CN113256383B - 保险产品的推荐方法、装置、电子设备及存储介质 - Google Patents

保险产品的推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113256383B
CN113256383B CN202110611833.1A CN202110611833A CN113256383B CN 113256383 B CN113256383 B CN 113256383B CN 202110611833 A CN202110611833 A CN 202110611833A CN 113256383 B CN113256383 B CN 113256383B
Authority
CN
China
Prior art keywords
insurance
similarity
text
product
insurance product
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.)
Active
Application number
CN202110611833.1A
Other languages
English (en)
Other versions
CN113256383A (zh
Inventor
薛磊
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.)
Guoren Property Insurance Co ltd
Original Assignee
Guoren Property Insurance 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 Guoren Property Insurance Co ltd filed Critical Guoren Property Insurance Co ltd
Priority to CN202110611833.1A priority Critical patent/CN113256383B/zh
Publication of CN113256383A publication Critical patent/CN113256383A/zh
Application granted granted Critical
Publication of CN113256383B publication Critical patent/CN113256383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Technology Law (AREA)
  • Computational Linguistics (AREA)

Abstract

本发明提供了一种保险产品的推荐方法、装置及存储介质，包括：获取目标用户的投保信息，并根据投保信息确定目标用户可承担的保金数额；将投保信息输入至预先构建的风险分析预测模型中；根据风险信息确定保障内容，将保金数额和保障内容作为筛选条件，并根据筛选条件从预设的保险产品数据库中查找出满足该筛选条件的所有保险产品；计算每一保险产品的保险条款与历史保险产品的保险条款的相似度，并将理赔金额最高的保险产品推送给目标用户。本发明保险产品的推荐方法通过文本相似度S中通过将关联度参数加入到文本相似度的考虑因素中，同时考虑语义相似度、结构相似度推荐准确率高，且避免了重复保障。

Description

保险产品的推荐方法、装置、电子设备及存储介质
技术领域
本发明涉及金融技术领域，特别是涉及一种保险产品的推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来，随着保险行业的快速发展，衍生出各种种类的保险产品，由于各个保险产品之间具有不同的产品条款和适用场景，保险业务员很难通过自行分析确定适合客户的保险产品，因此，只能根据保险业务员的经验值向客户推荐保险产品。
然而，保险业务员向客户推荐保险产品，其无法全面了解客户家庭的风险情况及客户当前的保障情况，致使保险业务员所推荐的保险产品不一定适应于相应用户，导致保险产品的推荐准确度低，容易引起客户反感。
因此，实有必要提出一种保险产品的推荐方法、装置、电子设备及存储介质来解决上述问题。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种保险产品的推荐方法、装置、电子设备及存储介质。
为了解决上述问题，本发明实施例公开了一种保险产品的推荐方法，应用于电子设备，所述方法包括：
获取目标用户的投保信息，并根据所述投保信息确定所述目标用户可承担的保金数额，其中，所述投保信息包括家庭信息和已购买的历史保险产品；
将所述投保信息输入至预先构建的风险分析预测模型中，得出所述目标用户存在的风险信息，其中，所述风险分析预测模型是采用预设的神经网络模型训练得到；
根据所述风险信息确定保障内容，将所述保金数额和所述保障内容作为筛选条件，并根据所述筛选条件从预设的保险产品数据库中查找出满足该筛选条件的所有保险产品；
计算每一所述保险产品的保险条款与所述历史保险产品的保险条款的相似度，将相似度小于预设阈值的保险产品组成保险产品集；
计算所述保险产品集中各个保险产品在同种出险情况下的理赔金额，并将理赔金额最高的保险产品推送给目标用户。
优选的，所述风险分析预测模型的训练，包括：
采集预设数量的投保人员的投保信息构建样本数据集，并对所述样本数据集中的所有投保信息进行特征提取，得到投保特征集；
根据预设的风险分类规则对所述投保特征集中的投保特征进行分类，获取不同的风险信息对应的一个或多个投保特征；
将各个所述风险信息及各个所述风险信息对应的投保特征输入至所述神经网络模型中进行训练，每隔预设周期对该模型进行准确率验证，当所述准确率大于预设阈值时，结束训练，得到所述风险分析预测模型。
优选的，所述保险产品的保险条款与所述历史保险产品的保险条款相似度的计算方法，包括：
利用自然语言处理技术分别将所述保险产品的保险条款和所述历史保险产品的保险条款进行分割，得到第一字段文本和第二字段文本；
分别计算出所述第一字段文本与所述第二字段文本的语义相似度和结构相似度；
根据所述语义相似度、所述结构相似度及预设的权重计算出所述第一字段文本和所述第二字段文本的文本相似度，并将所述文本相似度作为所述保险产品的保险条款与所述历史保险产品的保险条款的相似度。
优选的，所述第一字段文本和所述第二字段文本的文本相似度S的计算公式为：S=0.3A+0.4B+0.3
Figure 997261DEST_PATH_IMAGE001
，其中，A表示语义相似度，B表示结构相似度，0.3和0.4表示预设的权重值；
Figure 326742DEST_PATH_IMAGE002
Figure 167659DEST_PATH_IMAGE003
为关联度参数，即保险产品的保险条款的文本向量X与历史保险产品的保险条款的文本向量Y的关联度参数，求解如下：
Figure 176066DEST_PATH_IMAGE004
；
Figure 836330DEST_PATH_IMAGE005
为与历史保险产品的保险条款的文本向量前
Figure 941689DEST_PATH_IMAGE006
段的相关值，相关值与历史保险产品时间跨度、文本字体相似程度、文本字段数差值呈负相关；而关联度参数的误差为：
Figure 360032DEST_PATH_IMAGE007
，T表示转置运算，其中
Figure 855736DEST_PATH_IMAGE008
是历史保险产品的前k段保险条款的文本向量
Figure 650517DEST_PATH_IMAGE009
的方差，其值为：
Figure 282486DEST_PATH_IMAGE010
其中，
Figure 12676DEST_PATH_IMAGE011
是保险产品的保险条款的文本向量
Figure 261255DEST_PATH_IMAGE012
的秩，
Figure 390885DEST_PATH_IMAGE013
是残差；n为设定值；通过对关联度参数
Figure 470836DEST_PATH_IMAGE014
矩阵的值，结合语义相似度和结构相似度确定保险产品差异。
优选的，所述保险产品集中各个保险产品在同种出险情况下的理赔金额的计算方法包括：
获取所述保险产品集中各个保险产品对应的承保理赔数据，其中，所述承保理赔数据包括责任明细信息；
将所述责任明细信息与所述出险情况进行责任匹配，并根据匹配结果生成相应的理赔金额。
优选的，所述神经网络模型为YOLO、Fast RCNN、Faster RCNN、SSD模型中的任意一种。
优选的，所述家庭信息包括家庭成员的身份信息、家庭财务现状、家庭风险经济损失、年收入情况、年支出情况、资产情况、负债情况以及家族病史。
本发明实施例还提供了一种保险产品的推荐装置，所述装置包括：
获取模块：用于获取目标用户的投保信息，并根据所述投保信息确定所述目标用户可承担的保金数额，其中，所述投保信息包括家庭信息和已购买的历史保险产品；
预测模块：用于将所述投保信息输入至预先构建的风险分析预测模型中，得出所述目标用户存在的风险信息，其中，所述风险分析预测模型是采用预设的神经网络模型训练得到；
查找模块：用于根据所述风险信息确定保障内容，将所述保金数额和所述保障内容作为筛选条件，并根据所述筛选条件从预设的保险产品数据库中查找出满足该筛选条件的所有保险产品；
第一计算模块：用于计算每一所述保险产品的保险条款与所述历史保险产品的保险条款的相似度，将相似度小于预设阈值的保险产品组成保险产品集；
第二计算模块：用于计算所述保险产品集中各个保险产品在同种出险情况下的理赔金额，并将理赔金额最高的保险产品推送给目标用户。
本发明实施例还提供了一种电子设备，所述电子设备包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的保险产品的推荐方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述的保险产品的推荐方法的步骤。
本发明实施例包括以下优点：使用本发明保险产品的推荐方法，可以预测出目标用户存在的风险信息和目标用户可承担的保险金额，并根据风险信息和保险金额从预设的保险产品数据库中查找出适合目标用户的保险产品，从而提高了保险产品的推荐准确率；且该方法选取与历史保险产品的相似度小于预设阈值的保险产品作为待推荐保险产品，根据保险产品文本结构特性，通过文本相似度S中通过将关联度参数加入到文本相似度的考虑因素中，同时考虑语义相似度、结构相似度，大大增强了文本相似度的准确信息，推荐准确率高，且避免了重复保障其避免了重复保障。另一方面，使用该方法推荐的保险产品在同种出险情况下的理赔金额高，进而提高了用户的收益。
附图说明
图1是本发明的一种保险产品的推荐方法实施例的步骤流程图；
图2是本发明的一种保险产品的推荐装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，示出了本发明的一种保险产品的推荐方法实施例的步骤流程图，具体可以包括如下步骤：
步骤S10，获取目标用户的投保信息，并根据所述投保信息确定所述目标用户可承担的保金数额，其中，所述投保信息包括家庭信息和已购买的历史保险产品。
具体的，所述所述家庭信息包括家庭成员的身份信息、家庭财务现状、家庭风险经济损失、年收入情况、年支出情况、资产情况、负债情况以及家族病史，当然，不限于此。需要说明的是，所述年支出情况为各个家庭成员一年的收入总和；所述年支出情况为各个家庭成员一年的基本生活开支的总和。
本实施例中，所述目标用户可承担的保金数额C的计算公式为：C=（D-Z）*30%,其中，D表示年收入，Z表示年支出。
步骤20，将所述投保信息输入至预先构建的风险分析预测模型中，得出所述目标用户存在的风险信息，其中，所述风险分析预测模型是采用预设的神经网络模型训练得到。
进一步的，所述风险分析预测模型的训练，具体包括如下步骤：
采集预设数量的投保人员的投保信息构建样本数据集，并对所述样本数据集中的所有投保信息进行特征提取，得到投保特征集；
根据预设的风险分类规则对所述投保特征集中的投保特征进行分类，获取不同的风险信息对应的一个或多个投保特征；
将各个所述风险信息及各个所述风险信息对应的投保特征输入至所述神经网络模型中进行训练，每隔预设周期对该模型进行准确率验证，当所述准确率大于预设阈值时，结束训练，得到所述风险分析预测模型。
本实施例中，所述神经网络模型为卷积神经网络模型，可以为YOLO、Fast RCNN、Faster RCNN、SSD模型中的任意一种。当然，不限于此，其可以根据实际情况做适应性设定。
需要说明的是，所述卷积神经网络模型为多类别模型的主体结构，其舍弃原始的多类别全连接层；对于由主体结构得到的n维特征，在该层结构后为每种属性类别设计一个线性分类器，对于每个线性分类器经模型前向传递后输出的结果，均以元组的数据格式保存；对于所有属性的元组数据，按照一定的属性顺序追加到同一个元组中作为模型输出的结果。
步骤S30，根据所述风险信息确定保障内容，将所述保金数额和所述保障内容作为筛选条件，并根据所述筛选条件从预设的保险产品数据库中查找出满足该筛选条件的所有保险产品。
本实施例中，所述保险产品数据库为区块链数据库，所述区块链具有“不可伪造”、“全程留痕”、“可以追溯”、“公开透明”、“集体维护”等特征。基于这些特征，使用区块链数据库奠定了目标用户坚实的信任基础。
步骤S40，计算每一所述保险产品的保险条款与所述历史保险产品的保险条款的相似度，将相似度小于预设阈值的保险产品组成保险产品集。
本实施例中，所述保险产品的保险条款与所述历史保险产品的保险条款相似度的计算方法，包括：
利用自然语言处理技术分别将所述保险产品的保险条款和所述历史保险产品的保险条款进行分割，得到第一字段文本和第二字段文本以及文本向量X、Y；在一些实施例中，向量通过不同段落文本构成多条向量，组成向量集合，或者以句号为结束组成向量集合，或多个一个保险产品组成一组向量，多个历史保险产品文本组成矩阵向量集合。
分别计算出所述第一字段文本与所述第二字段文本的语义相似度和结构相似度；
根据所述语义相似度、所述结构相似度及预设的权重计算出所述第一字段文本和所述第二字段文本的文本相似度，并将所述文本相似度作为所述保险产品的保险条款与所述历史保险产品的保险条款的相似度。
更进一步的，所述第一字段文本和所述第二字段文本的文本相似度S的计算公式为：S=0.3A+0.4B+0.3
Figure 165735DEST_PATH_IMAGE015
，其中，A表示语义相似度，B表示结构相似度，0.3和0.4表示预设的权重值；
Figure 370452DEST_PATH_IMAGE016
Figure 507035DEST_PATH_IMAGE017
为关联度参数，即保险产品的保险条款的文本向量X与历史保险产品的保险条款的文本向量Y的关联度参数，求解如下：
Figure 848017DEST_PATH_IMAGE018
，此时相关值取0；本申请关键在于通过考虑文本结构，加入关联度参数值，使得文本相似度计算大大增强；其中语义相似度通过TF-IDF计算得到，结构相似度通过余弦函数相似度计算方式得到。
Figure 372540DEST_PATH_IMAGE019
为与历史保险产品的保险条款的文本向量前
Figure 330131DEST_PATH_IMAGE020
段的相关值，相关值与历史保险产品时间跨度、文本字体是否一致、文本字段数字差值负相关；而关联度参数的误差为：
Figure 4826DEST_PATH_IMAGE021
，T表示转置运算，其中
Figure 934736DEST_PATH_IMAGE022
是历史保险产品的前k段保险条款的文本向量
Figure 630160DEST_PATH_IMAGE023
的方差，其值为：
Figure 9801DEST_PATH_IMAGE024
其中，
Figure 81662DEST_PATH_IMAGE025
是保险产品的保险条款的文本向量
Figure 131658DEST_PATH_IMAGE026
的秩，
Figure 997983DEST_PATH_IMAGE027
是残差；n为设定值；通过对关联度参数
Figure 133429DEST_PATH_IMAGE028
矩阵的值，结合语义相似度和结构相似度确定保险产品差异。
步骤S50，计算所述保险产品集中各个保险产品在同种出险情况下的理赔金额，并将理赔金额最高的保险产品推送给目标用户。
在本实施例中，所述保险产品集中各个保险产品在同种出险情况下的理赔金额的计算方法包括：
获取所述保险产品集中各个保险产品对应的承保理赔数据，其中，所述承保理赔数据包括责任明细信息；
将所述责任明细信息与所述出险情况进行责任匹配，并根据匹配结果生成相应的理赔金额。
与相关技术相比，使用本发明保险产品的推荐方法，可以预测出目标用户存在的风险信息和目标用户可承担的保险金额，并根据风险信息和保险金额从预设的保险产品数据库中查找出适合目标用户的保险产品，从而提高了保险产品的推荐准确率；且该方法选取与历史保险产品的相似度小于预设阈值的保险产品作为待推荐保险产品，其避免了重复保障。另一方面，使用该方法推荐的保险产品在同种出险情况下的理赔金额高，进而提高了用户的收益。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图2，示出了本发明的一种保险产品的推荐装置实施例的结构框图，具体可以包括如下模块：
获取模块201：用于获取目标用户的投保信息，并根据所述投保信息确定所述目标用户可承担的保金数额，其中，所述投保信息包括家庭信息和已购买的历史保险产品；
预测模块202：用于将所述投保信息输入至预先构建的风险分析预测模型中，得出所述目标用户存在的风险信息，其中，所述风险分析预测模型是采用预设的神经网络模型训练得到；
查找模块203：用于根据所述风险信息确定保障内容，将所述保金数额和所述保障内容作为筛选条件，并根据所述筛选条件从预设的保险产品数据库中查找出满足该筛选条件的所有保险产品；
第一计算模块204：用于计算每一所述保险产品的保险条款与所述历史保险产品的保险条款的相似度，将相似度小于预设阈值的保险产品组成保险产品集；
第二计算模块205：用于计算所述保险产品集中各个保险产品在同种出险情况下的理赔金额，并将理赔金额最高的保险产品推送给目标用户。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、电子设备或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种保险产品的推荐方法和一种保险产品的推荐装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种保险产品的推荐方法，应用于电子设备，其特征在于，所述方法包括：
获取目标用户的投保信息，并根据所述投保信息确定所述目标用户可承担的保金数额，其中，所述投保信息包括家庭信息和已购买的历史保险产品；
将所述投保信息输入至预先构建的风险分析预测模型中，得出所述目标用户存在的风险信息，其中，所述风险分析预测模型是采用预设的神经网络模型训练得到；
根据所述风险信息确定保障内容，将所述保金数额和所述保障内容作为筛选条件，并根据所述筛选条件从预设的保险产品数据库中查找出满足该筛选条件的所有保险产品；
计算每一所述保险产品的保险条款与所述历史保险产品的保险条款的相似度，将相似度小于预设阈值的保险产品组成保险产品集；
计算所述保险产品集中各个保险产品在同种出险情况下的理赔金额，并将理赔金额最高的保险产品推送给所述目标用户；
所述保险产品的保险条款与所述历史保险产品的保险条款相似度的计算方法，包括：
利用自然语言处理技术分别将所述保险产品的保险条款和所述历史保险产品的保险条款进行分割，得到第一字段文本和第二字段文本以及文本向量X、Y；
分别计算出所述第一字段文本与所述第二字段文本的语义相似度和结构相似度；
根据所述语义相似度、所述结构相似度及预设的权重计算出所述第一字段文本和所述第二字段文本的文本相似度，并将所述文本相似度作为所述保险产品的保险条款与所述历史保险产品的保险条款的相似度；
所述第一字段文本和所述第二字段文本的文本相似度S的计算公式为：S=0.3A+0.4B+0.3
Figure 260675DEST_PATH_IMAGE001
，其中，A表示语义相似度，B表示结构相似度，0.3和0.4表示预设的权重值；
Figure 998824DEST_PATH_IMAGE002
Figure 315536DEST_PATH_IMAGE003
为关联度参数，即保险产品的保险条款的文本向量X与历史保险产品的保险条款的文本向量Y的关联度参数，求解如下：
Figure 647291DEST_PATH_IMAGE004
；
Figure 402758DEST_PATH_IMAGE005
为与历史保险产品的保险条款的文本向量前
Figure 870779DEST_PATH_IMAGE006
段的相关值，相关值与历史保险产品时间跨度、文本字体相似程度、文本字段数差值呈负相关；而关联度参数的误差为：
Figure 686288DEST_PATH_IMAGE007
，T表示转置运算，其中
Figure 505340DEST_PATH_IMAGE008
是历史保险产品的前k段保险条款的文本向量
Figure 64497DEST_PATH_IMAGE009
的方差，其值为：
Figure 652605DEST_PATH_IMAGE010
其中，
Figure 107857DEST_PATH_IMAGE011
是保险产品的保险条款的文本向量
Figure 414204DEST_PATH_IMAGE012
的秩，
Figure 511473DEST_PATH_IMAGE013
是残差，n为设定值；通过关联度参数
Figure 219666DEST_PATH_IMAGE014
矩阵的值，结合语义相似度和结构相似度确定保险产品差异。
2.根据权利要求1所述的保险产品的推荐方法，其特征在于，所述风险分析预测模型的训练包括：
采集预设数量的投保人员的投保信息构建样本数据集，并对所述样本数据集中的所有投保信息进行特征提取，得到投保特征集；
根据预设的风险分类规则对所述投保特征集中的投保特征进行分类，获取不同的风险信息对应的一个或多个投保特征；
将各个所述风险信息及各个所述风险信息对应的投保特征输入至所述神经网络模型中进行训练，每隔预设周期对该模型进行准确率验证，当所述准确率大于预设阈值时，结束训练，得到所述风险分析预测模型。
3.根据权利要求1所述的保险产品的推荐方法，其特征在于，所述保险产品集中各个保险产品在同种出险情况下的理赔金额的计算方法包括：
获取所述保险产品集中各个保险产品对应的承保理赔数据，其中，所述承保理赔数据包括责任明细信息；
将所述责任明细信息与所述出险情况进行责任匹配，并根据匹配结果生成相应的理赔金额。
4.根据权利要求2所述的保险产品的推荐方法，其特征在于，所述神经网络模型为YOLO、Fast RCNN、Faster RCNN、SSD模型中的任意一种。
5.根据权利要求1所述的保险产品的推荐方法，其特征在于，所述家庭信息包括家庭成员的身份信息、家庭财务现状、家庭风险经济损失、年收入情况、年支出情况、资产情况、负债情况以及家族病史。
6.一种保险产品的推荐装置，其特征在于，所述装置包括：
获取模块：用于获取目标用户的投保信息，并根据所述投保信息确定所述目标用户可承担的保金数额，其中，所述投保信息包括家庭信息和已购买的历史保险产品；
预测模块：用于将所述投保信息输入至预先构建的风险分析预测模型中，得出所述目标用户存在的风险信息，其中，所述风险分析预测模型是采用预设的神经网络模型训练得到；
查找模块：用于根据所述风险信息确定保障内容，将所述保金数额和所述保障内容作为筛选条件，并根据所述筛选条件从预设的保险产品数据库中查找出满足该筛选条件的所有保险产品；
第一计算模块：用于计算每一所述保险产品的保险条款与所述历史保险产品的保险条款的相似度，将相似度小于预设阈值的保险产品组成保险产品集；
第二计算模块：用于计算所述保险产品集中各个保险产品在同种出险情况下的理赔金额，并将理赔金额最高的保险产品推送给目标用户；
所述保险产品的保险条款与所述历史保险产品的保险条款相似度的计算方法，包括：
利用自然语言处理技术分别将所述保险产品的保险条款和所述历史保险产品的保险条款进行分割，得到第一字段文本和第二字段文本以及文本向量X、Y；
分别计算出所述第一字段文本与所述第二字段文本的语义相似度和结构相似度；
根据所述语义相似度、所述结构相似度及预设的权重计算出所述第一字段文本和所述第二字段文本的文本相似度，并将所述文本相似度作为所述保险产品的保险条款与所述历史保险产品的保险条款的相似度；
所述第一字段文本和所述第二字段文本的文本相似度S的计算公式为：S=0.3A+0.4B+0.3
Figure 111399DEST_PATH_IMAGE015
，其中，A表示语义相似度，B表示结构相似度，0.3和0.4表示预设的权重值；
Figure 902113DEST_PATH_IMAGE016
Figure 803073DEST_PATH_IMAGE017
为关联度参数，即保险产品的保险条款的文本向量X与历史保险产品的保险条款的文本向量Y的关联度参数，求解如下：
Figure 100193DEST_PATH_IMAGE018
；
Figure 428406DEST_PATH_IMAGE019
为与历史保险产品的保险条款的文本向量前
Figure 443767DEST_PATH_IMAGE020
段的相关值，相关值与历史保险产品时间跨度、文本字体相似程度、文本字段数差值呈负相关；而关联度参数的误差为：
Figure 148417DEST_PATH_IMAGE021
，T表示转置运算，其中
Figure 565623DEST_PATH_IMAGE022
是历史保险产品的前k段保险条款的文本向量
Figure 64738DEST_PATH_IMAGE023
的方差，其值为：
Figure 567395DEST_PATH_IMAGE024
其中，
Figure 810157DEST_PATH_IMAGE025
是保险产品的保险条款的文本向量
Figure 81870DEST_PATH_IMAGE026
的秩，
Figure 751885DEST_PATH_IMAGE027
是残差，n为设定值；通过关联度参数
Figure 741838DEST_PATH_IMAGE028
矩阵的值，结合语义相似度和结构相似度确定保险产品差异。
7.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的保险产品的推荐方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的保险产品的推荐方法的步骤。
CN202110611833.1A 2021-06-02 2021-06-02 保险产品的推荐方法、装置、电子设备及存储介质 Active CN113256383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110611833.1A CN113256383B (zh) 2021-06-02 2021-06-02 保险产品的推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110611833.1A CN113256383B (zh) 2021-06-02 2021-06-02 保险产品的推荐方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113256383A CN113256383A (zh) 2021-08-13
CN113256383B true CN113256383B (zh) 2021-10-08

Family

ID=77185929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110611833.1A Active CN113256383B (zh) 2021-06-02 2021-06-02 保险产品的推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113256383B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820217A (zh) * 2022-05-19 2022-07-29 北京鲸鹳科技有限公司 投保方案确定方法、装置、设备及存储介质
CN115409630B (zh) * 2022-07-26 2024-05-28 青岛小贝信息技术有限公司 一种基于混合推荐算法的保险产品精准推荐方法
CN116894124B (zh) * 2023-07-25 2024-04-26 明亚保险经纪股份有限公司 一种保单生成方法、装置、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646101A (zh) * 2011-02-22 2012-08-22 阿里巴巴集团控股有限公司 一种推荐产品介绍信息的方法和装置
CN110020913A (zh) * 2019-02-20 2019-07-16 中国人民财产保险股份有限公司 产品推荐方法、设备及存储介质
CN110335157A (zh) * 2019-03-18 2019-10-15 中国人民财产保险股份有限公司 保险产品推荐方法、设备及存储介质
CN110348920A (zh) * 2018-04-02 2019-10-18 中移（杭州）信息技术有限公司 一种推荐产品的方法及装置
CN110399559A (zh) * 2019-07-26 2019-11-01 阳光保险集团股份有限公司 智能保险推荐系统和计算机存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468598B (zh) * 2014-08-18 2020-05-08 大连民族学院 好友推荐方法及装置
CN109300045A (zh) * 2018-10-25 2019-02-01 平安科技（深圳）有限公司 金融产品推荐方法、装置、计算机设备及存储介质
CN110782361A (zh) * 2019-10-30 2020-02-11 海腾保险代理有限公司 定制保险的推荐方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646101A (zh) * 2011-02-22 2012-08-22 阿里巴巴集团控股有限公司 一种推荐产品介绍信息的方法和装置
CN110348920A (zh) * 2018-04-02 2019-10-18 中移（杭州）信息技术有限公司 一种推荐产品的方法及装置
CN110020913A (zh) * 2019-02-20 2019-07-16 中国人民财产保险股份有限公司 产品推荐方法、设备及存储介质
CN110335157A (zh) * 2019-03-18 2019-10-15 中国人民财产保险股份有限公司 保险产品推荐方法、设备及存储介质
CN110399559A (zh) * 2019-07-26 2019-11-01 阳光保险集团股份有限公司 智能保险推荐系统和计算机存储介质

Also Published As

Publication number Publication date
CN113256383A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
US11562012B2 (en) System and method for providing technology assisted data review with optimizing features
CN113256383B (zh) 保险产品的推荐方法、装置、电子设备及存储介质
US20230334254A1 (en) Fact checking
CN109829629B (zh) 风险分析报告的生成方法、装置、计算机设备和存储介质
CN107851097B (zh) 数据分析系统、数据分析方法、数据分析程序及存储介质
CN111708949B (zh) 医疗资源的推荐方法及装置、电子设备、存储介质
US20090281975A1 (en) Recommending similar content identified with a neural network
US11562262B2 (en) Model variable candidate generation device and method
CN110362798B (zh) 裁决信息检索分析方法、装置、计算机设备和存储介质
CN111581193A (zh) 数据处理方法、设备、计算机系统及存储介质
CN111709225A (zh) 一种事件因果关系判别方法、装置和计算机可读存储介质
CN111767390A (zh) 技能词评估方法及装置、电子设备、计算机可读介质
CN111930944B (zh) 文件标签分类方法及装置
Aly et al. Machine Learning Algorithms and Auditor’s Assessments of the Risks Material Misstatement: Evidence from the Restatement of Listed London Companies
Ceolin et al. Semi-automated assessment of annotation trustworthiness
CN115098619A (zh) 资讯去重方法、装置、电子设备及计算机可读取存储介质
CN113571198A (zh) 转化率预测方法、装置、设备及存储介质
CN111400413B (zh) 一种确定知识库中知识点类目的方法及系统
KR101613397B1 (ko) 시계열 텍스트 데이터 및 시계열 수치 데이터의 연관 방법 및 그 장치
CN114254617A (zh) 一种修订条款的方法、装置、计算设备及存储介质
AU2019290658B2 (en) Systems and methods for identifying and linking events in structured proceedings
Qiu et al. Deep active learning with crowdsourcing data for privacy policy classification
US20230289531A1 (en) Deep Learning Systems and Methods to Disambiguate False Positives in Natural Language Processing Analytics
CN113342963B (zh) 一种基于迁移学习的服务推荐方法及系统
US20230290168A1 (en) Selecting files for intensive text extraction

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
GR01 Patent grant