CN118014738B - 基于人工智能的人寿保险推荐方法及系统 - Google Patents
基于人工智能的人寿保险推荐方法及系统 Download PDFInfo
- Publication number
- CN118014738B CN118014738B CN202410038366.1A CN202410038366A CN118014738B CN 118014738 B CN118014738 B CN 118014738B CN 202410038366 A CN202410038366 A CN 202410038366A CN 118014738 B CN118014738 B CN 118014738B
- Authority
- CN
- China
- Prior art keywords
- health
- determining
- insurance
- weight
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 230000036541 health Effects 0.000 claims abstract description 126
- 238000012502 risk assessment Methods 0.000 claims abstract description 70
- 238000003066 decision tree Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 239000011800 void material Substances 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 39
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于人工智能的人寿保险推荐方法及系统，涉及保险推荐技术，包括：获取目标对象的个人信息和历史投保信息，通过用户画像模型中的决策树，将个人信息对应的个人信息特征和历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，确定所述目标对象的用户画像类别；获取所述目标对象的健康信息，在健康风险评估模型的特征提取层中设置不同空洞率提取健康信息的健康特征，通过健康风险评估模型的隐藏层确定健康特征的非线性输出，根据健康风险评估模型的输出层确定目标对象的健康风险评估等级；确定候选保险产品列表，进一步确定候选保险产品与用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
Description
技术领域
本发明涉及保险推荐技术，尤其涉及一种基于人工智能的人寿保险推荐方法及系统。
背景技术
现有技术中，CN114997918A公开了一种基于人工智能的保险产品推荐方法、装置、设备及介质，其中方法包括：获取养老保险试算端发送的目标用户信息集；根据所述目标用户信息集和预设的每个保险产品标识对应的保险产品推荐概率模型进行单产品推荐概率计算，其中，所述保险产品推荐概率模型是采用基于所述养老保险试算端得到的样本集训练得到的模型；对各个所述单产品推荐概率进行倒序排序；采用从头开始提取的方式，从排序后的各个所述单产品推荐概率中提取预设数量的所述单产品推荐概率，作为命中推荐概率集；将所述命中推荐概率集对应的各个所述保险产品标识作为保险产品推荐结果。
综上，现有技术虽然能够根据用户信息为用户推荐保险产品，但无法准确的识别用户的投保目的和对不同产品的接受概率，因此需要一种方案解决现有技术中存在的问题。
发明内容
本发明实施例提供一种基于人工智能的人寿保险推荐方法及系统，至少能够解决现有技术中部分问题。
本发明实施例的第一方面，提供一种基于人工智能的人寿保险推荐方法，包括：
获取目标对象的个人信息和历史投保信息，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别；
获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级；
确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
在一种可选的实施方式中，
通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别包括：
分别将所述个人信息特征和所述历史投保特征映射至对应的决策树，每个个人信息特征或者每个历史投保特征都作为决策树的节点，随机选定一个树节点当做当前节点，并且确定当前节点对应的树深度以及节点增益；
若所述树深度小于预设深度阈值，则将当前节点的节点增益以及与所述当前节点相邻的左、右节点的节点增益进行加权求和，并将加权求和结果作为所述当前节点的特征重要值并进行排序，将所述特征重要值排序在前20％对应的个人信息特征和所述历史投保特征，通过所述用户画像模型的核函数映射至高维空间确定线性决策边界；
分别确定所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离，并且引入拉格朗日乘子，以使所述个人信息特征和所述历史投保特征与所述超平面的距离间隔最大化，以此确定所述目标对象的用户画像类别。
在一种可选的实施方式中，
所述方法还包括确定所述用户画像模型中的超平面：
所述用户画像模型中的超平面基于平面权重向量和平面偏置项构建；
初始化所述超平面对应的平面权重向量、所述平面权重向量对应的权重动量以及初始化所述超平面对应的平面偏置项、所述平面偏置项对应的偏置动量；
根据所述用户画像模型的损失函数，分别确定所述平面权重向量对应的权重梯度和所述平面偏置项对应的偏置梯度，根据预设的学习率和动量系数，迭代更新所述平面权重向量和所述平面偏置项，直至达到预定的迭代次数。
在一种可选的实施方式中，
迭代更新所述平面权重向量如下公式所示：
迭代更新所述平面偏置项如下公式所示：
其中，
wn、wn-1分别表示第n次迭代和第n-1次迭代的平面权重向量，N表示迭代次数，α、β分别表示学习率和动量系数，vw表示权重动量；
bn、bn-1分别表示第n次迭代和第n-1次迭代的平面偏置项，vb表示偏置动量；
L表示损失函数的损失值，λ表示正则化参数，‖w‖2表示权重向量的L2范数，I表示样本数量，yi表示第i个样本的类别标签，xi表示第i个样本，w、b分别表示平面权重向量和平面偏置项。
在一种可选的实施方式中，
获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级之前，所述方法还包括训练所述健康风险评估模型：
按照如下公式所示的方法确定待训练的健康风险评估模型的各层神经元对应的权重值：
QH表示神经元对应的权重值，M、K分别表示神经元数量和迭代次数，L表示预测值与预设目标值的损失值，LOSSit表示第i个神经元在第t次迭代的误差函数值，表示第i个神经元在第t次迭代的预测值，whi、wki分别表示输入层传递到隐藏层的值，以及隐藏层传递到输出层的值；
迭代调整各层神经元对应的权重值，直至输出的等级与预先标定的等级偏差小于预设偏差阈值。
在一种可选的实施方式中，
确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象包括：
基于所述健康风险评估等级对应的保额范围，确定与所述健康风险评估等级相匹配的候选保险产品列表；
基于所述用户画像类别，确定所述目标对象的保险预算范围以及风险偏好系数，并确定所述保险预算范围对应的保险预算权重以及风险偏好权重，取所述保险预算范围的平均值，结合所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保费得分；
基于所述用户画像类别，评估所述用户画像类别对应的保额需求值，根据所述候选保险产品的实际保额值，结合所述目标对象的保险预算范围、所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保额得分；
分别为所述保费得分分配第一权重值，为所述保额得分分配第二权重值，进行加权求和确定匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
在一种可选的实施方式中，
基于所述用户画像类别，确定所述目标对象的保险预算范围以及风险偏好系数，并确定所述保险预算范围对应的保险预算权重以及风险偏好权重，取所述保险预算范围的平均值，结合所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保费得分如下公式所示：
其中，Scoref表示保费得分，Budget表示保险预算范围的平均值，Premium表示保险产品的年度保费，wbudget表示保险预算权重，RP表示风险偏好系数，wrp表示风险偏好权重；
基于所述用户画像类别，评估所述用户画像类别对应的保额需求值，根据所述候选保险产品的实际保额值，结合所述目标对象的保险预算范围、所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保额得分如下公式所示：
其中，Scoree表示保额得分，Coverage表示实际保额值，DC表示保额需求值，wcoverage表示保额权重。
本发明实施例的第二方面，提供一种基于人工智能的人寿保险推荐系统，包括：
第一单元，用于获取目标对象的个人信息和历史投保信息，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别；
第二单元，用于获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级；
第三单元，用于确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明中，利用用户画像模型中预置的决策树，将个人信息和历史投保信息映射至高维空间，确定线性决策边界，精准确定目标对象的用户画像类别，提高了分类准确度，通过健康风险评估模型，结合家族病史、就医诊疗信息等健康信息，提取非线性特征，确定健康特征对应的非线性输出，进而确定目标对象的健康风险评估等级，实现了对健康状况的全面评估，通过匹配度计算，结合用户画像类别，推荐匹配度最高的候选保险产品，提高了保险产品的个性化匹配度，综合考虑用户的用户画像、健康信息和历史投保信息，实现了对目标对象全面的风险评估有助于更准确地为目标对象推荐适合的保险产品，提升了保险决策的全面性和精准性，综上，本发明提高了保险决策的准确性，增进了用户体验，为目标对象提供更精准、全面的保险服务。
附图说明
图1为本发明实施例基于人工智能的人寿保险推荐方法的流程示意图；
图2为本发明实施例基于人工智能的人寿保险推荐系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于人工智能的人寿保险推荐方法的流程示意图，如图1所示，所述方法包括：
S101.获取目标对象的个人信息和历史投保信息，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别；
所述决策树是一种树状模型，用于对实例进行决策，每个节点表示一个属性测试，每个分支代表测试的结果，每个叶节点存放一个类别标签，所述线性决策边界是一个直线，将不同类别的数据分隔开，所述用户画像是对用户的综合描述，包括但不限于用户的兴趣、行为、偏好、社会属性等信息，所述超平面是在N维空间中的一个N-1维的子空间，在二维空间中，超平面是一条直线；在三维空间中，超平面是一个平面，在本发明的算法中，超平面被用于划分不同类别的数据。
在一种可选的实施方式中，
通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别包括：
分别将所述个人信息特征和所述历史投保特征映射至对应的决策树，每个个人信息特征或者每个历史投保特征都作为决策树的节点，随机选定一个树节点当做当前节点，并且确定当前节点对应的树深度以及节点增益；
若所述树深度小于预设深度阈值，则将当前节点的节点增益以及与所述当前节点相邻的左、右节点的节点增益进行加权求和，并将加权求和结果作为所述当前节点的特征重要值并进行排序，将所述特征重要值排序在前20％对应的个人信息特征和所述历史投保特征，通过所述用户画像模型的核函数映射至高维空间确定线性决策边界；
分别确定所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离，并且引入拉格朗日乘子，以使所述个人信息特征和所述历史投保特征与所述超平面的距离间隔最大化，以此确定所述目标对象的用户画像类别。
其中，所述个人信息包括年龄信息、性别信息以及收入水平信息中至少一种，所述历史投保信息包括投保类型、保险金额、以及索赔记录中至少一种，所述节点增益表示通过将数据集划分成不同子集而获得的纯度提升，所述拉格朗日乘子用于处理带有等式约束的最优化问题。
获取个人信息特征和历史投保特征的数据集，每个特征，使用决策树算法构建一个决策树，其中，每个特征值作为决策树的一个节点，从构建好的决策树中随机选择一个节点作为当前节点，计算当前节点所在的深度，即从根节点到当前节点的路径长度，使用节点增益来评估当前节点的分裂效果；
将计算得到的深度与预设的深度阈值比较，若小于所述深度阈值，则计算与当前节点相邻的左节点和右节点的节点增益，并将当前节点的节点增益以及相邻左右节点的节点增益进行加权求和，将加权求和结果作为当前节点的特征重要值，并将所有节点的特征重要值进行排序，选择排序在前20％的特征，这些特征被认为对于整个决策树的分类贡献较大，将选定的个人信息特征和历史投保特征组合成用户画像，使用核函数将用户画像映射至高维空间，以便在新的高维空间中确定线性决策边界，示例性地，选择核函数，对于线性决策边界，通常选择RBF核，通过交叉验证等方法，确定核函数中的参数，对于用户画像数据集中的每一对样本，通过高斯核函数计算它们在核函数下的相似度，对核矩阵进行中心化操作，确保映射后的特征在新的高维空间中具有零均值，对中心化后的核矩阵进行特征值分解，选择与前k个最大特征值相对应的特征向量，其中k是一个远小于原始特征维度的树，将选定的特征向量按列排成映射矩阵，使用映射矩阵将原始用户画像数据集映射至高维空间；
示例性地，假设节点增益和相邻节点增益分别为[0.2,0.3,0.15]，[0.25,0.18,0.22]，[0.28,0.32,0.2]，对于当前节点1，进行加权求和：0.2*1+0.3*0.5+0.15*0.25＝0.475，即节点1的特征重要值为0.475，计算所述决策树中全部节点的特征重要值并根据特征重要值进行降序排序，选择排序在前20％的特征，构建用户画像，例如，选择了年龄、历史索赔次数等，使用核函数映射至高维空间，得到高维特征向量；
对于每个样本，计算其个人信息特征和历史投保特征与所述用户画像模型中超平面的距离，引入拉格朗日乘子，将问题转化为一个带约束的优化问题，优化目标是最大化样本到超平面的距离，建立拉格朗日函数，将约束条件引入到目标函数中，对拉格朗日函数进行求解，得到使目标函数最大化的超平面法向量和截距，并构建决策函数，根据决策函数值，判断样本点与超平面的位置关系，即可确定目标对象的用户画像类别。
本实施例中，通过决策树对个人信息特征和历史投保特征进行建模，计算节点增益和树深度，以提取特征的重要值，有助于识别影响用户画像的重要特征，将特征重要值进行排序，并选择排名前20％的个人信息特征和历史投保特征，有助于减少特征的维度，提高建模效率，同时保留对用户画像影响较大的特征，通过核函数映射至高维空间，确定线性决策边界，有助于更好地捕捉特征之间的非线性关系，提高模型的拟合能力，利用拉格朗日乘子引入间隔最大化的约束，通过计算个人信息特征和历史投保特征与超平面的距离，确定目标对象的用户画像类别，有助于将用户分配到合适的画像类别中，综上，本实施例能够有效地挖掘和利用用户画像的关键特征，从而提高用户画像分类的准确性和可解释性。
在一种可选的实施方式中，
所述方法还包括确定所述用户画像模型中的超平面：
所述用户画像模型中的超平面基于平面权重向量和平面偏置项构建；
初始化所述超平面对应的平面权重向量、所述平面权重向量对应的权重动量以及初始化所述超平面对应的平面偏置项、所述平面偏置项对应的偏置动量；
根据所述用户画像模型的损失函数，分别确定所述平面权重向量对应的权重梯度和所述平面偏置项对应的偏置梯度，根据预设的学习率和动量系数，迭代更新所述平面权重向量和所述平面偏置项，直至达到预定的迭代次数。
随机初始化超平面对应的平面权重向量和平面偏置项，其中平面权重向量表示超平面的法向量，决定了超平面的方向，平面偏置项表示超平面到原点的距离，对每个平面权重和平面偏置项分别初始化对应的权重向量和偏置动量，
计算损失函数关于平面权重向量和平面偏置项的偏导数，即权重梯度和偏置梯度，利用梯度和学习率更新平面权重向量和平面偏置项，引入动量系数，考虑先前的梯度信息，帮助平滑更新过程，使用动量法则更新权重和偏置动量，重复上述步骤，直到达到预定的迭代次数。
示例性地，超平面权重向量为W，平面偏置项为b，权重动量为Mw，偏置动量为Mb，对于每个训练样本，计算损失函数关于平面权重向量和平面偏置项的梯度，并更新权重动量和偏置动量，基于学习率和动量系数更新所述平面权重向量和平面偏置项。
本实施例中，通过平面权重向量和平面偏置项的组合来表示，确保了模型的基本结构建立在数学上可行的平面上，为后续的参数更新提供了初始状态，通过损失函数，确定了超平面权重向量和平面偏置项的梯度，为后续的参数更新提供了方向和大小，动量法考虑了参数更新的历史信息，有助于在训练过程中更稳定地更新模型参数，通过反复迭代更新超平面参数，使模型逐渐优化，提高了在任务上的性能，从而更好地反映了用户画像模型的实际需求，综上，本实施例能够使得用户画像模型能够更准确地捕捉数据中的模式，从而提高了模型的性能和泛化能力。
在一种可选的实施方式中，
迭代更新所述平面权重向量如下公式所示：
迭代更新所述平面偏置项如下公式所示：
其中，
wn、wn-1分别表示第n次迭代和第n-1次迭代的平面权重向量，N表示迭代次数，α、β分别表示学习率和动量系数，vw表示权重动量；
bn、bn-1分别表示第n次迭代和第n-1次迭代的平面偏置项，vb表示偏置动量；
L表示损失函数的损失值，λ表示正则化参数，‖w‖2表示权重向量的L2范数，I表示样本数量，yi表示第i个样本的类别标签，xi表示第i个样本，w、b分别表示平面权重向量和平面偏置项。
本实施例中，函数通过引入动量法，迭代更新函数有助于提高模型在训练数据上的收敛速度，并在一定程度上提高了泛化性能，动量项有助于平滑参数更新的过程，减少了参数在迭代中的震荡，使得优化过程更加平稳，损失函数中的正则化项有助于控制模型的复杂性，防止过拟合，综上，本实施例中的两个函数通过梯度下降和动量法的结合，实现了对用户画像模型参数的高效更新，使得模型更好地适应训练数据，并提高了泛化能力。
S102.获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级；
在一种可选的实施方式中，
获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级之前，所述方法还包括训练所述健康风险评估模型：
按照如下公式所示的方法确定待训练的健康风险评估模型的各层神经元对应的权重值：
QH表示神经元对应的权重值，M、K分别表示神经元数量和迭代次数，L表示预测值与预设目标值的损失值，LOSSit表示第i个神经元在第t次迭代的误差函数值，表示第i个神经元在第t次迭代的预测值，whi、wki分别表示输入层传递到隐藏层的值，以及隐藏层传递到输出层的值；
迭代调整各层神经元对应的权重值，直至输出的等级与预先标定的等级偏差小于预设偏差阈值。
该公式通过计算每个神经元在每次迭代中的误差对权重的贡献，实现了针对每个神经元的精确权重调整，这有助于更准确地调整模型以响应特定的训练数据；通过在多次迭代中积累神经元的误差和权重调整，公式支持了跨迭代的学习和权重优化；通过精确控制每个神经元的权重调整，可以提高模型的泛化能力，减少过拟合的风险。
示例性地，本申请在模型中设计一个或多个特征提取层，这些层可以是卷积层(对于图像数据)、循环层(对于序列数据)或全连接层(对于标准化的表格数据)，为每个特征提取层设置不同的空洞率，空洞率决定了层内神经元的连接模式，更高的空洞率可以捕捉更广泛的上下文信息。其中，在卷积层中，空洞率(Dilation Rate)定义了卷积核中相邻元素的间距。传统的卷积操作中，空洞率为1，意味着卷积核中的元素是连续的。增加空洞率会使卷积核“膨胀”，覆盖更广泛的输入区域；空洞卷积能够在不增加计算量的情况下增加感受野(Receptive Field)，即神经元观察到的输入区域；其中，空洞率的设置可以根据实际需求进行设定。
根据问题的复杂性和数据的特点确定隐藏层的数量和每层的神经元数，为每个隐藏层选择合适的激活函数，如ReLU、tanh或sigmoid，激活函数负责引入非线性，使模型能够学习和表示复杂的数据关系；提取的特征被传递到隐藏层，在这里，每个神经元根据其权重和偏置计算得到的加权和通过激活函数进行转换；加权和经过激活函数后，产生非线性输出，这些非线性特征能够更好地表示复杂的数据关系，如健康状况与潜在风险的关联；使用训练数据通过反向传播算法训练模型，在这个过程中，基于损失函数的梯度，调整每个神经元的权重和偏置。
S103.确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
所述健康风险评估等级表示个体的健康状况评估，通常分为不同等级，例如低风险、中风险、高风险等，所述候选保险产品列表包含根据个体需求和风险评估制定的保险产品清单，如针对不同年龄段和不同健康状况的寿险产品。
在一种可选的实施方式中，
确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象包括：
基于所述健康风险评估等级对应的保额范围，确定与所述健康风险评估等级相匹配的候选保险产品列表；
基于所述用户画像类别，确定所述目标对象的保险预算范围以及风险偏好系数，并确定所述保险预算范围对应的保险预算权重以及风险偏好权重，取所述保险预算范围的平均值，结合所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保费得分；
基于所述用户画像类别，评估所述用户画像类别对应的保额需求值，根据所述候选保险产品的实际保额值，结合所述目标对象的保险预算范围、所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保额得分；
分别为所述保费得分分配第一权重值，为所述保额得分分配第二权重值，进行加权求和确定匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
所述保险预算范围表示个体愿意用于购买保险的经济范围，涉及到个体在财务上的可承受程度，以及愿意为保险保障支付的费用，所述风险偏好系数表示个体对于风险的接受程度或偏好程度的系数，所述保险预算权重表示在总预算中为保险购买分配的权重，反映了保险在整体财务规划中的重要性，所述保费得分表示保险产品的费用得分，所述保额需求值表示个体所需要的保险保障金额，基于个体的家庭状况、财务状况、未来规划等因素，不同人的保额需求值可能有很大差异。
为不同的健康风险评估等级定义对应的保额范围，低风险可能对应较低的保额范围，而高风险对应较高的保额范围；
根据用户的画像类别，确定目标对象的保险预算范围，基于收入、家庭状况等因素同时，根据风险偏好系数，确定风险偏好权重，计算保险预算权重，考虑用户在整体预算中为保险分配的比例，示例性地，如果用户预算为总预算的20％，则保险预算权重为0.2，将保险预算范围取平均值，根据风险偏好权重和保险预算权重，计算保费得分，根据健康风险评估等级确定的保额范围，筛选匹配的保险产品，示例性地，如果用户的健康风险评估等级为中等，那么选择保额范围在中等范围内的保险产品；
为不同用户画像类别定义对应的保额需求值，示例性地，高收入人群可能对应较高的保额需求，而低收入人群对应较低的保额需求，结合候选保险产品的实际保额值，通过定义一个保额匹配函数，计算保额得分，用之前计算的保费得分，为保费得分分配第一权重值，为保额得分分配第二权重值，将两个得分进行加权求和，形成匹配度得分，遍历所有候选保险产品，计算每个产品的匹配度得分，选择匹配度最高的保险产品，将其推荐给目标用户。
示例性地，假设用户的画像类别为高收入人群，对应的保额需求值为$500000。候选保险产品的实际保额值分别为$300000、$500000和$700000。已经计算得到的保费得分为$120，保额得分分别为0.6、1.0和0.8，定义权重为第一权重值(保费得分)为0.7，第二权重值(保额得分)为0.3，计算匹配度得分，在这个示例中，最终选择保额为$500000的产品，因为它具有最高的匹配度得分。
本实施例中，根据健康风险评估等级对应的保额范围，选择与目标用户当前健康状况相匹配的候选保险产品，确保了选定的产品在理论上提供了足够的保障，以满足用户的健康需求，于用户画像类别，确定目标对象的保险预算范围以及风险偏好系数。计算保费得分，结合保险预算范围、风险偏好权重以及实际保费值，有助于评估用户对于保费的支付能力和意愿，根据其财务状况和风险承受能力进行保费评估，保额得分的计算有助于评估用户对于保费的支付能力和意愿，根据其财务状况和风险承受能力进行保费评估，通过综合的匹配度评分，确保所推荐的保险产品在保费和保额两方面都符合用户的财务状况和风险偏好，提高了用户对产品的接受度，综上，本实施例为目标用户提供个性化的保险推荐，优化了匹配度，平衡了风险和财务需求，提升用户满意度。
在一种可选的实施方式中，
基于所述用户画像类别，确定所述目标对象的保险预算范围以及风险偏好系数，并确定所述保险预算范围对应的保险预算权重以及风险偏好权重，取所述保险预算范围的平均值，结合所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保费得分如下公式所示：
其中，Scoref表示保费得分，Budget表示保险预算范围的平均值，Premium表示保险产品的年度保费，wbudget表示保险预算权重，RP表示风险偏好系数，wrp表示风险偏好权重；
基于所述用户画像类别，评估所述用户画像类别对应的保额需求值，根据所述候选保险产品的实际保额值，结合所述目标对象的保险预算范围、所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保额得分如下公式所示：
其中，Scoree表示保额得分，Coverage表示实际保额值，DC表示保额需求值，wcoverage表示保额权重。
本实施例中，保费得分函数利用平均预算与实际保费的差异，以及风险偏好系数，为用户提供个性化的保费评估，有助于确保用户的财务状况和风险偏好在保费选择中得到充分考虑，保额得分函数中，综合考虑了实际保额与用户保额需求值的差异、风险偏好系数以及预算范围的因素，为用户提供了更符合其需求和风险偏好的保额评估，有助于用户选择既适应其需求又在财务上可行的保额，综上，本实施例的两个函数过权衡实际费用和保险保额，确保了用户既能够负担得起，又能够满足其风险偏好和保障需求，提供了更全面、综合的保费和保额评估，有助于用户做出更为明智的保险选择，提升了用户满意度。
图2为本发明实施例基于人工智能的人寿保险推荐系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取目标对象的个人信息和历史投保信息，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别；
第二单元，用于获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级；
第三单元，用于确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于人工智能的人寿保险推荐方法，其特征在于，包括：
获取目标对象的个人信息和历史投保信息，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别；
获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级；
确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象；
确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象包括：
基于所述健康风险评估等级对应的保额范围，确定与所述健康风险评估等级相匹配的候选保险产品列表；
基于所述用户画像类别，确定所述目标对象的保险预算范围以及风险偏好系数，并确定所述保险预算范围对应的保险预算权重以及风险偏好权重，取所述保险预算范围的平均值，结合所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保费得分；
基于所述用户画像类别，评估所述用户画像类别对应的保额需求值，根据所述候选保险产品的实际保额值，结合所述目标对象的保险预算范围、所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保额得分；
分别为所述保费得分分配第一权重值，为所述保额得分分配第二权重值，进行加权求和确定匹配度，将匹配度最高的候选保险产品推荐至所述目标对象；
基于所述用户画像类别，确定所述目标对象的保险预算范围以及风险偏好系数，并确定所述保险预算范围对应的保险预算权重以及风险偏好权重，取所述保险预算范围的平均值，结合所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保费得分如下公式所示：
；
其中，表示保费得分，表示保险预算范围的平均值，表示保险产品的年度保费，表示保险预算权重，RP表示风险偏好系数，表示风险偏好权重；
基于所述用户画像类别，评估所述用户画像类别对应的保额需求值，根据所述候选保险产品的实际保额值，结合所述目标对象的保险预算范围、所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保额得分如下公式所示：
；
其中，表示保额得分，表示实际保额值，表示保额需求值，表示保额权重。
2.根据权利要求1所述的方法，其特征在于，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别包括：
分别将所述个人信息特征和所述历史投保特征映射至对应的决策树，每个个人信息特征或者每个历史投保特征都作为决策树的节点，随机选定一个树节点当做当前节点，并且确定当前节点对应的树深度以及节点增益；
若所述树深度小于预设深度阈值，则将当前节点的节点增益以及与所述当前节点相邻的左、右节点的节点增益进行加权求和，并将加权求和结果作为所述当前节点的特征重要值并进行排序，将所述特征重要值排序在前20%对应的个人信息特征和所述历史投保特征，通过所述用户画像模型的核函数映射至高维空间确定线性决策边界；
分别确定所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离，并且引入拉格朗日乘子，以使所述个人信息特征和所述历史投保特征与所述超平面的距离间隔最大化，以此确定所述目标对象的用户画像类别。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括确定所述用户画像模型中的超平面：
所述用户画像模型中的超平面基于平面权重向量和平面偏置项构建；
初始化所述超平面对应的平面权重向量、所述平面权重向量对应的权重动量以及初始化所述超平面对应的平面偏置项、所述平面偏置项对应的偏置动量；
根据所述用户画像模型的损失函数，分别确定所述平面权重向量对应的权重梯度和所述平面偏置项对应的偏置梯度，根据预设的学习率和动量系数，迭代更新所述平面权重向量和所述平面偏置项，直至达到预定的迭代次数。
4.根据权利要求3所述的方法，其特征在于，
迭代更新所述平面权重向量如下公式所示：
；
迭代更新所述平面偏置项如下公式所示：
；
其中，
；
、分别表示第n次迭代和第n-1次迭代的平面权重向量，N表示迭代次数，、分别表示学习率和动量系数，表示权重动量；
、分别表示第n次迭代和第n-1次迭代的平面偏置项，表示偏置动量；
L表示损失函数的损失值，表示正则化参数，表示权重向量的L2范数，I表示样本数量，表示第i个样本的类别标签，表示第i个样本，w、b分别表示平面权重向量和平面偏置项。
5.根据权利要求1所述的方法，其特征在于，获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级之前，所述方法还包括训练所述健康风险评估模型：
按照如下公式所示的方法确定待训练的健康风险评估模型的各层神经元对应的权重值：
；
QH表示神经元对应的权重值，M、K分别表示神经元数量和迭代次数，L表示预测值与预设目标值的损失值，表示第i个神经元在第t次迭代的误差函数值，表示第i个神经元在第t次迭代的预测值，、分别表示输入层传递到隐藏层的值，以及隐藏层传递到输出层的值；
迭代调整各层神经元对应的权重值，直至输出的等级与预先标定的等级偏差小于预设偏差阈值。
6.一种基于人工智能的人寿保险推荐系统，用于实现前述权利要求1至5中任一项所述的基于人工智能的人寿保险推荐方法，其特征在于，包括：
第一单元，用于获取目标对象的个人信息和历史投保信息，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别；
第二单元，用于获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级；
第三单元，用于确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至5中任意一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038366.1A CN118014738B (zh) | 2024-01-10 | 2024-01-10 | 基于人工智能的人寿保险推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410038366.1A CN118014738B (zh) | 2024-01-10 | 2024-01-10 | 基于人工智能的人寿保险推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118014738A CN118014738A (zh) | 2024-05-10 |
| CN118014738B true CN118014738B (zh) | 2024-07-12 |
Family
ID=90946411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410038366.1A Active CN118014738B (zh) | 2024-01-10 | 2024-01-10 | 基于人工智能的人寿保险推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118014738B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191911A (zh) * | 2021-07-01 | 2021-07-30 | 明品云(北京)数据科技有限公司 | 基于用户信息的保险推荐方法、系统、设备及介质 |
| CN115760306A (zh) * | 2022-12-01 | 2023-03-07 | 深圳市前海再保科技有限责任公司 | 一种基于用户健康状况的定制化保险产品推荐方法、系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116823497A (zh) * | 2023-06-07 | 2023-09-29 | 深圳市邦德布拉泽科技有限公司 | 多通道集成的移动端保险服务平台与智能理财工具 |
-
2024
- 2024-01-10 CN CN202410038366.1A patent/CN118014738B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191911A (zh) * | 2021-07-01 | 2021-07-30 | 明品云(北京)数据科技有限公司 | 基于用户信息的保险推荐方法、系统、设备及介质 |
| CN115760306A (zh) * | 2022-12-01 | 2023-03-07 | 深圳市前海再保科技有限责任公司 | 一种基于用户健康状况的定制化保险产品推荐方法、系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118014738A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Parot et al. | Using Artificial Neural Networks to forecast Exchange Rate, including VAR‐VECM residual analysis and prediction linear combination | |
| Zhao et al. | Effects of feature construction on classification performance: An empirical study in bank failure prediction | |
| Kim et al. | The cluster-indexing method for case-based reasoning using self-organizing maps and learning vector quantization for bond rating cases | |
| Zelenkov | Example-dependent cost-sensitive adaptive boosting | |
| US20090089228A1 (en) | Generalized reduced error logistic regression method | |
| Lotfi et al. | Artificial intelligence methods: toward a new decision making tool | |
| Zaky et al. | Predicting banking customer churn based on artificial neural network | |
| US20220012613A1 (en) | System and method for evaluating machine learning model behavior over data segments | |
| Addai | Financial forecasting using machine learning | |
| Guida et al. | Ensemble learning applied to quant equity: gradient boosting in a multifactor framework | |
| KR102409041B1 (ko) | 액터 크리틱 모델을 이용한 포트폴리오 자산배분 강화학습방법 | |
| Bii et al. | Adaptive boosting in ensembles for outlier detection: Base learner selection and fusion via local domain competence | |
| Modhej et al. | Integrating inverse data envelopment analysis and neural network to preserve relative efficiency values | |
| Kale et al. | Forecasting Indian stock market using artificial neural networks | |
| CN116739787A (zh) | 基于人工智能的交易推荐方法及系统 | |
| Borysenko et al. | Intelligent forecasting in multi-criteria decision-making. | |
| CN118014738B (zh) | 基于人工智能的人寿保险推荐方法及系统 | |
| CN116128339A (zh) | 客户信用评估方法及装置、存储介质及电子设备 | |
| Umoh et al. | A fuzzfuzzy-neural intelligent trading model for stock price prediction | |
| Manokhin | Machine learning for probabilistic prediction | |
| Pai et al. | Neural Network Model for Efficient portfolio Management and Time Series Forecasting | |
| McCarthy et al. | Predictive Models Using Neural Networks | |
| Rençber et al. | Reclassification of countries according to human development index: An application with ann and anfis methods | |
| Ekanayake et al. | Sequential datum–wise feature acquisition and classifier selection | |
| Kocaoğlu et al. | Sector-Based Stock Price Prediction with Machine Learning Models |
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 |