CN114036399A - 信息推荐方法、装置、设备、存储介质及程序产品 - Google Patents
信息推荐方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114036399A CN114036399A CN202111475747.9A CN202111475747A CN114036399A CN 114036399 A CN114036399 A CN 114036399A CN 202111475747 A CN202111475747 A CN 202111475747A CN 114036399 A CN114036399 A CN 114036399A
- Authority
- CN
- China
- Prior art keywords
- attribute
- information
- determining
- insurance
- server
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种信息推荐方法、装置、设备以及存储介质,本公开涉及计算机技术领域,尤其涉及智能推荐技术领域。信息推荐方法的具体实现方案为:根据对象在健康服务端的记录数据,得到对象的第一属性;根据第一属性,从保险服务端的关联信息中,确定目标信息,其中,保险服务端包括多个;以及向对象推荐目标信息。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及智能推荐技术领域。具体地,涉及一种信息推荐方法、信息推荐装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品。
背景技术
随着互联网愈加深入生活,智能推荐涉及各个方面。相关的推荐信息数量众多、推荐信息的质量参差不齐,因此,如何准确推荐信息是个重要的问题。
发明内容
本公开提供了一种信息推荐方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种信息推荐方法,包括:根据对象在健康服务端的记录数据,得到对象的第一属性;根据第一属性,从保险服务端的关联信息中,确定目标信息,其中,保险服务端包括多个;以及向对象推荐目标信息。
根据本公开的另一方面,提供了一种信息推荐装置,包括:第一属性确定模块、目标信息确定模块以及目标信息推荐模块,第一属性确定模块用于根据对象在健康服务端的记录数据,得到所述对象的第一属性;目标信息确定模块,用于根据所述第一属性,从保险服务端的关联信息中,确定目标信息,其中,所述保险服务端包括多个;目标信息推荐模块,用于向所述对象推荐所述目标信息。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和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上述的信息推荐方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的信息推荐方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述的信息推荐方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的可以应用于信息推荐方法及装置的示例性系统架构;
图2是根据本公开一实施例的信息推荐方法的流程图;
图3是根据本公开另一实施例的信息推荐方法的示例示意图;
图4是根据本公开又一实施例的信息推荐方法的示例示意图;
图5是根据本公开又一实施例的信息推荐方法的示例示意图;
图6是本公开实施例的信息推荐的装置的框图;以及
图7是可以实现本公开实施例的信息推荐方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在互联网背景下,信息推荐注重根据对象的需求针对性地推荐信息,以提高信息推荐的效率。因此,如何更为准确地衡量对象的需求愈加重要。
以服务端A推荐信息为例,在一实施例中,该服务端A根据对象在该服务端A产生的历史数据,评估对象对该服务端的信息的需求。可以理解,存储于该服务端A的历史数据仅可以部分体现对象的需求。存在以下一种情况:对象对于服务端A的信息的需求与对象在另一服务端B产生的历史数据有关,则存储于服务端B的数据可以作为衡量对象对服务端A的信息需求的参考,以从更加多维的角度确定对象需求,提高信息推荐的准确性。
图1示意性示出了根据本公开一实施例的信息推荐方法和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括客户端101、102、103,网络104和服务器105。网络104用以在客户端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用客户端101、102、103通过网络104与服务器105交互,以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
客户端101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。本公开实施例的客户端101、102、103例如可以运行应用程序。
服务器105可以是提供各种服务的服务器,例如对用户利用客户端101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给客户端。另外,服务器105还可以是云服务器,即服务器105具有云计算功能。
需要说明的是,本公开实施例所提供的信息推荐方法可以由服务器105执行。相应地,本公开实施例所提供的信息推荐装置可以设置于服务器105中。本公开实施例所提供的信息推荐方法也可以由不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的信息推荐装置也可以设置于不同于服务器105且能够与客户端101、102、103和/或服务器105通信的服务器或服务器集群中。
在一种示例中,服务器105可以通过网络104获取来自客户端101、102、103的记录数据和关联信息,并根据记录数据确定第一属性,进而根据第一属性确定向对象推荐的目标信息。
应该理解,图1中的客户端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的客户端、网络和服务器。
本公开实施例提供了一种信息推荐方法,下面结合图1的系统架构,参考图2~图5来描述根据本公开示例性实施方式的信息推荐方法。本公开实施例的信息推荐方法例如可以由图1所示的服务器105来执行。
可以理解,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图2示意性示出了根据本公开一实施例的信息推荐方法的流程图。
如图2所示,本公开实施例的信息推荐方法200例如可以包括操作S210~操作S230。
在操作S210,根据对象在健康服务端的记录数据,得到对象的第一属性。
在操作S220,根据第一属性,从保险服务端的关联信息中,确定目标信息,其中,保险服务端包括多个。
在操作S230,向对象推荐目标信息。
操作S210中,健康服务端可以理解为可与健康相关的、可以实现各种功能的客户端,健康服务端可以存储对象的记录数据,记录数据可以理解为记录对象在该健康服务端使用某功能的数据,第一属性可以理解为表征对象某一特征的标签。
操作S220中,保险服务端可以理解为与保险相关的、可实现各种功能的另一客户端,关联信息可以理解为保险服务端提供的信息。
根据本公开实施例的技术方案,由于对象在健康服务端的记录数据可以表征对象的某一特点,即第一属性,健康服务端与保险服务端相关,则根据该第一属性可以准确、综合地确定用于推荐给该对象保险服务端的目标信息,该目标信息更适合该对象。另外,保险服务端包括多个,目标信息的提供源更为广泛,则可以横向对比多个保险服务端,以准确地向对象推荐更适合的目标信息。
为清楚说明本公开实施例的技术方案,以下将举例说明。保险服务端的关联信息可以为保险产品,而保险产品的种类有很多,本公开实施例中仅以疾病种类保险产品和医美种类保险产品为例进行说明。
对于疾病种类保险产品,具有相应疾病的对象的需求更高,则健康服务端可以是医院服务客户端、药房服务客户端以及体检机构服务客户端等,对象在该健康服务端的记录数据可以反映对象的疾病特征,该疾病特征作为第一属性,则根据该第一属性可确定并向对象推荐相应的疾病种类保险产品。该疾病特征作为第一属性,还可以根据该第一属性确定并向对象推荐相应的寿险等保险产品,并不局限于疾病种类保险产品。
对于医美项目种类保险产品,具有某一医美项目意向的对象的需求更高,则健康服务端可以是医美服务客户端,对象在该健康服务端的记录数据可以反映对象的该医美意向特征,该医美意向特征作为第一属性,则可以根据该第一属性确定并向对象推荐相应的医美种类保险产品。
应该理解,健康服务端并不局限于医院服务客户端、药房服务客户端和体检机构服务客户端,保险服务端也并不局限于保险类客户端,可以根据推荐的信息具体选择健康服务端和保险服务端。
图3示意性示出了根据本公开另一实施例的信息推荐方法的示意图。
如图3所示,根据本公开实施例的信息推荐方法300,记录数据可以包括多个类别,第一属性可以包括多个。
在操作S310中,根据对象在健康服务端的记录数据,得到对象的第一属性可以包括:根据对象在健康服务端的的记录数据的类别,确定与类别的记录数据对应的第一属性。
示例性地,图3示出了记录数据包括两个类别,即类别Cx、类别Cy,第一属性包括两个,即第一属性Nx、第一属性Ny,类别Cx与第一属性Nx对应,类别Cy与第一属性Ny对应。
根据本公开实施例的技术方案,可以从不同种类的记录数据确定不同的第一属性,即,可以更加准确地表征对象的特征,便于后续准确地向对象推荐目标信息。
示例性地,仍以健康服务端为医院服务客户端,保险服务端为保险类客户端为例进行说明。
医院服务客户端存储对象的疾病记录,疾病记录反映对象的疾病特征,该疾病特征可以作为一个第一属性N1。例如,对象在医院服务客户端存储有贫血疾病的记录,贫血疾病可以作为血液类疾病这一第一属性。
体检机构客户端存储对象的体检记录,体检记录也可以反映对象的疾病特征,该疾病特征可以作为一个第一属性N1。例如,对象在体检机构服务客户端存储有血小板计数的数据,血小板计数异常可以作为凝血功能异常的特征,可将血小板计数异常作为血液类疾病这一第一属性。
应该理解,可以将疾病记录和体检记录作为同一个类别的记录数据,例如类别1,则可以根据该类别1的记录数据确定相应的第一属性N1。
医院服务客户端还可以存储对象的缴费记录。与疾病记录不同,缴费记录可以作为另一个类别的记录数据,例如类别2,缴费记录记录数据可以反映对象的费用承受能力,则费用承受能力可以作为另一个第一属性N2。例如,缴费记录中包括对象的药品费用以及相关的报销比例等数据,则报销比例低可以作为费用承受能力高这一第一属性。
医美服务客户端可以存储对象对医美项目的咨询记录,例如咨询记录可以为类别3,对象对医美项目的咨询频率可以作为另一个第一属性N3。例如对象对该医美项目M的咨询频率较高,可将医美项目M的意向较高作为医美项目M这一第一属性。
应该理解,如图3所示,信息推荐方法300中,操作S310与上述实施例中操作S210相同,操作S320与上述实施例中操作S220相同,操作S330与上述实施例中操作S230相同。
示例性地,如图4所示,根据本公开实施例的信息推荐方法400,操作S420中,根据第一属性,从保险服务端的关联信息中,确定目标信息可以包括:将保险服务端的关联信息中,属性为与第一属性相对应的信息,确定为目标信息。
应该理解,根据第一属性,从保险服务端的关联信息中,确定目标信息,即,以第一属性为确定目标信息的参考,可以确定保险服务端的关联信息的属性,这里将保险服务端的关联信息的属性作为第二属性,则可以通过第一属性与第二属性之间的对应关系,确定目标信息。具体的,第一属性与第二属性之间的对应关系可以是相同。
根据本公开实施例的技术方案,通过属性对应的方式,可准确地根据第一属性确定保险服务端的目标信息,提高目标信息推荐的准确性。
示例性地,仍以健康服务端为医院服务客户端,保险服务端为保险类客户端,保险服务端的关联信息为保险产品为例进行说明。
例如,对于第一属性为血液类疾病的对象,保险类客户端的保险产品中,有些保险产品的属性可以是针对血液类疾病,即第二属性为血液类疾病,这些保险产品例如可以是寿险产品、医疗险产品以及重疾险产品等,则可以将具有与第一属性相同属性的关联信息确定为目标信息,即,确定相应的寿险产品、医疗险产品以及重疾险产品为目标信息。
还需要说明的是,本公开实施例的信息推荐方案还可以包括:向对象推荐健康服务端的信息。
例如,对象在医院服务客户端中存储有疾病信息,则可以向对象推荐相关的医院信息、医生信息等等。便于对象后期关注疾病或者后期需要复查。例如,向对象推荐健康服务端的信息可以根据对象当前位置与医院的距离远近、医院的资质高低、医生的资质高低等顺序。
应该理解,如图4所示,信息推荐方法400中,操作S410与上述实施例中操作S210相同,操作S420与上述实施例中操作S220相同,操作S430与上述实施例中操作S230相同。
图5示例性示出了根据本公开又一实施例的信息推荐方法的示意图。
如图5所示,根据本公开实施例的信息推荐方法500,操作S520中,将保险服务端的关联信息中,属性为与第一属性相对应的信息,确定为目标信息可以包括:利用长短期记忆网络,将关联信息中,属性为与第一属性相对应的信息,确定为目标信息。
长短期记忆网络,即,Long Short-Term Memory,简称为LSTM,是一种时间循环神经网络,循环神经网络,即,Recurrent Neural Network,简称为RNN,是一类以序列数据为输入,在序列的演进方向进行递归且所有节点按链式连接的递归神经网络,在任意t时间,循环神经网络包括输入层、隐含层和输出层,隐含层的输出一分为二,二者中的其中一者传输至输出层,另一者与下一时刻的输出一起作为隐含层的输入,因此循环神经网络具有记忆性。相比于RNN,LSTM还含有LSTM区块,该区块可以记忆不定时间长度的数值,且该区块中有一个逻辑门,即,gate,可以决定输入是否重要到能被记忆或者输入经该LSTM处理后是否输出。
根据本公开实施例的技术方案,利用长短期记忆网络可以区分不同输入的重要性,选择性地输出,可以更准确、合理地根据第一属性自动确定保险服务端的目标信息。应该理解,输入为第一属性,输出为目标信息。
示例性地,如图5所示,根据本公开实施例的信息推荐方法500,操作S510中,根据对象在健康服务端的记录数据,得到对象的第一属性可以包括:根据K均值聚类,对记录数据进行处理,得到对象的第一属性。
K均值聚类是一种算法,即,K-means clustering algorithm,该算法是一种迭代求解的算法,可以包括:预先将数据分为K组,随机选取K个数据作为均值的初始值,计算每个数据与各个初始均值所在点之间的距离。然后将各个数据分类至距离最近的初始均值所在点所在的组,然后根据组内数据更新每个均值所在点,重复上述步骤,然后可以获得K个组。
根据本公开实施例的技术方案,可以区分和细化第一属性,以准确地表征对象的特征,便于后续准确地向对象推荐保险服务端的目标信息。
示例性地,以健康服务端为医院类客户端为例,在本公开实施例的技术方案中,例如上述疾病记录、缴费记录作为K均值聚类算法的输入,可以输出不同的组,例如可以是血液类疾病组、免疫类疾病组、费用承受能力高组、费用承受能力低组,不同的组可以对应不同的第一属性,以准确地通过第一属性表征对象的特征。
应该理解,如图5所示,信息推荐方法500中,操作S510与上述实施例中操作S210相同,操作S520与上述实施例中操作S220相同,操作S530与上述实施例中操作S230相同。
示例性地,根据本公开实施例的信息推荐方法,其中,健康服务端可以包括多个,信息推荐方法还可以包括:通过以下方式中的至少一个,获取与多个保险服务端相关的关联信息和/或健康服务端的记录数据:接收人为录入的数据;爬取数据;调用接口数据。
各个健康服务端、各个保险服务端一般是相互独立的,这就使得推荐信息时,各个健康服务端、各个保险服务端的数据无法共享。
根据本公开实施例的技术方案,可以整合各个健康服务端的记录数据,根据多个健康服务端的记录数据可以准确、全面地确定第一属性,和/或,可以整合各个保险服务端的关联信息,横向对比各个保险服务端的关联信息,以推荐更适合对象的目标信息。
应该理解,接收人为录入的数据可以理解为对象具有信息推荐的需求时,主动录入表征第一属性的信息,例如,录入药品购买记录数据、医美项目咨询数据等。爬取数据可以包括在健康服务端和/或保险服务端的网站上提取特定内容,而无需请求网站的接口的数据获取方式。调用接口数据可以包括通过调用健康服务端和/保险服务端对外开放或者授权后可调用的接口,获取相应数据。
图6示例性示出了根据本公开一实施例的信息推荐装置的框图。
如图6所示,根据本公开实施例的信息推荐装置600,包括:第一属性确定模块610、目标信息确定模块620和目标信息推荐模块630。
第一属性确定模块610,用于根据对象在健康服务端的记录数据,得到对象的第一属性。
目标信息确定模块620,用于根据第一属性,从保险服务端的关联信息中,确定目标信息,其中,保险服务端包括多个。
目标信息推荐模块630,用于向对象推荐目标信息。
根据本公开实施例的信息推荐装置,其中,记录数据可以包括多个类别,第一属性可以包括多个,第一属性确定模块可以包括:第一确定单元。
第一确定单元,可以用于根据对象在健康服务端的的记录数据的类别,确定与类别的记录数据对应的第一属性。
根据本公开实施例的信息推荐装置,其中,目标信息确定模块可以包括:目标信息推荐子模块。
目标信息确定子模块,可以用于将保险服务端的关联信息中,属性为与第一属性相对应的信息,确定为目标信息。
根据本公开实施例的信息推荐装置,其中,目标信息确定子模块可以包括:目标信息确定单元。
目标信息确定单元,可以用于利用长短期记忆网络,将关联信息中,属性为与第一属性相对应的信息,确定为目标信息。
根据本公开实施例的信息推荐装置,其中,第一属性确定模块可以包括:第二确定单元。
第二确定单元,可以用于根据K均值聚类,对记录数据进行处理,得到对象的第一属性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如信息推荐方法。例如,在一些实施例中,信息推荐方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的信息推荐方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行信息推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种信息推荐方法,包括:
根据对象在健康服务端的记录数据,得到所述对象的第一属性;
根据所述第一属性,从保险服务端的关联信息中,确定目标信息,其中,所述保险服务端包括多个;以及
向所述对象推荐所述目标信息。
2.根据权利要求1所述的方法,其中,所述记录数据包括多个类别,所述第一属性包括多个,所述根据对象在健康服务端的记录数据,得到所述对象的第一属性包括:
根据所述对象在所述健康服务端的记录数据的类别,确定与所述类别的记录数据对应的第一属性。
3.根据权利要求1所述的方法,其中,所述根据所述第一属性,从保险服务端的关联信息中,确定目标信息包括:
将所述保险服务端的关联信息中,属性为与第一属性相对应的信息,确定为所述目标信息。
4.根据权利要求3所述的方法,其中,将所述保险服务端的关联信息中,属性为与第一属性相对应的信息,确定为所述目标信息包括:
利用长短期记忆网络,将所述关联信息中,属性为与第一属性相对应的信息,确定为所述目标信息。
5.根据权利要求1-4中任一项所述的方法,其中,根据对象在健康服务端的记录数据,得到所述对象的第一属性包括:
根据K均值聚类,对所述记录数据进行处理,得到所述对象的第一属性。
6.根据权利要求1-4中任一项所述的方法,其中,所述健康服务端包括多个,所述方法还包括:
通过以下方式中的至少一个,获取与多个所述保险服务端相关的关联信息和/或所述健康服务端的记录数据:
接收人为录入的数据;
爬取数据;
调用接口数据。
7.一种信息推荐装置,包括:
第一属性确定模块,用于根据对象在健康服务端的记录数据,得到所述对象的第一属性;
目标信息确定模块,用于根据所述第一属性,从保险服务端的关联信息中,确定目标信息,其中,所述保险服务端包括多个;以及
目标信息推荐模块,用于向所述对象推荐所述目标信息。
8.根据权利要求7所述的装置,其中,所述记录数据包括多个类别,所述第一属性包括多个,所述第一属性确定模块包括:
第一确定单元,用于根据所述对象在所述健康服务端的的记录数据的类别,确定与所述类别的记录数据对应的第一属性。
9.根据权利要求7所述的装置,其中,所述目标信息确定模块包括:
目标信息确定子模块,用于将所述保险服务端的关联信息中,属性为与第一属性相对应的信息,确定为所述目标信息。
10.根据权利要求9所述的装置,其中,所述目标信息确定子模块包括:
目标信息确定单元,用于利用长短期记忆网络,将所述关联信息中,属性为与第一属性相对应的信息,确定为所述目标信息。
11.根据权利要求7-10中任一项所述的装置,其中,所述第一属性确定模块包括:
第二确定单元,用于根据K均值聚类,对所述记录数据进行处理,得到所述对象的第一属性。
12.根据权利要求7-10中任一项所述的装置,其中,所述健康服务端包括多个,所述装置还包括:
关联信息获取模块和/或记录数据获取模块,所述关联信息获取模块和/或所述记录数据获取模块用于通过以下方式中的至少一个,获取与多个所述保险服务端相关的关联信息和/或所述健康服务端的记录数据:
接收人为录入的数据;
爬取数据;
调用接口。
13.一种电子设备,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权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111475747.9A CN114036399A (zh) | 2021-12-06 | 2021-12-06 | 信息推荐方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111475747.9A CN114036399A (zh) | 2021-12-06 | 2021-12-06 | 信息推荐方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036399A true CN114036399A (zh) | 2022-02-11 |
Family
ID=80139910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111475747.9A Pending CN114036399A (zh) | 2021-12-06 | 2021-12-06 | 信息推荐方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036399A (zh) |
-
2021
- 2021-12-06 CN CN202111475747.9A patent/CN114036399A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504120B2 (en) | Determining a temporary transaction limit | |
US10713090B2 (en) | Context aware prioritization in a distributed environment using tiered queue allocation | |
CN110689395B (zh) | 用于推送信息的方法和装置 | |
CN109446384B (zh) | 用于生成人员组织架构信息的方法和系统 | |
CN110689268A (zh) | 一种提取指标的方法和装置 | |
CN110309142B (zh) | 规则管理的方法和装置 | |
CN107291835B (zh) | 一种搜索词的推荐方法和装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN108985805B (zh) | 一种选择性执行推送任务的方法和装置 | |
CN107291923B (zh) | 信息处理方法和装置 | |
US20230085684A1 (en) | Method of recommending data, electronic device, and medium | |
CN110826948A (zh) | 仓库选品方法和装置 | |
US20150170068A1 (en) | Determining analysis recommendations based on data analysis context | |
CN114036399A (zh) | 信息推荐方法、装置、设备、存储介质及程序产品 | |
CN115330540A (zh) | 一种处理交易数据的方法和装置 | |
CN111125514B (zh) | 用户行为分析的方法、装置、电子设备和存储介质 | |
CN113722593A (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN112632384A (zh) | 针对应用程序的数据处理方法、装置、电子设备和介质 | |
CN112528103A (zh) | 一种推荐对象的方法和装置 | |
CN112906723A (zh) | 一种特征选择的方法和装置 | |
CN113053522B (zh) | 用于处理医疗数据的方法、装置、设备、介质和产品 | |
CN113934931A (zh) | 信息推荐方法、装置、设备、存储介质及程序产品 | |
WO2024113966A1 (zh) | 物品标识信息生成方法、装置、设备、介质和程序产品 | |
CN113362097B (zh) | 一种用户确定方法和装置 | |
CN113554041B (zh) | 一种对用户标记标签的方法和装置 |
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 |