方案范围情况下,都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (8)
1.一种基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于包括:
第一步骤:采集用户属性及用户行为数据;
第二步骤:执行用户数据过滤处理;
第三步骤:从过滤后的用户数据中提取用户特征,并根据用户特征确定多模型变量;
第四步骤:针对每个模型变量设计一个模型,并对设计的多个模型进行训练;
第五步骤:输出并评价模型的输出结果;
第六步骤:根据对模型的输出结果的评价,从多个模型中选择一个或多个模型应用至目标场景以进行保险产品推荐。
2.根据权利要求1所述的基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于,第一步骤包括:通过数据库数据获取、用户操作日志获取的方式,将数据建模所需数据存储到建模宽表。
3.根据权利要求1或2所述的基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于,执行用户数据清洗处理包括:针对用户属性及用户行为数据,对无效数据、重复数据、失真、噪声数据进行删除处理。
4.根据权利要求1或2所述的基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于,设计的模型是基于深度学习的优化模型SJ-DNN。
5.根据权利要求1或2所述的基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于,设计的模型是包含10个隐层的基于深度学习的优化模型SJ-DNN,并且模型中使用Dropout layer和Early stopping来避免模型的过拟合。
6.根据权利要求1或2所述的基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于,在模型训练时,选取的预测变量是偏态分布的。
7.根据权利要求1或2所述的基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于,在模型训练时,选取“是否购买”作为预测变量,选用交叉熵作为代价函数,并选用Adam优化器作为优化方法。
8.根据权利要求1或2所述的基于用户行为标签特征及商品特征的保险产品推荐的方法,其特征在于,采用查全率和查准率来评价模型的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306035.3A CN111652735A (zh) | 2020-04-17 | 2020-04-17 | 基于用户行为标签特征及商品特征的保险产品推荐的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010306035.3A CN111652735A (zh) | 2020-04-17 | 2020-04-17 | 基于用户行为标签特征及商品特征的保险产品推荐的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652735A true CN111652735A (zh) | 2020-09-11 |
Family
ID=72348510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010306035.3A Pending CN111652735A (zh) | 2020-04-17 | 2020-04-17 | 基于用户行为标签特征及商品特征的保险产品推荐的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652735A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150220A (zh) * | 2020-10-22 | 2020-12-29 | 天元大数据信用管理有限公司 | 一种基于互联网用户行为的分析方法 |
CN112418922A (zh) * | 2020-11-12 | 2021-02-26 | 中国人寿保险股份有限公司 | 个性化保险广告推荐方法与系统 |
CN112991025A (zh) * | 2021-05-08 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种保险智能推荐方法、系统、设备及计算机可读存储介质 |
CN112990443A (zh) * | 2021-05-06 | 2021-06-18 | 北京芯盾时代科技有限公司 | 神经网络评价方法及装置、电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091173A1 (zh) * | 2014-12-09 | 2016-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户维护系统及方法 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN109934721A (zh) * | 2019-01-18 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、装置、设备及存储介质 |
CN110334274A (zh) * | 2019-05-30 | 2019-10-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
WO2019233358A1 (zh) * | 2018-06-05 | 2019-12-12 | 安克创新科技股份有限公司 | 一种基于深度学习的音质特性处理方法及系统 |
-
2020
- 2020-04-17 CN CN202010306035.3A patent/CN111652735A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016091173A1 (zh) * | 2014-12-09 | 2016-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种用户维护系统及方法 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及系统,储存介质及计算机设备 |
WO2019233358A1 (zh) * | 2018-06-05 | 2019-12-12 | 安克创新科技股份有限公司 | 一种基于深度学习的音质特性处理方法及系统 |
CN109165983A (zh) * | 2018-09-04 | 2019-01-08 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置、计算机设备和存储介质 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN109934721A (zh) * | 2019-01-18 | 2019-06-25 | 深圳壹账通智能科技有限公司 | 理财产品推荐方法、装置、设备及存储介质 |
CN110334274A (zh) * | 2019-05-30 | 2019-10-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
周开拓等: "智能推荐在新媒体内容分发中的应用", 《人工智能》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150220A (zh) * | 2020-10-22 | 2020-12-29 | 天元大数据信用管理有限公司 | 一种基于互联网用户行为的分析方法 |
CN112418922A (zh) * | 2020-11-12 | 2021-02-26 | 中国人寿保险股份有限公司 | 个性化保险广告推荐方法与系统 |
CN112990443A (zh) * | 2021-05-06 | 2021-06-18 | 北京芯盾时代科技有限公司 | 神经网络评价方法及装置、电子设备、存储介质 |
CN112991025A (zh) * | 2021-05-08 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种保险智能推荐方法、系统、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anastasopoulos et al. | Machine learning for public administration research, with application to organizational reputation | |
Gupta | Introduction to data mining with case studies | |
CN111652735A (zh) | 基于用户行为标签特征及商品特征的保险产品推荐的方法 | |
Parra et al. | Implicit feedback recommendation via implicit-to-explicit ordinal logistic regression mapping | |
Coussement et al. | A Bayesian approach for incorporating expert opinions into decision support systems: A case study of online consumer-satisfaction detection | |
Bauer et al. | Improved customer lifetime value prediction with sequence-to-sequence learning and feature-based models | |
Zhou et al. | Corporate communication network and stock price movements: insights from data mining | |
Wang et al. | Data-driven prediction of contract failure of public-private partnership projects | |
Pitchipoo et al. | A distinct decision model for the evaluation and selection of a supplier for a chemical processing industry | |
Mishra et al. | Predictive data mining: Promising future and applications | |
Muñoz-Leiva et al. | Detecting salient themes in financial marketing research from 1961 to 2010 | |
Stephen et al. | Measures of similarity in memory-based collaborative filtering recommender system: A comparison | |
De Bock et al. | Explainable AI for operational research: A defining framework, methods, applications, and a research agenda | |
CN111352976A (zh) | 一种针对购物节的搜索广告转化率预测方法及装置 | |
Sun et al. | Design of macroeconomic growth prediction algorithm based on data mining | |
CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
Espadinha-Cruz et al. | Lead management optimization using data mining: A case in the telecommunications sector | |
Yuping et al. | New methods of customer segmentation and individual credit evaluation based on machine learning | |
Ferencek et al. | Data quality assessment in product failure prediction models | |
CN117196787B (zh) | 一种基于人工智能的智能决策优化方法及系统 | |
Rondović et al. | Discovering the determinants and predicting the degree of e-business diffusion using the decision tree method: Evidence from Montenegro | |
Hasheminejad et al. | Data mining techniques for analyzing bank customers: A survey | |
Finlay | Towards profitability: A utility approach to the credit scoring problem | |
Yeh | Online word-of-mouth as a predictor of television rating | |
Zietsman et al. | A generic decision support framework for inventory procurement planning in distribution centres |
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 |