CN112991025A - 一种保险智能推荐方法、系统、设备及计算机可读存储介质 - Google Patents

一种保险智能推荐方法、系统、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112991025A
CN112991025A CN202110498041.8A CN202110498041A CN112991025A CN 112991025 A CN112991025 A CN 112991025A CN 202110498041 A CN202110498041 A CN 202110498041A CN 112991025 A CN112991025 A CN 112991025A
Authority
CN
China
Prior art keywords
insurance
user
recommended
determining
attribute
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.)
Withdrawn
Application number
CN202110498041.8A
Other languages
English (en)
Inventor
姚娟娟
钟南山
樊代明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mingpinyun Beijing Data Technology Co Ltd
Original Assignee
Mingpinyun Beijing Data Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mingpinyun Beijing Data Technology Co Ltd filed Critical Mingpinyun Beijing Data Technology Co Ltd
Priority to CN202110498041.8A priority Critical patent/CN112991025A/zh
Publication of CN112991025A publication Critical patent/CN112991025A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • 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

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供一种保险智能推荐方法、系统、设备及计算机可读存储介质，其中保险智能推荐方法包括：获取待推荐用户的行为特征；根据所述待推荐用户的行为特征确定所述待推荐用户对某一类型保险的购买倾向程度；根据所述待推荐用户的购买倾向程度确定保险品牌；获取待推荐用户的属性特征；根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；从所述保险产品集确定至少一个保险产品作为目标保险产品，并向所述待推荐用户推送所述目标保险产品。本发明根据待推荐用户的行为特征与属性特征为待推荐用户推荐适合的保险产品，有效地解决了很多客户在购买保险产品时迷失在各种不同类型的保险产品之中的难题。

Description

一种保险智能推荐方法、系统、设备及计算机可读存储介质
技术领域
本发明涉及信息处理技术领域，具体涉及一种保险智能推荐方法、系统、设备及计算机可读存储介质。
背景技术
在保险产品领域，传统保险销售都需要由销售顾问针对客户的需求进行一对一的定制和推荐，而随着互联网技术的迅猛发展，大量在线销售保险产品的网站随着互联网大潮应运而生。这种模式的改变使得很多客户在购买保险产品时迷失在各种不同类型的保险产品之中，难以找到最适合自己的产品。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种保险智能推荐方法、系统、设备及计算机可读存储介质，用于解决现有技术存在的问题。
为实现上述目的及其他相关目的，本发明提供一种保险智能推荐方法，该方法包括：
获取待推荐用户的行为特征；
根据所述待推荐用户的行为特征确定所述用户对某一类型保险的购买倾向程度；
根据所述待推荐用户的购买倾向程度确定保险品牌；
获取待推荐用户的属性特征；
根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；
从所述保险产品集确定至少一个保险产品作为目标保险产品，并向所述待推荐用户推送所述目标保险产品。
于本发明的一实施例中，所述从所述保险产品集确定至少一个保险产品作为目标保险产品，包括：
计算第一特征向量与第二特征向量之间的属性相似度，所述第一特征向量基于所述待推荐用户的属性特征构建，所述第二特征向量基于保险产品集中的保险产品对应的最佳用户属性构建；
将最大属性相似度所对应的保险产品作为目标保险产品。
于本发明的一实施例中，所述计算所述第一特征向量与第二特征向量之间的属性相似度，包括：
通过不同的算法以及预设权重系数计算所述第一特征向量与第二特征向量之间的属性相似度。
于本发明的一实施例中，所述待推荐用户的行为特征包括：浏览记录、页面访问次数、产品点击次数、页面停留时间、页面进入频率中的至少一个。
于本发明的一实施例中，所述某一类型保险包括：家庭财产险、重疾险、寿险、健康险、意外险、医疗险中的至少一个。
于本发明的一实施例中，所述待推荐用户的属性特征包括：年龄、学历、收入、开支、贷款数量、存款数量、健康记录中的至少一个。
为实现上述目的及其他相关目的，本发明提供一种保险智能推荐系统，该系统包括：
行为特征获取模块，用于获取待推荐用户的行为特征；
购买倾向程度计算模块，用于根据所述待推荐用户的行为特征确定所述用户对某一类型保险的购买倾向程度；
保险品牌确定模块，用于根据所述待推荐用户的购买倾向程度确定保险品牌；
属性特征获取模块，用于获取待推荐用户的属性特征；
保险产品集确定模块，用于根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；
目标保险产品确定模块，用于从所述保险产品集确定至少一个保险产品作为目标保险产品；
信息推送模块，用于向所述待推荐用户推送所述目标保险产品。
为实现上述目的及其他相关目的，本发明提供一种设备，包括：
处理器；和
其上存储有指令的机器可读介质，当所述处理器执行时，使得所述设备执行前述的方法。
为实现上述目的及其他相关目的，本发明提供一种机器可读介质，其上存储有指令，当由处理器执行时，使得设备执行前述的方法。
如上所述，本发明提供的一种保险智能推荐方法、系统、设备及计算机可读存储介质，具有以下有益效果：
本发明的一种保险智能推荐方法，包括在：获取用户的行为特征；根据所述待推荐用户的行为特征确定所述待推荐用户对某一类型保险的购买倾向程度；根据所述待推荐用户的购买倾向程度确定保险品牌；获取待推荐用户的属性特征；根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；从所述保险产品集确定至少一个保险产品作为目标保险产品，并向所述待推荐用户推送所述目标保险产品。本发明根据用户的行为特征与属性特征为用户推荐适合的保险产品，有效地解决了很多客户在购买保险产品时迷失在各种不同类型的保险产品之中难题。
附图说明
图1为一实施例提供的一种保险智能推荐方法的示意图；
图2为一实施例提供的从所述保险产品集确定至少一个保险产品作为目标保险产品的方法示意图；
图3为一实施例提供的一种保险智能推荐系统的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本申请实施例提供一种保险智能推荐方法，该方法包括：
S11获取待推荐用户的行为特征；
在一实施例中，所述待推荐用户的行为特征包括：浏览记录、页面访问次数、产品点击次数、页面停留时间、页面进入频率中的至少一个。浏览记录可以包括某些疾病的介绍或者某些保险产品的相关资讯等等。
待推荐用户的行为特征可以通过网络爬虫方式抓取各大线上网站上的相关产品数据，进而通过相关产品数据进行分析，获取到有用的信息。
其中，所述网络爬虫，又被称为网页蜘蛛，网络机器人，或者，更经常的称为网页追逐者。所述网络爬虫是一种按照一定的规则，自动抓取互联网信息的程序或者脚本。网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：通用网络爬虫 (Gene ralPurpose Web Crawler)、聚焦网络爬虫 (Focused Web Crawler)、增量式网络爬虫(Incremental Web Crawler)、深层网络爬虫(Deep Web Crawler)。实际的网络爬虫系统通常是几种爬虫技术相结合实现的。
S12根据所述待推荐用户的行为特征确定所述待推荐用户对某一类型保险的购买倾向程度；
其中，所述某一类型保险包括：家庭财产险、重疾险、寿险、健康险、意外险、医疗险中的一个或多个。
比如，待推荐用户在一段时间内经常访问某一类型保险的介绍页面，并对该类型的保险的具体保险产品页面进行多次访问，可以认为该待推荐用户对购买该类型保险的意愿比较强。例如，在一个月内，待推荐用户经常访问平安保险下的健康险，则可以认为该待推荐用户对购买平安保险的健康险的购买倾向程度较高。因此，可以通过浏览记录、页面访问次数、产品点击次数、页面停留时间、页面进入频率等待推荐用户的行为特征来确定待推荐用户对保险类型的购买倾向程度。
S13根据所述待推荐用户的购买倾向程度确定保险品牌；
其中，保险品牌指哪个公司的保险，例如，中国人寿、新华保险、中国太平、泰康人寿、众安保险、中国人民保险、阳光保险、中国平安等。
一般来说，每种保险品牌的保险类型的关注度不同，即可以认为待推荐用户的购买倾向程度不同，关注度越大，购买倾向程度越高，关注度越低，购买倾向程度越小。例如，对于医疗和养老保险而言，中国人寿更受关注；对于碎屏险而言，众安保险的关注度更高；对于车险来讲，平安保险更容易受到关注。因此，可以根据待推荐用户的购买倾向程度来确定保险品牌。
S14获取待推荐用户的属性特征；
在一实施例中，所述待推荐用户的属性特征包括：年龄、学历、收入、开支、贷款数量、存款数量、健康记录中的至少一个。健康记录包括是否生病，生过哪些病等等。
S15根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；
在一实施例中，可以将所述待推荐用户的属性特征输入到利用神经网络机制进行深度学习得到的保险预测模型中，得到保险产品集，所述保险产品集包括至少一个保险产品。
其中，所涉及的机器学习算法可以包括但不限于：决策树机器算法与随机森林机器算法两种方式实现。
对于决策树机器算法，将待推荐用户的属性特征作为输入，将保险产品作为输出，利用决策树机器算法进行深度学习，得到保险预测模型。
其中，决策树(Decision Tree)是一种概率分析方法，在机器学习中，决策树作为一个预测模型，用于表征对象属性与对象值之间的一种映射关系。树中的每个节点均表示一个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶节点则对应从根节点到该叶节点经历的路径所表示的对象的值。在本实施例中，可将待推荐用户的属性特征作为样本数据，对预设的决策树模型进行训练，即可得到待推荐用户的保险预测模型。
对于随机森林机器算法，将待推荐用户的属性特征为输入，将保险产品作为输出，利用随机森林算法进行深度学习，得到保险预测模型。
其中，随机森林属于集成学习(Ensemble Learning)中的套袋bagging算法，主要为bagging算法与决策树算法的结合算法。其中，bagging的算法过程大致为：从原始样本集中使用Bootstraping方法随机抽取n个训练样本，共进行k轮抽取，得到k个训练集。(k个训练集之间相互独立，元素可以有重复)，之后，对于k个训练集，训练k个模型(这k个模型可以根据具体问题而定，比如决策树，knn等)，从而，对于分类问题：由投票表决产生分类结果；对于回归问题：由k个模型预测结果的均值作为最后预测结果。
由于随机森林算法可以处理大量的输入变数，在建造森林时，可以在内部对于一般化后的误差产生不偏差的估计，并且，这种机器算法对于不平衡的分类资料集来说，可以平衡误差，这些特征使得随机森林算法得到的保险预测模型。
S16从所述保险产品集确定至少一个保险产品作为目标保险产品，并向所述待推荐用户推送所述目标保险产品。
在步骤S15中，通过保险预测模型以及待推荐用户的属性特征，能够得到保险产品集，保险产品集中至少包括一个保险产品。若保险产品集中只包括一个保险产品，则将这一个保险产品作为目标保险产品；若保险产品集中包括多个保险产品，则需要从多个保险产品中选择出一个保险产品作为目标保险产品并向待推荐用户推荐所述目标保险产品。
请参阅图2，所述从所述保险产品集确定至少一个保险产品作为目标保险产品，包括：
S21计算第一特征向量与第二特征向量之间的属性相似度，所述第一特征向量基于所述待推荐用户的属性特征构建，所述第二特征向量基于保险产品集中的保险产品对应的最佳用户属性构建；
具体地，对所述待推荐用户的属性特征构建以一定的顺序进行排序，然后建构完成第一特征参数向量。
具体地，第二特征向量的构建以构建第一特征向量的方式进行。其中，用于构建第二特征向量的最佳用户属性是对具体的保险产品来说，每一个保险产品都对应有最佳用户属性。最佳用户属性指的是用户每个属性的最佳值。举例来说，某一个保险产品对应的年龄段是40~50岁，那么最佳用户属性中的年龄值取50岁，某一个保险产品对应的收入是10000~20000，那么最佳用户属性中的收入是20000；同样的，最佳用户属性中的每一个属性的最佳值都可以取所属范围的最大值。
S22将最大属性相似度所对应的保险产品作为目标保险产品。
在一实施例中，所述计算所述第一特征向量与第二特征向量之间的属性相似度，包括：
通过不同的算法以及预设权重系数计算所述第一特征向量与第二特征向量之间的属性相似度。
在本实施例中，可以通过计算第一特征向量与第二特征向量之间的欧式距离，以及计算第一特征向量与第二特征向量之间的关联度来计算第一特征向量与第二特征向量之间的属性相似度。
具体地，计算第一特征向量与第二特征向量之间的欧式距离方法为：
S211获取第一特征向量与第二特征向量；其中，第一特征向量可以表示为
Figure 898026DEST_PATH_IMAGE001
,第二特征向量可以表示为
Figure 716684DEST_PATH_IMAGE002
。
S212计算所述第一特征向量内预分配有预设权重的元素和所述第二特征向量内预分配有所述预设权重的元素间的欧氏距离。
具体地，预先为第一特征向量与第二特征向量内的每个元素分配一个权重，然后再基于欧氏距离的定义，计算两个特征向量内的对应元素间的欧氏距离。例如，第一特征向量X内的第i个元素x i 对应的权重为w i ，第二特征向量Y内的第i个元素y i 的权重也为w i ，先计算(w i x i -w i y i )2平方和，依次类推，依次计算两个序列内的每个元素，再将各个元素的平方和求和，接着求出序列间的欧氏距离，其中通过以下公式计算欧式距离S 1：
Figure 474425DEST_PATH_IMAGE003
其中，w i 为所述预设权重，
Figure 981629DEST_PATH_IMAGE004
；n为序列的总元素个数，w i 的取值可以根 据实际情况进行设定，在此不作限定。
具体地，计算第一特征向量与第二特征向量之间的关联度的方法为：
S213、确定第一特征向量X
Figure 850228DEST_PATH_IMAGE005
式中，x on 为第一特征向量各个属性的值；
S214、确定第二特征向量集Y
Figure 323060DEST_PATH_IMAGE006
式中，m为第二特征向量的个数，n为第二特征向量中属性的个数，y mn 为第二特征向量i对应属性j的最大值；
S215、计算绝对差值序列
计算第一特征向量与每个第二特征向量对应的各个属性的绝对差值，其中i＝1,2,...,m；j＝1,2,...,n，形成绝对差值矩阵如下：
Figure 127068DEST_PATH_IMAGE007
S216、计算关联系数
分别计算第一特征向量与每个第二特征向量对应元素的关联系数
Figure 183886DEST_PATH_IMAGE008
，其计算公 式如下：
Figure 590596DEST_PATH_IMAGE009
式中，i＝1,2,...,m；j＝1,2,...,n；
Figure 557415DEST_PATH_IMAGE010
为分辨系数，其取值越小越能 提高关联系数间的差异性，一般取值0.5；关联系数
Figure 922538DEST_PATH_IMAGE011
为第一特征向量X与第二 特征向量Y在第j个属性上的关联度，
Figure 76438DEST_PATH_IMAGE012
为绝对差置矩阵中的最大 数值，
Figure 785375DEST_PATH_IMAGE013
为绝对差置矩阵中的最小数值。
S217计算综合关联度
计算第一特征向量与各个第二特征向量的各个属性的综合关联度S 2，以反映第一特征向量与各个第二特征向量的关联度，其计算公式如下：
Figure 731334DEST_PATH_IMAGE014
式中，w j 为第j个第二特征向量属性的权重系数；
S218将第一特征向量与各个第二特征向量的综合关联度从大到小进行排序，综合关联度越大，说明该第一特征向量与第二特征向量的相似程度越高，即第二特征向量对该类型的保险产品越相似；
S219设欧式距离权重系数为v，综合关联度的权重系数为u，u+v=1。
在本实施例中，u＝0.5，v＝0.5。当然，当需要提欧式距离时，v的取值可以相应增大；当需要提关联度时，u的取值可以相应增大，即可以根据实际情况，对u、v的取值进行调整，在此不作限定。
则属性相似度S为：
Figure 877145DEST_PATH_IMAGE015
，属性相似度越大，则第一特征向量与第二 特征向量越相似。将最大属性相似度所对应的保险产品(第二特征向量)作为目标保险产 品。
本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。
请参阅图3，本申请实施例提供一种保险智能推荐系统，该系统包括：
行为特征获取模块31，用于获取待推荐用户的行为特征；
购买倾向程度计算模块32，用于根据所述待推荐用户的行为特征确定所述待推荐用户对某一类型保险的购买倾向程度；
保险品牌确定模块33，用于根据所述待推荐用户的购买倾向程度确定保险品牌；
属性特征获取模块34，用于获取待推荐用户的属性特征；
保险产品集确定模块35，用于根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；
目标保险产品确定模块36，用于从所述保险产品集确定至少一个保险产品作为目标保险产品；
信息推送模块37，用于向所述待推荐用户推送所述目标保险产品。
上述实施例中提供的系统可执行本发明任意实施例所提供的方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的一种保险智能推荐。
综上所述，本发明首先获取待推荐用户的行为特征；根据所述待推荐用户的行为特征确定所述待推荐用户对某一类型保险的购买倾向程度；根据所述待推荐用户的购买倾向程度确定保险品牌；获取待推荐用户的属性特征；根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；从所述保险产品集确定至少一个保险产品作为目标保险产品，并向所述待推荐用户推送所述目标保险产品。本发明根据待推荐用户的行为特征与属性特征为待推荐用户推荐适合的保险产品，有效地解决了很多客户在购买保险产品时迷失在各种不同类型的保险产品之中难题。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、设备和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，通过以上的实施方式的掐述，本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，还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，本发明实施例提供一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行如图1所示的保险智能推荐方法。
本发明实施例提供一种保险智能推荐设备，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如图1所示的方法。
基于这样的理解，本申请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，该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质，这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。例如电力资源管理方法中的各步骤等。机器可读介质可包括，但不限于，软盘、光盘、CD-ROM(紧致盘一只读存储器)、磁光盘、ROM(只读存储器),RAM(随机存取存储器),EPROM(可擦除可编程只读存储器),EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存或适于存储机器可执行指令的其他类型的介质/机器可读介质。其中，所述存储介质可位于本地服务器也可位于第三方服务器中，如位于第三方云服务平台中。在此对具体云服务平台不做限制，如阿里云、腾讯云等。本申请可用于众多通用或专用的计算系统环境或配置中。例如：被配置为分布式系统中一个节点的个人计算机、专用服务器计算机、大型计算机等。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种保险智能推荐方法，其特征在于，该方法包括：
获取待推荐用户的行为特征；
根据所述待推荐用户的行为特征确定所述用户对某一类型保险的购买倾向程度；
根据所述待推荐用户的购买倾向程度确定保险品牌；
获取待推荐用户的属性特征；
根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；
从所述保险产品集中确定至少一个保险产品作为目标保险产品，并向所述待推荐用户推送所述目标保险产品。
2.根据权利要求1所述的保险智能推荐方法，其特征在于，所述根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集，包括：
将所述待推荐用户的属性特征输入到利用神经网络机制进行深度学习得到的保险预测模型中，得到保险产品集，所述保险产品集包括至少一个保险产品。
3.根据权利要求1所述的保险智能推荐方法，其特征在于，所述从所述保险产品集中确定至少一个保险产品作为目标保险产品，包括：
计算第一特征向量与第二特征向量之间的属性相似度，所述第一特征向量基于所述待推荐用户的属性特征构建，所述第二特征向量基于保险产品集中的保险产品对应的最佳用户属性构建；
将最大属性相似度所对应的保险产品作为目标保险产品。
4.根据权利要求3所述的保险智能推荐方法，其特征在于，所述计算所述第一特征向量与第二特征向量之间的属性相似度，包括：
通过不同的算法以及预设权重系数计算所述第一特征向量与第二特征向量之间的属性相似度。
5.根据权利要求1所述的保险智能推荐方法，其特征在于，所述待推荐用户的行为特征包括：浏览记录、页面访问次数、产品点击次数、页面停留时间、页面进入频率中的至少一个。
6.根据权利要求1所述的保险智能推荐方法，其特征在于，所述某一类型保险包括：家庭财产险、重疾险、寿险、健康险、意外险、医疗险中的至少一个。
7.根据权利要求1所述的保险智能推荐方法，其特征在于，所述待推荐用户的属性特征包括：年龄、学历、收入、开支、贷款数量、存款数量、健康记录中的至少一个。
8.一种保险智能推荐系统，其特征在于，该系统包括：
行为特征获取模块，用于获取待推荐用户的行为特征；
购买倾向程度计算模块，用于根据所述待推荐用户的行为特征确定所述待推荐用户对某一类型保险的购买倾向程度；
保险品牌确定模块，用于根据所述待推荐用户的购买倾向程度确定保险品牌；
属性特征获取模块，用于获取待推荐用户的属性特征；
保险产品集确定模块，用于根据所述待推荐用户的属性特征确定所述保险品牌的某一类型保险下的保险产品集；
目标保险产品确定模块，用于从所述保险产品集确定至少一个保险产品作为目标保险产品；
信息推送模块，用于向所述待推荐用户推送所述目标保险产品。
9.一种保险智能推荐设备，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。
CN202110498041.8A 2021-05-08 2021-05-08 一种保险智能推荐方法、系统、设备及计算机可读存储介质 Withdrawn CN112991025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110498041.8A CN112991025A (zh) 2021-05-08 2021-05-08 一种保险智能推荐方法、系统、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110498041.8A CN112991025A (zh) 2021-05-08 2021-05-08 一种保险智能推荐方法、系统、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112991025A true CN112991025A (zh) 2021-06-18

Family

ID=76337259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110498041.8A Withdrawn CN112991025A (zh) 2021-05-08 2021-05-08 一种保险智能推荐方法、系统、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112991025A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741605A (zh) * 2022-04-26 2022-07-12 泰康保险集团股份有限公司 年金产品的推荐方法、装置、电子设备及可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109360072A (zh) * 2018-11-13 2019-02-19 平安科技（深圳）有限公司 保险产品推荐方法、装置、计算机设备及存储介质
CN111652735A (zh) * 2020-04-17 2020-09-11 世纪保众(北京)网络科技有限公司 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
CN112182402A (zh) * 2020-10-23 2021-01-05 上海豹云网络信息服务有限公司 一种保险信息推荐方法、装置、计算机设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109360072A (zh) * 2018-11-13 2019-02-19 平安科技（深圳）有限公司 保险产品推荐方法、装置、计算机设备及存储介质
CN111652735A (zh) * 2020-04-17 2020-09-11 世纪保众(北京)网络科技有限公司 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
CN112182402A (zh) * 2020-10-23 2021-01-05 上海豹云网络信息服务有限公司 一种保险信息推荐方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M.NARASIMHA MURTY等著，王振永 译: "《模式识别：算法及实现方法》", 30 October 2017, 哈尔滨工业大学出版社 *
熊欣: "《人脸识别技术与应用》", 31 August 2018, 黄河水利出版社 *
王道平等: "基于灰色关联分析和时间因素的协同过滤算法", 《数据分析与知识发现》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741605A (zh) * 2022-04-26 2022-07-12 泰康保险集团股份有限公司 年金产品的推荐方法、装置、电子设备及可读介质

Similar Documents

Publication Publication Date Title
US8346691B1 (en) Computer-implemented semi-supervised learning systems and methods
CN111737578A (zh) 一种推荐方法及系统
CN113344700B (zh) 一种基于多目标优化的风控模型构建方法、装置和电子设备
Teng et al. Customer credit scoring based on HMM/GMDH hybrid model
CN114358657B (zh) 一种基于模型融合的岗位推荐方法及装置
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN115080868A (zh) 产品推送方法、装置、计算机设备、存储介质和程序产品
CN111210332A (zh) 贷后管理策略生成方法、装置及电子设备
CN112991026A (zh) 一种商品推荐方法、系统、设备及计算机可读存储介质
CN112991025A (zh) 一种保险智能推荐方法、系统、设备及计算机可读存储介质
CN113435900A (zh) 交易风险确定方法、装置和服务器
CN113159449A (zh) 一种基于结构化数据的预测方法
CN115329207B (zh) 智能销售信息推荐方法及系统
US11921821B2 (en) System and method for labelling data for trigger identification
CN111144453A (zh) 构建多模型融合计算模型的方法及设备、网站数据识别方法及设备
Hanif Applications of data mining techniques for churn prediction and cross-selling in the telecommunications industry
CN113837847A (zh) 基于异质多元关系融合的知识密集型服务推荐方法
US20230342426A1 (en) System and method for training a machine learning model to label data for trigger identification
US11928128B2 (en) Construction of a meta-database from autonomously scanned disparate and heterogeneous sources
US11989777B2 (en) Pairing and grouping user profiles accessed from pre-current systems
US11822564B1 (en) Graphical user interface enabling interactive visualizations using a meta-database constructed from autonomously scanned disparate and heterogeneous sources
US11983162B2 (en) Change management process for identifying potential regulatory violations for improved processing efficiency
CN112529414B (zh) 基于多任务神经协同过滤网络的物品评分方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210618

WW01 Invention patent application withdrawn after publication