CN113657495B - 基于概率预测模型的保险产品推荐方法、装置、设备 - Google Patents
基于概率预测模型的保险产品推荐方法、装置、设备 Download PDFInfo
- Publication number
- CN113657495B CN113657495B CN202110942919.2A CN202110942919A CN113657495B CN 113657495 B CN113657495 B CN 113657495B CN 202110942919 A CN202110942919 A CN 202110942919A CN 113657495 B CN113657495 B CN 113657495B
- Authority
- CN
- China
- Prior art keywords
- decision tree
- user
- prediction model
- initial decision
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003066 decision tree Methods 0.000 claims abstract description 199
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 73
- 238000012545 processing Methods 0.000 claims description 44
- 230000008901 benefit Effects 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于概率预测模型的保险产品推荐方法，包括：根据用户特征集构建基本决策树，对基本决策树进行决策树分裂，得到初始决策树，将训练数据集输入初始决策树，得到预测值集合，根据预测值集合计算初始决策树的目标函数值，当目标函数值大于或者等于目标阈值，对基本决策树进行决策树分裂，直至目标函数值小于目标阈值，输出初始决策树为概率预测模型，将待推荐信息输入概率预测模型，生成保险推荐结果。此外，本发明还涉及区块链技术，所述目标函数值可存储于区块链的节点。本发明还提出一种基于概率预测模型的保险产品推荐装置、电子设备以及计算机可读存储介质。本发明可以解决保险产品推荐的准确度较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于概率预测模型的保险产品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着国家经济的快速发展，相关政策的支持以及全民保险意识的进一步升级，国内保险需求的增长趋势十分明显，很多的车主，尤其是新车主，在购买车险时不知道应该选择哪些适合自己的险种，因此就需要对车主用户进行关于保险产品的推荐，而被推荐保险产品的准确性也会直接影响到最终的推荐效果。
现有的保险基于概率预测模型的保险产品推荐方法通常是通过人为设置进行基于概率预测模型的保险产品推荐，例如，在车险行业中，通常是根据车险经理通过对客户的购买保险记录等信息凭借从业经验更甚至于经理的自身偏好向客户推荐产品。这样的推荐方式对于客户的投资预期产生偏差的概率较大，客户体验差，基于概率预测模型的保险产品推荐的准确度较低。
发明内容
本发明提供一种基于概率预测模型的保险产品推荐方法、装置及计算机可读存储介质，其主要目的在于解决保险基于概率预测模型的保险产品推荐的准确度较低的问题。
为实现上述目的，本发明提供的一种基于概率预测模型的保险产品推荐方法，包括：
从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集；
根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合；
根据所述预测值集合计算所述初始决策树的目标函数值；
当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型；
获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
可选地，所述从预设的消息中间件中获取用户信息集，包括：
获取预设的消息中间件中的数据；
对所述数据进行离散化处理，得到离散信息集，将所述离散信息集中的离散信息作为用户信息集。
可选地，所述根据所述用户特征集构建基本决策树，包括：
任意选择所述用户特征集中的一个用户特征作为根节点，在所述根节点上分裂左节点和右节点；
将所述用户特征集分配至所述左节点和所述右节点，得到基本决策树。
可选地，所述利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树，包括：
计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，得到所述用户特征集对应的分裂收益集合；
选择所述分裂收益集合中最大的分裂收益所对应的用户特征作为切分点进行切分，得到切分点对应的子节点；
将用户信息集分配至所述子节点，并重复执行计算分裂收益和切分处理，直至所述用户信息集分配完毕，得到初始决策树。
可选地，所述计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，包括：
利用如下预设的分裂收益计算函数计算所述用户特征集中的用户特征与所述根节点之间的分裂收益：
其中，Gain为所述分裂收益，λ和γ为固定参数，GL为所述左节点所包含数据的一阶偏导数累加之和，HL为所述左节点所包含数据的二阶偏导数累加之和，GR为所述右节点所包含数据的一阶偏导数累加之和，HR为所述右节点所包含数据的二阶偏导数累加之和。
可选地，所述提取所述用户信息集中的用户特征集和用户标签集，包括：
获取特征参考表，从所述用户信息中筛选出与所述特征参考表对应的信息作为用户特征集；
识别所述用户信息集中的标签标识作为用户标签集。
可选地，所述根据所述预测值集合计算所述初始决策树的目标函数值，包括：
根据下述预设的目标函数计算所述初始决策树的目标函数值：
其中，objectt为在所述初始决策树的目标函数值，t为所述分裂次数，
为预设的真实值集合和所述预测值集合之间的误差值，yi为所述真实值集合，/>
为所述预测值集合，Ω(fi)为惩罚项函数，wj为所述初始决策树中叶子结点的权重，M为所述初始决策树的叶子结点数，γ、T和λ为固定参数，i是指所述初始决策树中第i个非叶子节点，n是指所述初始决策树中非叶子结点的个数，j是指所述初始决策树中第j个叶子结点。
为了解决上述问题，本发明还提供一种基于概率预测模型的保险产品推荐装置，所述装置包括：
数据处理模块，用于从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集；
决策树分裂模块，用于根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
模型训练模块，用于将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合，根据所述预测值集合计算所述初始决策树的目标函数值，当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型；
结果生成模块，用于获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于概率预测模型的保险产品推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于概率预测模型的保险产品推荐方法。
本发明实施例中，通过从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集，利用所述用户特征集构建基本决策树，对所述基本决策树进行决策树分裂处理，得到初始决策树，通过进行决策树分裂处理并计算初始决策树的目标函数值，利用目标函数值去判断所述初始决策树是否还需要继续进行分裂处理，从而使得最后输出的概率预测模型能够有较高的概率计算能力，得到的概率预测模型能够更好的判断推荐何种保险产品，进一步地，将所述待推荐信息直接输入至所述概率预测模型中，得到所述待推荐信息对应的准确的概率值，根据准确的概率值能生成准确的基于概率预测模型的保险产品推荐结果。因此本发明提出的基于概率预测模型的保险产品推荐方法、装置、电子设备及计算机可读存储介质，可以解决保险产品推荐的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于概率预测模型的保险产品推荐方法的流程示意图；
图2为本发明一实施例提供的基于概率预测模型的保险产品推荐装置的功能模块图；
图3为本发明一实施例提供的实现所述基于概率预测模型的保险产品推荐方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于概率预测模型的保险产品推荐方法。所述基于概率预测模型的保险产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于概率预测模型的保险产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于概率预测模型的保险产品推荐方法的流程示意图。在本实施例中，所述基于概率预测模型的保险产品推荐方法包括：
S1、从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集。
本发明实施例中，所述用户信息集包括关于车险商业险的已下单用户的相关信息，例如客户年龄、客户类型、客户所属地区、是否转介绍、是否A平台客户、A平台是否关注公众号、是否一人多车、是否下载好车主软件、近一个月好车主活跃天数等。
具体地，所述从预设的消息中间件中获取用户信息集，包括：
获取预设的消息中间件中的数据；
对所述数据进行离散化处理，得到离散信息集，将所述离散信息集中的离散信息作为用户信息集。
详细地，所述消息中间件是指Kafka消息中间件，所述Kafka消息中间件是一种高吞吐量的分布式消息系统。对消息中间件中的数据进行离散化处理是将具有连续性质的数据转化为具有离散性质的数据。
进一步地，所述提取所述用户信息集中的用户特征集和用户标签集，包括：
获取特征参考表，从所述用户信息中筛选出与所述特征参考表对应的信息作为用户特征集；
识别所述用户信息集中的标签标识作为用户标签集。
详细地，所述特征参考表中包含多个用于参考的特征类型，由于所述用户信息中包含各个方面的信息数据，为了避免数据冗余，需要提取所述用户信息集中的用户特征集。所述用户标签集是指所有下单用户选择的商业险类别，用户所选择的商业险类别都会生成对应的标签标识，其中，所述商业险类别包括基本险和附加险，基本险包括车损险、盗抢险、第三者责任险以及车上人员责任险等四项，附加险包括玻璃单独破碎险、自燃险、车身划痕险、发动机涉水损失险、修理期间费用补偿险、车上货物责任险、精神损害抚慰金责任险、不计免赔率险、机动车损失保险无法找到第三方特约险、指定修理厂险等。
S2、根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树。
本发明实施例中，决策树是一种树形结构，其中，决策树上的每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
具体地，所述根据所述用户特征集构建基本决策树，包括：
任意选择所述用户特征集中的一个用户特征作为根节点，在所述根节点上分裂左节点和右节点；
将所述用户特征集分配至所述左节点和所述右节点，得到基本决策树。
例如，选择所述用户特征集中“是否A平台客户”这一用户特征作为根节点，并在所述根节点上分裂出“是A平台用户”为左节点，“不是A平台用户”为右节点，并将所述用户特征集中的数据分配到左节点和右节点上，得到基本决策树。
其中，所述基本决策树是一个最简单的决策树，是后续决策树进行分裂的基础。
进一步地，所述利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树，包括：
计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，得到所述用户特征集对应的分裂收益集合；
选择所述分裂收益集合中最大的分裂收益所对应的用户特征作为切分点进行切分，得到切分点对应的子节点；
将用户信息集分配至所述子节点，并重复执行计算分裂收益和切分处理，直至所述用户信息集分配完毕，得到初始决策树。
具体地，所述计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，包括：
利用如下预设的分裂收益计算函数计算所述用户特征集中的用户特征与所述根节点之间的分裂收益：
其中，Gain为所述分裂收益，λ和γ为固定参数，GL为所述左节点所包含数据的一阶偏导数累加之和，HL为所述左节点所包含数据的二阶偏导数累加之和，GR为所述右节点所包含数据的一阶偏导数累加之和，HR为所述右节点所包含数据的二阶偏导数累加之和。
S3、将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合。
本发明实施例中，将所述用户特征集和所述用户标签集进行汇总处理，得到训练数据集，将所述训练数据集输入至所述初始决策树中，所述训练数据集会落到所述初始决策树上，其中，所述初始决策树上的叶子对应不同的分值，将所述初始决策树上的分值进行汇总，得到预测值集合。
S4、根据所述预测值集合计算所述初始决策树的目标函数值。
本发明实施例中，所述根据所述预测值集合计算所述初始决策树的目标函数值，包括：
根据下述预设的目标函数计算所述初始决策树的目标函数值：
其中，objectt为在所述初始决策树的目标函数值，t为所述分裂次数，
为预设的真实值集合和所述预测值集合之间的误差值，yi为所述真实值集合，/>
为所述预测值集合，Ω(fi)为惩罚项函数，wj为所述初始决策树中叶子结点的权重，M为所述初始决策树的叶子结点数，γ、T和λ为固定参数，i是指所述初始决策树中第i个非叶子节点，n是指所述初始决策树中非叶子结点的个数，j是指所述初始决策树中第j个叶子结点。
详细地，所述目标函数公式中的惩罚项函数可以衡量所述初始决策树添加处理过程中的优异性，因此，得到的初始决策树进行匹配时准确性更好。
S5、当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型。
本发明实施例中，当所述目标函数值大于或者等于预设的目标阈值时，此时的基本决策树不够精准，因为所述目标函数中包括计算真实值集合和预测值集合之间的误差值部分，所述目标函数值较大则说明误差值较大，需要再次执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型。
S6、获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
本发明实施例中，所述待推荐信息为用户相关信息，将所述待推荐信息输入至所述概率预测模型中，可以得到所述待推荐信息对应的概率值，根据所述概率值所属的范围去判断推荐何种产品给用户并生成基于概率预测模型的保险产品推荐结果。
本发明实施例中，通过从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集，利用所述用户特征集构建基本决策树，对所述基本决策树进行决策树分裂处理，得到初始决策树，通过进行决策树分裂处理并计算初始决策树的目标函数值，利用目标函数值去判断所述初始决策树是否还需要继续进行分裂处理，从而使得最后输出的概率预测模型能够有较高的概率计算能力，得到的概率预测模型能够更好的判断推荐何种保险产品，进一步地，将所述待推荐信息直接输入至所述概率预测模型中，得到所述待推荐信息对应的准确的概率值，根据准确的概率值能生成准确的基于概率预测模型的保险产品推荐结果。因此本发明提出的基于概率预测模型的保险产品推荐方法可以解决保险产品推荐的准确度较低的问题。
如图2所示，是本发明一实施例提供的基于概率预测模型的保险产品推荐装置的功能模块图。
本发明所述基于概率预测模型的保险产品推荐装置100可以安装于电子设备中。根据实现的功能，所述基于概率预测模型的保险产品推荐装置100可以包括数据处理模块101、决策树分裂模块102、模型训练模块103及结果生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据处理模块101，用于从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集；
所述决策树分裂模块102，用于根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
所述模型训练模块103，用于将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合，根据所述预测值集合计算所述初始决策树的目标函数值，当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型；
所述结果生成模块104，用于获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
详细地，所述基于概率预测模型的保险产品推荐装置100各模块的具体实施方式如下：
步骤一、从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集。
本发明实施例中，所述用户信息集包括关于车险商业险的已下单用户的相关信息，例如客户年龄、客户类型、客户所属地区、是否转介绍、是否A平台客户、A平台是否关注公众号、是否一人多车、是否下载好车主软件、近一个月好车主活跃天数等。
具体地，所述从预设的消息中间件中获取用户信息集，包括：
获取预设的消息中间件中的数据；
对所述数据进行离散化处理，得到离散信息集，将所述离散信息集中的离散信息作为用户信息集。
详细地，所述消息中间件是指Kafka消息中间件，所述Kafka消息中间件是一种高吞吐量的分布式消息系统。对消息中间件中的数据进行离散化处理是将具有连续性质的数据转化为具有离散性质的数据。
进一步地，所述提取所述用户信息集中的用户特征集和用户标签集，包括：
获取特征参考表，从所述用户信息中筛选出与所述特征参考表对应的信息作为用户特征集；
识别所述用户信息集中的标签标识作为用户标签集。
详细地，所述特征参考表中包含多个用于参考的特征类型，由于所述用户信息中包含各个方面的信息数据，为了避免数据冗余，需要提取所述用户信息集中的用户特征集。所述用户标签集是指所有下单用户选择的商业险类别，用户所选择的商业险类别都会生成对应的标签标识，其中，所述商业险类别包括基本险和附加险，基本险包括车损险、盗抢险、第三者责任险以及车上人员责任险等四项，附加险包括玻璃单独破碎险、自燃险、车身划痕险、发动机涉水损失险、修理期间费用补偿险、车上货物责任险、精神损害抚慰金责任险、不计免赔率险、机动车损失保险无法找到第三方特约险、指定修理厂险等。
步骤二、根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树。
本发明实施例中，决策树是一种树形结构，其中，决策树上的每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。
具体地，所述根据所述用户特征集构建基本决策树，包括：
任意选择所述用户特征集中的一个用户特征作为根节点，在所述根节点上分裂左节点和右节点；
将所述用户特征集分配至所述左节点和所述右节点，得到基本决策树。
例如，选择所述用户特征集中“是否A平台客户”这一用户特征作为根节点，并在所述根节点上分裂出“是A平台用户”为左节点，“不是A平台用户”为右节点，并将所述用户特征集中的数据分配到左节点和右节点上，得到基本决策树。
其中，所述基本决策树是一个最简单的决策树，是后续决策树进行分裂的基础。
进一步地，所述利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树，包括：
计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，得到所述用户特征集对应的分裂收益集合；
选择所述分裂收益集合中最大的分裂收益所对应的用户特征作为切分点进行切分，得到切分点对应的子节点；
将用户信息集分配至所述子节点，并重复执行计算分裂收益和切分处理，直至所述用户信息集分配完毕，得到初始决策树。
具体地，所述计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，包括：
利用如下预设的分裂收益计算函数计算所述用户特征集中的用户特征与所述根节点之间的分裂收益：
其中，Gain为所述分裂收益，λ和γ为固定参数，GL为所述左节点所包含数据的一阶偏导数累加之和，HL为所述左节点所包含数据的二阶偏导数累加之和，GR为所述右节点所包含数据的一阶偏导数累加之和，HR为所述右节点所包含数据的二阶偏导数累加之和。
步骤三、将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合。
本发明实施例中，将所述用户特征集和所述用户标签集进行汇总处理，得到训练数据集，将所述训练数据集输入至所述初始决策树中，所述训练数据集会落到所述初始决策树上，其中，所述初始决策树上的叶子对应不同的分值，将所述初始决策树上的分值进行汇总，得到预测值集合。
步骤四、根据所述预测值集合计算所述初始决策树的目标函数值。
本发明实施例中，所述根据所述预测值集合计算所述初始决策树的目标函数值，包括：
根据下述预设的目标函数计算所述初始决策树的目标函数值：
其中，objectt为在所述初始决策树的目标函数值，t为所述分裂次数，
为预设的真实值集合和所述预测值集合之间的误差值，yi为所述真实值集合，/>
为所述预测值集合，Ω(fi)为惩罚项函数，wj为所述初始决策树中叶子结点的权重，M为所述初始决策树的叶子结点数，γ、T和λ为固定参数，i是指所述初始决策树中第i个非叶子节点，n是指所述初始决策树中非叶子结点的个数，j是指所述初始决策树中第j个叶子结点。
详细地，所述目标函数公式中的惩罚项函数可以衡量所述初始决策树添加处理过程中的优异性，因此，得到的初始决策树进行匹配时准确性更好。
步骤五、当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型。
本发明实施例中，当所述目标函数值大于或者等于预设的目标阈值时，此时的基本决策树不够精准，因为所述目标函数中包括计算真实值集合和预测值集合之间的误差值部分，所述目标函数值较大则说明误差值较大，需要再次执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型。
步骤六、获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
本发明实施例中，所述待推荐信息为用户相关信息，将所述待推荐信息输入至所述概率预测模型中，可以得到所述待推荐信息对应的概率值，根据所述概率值所属的范围去判断推荐何种产品给用户并生成基于概率预测模型的保险产品推荐结果。
本发明实施例中，通过从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集，利用所述用户特征集构建基本决策树，对所述基本决策树进行决策树分裂处理，得到初始决策树，通过进行决策树分裂处理并计算初始决策树的目标函数值，利用目标函数值去判断所述初始决策树是否还需要继续进行分裂处理，从而使得最后输出的概率预测模型能够有较高的概率计算能力，得到的概率预测模型能够更好的判断推荐何种保险产品，进一步地，将所述待推荐信息直接输入至所述概率预测模型中，得到所述待推荐信息对应的准确的概率值，根据准确的概率值能生成准确的基于概率预测模型的保险产品推荐结果。因此本发明提出的基于概率预测模型的保险产品推荐装置可以解决保险产品推荐的准确度较低的问题。
如图3所示，是本发明一实施例提供的实现基于概率预测模型的保险产品推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于概率预测模型的保险产品推荐程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于概率预测模型的保险产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于概率预测模型的保险产品推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于概率预测模型的保险产品推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：
从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集；
根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合；
根据所述预测值集合计算所述初始决策树的目标函数值；
当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型；
获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述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(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集；
根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合；
根据所述预测值集合计算所述初始决策树的目标函数值；
当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型；
获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于概率预测模型的保险产品推荐方法，其特征在于，所述方法包括：
从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集；
根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合；
根据所述预测值集合计算所述初始决策树的目标函数值；
当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型；
获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果；
其中，所述根据所述预测值集合计算所述初始决策树的目标函数值，包括：根据下述预设的目标函数计算所述初始决策树的目标函数值：
其中，objectt为在所述初始决策树的目标函数值，t为分裂次数，
为预设的真实值集合和所述预测值集合之间的误差值，yi为所述真实值集合，/>
为所述预测值集合，Ω(fi)为惩罚项函数，wj为所述初始决策树中叶子结点的权重，M为所述初始决策树的叶子结点数，γ、T和λ为固定参数，i是指所述初始决策树中第i个非叶子节点，n是指所述初始决策树中非叶子结点的个数，j是指所述初始决策树中第j个叶子结点。
2.如权利要求1所述的基于概率预测模型的保险产品推荐方法，其特征在于，所述从预设的消息中间件中获取用户信息集，包括：
获取预设的消息中间件中的数据；
对所述数据进行离散化处理，得到离散信息集，将所述离散信息集中的离散信息作为用户信息集。
3.如权利要求1所述的基于概率预测模型的保险产品推荐方法，其特征在于，所述根据所述用户特征集构建基本决策树，包括：
任意选择所述用户特征集中的一个用户特征作为根节点，在所述根节点上分裂左节点和右节点；
将所述用户特征集分配至所述左节点和所述右节点，得到基本决策树。
4.如权利要求3所述的基于概率预测模型的保险产品推荐方法，其特征在于，所述利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树，包括：
计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，得到所述用户特征集对应的分裂收益集合；
选择所述分裂收益集合中最大的分裂收益所对应的用户特征作为切分点进行切分，得到切分点对应的子节点；
将用户信息集分配至所述子节点，并重复执行计算分裂收益和切分处理，直至所述用户信息集分配完毕，得到初始决策树。
5.如权利要求4所述的基于概率预测模型的保险产品推荐方法，其特征在于，所述计算所述用户特征集中的用户特征与所述根节点之间的分裂收益，包括：
利用如下预设的分裂收益计算函数计算所述用户特征集中的用户特征与所述根节点之间的分裂收益：
其中，Gain为所述分裂收益，λ和γ为固定参数，GL为所述左节点所包含数据的一阶偏导数累加之和，HL为所述左节点所包含数据的二阶偏导数累加之和，GR为所述右节点所包含数据的一阶偏导数累加之和，HR为所述右节点所包含数据的二阶偏导数累加之和。
6.如权利要求1所述的基于概率预测模型的保险产品推荐方法，其特征在于，所述提取所述用户信息集中的用户特征集和用户标签集，包括：
获取特征参考表，从所述用户信息中筛选出与所述特征参考表对应的信息作为用户特征集；
识别所述用户信息集中的标签标识作为用户标签集。
7.一种基于概率预测模型的保险产品推荐装置，用于实现如权利要求1至6中任意一项所述的基于概率预测模型的保险产品推荐方法，其特征在于，所述装置包括：
数据处理模块，用于从预设的消息中间件中获取用户信息集，并提取所述用户信息集中的用户特征集和用户标签集；
决策树分裂模块，用于根据所述用户特征集构建基本决策树，并利用贪心算法对所述基本决策树进行决策树分裂处理，得到初始决策树；
模型训练模块，用于将所述用户特征集和所述用户标签集汇总为训练数据集，将所述训练数据集输入至所述初始决策树，得到预测值集合，根据所述预测值集合计算所述初始决策树的目标函数值，当所述目标函数值大于或者等于预设的目标阈值时，执行对所述基本决策树进行决策树分裂处理的操作，直至所述目标函数值小于所述目标阈值时，输出当前的初始决策树为概率预测模型；
结果生成模块，用于获取待推荐信息，将所述待推荐信息输入至所述概率预测模型中，得到所述待推荐信息对应的概率值，根据所述概率值生成保险推荐结果。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于概率预测模型的保险产品推荐方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于概率预测模型的保险产品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942919.2A CN113657495B (zh) | 2021-08-17 | 2021-08-17 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110942919.2A CN113657495B (zh) | 2021-08-17 | 2021-08-17 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657495A CN113657495A (zh) | 2021-11-16 |
| CN113657495B true CN113657495B (zh) | 2023-06-30 |
Family
ID=78480035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110942919.2A Active CN113657495B (zh) | 2021-08-17 | 2021-08-17 | 基于概率预测模型的保险产品推荐方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657495B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114331595B (zh) * | 2021-12-15 | 2024-06-11 | 平安科技（深圳）有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
| CN114399000A (zh) * | 2022-01-20 | 2022-04-26 | 中国平安人寿保险股份有限公司 | 树模型的对象可解释性特征提取方法、装置、设备及介质 |
| CN114612194A (zh) * | 2022-03-23 | 2022-06-10 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
| CN115906637B (zh) * | 2022-11-23 | 2023-07-18 | 富华智能(深圳)有限公司 | 户外光电设备调控选取方法、装置、设备 |
| CN115828650B (zh) * | 2023-02-24 | 2023-04-25 | 广东仁懋电子有限公司 | 一种用于实现氮化镓的电路高频封装方法及系统 |
| CN116151890B (zh) * | 2023-04-14 | 2023-07-14 | 平安科技（深圳）有限公司 | 基于博弈算法的多险种保险集合推荐控制方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242631A (zh) * | 2018-09-17 | 2019-01-18 | 平安科技（深圳）有限公司 | 产品智能推荐方法、服务器及存储介质 |
| CN110377828A (zh) * | 2019-07-22 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、服务器及存储介质 |
| CN112559900A (zh) * | 2021-02-26 | 2021-03-26 | 深圳索信达数据技术有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
| WO2021063171A1 (zh) * | 2019-09-30 | 2021-04-08 | 腾讯科技（深圳）有限公司 | 决策树模型的训练方法、系统、存储介质及预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9183497B2 (en) * | 2012-02-23 | 2015-11-10 | Palo Alto Research Center Incorporated | Performance-efficient system for predicting user activities based on time-related features |
-
2021
- 2021-08-17 CN CN202110942919.2A patent/CN113657495B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242631A (zh) * | 2018-09-17 | 2019-01-18 | 平安科技（深圳）有限公司 | 产品智能推荐方法、服务器及存储介质 |
| CN110377828A (zh) * | 2019-07-22 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、服务器及存储介质 |
| WO2021063171A1 (zh) * | 2019-09-30 | 2021-04-08 | 腾讯科技（深圳）有限公司 | 决策树模型的训练方法、系统、存储介质及预测方法 |
| CN112559900A (zh) * | 2021-02-26 | 2021-03-26 | 深圳索信达数据技术有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657495A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657495B (zh) | 基于概率预测模型的保险产品推荐方法、装置、设备 | |
| CN111814962B (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
| CN113887941B (zh) | 业务流程生成方法、装置、电子设备及介质 | |
| CN111652279A (zh) | 基于时序数据的行为评价方法、装置及可读存储介质 | |
| CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
| CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
| CN116564322A (zh) | 语音转换方法、装置、设备及存储介质 | |
| CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
| CN113420847B (zh) | 基于人工智能的目标对象匹配方法及相关设备 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
| CN112966013B (zh) | 知识展示方法、装置、设备及可读存储介质 | |
| CN111652742B (zh) | 用户数据处理方法、装置、电子设备及可读存储介质 | |
| CN112685536B (zh) | 文本对话方法、装置、电子设备及存储介质 | |
| CN114186860A (zh) | 基于组件化平台的业务下放方法、装置、设备及介质 | |
| CN117371033A (zh) | 数据脱敏方法、装置、设备及存储介质 |
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 |