CN114240553A - 车辆保险产品的推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例属于大数据领域，涉及车辆保险产品的推荐方法、装置、设备及存储介质，所述方法包括获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据；对所述加油数据进行数据融合，并基于预设蚁群聚类算法，获取所述加油客群的个体行为模式特征；将所述理赔数据以及所述历史的车辆保险产品销售数据与所述个体行为模式特征进行综合分析，根据分析结果给所述加油客群打标签；基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给所述加油客群。本申请能够提高车辆保险产品的推荐效果。

Description

车辆保险产品的推荐方法、装置、设备及存储介质

技术领域

本申请涉及大数据技术领域，尤其涉及车辆保险产品的推荐方法、装置、设备及存储介质。

背景技术

随着保险电子商务的不断发展，保险产品的营销成为各大保险公司的重要工作。相较于传统的保险销售，现在比较流行的互联网销售降低了用户购买保险的门槛，通过金融和科技相结合的手段弥补了传统代理人服务的不足。在大数据快速发展的时代，如何将大量数据与保险销售有效结合，为不同的客户推荐不同的保险产品，从而提升营销质量，提高客户忠诚度，是保险公司关注的焦点。在为客户进行个性化推荐时，提升客户价值是重点，所以推荐的产品不在于多，而在于精致。目前在进行产品推荐时，普遍使用的基本上是历史的销售数据，数据源相对单一，无法充分推荐，导致客户满意度不高，推荐效果差的问题。

发明内容

本申请实施例的目的在于提出车辆保险产品的推荐方法、装置、设备及存储介质，以解决现有推荐方法推荐效果差的问题。

为了解决上述技术问题，本申请实施例提供一种车辆保险产品的推荐方法，采用了如下所述的技术方案：

获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据；

对所述加油数据进行数据融合，并基于预设蚁群聚类算法，获取所述加油客群的个体行为模式特征；

将所述理赔数据以及所述历史的车辆保险产品销售数据与所述个体行为模式特征进行综合分析，根据分析结果给所述加油客群打标签；

基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给所述加油客群。

为了解决上述技术问题，本申请实施例还提供一种车辆保险产品的推荐装置，采用了如下所述的技术方案：

数据获取模块，用于获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据；

数据融合模块，用于对所述加油数据进行数据融合，并基于预设蚁群聚类算法，获取所述加油客群的个体行为模式特征；

分析模块，用于将所述理赔数据以及所述历史的车辆保险产品销售数据与所述个体行为模式特征进行综合分析，根据分析结果给所述加油客群打标签；

推荐模块，用于基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给所述加油客群。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述实施例所述的车辆保险产品的推荐方法的步骤。

为了解决上述技术问题，本申请实施例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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述实施例所述的车辆保险产品的推荐方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：通过获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据；对加油数据进行数据融合，并基于预设蚁群聚类算法，获取加油客群的个体行为模式特征；将理赔数据以及历史的车辆保险产品销售数据与个体行为模式特征进行综合分析，根据分析结果给加油客群打标签；基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给加油客群。这样结合加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据的多种数据源，以及预设关联规则挖掘算法、预设标签推荐算法以及预设协同过滤算法的多种算法组合对车辆保险产品进行个性化推荐。保证推荐数据源以及推荐算法的多样性，且能够充分利用保险产品本身的特点、客户的加油数据、理赔数据等数据来推荐产品，并借助客户标签的不断更新使推荐更具实时性、可靠性，进一步提高车辆保险产品的推荐效果。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。

图1根据本申请的车辆保险产品的推荐方法的一个实施例的流程图；

图2是图1中步骤S102的一种具体实施方式的流程图；

图3是图1中步骤S103的一种具体实施方式的流程图；

图4是图3中步骤S303的一种具体实施方式的流程图；

图5是图1中步骤S104的一种具体实施方式的流程图；

图6是根据本申请的车辆保险产品的推荐装置的一个实施例的结构示意图；

图7是图6所示数据融合模块一种具体实施方式的结构示意图；

图8是图6所示分析模块一种具体实施方式的结构示意图；

图9是图8所示标签单元一种具体实施方式的结构示意图；

图10是图6所示推荐模块一种具体实施方式的结构示意图；

图11是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

继续参考图1，示出了根据本申请的车辆保险产品的推荐方法的一个实施例的流程图。的车辆保险产品的推荐方法，包括以下步骤：

步骤S101，获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据。

其中，加油数据包括静态加油数据以及动态加油数据。静态加油数据包括加油客群的用户信息、车辆信息以及加油站的基本信息等数据。用户信息可以包括用户账号、联系方式等。车辆信息可以包括车牌号、车辆类型、车辆型号等信息。加油站信息包括加油站名称、加油站地点、油品类型以及油价等信息。

动态加油数据包括加油客群的加油行为产生的时序数据、轨迹数据以及一些外部因素影响(如天气、假日)等数据。时间序列为加油客户每次加油的时间序列。轨迹数据为加油客户的加油轨迹，比如，加油客户经常在哪些加油站进行加油，由这些加油站形成的加油轨迹。

静态加油数据以及动态加油数据可以存储在加油数据系统的数据库中。

理赔数据为加油客群过去的理赔数据。理赔数据可以存储在理赔数据系统的数据库中。

历史的车辆保险产品销售数据包括加油客群过去购买的车辆保险产品的时间特征和消费特征。上述车辆保险产品可以是指车辆保险产品。该历史的车辆保险产品销售数据可以是存储在车辆保险产品数据系统的数据库中。

具体的，可以从对应大数据系统的数据库中获取到对应的加油数据、理赔数据以及历史的车辆保险产品销售数据。

步骤S102，对加油数据进行数据融合，并基于预设蚁群聚类算法，获取加油客群的个体行为模式特征。

其中，个体行为模式特征包括加油消费特征和加油时间特征。

在本实施例中，如图2所示，步骤S102具体包括：

步骤S201，将静态加油数据以及动态加油数据进行数据融合，得到融合数据。

具体的，可以将加油客群的静态加油数据中的加油客群的用户信息、车辆信息以及加油站的基本信息等数据，以及加油客群的动态加油数据中的加油客群的加油行为产生的时序数据、轨迹数据以及一些外部因素影响(如天气、假日)等数据进行数据融合。具体的数据融合方式为：将静态加油数据，动态加油数据分别进行特征提取，提取的特征信息应是原始数据的充分表示，然后根据特征信息将静态加油数据，动态加油数据分别进行分类、聚集，采用一些特征提取方法(比如PCA主成分分析，从高维数据中找到可以让数据沿着这个特征维度的分布最分散的特征)抽取出有价值的特征，以作为预设蚁群聚类算法的输入。例如，从每个加油客户对价格的敏感程度、油品偏好程度、节假日加油等维度进行融合。当然还可以从加油站、天气、假日、加油站轨迹等维度进行融合。从而得到每个加油客户对应的融合数据。

步骤S202，基于预设蚁群聚类算法对融合数据进行聚类分析，得到聚类结果。

其中，预设蚁群聚类算法是一种预先设置好的蚁群聚类算法，蚁群聚类算法基于蚁群的觅食行为进行聚类分析，将数据视为具有不同属性的蚂蚁，将聚类结果视为食物源，各蚂蚁通过一定的概率实现移动，并聚集在不同的食物源从而实现聚类。通过该聚类算法可以将前面抽取出的具有相似数据特征的客户聚集在一起，而将数据特征差距较大的客户尽量分离，有助于后面借助别的数据源对属于同一类别的客户进行深入分析，增强推荐的准确度。

具体的，通过预设蚁群聚类算法对加油客群中的多个客户的融合数据进行分析，从而得到加油客群中不同加油客户的加油情况。加油情况包括加油消费情况以及加油时间情况。

例如，有N个客户，每个客户有前面抽取出的数据特征，共n个，蚁群聚类算法的目的是使每个客户到聚类中心的距离和最小。算法主要流程是：1.初始化蚁群参数；2.构建信息素矩阵和目标函数；3.每一只蚂蚁在对自己解集中样本归属判断时是根据当前信息素矩阵，选择信息素高的，然后根据目标函数计算每只蚂蚁的目标值，取最优的蚂蚁进行局部搜索，更新信息素表，通过多次迭代后达到全局最优解。

步骤S203，根据聚类结果获取加油客群的加油消费特征和加油时间特征。

具体的，根据加油客群中的每个加油客户的加油消费情况以及加油时间情况得到每个加油客户对应的加油消费特征和加油时间特征。

比如，通过预设蚁群聚类算法对加油客群喜欢微信支付或支付宝支付的支付方式，加油总金额的消费趋势逐渐上升、逐渐下降还是不断波动等进行聚类分析后，从聚类结果分析加油客群的消费特点，进而得到对应的加油消费特征。

通过预设蚁群聚类算法对加油客群喜欢在夜间加油或凌晨加油，喜欢在工作日或非工作日加油等，可以体现加油客群的加油时间特点，进而得到加油客群对应的加油时间特征。

这两类特征都是基于蚁群聚类算法聚类出的结果，通过分析同一客群的客户，得到的对于该加油客群的加油消费特征和加油时间特征。

在本实施例中，可以根据加油数据中的多维度数据对加油客群的消费特征和时间特征进行结合，得到对应的个体行为模式特征。进而能够准确为加油客群进行车辆保险产品推荐，以提高车辆保险产品的推荐效果。

步骤S103，将理赔数据以及历史的车辆保险产品销售数据与个体行为模式特征进行综合分析，根据分析结果给加油客群打标签。

其中，理赔数据包括理赔时间特征以及理赔消费特征；历史的车辆保险产品销售数据包括历史的车辆保险产品时间特征以及历史的车辆保险产品消费特征。

具体的，可以根据加油客群的理赔情况以及历史购买的车辆保险产品类型，对该加油客群进行预测，并评估出险概率，从而根据加油客群的出险概率给该加油客群打上对应的标签。比如，喜欢夜间加油的客户很有可能是网约车，出险概率一般较高，可以给该客户打上高风险的标签客户，这样在进行车辆保险产品推荐时，可以向其推荐有关意外险的产品。

在本发明实施例中，如图3所示，步骤S103具体包括：

步骤S301，将理赔时间特征、历史的车辆保险产品时间特征以及加油时间特征进行对比分析，得到时间特征分析结果。

理赔时间特征可以是每次理赔的时间间隔特征，比如，相邻次理赔的时间间隔的长短。具体的，可以根据理赔时间间隔以及理赔次数对风险进行等级划，可以划分为高风险、中风险以及低风险等。当理赔的次数以及相邻次理赔时间间隔均满足高风险范围时，则说明该客户为高风险客户。同理，当理赔的次数以及相邻次理赔时间间隔均满足中风险范围时，则说明该客户为中风险客户。当理赔的次数以及相邻次理赔时间间隔均满足低风险范围时，则说明该客户为低风险客户。

同时，还需要结合客户在理赔时间特征的基础上，分析客户购买车辆保险产品的时间特征。这样可以判断客户所购买的车辆保险产品是否在有效期内。

而且还需要分析客户的加油时间，比如，客户加油的时间间隔比较近，客户使用车辆的时候比较频繁。或者，喜欢夜间加油的客户很有可能是网约车，出险概率一般较高，可以向其推荐有关意外险的产品。

这样可以结合理赔时间特征、历史的车辆保险产品时间特征以及加油时间特征的分析得到客户的时间特征分析结果。

步骤S302，将理赔消费特征、历史的车辆保险产品消费特征以及加油消费特征进行综合分析，得到消费特征分析结果。

理赔消费特征可以是每次理赔的金额特征，比如每次理赔的报销金额特征。上述历史的车辆保险产品消费特征可以是购买车辆保险产品的金额特征以及对应的保额特征。上述加油消费特征可以是每次加油的金额特征。

具体的，可以通过分析客户每次的理赔金额，购买车辆保险产品的金额和保额以及每次加油金额等来判断客户的出险概率，进而得到客户的消费特征分析结果。

步骤S303，结合时间特征分析结果以及消费特征分析结果给不同的加油客群打标签。

具体的，当判断出客户风险类型后，可以给客户打上对应的风险标签。

在本发明实施例中，如图4所示，步骤S303具体包括：

步骤S401，结合时间特征分析结果以及消费特征分析结果对加油客群进行分类，得到分类结果。

步骤S402，根据分类结果给不同的加油客群打上不同的标签。

具体的，可以基于分析得到的时间特征分析结果以及消费特征分析结果，将加油客群中的客户进行分类，比如高风险客户、中风险客户以及低风险客户等，然后再给客户贴上对应的标签。

这样可以给不同的加油客群推荐合适的车辆保险产品，进而提高车辆保险产品的推荐效果。

步骤S104，基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给加油客群。

其中，上述预设关联规则挖掘算法是预先设置的一种基于FP Tree(FrequentPattern tree，频繁模式树)的关联规则挖掘算法。

在本发明实施例中，如图5所示，步骤S104具体包括：

步骤S501，基于预设关联规则挖掘算法提取加油客群的历史的车辆保险产品与车辆保险产品之间的关联关系，将满足关联关系的车辆保险产品作为第一候选推荐车辆保险产品，并进行推荐评分。

具体的，通过基于FP Tree的关联规则挖掘算法，获取加油客群的历史的车辆保险产品与车辆保险产品之间的频繁项集，即哪些车辆保险产品购买次数超过指定阈值，然后通过FP Tree，可以得到每个车辆保险产品对应的条件模式基、条件FP树和产生的频繁模式，从而得到加油客群的历史的车辆保险产品与车辆保险产品之间的关联关系。从而得到对应的关联规则，即某几种车辆保险产品同时购买的可能性很高，因此可以将满足关联规则的车辆保险产品作为候选推荐车辆保险产品。同时。可以分别对得到的这些候选推荐车辆保险产品分别进行评分。评分可以是根据购买率、使用率等进行综合评分。

步骤S502，基于预设标签推荐算法将与加油客群的标签对应的车辆保险产品作为第二候选推荐车辆保险产品并进行推荐评分。

其中，预设标签推荐算法是一种预先设置好的基于标签的推荐算法。该预设标签推荐算法具体是根据客户的一些行为特征数据，从不同的维度抽取关键特征，打上标签，本质其实是用户画像，只不过特征更加具体、细致、多样，比如基于加油数据，可以抽取出客户忠诚度(根据客户的加油次数分布情况来判断该客户的忠诚度)、消费趋势(总加油金额呈现递增、不稳定、递减趋势)等标签维度。根据不同客户标签的相似性可以识别相似客户，从而进行车辆保险产品推荐。

具体的，通过预设标签推荐算法，可以基于客户的标签将相似客户购买的车辆保险产品作为候选推荐车辆保险产品，并分别对得到的候选推荐车辆保险产品进行评分。评分方式可以是按客户标签相似度的高低来对其所购买的车辆保险产品进行评分。标签相似度最高的客户所购买的车辆保险产品的评分相对较高，标签相似度低的客户所购买的车辆保险产品的评分相对较低等。

步骤S503，基于预设协同过滤算法将与历史的车辆保险产品消费特征和历史的车辆保险产品消费时间特征相同的车辆保险产品作为第三候选推荐车辆保险产品，并进行推荐评分。

其中，预设协同过滤算法是一种预先设置好的协同过滤算法。该协同过滤算法是基于对客户的历史的车辆保险产品消费特征以及历史的车辆保险产品消费时间特征的挖掘发现客户的喜好偏向，并预测客户可能喜好的产品进行推荐。

基于预设协同过滤算法进行推荐时，主要分为两类，分别是基于客户的协同过滤算法和基于物品的协同过滤算法。前者通过客户的历史的车辆保险产品消费特征和历史的车辆保险产品消费时间特征，发现客户对产品的喜好，并对这些喜好进行度量和打分，根据不同客户对相同产品的态度和偏好程度计算客户之间的关系，在有相同喜好的客户间进行产品推荐。后者通过计算不同客户对不同产品的评分获得产品间的关系，基于产品间的关系对客户进行相似物品的推荐，比如客户A购买了产品1和产品2，说明这两个产品的关联度较高，因此当客户B购买了产品1时，可以向其推荐产品2。

具体的，通过预设协同过滤算法可以找到相同的客户的相同喜好偏向的车辆保险产品作为候选推荐车辆保险产品。并对得到的候选推荐车辆保险产品进行评分。评分方式可以是按客户对车辆保险产品的打分的分数高低来进行评分。

步骤S504，通过加权结合的方式获取第一候选推荐车辆保险产品、第二候选推荐车辆保险产品、第三候选推荐车辆保险产品对应的最终推荐评分，并基于最终推荐评分选择前n位的候选推荐车辆保险产品，作为推荐列表推荐给加油客群。

具体的，三个算法分别进行推荐后得到候选的车辆保险产品以及评分，通过加权结合的方式得到最终的评分，从而获取最终的车辆保险产品推荐列表。一开始是等权重的，通过多次组合推荐和客户的真实购买情况，再不断地调整该权重，使得能与大多数客户的需求一致。

对于三种算法得到的待推荐产品取交集，得到相应的候选产品和相应推荐算法给出的评分，然后对所有评分进行加权结合，得到每个待推荐产品的最终评分，从其中选择前n位，作为推荐列表推荐给加油客群。

本发明实施例中，可以基于预设关联规则挖掘算法、预设标签推荐算法、预设协同过滤算法三种推荐算法得出的结果进行组合，可以实现车辆保险产品的个性化推荐。

本申请通过获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据；对加油数据进行数据融合，并基于预设蚁群聚类算法，获取加油客群的个体行为模式特征；将理赔数据以及历史的车辆保险产品销售数据与个体行为模式特征进行综合分析，根据分析结果给加油客群打标签；基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给加油客群。这样结合加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据的多种数据源，以及预设关联规则挖掘算法、预设标签推荐算法以及预设协同过滤算法的多种算法组合对车辆保险产品进行个性化推荐。保证推荐数据源以及推荐算法的多样性，且能够充分利用保险产品本身的特点、客户的加油数据、理赔数据等数据来推荐产品，并借助客户标签的不断更新使推荐更具实时性、可靠性，进一步提高车辆保险产品的推荐效果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图6，作为对上述图1所示方法的实现，本申请提供了一种车辆保险产品的推荐装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例所述的车辆保险产品的推荐装置600包括：数据获取模块601、数据融合模块602、分析模块603以及推荐模块604。其中：

数据获取模块601，用于获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据。

其中，加油数据包括静态加油数据以及动态加油数据。静态加油数据包括加油客群的用户信息、车辆信息以及加油站的基本信息等数据。用户信息可以包括用户账号、联系方式等。车辆信息可以包括车牌号、车辆类型、车辆型号等信息。加油站信息包括加油站名称、加油站地点、油品类型以及油价等信息。

动态加油数据包括加油客群的加油行为产生的时序数据、轨迹数据以及一些外部因素影响(如天气、假日)等数据。时间序列为加油客户每次加油的时间序列。轨迹数据为加油客户的加油轨迹，比如，加油客户经常在哪些加油站进行加油，由这些加油站形成的加油轨迹。

静态加油数据以及动态加油数据可以存储在加油数据系统的数据库中。

理赔数据为加油客群过去的理赔数据。理赔数据可以存储在理赔数据系统的数据库中。

历史的车辆保险产品销售数据包括加油客群过去购买的车辆保险产品的时间特征和消费特征。上述车辆保险产品可以是指车辆保险产品。该历史的车辆保险产品销售数据可以是存储在车辆保险产品数据系统的数据库中。

具体的，可以从对应大数据系统的数据库中获取到对应的加油数据、理赔数据以及历史的车辆保险产品销售数据。

数据融合模块602，用于对所述加油数据进行数据融合，并基于预设蚁群聚类算法，获取所述加油客群的个体行为模式特征。

其中，个体行为模式特征包括加油消费特征和加油时间特征。

在本实施例中，如图7所示，数据融合模块602具体包括：

数据融合单元6021，用于将所述静态加油数据以及动态加油数据进行数据融合，得到融合数据。

具体的，可以将加油客群的静态加油数据中的加油客群的用户信息、车辆信息以及加油站的基本信息等数据，以及加油客群的动态加油数据中的加油客群的加油行为产生的时序数据、轨迹数据以及一些外部因素影响(如天气、假日)等数据进行数据融合。具体的数据融合方式为：将静态加油数据，动态加油数据分别进行特征提取，提取的特征信息应是原始数据的充分表示，然后根据特征信息将静态加油数据，动态加油数据分别进行分类、聚集，采用一些特征提取方法(比如PCA主成分分析，从高维数据中找到可以让数据沿着这个特征维度的分布最分散的特征)抽取出有价值的特征，以作为预设蚁群聚类算法的输入。例如，从每个加油客户对价格的敏感程度、油品偏好程度、节假日加油等维度进行融合。当然还可以从加油站、天气、假日、加油站轨迹等维度进行融合。从而得到每个加油客户对应的融合数据。

聚类分析单元6022，用于基于所述预设蚁群聚类算法对所述融合数据进行聚类分析，得到聚类结果。

其中，预设蚁群聚类算法是一种预先设置好的蚁群聚类算法，蚁群聚类算法基于蚁群的觅食行为进行聚类分析，将数据视为具有不同属性的蚂蚁，将聚类结果视为食物源，各蚂蚁通过一定的概率实现移动，并聚集在不同的食物源从而实现聚类。通过该聚类算法可以将前面抽取出的具有相似数据特征的客户聚集在一起，而将数据特征差距较大的客户尽量分离，有助于后面借助别的数据源对属于同一类别的客户进行深入分析，增强推荐的准确度。

具体的，通过预设蚁群聚类算法对加油客群中的多个客户的融合数据进行分析，从而得到加油客群中不同加油客户的加油情况。加油情况包括加油消费情况以及加油时间情况。

例如，有N个客户，每个客户有前面抽取出的数据特征，共n个，蚁群聚类算法的目的是使每个客户到聚类中心的距离和最小。算法主要流程是：1.初始化蚁群参数；2.构建信息素矩阵和目标函数；3.每一只蚂蚁在对自己解集中样本归属判断时是根据当前信息素矩阵，选择信息素高的，然后根据目标函数计算每只蚂蚁的目标值，取最优的蚂蚁进行局部搜索，更新信息素表，通过多次迭代后达到全局最优解。

特征获取单元6023，用于根据所述聚类结果获取所述加油客群的加油消费特征和加油时间特征。

具体的，根据加油客群中的每个加油客户的加油消费情况以及加油时间情况得到每个加油客户对应的加油消费特征和加油时间特征。

比如，通过预设蚁群聚类算法对加油客群喜欢微信支付或支付宝支付的支付方式，加油总金额的消费趋势逐渐上升、逐渐下降还是不断波动等进行聚类分析后，从聚类结果分析加油客群的消费特点，进而得到对应的加油消费特征。

通过预设蚁群聚类算法对加油客群喜欢在夜间加油或凌晨加油，喜欢在工作日或非工作日加油等，可以体现加油客群的加油时间特点，进而得到加油客群对应的加油时间特征。

这两类特征都是基于蚁群聚类算法聚类出的结果，通过分析同一客群的客户，得到的对于该加油客群的加油消费特征和加油时间特征。

在本实施例中，可以根据加油数据中的多维度数据对加油客群的消费特征和时间特征进行结合，得到对应的个体行为模式特征。进而能够准确为加油客群进行车辆保险产品推荐，以提高车辆保险产品的推荐效果。

分析模块603，用于将所述理赔数据以及所述历史的车辆保险产品销售数据与所述个体行为模式特征进行综合分析，根据分析结果给所述加油客群打标签。

其中，理赔数据包括理赔时间特征以及理赔消费特征；历史的车辆保险产品销售数据包括历史的车辆保险产品时间特征以及历史的车辆保险产品消费特征。

具体的，可以根据加油客群的理赔情况以及历史购买的车辆保险产品类型，对该加油客群进行预测，并评估出险概率，从而根据加油客群的出险概率给该加油客群打上对应的标签。比如，喜欢夜间加油的客户很有可能是网约车，出险概率一般较高，可以给该客户打上高风险的标签客户，这样在进行车辆保险产品推荐时，可以向其推荐有关意外险的产品。

在本发明实施例中，如图8所示，分析模块603包括：

第一分析单元6031，用于将所述理赔时间特征、历史的车辆保险产品时间特征以及加油时间特征进行对比分析，得到时间特征分析结果。

理赔时间特征可以是每次理赔的时间间隔特征，比如，相邻次理赔的时间间隔的长短。具体的，可以根据理赔时间间隔以及理赔次数对风险进行等级划，可以划分为高风险、中风险以及低风险等。当理赔的次数以及相邻次理赔时间间隔均满足高风险范围时，则说明该客户为高风险客户。同理，当理赔的次数以及相邻次理赔时间间隔均满足中风险范围时，则说明该客户为中风险客户。当理赔的次数以及相邻次理赔时间间隔均满足低风险范围时，则说明该客户为低风险客户。

同时，还需要结合客户在理赔时间特征的基础上，分析客户购买车辆保险产品的时间特征。这样可以判断客户所购买的车辆保险产品是否在有效期内。

而且还需要分析客户的加油时间，比如，客户加油的时间间隔比较近，客户使用车辆的时候比较频繁。或者，喜欢夜间加油的客户很有可能是网约车，出险概率一般较高，可以向其推荐有关意外险的产品。

这样可以结合理赔时间特征、历史的车辆保险产品时间特征以及加油时间特征的分析得到客户的时间特征分析结果。

第二分析单元6032，用于将所述理赔消费特征、历史的车辆保险产品消费特征以及所述加油消费特征进行综合分析，得到消费特征分析结果。

理赔消费特征可以是每次理赔的金额特征，比如每次理赔的报销金额特征。上述历史的车辆保险产品消费特征可以是购买车辆保险产品的金额特征以及对应的保额特征。上述加油消费特征可以是每次加油的金额特征。

具体的，可以通过分析客户每次的理赔金额，购买车辆保险产品的金额和保额以及每次加油金额等来判断客户的出险概率，进而得到客户的消费特征分析结果。

标签单元6033，用于结合所述时间特征分析结果以及所述消费特征分析结果给不同的加油客群打标签。

具体的，当判断出客户风险类型后，可以给客户打上对应的风险标签。

在本发明实施例中，如图9所示，标签单元6033包括：

分类子单元60331，用于结合所述时间特征分析结果以及所述消费特征分析结果对加油客群进行分类，得到分类结果。

标签子单元60332，用于根据所述分类结果给不同的加油客群打上不同的标签。

具体的，可以基于分析得到的时间特征分析结果以及消费特征分析结果，将加油客群中的客户进行分类，比如高风险客户、中风险客户以及低风险客户等，然后再给客户贴上对应的标签。

这样可以给不同的加油客群推荐合适的车辆保险产品，进而提高车辆保险产品的推荐效果。

推荐模块604，用于基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给所述加油客群。

其中，上述预设关联规则挖掘算法是预先设置的一种基于FP Tree(FrequentPattern tree，频繁模式树)的关联规则挖掘算法。

在本发明实施例中，如图10所示，推荐模块604具体包括：

第一推荐单元6041，用于基于预设关联规则挖掘算法提取所述加油客群的历史的车辆保险产品与车辆保险产品之间的关联关系，将满足所述关联关系的车辆保险产品作为第一候选推荐车辆保险产品，并进行推荐评分。

具体的，通过基于FP Tree的关联规则挖掘算法，获取加油客群的历史的车辆保险产品与车辆保险产品之间的频繁项集，即哪些车辆保险产品购买次数超过指定阈值，然后通过FP Tree，可以得到每个车辆保险产品对应的条件模式基、条件FP树和产生的频繁模式，从而得到加油客群的历史的车辆保险产品与车辆保险产品之间的关联关系。从而得到对应的关联规则，即某几种车辆保险产品同时购买的可能性很高，因此可以将满足关联规则的车辆保险产品作为候选推荐车辆保险产品。同时。可以分别对得到的这些候选推荐车辆保险产品分别进行评分。评分可以是根据购买率、使用率等进行综合评分。

第二推荐单元6042，用于基于预设标签推荐算法将与所述加油客群的标签对应的车辆保险产品作为第二候选推荐车辆保险产品并进行推荐评分。

其中，预设标签推荐算法是一种预先设置好的基于标签的推荐算法。该预设标签推荐算法具体是根据客户的一些行为特征数据，从不同的维度抽取关键特征，打上标签，本质其实是用户画像，只不过特征更加具体、细致、多样，比如基于加油数据，可以抽取出客户忠诚度(根据客户的加油次数分布情况来判断该客户的忠诚度)、消费趋势(总加油金额呈现递增、不稳定、递减趋势)等标签维度。根据不同客户标签的相似性可以识别相似客户，从而进行车辆保险产品推荐。

具体的，通过预设标签推荐算法，可以基于客户的标签将相似客户购买的车辆保险产品作为候选推荐车辆保险产品，并分别对得到的候选推荐车辆保险产品进行评分。评分方式可以是按客户标签相似度的高低来对其所购买的车辆保险产品进行评分。标签相似度最高的客户所购买的车辆保险产品的评分相对较高，标签相似度低的客户所购买的车辆保险产品的评分相对较低等。

第三推荐单元6043，用于基于预设协同过滤算法将与历史的车辆保险产品消费特征和历史的车辆保险产品消费时间特征相同的车辆保险产品作为第三候选推荐车辆保险产品，并进行推荐评分。

其中，预设协同过滤算法是一种预先设置好的协同过滤算法。该协同过滤算法是基于对客户的历史的车辆保险产品消费特征以及历史的车辆保险产品消费时间特征的挖掘发现客户的喜好偏向，并预测客户可能喜好的产品进行推荐。

基于预设协同过滤算法进行推荐时，主要分为两类，分别是基于客户的协同过滤算法和基于物品的协同过滤算法。前者通过客户的历史的车辆保险产品消费特征和历史的车辆保险产品消费时间特征，发现客户对产品的喜好，并对这些喜好进行度量和打分，根据不同客户对相同产品的态度和偏好程度计算客户之间的关系，在有相同喜好的客户间进行产品推荐。后者通过计算不同客户对不同产品的评分获得产品间的关系，基于产品间的关系对客户进行相似物品的推荐，比如客户A购买了产品1和产品2，说明这两个产品的关联度较高，因此当客户B购买了产品1时，可以向其推荐产品2。

具体的，通过预设协同过滤算法可以找到相同的客户的相同喜好偏向的车辆保险产品作为候选推荐车辆保险产品。并对得到的候选推荐车辆保险产品进行评分。评分方式可以是按客户对车辆保险产品的打分的分数高低来进行评分。

组合推荐单元6044，用于通过加权结合的方式获取第一候选推荐车辆保险产品、第二候选推荐车辆保险产品、第三候选推荐车辆保险产品对应的最终推荐评分，并基于所述最终推荐评分选择前n位的候选推荐车辆保险产品，作为推荐列表推荐给所述加油客群。

具体的，三个算法分别进行推荐后得到候选的车辆保险产品以及评分，通过加权结合的方式得到最终的评分，从而获取最终的车辆保险产品推荐列表。一开始是等权重的，通过多次组合推荐和客户的真实购买情况，再不断地调整该权重，使得能与大多数客户的需求一致。

对于三种算法得到的待推荐产品取交集，得到相应的候选产品和相应推荐算法给出的评分，然后对所有评分进行加权结合，得到每个待推荐产品的最终评分，从其中选择前n位，作为推荐列表推荐给加油客群。

本发明实施例中，可以基于预设关联规则挖掘算法、预设标签推荐算法、预设协同过滤算法三种推荐算法得出的结果进行组合，可以实现车辆保险产品的个性化推荐。

在本发明实施例中，通过结合加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据的多种数据源，以及预设关联规则挖掘算法、预设标签推荐算法以及预设协同过滤算法的多种算法组合对车辆保险产品进行个性化推荐。保证推荐数据源以及推荐算法的多样性，且能够充分利用保险产品本身的特点、客户的加油数据、理赔数据等数据来推荐产品，并借助客户标签的不断更新使推荐更具实时性、可靠性，进一步提高车辆保险产品的推荐效果

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图11，图11为本实施例计算机设备基本结构框图。

所述计算机设备7包括通过系统总线相互通信连接存储器71、处理器72、网络接口73。需要指出的是，图中仅示出了具有组件71-73的计算机设备7，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备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设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器71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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器71可以是所述计算机设备7的内部存储单元，例如该计算机设备7的硬盘或内存。在另一些实施例中，所述存储器71也可以是所述计算机设备7的外部存储设备，例如该计算机设备7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(FlashCard)等。当然，所述存储器71还可以既包括所述计算机设备7的内部存储单元也包括其外部存储设备。本实施例中，所述存储器71通常用于存储安装于所述计算机设备7的操作系统和各类应用软件，例如车辆保险产品的推荐方法的计算机可读指令等。此外，所述存储器71还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器72在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器72通常用于控制所述计算机设备7的总体操作。本实施例中，所述处理器72用于运行所述存储器71中存储的计算机可读指令或者处理数据，例如运行所述车辆保险产品的推荐方法的计算机可读指令。

所述网络接口73可包括无线网络接口或有线网络接口，该网络接口73通常用于在所述计算机设备7与其他电子设备之间建立通信连接。

本申请实施例提供的电子设备能够实现上述方法实施例中车辆保险产品的推荐方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的车辆保险产品的推荐方法的步骤。且能达到相同的技术效果，为避免重复，这里不再赘述。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种车辆保险产品的推荐方法，其特征在于，包括下述步骤：

获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据；

对所述加油数据进行数据融合，并基于预设蚁群聚类算法，获取所述加油客群的个体行为模式特征；

将所述理赔数据以及所述历史的车辆保险产品销售数据与所述个体行为模式特征进行综合分析，根据分析结果给所述加油客群打标签；

基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给所述加油客群。

2.根据权利要求1所述的车辆保险产品的推荐方法，其特征在于，所述加油数据包括静态加油数据以及动态加油数据，所述个体行为模式特征包括加油消费特征和加油时间特征，所述对所述加油数据进行数据融合，并基于预设蚁群聚类算法，获取所述加油客群的个体行为模式特征的步骤包括：

将所述静态加油数据以及动态加油数据进行数据融合，得到融合数据；

基于所述预设蚁群聚类算法对所述融合数据进行聚类分析，得到聚类结果；

根据所述聚类结果获取所述加油客群的加油消费特征和加油时间特征。

3.根据权利要求1所述的车辆保险产品的推荐方法，其特征在于，所述理赔数据包括理赔时间特征以及理赔消费特征，所述历史的车辆保险产品销售数据包括历史的车辆保险产品时间特征以及历史的车辆保险产品消费特征。

4.根据权利要求3所述的车辆保险产品的推荐方法，其特征在于，所述将所述理赔数据以及所述历史的车辆保险产品销售数据与所述个体行为模式特征进行综合分析，根据分析结果给所述加油客群打标签的步骤具体包括：

将所述理赔时间特征、历史的车辆保险产品时间特征以及加油时间特征进行对比分析，得到时间特征分析结果；

将所述理赔消费特征、历史的车辆保险产品消费特征以及所述加油消费特征进行综合分析，得到消费特征分析结果；

结合所述时间特征分析结果以及所述消费特征分析结果给不同的加油客群打标签。

5.根据权利要求4所述的车辆保险产品的推荐方法，其特征在于，所述结合所述时间特征分析结果以及所述消费特征分析结果给不同的加油客群打标签的步骤具体包括：

结合所述时间特征分析结果以及所述消费特征分析结果对加油客群进行分类，得到分类结果；

根据所述分类结果给不同的加油客群打上不同的标签。

6.根据权利要求1所述的车辆保险产品的推荐方法，其特征在于，所述基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给所述加油客群的步骤包括：

基于预设关联规则挖掘算法提取所述加油客群的历史的车辆保险产品与车辆保险产品之间的关联关系，将满足所述关联关系的车辆保险产品作为第一候选推荐车辆保险产品，并进行推荐评分；

基于预设标签推荐算法将与所述加油客群的标签对应的车辆保险产品作为第二候选推荐车辆保险产品并进行推荐评分；

基于预设协同过滤算法将与历史的车辆保险产品消费特征和历史的车辆保险产品消费时间特征相同的车辆保险产品作为第三候选推荐车辆保险产品，并进行推荐评分；

通过加权结合的方式获取第一候选推荐车辆保险产品、第二候选推荐车辆保险产品、第三候选推荐车辆保险产品对应的最终推荐评分，并基于所述最终推荐评分选择前n位的候选推荐车辆保险产品，作为推荐列表推荐给所述加油客群。

7.一种车辆保险产品的推荐装置，其特征在于，包括：

数据获取模块，用于获取加油客群的加油数据、理赔数据以及历史的车辆保险产品销售数据；

数据融合模块，用于对所述加油数据进行数据融合，并基于预设蚁群聚类算法，获取所述加油客群的个体行为模式特征；

分析模块，用于将所述理赔数据以及所述历史的车辆保险产品销售数据与所述个体行为模式特征进行综合分析，根据分析结果给所述加油客群打标签；

推荐模块，用于基于预设关联规则挖掘算法、基于加油客群的标签的预设标签推荐算法以及预设协同过滤算法将车辆保险产品推荐给所述加油客群。

8.根据权利要求7所述的车辆保险产品的推荐装置，其特征在于，所述加油数据包括静态加油数据以及动态加油数据，所述个体行为模式特征包括加油消费特征和加油时间特征，所述数据融合模块包括：

数据融合单元，用于将所述静态加油数据以及动态加油数据进行数据融合，得到融合数据；

聚类分析单元，用于基于所述预设蚁群聚类算法对所述融合数据进行聚类分析，得到聚类结果；

特征获取单元，用于根据所述聚类结果获取所述加油客群的加油消费特征和加油时间特征。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的车辆保险产品的推荐方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的车辆保险产品的推荐方法的步骤。

Images