CN114820121A - 一种保险业务推送系统及方法 - Google Patents
一种保险业务推送系统及方法 Download PDFInfo
- Publication number
- CN114820121A CN114820121A CN202210428948.1A CN202210428948A CN114820121A CN 114820121 A CN114820121 A CN 114820121A CN 202210428948 A CN202210428948 A CN 202210428948A CN 114820121 A CN114820121 A CN 114820121A
- Authority
- CN
- China
- Prior art keywords
- user
- insurance product
- insurance
- data
- model
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提出一种保险业务推送系统及方法,其中,保险业务推送系统设置用户特征数据获取模块、保险产品数据获取模块、保险产品分类模块、用户基本模型构建模块、用户购物模型构建模块、用户健康模型构建模块和保险产品推送模块。通过保险产品数据获取模块和保险产品分类模块实现相似保险产品的分类,再利用用户特征数据获取模块和用户基本模型构建模块对用户进行特征提取与画像,最后由保险产品推送模块选择出与用户匹配的保险产品并向用户进行推送,能实现精准地保险产品推荐。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种保险业务推送系统及方法。
背景技术
随着科技的进步、经济的发展和人们生活水平的提高,人们面对的产品和服务的种类越来越多,选择多样化丰富了人们的生活,但也带来一些问题,比如人们面对信息太多而无从下手,或者真正有用的信息被一些无用信息所淹没,或者被虚假信息所误导。
为了解决这些问题,个性化推荐系统应运而生,它是根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户。但现有的推荐并不能做到精准推送,特别对于一些特殊行业(如保险行业)尤甚。
发明内容
本发明正是基于上述问题,提出了一种保险业务推送系统及方法,通过保险产品数据获取模块和保险产品分类模块实现相似保险产品的分类,再利用用户特征数据获取模块和用户基本模型构建模块对用户进行特征提取与画像,最后由保险产品推送模块选择出与用户匹配的保险产品并向用户进行推送,能实现精准地保险产品推荐。
有鉴于此,本发明的一方面提出了一种保险业务推送系统,包括用户特征数据获取模块、保险产品数据获取模块、保险产品分类模块、用户基本模型构建模块、用户购物模型构建模块、用户健康模型构建模块和保险产品推送模块;
所述保险产品数据获取模块,用于获取至少包括保险产品编号和保险产品属性的保险产品数据;
所述保险产品分类模块,用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据;
所述用户特征数据获取模块,用于获取用户特征数据;
所述用户基本模型构建模块,用于根据所述用户特征数据和第二神经网络构建用户基本模型;
所述用户健康模型构建模块,用于根据所述用户特征数据和第三神经网络构建用户健康模型;
所述用户购物模型构建模块,用于根据所述用户特征数据和第四神经网络构建用户购物模型;
所述保险产品推送模块,用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库以及向用户推送所述用户偏好保险产品库和/或用户补充保险产品库中的保险产品。
可选地,所述用户基本模型构建模块用于根据所述用户特征数据和第二神经网络构建用户基本模型,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度输入所述第二神经网络,获得用户基本特征数据;
根据所述用户基本特征数据构建用户基本模型;
所述用户健康模型构建模块用于根据所述用户特征数据和第三神经网络构建用户健康模型,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据输入所述第三神经网络,获得用户健康数据;
根据所述用户健康数据构建用户健康模型。
可选地,所述用户购物模型构建模块用于根据所述用户特征数据和第四神经网络构建用户购物模型,具体是:
从所述用户特征数据中提取出交互产品编号和交互行为输入所述第四神经网络,获得用户消费特征数据;
根据所述消费特征数据构建所述用户购物模型。
可选地,所述推送系统还包括相似用户获取模块;
所述相似用户获取模块,用于获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户;
所述保险产品推送模块,还用于获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
可选地,所述保险产品分类模块用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据,包括:
获取所述用户已投保的第一保险产品的第一保险产品数据;
从预先获取的保险产品库中确定任意的保险产品为第二保险产品,并获取所述第二保险产品的第二保险产品数据;
基于所述第一保险产品数据构建第一保险产品向量,基于所述保险产品库中所有的所述第二保险产品的第二保险产品数据分别构建所有的第二保险产品向量;
分别计算所述第一保险产品向量与每个所述第二保险产品向量之间的相似度,并确定其相似度小于第一相似度阈值的所述第二保险产品向量对应第二保险产品为差异保险产品;
所述保险产品推送模块用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量分别与所有所述差异保险产品对应的第二保险产品向量计算出关联值,当所述关联值大于第一关联值阈值时,将所述差异保险产品加入所述用户补充保险产品库。
可选地,所述保险产品分类模块用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据,包括:
从预先获取的保险产品库中确定任意的保险产品为当前保险产品,所述保险产品库中的其他保险产品为参考保险产品;
基于所述当前保险产品的所述保险产品数据构建当前保险产品向量,基于所述参考保险产品的所述保险产品数据分别构建各参考保险产品向量;
分别计算所述当前保险产品向量与每个所述参考保险产品向量之间的相似度,并确定其相似度大于相似度阈值的所述参考保险产品向量对应保险产品为相似保险产品;
所述保险产品推送模块用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量与所述当前保险产品向量计算出关联值,当所述关联值大于关联值阈值时,确定所述当前保险产品向量对应的保险产品及相似保险产品为所述用户偏好保险产品库。
本发明的另一方面提供一种保险业务推送方法,包括:
获取至少包括保险产品编号和保险产品属性的保险产品数据;
将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据;
获取用户特征数据;
根据所述用户特征数据和第二神经网络构建用户基本模型;
根据所述用户特征数据和第三神经网络构建用户健康模型;
根据所述用户特征数据和第四神经网络构建用户购物模型;
根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库;
向用户推送所述用户偏好保险产品库和/或用户补充保险产品库中的保险产品。
可选地,所述根据所述用户特征数据和第二神经网络构建用户基本模型的步骤,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度输入所述第二神经网络,获得用户基本特征数据;
根据所述用户基本特征数据构建用户基本模型;
所述根据所述用户特征数据和第三神经网络构建用户健康模型的步骤,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据输入所述第三神经网络,获得用户健康数据;
根据所述用户健康数据构建用户健康模型。
可选地,所述根据所述用户特征数据和第四神经网络构建用户购物模型的步骤,具体是:
从所述用户特征数据中提取出所述交互产品编号和所述交互行为输入所述第四神经网络,获得用户消费特征数据;
根据所述消费特征数据构建所述用户购物模型。
可选地,所述推送方法还包括步骤:
获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户;
获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
可选地,所述将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据的步骤,具体是:
获取所述用户已投保的第一保险产品的第一保险产品数据;
从预先获取的保险产品库中确定任意的保险产品为第二保险产品,并获取所述第二保险产品的第二保险产品数据;
基于所述第一保险产品数据构建第一保险产品向量,基于所述保险产品库中所有的所述第二保险产品的第二保险产品数据分别构建所有的第二保险产品向量;
分别计算所述第一保险产品向量与每个所述第二保险产品向量之间的相似度,并确定其相似度小于第一相似度阈值的所述第二保险产品向量对应第二保险产品为差异保险产品;
所述根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库的步骤,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量分别与所有所述差异保险产品对应的第二保险产品向量计算出关联值,当所述关联值大于第一关联值阈值时,将所述差异保险产品加入所述用户补充保险产品库。
可选地,所述将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据的步骤,具体是:
从预先获取的保险产品库中确定任意的保险产品为当前保险产品,所述保险产品库中的其他保险产品为参考保险产品;
基于所述当前保险产品的所述保险产品数据构建当前保险产品向量,基于所述参考保险产品的所述保险产品数据分别构建各参考保险产品向量;
分别计算所述当前保险产品向量与每个所述参考保险产品向量之间的相似度,并确定其相似度大于相似度阈值的所述参考保险产品向量对应保险产品为相似保险产品;
所述根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库的步骤,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量与所述当前保险产品向量计算出关联值,当所述关联值大于关联值阈值时,确定所述当前保险产品向量对应的保险产品及相似保险产品为所述用户偏好保险产品库。
采用本发明的技术方案,保险业务推送系统设置用户特征数据获取模块、保险产品数据获取模块、保险产品分类模块、用户基本模型构建模块、用户购物模型构建模块、用户健康模型构建模块和保险产品推送模块。通过保险产品数据获取模块和保险产品分类模块实现相似保险产品的分类,再利用用户特征数据获取模块和用户基本模型构建模块对用户进行特征提取与画像,最后由保险产品推送模块选择出与用户匹配的保险产品并向用户进行推送,能实现精准地保险产品推荐。
附图说明
图1是本发明一个实施例提供的保险业务推送系统的示意框图;
图2是本发明另一个实施例提供的保险业务推送方法流程图;
图3是本发明另一个实施例提供的保险业务推送方法中构建所述用户购物模型的流程图;
图4是本发明另一个实施例中确定用户偏好保险产品的流程图;
图5是本发明另一个实施例中将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“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。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
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。
下面参照图1至图5来描述根据本发明一些实施方式提供的一种保险业务推送系统及方法。
如图1所示,本发明一个实施例提供一种保险业务推送系统,包括:用户特征数据获取模块、保险产品数据获取模块、保险产品分类模块、用户基本模型构建模块、用户购物模型构建模块、用户健康模型构建模块和保险产品推送模块;
所述保险产品数据获取模块,用于获取至少包括保险产品编号和保险产品属性的保险产品数据;
所述保险产品分类模块,用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据;
所述用户特征数据获取模块,用于获取用户特征数据;
所述用户基本模型构建模块,用于根据所述用户特征数据和第二神经网络构建用户基本模型;
所述用户健康模型构建模块,用于根据所述用户特征数据和第三神经网络构建用户健康模型;
所述用户购物模型构建模块,用于根据所述用户特征数据和第四神经网络构建用户购物模型;
所述保险产品推送模块,用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库以及向用户推送所述用户偏好保险产品库和/或用户补充保险产品库中的保险产品。
应当说明的是,所述保险产品属性包括但不限于保险公司、产品名称、险种、保障期限、缴费期限、保额、保费等。
所述用户特征数据包括但不限于用户编号、性别、年龄、性格特征、婚姻状况、职业、教育程度、病史、历史体检数据、历史投保数据、用户购物地点、用户购物时间、交互产品编号和交互行为,所述交互行为包括点击产品、浏览、访问频次、收藏、添加到购物车、从购物车中移除、收藏、购买、分享、注册会员、领取购物券、退货、换货、投诉、退款、评论、刷卡、充值。所述用户特征数据作为大数据分析的素材以及训练神经网络的输入数据。
所述第一神经网络、所述第二神经网络、第三神经网络和第四神经网络均为预先已训练好的成熟的神经网络。可以理解的是,神经网络可以BP神经网络,也可以是其他神经网络,本实施例中以BP神经网络为例进行讲述训练神经网络的大致过程:基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
采用该实施例的技术方案,保险业务推送系统设置用户特征数据获取模块、保险产品数据获取模块、保险产品分类模块、用户基本模型构建模块、用户购物模型构建模块、用户健康模型构建模块和保险产品推送模块。通过保险产品数据获取模块和保险产品分类模块实现相似保险产品的分类,再利用用户特征数据获取模块和用户基本模型构建模块对用户进行特征提取与画像,最后由保险产品推送模块选择出与用户匹配的保险产品并向用户进行推送,能实现精准地保险产品推荐。
本申请的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。人工智能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。基于大数据和深度学习模型,能够根据用户的基本特征、浏览行为、访问频次、购买行为等信息构建用户模型,多维度了解用户的兴趣爱好、购买能力、消费习惯等,做到更清晰、全面地认识用户。
在本发明一些可能的实施方式中,所述用户基本模型构建模块用于根据所述用户特征数据和第二神经网络构建用户基本模型,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度输入所述第二神经网络,获得用户基本特征数据;
根据所述用户基本特征数据构建用户基本模型;
所述用户健康模型构建模块用于根据所述用户特征数据和第三神经网络构建用户健康模型,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据输入所述第三神经网络,获得用户健康数据;
根据所述用户健康数据构建用户健康模型。
可以理解的是,为了向用户推荐更贴合其需求的保险产品,在本发明的实施例中,将从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度等数据输入训练好的第二神经网络,获得所述用户基本特征数据,利用所述用户基本特征数据构建所述用户基本模型。进一步地,从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据等数据输入所述第三神经网络,获得用户健康数据,根据所述用户健康数据构建用户健康模型。在本发明的实施例中,所述用户基本模型是以表征用户的基本社会属性的用户基本特征数据构建而得,而所述用户健康模型则是根据所述用户健康数据构建而得,二者从不同的维度对用户建模,可以使得最终的推送结果更准确。
在本发明一些可能的实施方式中,所述用户购物模型构建模块用于根据所述用户特征数据和第四神经网络构建用户购物模型,具体是:
从所述用户特征数据中提取出交互产品编号和交互行为输入所述第四神经网络,获得用户消费特征数据;
根据所述消费特征数据构建所述用户购物模型。
可以理解的是,为了了解用户的消费特征以推荐与用户的消费能力和消费观念相匹配的保险产品,本发明实施例中,从所述用户特征数据中提取出交互产品编号和交互行为输入所述第四神经网络,获得用户消费特征数据,再根据所述消费特征数据构建所述用户购物模型。
在本发明一些可能的实施方式中,所述推送系统还包括相似用户获取模块;
所述相似用户获取模块,用于获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户;
所述保险产品推送模块,还用于获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
可以理解的是,人以群分,有相同特征的人,往往对于商品或服务的需求存在相同或相近的,为了提供给用户更符合其身份的保险产品,本发明的实施例中,选择以与保险产品的特征更契合的用户购物模型和/或用户健康模型来发掘相似用户,当然也可以用户基本模块来发掘相似用户。获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户,获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
在本发明一些可能的实施方式中,所述保险产品分类模块用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据,包括:
获取所述用户已投保的第一保险产品的第一保险产品数据;
从预先获取的保险产品库中确定任意的保险产品为第二保险产品,并获取所述第二保险产品的第二保险产品数据;
基于所述第一保险产品数据构建第一保险产品向量,基于所述保险产品库中所有的所述第二保险产品的第二保险产品数据分别构建所有的第二保险产品向量;
分别计算所述第一保险产品向量与每个所述第二保险产品向量之间的相似度,并确定其相似度小于第一相似度阈值的所述第二保险产品向量对应的第二保险产品为差异保险产品;
所述保险产品推送模块用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量分别与所有所述差异保险产品对应的第二保险产品向量计算出关联值,当所述关联值大于第一关联值阈值时,将所述差异保险产品加入所述用户补充保险产品库。
可以理解的是,在保险领域,在用户购买了某一保险产品的情况下,与此已购买的相同或相似的保险产品反而不再是用户所需要的产品,而与已购保险产品差较大的产品,反而可能成为用户保险体系里的补充保险产品。故在本发明的实施例中,选取与用户已投保的第一保险产品的相似度小于第一相似度阈值的所述第二保险产品向量对应的第二保险产品为差异保险产品。
从所述用户健康模型中获取的用户健康特征向量包含有用户对保险产品的需求信息,将所述用户健康特征向量与所述差异保险产品对应的第二保险产品向量进行向量计算,得到的关联值即为所述当前保险产品向量对应的保险产品与用户的匹配情况,关联值越大,则匹配度越高,说明所述当前保险产品向量对应的保险产品越接近符合所述用户健康模型的用户的保险需求,从而可以把所述关联值大于第一关联值阈值的差异保险产品加入所述用户补充保险产品库。
在本发明一些可能的实施方式中,所述保险产品分类模块用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据,包括:
从预先获取的保险产品库中确定任意的保险产品为当前保险产品,所述保险产品库中的其他保险产品为参考保险产品;
基于所述当前保险产品的所述保险产品数据构建当前保险产品向量,基于所述参考保险产品的所述保险产品数据分别构建各参考保险产品向量;
分别计算所述当前保险产品向量与每个所述参考保险产品向量之间的相似度,并确定其相似度大于相似度阈值的所述参考保险产品向量对应保险产品为相似保险产品;
所述保险产品推送模块用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量与所述当前保险产品向量计算出关联值,当所述关联值大于关联值阈值时,确定所述当前保险产品向量对应的保险产品及相似保险产品为所述用户偏好保险产品库。
可以理解的是,从所述用户健康模型中获取的用户健康特征向量包含有用户对保险产品的需求信息,将所述用户健康特征向量与所述当前保险产品向量进行向量计算,得到的关联值即为所述当前保险产品向量对应的保险产品与用户的匹配情况,关联值越大,则匹配度越高,说明所述当前保险产品向量对应的保险产品越接近用户的真实需求保险产品,从而可以把当前保险产品向量对应的保险产品及相似保险产品作为用户的偏好保险产品推荐给用户。通过计算所述当前保险产品向量与每个所述参考保险产品向量之间的相似度可以为预先获取的保险产品库中的每个保险产品确定其相似保险产品,从而实现对保险产品的精准分类,为后面利用所述用户健康特征向量与所述当前保险产品向量计算出关联度进而准确快速地选取出用户的偏好保险产品库提供了条件。
参见图2,本发明的另一实施例提出一种保险业务推送方法,所述方法包括:
获取至少包括保险产品编号和保险产品属性的保险产品数据;
将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据;
获取用户特征数据;
根据所述用户特征数据和第二神经网络构建用户基本模型;
根据所述用户特征数据和第三神经网络构建用户健康模型;
根据所述用户特征数据和第四神经网络构建用户购物模型;
根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库;
向用户推送所述用户偏好保险产品库和/或用户补充保险产品库中的保险产品。
应当说明的是,所述保险产品属性包括但不限于保险公司、产品名称、险种、保障期限、缴费期限、保额、保费等。
所述用户特征数据包括但不限于用户编号、性别、年龄、性格特征、婚姻状况、职业、教育程度、病史、历史体检数据、历史投保数据、用户购物地点、用户购物时间、交互产品编号和交互行为,所述交互行为包括点击产品、浏览、访问频次、收藏、添加到购物车、从购物车中移除、收藏、购买、分享、注册会员、领取购物券、退货、换货、投诉、退款、评论、刷卡、充值。所述用户特征数据作为大数据分析的素材以及训练神经网络的输入数据。
所述第一神经网络、所述第二神经网络、第三神经网络和第四神经网络均为预先已训练好的成熟的神经网络。
采用该实施例的技术方案,保险业务推送系统设置用户特征数据获取模块、保险产品数据获取模块、保险产品分类模块、用户基本模型构建模块、用户购物模型构建模块、用户健康模型构建模块和保险产品推送模块。通过保险产品数据获取模块和保险产品分类模块实现相似保险产品的分类,再利用用户特征数据获取模块和用户基本模型构建模块对用户进行特征提取与画像,最后由保险产品推送模块选择出与用户匹配的保险产品并向用户进行推送,能实现精准地保险产品推荐。
本申请的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。人工智能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。基于大数据和深度学习模型,能够根据用户的基本特征、浏览行为、访问频次、购买行为等信息构建用户建模,多维度了解用户的兴趣爱好、购买能力、消费习惯等,做到更清晰、全面地认识用户,而非简单地以区域分布、年龄、性别等人口统计学特征来划分用户。
在本发明一些可能的实施方式中,所述根据所述用户特征数据和第二神经网络构建用户基本模型的步骤,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度输入所述第二神经网络,获得用户基本特征数据;
根据所述用户基本特征数据构建用户基本模型;
所述根据所述用户特征数据和第三神经网络构建用户健康模型的步骤,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据输入所述第三神经网络,获得用户健康数据;
根据所述用户健康数据构建用户健康模型。
可以理解的是,为了向用户推荐更贴合其需求的保险产品,在本发明的实施例中,将从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度等数据输入训练好的第二神经网络,获得所述用户基本特征数据,利用所述用户基本特征数据构建所述用户基本模型。进一步地,从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据等数据输入所述第三神经网络,获得用户健康数据,根据所述用户健康数据构建用户健康模型。在本发明的实施例中,所述用户基本模型是以表征用户的基本社会属性的用户基本特征数据构建而得,而所述用户健康模型则是根据所述用户健康数据构建而得,二者从不同的维度对用户建模,可以使得最终的推送结果更准确。
如图3所示,在本发明一些可能的实施方式中,所述根据所述用户特征数据和第四神经网络构建用户购物模型的步骤,具体是:
从所述用户特征数据中提取出所述交互产品编号和所述交互行为输入所述第四神经网络,获得用户消费特征数据;
根据所述消费特征数据构建所述用户购物模型。
可以理解的是,为了了解用户的消费特征以推荐与用户的消费能力和消费观念相匹配的保险产品,本发明实施例中,从所述用户特征数据中提取出交互产品编号和交互行为输入所述第四神经网络,获得用户消费特征数据,再根据所述消费特征数据构建所述用户购物模型。
如图4所所示,在本发明一些可能的实施方式中,所述推送方法还包括步骤:
获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户;
获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
可以理解的是,人以群分,有相同特征的人,往往对于商品或服务的需求存在相同或相近的,为了提供给用户更符合其身份的保险产品,本发明的实施例中,选择以与保险产品的特征更契合的用户购物模型和/或用户健康模型来发掘相似用户,当然也可以用户基本模块来发掘相似用户。获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户,获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
如图5所示,在本发明一些可能的实施方式中,所述将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据的步骤,具体是:
获取所述用户已投保的第一保险产品的第一保险产品数据;
从预先获取的保险产品库中确定任意的保险产品为第二保险产品,并获取所述第二保险产品的第二保险产品数据;
基于所述第一保险产品数据构建第一保险产品向量,基于所述保险产品库中所有的所述第二保险产品的第二保险产品数据分别构建所有的第二保险产品向量;
分别计算所述第一保险产品向量与每个所述第二保险产品向量之间的相似度,并确定其相似度小于第一相似度阈值的所述第二保险产品向量对应第二保险产品为差异保险产品;
所述根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库的步骤,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量分别与所有所述差异保险产品对应的第二保险产品向量计算出关联值,当所述关联值大于第一关联值阈值时,将所述差异保险产品加入所述用户补充保险产品库。
可以理解的是,在保险领域,在用户购买了某一保险产品的情况下,与此已购买的相同或相似的保险产品反而不再是用户所需要的产品,而与已购保险产品差较大的产品,反而可能成为用户保险体系里的补充保险产品。故在本发明的实施例中,选取与用户已投保的第一保险产品的相似度小于第一相似度阈值的所述第二保险产品向量对应的第二保险产品为差异保险产品。
从所述用户健康模型中获取的用户健康特征向量包含有用户对保险产品的需求信息,将所述用户健康特征向量与所述差异保险产品对应的第二保险产品向量进行向量计算,得到的关联值即为所述当前保险产品向量对应的保险产品与用户的匹配情况,关联值越大,则匹配度越高,说明所述当前保险产品向量对应的保险产品越接近符合所述用户健康模型的用户的保险需求,从而可以把所述关联值大于第一关联值阈值的差异保险产品加入所述用户补充保险产品库。
在本发明一些可能的实施方式中,所述将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据的步骤,具体是:
从预先获取的保险产品库中确定任意的保险产品为当前保险产品,所述保险产品库中的其他保险产品为参考保险产品;
基于所述当前保险产品的所述保险产品数据构建当前保险产品向量,基于所述参考保险产品的所述保险产品数据分别构建各参考保险产品向量;
分别计算所述当前保险产品向量与每个所述参考保险产品向量之间的相似度,并确定其相似度大于相似度阈值的所述参考保险产品向量对应保险产品为相似保险产品;
所述根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库的步骤,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量与所述当前保险产品向量计算出关联值,当所述关联值大于关联值阈值时,确定所述当前保险产品向量对应的保险产品及相似保险产品为所述用户偏好保险产品库。
可以理解的是,从所述用户健康模型中获取的用户健康特征向量包含有用户对保险产品的喜好信息,将所述用户健康特征向量与所述当前保险产品向量进行向量计算,得到的关联值即为所述当前保险产品向量对应的保险产品与用户的匹配情况,关联值越大,则匹配度越高,说明所述当前保险产品向量对应的保险产品越接近用户的真实需求保险产品,从而可以把当前保险产品向量对应的保险产品及相似保险产品作为用户的偏好保险产品推荐给用户。通过计算所述当前保险产品向量与每个所述参考保险产品向量之间的相似度可以为预先获取的保险产品库中的每个保险产品确定其相似保险产品,从而实现对保险产品的精准分类,为后面利用所述用户健康特征向量与所述当前保险产品向量计算出关联度进而准确快速地选取出用户的偏好保险产品库提供了条件。
可以理解的是,在一些可能的实施例中,对所述用户基本模型与其他用户的用户基本模型进行相似度计算,当所述相似度在于预设的相似度阈值时,可以认定二者互为相似用户,可将与其他用户的用户基本模型相匹配的保险产品推荐给所述用户基本模型对应的用户。
在本发明一些可能的实施方式中,所述方法还包括步骤:
根据所述用户偏好保险产品库和所述用户基本模型,生成待定制保险产品模型;
根据所述待定制保险产品模型构建所述待定制产品。
可以理解的是,为了给用户提供更贴合其需求的保险产品,所述系统还包括个性化定制模块以提供定制保险产品。根据所述用户偏好保险产品库,可以得到最接近用户需求的保险产品的数据;再从所述用户基本模型中得到用户的需求数据和兴趣数据,以此需求数据和兴趣数据对最接近用户需求的保险产品进行修正,生成待定制保险产品模型,进而构建所述待定制产品,并将所述待定制产品推送给用户浏览选择。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可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,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的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取存储器中。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或者该技术方案的全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (10)
1.一种保险业务推送系统,其特征在于,包括用户特征数据获取模块、保险产品数据获取模块、保险产品分类模块、用户基本模型构建模块、用户购物模型构建模块、用户健康模型构建模块和保险产品推送模块;
所述保险产品数据获取模块,用于获取至少包括保险产品编号和保险产品属性的保险产品数据;
所述保险产品分类模块,用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据;
所述用户特征数据获取模块,用于获取用户特征数据;
所述用户基本模型构建模块,用于根据所述用户特征数据和第二神经网络构建用户基本模型;
所述用户健康模型构建模块,用于根据所述用户特征数据和第三神经网络构建用户健康模型;
所述用户购物模型构建模块,用于根据所述用户特征数据和第四神经网络构建用户购物模型;
所述保险产品推送模块,用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库,以及还用于向用户推送所述用户偏好保险产品库和/或用户补充保险产品库中的保险产品。
2.根据权利要求1所述的保险业务推送系统,其特征在于,所述用户基本模型构建模块用于根据所述用户特征数据和第二神经网络构建用户基本模型的步骤,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度输入所述第二神经网络,获得用户基本特征数据;
根据所述用户基本特征数据构建用户基本模型;
所述用户健康模型构建模块用于根据所述用户特征数据和第三神经网络构建用户健康模型的步骤,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据输入所述第三神经网络,获得用户健康数据;
根据所述用户健康数据构建用户健康模型。
3.根据权利要求2所述的保险业务推送系统,其特征在于,所述用户购物模型构建模块用于根据所述用户特征数据和第四神经网络构建用户购物模型,具体是:
从所述用户特征数据中提取出交互产品编号和交互行为输入所述第四神经网络,获得用户消费特征数据;
根据所述消费特征数据构建所述用户购物模型。
4.根据权利要求3所述的保险业务推送系统,其特征在于,所述推送系统还包括相似用户获取模块;
所述相似用户获取模块,用于获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户;
所述保险产品推送模块,还用于获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
5.根据权利要求4所述的保险业务推送系统,其特征在于,所述保险产品分类模块用于将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据,包括:
获取所述用户已投保的第一保险产品的第一保险产品数据;
从预先获取的保险产品库中确定任意的保险产品为第二保险产品,并获取所述第二保险产品的第二保险产品数据;
基于所述第一保险产品数据构建第一保险产品向量,基于所述保险产品库中所有的所述第二保险产品的第二保险产品数据分别构建所有的第二保险产品向量;
分别计算所述第一保险产品向量与每个所述第二保险产品向量之间的相似度,并确定其相似度小于第一相似度阈值的所述第二保险产品向量对应第二保险产品为差异保险产品;
所述保险产品推送模块用于根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量分别与所有所述差异保险产品对应的第二保险产品向量计算出关联值,当所述关联值大于第一关联值阈值时,将所述差异保险产品加入所述用户补充保险产品库。
6.一种保险业务推送方法,其特征在于,包括:
获取至少包括保险产品编号和保险产品属性的保险产品数据;
将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据;
获取用户特征数据;
根据所述用户特征数据和第二神经网络构建用户基本模型;
根据所述用户特征数据和第三神经网络构建用户健康模型;
根据所述用户特征数据和第四神经网络构建用户购物模型;
根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库;
向用户推送所述用户偏好保险产品库和/或用户补充保险产品库中的保险产品。
7.根据权利要求6所述的保险业务推送方法,其特征在于,所述根据所述用户特征数据和第二神经网络构建用户基本模型,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、性格特征、婚姻状况、职业和教育程度输入所述第二神经网络,获得用户基本特征数据;
根据所述用户基本特征数据构建用户基本模型;
所述根据所述用户特征数据和第三神经网络构建用户健康模型,具体是:
从所述用户特征数据中提取出用户编号、性别、年龄、病史和历史体检数据输入所述第三神经网络,获得用户健康数据;
根据所述用户健康数据构建用户健康模型。
8.根据权利要求7所述的保险业务推送方法,其特征在于,所述根据所述用户特征数据和第四神经网络构建用户购物模型的步骤,具体是:
从所述用户特征数据中提取出所述交互产品编号和所述交互行为输入所述第四神经网络,获得用户消费特征数据;
根据所述消费特征数据构建所述用户购物模型。
9.根据权利要求8所述的保险业务推送方法,其特征在于,所述推送方法还包括步骤:
获取与所述用户购物模型匹配度达到预设阈值和/或与所述用户健康模型匹配度达到预设阈值的相似用户;
获取所述相似用户的所购买的保险产品,并将所述保险产品加入至所述用户偏好保险产品库。
10.根据权利要求9所述的保险业务推送方法,其特征在于,所述将所述保险产品数据输入第一神经网络对保险产品进行分类得到保险产品分类数据的步骤,具体是:
获取所述用户已投保的第一保险产品的第一保险产品数据;
从预先获取的保险产品库中确定任意的保险产品为第二保险产品,并获取所述第二保险产品的第二保险产品数据;
基于所述第一保险产品数据构建第一保险产品向量,基于所述保险产品库中所有的所述第二保险产品的第二保险产品数据分别构建所有的第二保险产品向量;
分别计算所述第一保险产品向量与每个所述第二保险产品向量之间的相似度,并确定其相似度小于第一相似度阈值的所述第二保险产品向量对应第二保险产品为差异保险产品;
所述根据所述用户基本模型、所述用户健康模型和所述用户购物模型建立用户偏好保险产品库和/或用户补充保险产品库的步骤,包括:
从所述用户健康模型中获取用户健康特征向量,将所述用户健康特征向量分别与所有所述差异保险产品对应的第二保险产品向量计算出关联值,当所述关联值大于第一关联值阈值时,将所述差异保险产品加入所述用户补充保险产品库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428948.1A CN114820121A (zh) | 2022-04-22 | 2022-04-22 | 一种保险业务推送系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428948.1A CN114820121A (zh) | 2022-04-22 | 2022-04-22 | 一种保险业务推送系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820121A true CN114820121A (zh) | 2022-07-29 |
Family
ID=82506275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210428948.1A Pending CN114820121A (zh) | 2022-04-22 | 2022-04-22 | 一种保险业务推送系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820121A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587873A (zh) * | 2022-11-01 | 2023-01-10 | 广州易海创腾信息科技有限公司 | 一种基于人工智能的商品推荐系统及方法 |
CN117611280A (zh) * | 2023-11-20 | 2024-02-27 | 中国银行保险信息技术管理有限公司 | 基于大数据分析的保险业务推送方法及系统 |
-
2022
- 2022-04-22 CN CN202210428948.1A patent/CN114820121A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587873A (zh) * | 2022-11-01 | 2023-01-10 | 广州易海创腾信息科技有限公司 | 一种基于人工智能的商品推荐系统及方法 |
CN117611280A (zh) * | 2023-11-20 | 2024-02-27 | 中国银行保险信息技术管理有限公司 | 基于大数据分析的保险业务推送方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN110427560B (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
CN111931062A (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN114820121A (zh) | 一种保险业务推送系统及方法 | |
CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN110413888B (zh) | 一种书籍推荐方法及装置 | |
CN111949886A (zh) | 一种用于信息推荐的样本数据生成方法和相关装置 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
CN107506479B (zh) | 一种对象推荐方法和装置 | |
CN113407854A (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN112801803B (zh) | 一种理财产品推荐方法和装置 | |
CN112395499B (zh) | 信息推荐方法及装置、电子设备、存储介质 | |
CN112055038A (zh) | 生成点击率预估模型的方法及预测点击概率的方法 | |
CN115511582B (zh) | 一种基于人工智能的商品推荐系统及方法 | |
CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN111787042B (zh) | 用于推送信息的方法和装置 | |
CN110781399A (zh) | 一种跨平台的信息推送方法和装置 | |
CN115905472A (zh) | 商机业务处理方法、装置、服务器及计算机可读存储介质 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
US20170039618A1 (en) | Automated Personalized Product Specification |
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 |