CN113742492A - 保险方案生成方法、装置、电子设备及存储介质 - Google Patents
保险方案生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113742492A CN113742492A CN202110924523.5A CN202110924523A CN113742492A CN 113742492 A CN113742492 A CN 113742492A CN 202110924523 A CN202110924523 A CN 202110924523A CN 113742492 A CN113742492 A CN 113742492A
- Authority
- CN
- China
- Prior art keywords
- insurance
- target
- scheme
- information
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 19
- 230000036541 health Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 241000894007 species Species 0.000 description 34
- 230000008569 process Effects 0.000 description 27
- 239000003795 chemical substances by application Substances 0.000 description 16
- 238000007726 management method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 12
- 238000013145 classification model Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 208000028399 Critical Illness Diseases 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000008450 motivation Effects 0.000 description 4
- 230000000474 nursing effect Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 241001178520 Stomatepia mongo Species 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009295 sperm incapacitation Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例提供了一种保险方案生成方法、装置、电子设备及存储介质,属于互联网技术领域。所述方法包括:获取用户的投保请求,所述投保请求至少包括:所述用户的个人信息以及需求信息;根据所述投保请求,从保险方案基础库中筛选得到初拟保险方案,所述初拟保险方案至少包括:目标险种;从保险知识图谱中提取所述目标险种关联的目标信息,所述目标信息包括目标保险产品,所述保险知识图谱以目标实体以及实体间关系构建,所述目标实体至少包括:险种实体以及保险产品实体;采用所述目标保险产品,生成目标保险方案。本发明提高了保险方案的生成效率。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种保险方案生成方法、装置、电子设备及存储介质。
背景技术
目前保险产品方案大部分由保险代理人根据用户需求以及自身经验,从保险产品库中进行挑选并定制具体保险方案。然而,这种人工挑选产品并制定保险方案的方式,受限于保险代理人的个人经验和能力,且耗时较多,保险方案的生成效率较差。
发明内容
本发明实施例的目的在于提供一种保险方案生成方法、装置、电子设备及存储介质,以在一定程度上提高保险方案的生成效率。具体技术方案如下:
在本发明实施的第一方面,首先提供了一种保险方案生成方法,所述方法包括:
获取用户的投保请求,所述投保请求至少包括:所述用户的个人信息以及需求信息;
根据所述投保请求,从保险方案基础库中筛选得到初拟保险方案,所述初拟保险方案至少包括:目标险种;
从保险知识图谱中提取所述目标险种关联的目标信息,所述目标信息包括目标保险产品,所述保险知识图谱以目标实体以及实体间关系构建,所述目标实体至少包括:险种实体以及保险产品实体;
采用所述目标保险产品,生成目标保险方案。
可选的,所述目标实体还包括:保险产品的相关信息实体;所述目标信息还包括:所述目标保险产品对应的相关信息;在所述采用所述目标保险产品,生成目标保险方案之前,所述方法还包括:
将所述个人信息输入用户分析模型,得到所述用户的投保倾向信息,所述投保倾向信息至少用于反映所述用户购买保险的意向以及消费习惯;
根据所述投保倾向信息与所述相关信息的匹配程度,对所述目标保险产品进行筛选,得到筛选处理后的目标保险产品。
可选的,所述目标保险方案的数量为多个,所述方法还包括:
针对任一所述目标保险方案,将所述投保倾向信息以及所述目标保险方案输入方案评分模型,得到所述目标保险方案对应的评分,其中,所述评分用于反映所述目标保险方案与所述用户的匹配程度;
根据所述评分对各所述目标保险方案进行筛选,得到展示保险方案。
可选的,所述方案评分模型包括:监督学习模型以及经验规则模型;所述将所述投保倾向信息以及所述目标保险方案输入方案评分模型,得到所述目标保险方案对应的评分,包括:
将所述投保倾向信息以及所述目标保险方案分别输入所述监督学习模型以及所述经验规则模型,得到所述监督学习模型对应的第一评分以及所述经验规则模型对应的第二评分;
对所述第一评分和所述第二评分进行加权求和,计算得到所述目标保险方案对应的评分,其中,所述监督学习模型是采用多个样本数据训练得到,所述样本数据包括多个用户的投保倾向信息、对应的保险方案以及对应的用户实际评分;所述经验规则模型是根据不同的投保倾向信息与不同的投保方案对应时的经验评分得到。
可选的,所述目标实体还包括:保险产品的核保规则实体;所述目标信息还包括:所述目标保险产品对应的核保规则;所述目标险种的投保比例范围和/或所述目标险种的保额范围;
所述采用所述目标保险产品,生成目标保险方案,包括:
根据所述目标保险产品的核保规则、所述目标险种的投保比例范围和/或所述目标险种的保额范围,确定所述目标保险产品的承保信息,所述承保信息包括以下一项或多项:保险金额、保险费用、付款方式;
生成包括所述承保信息的目标保险方案。
可选的,所述目标实体还包括:与保险相关的公知知识实体以及保险产品的相关信息实体;所述公知知识实体包括以下一项或多项:理财知识实体、健康知识实体、保险领域知识实体、风险知识实体;所述相关信息实体包括以下一项或多项:保险产品的运营规则实体、保险产品的精算规则实体、保险产品的核保规则实体、保险产品的理赔规则实体。
可选的,所述根据所述投保请求,从保险方案基础库中筛选得到初拟保险方案,包括:
将所述需求信息、所述保险方案基础库以及用户的投保倾向信息输入方案匹配模型,得到所述初拟保险方案,所述投保倾向信息基于所述个人信息确定,所述投保倾向信息至少用于反映所述用户购买保险的意向以及消费习惯。
在本发明实施的第二方面,还提供了一种保险方案生成装置,所述装置包括:
获取模块,获取用户的投保请求,所述投保请求至少包括:所述用户的个人信息以及需求信息;
筛选模块,用于根据所述投保请求,从保险方案基础库中筛选得到初拟保险方案,所述初拟保险方案至少包括:目标险种;
提取模块,用于从保险知识图谱中提取所述目标险种关联的目标信息,所述目标信息包括目标保险产品,所述保险知识图谱以目标实体以及实体间关系构建,所述目标实体至少包括:险种实体以及保险产品实体;
生成模块,用于采用所述目标保险产品,生成目标保险方案。
在本发明实施的第三方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一方面所述的保险方案生成方法。
在本发明实施的第四方面,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中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的保险方案生成方法。
在本发明实施的第五方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的保险方案生成方法。
本发明实施例提供的保险方案生成方法、装置、电子设备及存储介质,在接收到用户对应的终端发送的投保请求后,可以根据投保请求,从保险方案基础库中筛选得到包括目标险种的初拟保险方案。从而从保险知识图谱中提取目标险种关联的包括目标保险产品的目标信息,采用目标保险产品,生成目标保险方案。实现保险方案的自动化生成。相较于相关技术中,需要保险代理人人工挑选产品并制定保险方案的方式,实现了保险方案人工生成到自动化生成的转变,缩短了生成保险方案的耗时,提高了生成效率,提升用户体验。并且,由于保险知识图谱可以涵盖大量保险产品,且保险知识图谱具有可解释性。因此,根据从保险知识图谱中提取到的目标保险产品生成的目标保险方案,使得目标保险方案的制定不在受限于保险代理人的个人经验、能力、对保险产品的掌握程度等因素,保障了保险方案与用户的适配程度,提升了保险方案的生成效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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。
图1为本发明实施例提供的一种保险方案生成方法的实施环境示意图。
图2为本发明实施例提供的一种保险方案生成方法的流程图。
图3为本发明实施例提供的一种投保倾向信息生成方法的流程图。
图4为本发明实施例提供的一种初拟保险方案生成方法的流程图。
图5为本发明实施例提供的一种保险知识图谱的示意图。
图6为本发明实施例提供的另一种保险知识图谱的示意图。
图7为本发明实施例提供的一种保险方案生成方法的流程图。
图8为本发明实施例提供的一种目标保险产品的组合示意图。
图9为本发明实施例提供的一种保险方案生成方法的流程图。
图10为本发明实施例提供的一种保险方案生成装置的框图。
图11为本发明实施例提供的另一种保险方案生成装置的框图。
图12为本发明实施例提供的一种电子设备的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
请参考图1,其示出了本发明实施例提供的一种保险方案生成方法的实施环境示意图。如图1所示,该实施环境包括:终端101以及服务端102。终端101与服务端102通过网络连接,该网络可以为有线网络或者无线网络。需要说明的是,实施环境中终端的数量可以为一个或多个,图1以一个终端为例进行说明。
其中,终端101为保险购买意向用户所持的终端。其可以用于接收用户输入的需求信息和/或个人信息。并生成至少包括该个人信息以及需求信息的投保请求,将投保请求发送至服务端。可选的,服务端102可以用于存储已购买过保险产品的注册用户的通过终端历史输入的个人信息和/或需求信息。则在用户为注册用户的情况下,终端可以用于接收用户输入的用户标识,并将该用户标识发送至服务端。从而接收服务端发送的该用户的个人信息和/或需求信息。用户可以通过终端对接收到的个人信息和/或需求信息进行更改,以生成新的个人信息和/或需求信息。示例的,终端101可以为手机、平板电脑或者可穿戴设备等电子设备。服务端102可以为一台服务器,或者也可以为多台服务器构成的服务集群。
服务端102可以根据终端101发送的投保请求为用户生成目标保险方案。可选的,服务端102可以将生成的目标保险方案发送至终端101,以使得终端101显示目标保险方案供用户浏览。示例的,服务端102可以为一个或多台服务器,或者也可以为多台服务器构成的服务器集群,或者也可以为云服务器等。
请参考图2,其示出了本发明实施例提供的一种保险方案生成方法的流程图。该方法可以应用于电子设备,该电子设备可以为终端。或者,该方法也可以应用于图1所示的实施环境,由该实施环境中服务端执行。如图2所示,所述方法包括:
步骤201、获取用户的投保请求。投保请求至少包括:用户的个人信息以及需求信息。
本发明实施例中,用户的个人信息和/或需求信息可以是用户通过终端输入的信息。终端在接收到该用户的个人信息以及需求信息后,生成投保请求。并将该投保请求发送至服务端。以使得服务端获取投保请求执行后续方法以生成目标保险方案。
可选的,服务端可以用于存储历史接收到注册用户的个人信息和/或需求信息。则在用户为注册用户的情况下,终端可以用于接收用户输入的用户标识,并将该用户标识发送至服务端。从而接收服务端发送的该用户的个人信息和/或需求信息。用户可以通过终端对接收到的个人信息和/或需求信息进行更新修改,以生成新的个人信息和/或需求信息。进而生成并发送向服务端发送投保请求。
本发明实施例中,用户的个人信息可以包括以下一项或多项:基本信息、已购买保险信息、健康信息等。其中,基本信息可以包括:年龄、性别以及收入信息等。已购买保险信息又称已有保障信息,该已购买保险信息包括:历史投保信息。该历史投保信息可以包括:已购买保险的名称、已购买保险的保障范围、已购买保险的购买时间等信息。保障范围可以指的是保险产品所包括的保障权益对应的险种范围。例如,第一产品主要属于重疾险,但因购买活动等原因该第一产品附加有医疗险的保障功能。则第一产品的保障范围可以指的是重疾险和医疗险的范围。健康信息可以包括:身高、体重、各类习惯、病史等信息。各类习惯可以包括:生活习惯、交易习惯等。生活习惯可以包括熬夜频率、饮食习惯等。交易习惯可以包括付款方式、单次支出额度等。用户的需求信息可以包括以下一项或多项:保险标(保险对象:人或者物体等)的相关信息、所需保障范围等。
步骤202、根据投保请求,从保险方案基础库中筛选得到初拟保险方案,初拟保险方案至少包括:目标险种。
本发明实施例中,服务端可以包括保险方案基础库。保险方案基础库中可以存储有多种初拟保险方案。各初拟保险方案可以为收集的保险代理人历史为用户生成的保险方案。或者,各初拟保险方案也可以为保险代理人、专家等为不同类型客户的生成的保险方案。当然,各初拟保险方案的来源也可以是其他,本发明实施例对此不作限定。其中,初拟保险方案可以包括:一个或多个目标险种。
可选的,初拟保险方案还可以包括:目标险种的投保比例范围和/或目标险种的保额(保险金额)范围等。其中,投保比例范围可以指的是用户针对各目标险种可投保的保险费用的占比范围。保额范围指的是各个险种为避免保险公司运营风险,风险逆选择或者道德风险等设置的根据被保险人情况和产品本身情况设定的保额范围。示例的,在初拟保险方案包括目标险种的投保比例范围以及对应的保额范围的情况下,任一目标险种的保额范围可以指的是在该目标险种的投保比例范围下对应的保额上限范围。示例的,初拟保险方案包括:重疾险、医疗险以及护理险。重疾险的投保比例范围为50%-70%,以及对应投保比例下保额范围为A1-A2。医疗险的投保比例范围为30%-50%,以及对应投保比例下保额范围为A3-A4。护理险的投保比例范围为15%-30%,以及对应投保比例下保额范围为A5-A6。
本发明实施例中,服务端根据投保请求,从保险方案基础库中筛选得到初拟保险方案的实现方式可以有多种。在此以以下两种可选地实现方式为例进行说明。
第一种可选地实现方式,服务端根据投保请求,从保险方案基础库中筛选得到初拟保险方案的过程可以包括:服务端将需求信息、保险方案基础库以及用户的投保倾向信息输入方案匹配模型,得到初拟保险方案。投保倾向信息基于个人信息确定。投保倾向信息至少用于反映用户购买保险的意向以及消费习惯。
可选的,投保倾向信息可以包括但不限于:投保目标、投保意向、投保动机、消费习惯等。投保目标包括:所要求的经济补偿。例如,风险发生时所需的经济补偿、退休后所需的收入补偿等。投保意向可以包括:强烈、中性或者较弱。投保动机包括:增加安全感或者获取附加服务等。消费习惯包括:缴费方式、偏好险种。缴费方式可以包括趸交或者按期缴费。偏好险种包括:重疾险、意外险、寿险等。
其中,服务端基于用户的个人信息确定投保倾向信息的过程可以包括:服务端将用户的个人信息输入用户分析模型,得到用户的投保倾向信息。在一种可选的实现方式中,用户分析模型可以为分类模型,该分类模型用于根据用户的个人信息针对投保倾向可以包括的各类信息进行分类,以得到各类信息划分类别后的内容,生成该用户对应的投保倾向信息。分类模型是采用第一样本数据训练得到的,第一样本数据可以包括历史用户的个人信息以及对应的标注信息,标志信息包括历史用户的投保倾向信息的各类信息的类别。示例的,用户分析模型可以包括支持向量机(Support Vector Machine,SVM)、邻近算法(KNN,K-NearestNeighbor)K最邻近分类算法等。或者,服务端可以存储有个人信息与投保倾向信息中各类信息的不同内容的对应关系。服务端根据用户的个人信息查询该对应关系,得到与该用户的个人信息对应的各类信息的内容,生成该用户的投保倾向信息。在一种可选的实现方式中,服务端得到用户的投保倾向信息可以为多维的向量,其包括的各类信息分别为向量的各维度信息。该多维的向量可以作为用户的多维度客户标签Xn(n为常数)进行存储,以便于后续调动。
可选的,服务端可以将针对用户生成的其投保倾向信息存储至客户模型库中,该客户模型库中投保倾向信息可以与对应用户的用户标识(Identity document,ID)关联存储。如图3所示,服务端在接收到用户对应的终端发送的投保请后,可以判断该投保请求对应的发送用户是否为新用户。在发送用户为新用户的情况下,获取投保请求包括的用户的个人信息,并将个人信息输入用户分析模型,生成该发送用户的投保倾向信息。将投保倾向信息与发送用户的用户标识关联存储至客户模型库。
在发送用户不为新用户,即发送用户为老用户的情况下,若投保请求包括的用户的个人信息与服务端存储的该用户的个人信息相同,即用户的个人信息未发生变更的情况下,则服务端可以根据发送用户的用户标识,从客户模型库中获取该用户对应的投保倾向信息。若投保请求包括的用户的个人信息与服务端存储的该用户的个人信息存在不同,即用户的个人信息发生变更的情况下,则服务端获取投保请求包括的用户的个人信息,该个人信息即为更新后的个人信息,并将个人信息输入用户分析模型,以执行更新投保倾向信息的操作,生成该发送用户的投保倾向信息。将生成投保倾向信息更新至客户模型库。这样,通过判别新用户和老用户,以在老用户的个人信息未发生变更的情况下,直接获取已存储的该老用户的投保倾向信息,避免对这类老用户进行确定投保倾向信息的过程,减少非必要的执行操作,提高用户的投保倾向信息的获取效率。
本发明实施例中,如图4所示,服务端可以将需求信息、保险方案基础库以及用户的投保倾向信息输入方案匹配模型,得到初拟保险方案。可选的,方案匹配模型可以为分类模型。该分类模型可以用于根据用户的需求信息以及投保倾向信息对用户进行分类,从而根据用户所属的用户类别为用户匹配对应的初拟保险方案。示例的,一个用户类别可以与一个或多个初拟保险方案对应。方案匹配模型可以根据用户的需求信息以及投保倾向信息对用户进行分类后,从保险基础方案库中筛选得到与用户所属的用户类别对应的初拟保险方案,输出筛选得到的初拟保险方案。或者,方案匹配模型可以是采用第二样本数据训练得到的。第二样本数据可以包括历史用户的需求信息、投保倾向信息以及对应的初拟保险方案的方案标识。
第二种可选地实现方式,服务端可以存储有不同的投保请求与保险方案基础库中一个或多个初拟保险方案的对应关系。服务端可以根据接收到的用户的投保请求与该对应关系,得到该投保请求对应的初拟保险方案。其中,该对应关系可以是基于历史用户的投保请求以及保险代理人对应为其生成的保险方案确定。或者,该对应关系也可以是基于不同投保请求对应的用户的用户类别与初拟保险方案的对应关系确定。
步骤203、从保险知识图谱中提取目标险种关联的目标信息。目标信息包括目标保险产品。保险知识图谱以目标实体以及实体间关系构建,目标实体至少包括:险种实体以及保险产品实体。
本发明实施例中,服务端可以生成保险知识图谱。生成保险知识图谱的过程可以包括:采集多个保险相关信息,该保险相关信息可以包括但不限于:险种以及保险产品。其中,险种可以包括多个一级险种以及多个次级险种。例如,一级险种可以为健康险,其对应的次级险种可以包括:医疗险、护理险、重疾险以及失能收入损失险等。服务端可以将险种以及保险产品作为实体,并根据险种与险种之间的关联关系、以及保险产品与险种之间的关联关系,生成保险知识图谱。可选的,各实体间的关联关系可以指的是从属关系,即包含或者属于的关系。例如,健康险实体与医疗险实体之间属于包含关系。重疾险与属于重疾险的产品1、产品2...产品n之间属于包括关系。在一种可选地实现场景中,本发明实施例提供的保险方案生成方法可以在目标公司应用,则保险产品可以为目标公司的相关产品数据中的保险产品。保险知识图谱又称为公司保险知识图谱。
其中,服务端采集的保险相关信息可以包括结构化数据、半结构化数据以及非结构化数据中的一种或多种结构的数据。示例的,结构化数据可以指的是关系型数据库中存储的设定结构的数据。半结构化数据可以指的是经过简单的结构转换处理即可转化为结构化数据的数据。非结构化数据可以指的是需要经过复杂的分析处理才能提取到所需内容的数据。
可选的,若保险相关信息为结构化数据。则服务端可以直接从保险相关信息中提取险种以及保险产品等实体以及实体间的关联关系。将提取的险种以及保险产品等数据作为实体,基于提取到的各实体间的关联关系,将存在关联关系的实体连接,形成保险知识图谱。
若保险相关信息为半结构化数据。则服务端可以将保险相关信息进行结构转换处理,得到结构化数据。然后参考前述结构化数据的处理方式,形成保险知识图谱。
若保险相关信息为非结构化数据。则服务端可以对保险相关信息进行知识抽取,识别得到保险相关信息中险种以及保险产品等实体以及实体间的关联关系。将提取的险种以及保险产品等数据作为实体,基于提取到的各实体间的关联关系,将存在关联关系的实体连接,形成保险知识图谱。其中,对保险相关信息进行知识抽取的过程可以包括:采用自然语言处理(Nature Language processing,NLP)算法对保险相关信息进行处理。或者,采用深度学习算法对保险相关信息进行处理等。本发明实施例对知识抽取的实现方式不做限定。需要说明的是,对于在保险相关信息为非结构化数据的情况下,形成的保险知识图谱。在保险知识图谱构建完成后,可以对该保险知识图谱进行人工核验,以保证该保险知识图谱的准确性。
本发明实施例中,服务端在获取保险知识图谱后,可以以目标险种为起点,提取与目标险种相关联的目标保险产品。其中,目标保险产品的数量可以为一个或多个。其中,若目标险种的数量为多个,则服务端可以针对每个目标险种,分别从保险知识图谱中提取该目标险种关联的目标保险产品。可选的,服务端可以提取保险知识图谱中与目标险种直接关联的目标保险产品。和/或,服务端也可以提取保险知识图谱中,与目标险种直接关联的险种所关联的目标保险产品。
示例的,如图5所示,图5示出了本发明实施例提供的一种保险知识图谱的示意图。图5所示的保险知识图谱中的实体包括:健康险、护理险、医疗险、失能收入损失险、重疾险、产品1、产品2以及产品n等。其中,健康险分别与护理险、医疗险、失能收入损失险、重疾险之间存在包含关联关系。相应的,护理险、医疗险、失能收入损失险、重疾险分别与健康险之间存在属于关联关系。重疾险分别与产品1、产品2以及产品n之间存在包含关联关系。相应的,产品1、产品2以及产品n分别与重疾险之间存在属于关联关系。
在图5所示的保险知识图谱的基础上,若假设目标险种为健康险,则服务端从保险知识图谱中提取目标险种关联的目标保险产品包括分别与护理险、医疗险、失能收入损失险、重疾险关联的产品。例如,目标保险产品包括产品1、产品2以及产品n。若假设目标险种为重疾险,则服务端提取的目标保险产品包括产品1、产品2以及产品n。
步骤204、采用目标保险产品,生成目标保险方案。
可选的,目标保险方案可以包括从保险知识图谱中提取得到的所有目标保险产品。或者,服务端也可以采用预设筛选规则,对目标保险产品进行筛选,得到筛选后的目标保险产品,生成目标保险方案。其中,预设筛选规则可以包括:目标保险产品的目标属性满足预设条件,目标属性可以包括销售优先级、产品上线时间等。或者,预设筛选规则可以包括:目标保险产品与投保请求对应的用户的匹配程度大于匹配阈值。当然,预设筛选规则还可以为根据实际应用场景设定的其他规则,本发明实施例对此不作限定。
综上所述,本发明实施例提供的保险方案生成方法,在接收到用户对应的终端发送的投保请求后,可以根据投保请求,从保险方案基础库中筛选得到包括目标险种的初拟保险方案。从而从保险知识图谱中提取目标险种关联的包括目标保险产品的目标信息,采用目标保险产品,生成目标保险方案。实现保险方案的自动化生成。相较于相关技术中,需要保险代理人人工挑选产品并制定保险方案的方式,实现了保险方案人工生成到自动化生成的转变,缩短了生成保险方案的耗时,提高了生成效率,提升用户体验。并且,由于保险知识图谱可以涵盖大量保险产品,且保险知识图谱具有可解释性。因此,根据从保险知识图谱中提取到的目标保险产品生成的目标保险方案,使得目标保险方案的制定不在受限于保险代理人的个人经验、能力、对保险产品的掌握程度等因素,保障了保险方案与用户的适配程度,提升了保险方案的生成效率。
可选的,本发明实施例提供的以目标实体以及实体间关系构建的保险知识图谱中,目标实体在可以包括险种实体以及保险产品实体的基础上,该目标实体还可以包括:保险产品的相关信息实体。该相关信息实体可以包括以下一项或多项:保险产品的运营规则实体、保险产品的精算规则实体、保险产品的核保规则实体、保险产品的理赔规则实体。此外,目标实体还可以包括:与保险相关的公知知识实体。该公知知识实体可以包括以下一项或多项:理财知识实体、健康知识实体、保险领域知识实体、风险知识实体。
可选的,各实体间的关联关系可以指的是从属关系,即包含或者属于的关系。例如,健康险与医疗险之间属于包含关系。重疾险与属于重疾险的产品1、产品2...产品n之间属于包括关系。产品与保险产品的运营规则、保险产品的精算规则、保险产品的核保规则以及保险产品的理赔规则之间属于包含关系。在一种可选地实现场景中,本发明实施例提供的保险方案生成方法可以在目标公司应用,则保险产品可以为目标公司的相关产品数据中的保险产品。
在一个示例的,如图6所示,图6示出了本发明实施例提供的一种保险知识图谱的内容示意图。保险知识图谱的内容可以包括:保险产品相关数据以及公知知识数据。保险产品相关数据包括:保险产品、保险产品的运营规则、保险产品的精算规则、保险产品的核保规则以及保险产品的理赔规则。公知知识数据包括:风险知识、理财知识、健康知识以及保险领域知识(简称保险知识)。其中,风险知识可以指的是与保险相关的风险知识。理财知识可以指的是与保险相关的理财知识。保险领域知识可以指的是保险领域的相关知识。
相应的,服务端生成保险知识图谱可继续参考图5,图5所示的保险知识图谱中的实体包括:健康险、护理险、医疗险、失能收入损失险、重疾险、产品1、产品2、产品n、运营规则、投保条件、保险合同、保险期限、保险风险、保险标的以及免责条款等。
其中,健康险分别与护理险、医疗险、失能收入损失险、重疾险之间存在包含关联关系。相应的,护理险、医疗险、失能收入损失险、重疾险分别与健康险之间存在属于关联关系。重疾险分别与产品1、产品2以及产品n之间存在包含关联关系。相应的,产品1、产品2以及产品n分别与重疾险之间存在属于关联关系。
在一种可选的实现方式中,服务端可以获取保险基础知识图谱。该保险基础知识图谱以理财知识实体、健康知识实体、保险领域知识实体、风险知识实体,以及各实体间关系构建。服务端在获取的保险基础知识图谱的基础上,添加与具体保险产品相关的实体,并基于各实体之间的关系,生成保险知识图谱。其中,添加的具体保险产品相关的实体至少包括:险种实体、保险产品实体、保险产品的运营规则实体、保险产品的精算规则实体、保险产品的核保规则实体、保险产品的理赔规则实体等。这样,以包括理财知识、健康知识、保险领域知识、风险知识等公知知识的保险基础知识图谱为框架,构建的包括具体保险产品相关信息等保险核心信息的保险知识图谱,其包括各类公知知识以及具体保险产品的保险核心信息。该保险知识图谱的内容丰富,便于基于该保险知识图谱得到较为全面的信息。提高了获取的信息的全面性,以及信息获取效率。
请参考图7,其示出了本发明实施例提供的另一种保险方案生成方法的流程图。该方法可应用于图1所示的实施环境,由该实施环境中服务端执行。如图7所示,所述方法包括:
步骤701、获取用户的投保请求,投保请求至少包括:用户的个人信息以及需求信息。
步骤701的解释和实现方式可以参考前述步骤201的解释和实现方式,本发明实施例对此不做赘述。
步骤702、根据投保请求,从保险方案基础库中筛选得到初拟保险方案,初拟保险方案至少包括:目标险种。
步骤702的解释和实现方式可以参考前述步骤202的解释和实现方式,本发明实施例对此不做赘述。
步骤703、从保险知识图谱中提取目标险种关联的目标信息。目标信息包括目标保险产品。保险知识图谱以目标实体以及实体间关系构建,目标实体至少包括:险种实体以及保险产品实体。
步骤703的解释和实现方式可以参考前述步骤203的解释和实现方式,本发明实施例对此不做赘述。
可选的,在目标实体包括保险产品的相关信息实体的情况下,服务端从保险知识图谱中提取目标险种关联的目标信息还可以包括目标保险产品对应的相关信息。在目标保险产品的数量为多个情况下,服务端在提取到多个目标保险产品后,可以根据各目标保险产品的相关信息,对提取到的多个目标保险产品进行筛选,从而筛选得到与用户更为匹配的目标保险产品。若目标险种的数量为多个,则服务端可以针对每个目标险种分别从保险知识图谱中提取目标险种关联的目标信息后,在分别针对每个目标险种提取到的目标保险产品,执行筛选过程,从而得到每个目标险种对应的筛选处理后的目标保险产品。其中,服务端对目标保险产品的筛选过程可以包括以下步骤704至步骤705。
步骤704、将个人信息输入用户分析模型,得到用户的投保倾向信息,投保倾向信息至少用于反映用户购买保险的意向以及消费习惯。
可选的,用户分析模型可以为分类模型,该分类模型用于根据用户的个人信息针对投保倾向可以包括的各类信息进行分类,以得到各类信息划分类别后的内容,生成该用户对应的投保倾向信息。分类模型是采用第一样本数据训练得到的,第一样本数据可以包括历史用户的个人信息以及对应的标注信息,标志信息包括历史用户的投保倾向信息的各类信息的类别。示例的,用户分析模型可以包括支持向量机(SupportVector Machine,SVM)、邻近算法(KNN,K-NearestNeighbor)K最邻近分类算法等。或者,服务端可以存储有个人信息与投保倾向信息中各类信息的不同内容的对应关系。服务端根据用户的个人信息查询该对应关系,得到与该用户的个人信息对应的各类信息的内容,生成该用户的投保倾向信息。
本发明实施例中,在服务端采用前述第一种可选地实现方式,以根据投保请求,从保险方案基础库中筛选得到初拟保险方案的情况下,在得到初拟投保方案的过程涉及基于用户的个人信息确定投保倾向信息。由于前述服务端也可以通过将用户的个人信息输入用户分析模型,以得到用户的投保倾向信息。因此,若服务端采用用户分析模型确定投保倾向信息,则服务端可以不执行步骤704。
步骤705、根据投保倾向信息与目标保险产品的相关信息的匹配程度,对目标保险产品进行筛选,得到筛选处理后的目标保险产品。
可选的,服务端可以根据投保倾向信息与目标保险产品的相关信息的匹配程度,从多个目标保险产品中筛选得到匹配程度大于匹配阈值的目标保险产品。或者,服务端可以按照投保倾向信息与目标保险产品的相关信息的匹配程度,由大到小的顺序生成目标保险产品列表。将目标保险产品的前目标数量个目标保险产品,作为筛选后的目标保险产品。其中,目标数量的取值可以为2、3或者5等。
示例的,用户的投保倾向信息可以包括:投保目标为退休后所需的收入补偿,投保动机为获取附加服务,缴费方式为按期缴费。偏好险种为重疾险。各目标保险产品的相关信息可以包括:保险产品的运营规则实体。其中,运营规则可以包括保险产品对应的投保目标,是否具有附加服务,缴费方式以及附加服务所属的险种等信息。服务端可以根据用户的投保倾向信息从各目标保险产品的相关信息中筛选得到与该投保倾向信息相关的运营规则信息。对运营规则信息与投保倾向信息进行匹配处理,确定匹配程度。将匹配程度由高到低进行排列后,选取前两个目标保险产品,作为筛选处理后的目标保险产品。其中,对运营规则信息与投保倾向信息进行匹配处理的过程可以是:依次判断运营规则是否满足投保倾向信息中包括的投保目标、投保动机、缴费方式和偏好险种。在每满足一项的情况下,将二者的匹配值加1,最终得到二者的目标匹配值。目标匹配值越大表明二者的匹配程度越大。
需要说明的是,本公开实施例中服务端还可以根据其他因素对任一目标保险对应的目标保险产品进行筛选,得到筛选处理后的目标保险产品。可选的,其他因素可以包括以下一项或多项:用户的个人信息与目标保险产品的匹配程度、用户的需求信息与目标保险产品的匹配程度、根据目标保险产品的销售优先级。其中,用户的个人信息可以包括用户的年龄、收入、已购买保险产品信息等信息。用户的需求信息可以包括:所需保障范围等。保险产品的销售优先级可以基于保险产品的销售情况、产品上线时间以及产品的推荐因子确定。销售优先级越高,销售情况越好、产品上线时间越近、产品推荐程度越大。
步骤706、采用目标保险产品,生成目标保险方案。
本公开实施例中,服务端生成的目标保险方案可以包括:目标保险产品的目标信息。该目标信息可以为与目标保险产品相关的任意信息。可选的,目标信息可以包括承保信息,该承保信息至少包括以下一项或多个:保险金额、保险费用、付款方式。当然,目标信息还可以包括保险产品的具体保障范围、核保规则等信息。
在一种可选的实现方式中,保险知识图谱的目标实体还可以包括:保险产品的核保规则实体。则服务端执行步骤703从保险知识图谱中提取目标险种关联的目标信息还可以包括:目标保险产品对应的核保规则。若步骤702确定的初拟保险方案可以包括:目标险种的投保比例范围和/或目标险种的保额范围。则服务端采用目标保险产品,生成目标保险方案的过程可以包括以下步骤7061至步骤7062。
在步骤7061中,根据目标保险产品的核保规则、目标险种的投保比例范围和/或目标险种的保额范围,确定目标保险产品的承保信息。
本公开实施例中,保险产品的核保规则可以包括:保险产品对应的保额范围以及保险产品支持的付款方式。可选的,该保额范围可以具体包括不同保费(保险费)对应的保额范围。在初拟保险方案包括目标险种的投保比例范围和/或目标险种的保额范围的情况下,服务端可以根据用户预期保费,计算目标险种的投保比例范围下对应的保费范围。根据核保规则中包括的不同保费对应的保额范围,计算目标保险产品在其所属的目标险种对应的保费范围下的保额范围,并确定目标保险产品的付款方式。其中,若目标保险方案中属于同一险种的目标保险产品的数量为多个,则属于同一险种的不同目标保险产品对应的保费可以满足设定比例,该设定比例可以为等比。
示例的,假设目标险种包括重疾险、医疗险以及护理险,用户每年的用户预期保费为2万元。初拟保险方案中,重疾险的投保比例范围为50%-70%;医疗险的投保比例范围为30%-50%;护理险的投保比例范围为15%-30%。则服务端可以计算得到重疾险对应的保费范围为9000-14000;医疗险对应的保费范围为6000-9000;护理险对应的保费范围为3000-6000。假设目标保险产品方案中各目标险种对应的目标保险产品的数量为2个,则属于同一险种的两个目标保险产品对应的保费可以相同,均为服务端计算得到险种对应的保费的一半。例如,针对属于同一重疾险的两个目标保险产品对应的保费范围均为5000-7000。服务端根据核保规则中规定的保费与保额的对应关系,确定保费范围对应的保额范围以及付款方式。
在步骤7062中,生成包括承保信息的目标保险方案。
本公开实施例中,服务端生成目标保险方案中包括目标保险产品以及目标保险产品对应的承保信息。
在另一种可选的实现方式中,确定的初拟保险方案中目标险种的数量可以为多个,则从保险知识图谱中提起的目标保险产品可以属于多个目标险种。服务端采用目标保险产品生成目标保险方案的过程可以包括:
服务端将各目标险种对应的目标保险产品进行排列组合,得到多个目标保险方案。其中,任一目标保险方案包括每个目标险种对应的目标保险产品。
示例的,假设服务端采用步骤705根据投保倾向信息与目标保险产品的相关信息的匹配程度,对目标保险产品进行筛选。每个目标险种筛选得到两个目标保险产品。若重疾险:产品1和产品2;医疗险:产品1和产品2。则如图8所示,服务端将重疾险对应的两个目标保险产品(产品1和产品2)以及医疗险对应的两个目标保险产品(产品1和产品2)进行排列组合,得到四个目标保险方案。该四个目标保险方案分别包括:方案1、方案2、方案3以及方案4。其中,方案1包括重疾险的产品1以及医疗险的产品1。方案2包括重疾险的产品2以及医疗险的产品1。方案3包括重疾险的产品2以及医疗险的产品1。方案4包括重疾险的产品2以及医疗险的产品2。
在又一种可选的实现方式中,确定的初拟保险方案中目标险种的数量可以为多个,则从保险知识图谱中提起的目标保险产品可以属于多个目标险种。服务端采用目标保险产品生成目标保险方案的过程可以包括:
服务端将各目标险种对应的目标保险产品进行排列组合,得到多个目标保险方案。针对任一目标保险方案,服务端根据该目标保险方案中目标保险产品的核保规则、目标险种的投保比例范围和/或目标险种的保额范围,确定目标保险产品的承保信息。更新目标保险方案,使得更新后的目标保险方案包括承保信息。其中,任一目标保险方案包括每个目标险种对应的目标保险产品。且该实现方式中,服务端采用目标保险产品生成目标保险方案的解释和过程可以参考前述两种可选地实现方式中服务端采用目标保险产品生成目标保险方案的过程,本发明实施例对此不做赘述。
可选地,在服务端生成的目标保险方案的数量为多个的情况下,服务端还可以根据目标保险方案与用户的匹配程度对多个目标保险方案进行筛选,从而选取更有方案,提高生成的目标保险方案的质量。其中,服务端对目标保险方案的筛选过程可以包括以下步骤707至步骤708。
步骤707、针对任一目标保险方案,将用户的投保倾向信息以及目标保险方案输入方案评分模型,得到目标保险方案对应的评分。其中,评分用于反映目标保险方案与用户的匹配程度。
可选的,方案评分模型可以包括:监督学习模型以及经验规则模型。服务端将用户的投保倾向信息以及目标保险方案输入方案评分模型,得到目标保险方案对应的评分的过程可以包括以及步骤7071至步骤7072。
在步骤7071中,将投保倾向信息以及目标保险方案,均分别输入监督学习模型以及经验规则模型,得到监督学习模型对应的第一评分以及经验规则模型对应的第二评分。
本发明实施例中,监督学习模型主要是根据实际数据训练得到。经验规则模型主要是根据专家、保险领域的技术人员等人群的经验数据训练得到。监督学习模型是采用多个第一样本数据训练得到。第一样本数据包括用户的投保倾向信息、对应的保险方案以及对应的用户实际评分。经验规则模型是采用多个第二样本数据训练得到。第二样本数据包括投保倾向信息、保险方案以及经验评分。其中,第二样本数据中不同的投保倾向信息和保险方案对应的经验评分可以是专家、保险领域的技术人员等人群根据保险业务逻辑提取通过规则后,进行评判的。例如,在投保倾向信息包括投保目标A、投保意向A和投保动机A的情况下,若保险方案包括诸如产品A的第一类型的产品,则对应的经验评分为A。若保险方案包括诸如产品B的第二类型的产品,则对应的经验评分为B。
可选的,监督学习模型可以是基于多个第一样本数据,采用反向传播算法训练得到。经验规则模型可以是基于多个第二样本数据,采用反向传播算法训练得到。反向传播(Backpropagation algorithm,BP)算法是一种与最优化方法(如梯度下降法)结合使用的,用来训练人工神经网络的常见方法。
本发明实施例中,服务端可以采用用户的投保倾向信息生成多维的用户标签向量Xn(X1,X2,...Xn)(n为常数)。Xi(0<i<n)表示投保倾向信息包括的一类信息。例如,Xi表示投保倾向信息包括的投保目标、投保意向、投保动机或者消费习惯等。服务端可以采用目标保险方案生成多维的保险方案向量Ym(y1,,y2,......,ym)(m为常数)。Xj(0<j<m)表示目标保险方案包括一个目标保险产品的目标信息中的一类信息。例如,Xj表示目标保险产品的保障范围、保额、保费、付款方式等。服务端可以将用户标签向量以及保险方案向量拼接处理后得到的结果In+m=(Xn,Ym)=(X1,X2,...Xn,y1,,y2,......,ym),分别作为监督学习模型和经验规则模型的输入。从而得到监督学习模型输出的的第一评分以及经验规则模型输出的的第二评分。
在步骤7072中,对第一评分和第二评分进行加权求和,计算得到目标保险方案对应的评分。
本发明实施例中,服务端可以采用目标公式,对第一评分和第二评分进行加权求和,计算得到目标保险方案对应的评分。其中,目标公式满足:
Score(Im+n)=μ*M(Im+n)+(1-μ)*R(Im+n);
Score(Im+n)表示目标保险方案对应的评分。M(Im+n)表示第一评分。R(Im+n)表示第二评分。μ表示第一评定对应的权重,0≤μ≤1。(1-μ)表示第二评定对应的权重。可选的,由于监督学习模型采用实际数据训练得到。因此,随着更多用户对为其生成的目标保险方案进行评分,用于训练监督学习模型的第一样本数据的数据量增加。则采用越多的第一样本数据训练得到监督学习模型的准确性更高,第一评分对应的权重值越大。相应的,第二评分对应的权重值减小。进而使得由于确定目标保险方案对应的评分中,由实际数据训练得到监督学习模型所得的评分的权重值增加,提高了目标保险方案对应的评分的准确性。
步骤708、根据评分对各目标保险方案进行筛选,得到展示保险方案。
可选的,在目标保险方案的数量为多个的情况下,服务端可以按照各目标保险方案的评分由大到小的顺序,选取前目标数量个目标保险方案,作为最终的用于展示至用户的展示保险方案。其中,目标数量的取值可以为1、2或者3。或者,服务端也可以将各目标保险方案中,评分大于评分阈值的目标保险方案作为展示保险方案。
本发明实施例中,服务端在得到展示保险方案之后,还可以根据展示保险方案中,各目标保险产品的保障范围与用户的需求信息,对各目标保险产品在展示保险方案中的显示顺序进行重排,以使得展示保险方案形成以用户较为感兴趣的保障范围为引线的展示逻辑,提高用户对展示保险方案的阅读兴趣,提升用户体验。服务端对各目标保险产品在展示保险方案中的显示顺序进行重排的过程可以包括以下步骤A1。
在步骤A1中,采用保险知识图谱,提取该展示保险方案中,各目标保险产品对应的保障范围。对具有相同或者相似保障范围的目标保险产品在展示保险方案中进行合并显示。服务端还可以根据用户的需求信息对展示保险方案中,不同保障范围对应的目标保险产品的显示优先级进行再次排序,生成包括重新排列的目标保险产品的展示保险方案。
其中,目标保险产品的显示优先级越高,目标保险产品对应的保障范围与用户的需求信息的匹配程度越高。可选的,服务端对具有相同或者相似保障范围的目标保险产品在展示保险方案中进行合并显示还可以包括:服务端将具有相同或者相似保障范围的目标保险产品中,属于相同或者相似保障范围对应的保额进行合并显示。
示例的,在一种可选的场景中,保障范围可以采用险种反映,也即是保障范围可以为险种对应的保障范围。展示保险方案包括:属于重疾险的目标保险产品A以及属于护理险的目标保险产品B。其中,目标保险产品A,其包括有属于护理险的附件服务。则目标保险产品A的保障范围包括重疾险对应的范围以及护理险对应的保障范围。目标保险产品A的保额包括:重疾险对应的保额W1以及护理险对应的附加服务的保额为W2元。目标保险产品B,其包括有属于失能收入损失险的附件服务。则目标保险产品B的保障范围包括护理险对应的保障范围以及护理险对应的保障范围。目标保险产品B的保额包括:护理险对应的保额W3以及失能收入损失险对应的附加服务的保额为W4元。
则服务端可以在展示保险方案中添加重疾险、护理险以及失能收入损失险三个一级标题。重疾险一级标题下,显示目标保险产品A的目标信息。其中,目标信息包括的承保信息中,目标保险产品A的保额可以显示重疾险对应的保障范围下,目标保险产品A的保额W1。护理险一级标题下,显示目标保险产品A的目标信息以及目标保险产品B。其中,目标保险产品A的目标信息包括的承保信息中,目标保险产品A的保额可以显示护理险对应的保障范围下,附加服务的保额为W2。目标保险产品B的目标信息包括的承保信息中,目标保险产品B的保额可以显示护理险对应的保障范围下,附加服务的保额为W3。以及显示二者的合并保额W2+W3。失能收入损失险一级标题下,显示目标保险产品B的目标信息。其中,目标信息包括的承保信息中,目标保险产品B的保额可以显示失能收入损失险对应的保障范围下,目标保险产品B的附件服务的保额W4。
可选的,服务端在执行步骤708得到展示保险方案之后,还可以针对用户所属的用户类型的不同,对展示保险方案包括的各目标保险方案的目标信息进行编辑处理。服务端根据用户所属的用户类型,对展示保险方案进行编辑处理的过程可以包括以下步骤B1。
在步骤B1中,针对展示保险方案包括的任一目标保险产品,根据用户已购买的保险产品与目标保险产品的相似程度,确定用户所属的目标用户类型。
可选的,针对目标保险产品,用户类型可以包括:第一用户类型、第二用户类型以及第三用户类型。其中,属于第一用户类型的用户未购买过目标保险产品所属类型的任一保险产品。属于第二用户类型的用户未购买过目标保险产品,但购买过该目标保险产品所属类型的其他保险产品。属于第三用户类型的用户购买过目标保险产品。则服务端根据用户已购买的保险产品与目标保险产品的相似程度,确定用户所属的目标用户类型的过程可以包括:
服务端可以判断已购买的保险产品中是否存在目标保险产品。若存在,则确定用户属于第三用户类型。若不存在,服务端可以获取已购买的保险产品的第一产品类型,以及目标保险产品的第二产品类型。在确定第一产品类型与第二产品类型一致时,确定用户属于第二用户类型。在确定第一产品类型与第二产品类型不一致时,确定用户属于第一用户类型。
需要说明的是,用户类型还可以包括按照用户已购买的保险产品与目标保险产品的相似程度划分的,反映其他粒度的用户类型,本发明实施例对此不做赘述。
在步骤B2中,根据目标用户类型对应的编辑要求,对展示保险方案进行编辑处理,得到编辑处理后的展示保险方案。其中,用户类型反映的用户已购买的保险产品与目标保险产品的相似程度越高,编辑处理后的展示保险方案中目标保险产品的内容越详尽。
可选的,服务端可以存储有不同用户类型对应的展示保险方案的模板。不同模板反映目标保险产品可填写的内容的详尽程度不同和侧重点不同。服务端可以获取用户所属的目标用户类型对应的模板。根据模板对展示保险方案包括的目标保险方案的目标信息进行编辑处理,保留与该模板对应的目标信息。
示例的,继续以前述步骤B1中示例为,第一用户类型对应的第一模板包括目标保险产品的所有目标信息。例如,风险知识、理财知识等基本保险基本知识,以及目标保险产品的基础介绍、理赔规则等。这样,由于属于第一用户类型的用户为未购买过目标保险产品,且未购买过目标保险产品所属类型的任意保险产品。因此,采用包含有目标保险产品的所有目标信息的详尽展示保险方案,可以便于用户对展示保险方案的理解,提升用户体验,提高用户依赖性。
第二用户类型对应的第二模板可以包括:目标保险产品的所有目标信息中,除诸如风险知识、理财知识等基本保险基本知识,以及目标保险产品的基础介绍之外的其他信息。或者,第二模板可以包括:目标保险产品的所有目标信息中,诸如风险知识、理财知识等基本保险基本知识,以及目标保险产品的基础介绍采用缩略形式呈现。由于属于第二用户类型对应的用户虽未购买过目标保险产品,但购买过该目标保险产品所属类型的其他保险产品。因此,在用户对同类型保险产品具有一定了解基础的情况下,缩略介绍目标保险产品的相关基础知识,可以有效地提高用户的对展示保险方案的阅读效率,节省用户时间,提升用户体验。
进一步的,第二用户类型对应的第二模板还可以包括:目标保险产品与已购买过的属于同一类型的保险产品之间的差异。从而便于用户加快理解目标保险产品的有效,提高阅读效率。
第三用户类型对应的第三模板可以包括:目标保险产品的所有目标信息中诸如理赔规则、核保规则等重要信息。除该重要信息之前的其他信息可以采用缩略形式呈现。由于属于第三用户类型对应的用户为购买过目标保险产品的用户,因此,在展示保险方案中缩略介绍目标保险产品,可以提升用户的对展示保险方案的阅读效率。
本发明实施例中,服务端可以将生成的展示保险方案发送至用户对应的终端,以使得用户针对展示保险方案进行评分。终端可以在接收到用户输入的针对展示保险方案的评分后,可以将展示保险方案对应的评分发送至服务端,以使得服务端将采用到的展示保险方案、对应的用户的投保倾向信息以及评分作为第一样本数据,训练监督学习模型。服务端通过接收用户反馈的展示保险方案对应的评分,可以收集大量的实际数据作为第一样本数据,丰富了第一样本数据,进而提高了基于第一样本数据训练得到的监督学习模型的准确性。
本发明实施例提供的保险方案生成方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本发明的保护范围之内,因此不再赘述。
综上所述,本发明实施例提供的保险方案生成方法,在接收到用户对应的终端发送的投保请求后,可以根据投保请求,从保险方案基础库中筛选得到包括目标险种的初拟保险方案。从而从保险知识图谱中提取目标险种关联的包括目标保险产品的目标信息,采用目标保险产品,生成目标保险方案。实现保险方案的自动化生成。相较于相关技术中,需要保险代理人人工挑选产品并制定保险方案的方式,实现了保险方案人工生成到自动化生成的转变,缩短了生成保险方案的耗时,提高了生成效率,提升用户体验。并且,由于保险知识图谱可以涵盖大量保险产品,且保险知识图谱具有可解释性。因此,根据从保险知识图谱中提取到的目标保险产品生成的目标保险方案,使得目标保险方案的制定不在受限于保险代理人的个人经验、能力、对保险产品的掌握程度等因素,保障了保险方案与用户的适配程度,提升了保险方案的生成效率。
请参考图9,其示出了本发明实施例提供的一种保险方案生成方法的流程图。该方法可以应用于电子设备,该电子设备为终端。或者,该方法可以应用于图1所示的实施环境,由该实施环境中服务端执行。本发明实施例以图9所示的保险方案生成方法的流程,对本发明实施例提供的保险方案生成方法进行示意性再次说明。需要说明的是,下述服务端执行的所有步骤的解释和实现方式均可以参考前述实施例中相关步骤的解释和实现方式,本发明实施例对此不作赘述。如图9所示,所述方法包括:
步骤901、获取用户的投保请求,投保请求至少包括:用户的个人信息以及需求信息。
步骤901的解释和实现方式可以参考前述步骤701中的相关解释和实现方式,本发明实施例对此不做赘述。
步骤902、服务端将用户的个人信息输入用户分析模型,得到用户的投保倾向信息。
步骤902的解释和实现方式可以参考前述步骤702中的相关解释和实现方式,本发明实施例对此不做赘述。
步骤903、将用户的投保倾向信息、需求信息以及保险方案基础库输入方案匹配模型,得到初拟保险方案。初拟保险方案包括:多个目标险种、各目标险种的投保比例范围以及各目标险种的保额范围。
步骤903的解释和实现方式可以参考前述步骤703中的相关解释和实现方式,本发明实施例对此不做赘述。
步骤904、从保险知识图谱中提取各目标险种关联的目标保险产品,以获取各目标险种对应的保险产品列表,保险产品列表包括目标险种关联的目标保险产品。
步骤904的解释和实现方式可以参考前述步骤704中的相关解释和实现方式,本发明实施例对此不做赘述。
步骤905、分别对各目标险种对应的保险产品列表中包括的目标保险产品排序。选取保险产品列表中位于前两个目标保险产品。
本发明实施例中,针对任一目标险种对应的保险产品列表,服务端可以根据投保倾向信息与目标保险产品的相关信息的匹配程度,对该保险产品列表中包括的目标保险产品进行排序。其中,服务端可以按照匹配程度由大到小的顺序对保险产品列表中包括的目标保险产品进行排序。或者,服务端可以按照匹配程度由小到大的顺序对保险产品列表中包括的目标保险产品进行排序。步骤905的解释和实现方式可以参考前述步骤705中的相关解释和实现方式,本发明实施例对此不做赘述。
步骤906、将选取的各目标险种对应的目标保险产品进行排列组合生成多个待选方案。
本发明实施例中,服务端可以将选取的各目标险种对应的目标保险产品进行排列组合,生成目标保险方案。该目标保险方案又称待选方案。其中,任一目标保险方案包括每个目标险种对应的目标保险产品。步骤906的解释和实现方式可以参考前述步骤706中另一种可选的实现方式中的相关解释和实现方式,本发明实施例对此不做赘述。
步骤907、确定各待选方案中包括的目标保险产品的缴费方式、保额以及保费。
步骤907的解释和实现方式可以参考前述步骤706中一种可选的实现方式中的相关解释和实现方式,本发明实施例对此不做赘述。
步骤908、根据各待选方案的评分,对各待选方案进行排序。
本发明实施例中,服务端根据各待选方案的评分,对各待选方案进行排序的过程可以包括:针对任一待选方案,服务端将投保倾向信息以及目标保险方案,均分别输入监督学习模型以及经验规则模型,得到监督学习模型对应的第一评分以及经验规则模型对应的第二评分。对第一评分和第二评分进行加权求和,计算得到目标保险方案对应的评分。服务端可以按照评分由大到小的顺序对各待选方案进行排序。其中,服务端将用户的投保倾向信息以及待选方案输入方案评分模型,得到待选方案对应的评分的解释和实现方式可以参考前述步骤707的解释和实现方式,本发明实施例对此不做赘述。
步骤909、选取各待选方案中的最优方案。
本发明实施例中,服务端选取评分最高的待选方案作为最优方案。该最优方案又称展示保险方案。
步骤910、根据最优方案中,各目标保险产品的保障功能对各目标保险产品进行合并,并重新排列显示。
本发明实施例中,服务端可以从保险知识图谱中提取最优方案中,各目标保险产品的保障功能。将保障功能相同的目标保险产品进行合并显示。并根据用户的需求信息,对不同保障功能对应的目标保险产品的显示优先级进行再次排序,生成包括重新排列的目标保险产品的展示保险方案。该步骤1010的解释和实现方式可以参考前述步骤A1的解释和实现方式,本发明实施例对此不做赘述。
步骤911、选择文本模板。
步骤912、生成保险方案文本。
本发明实施例中,服务端选择文本模板,生成保险方案文本的过程可以包括:服务端可以根据用户的个人信息中包括的已购买的保险产品与最优方案中目标保险产品的相似程度,确定用户所属的目标用户类型。根据目标用户类型对应的最优方案的模板,对展示保险方案进行编辑处理,得到编辑处理后的展示保险方案。该编辑处理后的展示保险方案即为保险方案文本。其中,用户类型反映的用户已购买的保险产品与目标保险产品的相似程度越高,编辑处理后的展示保险方案中目标保险产品的内容越详尽。该步骤1011的解释和实现方式可以参考前述步骤B1至步骤B2的解释和实现方式,本发明实施例对此不做赘述。
步骤913、保险方案文本结果评估。
本发明实施例中,服务端可以将生成的保险方案文本发送至用户对应的终端,以使得用户针对保险方案文本进行评分。终端可以在接收到用户输入的针对保险方案文本的评分后,可以将保险方案文本对应的评分发送至服务端,以使得服务端得到保险方案文本评价结果。服务端可以根据采集到的保险方案文本以及评分训练监督学习模型。
进一步的,保险代理人和用户等还可以对保险方案文本进行再次人为调整,生成最终的保险方案文本。服务端还可以获取基于保险方案文本调整生成的最终保险方案文本。比较保险方案文本与最终保险方案文本的方案差异,调整方案匹配模型。
综上所述,本发明实施例提供的保险方案生成方法,在接收到用户对应的终端发送的投保请求后,可以根据投保请求,从保险方案基础库中筛选得到包括目标险种的初拟保险方案。从而从保险知识图谱中提取目标险种关联的包括目标保险产品的目标信息,采用目标保险产品,生成目标保险方案。实现保险方案的自动化生成。相较于相关技术中,需要保险代理人人工挑选产品并制定保险方案的方式,实现了保险方案人工生成到自动化生成的转变,缩短了生成保险方案的耗时,提高了生成效率,提升用户体验。并且,由于保险知识图谱可以涵盖大量保险产品,且保险知识图谱具有可解释性。因此,根据从保险知识图谱中提取到的目标保险产品生成的目标保险方案,使得目标保险方案的制定不在受限于保险代理人的个人经验、能力、对保险产品的掌握程度等因素,保障了保险方案与用户的适配程度,提升了保险方案的生成效率。
请参考图10,其示出了本发明实施例提供的一种保险方案生成装置的框图。该保险方案生成装置可以应用于实施环境中的服务端。如图10所示,保险方案生成装置1000包括:生成系统1001、管理系统1002、数据存储系统1003。生成系统1001、管理系统1002以及数据存储系统1003相互连接。
其中,生成系统1001用于根据接收到的用户的个人信息以及需求信息,为该用户生成展示保险方案。生成系统1001可以包括:用户分析模型10011、方案基础模型匹配模块10012以及方案生成模块10013。用户分析模型10011、方案基础模型匹配模块10012以及方案生成模块10013依次连接。
用户分析模型10011可以用于根据用户的个人信息生成用户的投保倾向信息。例如,其可以用于执行前述步骤702或者步骤902。
方案基础模型匹配模块10012可以用于根据用户的投保倾向信息、需求信息生成初拟保险方案。例如,其可以用于执行前述步骤703或者步骤903。
方案生成模块10013可以用于根据用户的投保倾向信息、初拟保险方案生成展示保险方案。例如,其可以用于执行前述步骤704至步骤708,以及步骤A1、步骤B1至步骤B2。或者,用于执行前述步骤9013。
管理系统1002可以包括方案管理模块10021、图谱管理模块10022以及客户模型管理模块10023。方案管理模块10021可以用于管理保险方案基础模型库。图谱管理模块10022可以用于管理保险知识图谱。客户模型管理模块10023可以用于管理客户分析模型以及存储的各用户的多维度客户标签等。
数据存储系统1003可以包括保险知识图谱库10031、客户模型库10032以及方案匹配库10033。可选的,保险知识图谱库10031可以为neo4j。其可以用于存储保险知识图谱。neo4j是一种高性能的图形数据库。客户模型库10032可以为基于MySQL管理的数据库。其可以用于存储用户的多维度客户标签以及客户分析模型。MySQL是一个关系型数据库管理系统。方案匹配库10033可以为mongo。其可以用于存储保险方案基础库以及方案匹配模型。mongo是一种基于分布式文件存储的数据库。
请参考图11,其示出了本发明实施例提供的一种保险方案生成装置的框图。如图11所示,该保险方案生成装置可以包括:获取模块1101、筛选模块1102、提取模块1103以及生成模块1104。
获取模块1101,用于获取用户的投保请求,投保请求至少包括:用户的个人信息以及需求信息;
筛选模块1102,用于根据投保请求,从保险方案基础库中筛选得到初拟保险方案,初拟保险方案至少包括:目标险种;
提取模块1103,用于从保险知识图谱中提取目标险种关联的目标信息,目标信息包括目标保险产品,保险知识图谱以目标实体以及实体间关系构建,目标实体至少包括:险种实体以及保险产品实体;
生成模块1104,用于采用目标保险产品,生成目标保险方案。
可选的,目标实体还包括:保险产品的相关信息实体;目标信息还包括:目标保险产品对应的相关信息;装置还包括:分析模块1105。
分析模块1105,用于将个人信息输入用户分析模型,得到用户的投保倾向信息,投保倾向信息至少用于反映用户购买保险的意向以及消费习惯。
筛选模块1102,还用于根据投保倾向信息与相关信息的匹配程度,对目标保险产品进行筛选,得到筛选处理后的目标保险产品。
可选的,目标保险方案的数量为多个,分析模块1105,还用于针对任一目标保险方案,将投保倾向信息以及目标保险方案输入方案评分模型,得到目标保险方案对应的评分,其中,评分用于反映目标保险方案与用户的匹配程度。
筛序模块1102,还用于根据评分对各目标保险方案进行筛选,得到展示保险方案。
可选的,方案评分模型包括:监督学习模型以及经验规则模型;分析模块1105,还用于:
将投保倾向信息以及目标保险方案分别输入监督学习模型以及经验规则模型,得到监督学习模型对应的第一评分以及经验规则模型对应的第二评分;
对第一评分和第二评分进行加权求和,计算得到目标保险方案对应的评分,其中,监督学习模型是采用多个样本数据训练得到,样本数据包括多个用户的投保倾向信息、对应的保险方案以及对应的用户实际评分;经验规则模型是根据不同的投保倾向信息与不同的投保方案对应时的经验评分得到。
可选的,目标实体还包括:保险产品的核保规则实体;目标信息还包括:目标保险产品对应的核保规则;目标险种的投保比例范围和/或目标险种的保额范围;生成模块1104,还用于:
根据目标保险产品的核保规则、目标险种的投保比例范围和/或目标险种的保额范围,确定目标保险产品的承保信息,承保信息包括以下一项或多项:保险金额、保险费用、付款方式;
生成包括承保信息的目标保险方案。
可选的,目标实体还包括:与保险相关的公知知识实体以及保险产品的相关信息实体;公知知识实体包括以下一项或多项:理财知识实体、健康知识实体、保险领域知识实体、风险知识实体;相关信息实体包括以下一项或多项:保险产品的运营规则实体、保险产品的精算规则实体、保险产品的核保规则实体、保险产品的理赔规则实体。
可选的,筛序模块1102,还用于将需求信息、保险方案基础库以及用户的投保倾向信息输入方案匹配模型,得到初拟保险方案,投保倾向信息基于个人信息确定,投保倾向信息至少用于反映用户购买保险的意向以及消费习惯。
综上所述,本发明实施例提供的保险方案生成装置,在获取模块接收到用户对应的终端发送的投保请求后,筛选模块可以根据投保请求,从保险方案基础库中筛选得到包括目标险种的初拟保险方案。从而使得提取模块从保险知识图谱中提取目标险种关联的包括目标保险产品的目标信息。生成模块采用目标保险产品,生成目标保险方案。实现保险方案的自动化生成。相较于相关技术中,需要保险代理人人工挑选产品并制定保险方案的方式,实现了保险方案人工生成到自动化生成的转变,缩短了生成保险方案的耗时,提高了生成效率,提升用户体验。并且,由于保险知识图谱可以涵盖大量保险产品,且保险知识图谱具有可解释性。因此,根据从保险知识图谱中提取到的目标保险产品生成的目标保险方案,使得目标保险方案的制定不在受限于保险代理人的个人经验、能力、对保险产品的掌握程度等因素,保障了保险方案与用户的适配程度,提升了保险方案的生成效率。
本发明实施例还提供了一种电子设备,如图12所示,包括处理器1201、通信接口1202、存储器1203和通信总线1204,其中,处理器1201,通信接口1202,存储器1203通过通信总线1204完成相互间的通信,
存储器1203,用于存放计算机程序;
处理器1201,用于执行存储器1203上所存放的程序时,实现本发明实任一施例提供的保险方案生成方法。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(RandomAccess Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的保险方案生成方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的保险方案生成方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种保险方案生成方法,其特征在于,所述方法包括:
获取用户的投保请求,所述投保请求至少包括:所述用户的个人信息以及需求信息;
根据所述投保请求,从保险方案基础库中筛选得到初拟保险方案,所述初拟保险方案至少包括:目标险种;
从保险知识图谱中提取所述目标险种关联的目标信息,所述目标信息包括目标保险产品,所述保险知识图谱以目标实体以及实体间关系构建,所述目标实体至少包括:险种实体以及保险产品实体;
采用所述目标保险产品,生成目标保险方案。
2.根据权利要求1所述的方法,其特征在于,所述目标实体还包括:保险产品的相关信息实体;所述目标信息还包括:所述目标保险产品对应的相关信息;在所述采用所述目标保险产品,生成目标保险方案之前,所述方法还包括:
将所述个人信息输入用户分析模型,得到所述用户的投保倾向信息,所述投保倾向信息至少用于反映所述用户购买保险的意向以及消费习惯;
根据所述投保倾向信息与所述相关信息的匹配程度,对所述目标保险产品进行筛选,得到筛选处理后的目标保险产品。
3.根据权利要求2所述的方法,其特征在于,所述目标保险方案的数量为多个,所述方法还包括:
针对任一所述目标保险方案,将所述投保倾向信息以及所述目标保险方案输入方案评分模型,得到所述目标保险方案对应的评分,其中,所述评分用于反映所述目标保险方案与所述用户的匹配程度;
根据所述评分对各所述目标保险方案进行筛选,得到展示保险方案。
4.根据权利要求3所述的方法,其特征在于,所述方案评分模型包括:监督学习模型以及经验规则模型;所述将所述投保倾向信息以及所述目标保险方案输入方案评分模型,得到所述目标保险方案对应的评分,包括:
将所述投保倾向信息以及所述目标保险方案分别输入所述监督学习模型以及所述经验规则模型,得到所述监督学习模型对应的第一评分以及所述经验规则模型对应的第二评分;
对所述第一评分和所述第二评分进行加权求和,计算得到所述目标保险方案对应的评分,其中,所述监督学习模型是采用多个样本数据训练得到,所述样本数据包括多个用户的投保倾向信息、对应的保险方案以及对应的用户实际评分;所述经验规则模型是根据不同的投保倾向信息与不同的投保方案对应时的经验评分得到。
5.根据权利要求1所述的方法,其特征在于,所述目标实体还包括:保险产品的核保规则实体;所述目标信息还包括:所述目标保险产品对应的核保规则;所述目标险种的投保比例范围和/或所述目标险种的保额范围;
所述采用所述目标保险产品,生成目标保险方案,包括:
根据所述目标保险产品的核保规则、所述目标险种的投保比例范围和/或所述目标险种的保额范围,确定所述目标保险产品的承保信息,所述承保信息包括以下一项或多项:保险金额、保险费用、付款方式;
生成包括所述承保信息的目标保险方案。
6.根据权利要求1所述的方法,其特征在于,所述目标实体还包括:与保险相关的公知知识实体以及保险产品的相关信息实体;所述公知知识实体包括以下一项或多项:理财知识实体、健康知识实体、保险领域知识实体、风险知识实体;所述相关信息实体包括以下一项或多项:保险产品的运营规则实体、保险产品的精算规则实体、保险产品的核保规则实体、保险产品的理赔规则实体。
7.根据权利要求1所述的方法,其特征在于,所述根据所述投保请求,从保险方案基础库中筛选得到初拟保险方案,包括:
将所述需求信息、所述保险方案基础库以及用户的投保倾向信息输入方案匹配模型,得到所述初拟保险方案,所述投保倾向信息基于所述个人信息确定,所述投保倾向信息至少用于反映所述用户购买保险的意向以及消费习惯。
8.一种保险方案生成装置,其特征在于,所述装置包括:
获取模块,获取用户的投保请求,所述投保请求至少包括:所述用户的个人信息以及需求信息;
筛选模块,用于根据所述投保请求,从保险方案基础库中筛选得到初拟保险方案,所述初拟保险方案至少包括:目标险种;
提取模块,用于从保险知识图谱中提取所述目标险种关联的目标信息,所述目标信息包括目标保险产品,所述保险知识图谱以目标实体以及实体间关系构建,所述目标实体至少包括:险种实体以及保险产品实体;
生成模块,用于采用所述目标保险产品,生成目标保险方案。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1至7任一所述的方法步骤。
10.一种可读存储介质,其上存储有计算机程序,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7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924523.5A CN113742492B (zh) | 2021-08-12 | 2021-08-12 | 保险方案生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924523.5A CN113742492B (zh) | 2021-08-12 | 2021-08-12 | 保险方案生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742492A true CN113742492A (zh) | 2021-12-03 |
CN113742492B CN113742492B (zh) | 2024-05-07 |
Family
ID=78730865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110924523.5A Active CN113742492B (zh) | 2021-08-12 | 2021-08-12 | 保险方案生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742492B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792272A (zh) * | 2022-05-10 | 2022-07-26 | 北京华通互惠科技有限公司 | 保险产品处理装置、方法、电子设备及存储介质 |
CN115619068A (zh) * | 2022-10-20 | 2023-01-17 | 北京晨跃科技有限公司 | 智能投保方案生成方法、装置、电子设备及存储介质 |
CN116343989A (zh) * | 2023-03-09 | 2023-06-27 | 北京体育大学 | 一种基于远程监测的数字化训练调控方法及系统 |
CN116894124A (zh) * | 2023-07-25 | 2023-10-17 | 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 |
CN117521613A (zh) * | 2023-10-24 | 2024-02-06 | 中国人寿保险股份有限公司江苏省分公司 | 一种生成保险险种宣传方案的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921708A (zh) * | 2018-06-05 | 2018-11-30 | 沈烨 | 保险服务优化方法、装置和存储介质 |
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 |
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 |
WO2021004121A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 车险推荐方法、装置、设备及计算机可读存储介质 |
CN113034295A (zh) * | 2021-04-21 | 2021-06-25 | 中国建设银行股份有限公司 | 险种推荐方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-12 CN CN202110924523.5A patent/CN113742492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921708A (zh) * | 2018-06-05 | 2018-11-30 | 沈烨 | 保险服务优化方法、装置和存储介质 |
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 |
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 |
WO2021004121A1 (zh) * | 2019-07-05 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 车险推荐方法、装置、设备及计算机可读存储介质 |
CN113034295A (zh) * | 2021-04-21 | 2021-06-25 | 中国建设银行股份有限公司 | 险种推荐方法、装置、电子设备及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792272A (zh) * | 2022-05-10 | 2022-07-26 | 北京华通互惠科技有限公司 | 保险产品处理装置、方法、电子设备及存储介质 |
CN114792272B (zh) * | 2022-05-10 | 2024-02-23 | 北京华通互惠科技有限公司 | 保险产品处理装置、方法、电子设备及存储介质 |
CN115619068A (zh) * | 2022-10-20 | 2023-01-17 | 北京晨跃科技有限公司 | 智能投保方案生成方法、装置、电子设备及存储介质 |
CN115619068B (zh) * | 2022-10-20 | 2023-09-05 | 北京晨跃科技有限公司 | 智能投保方案生成方法、装置、电子设备及存储介质 |
CN116343989A (zh) * | 2023-03-09 | 2023-06-27 | 北京体育大学 | 一种基于远程监测的数字化训练调控方法及系统 |
CN116894124A (zh) * | 2023-07-25 | 2023-10-17 | 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 |
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 |
CN117521613A (zh) * | 2023-10-24 | 2024-02-06 | 中国人寿保险股份有限公司江苏省分公司 | 一种生成保险险种宣传方案的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113742492B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10109017B2 (en) | Web data scraping, tokenization, and classification system and method | |
US9836795B2 (en) | Computerized system and method for pre-filling of insurance data using third party sources | |
CN113742492A (zh) | 保险方案生成方法、装置、电子设备及存储介质 | |
US11243992B2 (en) | System and method for information recommendation | |
US7062477B2 (en) | Information-processing apparatus, information-processing method and storage medium | |
US20120290330A1 (en) | System and method for web-based industrial classification | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
US11080639B2 (en) | Intelligent diversification tool | |
JP2019091355A (ja) | 判定装置、判定方法及び判定プログラム | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN115375177A (zh) | 用户价值评估方法、装置、电子设备及存储介质 | |
WO2019144035A1 (en) | Systems and methods for collecting and processing alternative data sources for risk analysis and insurance | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
WO2020150597A1 (en) | Systems and methods for entity performance and risk scoring | |
US20220164374A1 (en) | Method of scoring and valuing data for exchange | |
US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN114429384A (zh) | 基于电商平台的产品智能推荐方法及系统 | |
Preeti et al. | Application of hybrid approach in banking system: An undesirable operational performance modelling | |
JP7215664B1 (ja) | 取引促進システム、取引促進方法及び取引促進プログラム | |
US11989243B2 (en) | Ranking similar users based on values and personal journeys | |
JP7345032B1 (ja) | 与信審査装置、方法及びプログラム | |
EP4138021A1 (en) | Method of scoring and valuing data for exchange | |
US20200226688A1 (en) | Computer-readable recording medium recording portfolio presentation program, portfolio presentation method, and information processing apparatus | |
Sharma | Identifying Factors Contributing to Lead Conversion Using Machine Learning to Gain Business Insights |
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 |