CN117974331A - 一种基于电子商务平台的保险推荐方法及系统 - Google Patents
一种基于电子商务平台的保险推荐方法及系统 Download PDFInfo
- Publication number
- CN117974331A CN117974331A CN202410362857.1A CN202410362857A CN117974331A CN 117974331 A CN117974331 A CN 117974331A CN 202410362857 A CN202410362857 A CN 202410362857A CN 117974331 A CN117974331 A CN 117974331A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- cursor
- insurance
- grouping
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008859 change Effects 0.000 claims abstract description 193
- 230000003993 interaction Effects 0.000 claims abstract description 152
- 238000004458 analytical method Methods 0.000 claims abstract description 82
- 238000004088 simulation Methods 0.000 claims abstract description 42
- 238000013515 script Methods 0.000 claims abstract description 23
- 238000013461 design Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 158
- 101100369993 Mus musculus Tnfsf10 gene Proteins 0.000 claims description 27
- 230000009021 linear effect Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 23
- 150000001875 compounds Chemical class 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000013213 extrapolation Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 13
- 230000005587 bubbling Effects 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012913 prioritisation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 230000002688 persistence Effects 0.000 description 4
- 230000000750 progressive effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及保险推荐技术领域,尤其涉及一种基于电子商务平台的保险推荐方法及系统。所述方法包括以下步骤:对用户保险历史浏览数据集进行特征分组并进行分组聚类,得到历史浏览分组聚类数据;根据历史浏览分组聚类数据进行用户浏览行为模拟还原并对用户浏览行为模拟还原数据进行用户光标运动轨迹提取并进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析并进行分组间交互模式识别、同时进行保险推荐策略设计并进行编码转换并进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。本发明通过对保险推荐技术的优化处理使得保险推荐更加精确。
Description
技术领域
本发明涉及保险推荐技术领域,尤其涉及一种基于电子商务平台的保险推荐方法及系统。
背景技术
随着互联网的普及和电子商务平台的发展,保险行业也开始逐渐向线上转型,利用互联网技术为客户提供更便捷、高效的保险服务。保险推荐作为电子商务平台上的一项重要功能,旨在通过个性化的推荐系统,帮助用户快速找到符合其需求的保险产品,提高用户体验和购买满意度。然而传统的基于电子商务平台的保险推荐方法存在着对网络上的用户保险需求意图识别不明确从而无法准确的进行保险产品的推送的问题。
发明内容
基于此,有必要提供一种基于电子商务平台的保险推荐方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于电子商务平台的保险推荐方法,所述方法包括以下步骤:
步骤S1:获取电子商务平台中的用户保险历史浏览数据集;对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据;
步骤S2:根据历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;对用户光标运行轨迹数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析,得到光标速度衰变数据;
步骤S3:根据光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;根据分组间交互模式数据进行保险推荐策略设计,得到分组保险推荐策略;
步骤S4:对分组保险推荐策略进行编码转换,得到分组保险推荐策略编码数据;根据分组保险推荐策略编码数据进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。
本发明通过收集和整理用户在电子商务平台上的保险历史浏览数据,可以建立一个丰富的数据集,包括用户的浏览行为、点击,这个数据集可以提供关于用户对不同保险产品的兴趣和偏好的信息。借助这些数据,可以更好地理解用户需求、调整保险产品策略,并提供更精准的个性化推荐,通过特征分组,可以对保险产品进行分类,形成一种基于相似性的组织结构。这有助于深入了解用户对不同类型保险产品的关注程度和购买倾向,为后续的分析和推荐提供基础,通过分组聚类,可以识别出用户行为的模式和趋势。这有助于理解用户的购买偏好、行为习惯和潜在需求,为定制个性化推荐和精准营销提供依据;通过模拟用户浏览行为,可以更好地理解用户在网站上的活动模式和行为习惯,为个性化推荐和用户体验优化提供数据基础,在模拟用户浏览行为的基础上,提取用户光标在页面上的运动轨迹,记录光标在屏幕上的移动路径,光标运动轨迹反映了用户对页面内容的关注程度和交互方式,通过提取这些数据,可以更好地理解用户的注意力分布和浏览模式,为界面设计和内容优化提供指导,光标速度变化趋势可以反映用户对页面内容的兴趣程度和注意力集中情况,通过分析这些趋势,可以深入了解不同用户群体的浏览偏好和行为特征,为个性化推荐和内容优化提供依据,速度衰变分析可以帮助理解用户在浏览过程中的疲劳程度和注意力持续性,为界面设计和内容优化提供参考,以提高用户体验和平台吸引力;交互模式识别可以帮助理解不同用户组在浏览过程中的行为特点和偏好,以及他们与页面内容的互动方式。这有助于个性化推荐和内容优化,提高用户满意度和平台的交互效率;通过设计个性化的保险推荐策略,可以更精准地满足用户的需求,提高保险产品的点击率和购买转化率。同时,也可以提升用户体验,增强用户对平台的粘性和忠诚度;通过编码转换,推荐策略变得更加标准化,易于在不同系统或平台中统一应用,也便于后续的管理和调整,自动化处理减少了人工介入的需求,降低了人为错误的可能性,提高了推荐策略实施的准确性和效率,编码后的推荐策略可以快速响应市场变化和用户需求的变化,实时调整推荐内容,提升用户体验,随着市场和用户需求的变化,自动化脚本可以灵活调整和更新,以适应新的推荐策略,保持推荐系统的竞争力和有效性。因此,本发明是对传统的基于电子商务平台的保险推荐方法做出的优化处理,解决了传统的基于电子商务平台的保险推荐方法存在着对网络上的用户保险需求意图识别不明确从而无法准确的进行保险产品的推送的问题,可以明确的识别出用户保险需求意图,以及对保险产品进行准确的推送。
优选地,步骤S1包括以下步骤:
步骤S11:获取电子商务平台中的用户保险历史浏览数据集;
步骤S12:对用户保险历史浏览数据集进行平均时序分析,得到保险浏览平均时序数据;
步骤S13:根据保险浏览平均时序数据对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;
步骤S14:对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据。
本发明收集用户在电子商务平台上的保险产品浏览历史数据,包括保险产品的属性、用户的行为、交互信息,构建了分析和推荐系统的数据基础,为后续步骤提供了必要的原始数据,通过用户浏览行为数据,能够了解用户对不同保险产品的兴趣和偏好,对用户保险浏览历史数据进行时序分析,得到各个时间段内用户浏览保险产品的平均趋势数据,能够识别出用户在不同时间段对保险产品的浏览趋势,为后续的个性化推荐提供了时序依据,基于保险浏览平均时序数据,将用户的保险浏览历史数据进行特征分组,划分出不同特征组合的用户群体,有效地将用户分成不同的群体或类型,便于后续的个性化推荐和定制化服务,同时能够更精细地了解用户的偏好和行为模式,为推荐系统提供更加准确的数据基础,对保险历史浏览时序分组数据进行聚类分析,将相似的用户群体聚合在一起,将具有相似保险浏览行为和偏好的用户聚类在一起,形成更加具有代表性的用户群体,为每个聚类群体提供个性化的保险产品推荐,提高推荐的精准度和用户满意度。
优选地,步骤S2包括以下步骤:
步骤S21:根据保险历史浏览时序分组数据以及历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;
步骤S22:对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;
步骤S23:根据用户光标运行轨迹数据对历史浏览分组聚类数据进行光标运行轨迹分组映射,得到光标运行轨迹分组映射数据;
步骤S24:对光标运行轨迹分组映射数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;
步骤S25:根据光标速度变化趋势数据对光标运行轨迹分组映射数据进行分组间速度衰变分析,得到光标速度衰变数据。
本发明通过模拟用户浏览行为,能够还原用户在平台上的实际行为,为后续分析提供真实的数据基础,了解不同用户群体的浏览行为模式,为个性化推荐和服务提供依据,从模拟还原的用户浏览行为数据中提取用户的光标运动轨迹信息,将用户的光标运动轨迹可视化,有助于理解用户在平台上的浏览行为和偏好,通过分析光标运动轨迹,可以了解用户对不同保险产品的关注程度和浏览路径,为个性化推荐提供参考,将用户行为与历史浏览分组聚类数据相结合,能够更好地理解用户的浏览行为与偏好之间的关联性,将用户行为划分到不同的分组中,有助于更精细地理解不同用户群体的行为特征,了解不同用户群体在浏览行为速度上的变化趋势,有助于把握用户的兴趣程度和行为偏好,根据速度变化趋势数据,可以针对不同速度变化模式的用户提供个性化的推荐和服务,了解不同用户群体在浏览行为速度上的衰减情况,有助于评估用户的行为稳定性和保持关注度的能力,根据速度衰变数据,可以调整推荐策略和内容,提高用户的参与度和满意度。
优选地,步骤S25包括以下步骤:
步骤S251:根据光标速度变化趋势数据对光标运行轨迹分组映射数据进行分组间速度变化曲线绘制,得到分组速度变化曲线数据;
步骤S252:对分组速度变化曲线数据进行外推趋势分析,得到速度变化外推趋势数据;
步骤S253:根据速度变化外推趋势数据对分组速度变化曲线数据进行复合曲线拟合处理,得到速度变化复合曲线拟合数据;
步骤S254:对速度变化复合曲线拟合数据进行速度变化级数区间计算,得到速度变化截断级数区间;
步骤S255:根据速度变化级数区间以及速度变化误差逼近数据对分组速度变化曲线数据进行分组间速度衰变分析,得到光标速度衰变数据。
本发明通过曲线绘制,直观地展示了不同分组间的速度变化情况,便于理解和比较,帮助识别出速度变化的趋势,例如增加、减少或保持稳定,为后续分析提供基础,对分组速度变化曲线数据进行外推,预测未来的速度变化趋势,通过外推分析,可以预测出未来的速度变化趋势,为制定针对性策略提供参考,根据外推趋势,可以推断出用户行为变化,从而调整服务或推荐内容,通过复合曲线拟合,消除了数据中的噪音和波动,得到更为稳定和可靠的速度变化数据,更好地提取出速度变化的整体趋势,为后续分析提供更准确的数据基础,对复合曲线拟合数据进行速度变化级数区间的计算,确定速度变化的阶段性变化,将速度变化分为不同的级数区间,有助于理解速度变化的阶段性特征,为后续分析提供更精细的数据基础,根据速度变化级数区间以及速度变化误差逼近数据,对分组速度变化曲线数据进行分组间速度衰变分析,分析速度衰变数据,了解不同分组间速度衰变的情况,为评估用户的兴趣稳定性提供依据,根据速度衰变分析结果,可以调整服务策略或推荐内容,以提高用户的参与度和满意度。
优选地,对速度变化复合曲线拟合数据进行速度变化级数区间计算包括以下步骤:
基于切比雪夫级数对速度变化复合曲线拟合数据进行误差逼近分析,得到速度变化误差逼近数据;
根据速度变化误差逼近数据对速度变化复合曲线拟合数据进行截断级数计算,得到速度变化截断级数数据;
根据速度变化截断级数数据对分组速度变化曲线数据进行速度变化级数区间计算,得到速度变化截断级数区间。
本发明使用切比雪夫级数对速度变化复合曲线拟合数据进行误差逼近分析,确定每个数据点与拟合曲线之间的误差,通过计算误差,可以量化拟合曲线与实际数据之间的偏差,评估拟合的准确性,识别误差较大的数据点,有助于调整拟合参数或选择更适合的拟合模型,提高拟合的精度,根据速度变化误差逼近数据,确定需要保留的截断级数,即在拟合曲线中保留的项数,通过截断级数,可以控制拟合模型的复杂度,避免过拟合或不必要的复杂性,提高模型的泛化能力,截断级数的选择可以减少计算复杂度和存储空间,使模型更易于处理和解释,根据截断级数数据,对分组速度变化曲线数据进行速度变化级数区间的计算,确定速度变化的阶段性变化,将速度变化分为不同的级数区间,有助于理解速度变化的阶段性特征,为后续分析提供更精细的数据基础,根据不同级数区间的变化特点,可以提取出关键的速度变化特征,为后续决策提供依据。
优选地,步骤S3包括以下步骤:
步骤S31:根据用户浏览行为模拟还原数据以及光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;
步骤S32:对分组间交互模式数据进行交互效果评估,得到分组间交互模式评估数据;
步骤S33:根据光标速度衰变数据以及分组间交互模式评估数据进行保险推荐策略设计,得到分组保险推荐策略。
本发明通过分析用户的浏览行为模式和光标速度衰变数据,可以深入理解用户在不同分组间的交互模式,包括点击、停留时间行为特征,识别分组间的交互模式有助于个性化推荐系统更准确地理解用户的偏好和行为模式,提高推荐的准确性和用户满意度,对分组间交互模式数据进行评估,分析不同交互模式对用户体验和目标达成的影响,通过对交互模式数据的评估,可以量化不同模式下的用户体验和目标达成情况,帮助优化交互设计和推荐策略,识别有效的交互模式,有助于针对性地改进用户界面和交互设计,提升用户参与度和满意度,结合光标速度衰变数据和交互模式评估,可以更准确地理解用户的偏好和行为,实现个性化的保险产品推荐,提高用户购买意愿和满意度,通过设计合适的保险推荐策略,可以有效管理风险,减少用户选择不合适产品的可能性,提高保险公司的业务效益。
优选地,步骤S31包括以下步骤:
步骤S311:根据用户浏览行为模拟还原数据以及光标速度衰变数据进行光标运动轨迹分析,得到光标运动轨迹数据;
步骤S312:对光标运动轨迹数据进行三维坐标系转换,得到光标运动轨迹三维坐标系;
步骤S313:根据光标运动轨迹三维坐标系对光标运动轨迹数据进行运动轨迹线性分析,得到运动轨迹线性数据;
步骤S314:基于光标运动轨迹三维坐标系对光标运动轨迹数据以及运动轨迹线性数据进行运动轨迹交互碰撞分析,得到轨迹交互碰撞数据;
步骤S315:对轨迹交互碰撞数据进行重复轨迹交互增量计算,得到重复轨迹交互增量数据;
步骤S316:根据重复轨迹交互增量数据以及运动轨迹线性数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据。
本发明通过分析光标的运动轨迹,可以了解用户在页面上的关注点、浏览路径和交互方式,从而深入理解用户的行为模式和偏好,将光标运动轨迹可视化,有助于直观地展示用户在页面上的活动轨迹,为后续分析提供基础数据,将光标运动轨迹从二维转换为三维,可以增加数据的维度,提供更多的信息和特征,有助于更准确地描述用户的行为,三维坐标系中的数据更加丰富,可以捕捉到更多细微的运动特征和交互模式,有助于深入分析用户的行为,在光标运动轨迹的三维坐标系中进行线性分析,探索轨迹的直线性质,通过线性分析,可以识别出光标运动轨迹中的直线段和曲线段,进一步理解用户在页面上的移动模式和行为习惯,将运动轨迹分解为线性和非线性部分,有助于将用户的行为进行分类和归纳,为后续分析提供更精确的数据基础,基于三维坐标系,对光标运动轨迹数据和运动轨迹线性数据进行交互碰撞分析,分析光标运动轨迹之间的交互和碰撞,可以发现用户在页面上的交互模式和互动行为,理解用户在不同区域的关注度和行为差异,通过碰撞分析,可以解读用户之间的交互模式,发现用户之间的共同兴趣点和行为规律,为个性化推荐提供依据,通过计算轨迹交互的增量数据,可以识别出用户之间的重复行为和共同兴趣,为个性化推荐和用户群体分析提供数据支持,通过分析不同分组间的交互模式,可以了解不同用户群体的行为特征和偏好,为个性化推荐和定制化服务提供依据,识别分组间的交互模式,有助于优化系统的用户界面和交互设计,提升用户体验和系统性能。
优选地,步骤S33包括以下步骤:
步骤S331:根据光标速度衰变数据进行对应页面区域匹配,得到对应页面区域数据;
步骤S332:根据光标速度衰变数据以及分组间交互模式评估数据进行光标滑动频率计算,得到分组光标滑动频率数据;
步骤S333:对分组光标滑动频率数据进行滑动规律性识别,得到滑动规律性数据;
步骤S334:根据滑动规律性数据以及分组光标滑动频率数据对对应页面区域数据进行有效关注区域优先权重排序,得到有效关注区域排序数据;
步骤S335:对有效关注区域排序数据进行内容提取,得到有效区域内容数据;对有效区域内容数据进行主题搭建,得到有效区域内容主题数据;
步骤S336:根据分组光标滑动频率数据、滑动规律性数据以及有效区域内容主题数据进行保险推荐策略设计,得到分组保险推荐策略。
本发明通过匹配对应页面区域,可以准确识别用户在页面上的主要关注区域,了解用户的兴趣点和重点关注内容,根据对应页面区域数据,可以个性化地呈现与用户关注区域相关的内容,提升用户体验和页面吸引力,通过滑动频率计算,可以评估用户对页面内容的浏览和交互程度,了解用户对不同内容的关注程度和活跃度,分析光标滑动频率可以揭示用户在页面上的浏览模式和行为习惯,为个性化推荐和内容优化提供数据支持,通过识别滑动规律性,可以深入理解用户在页面上的浏览方式和行为模式,发现用户的偏好和兴趣点,根据滑动规律性数据,可以个性化地为用户推荐相关内容或提供定制化服务,提高用户满意度和参与度,根据滑动规律性数据和分组光标滑动频率数据,对对应页面区域数据进行优先权重排序,通过排序有效关注区域,可以优先展示用户关注度高的内容,提高页面的信息传递效率和用户的满意度,根据有效关注区域排序数据,可以改善页面布局和内容展示,增强用户对页面的吸引力和留存度,提取有效区域内容并进行主题搭建,可以精炼用户关注的内容,减少冗余信息,提供更专注和有针对性的内容,根据主题搭建的有效区域内容数据,可以更有组织地呈现相关主题内容,提高用户对内容的理解和接受度,根据用户的滑动行为和关注内容,设计个性化的保险推荐策略,提高保险产品的推广效果和用户购买意愿,通过针对性的保险推荐策略,增强用户对保险产品的关注度和参与度,提升用户体验和满意度。
优选地,对对应页面区域数据进行有效关注区域优先权重排序包括以下步骤:
对对应页面区域数据进行网格化划分,得到页面区域网格化数据;
根据分组光标滑动频率数据以及滑动规律性数据对页面区域网格化数据进行热力区域划分,得到页面热力区域数据;
根据分组光标滑动频率数据对页面热力区域数据进行相对权重赋予,得到页面热力区域相对权重数据;
对页面热力区域相对权重数据进行冒泡排序,得到页面热力区域冒泡排序数据;
根据页面热力区域冒泡排序数据以及页面热力区域相对权重数据进行有效关注区域优先权重排序,得到有效关注区域排序数据。
本发明通过将页面区域进行网格化划分,可以更准确地了解页面的结构和布局,从而更精确地分析用户在页面上的行为和偏好,为后续步骤提供基础数据,为页面热力区域的划分和权重计算奠定基础,基于分组光标滑动频率数据和滑动规律性数据,将页面区域划分为热力区域,准确反映用户在页面上的关注程度和活跃度,热力区域划分可以帮助深入理解用户在页面上的行为模式,识别用户关注的重点区域,为后续排序提供有力支持,根据分组光标滑动频率数据,为页面热力区域赋予相对权重,突出用户关注度高的区域,实现个性化的页面内容排序,通过为用户关注度高的区域赋予更高的权重,提升相关内容的展示优先级,增强用户体验和满意度,利用冒泡排序算法,将页面热力区域按照相对权重进行排序,使得用户关注度高的区域在排序后排在前面,增强用户对重要内容的关注和认知,排序后的结果可用于优化页面布局,使得用户更容易发现和访问他们感兴趣的内容,提高页面的可用性和吸引力,基于页面热力区域冒泡排序数据和相对权重数据,对有效关注区域进行进一步的优先权重排序,确保用户更容易访问到他们感兴趣的内容,通过优先展示用户关注度高的区域内容,提升用户满意度和参与度,增强用户对页面的留存和持续访问。
优选地,本发明还提供了一种基于电子商务平台的保险推荐系统,用于执行如上所述的基于电子商务平台的保险推荐方法,该基于电子商务平台的保险推荐系统包括:
历史浏览记录分组模块,用于获取电子商务平台中的用户保险历史浏览数据集;对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据;
行为模式分析模块,用于根据历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;对用户光标运行轨迹数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析,得到光标速度衰变数据;
保险推荐策略设计模块,用于根据光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;根据分组间交互模式数据进行保险推荐策略设计,得到分组保险推荐策略;
保险推荐自动化程序编写模块,用于对分组保险推荐策略进行编码转换,得到分组保险推荐策略编码数据;根据分组保险推荐策略编码数据进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。
本发明的有益效果,通过收集和整理用户在电子商务平台上的保险历史浏览数据,可以建立一个丰富的数据集,包括用户的浏览行为、点击,这个数据集可以提供关于用户对不同保险产品的兴趣和偏好的信息。借助这些数据,可以更好地理解用户需求、调整保险产品策略,并提供更精准的个性化推荐,通过特征分组,可以对保险产品进行分类,形成一种基于相似性的组织结构。这有助于深入了解用户对不同类型保险产品的关注程度和购买倾向,为后续的分析和推荐提供基础,通过分组聚类,可以识别出用户行为的模式和趋势。这有助于理解用户的购买偏好、行为习惯和潜在需求,为定制个性化推荐和精准营销提供依据;通过模拟用户浏览行为,可以更好地理解用户在网站上的活动模式和行为习惯,为个性化推荐和用户体验优化提供数据基础,在模拟用户浏览行为的基础上,提取用户光标在页面上的运动轨迹,记录光标在屏幕上的移动路径,光标运动轨迹反映了用户对页面内容的关注程度和交互方式,通过提取这些数据,可以更好地理解用户的注意力分布和浏览模式,为界面设计和内容优化提供指导,光标速度变化趋势可以反映用户对页面内容的兴趣程度和注意力集中情况,通过分析这些趋势,可以深入了解不同用户群体的浏览偏好和行为特征,为个性化推荐和内容优化提供依据,速度衰变分析可以帮助理解用户在浏览过程中的疲劳程度和注意力持续性,为界面设计和内容优化提供参考,以提高用户体验和平台吸引力;交互模式识别可以帮助理解不同用户组在浏览过程中的行为特点和偏好,以及他们与页面内容的互动方式。这有助于个性化推荐和内容优化,提高用户满意度和平台的交互效率;通过设计个性化的保险推荐策略,可以更精准地满足用户的需求,提高保险产品的点击率和购买转化率。同时,也可以提升用户体验,增强用户对平台的粘性和忠诚度;通过编码转换,推荐策略变得更加标准化,易于在不同系统或平台中统一应用,也便于后续的管理和调整,自动化处理减少了人工介入的需求,降低了人为错误的可能性,提高了推荐策略实施的准确性和效率,编码后的推荐策略可以快速响应市场变化和用户需求的变化,实时调整推荐内容,提升用户体验,随着市场和用户需求的变化,自动化脚本可以灵活调整和更新,以适应新的推荐策略,保持推荐系统的竞争力和有效性。因此,本发明是对传统的基于电子商务平台的保险推荐方法做出的优化处理,解决了传统的基于电子商务平台的保险推荐方法存在着对网络上的用户保险需求意图识别不明确从而无法准确的进行保险产品的推送的问题,可以明确的识别出用户保险需求意图,以及对保险产品进行准确的推送。
附图说明
图1为一种基于电子商务平台的保险推荐方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图2,一种基于电子商务平台的保险推荐方法,所述方法包括以下步骤:
步骤S1:获取电子商务平台中的用户保险历史浏览数据集;对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据;
步骤S2:根据历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;对用户光标运行轨迹数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析,得到光标速度衰变数据;
步骤S3:根据光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;根据分组间交互模式数据进行保险推荐策略设计,得到分组保险推荐策略;
步骤S4:对分组保险推荐策略进行编码转换,得到分组保险推荐策略编码数据;根据分组保险推荐策略编码数据进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。
本发明实施例中,参考图1所述,为本发明一种基于电子商务平台的保险推荐方法的步骤流程示意图,在本实例中,所述基于电子商务平台的保险推荐方法包括以下步骤:
步骤S1:获取电子商务平台中的用户保险历史浏览数据集;对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据;
本发明实施例中,从电子商务平台的数据库或者日志中提取用户保险历史浏览数据集。这些数据包括用户在平台上浏览过的保险产品、浏览时间、浏览时长,浏览的动作,根据用户浏览行为的特征,例如浏览的保险产品类别、浏览的时间段,对数据进行特征分组。这可以通过数据预处理和特征工程技术来完成,将特征分组后的数据按照时间序列进行排序和组合,形成保险历史浏览时序分组数据。这些数据可以表现用户在不同时间段内对不同保险产品的浏览情况,使用聚类算法(如K-means、DBSCAN等)对保险历史浏览时序分组数据进行分组聚类。这些算法可以将具有相似浏览行为模式的用户或者保险产品聚合到同一组中,将分组聚类的结果进行整理和汇总,得到历史浏览分组聚类数据。这些数据可以帮助理解用户群体的浏览偏好,发现潜在的用户群体特征和市场趋势。
步骤S2:根据历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;对用户光标运行轨迹数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析,得到光标速度衰变数据;
本发明实施例中,根据历史浏览分组聚类数据,选择合适的模拟算法(如蒙特卡洛方法、基于规则的方法等),对用户的浏览行为进行模拟还原。这可以通过随机抽样、概率分布模拟等技术来实现,生成用户浏览行为模拟还原数据,使用合适的工具或算法(如轨迹跟踪算法、光学字符识别等)从用户浏览行为模拟还原数据中提取光标运动轨迹。这可以通过分析用户鼠标点击位置的变化、移动方向等信息来实现,将提取的用户光标运动轨迹数据按照历史浏览分组聚类数据中的分组进行分类。然后,分别计算每个分组内用户光标运行速度的变化趋势。这可以通过计算光标移动的距离与时间的比率来实现,将分析得到的光标运行速度变化趋势数据整理成数据集,包括每个分组内的光标运行速度变化趋势信息。这些信息可以用于后续的分析和可视化,使用统计方法或者机器学习算法,对光标速度变化趋势数据进行分组间速度衰变分析。这可以帮助理解不同用户群体或者浏览行为模式下光标速度的变化情况,发现规律或异常。
步骤S3:根据光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;根据分组间交互模式数据进行保险推荐策略设计,得到分组保险推荐策略;
本发明实施例中,使用光标速度衰变数据对历史浏览分组聚类数据进行分析,识别不同分组间的交互模式。这可以通过机器学习算法(如聚类分析、关联规则挖掘等)来实现。首先,根据光标速度衰变数据,将用户分为不同的交互模式群体。然后,对每个群体进行进一步分析,识别其特定的交互模式,将识别得到的分组间交互模式整理成数据集,包括每个分组的交互特征、行为模式等信息。这些信息可以用于后续的保险推荐策略设计,基于分组间交互模式数据,设计相应的保险推荐策略。这可以根据不同的交互模式为用户推荐适合其行为模式的保险产品。例如,对于频繁浏览特定类型网页的用户群体,可以推荐相关的保险产品,如旅行保险或健康保险;对于光标速度衰减较快的用户群体,可以推荐简化流程的保险产品,以提高其购买意愿。
步骤S4:对分组保险推荐策略进行编码转换,得到分组保险推荐策略编码数据;根据分组保险推荐策略编码数据进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。
本发明实施例中,针对每个分组的保险推荐策略,设计相应的编码规则。这些编码规则可以是一系列标识符或数字,用于表示不同的保险推荐策略,将每个分组的保险推荐策略根据设计好的编码规则进行转换,得到分组保险推荐策略编码数据。例如,如果某个分组的保险推荐策略是推荐旅行保险和健康保险,可以设计编码规则为1表示旅行保险,2表示健康保险,然后将该分组的推荐策略编码为"1,2",根据分组保险推荐策略编码数据,编写相应的保险推荐自动化脚本。这可以是使用编程语言(如Python、JavaScript等)编写的脚本,用于根据用户的分组和编码数据自动进行保险推荐,在脚本中,需要包括逻辑判断以及相应的推荐算法,以确保根据用户的分组信息和编码数据正确地推荐适合的保险产品。脚本还需要考虑用户的反馈和行为变化,以及推荐结果的实时更新和调整。
本发明通过收集和整理用户在电子商务平台上的保险历史浏览数据,可以建立一个丰富的数据集,包括用户的浏览行为、点击,这个数据集可以提供关于用户对不同保险产品的兴趣和偏好的信息。借助这些数据,可以更好地理解用户需求、调整保险产品策略,并提供更精准的个性化推荐,通过特征分组,可以对保险产品进行分类,形成一种基于相似性的组织结构。这有助于深入了解用户对不同类型保险产品的关注程度和购买倾向,为后续的分析和推荐提供基础,通过分组聚类,可以识别出用户行为的模式和趋势。这有助于理解用户的购买偏好、行为习惯和潜在需求,为定制个性化推荐和精准营销提供依据;通过模拟用户浏览行为,可以更好地理解用户在网站上的活动模式和行为习惯,为个性化推荐和用户体验优化提供数据基础,在模拟用户浏览行为的基础上,提取用户光标在页面上的运动轨迹,记录光标在屏幕上的移动路径,光标运动轨迹反映了用户对页面内容的关注程度和交互方式,通过提取这些数据,可以更好地理解用户的注意力分布和浏览模式,为界面设计和内容优化提供指导,光标速度变化趋势可以反映用户对页面内容的兴趣程度和注意力集中情况,通过分析这些趋势,可以深入了解不同用户群体的浏览偏好和行为特征,为个性化推荐和内容优化提供依据,速度衰变分析可以帮助理解用户在浏览过程中的疲劳程度和注意力持续性,为界面设计和内容优化提供参考,以提高用户体验和平台吸引力;交互模式识别可以帮助理解不同用户组在浏览过程中的行为特点和偏好,以及他们与页面内容的互动方式。这有助于个性化推荐和内容优化,提高用户满意度和平台的交互效率;通过设计个性化的保险推荐策略,可以更精准地满足用户的需求,提高保险产品的点击率和购买转化率。同时,也可以提升用户体验,增强用户对平台的粘性和忠诚度;通过编码转换,推荐策略变得更加标准化,易于在不同系统或平台中统一应用,也便于后续的管理和调整,自动化处理减少了人工介入的需求,降低了人为错误的可能性,提高了推荐策略实施的准确性和效率,编码后的推荐策略可以快速响应市场变化和用户需求的变化,实时调整推荐内容,提升用户体验,随着市场和用户需求的变化,自动化脚本可以灵活调整和更新,以适应新的推荐策略,保持推荐系统的竞争力和有效性。因此,本发明是对传统的基于电子商务平台的保险推荐方法做出的优化处理,解决了传统的基于电子商务平台的保险推荐方法存在着对网络上的用户保险需求意图识别不明确从而无法准确的进行保险产品的推送的问题,可以明确的识别出用户保险需求意图,以及对保险产品进行准确的推送。
优选地,步骤S1包括以下步骤:
步骤S11:获取电子商务平台中的用户保险历史浏览数据集;
步骤S12:对用户保险历史浏览数据集进行平均时序分析,得到保险浏览平均时序数据;
步骤S13:根据保险浏览平均时序数据对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;
步骤S14:对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据。
本发明实施例中,确定数据获取的渠道和来源,如数据库、API接口,获取用户保险历史浏览数据集,包括保险产品信息、用户浏览行为、时间戳,对数据进行清洗和预处理,确保数据质量和一致性,如去除重复记录、处理缺失值,针对每个用户的保险浏览历史数据,按照时间顺序进行排序,将每个用户的保险浏览历史数据进行时序对齐,以便进行平均时序分析,对每个时间点上的用户浏览行为进行统计和分析,计算平均值或其他统计指标,得到保险浏览平均时序数据,根据保险浏览平均时序数据的特征,如浏览频率、浏览时长等,对用户保险历史浏览数据集进行特征提取,基于提取的特征,采用聚类算法对用户进行分组,将相似的用户划分到同一组中,得到保险历史浏览时序分组数据,选择合适的聚类算法,如K均值聚类、层次聚类等,将保险历史浏览时序分组数据作为输入,应用选定的聚类算法进行分组聚类,根据聚类结果,将用户分为不同的群组或类别,得到历史浏览分组聚类数据。
本发明收集用户在电子商务平台上的保险产品浏览历史数据,包括保险产品的属性、用户的行为、交互信息,构建了分析和推荐系统的数据基础,为后续步骤提供了必要的原始数据,通过用户浏览行为数据,能够了解用户对不同保险产品的兴趣和偏好,对用户保险浏览历史数据进行时序分析,得到各个时间段内用户浏览保险产品的平均趋势数据,能够识别出用户在不同时间段对保险产品的浏览趋势,为后续的个性化推荐提供了时序依据,基于保险浏览平均时序数据,将用户的保险浏览历史数据进行特征分组,划分出不同特征组合的用户群体,有效地将用户分成不同的群体或类型,便于后续的个性化推荐和定制化服务,同时能够更精细地了解用户的偏好和行为模式,为推荐系统提供更加准确的数据基础,对保险历史浏览时序分组数据进行聚类分析,将相似的用户群体聚合在一起,将具有相似保险浏览行为和偏好的用户聚类在一起,形成更加具有代表性的用户群体,为每个聚类群体提供个性化的保险产品推荐,提高推荐的精准度和用户满意度。
优选地,步骤S2包括以下步骤:
步骤S21:根据保险历史浏览时序分组数据以及历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;
步骤S22:对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;
步骤S23:根据用户光标运行轨迹数据对历史浏览分组聚类数据进行光标运行轨迹分组映射,得到光标运行轨迹分组映射数据;
步骤S24:对光标运行轨迹分组映射数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;
步骤S25:根据光标速度变化趋势数据对光标运行轨迹分组映射数据进行分组间速度衰变分析,得到光标速度衰变数据。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:根据保险历史浏览时序分组数据以及历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;
本发明实施例中,收集和整理用户在保险网站或应用上的历史浏览数据,并按照时间顺序进行排序和分组,以便后续模拟还原,对历史浏览数据进行聚类分析,将相似的浏览行为归为同一类别或群组,并生成聚类数据,用于模拟用户的浏览行为,根据保险历史浏览时序分组数据和历史浏览分组聚类数据,通过模拟算法或者模型,对用户的浏览行为进行还原和模拟,生成模拟还原数据。
步骤S22:对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;
本发明实施例中,将步骤S21生成的用户浏览行为模拟还原数据准备好,作为提取光标运动轨迹的基础数据,利用专门的光标运动轨迹提取工具或算法,对用户在模拟还原数据中的浏览行为进行分析和提取,以获取用户的光标运动轨迹数据,对提取得到的光标运动轨迹数据进行清洗、去噪和预处理,以确保数据的准确性和可用性,得到用户光标运行轨迹数据。
步骤S23:根据用户光标运行轨迹数据对历史浏览分组聚类数据进行光标运行轨迹分组映射,得到光标运行轨迹分组映射数据;
本发明实施例中,准备好步骤S22中提取得到的光标运行轨迹数据和历史浏览分组聚类数据,作为输入数据,用匹配算法或者映射模型,将光标运行轨迹数据映射到历史浏览分组聚类数据中的相应分组,得到光标运行轨迹分组映射数据。
步骤S24:对光标运行轨迹分组映射数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;
本发明实施例中,准备光标运行轨迹分组映射数据,以及相关的时间信息,作为分析的基础数据,根据光标运行轨迹数据,计算每个分组内光标的运行速度,并结合时间信息,得到速度变化趋势数据。
步骤S25:根据光标速度变化趋势数据对光标运行轨迹分组映射数据进行分组间速度衰变分析,得到光标速度衰变数据。
本发明实施例中,准备光标速度变化趋势数据,以及相关的分组信息,作为分析的基础数据,通过对速度变化趋势数据进行分析和计算,确定各个分组内速度的衰变情况,得到光标速度衰变数据。
本发明通过模拟用户浏览行为,能够还原用户在平台上的实际行为,为后续分析提供真实的数据基础,了解不同用户群体的浏览行为模式,为个性化推荐和服务提供依据,从模拟还原的用户浏览行为数据中提取用户的光标运动轨迹信息,将用户的光标运动轨迹可视化,有助于理解用户在平台上的浏览行为和偏好,通过分析光标运动轨迹,可以了解用户对不同保险产品的关注程度和浏览路径,为个性化推荐提供参考,将用户行为与历史浏览分组聚类数据相结合,能够更好地理解用户的浏览行为与偏好之间的关联性,将用户行为划分到不同的分组中,有助于更精细地理解不同用户群体的行为特征,了解不同用户群体在浏览行为速度上的变化趋势,有助于把握用户的兴趣程度和行为偏好,根据速度变化趋势数据,可以针对不同速度变化模式的用户提供个性化的推荐和服务,了解不同用户群体在浏览行为速度上的衰减情况,有助于评估用户的行为稳定性和保持关注度的能力,根据速度衰变数据,可以调整推荐策略和内容,提高用户的参与度和满意度。
优选地,步骤S25包括以下步骤:
步骤S251:根据光标速度变化趋势数据对光标运行轨迹分组映射数据进行分组间速度变化曲线绘制,得到分组速度变化曲线数据;
步骤S252:对分组速度变化曲线数据进行外推趋势分析,得到速度变化外推趋势数据;
步骤S253:根据速度变化外推趋势数据对分组速度变化曲线数据进行复合曲线拟合处理,得到速度变化复合曲线拟合数据;
步骤S254:对速度变化复合曲线拟合数据进行速度变化级数区间计算,得到速度变化截断级数区间;
步骤S255:根据速度变化级数区间以及速度变化误差逼近数据对分组速度变化曲线数据进行分组间速度衰变分析,得到光标速度衰变数据。
本发明实施例中,收集光标速度变化趋势数据,将光标运行轨迹分组映射数据按照一定的规则进行分组,例如基于时间间隔或空间位置,对每个分组内的光标速度数据绘制速度变化曲线,对每个分组的速度变化曲线进行趋势分析,确定其外推趋势,使用适当的外推方法(如线性外推、多项式外推等)分析曲线的趋势,并得出外推趋势数据,利用外推趋势数据对分组速度变化曲线进行复合曲线拟合,使用合适的数学模型(如多项式拟合、指数拟合等)对曲线进行拟合处理,得到复合曲线拟合数据,分析复合曲线拟合数据,确定速度变化的级数区间,使用速度变化级数区间和误差逼近数据,对分组速度变化曲线进行速度衰变分析,根据分析结果,得到光标速度衰变数据。
本发明通过曲线绘制,直观地展示了不同分组间的速度变化情况,便于理解和比较,帮助识别出速度变化的趋势,例如增加、减少或保持稳定,为后续分析提供基础,对分组速度变化曲线数据进行外推,预测未来的速度变化趋势,通过外推分析,可以预测出未来的速度变化趋势,为制定针对性策略提供参考,根据外推趋势,可以推断出用户行为变化,从而调整服务或推荐内容,通过复合曲线拟合,消除了数据中的噪音和波动,得到更为稳定和可靠的速度变化数据,更好地提取出速度变化的整体趋势,为后续分析提供更准确的数据基础,对复合曲线拟合数据进行速度变化级数区间的计算,确定速度变化的阶段性变化,将速度变化分为不同的级数区间,有助于理解速度变化的阶段性特征,为后续分析提供更精细的数据基础,根据速度变化级数区间以及速度变化误差逼近数据,对分组速度变化曲线数据进行分组间速度衰变分析,分析速度衰变数据,了解不同分组间速度衰变的情况,为评估用户的兴趣稳定性提供依据,根据速度衰变分析结果,可以调整服务策略或推荐内容,以提高用户的参与度和满意度。
优选地,对速度变化复合曲线拟合数据进行速度变化级数区间计算包括以下步骤:
基于切比雪夫级数对速度变化复合曲线拟合数据进行误差逼近分析,得到速度变化误差逼近数据;
根据速度变化误差逼近数据对速度变化复合曲线拟合数据进行截断级数计算,得到速度变化截断级数数据;
根据速度变化截断级数数据对分组速度变化曲线数据进行速度变化级数区间计算,得到速度变化截断级数区间。
本发明实施例中,将速度变化复合曲线拟合数据与切比雪夫级数进行比较,计算它们之间的误差,通过比较实际数据与切比雪夫级数拟合的数据,得到速度变化误差逼近数据,这些数据表示了拟合曲线与实际数据之间的差异程度,分析速度变化误差逼近数据,确定合适的截断级数,即在何处将拟合曲线截断,使得截断后的曲线能够较好地逼近实际数据,这一步骤旨在确定拟合曲线的有效区间,以避免过度拟合或欠拟合,将确定的速度变化截断级数应用于分组速度变化曲线数据,将拟合曲线截断到相应的级数,这一步骤旨在将分组速度变化曲线数据划分为不同的速度变化级数区间,以便进一步分析和处理。
本发明使用切比雪夫级数对速度变化复合曲线拟合数据进行误差逼近分析,确定每个数据点与拟合曲线之间的误差,通过计算误差,可以量化拟合曲线与实际数据之间的偏差,评估拟合的准确性,识别误差较大的数据点,有助于调整拟合参数或选择更适合的拟合模型,提高拟合的精度,根据速度变化误差逼近数据,确定需要保留的截断级数,即在拟合曲线中保留的项数,通过截断级数,可以控制拟合模型的复杂度,避免过拟合或不必要的复杂性,提高模型的泛化能力,截断级数的选择可以减少计算复杂度和存储空间,使模型更易于处理和解释,根据截断级数数据,对分组速度变化曲线数据进行速度变化级数区间的计算,确定速度变化的阶段性变化,将速度变化分为不同的级数区间,有助于理解速度变化的阶段性特征,为后续分析提供更精细的数据基础,根据不同级数区间的变化特点,可以提取出关键的速度变化特征,为后续决策提供依据。
优选地,步骤S3包括以下步骤:
步骤S31:根据用户浏览行为模拟还原数据以及光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;
步骤S32:对分组间交互模式数据进行交互效果评估,得到分组间交互模式评估数据;
步骤S33:根据光标速度衰变数据以及分组间交互模式评估数据进行保险推荐策略设计,得到分组保险推荐策略。
本发明实施例中,收集用户浏览行为模拟还原数据和光标速度衰变数据,对历史浏览数据进行分组聚类,例如使用K-means算法或层次聚类算法,将用户浏览数据划分为不同的组,分析每个组内的用户行为模式和光标速度衰变数据,识别出不同的分组间交互模式。这可以通过统计分析、机器学习或深度学习技术来实现,根据得到的分组间交互模式数据,对各种交互模式进行评估。这可以包括使用指标如用户满意度、交互效率、转化率,分析每种交互模式的优缺点,评估其对用户体验和业务目标的影响,结合光标速度衰变数据和分组间交互模式评估数据,设计针对不同用户群体的保险推荐策略,根据用户在特定交互模式下的行为特征和光标速度衰变情况,为其推荐最适合的保险产品或服务,考虑到用户的需求和偏好,制定个性化的保险推荐策略,以提高用户满意度和转化率。
本发明通过分析用户的浏览行为模式和光标速度衰变数据,可以深入理解用户在不同分组间的交互模式,包括点击、停留时间行为特征,识别分组间的交互模式有助于个性化推荐系统更准确地理解用户的偏好和行为模式,提高推荐的准确性和用户满意度,对分组间交互模式数据进行评估,分析不同交互模式对用户体验和目标达成的影响,通过对交互模式数据的评估,可以量化不同模式下的用户体验和目标达成情况,帮助优化交互设计和推荐策略,识别有效的交互模式,有助于针对性地改进用户界面和交互设计,提升用户参与度和满意度,结合光标速度衰变数据和交互模式评估,可以更准确地理解用户的偏好和行为,实现个性化的保险产品推荐,提高用户购买意愿和满意度,通过设计合适的保险推荐策略,可以有效管理风险,减少用户选择不合适产品的可能性,提高保险公司的业务效益。
优选地,步骤S31包括以下步骤:
步骤S311:根据用户浏览行为模拟还原数据以及光标速度衰变数据进行光标运动轨迹分析,得到光标运动轨迹数据;
步骤S312:对光标运动轨迹数据进行三维坐标系转换,得到光标运动轨迹三维坐标系;
步骤S313:根据光标运动轨迹三维坐标系对光标运动轨迹数据进行运动轨迹线性分析,得到运动轨迹线性数据;
步骤S314:基于光标运动轨迹三维坐标系对光标运动轨迹数据以及运动轨迹线性数据进行运动轨迹交互碰撞分析,得到轨迹交互碰撞数据;
步骤S315:对轨迹交互碰撞数据进行重复轨迹交互增量计算,得到重复轨迹交互增量数据;
步骤S316:根据重复轨迹交互增量数据以及运动轨迹线性数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据。
本发明实施例中,利用用户浏览行为模拟还原数据和光标速度衰变数据,提取光标的运动轨迹信息,分析光标在页面上的移动情况,包括移动的速度、方向、停留时间等,以及与页面元素的交互情况,将提取的光标运动轨迹数据转换到三维坐标系中,其中包括水平方向(x轴)、垂直方向(y轴)和时间(z轴),根据页面布局和用户操作习惯,确定坐标系的原点和坐标轴的方向,对光标运动轨迹数据在三维坐标系中进行线性分析,例如计算光标的直线运动、曲线运动,分析运动轨迹的直线度、曲率、速度变化等指标,以了解用户在页面上的操作特征和习惯,基于三维坐标系的光标运动轨迹数据和运动轨迹线性数据,进行轨迹交互碰撞分析,即分析光标轨迹之间是否发生碰撞或交叉,识别出轨迹交互碰撞的位置、频率和持续时间,以及可能的原因和影响,对轨迹交互碰撞数据进行计算,识别出重复的轨迹交互模式,并计算其增量,分析重复轨迹交互的模式和趋势,以及可能的用户行为动机和需求,结合重复轨迹交互增量数据和运动轨迹线性数据,对历史浏览分组聚类数据进行分析,识别不同分组间的交互模式,确定不同分组之间的典型交互模式和特征,为后续的交互效果评估和保险推荐策略设计提供依据。
本发明通过分析光标的运动轨迹,可以了解用户在页面上的关注点、浏览路径和交互方式,从而深入理解用户的行为模式和偏好,将光标运动轨迹可视化,有助于直观地展示用户在页面上的活动轨迹,为后续分析提供基础数据,将光标运动轨迹从二维转换为三维,可以增加数据的维度,提供更多的信息和特征,有助于更准确地描述用户的行为,三维坐标系中的数据更加丰富,可以捕捉到更多细微的运动特征和交互模式,有助于深入分析用户的行为,在光标运动轨迹的三维坐标系中进行线性分析,探索轨迹的直线性质,通过线性分析,可以识别出光标运动轨迹中的直线段和曲线段,进一步理解用户在页面上的移动模式和行为习惯,将运动轨迹分解为线性和非线性部分,有助于将用户的行为进行分类和归纳,为后续分析提供更精确的数据基础,基于三维坐标系,对光标运动轨迹数据和运动轨迹线性数据进行交互碰撞分析,分析光标运动轨迹之间的交互和碰撞,可以发现用户在页面上的交互模式和互动行为,理解用户在不同区域的关注度和行为差异,通过碰撞分析,可以解读用户之间的交互模式,发现用户之间的共同兴趣点和行为规律,为个性化推荐提供依据,通过计算轨迹交互的增量数据,可以识别出用户之间的重复行为和共同兴趣,为个性化推荐和用户群体分析提供数据支持,通过分析不同分组间的交互模式,可以了解不同用户群体的行为特征和偏好,为个性化推荐和定制化服务提供依据,识别分组间的交互模式,有助于优化系统的用户界面和交互设计,提升用户体验和系统性能。
优选地,步骤S33包括以下步骤:
步骤S331:根据光标速度衰变数据进行对应页面区域匹配,得到对应页面区域数据;
步骤S332:根据光标速度衰变数据以及分组间交互模式评估数据进行光标滑动频率计算,得到分组光标滑动频率数据;
步骤S333:对分组光标滑动频率数据进行滑动规律性识别,得到滑动规律性数据;
步骤S334:根据滑动规律性数据以及分组光标滑动频率数据对对应页面区域数据进行有效关注区域优先权重排序,得到有效关注区域排序数据;
步骤S335:对有效关注区域排序数据进行内容提取,得到有效区域内容数据;对有效区域内容数据进行主题搭建,得到有效区域内容主题数据;
步骤S336:根据分组光标滑动频率数据、滑动规律性数据以及有效区域内容主题数据进行保险推荐策略设计,得到分组保险推荐策略。
本发明实施例中,收集光标速度衰变数据:记录用户在页面上的光标移动速度及衰减情况,将页面划分为不同的区域,并为每个区域进行标注,以便后续匹配,收集到的光标速度衰变数据与页面的区域进行匹配,确定用户在页面上的活动区域,根据匹配结果,得到用户在各个页面区域的活动数据,如停留时间、移动频率等信息,对收集到的光标速度衰变数据进行整理和预处理,确保数据准确性和可用性,准备分组间交互模式评估所需的数据,包括用户组别信息、交互模式记录,结合光标速度衰变数据和分组间交互模式评估数据,计算每个用户组在不同页面区域的光标滑动频率,将计算得到的光标滑动频率数据与用户分组信息进行关联,得到每个用户组在不同页面区域的滑动频率数据,对每个用户组在不同页面区域的滑动频率数据进行分析和统计,通过分析滑动频率的变化趋势和模式,判断用户在页面上的滑动行为是否具有一定的规律性,根据分析结果,得到每个用户组在页面上的滑动规律性数据,包括是否存在固定的滑动模式、频率,根据滑动规律性数据和分组光标滑动频率数据,确定每个页面区域的关注程度:结合用户在页面上的滑动行为规律和频率,对不同页面区域进行关注程度评估,根据评估结果,对各个页面区域的关注程度进行排序,确定各区域的优先级,将排序后的页面区域数据整理成有效关注区域排序数据,以便后续内容提取和推荐策略设计,根据有效关注区域排序数据,提取各个页面区域的内容数据:对排在前几位的有效关注区域进行内容提取,获取区域内的文本、图片、链接等信息,对提取的内容数据进行主题搭建:通过文本分析、图像识别等技术,对提取的内容数据进行主题分类或关键主题提取,以便后续的保险推荐策略设计,结合分组光标滑动频率数据、滑动规律性数据和有效区域内容主题数据:将用户在页面上的滑动行为、滑动规律以及关注区域的内容主题进行综合分析,基于综合分析的结果,针对不同用户组的特征和偏好,设计相应的保险产品推荐策略,包括推荐内容、展示形式、推荐位置等。
本发明通过匹配对应页面区域,可以准确识别用户在页面上的主要关注区域,了解用户的兴趣点和重点关注内容,根据对应页面区域数据,可以个性化地呈现与用户关注区域相关的内容,提升用户体验和页面吸引力,通过滑动频率计算,可以评估用户对页面内容的浏览和交互程度,了解用户对不同内容的关注程度和活跃度,分析光标滑动频率可以揭示用户在页面上的浏览模式和行为习惯,为个性化推荐和内容优化提供数据支持,通过识别滑动规律性,可以深入理解用户在页面上的浏览方式和行为模式,发现用户的偏好和兴趣点,根据滑动规律性数据,可以个性化地为用户推荐相关内容或提供定制化服务,提高用户满意度和参与度,根据滑动规律性数据和分组光标滑动频率数据,对对应页面区域数据进行优先权重排序,通过排序有效关注区域,可以优先展示用户关注度高的内容,提高页面的信息传递效率和用户的满意度,根据有效关注区域排序数据,可以改善页面布局和内容展示,增强用户对页面的吸引力和留存度,提取有效区域内容并进行主题搭建,可以精炼用户关注的内容,减少冗余信息,提供更专注和有针对性的内容,根据主题搭建的有效区域内容数据,可以更有组织地呈现相关主题内容,提高用户对内容的理解和接受度,根据用户的滑动行为和关注内容,设计个性化的保险推荐策略,提高保险产品的推广效果和用户购买意愿,通过针对性的保险推荐策略,增强用户对保险产品的关注度和参与度,提升用户体验和满意度。
优选地,对对应页面区域数据进行有效关注区域优先权重排序包括以下步骤:
对对应页面区域数据进行网格化划分,得到页面区域网格化数据;
根据分组光标滑动频率数据以及滑动规律性数据对页面区域网格化数据进行热力区域划分,得到页面热力区域数据;
根据分组光标滑动频率数据对页面热力区域数据进行相对权重赋予,得到页面热力区域相对权重数据;
对页面热力区域相对权重数据进行冒泡排序,得到页面热力区域冒泡排序数据;
根据页面热力区域冒泡排序数据以及页面热力区域相对权重数据进行有效关注区域优先权重排序,得到有效关注区域排序数据。
本发明实施例中,将页面区域划分为多个网格,每个网格代表页面上的一个小区域,使用分组光标滑动频率数据和滑动规律性数据来确定页面上的热力区域,即用户在页面上频繁浏览或与之交互的区域,通过对页面区域网格化数据进行分析,确定哪些网格属于热力区域,这些网格可能是用户最感兴趣的区域,基于分组光标滑动频率数据,为页面上的每个热力区域赋予相对权重,权重可以根据不同的滑动频率来确定,频率越高的区域可能被赋予更高的权重,表示用户对该区域的关注程度更高,对页面热力区域相对权重数据进行冒泡排序,以确定权重最高的热力区域排在前面,冒泡排序是一种简单的排序算法,通过多次遍历比较相邻元素的大小并交换位置,将权重较高的区域逐步“冒泡”到排序的顶部,根据页面热力区域冒泡排序数据和相对权重数据,确定每个热力区域的优先级顺序,综合考虑冒泡排序和相对权重,以确保权重较高的热力区域在排序结果中排名靠前,表示这些区域是用户最关注的。
本发明通过将页面区域进行网格化划分,可以更准确地了解页面的结构和布局,从而更精确地分析用户在页面上的行为和偏好,为后续步骤提供基础数据,为页面热力区域的划分和权重计算奠定基础,基于分组光标滑动频率数据和滑动规律性数据,将页面区域划分为热力区域,准确反映用户在页面上的关注程度和活跃度,热力区域划分可以帮助深入理解用户在页面上的行为模式,识别用户关注的重点区域,为后续排序提供有力支持,根据分组光标滑动频率数据,为页面热力区域赋予相对权重,突出用户关注度高的区域,实现个性化的页面内容排序,通过为用户关注度高的区域赋予更高的权重,提升相关内容的展示优先级,增强用户体验和满意度,利用冒泡排序算法,将页面热力区域按照相对权重进行排序,使得用户关注度高的区域在排序后排在前面,增强用户对重要内容的关注和认知,排序后的结果可用于优化页面布局,使得用户更容易发现和访问他们感兴趣的内容,提高页面的可用性和吸引力,基于页面热力区域冒泡排序数据和相对权重数据,对有效关注区域进行进一步的优先权重排序,确保用户更容易访问到他们感兴趣的内容,通过优先展示用户关注度高的区域内容,提升用户满意度和参与度,增强用户对页面的留存和持续访问。
优选地,本发明还提供了一种基于电子商务平台的保险推荐系统,用于执行如上所述的基于电子商务平台的保险推荐方法,该基于电子商务平台的保险推荐系统包括:
历史浏览记录分组模块,用于获取电子商务平台中的用户保险历史浏览数据集;对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据;
行为模式分析模块,用于根据历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;对用户光标运行轨迹数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析,得到光标速度衰变数据;
保险推荐策略设计模块,用于根据光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;根据分组间交互模式数据进行保险推荐策略设计,得到分组保险推荐策略;
保险推荐自动化程序编写模块,用于对分组保险推荐策略进行编码转换,得到分组保险推荐策略编码数据;根据分组保险推荐策略编码数据进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。
本发明通过收集和整理用户在电子商务平台上的保险历史浏览数据,可以建立一个丰富的数据集,包括用户的浏览行为、点击,这个数据集可以提供关于用户对不同保险产品的兴趣和偏好的信息。借助这些数据,可以更好地理解用户需求、调整保险产品策略,并提供更精准的个性化推荐,通过特征分组,可以对保险产品进行分类,形成一种基于相似性的组织结构。这有助于深入了解用户对不同类型保险产品的关注程度和购买倾向,为后续的分析和推荐提供基础,通过分组聚类,可以识别出用户行为的模式和趋势。这有助于理解用户的购买偏好、行为习惯和潜在需求,为定制个性化推荐和精准营销提供依据;通过模拟用户浏览行为,可以更好地理解用户在网站上的活动模式和行为习惯,为个性化推荐和用户体验优化提供数据基础,在模拟用户浏览行为的基础上,提取用户光标在页面上的运动轨迹,记录光标在屏幕上的移动路径,光标运动轨迹反映了用户对页面内容的关注程度和交互方式,通过提取这些数据,可以更好地理解用户的注意力分布和浏览模式,为界面设计和内容优化提供指导,光标速度变化趋势可以反映用户对页面内容的兴趣程度和注意力集中情况,通过分析这些趋势,可以深入了解不同用户群体的浏览偏好和行为特征,为个性化推荐和内容优化提供依据,速度衰变分析可以帮助理解用户在浏览过程中的疲劳程度和注意力持续性,为界面设计和内容优化提供参考,以提高用户体验和平台吸引力;交互模式识别可以帮助理解不同用户组在浏览过程中的行为特点和偏好,以及他们与页面内容的互动方式。这有助于个性化推荐和内容优化,提高用户满意度和平台的交互效率;通过设计个性化的保险推荐策略,可以更精准地满足用户的需求,提高保险产品的点击率和购买转化率。同时,也可以提升用户体验,增强用户对平台的粘性和忠诚度;通过编码转换,推荐策略变得更加标准化,易于在不同系统或平台中统一应用,也便于后续的管理和调整,自动化处理减少了人工介入的需求,降低了人为错误的可能性,提高了推荐策略实施的准确性和效率,编码后的推荐策略可以快速响应市场变化和用户需求的变化,实时调整推荐内容,提升用户体验,随着市场和用户需求的变化,自动化脚本可以灵活调整和更新,以适应新的推荐策略,保持推荐系统的竞争力和有效性。因此,本发明是对传统的基于电子商务平台的保险推荐方法做出的优化处理,解决了传统的基于电子商务平台的保险推荐方法存在着对网络上的用户保险需求意图识别不明确从而无法准确的进行保险产品的推送的问题,可以明确的识别出用户保险需求意图,以及对保险产品进行准确的推送。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于电子商务平台的保险推荐方法,其特征在于,包括以下步骤:
步骤S1:获取电子商务平台中的用户保险历史浏览数据集;对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据;
步骤S2:根据历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;对用户光标运行轨迹数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析,得到光标速度衰变数据;
步骤S3:根据光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;根据分组间交互模式数据进行保险推荐策略设计,得到分组保险推荐策略;
步骤S4:对分组保险推荐策略进行编码转换,得到分组保险推荐策略编码数据;根据分组保险推荐策略编码数据进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。
2.根据权利要求1所述的基于电子商务平台的保险推荐方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取电子商务平台中的用户保险历史浏览数据集;
步骤S12:对用户保险历史浏览数据集进行平均时序分析,得到保险浏览平均时序数据;
步骤S13:根据保险浏览平均时序数据对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;
步骤S14:对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据。
3.根据权利要求1所述的基于电子商务平台的保险推荐方法,其特征在于,步骤S2包括以下步骤:
步骤S21:根据保险历史浏览时序分组数据以及历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;
步骤S22:对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;
步骤S23:根据用户光标运行轨迹数据对历史浏览分组聚类数据进行光标运行轨迹分组映射,得到光标运行轨迹分组映射数据;
步骤S24:对光标运行轨迹分组映射数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;
步骤S25:根据光标速度变化趋势数据对光标运行轨迹分组映射数据进行分组间速度衰变分析,得到光标速度衰变数据。
4.根据权利要求3所述的基于电子商务平台的保险推荐方法,其特征在于,步骤S25包括以下步骤:
步骤S251:根据光标速度变化趋势数据对光标运行轨迹分组映射数据进行分组间速度变化曲线绘制,得到分组速度变化曲线数据;
步骤S252:对分组速度变化曲线数据进行外推趋势分析,得到速度变化外推趋势数据;
步骤S253:根据速度变化外推趋势数据对分组速度变化曲线数据进行复合曲线拟合处理,得到速度变化复合曲线拟合数据;
步骤S254:对速度变化复合曲线拟合数据进行速度变化级数区间计算,得到速度变化截断级数区间;
步骤S255:根据速度变化级数区间以及速度变化误差逼近数据对分组速度变化曲线数据进行分组间速度衰变分析,得到光标速度衰变数据。
5.根据权利要求4所述的基于电子商务平台的保险推荐方法,对速度变化复合曲线拟合数据进行速度变化级数区间计算包括以下步骤:
基于切比雪夫级数对速度变化复合曲线拟合数据进行误差逼近分析,得到速度变化误差逼近数据;
根据速度变化误差逼近数据对速度变化复合曲线拟合数据进行截断级数计算,得到速度变化截断级数数据;
根据速度变化截断级数数据对分组速度变化曲线数据进行速度变化级数区间计算,得到速度变化截断级数区间。
6.根据权利要求1所述的基于电子商务平台的保险推荐方法,其特征在于,步骤S3包括以下步骤:
步骤S31:根据用户浏览行为模拟还原数据以及光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;
步骤S32:对分组间交互模式数据进行交互效果评估,得到分组间交互模式评估数据;
步骤S33:根据光标速度衰变数据以及分组间交互模式评估数据进行保险推荐策略设计,得到分组保险推荐策略。
7.根据权利要求6所述的基于电子商务平台的保险推荐方法,其特征在于,步骤S31包括以下步骤:
步骤S311:根据用户浏览行为模拟还原数据以及光标速度衰变数据进行光标运动轨迹分析,得到光标运动轨迹数据;
步骤S312:对光标运动轨迹数据进行三维坐标系转换,得到光标运动轨迹三维坐标系;
步骤S313:根据光标运动轨迹三维坐标系对光标运动轨迹数据进行运动轨迹线性分析,得到运动轨迹线性数据;
步骤S314:基于光标运动轨迹三维坐标系对光标运动轨迹数据以及运动轨迹线性数据进行运动轨迹交互碰撞分析,得到轨迹交互碰撞数据;
步骤S315:对轨迹交互碰撞数据进行重复轨迹交互增量计算,得到重复轨迹交互增量数据;
步骤S316:根据重复轨迹交互增量数据以及运动轨迹线性数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据。
8.根据权利要求7所述的基于电子商务平台的保险推荐方法,其特征在于,步骤S33包括以下步骤:
步骤S331:根据光标速度衰变数据进行对应页面区域匹配,得到对应页面区域数据;
步骤S332:根据光标速度衰变数据以及分组间交互模式评估数据进行光标滑动频率计算,得到分组光标滑动频率数据;
步骤S333:对分组光标滑动频率数据进行滑动规律性识别,得到滑动规律性数据;
步骤S334:根据滑动规律性数据以及分组光标滑动频率数据对对应页面区域数据进行有效关注区域优先权重排序,得到有效关注区域排序数据;
步骤S335:对有效关注区域排序数据进行内容提取,得到有效区域内容数据;对有效区域内容数据进行主题搭建,得到有效区域内容主题数据;
步骤S336:根据分组光标滑动频率数据、滑动规律性数据以及有效区域内容主题数据进行保险推荐策略设计,得到分组保险推荐策略。
9.根据权利要求8所述的基于电子商务平台的保险推荐方法,其特征在于,对对应页面区域数据进行有效关注区域优先权重排序包括以下步骤:
对对应页面区域数据进行网格化划分,得到页面区域网格化数据;
根据分组光标滑动频率数据以及滑动规律性数据对页面区域网格化数据进行热力区域划分,得到页面热力区域数据;
根据分组光标滑动频率数据对页面热力区域数据进行相对权重赋予,得到页面热力区域相对权重数据;
对页面热力区域相对权重数据进行冒泡排序,得到页面热力区域冒泡排序数据;
根据页面热力区域冒泡排序数据以及页面热力区域相对权重数据进行有效关注区域优先权重排序,得到有效关注区域排序数据。
10.一种基于电子商务平台的保险推荐系统,其特征在于,用于执行如权利要求1所述的基于电子商务平台的保险推荐方法,该基于电子商务平台的保险推荐系统包括:
历史浏览记录分组模块,用于获取电子商务平台中的用户保险历史浏览数据集;对用户保险历史浏览数据集进行特征分组,得到保险历史浏览时序分组数据;对保险历史浏览时序分组数据进行分组聚类,得到历史浏览分组聚类数据;
行为模式分析模块,用于根据历史浏览分组聚类数据进行用户浏览行为模拟还原,得到用户浏览行为模拟还原数据;对用户浏览行为模拟还原数据进行用户光标运动轨迹提取,得到用户光标运行轨迹数据;对用户光标运行轨迹数据进行分组间光标运行速度变化趋势分析,得到光标速度变化趋势数据;根据光标速度变化趋势数据进行分组间速度衰变分析,得到光标速度衰变数据;
保险推荐策略设计模块,用于根据光标速度衰变数据对历史浏览分组聚类数据进行分组间交互模式识别,得到分组间交互模式数据;根据分组间交互模式数据进行保险推荐策略设计,得到分组保险推荐策略;
保险推荐自动化程序编写模块,用于对分组保险推荐策略进行编码转换,得到分组保险推荐策略编码数据;根据分组保险推荐策略编码数据进行保险推荐自动化脚本编写,得到保险推荐自动化脚本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362857.1A CN117974331B (zh) | 2024-03-28 | 2024-03-28 | 一种基于电子商务平台的保险推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362857.1A CN117974331B (zh) | 2024-03-28 | 2024-03-28 | 一种基于电子商务平台的保险推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974331A true CN117974331A (zh) | 2024-05-03 |
CN117974331B CN117974331B (zh) | 2024-06-11 |
Family
ID=90862925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410362857.1A Active CN117974331B (zh) | 2024-03-28 | 2024-03-28 | 一种基于电子商务平台的保险推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974331B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6904408B1 (en) * | 2000-10-19 | 2005-06-07 | Mccarthy John | Bionet method, system and personalized web content manager responsive to browser viewers' psychological preferences, behavioral responses and physiological stress indicators |
CN101446979A (zh) * | 2008-12-26 | 2009-06-03 | 北京科尔威视网络科技有限公司 | 动态热点跟踪的方法 |
US20120316902A1 (en) * | 2011-05-17 | 2012-12-13 | Amit Kumar | User interface for real time view of web site activity |
CN102841789A (zh) * | 2012-06-29 | 2012-12-26 | 北京奇虎科技有限公司 | 一种对浏览器中的用户操作进行录制和回放的方法和装置 |
CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
CN103838885A (zh) * | 2014-03-31 | 2014-06-04 | 苏州大学 | 一种面向广告投放的潜在用户检索及用户模型排序方法 |
CN105718541A (zh) * | 2016-01-18 | 2016-06-29 | 浪潮软件集团有限公司 | 一种获取用户喜好信息的方法及装置 |
CN106446128A (zh) * | 2016-09-20 | 2017-02-22 | 刘志军 | 一种网页访问轨迹的追踪方法以及装置 |
US20180089737A1 (en) * | 2016-09-23 | 2018-03-29 | Wal-Mart Stores, Inc. | Systems and methods for predicting user segments in real-time |
CN108257013A (zh) * | 2016-12-28 | 2018-07-06 | 平安科技(深圳)有限公司 | 保险产品定义方法及装置 |
CN109189372A (zh) * | 2018-08-22 | 2019-01-11 | 中国平安人寿保险股份有限公司 | 保险产品的开发脚本生成方法及终端设备 |
CN109559190A (zh) * | 2018-10-22 | 2019-04-02 | 中国平安人寿保险股份有限公司 | 保险产品数据推送方法、装置、介质和计算机设备 |
WO2019104876A1 (zh) * | 2017-11-30 | 2019-06-06 | 平安科技(深圳)有限公司 | 保险产品的推送方法、系统、终端、客户终端及存储介质 |
CN111209573A (zh) * | 2018-11-21 | 2020-05-29 | 中标软件有限公司 | 一种基于鼠标位移轨迹的访问请求安全感知方法 |
CN112527748A (zh) * | 2020-12-24 | 2021-03-19 | 北京百度网讯科技有限公司 | 用于分析用户操作行为的方法、装置、设备以及存储介质 |
CN114117226A (zh) * | 2021-11-29 | 2022-03-01 | 平安科技(深圳)有限公司 | 一种产品推荐方法、系统、设备及介质 |
CN114756758A (zh) * | 2022-04-29 | 2022-07-15 | 杭州核新软件技术有限公司 | 一种混合推荐方法和系统 |
US20230070467A1 (en) * | 2021-08-27 | 2023-03-09 | Royal Bank Of Canada | Systems and methods for recommending insurance |
CN115795144A (zh) * | 2022-11-04 | 2023-03-14 | 北京百度网讯科技有限公司 | 一种产品推荐方法、装置及电子设备 |
CN115860780A (zh) * | 2022-12-16 | 2023-03-28 | 江苏易交易信息科技有限公司 | 交易潜在用户精准分析推荐匹配方法及系统 |
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 |
-
2024
- 2024-03-28 CN CN202410362857.1A patent/CN117974331B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6904408B1 (en) * | 2000-10-19 | 2005-06-07 | Mccarthy John | Bionet method, system and personalized web content manager responsive to browser viewers' psychological preferences, behavioral responses and physiological stress indicators |
CN101446979A (zh) * | 2008-12-26 | 2009-06-03 | 北京科尔威视网络科技有限公司 | 动态热点跟踪的方法 |
US20120316902A1 (en) * | 2011-05-17 | 2012-12-13 | Amit Kumar | User interface for real time view of web site activity |
CN102841789A (zh) * | 2012-06-29 | 2012-12-26 | 北京奇虎科技有限公司 | 一种对浏览器中的用户操作进行录制和回放的方法和装置 |
CN103473354A (zh) * | 2013-09-25 | 2013-12-25 | 焦点科技股份有限公司 | 基于电子商务平台的保险推荐系统框架及保险推荐方法 |
CN103838885A (zh) * | 2014-03-31 | 2014-06-04 | 苏州大学 | 一种面向广告投放的潜在用户检索及用户模型排序方法 |
CN105718541A (zh) * | 2016-01-18 | 2016-06-29 | 浪潮软件集团有限公司 | 一种获取用户喜好信息的方法及装置 |
CN106446128A (zh) * | 2016-09-20 | 2017-02-22 | 刘志军 | 一种网页访问轨迹的追踪方法以及装置 |
US20180089737A1 (en) * | 2016-09-23 | 2018-03-29 | Wal-Mart Stores, Inc. | Systems and methods for predicting user segments in real-time |
CN108257013A (zh) * | 2016-12-28 | 2018-07-06 | 平安科技(深圳)有限公司 | 保险产品定义方法及装置 |
WO2019104876A1 (zh) * | 2017-11-30 | 2019-06-06 | 平安科技(深圳)有限公司 | 保险产品的推送方法、系统、终端、客户终端及存储介质 |
CN109189372A (zh) * | 2018-08-22 | 2019-01-11 | 中国平安人寿保险股份有限公司 | 保险产品的开发脚本生成方法及终端设备 |
CN109559190A (zh) * | 2018-10-22 | 2019-04-02 | 中国平安人寿保险股份有限公司 | 保险产品数据推送方法、装置、介质和计算机设备 |
CN111209573A (zh) * | 2018-11-21 | 2020-05-29 | 中标软件有限公司 | 一种基于鼠标位移轨迹的访问请求安全感知方法 |
CN112527748A (zh) * | 2020-12-24 | 2021-03-19 | 北京百度网讯科技有限公司 | 用于分析用户操作行为的方法、装置、设备以及存储介质 |
US20230070467A1 (en) * | 2021-08-27 | 2023-03-09 | Royal Bank Of Canada | Systems and methods for recommending insurance |
CN114117226A (zh) * | 2021-11-29 | 2022-03-01 | 平安科技(深圳)有限公司 | 一种产品推荐方法、系统、设备及介质 |
CN114756758A (zh) * | 2022-04-29 | 2022-07-15 | 杭州核新软件技术有限公司 | 一种混合推荐方法和系统 |
CN115795144A (zh) * | 2022-11-04 | 2023-03-14 | 北京百度网讯科技有限公司 | 一种产品推荐方法、装置及电子设备 |
CN115860780A (zh) * | 2022-12-16 | 2023-03-28 | 江苏易交易信息科技有限公司 | 交易潜在用户精准分析推荐匹配方法及系统 |
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 (5)
Title |
---|
何典, 梁英: "电子商务个性化推荐系统研究", 湖南商学院学报, no. 04, 8 July 2005 (2005-07-08) * |
周洋: "个性化推荐系统推荐引擎原型系统研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 February 2007 (2007-02-15), pages 139 - 157 * |
李福宇;: "大数据时代保险电商如何沙漠掘金", 中国金融电脑, no. 04, 7 April 2015 (2015-04-07) * |
洪宇;王剑;王凯;康杨杨;孔芳;姚建民;朱巧明;周国栋;: "面向满意度预测的滑鼠行为量化分析方法", 计算机学报, no. 10, 15 October 2015 (2015-10-15) * |
郭俊霞;许文生;卢罡;: "基于用户浏览轨迹的商品推荐", 计算机科学, no. 12, 15 December 2016 (2016-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117974331B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Recent research advances on interactive machine learning | |
Agarwal et al. | An interdisciplinary review of research in conjoint analysis: Recent developments and directions for future research | |
US9569785B2 (en) | Method for adjusting content of a webpage in real time based on users online behavior and profile | |
CN117689426B (zh) | 一种多通路广告效果评估方法及系统 | |
Manikandan et al. | Deep sentiment learning for measuring similarity recommendations in twitter data | |
CN116431931B (zh) | 实时增量数据统计分析方法 | |
CN117216419B (zh) | 基于ai技术的数据分析方法 | |
CN117575011B (zh) | 一种基于大数据的客户数据管理方法及系统 | |
Orogun et al. | Predicting consumer behaviour in digital market: a machine learning approach | |
CN114756764A (zh) | 基于企业的内容信息流推荐方法、装置、电子设备及存储介质 | |
Sulikowski et al. | Fuzzy approach to purchase intent modeling based on user tracking for E-commerce recommenders | |
CN114528416B (zh) | 一种基于大数据的企业舆情环境监测方法和系统 | |
Sangma et al. | Hierarchical clustering for multiple nominal data streams with evolving behaviour | |
Khanchana et al. | Web Usage Mining for Predicting Users' Browsing Behaviors by using FPCM Clustering | |
CN118071400A (zh) | 基于图计算技术在信息消费领域的应用方法及系统 | |
Wu et al. | RETRACTED ARTICLE: Artificial neural network based high dimensional data visualization technique for interactive data exploration in E-commerce | |
CN117746546A (zh) | 基于叫号器的服务业务办理方法及系统 | |
CN117974331B (zh) | 一种基于电子商务平台的保险推荐方法及系统 | |
Ramadiani et al. | Evaluation of student academic performance using e-learning with the association rules method and the importance of performance analysis | |
CN113420096B (zh) | 指标体系的构建方法、装置、设备及存储介质 | |
Wang | On using Data Mining for browsing log analysis in learning environments | |
Alassafi et al. | Machine Learning for Predictive Analytics in Social Media Data | |
Robles et al. | Collaborative filtering using interval estimation naive Bayes | |
CN118445493B (zh) | 一种基于人工智能的区块链大数据推荐方法 | |
Krohn-Grimberghe et al. | A Novel Multidimensional Framework for Evaluating Recommender Systems. |
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 |