CN113344723A - 用户保险认知演进路径预测方法、装置和计算机设备 - Google Patents
用户保险认知演进路径预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113344723A CN113344723A CN202110651866.9A CN202110651866A CN113344723A CN 113344723 A CN113344723 A CN 113344723A CN 202110651866 A CN202110651866 A CN 202110651866A CN 113344723 A CN113344723 A CN 113344723A
- Authority
- CN
- China
- Prior art keywords
- user
- insurance
- nodes
- concept
- determining
- 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.)
- Granted
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000019771 cognition Effects 0.000 claims abstract description 50
- 230000008450 motivation Effects 0.000 claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 51
- 230000008451 emotion Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006998 cognitive state Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明适用于人工智能技术领域,提供了一种用户保险认知演进路径预测方法、装置和计算机设备,其至少包括以下步骤:建立保险知识图谱;根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度;根据用户与服务人员的对话信息或/和用户在应用上的行为记录,确定用户的保险消费动机;基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径。本发明通过建立保险知识图谱,然后分析用户的保险认知度和保险消费动机来预测用户在该保险知识图谱中的认知演进路径,以此来实现根据用户自身的认知演进路径来传递相应的保险知识信息,避免了对于人的依赖性,适用范围非常大且扩展性高。
Description
技术领域
本发明属于人工智能技术领域,具体来说涉及根据用户的保险认知来推送对应保险知识信息的方法。
背景技术
随着人们生活水平的不断提高,越来越多的人意识到保险对于生活的重要性。然而保险领域相关知识非常复杂,大众对其认知水平参差不齐,且普遍较低,在进行保险产品消费时难以做出合理决策。另一方面,目前保险业服务人员的水平也参差不齐,在与用户对话时往往出现鸡同鸭讲,自说自话或是缺少内容,没话找话的情况。因此用户难以获取到自己想要的保险信息。
现有技术中,保险公司向用户传递保险知识或保险信息,往往是通过与用户的直接交互,例如问询等方式,来判断用户对一个一个的保险概念是否了解,没有在更高程度上形成对用户认知状态的描述,然后基于服务人员自身的判断与经验来进行解答。另外,还有使用千篇一律但缺乏针对性的内容或在有限范围内采用一一对应的匹配策略来进行下一步的引导。
针对上述现有的方法,一方面高度依赖于服务人员自身或服务人员团队基于过往服务通过人工方式总结而来的经验。这种经验往往相对主观,不易描述,在不同服务人员中难以复用,不易普及。另一方面,用户的情况千差万别,而每一个保险业务人员的经验有限,针对不同情况、不同类型用户,现有方法的适用性不高,扩展性较差。
因此,如何能够根据用户自身的保险认知状态来想起推送匹配的保险知识信息,提升保险信息传递的适用范围和可扩展性,是当前的一个技术难题。
发明内容
有鉴于此,本发明实施例提供了用户保险认知演进路径预测方法、装置和计算机设备,以解决现有技术中如何能够根据用户自身的保险认知状态来想起推送匹配的保险知识信息,以提升保险信息传递的适用范围和扩展性的问题。
本发明实施例的第一方面,提供了一种用户保险认知演进路径预测方法,其至少包括以下步骤:建立保险知识图谱;根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度;根据用户与服务人员的对话信息或/和用户在应用上的行为记录,确定用户的保险消费动机;基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径。
本发明实施例的第二方面,提供了一种用户保险认知演进路径预测装置,其包括:知识图谱模块,被配置为建立保险知识图谱;第一确认模块,被配置为根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度;第二确认模块,被配置为根据用户与服务人员的对话信息或/和用户在应用上的行为记录,确定用户的保险消费动机;预测模块,被配置为基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径。
本发明实施例的第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:通过建立保险知识图谱,然后分析用户的保险认知度和保险消费动机来预测用户在该保险知识图谱中的认知演进路径,以此来实现根据用户自身的认知演进路径来传递相应的保险知识信息,避免了对于人的依赖性,适用范围非常大且扩展性高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明在一实施例中提供的用户保险认知演进路径预测方法的实现流程;
图2是本发明实施例提供的用户保险认知演进路径预测装置的示意图;
图3是本发明实施例提供的计算机设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
技术术语解释:
保险认知演进路径预测,是指预测用户当前的保险认知程度,并向用户推送与之当前保险认知程度相匹配的保险知识信息。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
请参见图1,示出了本发明在一实施例中提供的用户保险认知演进路径预测方法的实现流程。
如图1所示,所述用户保险认知演进路径预测方法,至少包括以下步骤S01-S04:
步骤S01,建立保险知识图谱;
步骤S02,根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度;
步骤S03,根据用户与服务人员的对话信息或/和用户在应用上的行为记录,确定用户的保险消费动机;
步骤S04,基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径。
上述方法通过建立保险知识图谱,然后分析用户的保险认知度和保险消费动机来预测用户在该保险知识图谱中的认知演进路径,以此来为用户推荐准确的保险知识信息。
具体的,所述保险知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,支持对知识及它们之间相互联系的挖掘、分析、构建、绘制和显示。
在上述步骤S01中,所述保险知识图谱一般是由节点与边构成,节点之间可以通过边连接。示例性的,所述保险知识图谱中的节点可以包括以下三类:保险概念节点、用户属性节点与内容节点。针对前述节点,所述用户属性节点与保险概念节点间通过边连接,所述边上设有权重,该权重代表该属性对于这一节点所表示概念的影响的重要程度,边的建立与权重的设置可以通过自定义来完成;另外,所述内容节点与保险概念节点间通过边连接,与所述用户属性节点与保险概念节点间的边不同,所述内容节点与保险概念节点间的边上无权重,仅表示该内容与节点所表示概念具有相关性。
进一步的,所述保险知识图谱中,内容节点与保险概念节点之间是否存在边,可以通过一个自然语言处理模型来确定。示例性的,可以利用自然语言处理模型来确定内容节点与保险概念节点之间是否存在边,其实现流程可以包括下列步骤S111-S115:
步骤S111,基于保险知识图谱的保险概念词语,构建保险词典;
步骤S112,将保险词典导入词库,使用自然语言处理模型将内容中的每句话分割为由单个词语组成的序列;
步骤S113,统计所有词语在内容中出现的频率与位置;
步骤S114,在所有内容中统计词语出现的频率,根据词语在不同内容中的出现频率,为其在设置不同的权重;
步骤S115,对任一内容中的所有词语,按照加权后的词频由高到低排序,选择其中排名最靠前的指定数量的保险概念词语,建立该内容与这些保险概念节点间的边。这里通过选中由自然语言处理模型将内容中的每句话分割得到的词语对应于保险词典中的词,即保险感念词语。
其中,上述所提及的内容,是指可供用户浏览的内容,例如APP上供用户浏览的内容。
其中,上述步骤S113和S114中的频率是一致的,其作用是用于设置权重。应该理解,对于一个新的内容,在确定其对应的保险关键词时,不同位置(例如标题、首尾等)的词语频率会对最终统计的频率有不同的程度的贡献。
通过上述示例可以快速确定保险概念节点与内容之间的关联关系,以便于后续步骤中确定用户的保险认知程度。
进一步的,在上述步骤S02中,根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度,可以具体包括下列步骤S21-S22:
步骤S21,获取用户属性数据,根据所述保险知识图谱中用户属性节点与保险概念节点间边的权重,计算所述用户属性数据对应权重的加权和,并将计算结果确定为所述用户的保险概念认知程度系数;
步骤S22,获取用户在应用上产生的行为记录数据,根据所述保险知识图谱中内容节点与保险概念节点间边的关联,计算所述用户在应用上产生的行为记录数据与所述保险概念节点关联的所有内容的比值,并将所述比值确定为所述用户的保险概念认知程度分数;
步骤S23,利用所述保险概念认知程度系数对每一个保险概念节点的保险认知程度分数进行修正,得到用户在所述保险概念节点所对应的保险概念上的保险认知。
具体的,在上述步骤S21中,所述用户属性数据包括用户的个人属性信息和用户的家庭属性信息。示例性的,所述用户的个人属性信息可以包括但不限于用户的年龄、性别、职业、个人收入、学历、居住地、有无社保、是否曾被拒保、所患疾病、身体质量指数、烟酒生活习惯、购险预算中的一个或者多个信息。此外,所述用户的家庭属性信息可以包括但不限于用户的家庭收入、家庭结构(婚姻状况、子女个数、老人赡养情况)、家庭债务情况中的一个或者多个信息。
在一个示例一中,上述步骤S21,可以具体包括下列步骤:
步骤S211,获取用户属性数据,所述用户属性数据包括用户的个人属性数据或/和家庭属性数据;
步骤S212,利用预先在所述保险知识图谱中根据用户的个人属性数据和家庭属性数据建立的用户属性节点,确定所述保险知识图谱中的每一个保险概念节点关联的所述用户的个人属性数据或/和家庭属性数据对应的用户属性节点间的边和权重;
步骤S213,根据所述边和权重,计算各所述用户的个人属性数据或/和家庭属性数据对所述保险概念节点贡献的权重的加权和,并将计算得到加权和作为用户的保险概念认知程度系数。
上述示例一中,针对用户的个人属性信息和用户的家庭属性信息,在所述保险知识图谱中设计枚举项,该枚举项即所述保险知识图谱中的用户属性节点。根据保险知识图谱的概念可知,在保险知识图谱中用户属性节点和保险概念节点间存在不同权重的边。那么,对于每一个保险概念节点,该保险概念节点关联的用户的个人属性信息和用户的家庭属性信息,对该保险概念节点贡献的权重和,即为用户的保险认知程度系数。例如,假设一个保险概念节点A,在保险知识图谱中,与该保险概念节点A关联的用户属性节点有5个,这5个用户属性节点可以依次包括用户的年龄、性别、职业、家庭收入和家庭结构,其中可见,这些与保险概念节点A关联的用户属性节点中有3个是针对用户个人属性信息设计的用户属性节点,以及还有2个是针对用户的家庭属性信息设计的用户属性节点,根据这些用户属性节点分别与保险概念节点A之间的边的权重,即可以计算出该保险概念节点A所关联的用户属性节点的权重和,然后将该权重和作为用户的保险认知程度系数。
具体的,在上述步骤S22中,用户在应用上的行为记录,是指用户在使用应用软件时,应用软件记录下用户在应用上交互行为记录。其中,所述应用软件包括但不限于安装在移动手机、计算机等设备上的应用。示例性的,所述行为记录包括但不限于以下至少一种交互行为:用户在应用上接收到的内容、用户对内容的点击、用户浏览内容的时长以及用户对于内容的评论、点赞等。例如,用户点击内容并浏览,会被视为接受该内容,且浏览时间越长,反映对于该内容接受度越高;反之,用户接收到内容而未点击会对该内容接受度产生负向作用。
在一个示例二中,上述步骤S22,可以具体包括下列步骤:
步骤S221,获取用户在应用上的行为记录;
步骤S222,识别所述行为记录在保险知识图谱中关联的内容节点,根据所述保险知识图谱中与每一个保险概念节点关联的所有内容节点,确定所述行为记录对应的内容节点相对于所述行为记录对应的内容节点关联的所述保险概念节点所有关联内容节点的内容接受度;
步骤S223,根据内容节点的认知深度属性不同,计算所述行为记录对应的内容节点的内接受度为所述保险概念节点的认知程度贡献不同权重的得分,并确定计算得到的得分与所述保险概念节点有边相关联的所有认知节点的总分的比值为所述保险概念节点保险认知程度分数。
结合以上示例二来说,在保险知识图谱中,针对上述所列举的每一个行为记录(即用户在应用上的行为记录),即是保险知识图谱中的内容节点。那么,对于每一个保险概念节点,与该保险概念节点有关联的所有内容节点,根据上述方式得到该内容接受度,内容接受度根据内容节点的认知深度属性不同,可以为该保险概念节点的认知程度贡献不同权重的得分,这一分数与该保险概念节点有边相关联的所有认知节点的总分之比记为该保险概念节点保险认知程度分数。
其中,所谓的内容的接受度是根据用户在这个内容上的浏览时长、是否有评论等交互行为进行加权判定的程度量化表示。另外,内容节点之间是不存在关联,本实施例中所要判定的是内容所代表的保险概念节点上的认知程度。而且,每一个内容均有一个人为设定的认知深度属性,该认知深度属性的值高的对保险概念认知的提升高。
例如,根据保险知识图谱,利用用户属性节点和保险概念节点间的边和权重,可以由用户的个人和家庭属性计算出的保险概念认知系数m,以及,利用内容节点和保险概念节点间的关联,可以由用户的行为记录计算出的保险概念认知程度分数n,通过所述保险概念认知程度系数m对每一个保险概念节点的保险认知程度分数n进行修正,能够得到用户在所述保险概念节点所对应的保险概念上的保险认知y;相当于保险认知y与保险概念认知系数m和保险概念认知程度分数n的关系,可以表示为y=m+∑n。
具体的,上述步骤S03中,用户的保险消费动机可以包括用户兴趣点。在一个示例三中,当用户的保险消费动机包括用户兴趣点时,上述步骤S03中,根据用户与服务人员的对话信息,确定用户的保险消费动机,可以具体包括下列步骤S311-S312:
步骤S311,获取用户与服务人员的对话信息;
步骤S312,识别用户当前的所述对话信息中存在的保险词典的保险概念关键词,将所述保险概念关键词在保险知识图谱中对应的保险概念节点确定为用户兴趣点。
此外,在一个示例四中,当用户的保险消费动机包括用户兴趣点时,上述步骤S03中,根据用户在应用上的行为记录,确定用户的保险消费动机,可以具体包括下列步骤S321-S322:
S321,获取用户在应用上的行为记录;
S322,识别用户当前或最近一次的所述行为记录所关联的保险概念节点,将所述保险概念节点确定为用户兴趣点。
再具体的,上述步骤S03中,用户的保险消费动机还可以包括用户情绪。在一个示例五中,当用户的保险消费动机包括用户情绪时,上述步骤S03中,根据用户与服务人员的对话信息,确定用户的保险消费动机,可以具体包括步骤:
S331,获取用户与服务人员的对话信息;
S332,利用预先训练完成的自然语言处理模型,分别识别所述对话信息中用户在当前句的情绪标签和用户在前一句的情绪标签;
S333,根据所述用户在当前句的情绪标签和用户在前一句的情绪标签,确定用户情绪。
本示例五结合了用户在当前句和前一句的对话信息来综合判断用户的情绪,由于前一句的情绪将随距离当前句的距离远近产生不同程度的衰减,由此可以更加准确的确认用户的情绪。
此外,在一个示例六中,当用户的保险消费动机包括用户情绪时,上述步骤S03中,根据用户在应用上的行为记录,确定用户的保险消费动机,可以具体包括步骤:
S341,获取用户在应用上的行为记录;
S342,根据用户在应用上当前或最近一次浏览内容的情绪标签,确定用户情绪。
其中,在实际中,可以将示例五和六进行结合,即将根据用户在应用上的行为记录来确定用户情绪与根据用户与服务人员的对话信息来确定用户情绪的方法进行结合,通过用户在应用上当前或最近一次内容的浏览时间将对用户情绪进行修正。例如,以用户在应用上的行为记录为用户对内容浏览时长为例,如果过短的浏览时间对于特定的情绪标签无效,对于特定的情绪标签则意味着相反的情绪。
具体的,上述步骤S04中,可以具体包括下列步骤:
S41,根据用户的感兴趣点,确定用户在保险知识图谱中的多个保险概念节点;
S42,将用户对于所述多个保险概念节点的保险认知度按照由低到高的顺序进行排列,对所述排列的保险概念节点匹配与用户情绪一致的内容节点,得到用户的认知演进路径。
具体地,得到了用户当前的兴趣点描述为一组保险概念节点,在保险知识图谱中,便可以找到与这一组用户感兴趣的保险概念节点有边关联的保险概念节点;根据上述描述可知,在获得了用户在这些保险概念节点上的认知程度的描述,如果总是按照由低到高的顺序将其进行排列,对于认知程度相同的保险概念节点,那么总是可以通过与这些保险概念节点有边关联的距离用户感兴趣的保险概念节点更远的保险概念节点认知程度由低到高的顺序将其排列。其中,用户兴趣点是用户较近一段时间内的行为中出现频次最高的保险概念节点。另外,保险概念节点间没有直接的边关联,但是可以经由其他节点联通的,这里选择的有边关联是与经过内容节点的边的关联。
紧接着,在得到保险概念节点的顺序排列后,根据获得到用户当前的情绪优先匹配内容的情绪标签与之一致的内容节点,此即为用户的认知演进路径上的节点排列。
具体地,针对每一个内容设有一个情绪标签,用户当前情绪是由其最近的浏览或最近一段时间内的沟通得到的,在确定认知演进路线上的下一个保险概念节点后,与该保险概念有关的内容会有多个,其中情绪一致的会更加优先被匹配。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图2是本公开实施例提供的一种用户保险认知演进路径预测装置的示意图。如图2所示,该用户保险认知演进路径预测装置包括:知识图谱模块201,被配置为建立保险知识图谱;第一确认模块202,被配置为根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度;第二确认模块203,被配置为根据用户与服务人员的对话信息或/和用户在应用上的行为记录,确定用户的保险消费动机;预测模块204,被配置为基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径。
图3是本公开实施例提供的计算机设备3的示意图。如图3所示,该实施例的计算机设备3包括:处理器301、存储器302以及存储在该存储器302中并且可以在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者,处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序303可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器302中,并由处理器301执行,以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序303在计算机设备3中的执行过程。
计算机设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解,图3仅仅是计算机设备3的示例,并不构成对计算机设备3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,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器301可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器302可以是计算机设备3的内部存储单元,例如,计算机设备3的硬盘或内存。存储器302也可以是计算机设备3的外部存储设备,例如,计算机设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器302还可以既包括计算机设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元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,可以存储在一个计算机可读存储介质中。基于这样的理解,本公开实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (12)
1.一种用户保险认知演进路径预测方法,其特征在于,至少包括以下步骤:
建立保险知识图谱;
根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度;
根据用户与服务人员的对话信息或/和用户在应用上的行为记录,确定用户的保险消费动机;
基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径。
2.根据权利要求1所述的用户保险认知演进路径预测方法,其特征在于,所述保险知识图谱至少包括以下三类节点:保险概念节点、用户属性节点与内容节点;其中,所述用户属性节点与保险概念节点间通过代表不同权重的边连接,所述保险概念节点与内容节点间通过所述代表存在关联的边连接。
3.根据权利要求1所述的用户保险认知演进路径预测方法,其特征在于,所述根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度,还包括下列步骤:
获取用户属性数据,根据所述保险知识图谱中用户属性节点与保险概念节点间边的权重,计算所述用户属性数据对应权重的加权和,并将计算结果确定为所述用户的保险概念认知程度系数;
获取用户在应用上产生的行为记录数据,根据所述保险知识图谱中内容节点与保险概念节点间边的关联,计算所述用户在应用上产生的行为记录数据与所述保险概念节点关联的所有内容的比值,并将所述比值确定为所述用户的保险概念认知程度分数;
利用所述保险概念认知程度系数对每一个保险概念节点的保险认知程度分数进行修正,得到用户在所述保险概念节点所对应的保险概念上的保险认知。
4.根据权利要求3所述的用户保险认知演进路径预测方法,其特征在于,所述获取用户属性数据,根据所述保险知识图谱中用户属性节点与保险概念节点间边的权重,计算所述用户属性数据对应权重的加权和,并将计算结果确定为所述用户的保险概念认知程度系数,还包括下列步骤:
获取用户属性数据,所述用户属性数据包括用户的个人属性数据或/和家庭属性数据;
利用预先在所述保险知识图谱中根据用户的个人属性数据和家庭属性数据建立的用户属性节点,确定所述保险知识图谱中的每一个保险概念节点关联的所述用户的个人属性数据或/和家庭属性数据对应的用户属性节点间的边和权重;
根据所述边和权重,计算各所述用户的个人属性数据或/和家庭属性数据对所述保险概念节点贡献的权重的加权和,并将计算得到加权和作为用户的保险概念认知程度系数。
5.根据权利要求1所述的用户保险认知演进路径预测方法,其特征在于,所述获取用户在应用上产生的行为记录数据,根据所述保险知识图谱中内容节点与保险概念节点间边的关联,计算所述用户在应用上产生的行为记录数据与所述保险概念节点关联的所有内容的比值,并将所述比值确定为所述用户的保险概念认知程度分数,还包括下列步骤:
获取用户在应用上的行为记录;
识别所述行为记录在保险知识图谱中关联的内容节点,根据所述保险知识图谱中与每一个保险概念节点关联的所有内容节点,确定所述行为记录对应的内容节点相对于所述行为记录对应的内容节点关联的所述保险概念节点所有关联内容节点的接受度;
根据内容节点的认知深度属性不同,计算所述行为记录对应的内容节点的接受度为所述保险概念节点的认知程度贡献不同权重的得分,并确定计算得到的得分与所述保险概念节点有边相关联的所有认知节点的总分的比值为所述保险概念节点保险认知程度分数。
6.根据权利要求1所述的用户保险认知演进路径预测方法,其特征在于,所述保险消费动机包括用户兴趣点或/和用户情绪;
当所述保险消费动机包括用户兴趣点时,所述根据用户与服务人员的对话信息,确定用户的保险消费动机,还包括下列步骤:
获取用户与服务人员的对话信息;
识别用户当前的所述对话信息中存在的保险词典的保险概念关键词,将所述保险概念关键词在保险知识图谱中对应的保险概念节点确定为用户兴趣点。
7.根据权利要求6所述的用户保险认知演进路径预测方法,其特征在于,当所述保险消费动机包括用户兴趣点时,所述根据用户在应用上的行为记录,确定用户的保险消费动机,还包括下列步骤:
获取用户在应用上的行为记录;
识别用户当前或最近一次的所述行为记录所关联的保险概念节点,将所述保险概念节点确定为用户兴趣点。
8.根据权利要求6所述的用户保险认知演进路径预测方法,其特征在于,当用户的保险消费动机包括用户情绪时,所述根据用户与服务人员的对话信息,确定用户的保险消费动机,还包括下列步骤:
获取用户与服务人员的对话信息;
利用预先训练完成的自然语言处理模型,分别识别所述对话信息中用户在当前句的情绪标签和用户在前一句的情绪标签;
根据所述用户在当前句的情绪标签和用户在前一句的情绪标签,确定用户情绪。
9.根据权利要求6所述的用户保险认知演进路径预测方法,其特征在于,当用户的保险消费动机包括用户情绪时,所述根据用户在应用上的行为记录,确定用户的保险消费动机,还包括下列步骤:
获取用户在应用上的行为记录;
根据用户在应用上当前或最近一次浏览内容的情绪标签,确定用户情绪。
10.根据权利要求6所述的用户保险认知演进路径预测方法,其特征在于,基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径,还包括下列步骤:
根据用户的感兴趣点,确定用户在保险知识图谱中的多个保险概念节点;
将用户对于所述多个保险概念节点的保险认知度按照由低到高的顺序进行排列,对所述排列的保险概念节点匹配与用户情绪一致的内容节点,得到用户的认知演进路径。
11.一种用户保险认知演进路径预测装置,其特征在于,包括:
知识图谱模块,被配置为建立保险知识图谱;
第一确认模块,被配置为根据用户属性数据和用户在应用上的行为记录,确定用户的保险认知度;
第二确认模块,被配置为根据用户与服务人员的对话信息或/和用户在应用上的行为记录,确定用户的保险消费动机;
预测模块,被配置为基于所述保险认知和保险消费动机,预测得到用户在所述保险知识图谱中的认知演进路径。
12.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651866.9A CN113344723B (zh) | 2021-06-11 | 2021-06-11 | 用户保险认知演进路径预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651866.9A CN113344723B (zh) | 2021-06-11 | 2021-06-11 | 用户保险认知演进路径预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344723A true CN113344723A (zh) | 2021-09-03 |
CN113344723B CN113344723B (zh) | 2024-02-02 |
Family
ID=77476636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110651866.9A Active CN113344723B (zh) | 2021-06-11 | 2021-06-11 | 用户保险认知演进路径预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344723B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398514A (zh) * | 2021-12-24 | 2022-04-26 | 北京达佳互联信息技术有限公司 | 一种视频展示方法、装置及电子设备 |
CN116628628A (zh) * | 2023-04-17 | 2023-08-22 | 华北科技学院(中国煤矿安全技术培训中心) | 基于检索信息的用户信息素养分析方法、系统及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011000046A1 (en) * | 2009-07-01 | 2011-01-06 | Ozmota Inc. | Systems and methods for determining information and knowledge relevancy, relevant knowledge discovery and interactions, and knowledge creation |
US20160378851A1 (en) * | 2015-06-25 | 2016-12-29 | International Business Machines Corporation | Knowledge Canvassing Using a Knowledge Graph and a Question and Answer System |
CN107689008A (zh) * | 2017-06-09 | 2018-02-13 | 平安科技(深圳)有限公司 | 一种用户投保行为预测的方法及装置 |
CN110543572A (zh) * | 2019-08-26 | 2019-12-06 | 杭州奇迹在线科技有限公司 | 一种基于认知图谱的学习认知路径生成方法 |
CN110597961A (zh) * | 2019-09-18 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种文本类目标注方法、装置、电子设备及存储介质 |
CN110688488A (zh) * | 2018-06-20 | 2020-01-14 | 南京网感至察信息科技有限公司 | 一种通用的知识图谱云服务系统 |
WO2020077078A1 (en) * | 2018-10-10 | 2020-04-16 | Healthpointe Solutions, Inc. | Cognitive artificial-intelligence based population management |
CN112015792A (zh) * | 2019-12-11 | 2020-12-01 | 天津泰凡科技有限公司 | 一种物料重码分析方法、装置及计算机存储介质 |
CN112506945A (zh) * | 2020-12-03 | 2021-03-16 | 华中师范大学 | 基于知识图谱的自适应导学方法及系统 |
CN112699249A (zh) * | 2020-12-31 | 2021-04-23 | 上海浦东发展银行股份有限公司 | 基于知识图谱的信息处理方法、装置、设备及存储介质 |
-
2021
- 2021-06-11 CN CN202110651866.9A patent/CN113344723B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011000046A1 (en) * | 2009-07-01 | 2011-01-06 | Ozmota Inc. | Systems and methods for determining information and knowledge relevancy, relevant knowledge discovery and interactions, and knowledge creation |
US20160378851A1 (en) * | 2015-06-25 | 2016-12-29 | International Business Machines Corporation | Knowledge Canvassing Using a Knowledge Graph and a Question and Answer System |
CN107689008A (zh) * | 2017-06-09 | 2018-02-13 | 平安科技(深圳)有限公司 | 一种用户投保行为预测的方法及装置 |
CN110688488A (zh) * | 2018-06-20 | 2020-01-14 | 南京网感至察信息科技有限公司 | 一种通用的知识图谱云服务系统 |
WO2020077078A1 (en) * | 2018-10-10 | 2020-04-16 | Healthpointe Solutions, Inc. | Cognitive artificial-intelligence based population management |
CN110543572A (zh) * | 2019-08-26 | 2019-12-06 | 杭州奇迹在线科技有限公司 | 一种基于认知图谱的学习认知路径生成方法 |
CN110597961A (zh) * | 2019-09-18 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种文本类目标注方法、装置、电子设备及存储介质 |
CN112015792A (zh) * | 2019-12-11 | 2020-12-01 | 天津泰凡科技有限公司 | 一种物料重码分析方法、装置及计算机存储介质 |
CN112506945A (zh) * | 2020-12-03 | 2021-03-16 | 华中师范大学 | 基于知识图谱的自适应导学方法及系统 |
CN112699249A (zh) * | 2020-12-31 | 2021-04-23 | 上海浦东发展银行股份有限公司 | 基于知识图谱的信息处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张华平;吴林芳;张芯铭;商建云;李昌赫;: "领域知识图谱小样本构建与应用", 人工智能, no. 01, pages 114 - 125 * |
王军平;张文生;王勇飞;孙正雅;: "面向大数据领域的事理认知图谱构建与推断分析", 中国科学:信息科学, no. 07, pages 56 - 70 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398514A (zh) * | 2021-12-24 | 2022-04-26 | 北京达佳互联信息技术有限公司 | 一种视频展示方法、装置及电子设备 |
CN114398514B (zh) * | 2021-12-24 | 2022-11-22 | 北京达佳互联信息技术有限公司 | 一种视频展示方法、装置及电子设备 |
CN116628628A (zh) * | 2023-04-17 | 2023-08-22 | 华北科技学院(中国煤矿安全技术培训中心) | 基于检索信息的用户信息素养分析方法、系统及存储介质 |
CN116628628B (zh) * | 2023-04-17 | 2024-01-30 | 华北科技学院(中国煤矿安全技术培训中心) | 基于检索信息的用户信息素养分析方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113344723B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Colladon | The semantic brand score | |
US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
US11615341B2 (en) | Customizable machine learning models | |
Rodríguez-Ibánez et al. | A review on sentiment analysis from social media platforms | |
Todd et al. | Environments that make us smart: Ecological rationality | |
US8156138B2 (en) | System and method for providing targeted content | |
JP2020525897A (ja) | 意味グラフにおけるメタ関係の適応評価のためのコンピュータ実施方法、コンピュータ・システム、及びコンピュータ・プログラム | |
US9639846B2 (en) | System and method for providing targeted content | |
Li et al. | Dynamic mapping of design elements and affective responses: a machine learning based method for affective design | |
Khemlani et al. | Immediate inferences from quantified assertions | |
Heuer et al. | Machine learning in tutorials–Universal applicability, underinformed application, and other misconceptions | |
Chang et al. | Accelerating mixed methods research with natural language processing of big text data | |
US20220172260A1 (en) | Method, apparatus, storage medium, and device for generating user profile | |
CN111061979B (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
CN113344723B (zh) | 用户保险认知演进路径预测方法、装置和计算机设备 | |
CN111597437A (zh) | 一种基于兴趣点的消息推送方法、装置和电子设备 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
Lafit et al. | PowerLAPIM: An application to conduct power analysis for linear and quadratic longitudinal actor–partner interdependence models in intensive longitudinal dyadic designs | |
Saheb et al. | Topical review of artificial intelligence national policies: a mixed method analysis | |
CN113254761A (zh) | 特定行为信息智能预警系统及方法 | |
Chen et al. | Predicting Web Survey Breakoffs Using Machine Learning Models | |
Karyukin et al. | On the development of an information system for monitoring user opinion and its role for the public | |
CN116774819A (zh) | 数据分析方法及相关装置 | |
Melamed et al. | Assessing differences between nested and cross-classified hierarchical models | |
CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 |
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 |