CN117114768A - 保险产品信息推送方法及装置、存储介质、终端 - Google Patents
保险产品信息推送方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN117114768A CN117114768A CN202310988041.5A CN202310988041A CN117114768A CN 117114768 A CN117114768 A CN 117114768A CN 202310988041 A CN202310988041 A CN 202310988041A CN 117114768 A CN117114768 A CN 117114768A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- basic
- feature
- pushing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003993 interaction Effects 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000013145 classification model Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种保险产品信息推送方法及装置、存储介质、终端,涉及数据处理技术领域,所要解决的一个技术问题是如何提高用户确定有效性,从而提高保险产品信息的推送准确性。主要包括:获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;向所述目标用户推送所述保险产品的产品信息。
Description
技术领域
本发明涉及数据处理技术领域,尤其是一种保险产品信息推送方法及装置、存储介质、终端。
背景技术
随着大数据处理技术的快速发展,数据挖掘已经成为互联网行业中不可或缺的数据处理手段,尤其是针对信息推送时,基于大数据挖掘来筛选作为待推送目标的用户。
目前,现有在筛选用户时通常通过对用户的单一特征进行提取,并推送指定的保险产品,例如,选取男性用户,并向全部的男性用户推送平安福保险产品信息。但是,单一特征提取方式会遗漏掉大量的潜在用户,使得在信息推送时错失目标对象,大大降低了信息推送的有效性,并且,仅仅基于指定的保险产品进行信息推送,无法满足用户对保险产品信息灵活性获取需求,从而降低了保险产品信息的推送准确性。
发明内容
本发明实施例所要解决的一个技术问题是如何提高用户确定有效性,从而提高保险产品信息的推送准确性。
依据本发明一个方面,提供了一种保险产品信息推送方法,包括:
获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;
基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;
向所述目标用户推送所述保险产品的产品信息。
进一步地,所述基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征包括:
分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象;
分别对所述待交叉基础特征对象进行特征交叉处理,并确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度;
若所述交叉深度匹配预设交叉深度范围,则基于所述特征交叉处理得到所述信息交叉特征。
进一步地,所述确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度之前,所述方法还包括:
确定所述目标用户的分类类型,并基于所述分类类型计算所述待交叉基础特征对象的特征重要性参数;
基于所述特征重要性参数对所述待交叉基础特征对象进行筛选,以得到待计算所述交叉深度的所述待交叉基础特征对象,
进一步地,所述分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象包括:
获取所述保险产品的产品信息,所述产品信息包括产品类型、产品交易方式、产品推送维度信息、产品发布路径信息中至少一项;
基于所述产品信息分别对所述用户交易历史数据、所述用户基本属性信息、所述上下文基础特征进行特征相似度计算,得到特征相似度值;
基于所述特征相似度值从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中提取所述待交叉基础特征对象。
进一步地,所述通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户之前,所述方法还包括:
获取不同待筛选用户的交互路径,并确定所述交互路径对应的交互时间信息;
调取所述交互时间信息所对应的用户样本以及信息交叉样本,并基于所述用户样本以及所述信息交叉样本构建所述交互时间训练样本集;
基于所述交互时间训练样本集对构建的初始分类模型进行模型训练,得到所述用户分类模型。
进一步地,所述获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征包括:
向各应用程序端发送交易验证请求,以使所述应用程序端对所述保险产品进行交易验证;
当所述应用程序端通过所述保险产品的交易验证后,向所述应用程序端发送数据获取请求,以使所述应用程序端响应于所述数据获取请求反馈所述用户交易历史数据、用户基本属性数据。
进一步地,所述向所述目标用户推送所述保险产品的产品信息包括:
基于预设推送响应映射关系确定所述保险产品的的产品信息与所述目标用户之间的响应参数,所述预设推送响应映射关系用于表征不同用户与不同产品信息之间的潜在响应关系;
获取与所述响应参数匹配的推送策略,并按照所述推送策略向所述目标用户推送所述产品信息。
依据本发明一个方面,提供了一种保险产品信息推送装置,包括:
获取模块,用于获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;
确定模块,用于基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;
推送模块,用于向所述目标用户推送所述保险产品的产品信息。
进一步地,所述确定模块,具体用于分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象;分别对所述待交叉基础特征对象进行特征交叉处理,并确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度;若所述交叉深度匹配预设交叉深度范围,则基于所述特征交叉处理得到所述信息交叉特征。
进一步地,所述装置还包括:
计算模块,用于确定所述目标用户的分类类型,并基于所述分类类型计算所述待交叉基础特征对象的特征重要性参数;
筛选模块,用于基于所述特征重要性参数对所述待交叉基础特征对象进行筛选,以得到待计算所述交叉深度的所述待交叉基础特征对象。
进一步地,所述确定模块,还用于获取所述保险产品的产品信息,所述产品信息包括产品类型、产品交易方式、产品推送维度信息、产品发布路径信息中至少一项;基于所述产品信息分别对所述用户交易历史数据、所述用户基本属性信息、所述上下文基础特征进行特征相似度计算,得到特征相似度值;基于所述特征相似度值从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中提取所述待交叉基础特征对象。
进一步地,所述装置还包括:构建模块,
所述获取模块,还用于获取不同待筛选用户的交互路径,并确定所述交互路径对应的交互时间信息;
所述构建模块,用于调取所述交互时间信息所对应的用户样本以及信息交叉样本,并基于所述用户样本以及所述信息交叉样本构建所述交互时间训练样本集;
所述训练模块,用于基于所述交互时间训练样本集对构建的初始分类模型进行模型训练,得到所述用户分类模型。
进一步地,所述获取模块,具体用于向各应用程序端发送交易验证请求,以使所述应用程序端对所述保险产品进行交易验证;当所述应用程序端通过所述保险产品的交易验证后,向所述应用程序端发送数据获取请求,以使所述应用程序端响应于所述数据获取请求反馈所述用户交易历史数据、用户基本属性数据。
进一步地,所述推送模块,具体用于基于预设推送响应映射关系确定所述保险产品的的产品信息与所述目标用户之间的响应参数,所述预设推送响应映射关系用于表征不同用户与不同产品信息之间的潜在响应关系;获取与所述响应参数匹配的推送策略,并按照所述推送策略向所述目标用户推送所述产品信息。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述保险产品信息推送方法对应的操作。
根据本发明的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述保险产品信息推送方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种保险产品信息推送方法及装置、计算机存储介质、终端,与现有技术相比,本发明实施例通过获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;向所述目标用户推送所述保险产品的产品信息,实现通过对用户精准分类来确定保险产品信息的推送目的,避免推送目标用户的遗失,确保精准进行保险产品信息的推送,满足用户对保险产品信息灵活性获取需求,大大提高了保险产品信息的推送准确性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本发明的实施例,并且连同描述一起用于解释本发明的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本发明,其中:
图1示出了本发明实施例提供的一种保险产品信息推送方法流程图;
图2示出了本发明实施例提供的一种保险产品信息推送装置组成框图;
图3示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机系统/服务器,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
针对单一特征提取方式会遗漏掉大量的潜在用户,使得在信息推送时错失目标对象,大大降低了信息推送的有效性,并且,仅仅基于指定的保险产品进行信息推送,无法满足用户对保险产品信息灵活性获取需求,从而降低了保险产品信息的推送准确性。本发明实施例提供了一种保险产品信息推送方法,如图1所示,该方法包括:
101、获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征。
本发明实施例中,当前执行端作为对保险产品信息进行推送的执行端,可以为终端设备、也可以为服务端设备,如云端服务器等,本发明实施例不做具体限定。当前执行端首先获取保险产品的用户交易历史数据、用户基本属性数据、保险产品的上下文基础特征,此时,保险产品包括但不限于保险企业所定制生成的风险投资类保险产品、疾病理赔类保险产品,用户交易历史数据用于表征用户历史数据中完成保险产品交易过程的全部数据内容,包括但不限于页面浏览时长、进入页面深度(如点击投保按钮、协议弹窗曝光,进入健康告知,立即投保)、购买医疗险、意外险、重疾险的次数,浏览保险产品的次数等,用户基本属性数据包括用户年龄、用户性别、捐款金额、是否关注保险公众号、是否关注保险小程序、是否是企信用户、所在城市、城市水平、手机型号、捐款次数、分享小程序次数等基础数据,上下文基础特征用于表征交易保险产品所使用的特征,包括但不限于手机型号、所在城市、账户信息等,本发明实施例不做具体限定。
102、基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户。
本发明实施例中,为了提高对用户进行分类以筛选准确推送信息准确性,当前执行端基于用户交易历史数据、用户基本属性数据、上下文基础特征进行交叉特征的构建,得到信息交叉特征,此时,交叉特征的构建即为基于用户交易历史数据、用户基本属性数据以及上下文基础特征进行特征交叉(也即多个特征的组合,通过将两个或多个特征矩阵相乘),并结合特征交叉的深度确定最终交叉后的信息交叉特征,进而利用用户分类模型对待筛选的用户进行分类,选取最终需要进行推送的用户。其中,用户分类模型为基于交互时间训练样本集进行训练得到的,此时,用户分类模型可以基于交互时间训练样本集对初始分类模型进行模型训练,如卷积神经网络、支持向量机网络等,从而得到可用于用户分类的用户分类模型。本发明实施例中,经过用户分类模型分类后的目标用户可以包括但不限于不同购买力分类的用户、不同交易分类的用户、不同性别用户、不同职业用户等,本发明实施例不做具体限定。
需要说明的是,本发明实施例中交互时间训练样本集为基于各个保险产品的交易平台中的交互路径所对应的交互时间信息进行筛选构建的,以提高对用户分类模型进行分类的准确性。另外,当对待筛选用户进行分类后,可以将其中的一个分类的用户作为目标用户,也可以选取多个分类作为目标用户,本发明实施例不做具体限定。
103、向所述目标用户推送所述保险产品的产品信息。
本发明实施例中,当前执行端确定待推送的目标用户后,将待推送的保险产品的产品信息向此目标用户所使用的客户端进行推送,此时,若目标用户为一个分类,则可以直接将产品信息进行推送,若目标用户为多个分类,可以筛选保险产品匹配的产品信息进行推送,本发明实施例不做具体限定。另外,为了提高产品信息的推送有效性,当前执行端还可以基于推送策略进行推送,本发明实施例不做具体限定。另外,推送的产品信息包括但不限于保险产品的交易信息、产品介绍信息、与保险产品具有关联的其他保险产品信息等,本发明实施例不做具体限定。
在另一个本发明实施例中,为了进一步限定及说明,步骤基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征包括:
分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象;
分别对所述待交叉基础特征对象进行特征交叉处理,并确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度;
若所述交叉深度匹配预设交叉深度范围,则基于所述特征交叉处理得到所述信息交叉特征。
为了实现以特征交叉的方式来不同分层的用户,从而提高信息推送的准确性,当前执行端首先分别从用户交易历史数据、用户基本属性数据、上下文基础特征中确定多个待交叉基础特征对象。其中,待交叉的基础特征对象用于表征用户进行深度交叉的特征依据,此时,可以通过随机选取的方式抽取用户交易历史数据、用户基本属性数据、以及上下文基础特征中的部分数据内容作为基础特征对象,还可以基于设定的特定时间段、特定文本内容等对用户交易历史数据、用户基本属性数据、上下文基础特征进行匹配抽取,本发明实施例不做具体限定。当前执行端确定待交叉基础特征对象后,分别将待交叉基础特征对象进行特征交叉处理,即构建得到多个信息交叉特征。此时,特征交叉处理即为将多个基础特征对象进行交叉组合得到新的特征的过程,在一个具体的应用场景中,具体可以为确定从用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象,并以Featuretools中的实体和关系形式进行表示,其中,实体是指数据集中的一个表格或数据框,关系是指实体之间的联系,如数据之间的关联关系,进而基于Featuretools中特征的基本单位基元(一种特征生成函数)生成交叉矩阵。具体的,基元分为聚合基元和变换基元两类。聚合基元用于对实体之间的关系进行聚合操作,包括但不限于sum、mean、max、min、count等计算方式,如计算一个用户购买的保险产品数量、平均价格等,本发明实施例中不做具体限定。变换基元用于对实体的属性进行变换操作,包括但不限于year、month、day、hour、weekday等表示方式,如从一个日期时间属性中提取出年、月、日、小时等信息,本发明实施例不做具体限定,从而通过组合不同的基元,生成各种复杂的特征,作为交叉特征处理后得到的待交叉基础特征对象。
需要说明的是,为了提高对用户进行分类的准确性,从而提高信息推送的有效性,当前执行端在进行交叉特征处理后,计算各个特征交叉处理后待交叉基础特征对象的交叉深度,从而与预设交叉深度范围进行比较。其中,预设交叉深度范围即用于表征生成交叉特征时最多进行交叉的特征个数。例如,可以设置预设交叉深度范围为2-10,则最多将两个特征进行交叉,本发明实施例不做具体限定。其中,预设交叉深度范围的设置可以根据具体的数据集和分类模型进行配置,从而减少训练数据的过度拟合,提高模型的泛化能力。
在另一个本发明实施例中,为了进一步限定及说明,步骤确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度之前,所述方法还包括:
确定所述目标用户的分类类型,并基于所述分类类型计算所述待交叉基础特征对象的特征重要性参数;
基于所述特征重要性参数对所述待交叉基础特征对象进行筛选,以得到待计算所述交叉深度的所述待交叉基础特征对象。
为了提高对用户分类的准确性,避免产生过多的无效特征,当前执行端对待交叉基础特征对象进行筛选,即在确定交叉深度之前,首选确定待分类的目标用户的分类类型,以基于此分类类型计算待交叉基础特征对象的特征重要性参数。具体的,当前执行端可以基于Gini Impurity准则进行特征自动过虑选择,此时,分类类型用于表征用户可被分类的类型,可以基于推送需求进行配置,包括但不限于购买能力分类、性别分类、职业分类、历史用户类型分类等,以基于分类类型计算待交叉基础特征对象的特征重要性参数,本发明实施例不做具体限定。在一个具体的实施场景中,计算特征重要性参数可以通过GiniImpurity准则的重要性参数计算公式计算,以用来衡量一个特征对分类结果的重要性,如重要性参数计算公式为其中,k为分类类型的类别数量,pi为第i类的分类类型的数量占总分类类型数量的比例,从而得到特征重要性参数。
需要说明的是,当前执行端计算得到特征重要性参数后,对待交叉基础特征对象进行筛选,具体的,首先计算每个待交叉基础特征对象在每个分类类型中出现的次数,在每个分类节点中,通过遍历所有待交叉基础特征对象,计算对应的Gini Impurity增益值。此时,对于每一个待交叉基础特征对象,可以将增益值的值域划分为m个离散区间,并根据每个离散区间中样本所属的分类类型,计算此待交叉基础特征对象的此m个分裂点所对应的GiniImpurity重要性参数。然后,将这m个分裂点中的Gini Impurity重要性参数取平均值,作为此待交叉基础特征对象的增益值,选择最大增益值对应的待交叉基础特征对象作为分裂点,将分类节点一分为二后,继续对子节点进行特征筛选,直到满足递归终止条件,得到筛选后的待计算交叉深度的待交叉基础特征对象。
在另一个本发明实施例中,为了进一步限定及说明,步骤分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象包括:
获取所述保险产品的产品信息;
基于所述产品信息分别对所述用户交易历史数据、所述用户基本属性信息、所述上下文基础特征进行特征相似度计算,得到特征相似度值;
基于所述特征相似度值从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中提取所述待交叉基础特征对象。
为了提高对用户进行分类的准确性,从而提高对用户进行保险产品信息推送的有效性,当前执行端在确定待交叉基础特征对象时,首先获取保险产品的产品信息。其中,产品信息包括产品类型、产品交易方式、产品推送维度信息、产品发布路径信息中至少一项,产品类型用于表征保险产品的类型,包括但不限于人身保险类型、财产保险类型等,产品交易方式包括但不限于权益数字交易、电子银行交易、现金交易等,产品推送维度信息用于表征推送产品时的渠道维度,包括但不限于社交应用程序、保险专用应用程序、短信推送等,产品发布路径信息包括第三方平台(如社交平台、银行平台)、保险平台等,本发明实施例不做具体限定。在获取产品信息时,可以直接调取已经对保险产品进行配置好的产品信息,以便直接调取使用,本发明实施例不做具体限定。
需要说明的是,当前执行端在获取产品信息后,分别与用户交易历史数据、用户基本属性信息、上下文基础特征进行特征相似度计算,得到各个特征之间的特征相似度值。其中,由于产品信息中包括产品类型、产品交易方式、产品推送维度信息、产品发布路径信息中至少一项,在计算相似度时,可以分别将产品类型分别逐一与用户交易历史数据、用户基本属性信息、上下文基础特征进行文本相似度计算,然后再分别计算用户基本属性信息、上下文基础特征与产品类型、产品交易方式、产品推送维度信息、产品发布路径信息中至少一项的文本相似度,以作为特征相似度值。另外,本发明实施例中的相似度计算方式可以为通过词向量转换后,将各个词语形式的特征进行词向量相似度值计算,本发明实施例不做具体限定。当计算得到特征相似度值后,当前执行端基于特征相似度值从用户交易历史数据、用户基本属性数据、上下文基础特征中提取待交叉基础特征对象,即可以通过设定一个相似度阈值筛选出较高相似度的特征,作为待交叉基础特征对象,此相似度阈值可以根据特征选取需求进行配置,本发明实施例不做具体限定。
在另一个本发明实施例中,为了进一步限定及说明,步骤通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户之前,所述方法还包括:
获取不同待筛选用户的交互路径,并确定所述交互路径对应的交互时间信息;
调取所述交互时间信息所对应的用户样本以及信息交叉样本,并基于所述用户样本以及所述信息交叉样本构建所述交互时间训练样本集;
基于所述交互时间训练样本集对构建的初始分类模型进行模型训练,得到所述用户分类模型。
为了实现以对用户进行分类来提高保险产品的信息推送准确性的目标,当前执行端预先构建初始分类模型,并对此初始分类模型进行训练。首先,当前执行端获取不同待筛选用户的交互路径,交互路径用于表征用户获取保险产品的产品信息的路径,如社交平台路径、银行平台路径等,同时,确定对应此交互路径的交互时间信息。其中,交互时间信息用于表示,用户在对应的平台中浏览或产生交互行为的时间,例如,用户在社交平台登录或聊天了1小时,则交互时间信息为1小时,可以通过向对应的社交平台发送交互时间统计请求进行获取确定,本发明实施例不做具体限定。当确定交互时间信息后,调取此交互时间信息所对应的用户样本,以及信息交叉样本,用户样本即为在交互时间信息内全部的用户,信息交叉样本即为基于此全部用户进行交叉验证后确定的交叉分组用户,此时,交叉验证可以采用时间序列交叉验证方式进行,本发明实施例不做具体限定。进而的,基于用户样本,以及信息交叉样本构建交互时间训练样本集,此时,在一个具体的应用场景中,交互时间训练样本集可以包括但不限于按照用户与平台的交互时间分为五组,将第一组的数据作为训练集,第二组的数据作为验证集,将前两组数据作为训练集,第三组作为验证集,依次递进,完成时间序列5折交叉验证,从而基于交互时间训练样本集对构建的初始分类模型进行模型训练,得到用户分类模型,大大提高用户分类模型的准确性以及稳定性。另外,本发明实施例中,初始分类模型可以为神经网络模型、卷积神经网络模型、支持向量机模型等,优选为LGBM框架,本发明实施例不做具体限定。
在另一个本发明实施例中,为了进一步限定及说明,步骤获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征包括:
向各应用程序端发送交易验证请求,以使所述应用程序端对所述保险产品进行交易验证;
当所述应用程序端通过所述保险产品的交易验证后,向所述应用程序端发送数据获取请求,以使所述应用程序端响应于所述数据获取请求反馈所述用户交易历史数据、用户基本属性数据。
为了实现基于用户交易历史数据、用户基本属性数据、上下文基础特征进行特征交叉,在具体的一个应用场景中,当前执行端在获取上述数据特征时,确保数据的安全性,向各个应用程序端发送交易验证请求,以使各个应用程序端进行交易验证。其中,各个应用程序端包括但不限于与当前执行端进行保险业务交互以及用户共享的社交平台、银行平台等,各个应用程序端接收到交易验证请求后,对当前执行端推送信息的用户进行交易验证,即确定此用户是否为应用程序端中的失信用户或者交易黑名单用户,且保险产品是否违反应用程序端的保险业务需求,若不为失信用户或者交易黑名单用户,且保险产品不违反应用程序端的保险业务需求则应用程序端反馈交易验证成功,通过保险产品的交易验证,当前执行端向应用程序端发送数据获取请求,以使应用程序端响应于数据获取请求反馈用户交易历史数据、用户基本属性数据。
在另一个本发明实施例中,为了进一步限定及说明,步骤向所述目标用户推送所述保险产品的产品信息包括:
基于预设推送响应映射关系确定所述保险产品的的产品信息与所述目标用户之间的响应参数;
获取与所述响应参数匹配的推送策略,并按照所述推送策略向所述目标用户推送所述产品信息。
为了提高保险产品信息的推送有效性,当前执行端在向分类后的目标用户进行推送时,首先基于预设推送响应映射关系确定产品信息与目标用户之间的响应参数,此时,响应参数用于表征目标用户对待推送的保险产品进行响应的可能性,并且,预设推送响应映射关系用于表征不同用户与不同产品信息之间的潜在响应关系,响应关系越大,响应参数越大,响应关系为基于保险技术人员进行配置的,响应参数为基于响应关系按照0-1数值范围内进行按比例生成的,从而为目标用户确定一个响应参数,本发明实施例不做具体限定。另外,当前执行端确定出目标用户的响应参数后,获取此响应参数的推送策略,即不同的响应参数预先配置有不同的推送策略,例如,响应参数较大,说明用户查看购买的可能性越大,因此,推送策略可以对应为推送频率低的推送方式,以优化产品信息的推送效率。本发明实施例中,推送策略用于表征向目标用户发送产品信息的次数、时间、方式(如短信、平台广告、私信等)等,本发明实施例不做具体限定。
本发明实施例提供了一种保险产品信息推送方法,与现有技术相比,本发明实施例通过获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;向所述目标用户推送所述保险产品的产品信息,实现通过对用户精准分类来确定保险产品信息的推送目的,避免推送目标用户的遗失,确保精准进行保险产品信息的推送,满足用户对保险产品信息灵活性获取需求,大大提高了保险产品信息的推送准确性。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种保险产品信息推送装置,如图2所示,该装置包括:
获取模块21,用于获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;
确定模块22,用于基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;
推送模块23,用于向所述目标用户推送所述保险产品的产品信息。
进一步地,所述确定模块,具体用于分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象;分别对所述待交叉基础特征对象进行特征交叉处理,并确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度;若所述交叉深度匹配预设交叉深度范围,则基于所述特征交叉处理得到所述信息交叉特征。
进一步地,所述装置还包括:
计算模块,用于确定所述目标用户的分类类型,并基于所述分类类型计算所述待交叉基础特征对象的特征重要性参数;
筛选模块,用于基于所述特征重要性参数对所述待交叉基础特征对象进行筛选,以得到待计算所述交叉深度的所述待交叉基础特征对象。
进一步地,所述确定模块,还用于获取所述保险产品的产品信息,所述产品信息包括产品类型、产品交易方式、产品推送维度信息、产品发布路径信息中至少一项;基于所述产品信息分别对所述用户交易历史数据、所述用户基本属性信息、所述上下文基础特征进行特征相似度计算,得到特征相似度值;基于所述特征相似度值从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中提取所述待交叉基础特征对象。
进一步地,所述装置还包括:构建模块,
所述获取模块,还用于获取不同待筛选用户的交互路径,并确定所述交互路径对应的交互时间信息;
所述构建模块,用于调取所述交互时间信息所对应的用户样本以及信息交叉样本,并基于所述用户样本以及所述信息交叉样本构建所述交互时间训练样本集;
所述训练模块,用于基于所述交互时间训练样本集对构建的初始分类模型进行模型训练,得到所述用户分类模型。
进一步地,所述获取模块,具体用于向各应用程序端发送交易验证请求,以使所述应用程序端对所述保险产品进行交易验证;当所述应用程序端通过所述保险产品的交易验证后,向所述应用程序端发送数据获取请求,以使所述应用程序端响应于所述数据获取请求反馈所述用户交易历史数据、用户基本属性数据。
进一步地,所述推送模块,具体用于基于预设推送响应映射关系确定所述保险产品的的产品信息与所述目标用户之间的响应参数,所述预设推送响应映射关系用于表征不同用户与不同产品信息之间的潜在响应关系;获取与所述响应参数匹配的推送策略,并按照所述推送策略向所述目标用户推送所述产品信息。
本发明实施例提供了一种保险产品信息推送装置,与现有技术相比,本发明实施例通过获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;向所述目标用户推送所述保险产品的产品信息,实现通过对用户精准分类来确定保险产品信息的推送目的,避免推送目标用户的遗失,确保精准进行保险产品信息的推送,满足用户对保险产品信息灵活性获取需求,大大提高了保险产品信息的推送准确性。
根据本发明一个实施例提供了一种计算机存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的保险产品信息推送方法。
图3示出了根据本发明一个实施例提供的一种终端的结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图3所示,该终端可以包括:处理器(processor)302、通信接口(CommunicationsInterface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302,用于执行程序310,具体可以执行上述保险产品信息推送方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作:
获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;
基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;
向所述目标用户推送所述保险产品的产品信息。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,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。
可能以许多方式来实现本发明的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种保险产品信息推送方法,其特征在于,包括:
获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;
基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;
向所述目标用户推送所述保险产品的产品信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征包括:
分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象;
分别对所述待交叉基础特征对象进行特征交叉处理,并确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度;
若所述交叉深度匹配预设交叉深度范围,则基于所述特征交叉处理得到所述信息交叉特征。
3.根据权利要求2所述的方法,其特征在于,所述确定特征交叉处理后所述待交叉基础特征对象对应的交叉深度之前,所述方法还包括:
确定所述目标用户的分类类型,并基于所述分类类型计算所述待交叉基础特征对象的特征重要性参数;
基于所述特征重要性参数对所述待交叉基础特征对象进行筛选,以得到待计算所述交叉深度的所述待交叉基础特征对象。
4.根据权利要求2所述的方法,其特征在于,所述分别从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中确定多个待交叉基础特征对象包括:
获取所述保险产品的产品信息,所述产品信息包括产品类型、产品交易方式、产品推送维度信息、产品发布路径信息中至少一项;
基于所述产品信息分别对所述用户交易历史数据、所述用户基本属性信息、所述上下文基础特征进行特征相似度计算,得到特征相似度值;
基于所述特征相似度值从所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征中提取所述待交叉基础特征对象。
5.根据权利要求1所述的方法,其特征在于,所述通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户之前,所述方法还包括:
获取不同待筛选用户的交互路径,并确定所述交互路径对应的交互时间信息;
调取所述交互时间信息所对应的用户样本以及信息交叉样本,并基于所述用户样本以及所述信息交叉样本构建所述交互时间训练样本集;
基于所述交互时间训练样本集对构建的初始分类模型进行模型训练,得到所述用户分类模型。
6.根据权利要求1所述的方法,其特征在于,所述获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征包括:
向各应用程序端发送交易验证请求,以使所述应用程序端对所述保险产品进行交易验证;
当所述应用程序端通过所述保险产品的交易验证后,向所述应用程序端发送数据获取请求,以使所述应用程序端响应于所述数据获取请求反馈所述用户交易历史数据、用户基本属性数据。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述向所述目标用户推送所述保险产品的产品信息包括:
基于预设推送响应映射关系确定所述保险产品的的产品信息与所述目标用户之间的响应参数,所述预设推送响应映射关系用于表征不同用户与不同产品信息之间的潜在响应关系;
获取与所述响应参数匹配的推送策略,并按照所述推送策略向所述目标用户推送所述产品信息。
8.一种保险产品信息推送装置,其特征在于,包括:
获取模块,用于获取保险产品的用户交易历史数据、用户基本属性数据以及所述保险产品的上下文基础特征;
确定模块,用于基于所述用户交易历史数据、所述用户基本属性数据、所述上下文基础特征确定信息交叉特征,并通过已完成模型训练的用户分类模型对所述信息交叉特征、待筛选用户的用户特征进行分类处理,确定分类后的目标用户,所述用户分类模型为基于交互时间训练样本集进行训练得到的;
推送模块,用于向所述目标用户推送所述保险产品的产品信息。
9.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的保险产品信息推送方法对应的操作。
10.一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的保险产品信息推送方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988041.5A CN117114768A (zh) | 2023-08-07 | 2023-08-07 | 保险产品信息推送方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988041.5A CN117114768A (zh) | 2023-08-07 | 2023-08-07 | 保险产品信息推送方法及装置、存储介质、终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114768A true CN117114768A (zh) | 2023-11-24 |
Family
ID=88803077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988041.5A Pending CN117114768A (zh) | 2023-08-07 | 2023-08-07 | 保险产品信息推送方法及装置、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114768A (zh) |
-
2023
- 2023-08-07 CN CN202310988041.5A patent/CN117114768A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101939554B1 (ko) | 일시적 거래 한도 결정 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN108710634B (zh) | 一种协议文件的推送方法及终端设备 | |
US20190303709A1 (en) | Feature information extraction method, apparatus, server cluster, and storage medium | |
CN109242612B (zh) | 一种产品推荐的方法及设备 | |
CN110135978B (zh) | 用户金融风险评估方法、装置、电子设备和可读介质 | |
CN111367965B (zh) | 目标对象确定方法、装置、电子设备及存储介质 | |
CN111488616A (zh) | 业务数据区块链的预言机实现方法及装置 | |
CN111324883B (zh) | 基于互联网的电商平台入侵检测方法及计算机设备 | |
CN110535910B (zh) | 断点用户的召回方法、装置及存储介质 | |
CN109462582B (zh) | 文本识别方法、装置、服务器及存储介质 | |
CN111104556A (zh) | 一种业务处理方法和装置 | |
CN108959289B (zh) | 网站类别获取方法和装置 | |
CN115952398B (zh) | 基于物联网的数据上传统计计算方法、系统和存储介质 | |
US9525687B2 (en) | Template for customer attributes | |
CN112288402A (zh) | 数据处理方法、装置、设备、及存储介质 | |
CN113761565A (zh) | 数据脱敏方法和装置 | |
CN114565443B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115809324A (zh) | 业务推送方法、装置、服务器及计算机可读存储介质 | |
CN114398562B (zh) | 一种店铺数据管理方法、装置、设备及存储介质 | |
CN107784062B (zh) | 产品数据处理系统和方法 | |
CN114022246B (zh) | 一种产品信息的推送方法、装置、终端设备和存储介质 | |
CN117114768A (zh) | 保险产品信息推送方法及装置、存储介质、终端 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
US11755571B2 (en) | Customized data scanning in a heterogeneous data storage environment |
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 |