CN117314593A - 一种基于用户行为分析的保险项目推送方法及系统 - Google Patents

一种基于用户行为分析的保险项目推送方法及系统 Download PDF

Info

Publication number
CN117314593A
CN117314593A CN202311619026.XA CN202311619026A CN117314593A CN 117314593 A CN117314593 A CN 117314593A CN 202311619026 A CN202311619026 A CN 202311619026A CN 117314593 A CN117314593 A CN 117314593A
Authority
CN
China
Prior art keywords
user
data
user behavior
pushing
insurance item
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
Application number
CN202311619026.XA
Other languages
English (en)
Other versions
CN117314593B (zh
Inventor
付斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Code Mobile Technology Co ltd
Original Assignee
Beijing Code Mobile Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Code Mobile Technology Co ltd filed Critical Beijing Code Mobile Technology Co ltd
Priority to CN202311619026.XA priority Critical patent/CN117314593B/zh
Publication of CN117314593A publication Critical patent/CN117314593A/zh
Application granted granted Critical
Publication of CN117314593B publication Critical patent/CN117314593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Finance (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明属于保险项目推送技术领域，公开了一种基于用户行为分析的保险项目推送方法及系统。所述的方法包括如下步骤：采集历史用户行为大数据并进行预处理；构建用户行为分析模型；划分保险项目数据表单；进行用户行为分析；匹配保险项目数据表单；对第一保险项目推送表单进行关键词筛选；根据预设的保险项目推送策略进行推送；对保险项目推送策略进行优化。所述的系统包括依次连接的大数据采集单元、大数据预处理单元、模型构建单元、表单划分单元、用户行为分析单元、用户画像构建单元、表单匹配单元、关键词筛选单元、保险项目推送单元以及推送策略优化单元。本发明解决了现有技术存在的推送效果差、用户体验度差以及缺乏个性化推荐的问题。

Description

一种基于用户行为分析的保险项目推送方法及系统
技术领域
本发明属于保险项目推送技术领域，具体涉及一种基于用户行为分析的保险项目推送方法及系统。
背景技术
随着互联网技术的飞速发展，保险行业正逐渐从传统方式向线上转型。在这个过程中，如何根据用户的行为数据和偏好，智能推送适合的保险项目产品，提高用户投保意愿和满意度，成为保险公司关注的重点问题。
现有技术中，保险项目的推送主要依赖于人工经验和简单的人口统计学特征，缺乏对用户行为的深度挖掘和分析，导致推送效果不尽如人意；并且，容易因为长期推送不符合用户需求的保险项目，影响用户体验度；最后，现有技术的简单、机械式的保险项目推送，功能简单，缺乏个性化推荐功能。
发明内容
为了解决现有技术存在的推送效果差、用户体验度差以及缺乏个性化推荐的问题，本发明目的在于提供一种基于用户行为分析的保险项目推送方法及系统。
本发明所采用的技术方案为：
一种基于用户行为分析的保险项目推送方法，包括如下步骤：
采集若干用户的历史用户行为大数据，并对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集；
使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型；
采集保险业务平台的若干保险项目数据，为若干保险项目数据设置对应的目标用户群体标签，并将具有相同目标用户群体标签的若干保险项目数据划分为一保险项目数据表单，得到若干保险项目数据表单；
采集当前用户的实时用户行为数据，并将实时用户行为数据输入至用户行为分析模型，进行用户行为分析，得到预测用户特性标签；
根据当前用户的预测用户特性标签，构建对应的用户画像，并根据用户画像与目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单；
采集当前用户的意向购买信息，并根据意向购买信息，对第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单；
根据预设的保险项目推送策略，将第一和/或第二保险项目推送表单推送至当前的用户；
采集当前用户的反馈评价信息，根据反馈评价信息，对保险项目推送策略进行优化，并基于优化后保险项目推送策略，重新进行保险项目推送。
进一步地，历史用户行为大数据包括若干用户的若干历史用户行为数据；
历史/实时用户行为数据包括用户的历史/实时的浏览记录数据、购买习惯数据以及点击行为数据；
用户特性标签包括稳妥型标签、激进型标签、保守型标签、犹豫型标签、冲动型标签、理智型标签、迷茫型标签以及其它型标签；
目标用户群体标签包括学生群体标签、工人群体标签、农民群体标签、企业家群体标签、职工群体标签、自由群体标签、男性群体标签、女性群体标签、青年群体标签、中年群体标签以及老年群体标签；
用户画像为由用户信息数据、预测用户特性标签以及预设用户群体标签构成的用户描述数据。
进一步地，采集若干用户的历史用户行为大数据，并对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集，包括如下步骤：
采集由若干用户的若干历史用户行为数据构成的历史用户行为大数据；
对历史用户行为大数据进行依次的数据脱敏处理、数据去重处理以及数据筛选处理，得到若干预处理后历史用户行为数据；
使用FCM聚类算法，对若干预处理后历史用户行为数据进行聚类，得到若干聚类中心和对应的聚类数据群；
为每一聚类中心设置对应的用户特性标签，并将用户特性标签扩散至对应的聚类数据群，得到带有用户特性标签的预处理后历史用户行为数据集。
进一步地，使用FCM聚类算法，对若干预处理后历史用户行为数据进行聚类，得到若干聚类中心和对应的聚类数据群，包括如下步骤：
设置FCM聚类算法的目标函数；
生成若干初始的聚类中心和若干预处理后历史用户行为数据对初始的聚类中心的初始的隶属度；
根据初始的聚类中心和初始的隶属度，获取拉格朗日乘数法的合并函数值和变化值；
若合并函数值大于函数阈值，或变化值大于变化值阈值，则更新聚类中心和对应的隶属度，并重复上述步骤，否则，得到若干最终的聚类中心；
根据预处理后历史用户行为数据与最终的聚类中心的欧氏距离，对若干预处理后历史用户行为数据进行划分，得到若干最终的聚类中心对应的聚类数据群。
进一步地，使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型，包括如下步骤：
使用PCA方法，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集；
将降维后历史用户行为数据集按照7:3的比例划分为训练样本数据集和测试样本数据集；
将训练样本数据集输入DBN网络进行模型训练，构建初始的用户行为分析模型；
将测试样本数据集输入初始的用户行为分析模型进行优化训练，得到优化的用户行为分析模型；
若优化的用户行为分析模型的预测准确度大于准确度阈值，或优化迭代次数大于迭代次数阈值，则输出最终的用户行为分析模型，否则，继续进行优化训练。
进一步地，使用PCA方法，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集，包括如下步骤：
将预处理后历史用户行为数据集转化为历史用户行为数据矩阵；历史用户行为数据矩阵由若干预处理后历史用户行为数据行向量构成；
获取历史用户行为数据矩阵的转换矩阵；
根据历史用户行为数据矩阵和转换矩阵，获取主成分矩阵，主成分矩阵包括若干备选主成分；
获取所有备选主成分的方差累计贡献率，并将方差累计贡献率超过85%的若干备选主成分作为主成分；
根据若干主成本，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集。
进一步地，根据当前用户的预测用户特性标签，构建对应的用户画像，并根据用户画像与目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单，包括如下步骤：
结合当前用户的预测用户特性标签、用户信息数据以及预设用户群体标签，生成当前用户的用户画像；预设用户群体标签与每个目标用户群体标签设置有对应的第一符合度；目标用户群体标签与每个用户特性标签设置有对应的第二符合度；
根据当前用户的用户画像中预设用户群体标签与所有目标用户群体标签的第一符合度，对目标用户群体标签进行降幂排序；
按照降幂排序的顺序，根据当前用户的用户画像中预测用户特性标签与降幂排序的所有目标用户群体标签的第二符合度，对对应的保险项目数据表单进行匹配，得到第二符合度最高的第一保险项目推送表单。
进一步地，采集当前用户的意向购买信息，并根据意向购买信息，对第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单，包括如下步骤：
采集当前用户的意向购买信息；意向购买信息包括意向购买关键词组；第一保险项目推送表单中每一保险项目数据均设置有预设关键词组；
获取意向购买信息的意向购买关键词组与第一保险项目推送表单中保险项目数据的预设关键词组之间的相似度；
若相似度低于相似度阈值，则将第一保险项目推送表单中对应的保险项目数据进行删除；
遍历第一保险项目推送表单中所有保险项目数据，得到由相似度高于相似度阈值的保险项目数据构成的第二保险项目推送表单。
进一步地，保险项目推送策略包括推送时间段、推送周期、推送方式以及推送内容；
反馈评价信息包括推送时间段优化信息、推送周期优化信息、推送方式优化信息以及推送内容优化信息；
优化后保险项目推送策略包括优化后推送时间段、优化后推送周期、优化后推送方式以及优化后推送内容。
一种基于用户行为分析的保险项目推送系统，用于实现保险项目推送方法，系统包括依次连接的大数据采集单元、大数据预处理单元、模型构建单元、表单划分单元、用户行为分析单元、用户画像构建单元、表单匹配单元、关键词筛选单元、保险项目推送单元以及推送策略优化单元；
大数据采集单元，用于采集若干用户的历史用户行为大数据，并将历史用户行为大数据发送至大数据预处理单元；
大数据预处理单元，用于对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集，并将预处理后历史用户行为数据集发送至模型构建单元；
模型构建单元，用于使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型；
表单划分单元，用于采集保险业务平台的若干保险项目数据，为若干保险项目数据设置对应的目标用户群体标签，并将具有相同目标用户群体标签的若干保险项目数据划分为一保险项目数据表单，得到若干保险项目数据表单；
用户行为分析单元，用于采集当前用户的实时用户行为数据，并将实时用户行为数据输入至模型构建单元生成的用户行为分析模型，进行用户行为分析，得到预测用户特性标签，并将预测用户特性标签发送至用户画像构建单元；
用户画像构建单元，用于根据当前用户的预测用户特性标签，构建对应的用户画像，并将当前用户的用户画像发送至表单匹配单元；
表单匹配单元，用于根据用户画像与表单划分单元设置的目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单；
关键词筛选单元，用于采集当前用户的意向购买信息，并根据意向购买信息，对表单匹配单元生成的第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单；
保险项目推送单元，用于根据预设的保险项目推送策略，将第一和/或第二保险项目推送表单推送至当前的用户；
推送策略优化单元，用于采集当前用户的反馈评价信息，根据反馈评价信息，对保险项目推送策略进行优化，并基于优化后保险项目推送策略，重新进行保险项目推送。
本发明的有益效果为：
本发明提供的一种基于用户行为分析的保险项目推送方法及系统，基于大数据构建用户行为分析模型，能够准确的预测用户行为隐含的用户特性，通过用户行为分析模型，对用户的浏览记录数据、购买习惯数据以及点击行为数据等用户行为和偏好进行自动化的深度挖掘和分析，获取用户特性，准确预测用户的保险需求，提高了推送效果；针对保险业务平台的保险项目数据，生成推送的保险项目数据表单，提高了对不同保险业务平台的适用性；根据用户行为，生成用户画像，并根据用户画像筛选对应的保险项目数据，提高了保险推送的效率和准确性；根据反馈评价进行推送策略优化，实现了个性化推荐功能，提高了功能性。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中基于用户行为分析的保险项目推送方法的流程框图。
图2是本发明中基于用户行为分析的保险项目推送系统的结构框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1：
如图1所示，本实施例提供一种基于用户行为分析的保险项目推送方法，包括如下步骤：
采集若干用户的历史用户行为大数据，并对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集，包括如下步骤：
采集由若干用户的若干历史用户行为数据构成的历史用户行为大数据；
基于大数据分析，掌握用户行为与用户特性之间的潜在联系，为后续的用户行为分析提供数据支撑，并且提高了推荐的准确性和效率；
历史用户行为数据包括用户的历史的浏览记录数据、购买习惯数据以及点击行为数据；
用户行为数据隐含了用户的性格、习惯、需求等特性，不同的用户特性对保险项目的需求不同，通过对用户行为数据进行分析，能够准确预测用户对于保险项目的需求，提高推荐效果；
对历史用户行为大数据进行依次的数据脱敏处理、数据去重处理以及数据筛选处理，得到若干预处理后历史用户行为数据；
用户行为大数据中可能包含用户的隐私数据，例如姓名、身份证等敏感数据，进行数据脱敏处理，将隐私数据进行模糊处理，保证了大数据的安全性和用户数据隐私性，数据去重处理对大数据中重复的数据进行删除，减轻了数据体量，数据筛选处理将错误数据、缺失数据等不符合模型构建的数据进行剔除，提高了数据的标准化程度；
使用模糊C均值（FCM，Fuzzy C-mean）聚类算法，对若干预处理后历史用户行为数据进行聚类，得到若干聚类中心和对应的聚类数据群，包括如下步骤：
设置FCM聚类算法的目标函数，公式为：
式中，为FCM聚类算法的目标函数；/>为模糊隶属度矩阵；为聚类中心集合；/>为第i预处理后历史用户行为数据属于第/>聚类中心的隶属度；/>为第/>预处理后历史用户行为数据；/>为模糊因子；/>为数据指示量；为数据总数；/>为聚类中心指示量；/>为聚类中心总数；/>为第j聚类中心；
生成若干初始的聚类中心和若干预处理后历史用户行为数据对初始的聚类中心的初始的隶属度；
根据初始的聚类中心和初始的隶属度，获取拉格朗日乘数法的合并函数值和变化值，公式为：
式中，为第t、t-1次迭代的拉格朗日乘数法的合并函数值；/>为对应的变化值；/>为第i特征参数；t为迭代次数指示量；/>为第i预处理后历史用户行为数据属于第聚类中心的隶属度；/>为模糊因子；/>为数据指示量；/>为数据总数；/>为聚类中心指示量；/>为聚类中心总数；/>为第j聚类中心；/> 为第i预处理后历史用户行为数据到第j聚类中心的欧氏距离；/>为第/>预处理后历史用户行为数据；
若合并函数值大于函数阈值，或变化值大于变化值阈值，则更新聚类中心和对应的隶属度，并重复上述步骤，否则，得到若干最终的聚类中心；
更新聚类中心的公式为：
式中，为第j更新后聚类中心；/>为模糊因子；/>为数据指示量；/>为数据总数；为聚类中心指示量；/>为第/>预处理后历史用户行为数据；/>为第i预处理后历史用户行为数据属于第/>聚类中心的隶属度；
更新隶属度的公式为：
式中，为第/>预处理后历史用户行为数据；/>为数据指示量；/>均为聚类中心指示量；/>为聚类中心总数；/>为第i预处理后历史用户行为数据到第j、k聚类中心的距离；/>为第i预处理后历史用户行为数据属于第/>聚类中心的更新后隶属度；/>为第i预处理后历史用户行为数据到第j、k个初始的聚类中心的欧氏距离；
根据预处理后历史用户行为数据与最终的聚类中心的欧氏距离，对若干预处理后历史用户行为数据进行划分，得到若干最终的聚类中心对应的聚类数据群；
欧氏距离的公式为：
式中，为第i预处理后历史用户行为数据与最终的聚类中心的欧氏距离；/>为第/>预处理后历史用户行为数据；/>为第j最终的聚类中心；/>为数据指示量；/>为聚类中心指示量；
为每一聚类中心设置对应的用户特性标签，并将用户特性标签扩散至对应的聚类数据群，得到带有用户特性标签的预处理后历史用户行为数据集；
通过聚类处理，将具有相同用户特性的数据进行整合并添加标签，为后续的模型预测提供数据支撑；
用户特性标签包括稳妥型标签、激进型标签、保守型标签、犹豫型标签、冲动型标签、理智型标签、迷茫型标签以及其它型标签；
用户特性标签能够体现用户行为中隐含的用户偏好、购买习惯以及购买需求等信息，提高推荐效果；
使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型，包括如下步骤：
使用主成分分析（PCA，Principal Component Analysis）方法，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集，包括如下步骤：
将预处理后历史用户行为数据集转化为历史用户行为数据矩阵，其中，/>为第/>预处理后历史用户行为数据行向量，/>为数据指示量，/>为数据总数；历史用户行为数据矩阵由若干预处理后历史用户行为数据行向量/>构成；
获取历史用户行为数据矩阵的转换矩阵/>，公式为：
式中，为主成分矩阵/>的协方差矩阵；/>为主成分矩阵；/>为转换矩阵；/>为单位特征向量矩阵；
根据历史用户行为数据矩阵和转换矩阵/>，获取主成分矩阵，主成分矩阵包括若干备选主成分，其中，/>为第/>备选主成分列向量，/>为数据维度指示量，/>为数据维度总数，公式为：
式中，为主成分矩阵；/>为转换矩阵；/>为历史用户行为数据矩阵；
获取所有备选主成分的方差累计贡献率，并将方差累计贡献率超过85%的K≤L个备选主成分作为主成分，公式为：
式中，为方差累计贡献率；/>为第/>个备选主成分/>的方差；/>为数据维度指示量；/>为数据维度总数；/>为主成分总数；
根据K个主成分，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集/>；
通过对预处理后历史用户行为数据中不同维度数据的方差累计贡献率进行计算，体现了不同维度的数据对于数据与用户特性预测值的潜在关系，并且基于该关系进行数据降维，在保留关键数据特征的前提下，将高纬度的预处理后历史用户行为数据映射至低纬度，降低了数据体量，提高了数据的表征能力；
将降维后历史用户行为数据集按照7:3的比例划分为训练样本数据集和测试样本数据集；
将训练样本数据集输入深度信念网络（DBN，Deep Belief Network）进行模型训练，构建初始的用户行为分析模型；
DBN网络能够提取并学习降维后历史用户行为数据集中数据特征与用户特性真实值之间的深层关系，并且基于学习的数据特征优化自身的神经元连接结构，下一次输入数据时，根据其数据特征，能够进行准确预测，并输出对应的预测值；
将测试样本数据集输入初始的用户行为分析模型进行优化训练，得到优化的用户行为分析模型；
若优化的用户行为分析模型的预测准确度大于准确度阈值，或优化迭代次数大于迭代次数阈值，则输出最终的用户行为分析模型，否则，继续进行优化训练；
采集保险业务平台的若干保险项目数据，为若干保险项目数据设置对应的目标用户群体标签，并将具有相同目标用户群体标签的若干保险项目数据划分为一保险项目数据表单，得到若干保险项目数据表单；
目标用户群体标签包括学生群体标签、工人群体标签、农民群体标签、企业家群体标签、职工群体标签、自由群体标签、男性群体标签、女性群体标签、青年群体标签、中年群体标签以及老年群体标签；
针对不同的用户群体，保险业务平台提供的保险项目数据是不同的，例如，针对老年群体标签提供医疗、保健等保险项目数据，针对职工群体标签则提供体检、购车等保险项目数据，通过预设目标用户群体标签，对保险项目数据进行预分类，提高了推荐效率和效果；
采集当前用户的实时用户行为数据，并将实时用户行为数据输入至用户行为分析模型，进行用户行为分析，得到预测用户特性标签；
实时用户行为数据包括用户的实时的浏览记录数据、购买习惯数据以及点击行为数据；
根据当前用户的预测用户特性标签，构建对应的用户画像，并根据用户画像与目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单，包括如下步骤：
用户画像为由用户信息数据、预测用户特性标签以及预设用户群体标签构成的用户描述数据；
用户画像能够准确的描述用户的特性、偏好、习惯等，并且通过用户画像存储以上信息，能够保证推荐服务的生命周期，为用户进行长期推荐；
结合当前用户的预测用户特性标签、用户信息数据以及预设用户群体标签，生成当前用户的用户画像；预设用户群体标签与每个目标用户群体标签设置有对应的第一符合度；目标用户群体标签与每个用户特性标签设置有对应的第二符合度；
预设用户群体标签是通过对用户信息数据进行自动分析，对用户进行预分类的结果，预设用户群体标签不仅能够代表用户的生理信息，还能够表征一部分的用户行为信息，例如，预设用户群体标签为学生群体标签，能够代表其具有学生群体的一部分用户行为可能，需求通过其预测用户特性标签进行进一步匹配；
根据当前用户的用户画像中预设用户群体标签与所有目标用户群体标签的第一符合度，对目标用户群体标签进行降幂排序；
本实施例中，预设用户群体标签与所有目标用户群体标签的第一符合度，预设用户群体标签为学生群体标签，学生群体标签与所有目标用户群体标签的第一符合度为：
学生群体标签（100%）、工人群体标签（50%）、农民群体标签（40%）、企业家群体标签（60%）、职工群体标签（70%）、自由群体标签（50%）、男性群体标签（50%）、女性群体标签（50%）、青年群体标签（90%）、中年群体标签（60%）以及老年群体标签（20%），通过上述第一符合度，将对目标用户群体标签进行降幂排序为：
学生群体标签（100%）-青年群体标签（90%）-职工群体标签（70%）-中年群体标签（60%）-企业家群体标签（60%）-男性群体标签（50%）-女性群体标签（50%）-工人群体标签（50%）-农民群体标签（40%）-老年群体标签（20%）；
通过第一符合度进行第一次匹配，能够加快后续第二符合度的第二次匹配效率，避免了随机匹配导致的推荐效率低的问题；
按照降幂排序的顺序，根据当前用户的用户画像中预测用户特性标签与降幂排序的所有目标用户群体标签的第二符合度，对对应的保险项目数据表单进行匹配，得到第二符合度最高的第一保险项目推送表单；
例如，本实施例中，预设用户群体标签-学生群体标签，首先与第一符合度100%的目标用户群体标签-学生群体标签对应的保险项目数据表单进行匹配，通过之前，对用户行为进行预测，得到预测用户特性标签为激进型标签，而目标用户群体标签-学生群体标签对所有用户特性标签的第二符合度为：
稳妥型标签（90%）、激进型标签（40%）、保守型标签（60%）、犹豫型标签（50%）、冲动型标签（30%）、理智型标签（70%）、迷茫型标签（50%）以及其它型标签（10%）；
则本实施例中，用户的预测用户特性标签-激进型标签与目标用户群体标签-激进型标签的第二符合度为40%，没有超过预设符合度阈值60%，则更换目标用户群体标签-青年群体标签（90%），目标用户群体标签-青年群体标签对所有用户特性标签的第二符合度为：
稳妥型标签（60%）、激进型标签（70%）、保守型标签（40%）、犹豫型标签（50%）、冲动型标签（20%）、理智型标签（80%）、迷茫型标签（70%）以及其它型标签（10%）；
用户的预测用户特性标签-激进型标签与目标用户群体标签-激进型标签的第二符合度为70%，超过预设符合度阈值60%，则将目标用户群体标签-青年群体标签对应的保险项目数据表单作为第一保险项目推送表单；
采集当前用户的意向购买信息，并根据意向购买信息，对第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单，包括如下步骤：
采集当前用户的意向购买信息；意向购买信息包括意向购买关键词组；第一保险项目推送表单中每一保险项目数据均设置有预设关键词组；
获取意向购买信息的意向购买关键词组与第一保险项目推送表单中保险项目数据的预设关键词组之间的相似度，公式为：
式中，为意向购买关键词组与第/>保险项目数据的预设关键词组之间的相似度；/>为意向购买关键词组中第/>意向购买关键词与预设关键词组中第/>预设关键词的欧氏距离；/>为意向购买关键词指示量；A为意向购买关键词总数；/>为预设关键词指示量；B为预设关键词总数；/>为保险项目数据指示量；
若相似度低于相似度阈值，则将第一保险项目推送表单中对应的保险项目数据进行删除；
遍历第一保险项目推送表单中所有保险项目数据，得到由相似度高于相似度阈值的保险项目数据构成的第二保险项目推送表单；
通过客户自主选择，对第一保险项目推送表单中所有保险项目数据进行自动筛选，提高了推荐的效果和个性化定制；
根据预设的保险项目推送策略，将第一和/或第二保险项目推送表单推送至当前的用户；
保险项目推送策略包括推送时间段、推送周期、推送方式以及推送内容；
采集当前用户的反馈评价信息，根据反馈评价信息，对保险项目推送策略进行优化，并基于优化后保险项目推送策略，重新进行保险项目推送；
反馈评价信息包括推送时间段优化信息、推送周期优化信息、推送方式优化信息以及推送内容优化信息；
优化后保险项目推送策略包括优化后推送时间段、优化后推送周期、优化后推送方式以及优化后推送内容。
实施例2：
如图2所示，本实施例提供一种基于用户行为分析的保险项目推送系统，用于实现保险项目推送方法，系统包括依次连接的大数据采集单元、大数据预处理单元、模型构建单元、表单划分单元、用户行为分析单元、用户画像构建单元、表单匹配单元、关键词筛选单元、保险项目推送单元以及推送策略优化单元；
大数据采集单元，用于采集若干用户的历史用户行为大数据，并将历史用户行为大数据发送至大数据预处理单元；
大数据预处理单元，用于对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集，并将预处理后历史用户行为数据集发送至模型构建单元；
模型构建单元，用于使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型；
表单划分单元，用于采集保险业务平台的若干保险项目数据，为若干保险项目数据设置对应的目标用户群体标签，并将具有相同目标用户群体标签的若干保险项目数据划分为一保险项目数据表单，得到若干保险项目数据表单；
用户行为分析单元，用于采集当前用户的实时用户行为数据，并将实时用户行为数据输入至模型构建单元生成的用户行为分析模型，进行用户行为分析，得到预测用户特性标签，并将预测用户特性标签发送至用户画像构建单元；
用户画像构建单元，用于根据当前用户的预测用户特性标签，构建对应的用户画像，并将当前用户的用户画像发送至表单匹配单元；
表单匹配单元，用于根据用户画像与表单划分单元设置的目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单；
关键词筛选单元，用于采集当前用户的意向购买信息，并根据意向购买信息，对表单匹配单元生成的第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单；
保险项目推送单元，用于根据预设的保险项目推送策略，将第一和/或第二保险项目推送表单推送至当前的用户；
推送策略优化单元，用于采集当前用户的反馈评价信息，根据反馈评价信息，对保险项目推送策略进行优化，并基于优化后保险项目推送策略，重新进行保险项目推送。
本发明提供的一种基于用户行为分析的保险项目推送方法及系统，基于大数据构建用户行为分析模型，能够准确的预测用户行为隐含的用户特性，通过用户行为分析模型，对用户的浏览记录数据、购买习惯数据以及点击行为数据等用户行为和偏好进行自动化的深度挖掘和分析，获取用户特性，准确预测用户的保险需求，提高了推送效果；针对保险业务平台的保险项目数据，生成推送的保险项目数据表单，提高了对不同保险业务平台的适用性；根据用户行为，生成用户画像，并根据用户画像筛选对应的保险项目数据，提高了保险推送的效率和准确性；根据反馈评价进行推送策略优化，实现了个性化推荐功能，提高了功能性。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，上述具体实施方式不应理解成对本发明的保护范围的限制，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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于用户行为分析的保险项目推送方法，其特征在于：包括如下步骤：
采集若干用户的历史用户行为大数据，并对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集；
使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型；
采集保险业务平台的若干保险项目数据，为若干保险项目数据设置对应的目标用户群体标签，并将具有相同目标用户群体标签的若干保险项目数据划分为一保险项目数据表单，得到若干保险项目数据表单；
采集当前用户的实时用户行为数据，并将实时用户行为数据输入至用户行为分析模型，进行用户行为分析，得到预测用户特性标签；
根据当前用户的预测用户特性标签，构建对应的用户画像，并根据用户画像与目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单；
采集当前用户的意向购买信息，并根据意向购买信息，对第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单；
根据预设的保险项目推送策略，将第一和/或第二保险项目推送表单推送至当前的用户；
采集当前用户的反馈评价信息，根据反馈评价信息，对保险项目推送策略进行优化，并基于优化后保险项目推送策略，重新进行保险项目推送。
2.根据权利要求1所述的一种基于用户行为分析的保险项目推送方法，其特征在于：所述的历史用户行为大数据包括若干用户的若干历史用户行为数据；
所述的历史/实时用户行为数据包括用户的历史/实时的浏览记录数据、购买习惯数据以及点击行为数据；
所述的用户特性标签包括稳妥型标签、激进型标签、保守型标签、犹豫型标签、冲动型标签、理智型标签、迷茫型标签以及其它型标签；
所述的目标用户群体标签包括学生群体标签、工人群体标签、农民群体标签、企业家群体标签、职工群体标签、自由群体标签、男性群体标签、女性群体标签、青年群体标签、中年群体标签以及老年群体标签；
所述的用户画像为由用户信息数据、预测用户特性标签以及预设用户群体标签构成的用户描述数据。
3.根据权利要求1所述的一种基于用户行为分析的保险项目推送方法，其特征在于：采集若干用户的历史用户行为大数据，并对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集，包括如下步骤：
采集由若干用户的若干历史用户行为数据构成的历史用户行为大数据；
对历史用户行为大数据进行依次的数据脱敏处理、数据去重处理以及数据筛选处理，得到若干预处理后历史用户行为数据；
使用FCM聚类算法，对若干预处理后历史用户行为数据进行聚类，得到若干聚类中心和对应的聚类数据群；
为每一聚类中心设置对应的用户特性标签，并将用户特性标签扩散至对应的聚类数据群，得到带有用户特性标签的预处理后历史用户行为数据集。
4.根据权利要求3所述的一种基于用户行为分析的保险项目推送方法，其特征在于：使用FCM聚类算法，对若干预处理后历史用户行为数据进行聚类，得到若干聚类中心和对应的聚类数据群，包括如下步骤：
设置FCM聚类算法的目标函数；
生成若干初始的聚类中心和若干预处理后历史用户行为数据对初始的聚类中心的初始的隶属度；
根据初始的聚类中心和初始的隶属度，获取拉格朗日乘数法的合并函数值和变化值；
若合并函数值大于函数阈值，或变化值大于变化值阈值，则更新聚类中心和对应的隶属度，并重复上述步骤，否则，得到若干最终的聚类中心；
根据预处理后历史用户行为数据与最终的聚类中心的欧氏距离，对若干预处理后历史用户行为数据进行划分，得到若干最终的聚类中心对应的聚类数据群。
5.根据权利要求1所述的一种基于用户行为分析的保险项目推送方法，其特征在于：使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型，包括如下步骤：
使用PCA方法，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集；
将降维后历史用户行为数据集按照7:3的比例划分为训练样本数据集和测试样本数据集；
将训练样本数据集输入DBN网络进行模型训练，构建初始的用户行为分析模型；
将测试样本数据集输入初始的用户行为分析模型进行优化训练，得到优化的用户行为分析模型；
若优化的用户行为分析模型的预测准确度大于准确度阈值，或优化迭代次数大于迭代次数阈值，则输出最终的用户行为分析模型，否则，继续进行优化训练。
6.根据权利要求5所述的一种基于用户行为分析的保险项目推送方法，其特征在于：使用PCA方法，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集，包括如下步骤：
将预处理后历史用户行为数据集转化为历史用户行为数据矩阵；所述的历史用户行为数据矩阵由若干预处理后历史用户行为数据行向量构成；
获取历史用户行为数据矩阵的转换矩阵；
根据历史用户行为数据矩阵和转换矩阵，获取主成分矩阵；所述的主成分矩阵包括若干备选主成分；
获取所有备选主成分的方差累计贡献率，并将方差累计贡献率超过85%的若干备选主成分作为主成分；
根据若干主成本，对预处理后历史用户行为数据集进行数据降维，得到由主成分数据构成的降维后历史用户行为数据集。
7.根据权利要求2所述的一种基于用户行为分析的保险项目推送方法，其特征在于：根据当前用户的预测用户特性标签，构建对应的用户画像，并根据用户画像与目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单，包括如下步骤：
结合当前用户的预测用户特性标签、用户信息数据以及预设用户群体标签，生成当前用户的用户画像；所述的预设用户群体标签与每个目标用户群体标签设置有对应的第一符合度；所述的目标用户群体标签与每个用户特性标签设置有对应的第二符合度；
根据当前用户的用户画像中预设用户群体标签与所有目标用户群体标签的第一符合度，对目标用户群体标签进行降幂排序；
按照降幂排序的顺序，根据当前用户的用户画像中预测用户特性标签与降幂排序的所有目标用户群体标签的第二符合度，对对应的保险项目数据表单进行匹配，得到第二符合度最高的第一保险项目推送表单。
8.根据权利要求1所述的一种基于用户行为分析的保险项目推送方法，其特征在于：采集当前用户的意向购买信息，并根据意向购买信息，对第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单，包括如下步骤：
采集当前用户的意向购买信息；所述的意向购买信息包括意向购买关键词组；所述的第一保险项目推送表单中每一保险项目数据均设置有预设关键词组；
获取意向购买信息的意向购买关键词组与第一保险项目推送表单中保险项目数据的预设关键词组之间的相似度；
若相似度低于相似度阈值，则将第一保险项目推送表单中对应的保险项目数据进行删除；
遍历第一保险项目推送表单中所有保险项目数据，得到由相似度高于相似度阈值的保险项目数据构成的第二保险项目推送表单。
9.根据权利要求1所述的一种基于用户行为分析的保险项目推送方法，其特征在于：所述的保险项目推送策略包括推送时间段、推送周期、推送方式以及推送内容；
所述的反馈评价信息包括推送时间段优化信息、推送周期优化信息、推送方式优化信息以及推送内容优化信息；
所述的优化后保险项目推送策略包括优化后推送时间段、优化后推送周期、优化后推送方式以及优化后推送内容。
10.一种基于用户行为分析的保险项目推送系统，用于实现如权利要求1-9任一所述的保险项目推送方法，其特征在于：所述的系统包括依次连接的大数据采集单元、大数据预处理单元、模型构建单元、表单划分单元、用户行为分析单元、用户画像构建单元、表单匹配单元、关键词筛选单元、保险项目推送单元以及推送策略优化单元；
大数据采集单元，用于采集若干用户的历史用户行为大数据，并将历史用户行为大数据发送至大数据预处理单元；
大数据预处理单元，用于对历史用户行为大数据进行预处理，得到带有用户特性标签的预处理后历史用户行为数据集，并将预处理后历史用户行为数据集发送至模型构建单元；
模型构建单元，用于使用深度学习算法对预处理后历史用户行为数据集进行优化训练，构建用户行为分析模型；
表单划分单元，用于采集保险业务平台的若干保险项目数据，为若干保险项目数据设置对应的目标用户群体标签，并将具有相同目标用户群体标签的若干保险项目数据划分为一保险项目数据表单，得到若干保险项目数据表单；
用户行为分析单元，用于采集当前用户的实时用户行为数据，并将实时用户行为数据输入至模型构建单元生成的用户行为分析模型，进行用户行为分析，得到预测用户特性标签，并将预测用户特性标签发送至用户画像构建单元；
用户画像构建单元，用于根据当前用户的预测用户特性标签，构建对应的用户画像，并将当前用户的用户画像发送至表单匹配单元；
表单匹配单元，用于根据用户画像与表单划分单元设置的目标用户群体标签的符合度，匹配对应的保险项目数据表单，得到第一保险项目推送表单；
关键词筛选单元，用于采集当前用户的意向购买信息，并根据意向购买信息，对表单匹配单元生成的第一保险项目推送表单进行关键词筛选，得到第二保险项目推送表单；
保险项目推送单元，用于根据预设的保险项目推送策略，将第一和/或第二保险项目推送表单推送至当前的用户；
推送策略优化单元，用于采集当前用户的反馈评价信息，根据反馈评价信息，对保险项目推送策略进行优化，并基于优化后保险项目推送策略，重新进行保险项目推送。
CN202311619026.XA 2023-11-30 2023-11-30 一种基于用户行为分析的保险项目推送方法及系统 Active CN117314593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311619026.XA CN117314593B (zh) 2023-11-30 2023-11-30 一种基于用户行为分析的保险项目推送方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311619026.XA CN117314593B (zh) 2023-11-30 2023-11-30 一种基于用户行为分析的保险项目推送方法及系统

Publications (2)

Publication Number Publication Date
CN117314593A true CN117314593A (zh) 2023-12-29
CN117314593B CN117314593B (zh) 2024-03-05

Family

ID=89285241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311619026.XA Active CN117314593B (zh) 2023-11-30 2023-11-30 一种基于用户行为分析的保险项目推送方法及系统

Country Status (1)

Country Link
CN (1) CN117314593B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117593096A (zh) * 2024-01-19 2024-02-23 朴道征信有限公司 产品信息智能推送方法、装置、电子设备和计算机介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210157860A1 (en) * 2019-04-30 2021-05-27 Beijing Bytedance Network Technology Co., Ltd. Object recommendation method and apparatus, storage medium and terminal device
CN115082203A (zh) * 2022-06-24 2022-09-20 平安银行股份有限公司 生息方案推送方法、装置、电子设备及存储介质
CN115186179A (zh) * 2022-07-08 2022-10-14 中国银行股份有限公司 保险产品推送方法和装置
CN116823498A (zh) * 2023-06-09 2023-09-29 深圳市邦德布拉泽科技有限公司 一种基于大数据分析和机器学习的个性化保险产品推荐引擎系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210157860A1 (en) * 2019-04-30 2021-05-27 Beijing Bytedance Network Technology Co., Ltd. Object recommendation method and apparatus, storage medium and terminal device
CN115082203A (zh) * 2022-06-24 2022-09-20 平安银行股份有限公司 生息方案推送方法、装置、电子设备及存储介质
CN115186179A (zh) * 2022-07-08 2022-10-14 中国银行股份有限公司 保险产品推送方法和装置
CN116823498A (zh) * 2023-06-09 2023-09-29 深圳市邦德布拉泽科技有限公司 一种基于大数据分析和机器学习的个性化保险产品推荐引擎系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡朝举;孙克逆;: "基于用户模糊聚类的个性化推荐研究", 软件导刊, no. 02, 15 February 2018 (2018-02-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117593096A (zh) * 2024-01-19 2024-02-23 朴道征信有限公司 产品信息智能推送方法、装置、电子设备和计算机介质
CN117593096B (zh) * 2024-01-19 2024-04-12 朴道征信有限公司 产品信息智能推送方法、装置、电子设备和计算机介质

Also Published As

Publication number Publication date
CN117314593B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN111259142B (zh) 基于注意力编码和图卷积网络的特定目标情感分类方法
CN107679234B (zh) 客服信息提供方法、装置、电子设备、存储介质
CN109165294B (zh) 一种基于贝叶斯分类的短文本分类方法
CN110096575B (zh) 面向微博用户的心理画像方法
CN117314593B (zh) 一种基于用户行为分析的保险项目推送方法及系统
CN109409433B (zh) 一种社交网络用户的人格识别系统和方法
Huang et al. Expert as a service: Software expert recommendation via knowledge domain embeddings in stack overflow
CN110046356B (zh) 标签嵌入的微博文本情绪多标签分类方法
CN112288554B (zh) 商品推荐方法和装置、存储介质及电子装置
CN110119849A (zh) 一种基于网络行为的人格特质预测方法及系统
CN112559860A (zh) 一种基于深度学习的按摩程序智能推荐方法及系统
CN112633690A (zh) 服务人员信息分配方法、装置、计算机设备和存储介质
CN106997371B (zh) 单用户智慧图谱的构建方法
CN114881712A (zh) 智能广告投放方法、装置、设备及存储介质
CN114722810A (zh) 一种基于信息抽取和多属性决策的房地产客户画像方法和系统
CN108363759A (zh) 基于结构化数据的主题树生成方法及系统及智能对话方法
CN117235264A (zh) 文本处理方法、装置、设备和计算机可读存储介质
CN116629716A (zh) 一种智能交互系统工效分析方法
CN115718807A (zh) 人员关系分析方法、装置、设备及存储介质
CN112988699B (zh) 模型训练方法、数据标签的生成方法及装置
CN112734142A (zh) 基于深度学习的资源学习路径规划方法及装置
CN110517069A (zh) 一种多模态的用户画像方法及系统
CN112308319B (zh) 一种民航会员旅客流失的预测方法及装置
Sankara Subbu Brief Study of Classification Algorithms in Machine Learning
CN113947080A (zh) 一种生成语言教学指导信息的方法、装置、介质及电子设备

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