保险产品推荐方法、装置、计算机设备和存储介质与流程
本申请涉及计算机技术领域，特别是涉及一种保险产品推荐方法、装置、计算机设备和存储介质。
背景技术：
保险即人寿保险，主要作用是在被保险人年老时，或者发生意外或疾病时，为被保险人提供经济保障。随着生活水平的不断提高，购买保险产品的用户越来越多，可选择的保险产品也越来越来。业务员通常会通过电话、短信、电子邮件和面谈等方式主动向用户推荐保险产品。若业务员盲目向用户推荐保险产品，不仅会浪费人力物力，还会引起用户的不满。由此可见，如何确定推荐给用户的保险产品是值得考虑的问题。
目前，通常是由业务员凭借自身经验根据已有的用户数据，确定推荐的保险产品，但是该种推荐方式受限于业务员的自身经验，导致所确定的保险产品不一定适应于相应用户，即导致保险产品的推荐准确度低。而且，当保险产品数量和用户数据的数据量足够大时，业务员需要耗费大量的时间进行分析以确定推荐的保险产品，从而存在推荐效率低的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提高推荐效率的保险产品推荐方法、装置、计算机设备和存储介质。
一种保险产品推荐方法，所述方法包括：
获取与用户标识对应的用户基本数据和保险产品数据；
根据所述保险产品数据，确定所述用户标识对应的保险产品类型和所述保险产品类型对应的保险产品购买数据；
根据所述保险产品类型和所述保险产品购买数据确定保险特征数据；
将所述用户基本数据和所述保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息；
根据所述保险标签信息确定推荐的保险产品。
在其中一个实施例中，所述保险产品数据包括保险产品标识和相应的购买金额；所述保险产品购买数据包括保险产品数量和购买总金额；所述根据所述保险产品数据，确定所述用户标识对应的保险产品类型和所述保险产品类型对应的保险产品购买数据，包括：
根据所述保险产品标识确定所述用户标识对应的保险产品类型；
根据所述保险产品标识和相应的购买金额确定所述保险产品类型对应的保险产品数量和购买总金额。
在其中一个实施例中，所述根据所述保险标签信息确定推荐的保险产品，包括：
根据所述保险标签信息选择已训练的保险产品推荐模型；
将所述用户基本数据和所述保险产品数据输入所述保险产品推荐模型进行预测，获得对应推荐的保险产品。
在其中一个实施例中，所述根据所述保险标签信息确定推荐的保险产品，包括：
根据所述保险标签信息确定所述用户标识所属的用户标识群组；
按照所述用户标识群组对应的保险产品推荐策略参数，确定对应于所述用户标识推荐的保险产品。
在其中一个实施例中，所述保险标签预测模型的训练步骤，包括：
获取与目标用户标识对应的用户基本数据和保险产品数据；
根据所述保险产品数据确定所述目标用户标识对应的保险特征数据；
根据所述用户基本数据和所述保险特征数据，确定所述目标用户标识对应的保险标签信息；
根据所述目标用户标识对应的所述用户基本数据、所述保险特征数据和所述保险标签信息，得到训练样本集；
根据所述训练样本集进行模型训练，获得已训练的保险标签预测模型。
在其中一个实施例中，所述根据所述训练样本集进行模型训练，获得已训练的保险标签预测模型，包括：
根据所述训练样本集分别进行模型训练，获得多个保险标签预测模型；
基于已获取的测试样本集，对训练获得的所述保险标签预测模型分别进行测试，获得相应的预测准确率；
将预测准确率符合预设筛选条件的保险标签预测模型确定为已训练的保险标签预测模型。
一种保险产品推荐装置，所述装置包括：
获取模块，用于获取与用户标识对应的用户基本数据和保险产品数据；
确定模块，用于根据所述保险产品数据，确定所述用户标识对应的保险产品类型和所述保险产品类型对应的保险产品购买数据；
所述确定模块，还用于根据所述保险产品类型和所述保险产品购买数据确定保险特征数据；
预测模块，用于将所述用户基本数据和所述保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息；
推荐模块，用于根据所述保险标签信息确定推荐的保险产品。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取与用户标识对应的用户基本数据和保险产品数据；
根据所述保险产品数据，确定所述用户标识对应的保险产品类型和所述保险产品类型对应的保险产品购买数据；
根据所述保险产品类型和所述保险产品购买数据确定保险特征数据；
将所述用户基本数据和所述保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息；
根据所述保险标签信息确定推荐的保险产品。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取与用户标识对应的用户基本数据和保险产品数据；
根据所述保险产品数据，确定所述用户标识对应的保险产品类型和所述保险产品类型对应的保险产品购买数据；
根据所述保险产品类型和所述保险产品购买数据确定保险特征数据；
将所述用户基本数据和所述保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息；
根据所述保险标签信息确定推荐的保险产品。
上述保险产品推荐方法、装置、计算机设备和存储介质，获取用户标识对应的用户基本数据和保险产品数据，并根据所获取的保险产品数据确定相应的保险特征数据，获得包括用户基本数据和保险特征数据的输入特征。进一步地，通过已训练的保险标签预测模型根据所获得的输入特征进行预测，获得相应的保险标签信息，进而根据保险标签信息对应确定推荐的保险产品。通过自动获取用户基本数据和保险产品数据，根据保险产品数据自动确定相应的保险特征数据，进而确定输入特征，提高了输入特征确定效率，同时通过保险标签预测模型根据输入特征预测获得保险标签信息，提高了预测的准确率和效率，根据保险标签信息自动确定推荐的保险产品，提高了保险产品的推荐效率。
附图说明
图1为一个实施例中保险产品推荐方法的应用场景图；
图2为一个实施例中保险产品推荐方法的流程示意图；
图3为另一个实施例中保险产品推荐方法的流程示意图；
图4为另一个实施例中保险标签预测模型的训练方法的流程示意图；
图5为一个实施例中保险产品推荐装置的结构框图；
图6为另一个实施例中保险产品推荐装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的保险产品推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。服务器104获取与用户标识对应的用户基本数据和保险产品数据，根据所获取的保险产品数据确定相应的保险特征数据，将用户基本数据和保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息，进而确定推荐的保险产品，并将所确定的保险产品推送至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种保险产品推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
s202，获取与用户标识对应的用户基本数据和保险产品数据。
其中，用户基本数据是用于表征用户基本情况的数据。用户基本数据包括用户的姓名、籍贯、出生日期、职业、收入和学历等。保险产品数据是根据用户所购买的保险产品对应生成的数据。保险产品数据包括保险产品标识、保险产品标识对应的购买金额和购买时间、以及有效期限等。保险产品数据还包括用户标识对应的理赔数据。
具体地，服务器接收到终端发送的保险产品推荐指令时，根据所接收到的保险产品推荐指令确定相应的用户标识，获取与所确定的用户标识对应的用户基本数据和保险产品数据。终端检测指定的触发操作，检测到指定触发操作时，根据检测到的指定触发操作对应生成保险产品推荐指令，并将所生成的保险产品推荐指令发送至服务器。指定的触发操作比如对指定触发控件的点击或按压操作，或者在指定界面的点击或滑动操作等。
在一个实施例中，服务器接收到保险产品推荐指令时，根据所接收到的保险产品推荐指令，从其他计算机设备获取与用户标识对应的用户基本数据和保险产品数据。其他计算机设备比如终端，或者用于存储用户数据的服务器。
在一个实施例中，服务器从本地获取预存储的、与用户标识对应的用户基本数据和保险产品数据。服务器本地预存储的用户基本数据和保险产品数据，是预先从其他计算机设备或者在线网络获取并存储在本地的用户数据。
在一个实施例中，服务器从系统数据库中获取用户基本数据和保险产品数据。系统数据库比如crm(customerrelationshipmanagement，客户关系管理)。
在一个实施例中，服务器获取的与用户标识对应的保险产品数据，可以是该用户标识对应的所有保险产品数据，也可以该用户标识在预设时间段内的保险产品数据。预设时间段可以根据实际情况自定义，比如2年。
s204，根据保险产品数据，确定用户标识对应的保险产品类型和保险产品类型对应的保险产品购买数据。
s206，根据保险产品类型和保险产品购买数据确定保险特征数据。
其中，保险特征数据是由用户标识对应的保险产品所构成的特征数据。保险特征数据用于表征用户购买保险产品的总体特征。换而言之，保险特征数据是用户所购买的保险产品的统计数据。保险特征数据包括用户标识对应的保险产品类型和各个保险产品类型对应的保险产品购买数据。保险产品购买数据是根据用户所购买的保险产品对应生成的数据。保险产品购买数据用于表征用户购买保险产品的汇总情况。保险产品购买数据包括保险产品数量和购买总金额。保险特征数据还包括，各个保险产品类型对应的理赔数据。
保险产品类型是指保险产品所属的类型。按照保险产品的特征将各保险产品划分为相应的保险产品类型。从属于相同保险产品类型的保险产品存在至少一种相同或相似的特征。保险产品类型具体可以包括传统险、万能险和投连险。保险产品类型对应的保险产品数量是指从属于该保险产品类型的、与用户标识对应的保险产品的总数量，即用户购买该类型保险产品的总数量。购买总金额是指从属于该保险产品类型的、与用户标识对应的各保险产品所对应的购买金额的总和，即用户购买该类型保险产品的总金额。
具体地，服务器对所获取的保险产品数据进行统计分析，确定相应用户标识所对应的保险产品类型，以及所确定的各保险产品类型所对应的保险产品购买数据。进一步地，服务器将所确定的保险产品类型和各保险产品类型对应的保险产品购买数据，确定为相应用户标识所对应的保险特征数据。其中，统计分析是指对所获取的保险产品数据进行归类汇总的过程。
在一个实施例中，服务器对所获取的保险产品数据进行聚类，确定相应用户标识所对应的保险产品类型，以及各保险产品类型对应的保险产品购买数据。
s208，将用户基本数据和保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息。
其中，保险标签预测模型是根据预先获取的训练样本集进行模型训练获得的预测模型。保险标签预测模型用于根据已知的用户基本数据和相应的保险特征数据预测未知的保险标签信息。保险标签信息是保险标签预测模型根据输入特征进行预测时对应的输出特征。保险标签信息用于表征用户购买保险产品的偏好。保险标签信息反应了用户对于保险产品的购买意向。保险标签信息具体可以是用户偏好购买各类型保险产品的特征信息，比如传统险为主、万能险投连险为辅。保险标签信息也可以是用户购买各类型保险产品的概率，比如购买传统险的概率为90％、购买万能险的概率为40％、购买投连险的概率为20％。保险标签信息还可以是用户偏好的、具体的保险产品类型，比如说传统险。
具体地，服务器将与用户标识对应的用户基本数据和保险特征数据作为输入特征，输入到预先训练好的保险标签预测模型中，通过该保险标签预测模型进行预测，获得与该用户标识对应的保险标签信息。
s210，根据保险标签信息确定推荐的保险产品。
具体地，服务器通过保险标签预测模型预测获得与用户标识对应的保险标签信息时，根据所获得的保险标签信息对应确定向该用户标识所对应的用户推荐的保险产品，并将所确定的保险产品推送至指定终端。
在一个实施例中，服务器本地预先存储了保险标签信息和保险产品标识之间的对应关系。服务器通过保险标签预测模型预测获得保险标签信息时，根据所获得的保险标签信息在本地查询该保险标签信息和保险产品之间的对应关系，根据所查询到的对应关系和预测获得的保险标签信息确定相应的保险产品标识，进而根据所确定的保险产品标识确定推荐的保险产品。
在一个实施例中，服务器根据保险标签信息确定推荐的保险产品后，将所确定的保险产品对应的保险产品标识推送至指定终端。服务器也可以获取该保险产品对应的产品信息，将所获取的产品信息推送至指定终端。其中，产品信息比如保险产品对应的优惠信息。指定终端可以是业务员终端、营业厅终端和销售平台终端等。
在一个实施例中，服务器根据保险标签信息对应确定多于一个的保险产品，将该多于一个的保险产品确定为推荐的保险产品，并推送至指定终端。具体地，服务器本地存储有保险标签信息和保险产品标识之间的对应关系列表，该对应关系列表中，一个保险标签信息可对应多个保险产品标识，一个保险产品标识也可对应多个保险标签信息。服务器根据预测获得的保险标签信息查询对应关系列表，获得相应的一个或多个保险产品标识。
上述保险产品推荐方法，获取用户标识对应的用户基本数据和保险产品数据，并根据所获取的保险产品数据确定相应的保险特征数据，获得包括用户基本数据和保险特征数据的输入特征。进一步地，通过已训练的保险标签预测模型根据所获得的输入特征进行预测，获得相应的保险标签信息，进而根据保险标签信息对应确定推荐的保险产品。通过自动获取用户基本数据和保险产品数据，根据保险产品数据自动确定相应的保险特征数据，进而确定输入特征，提高了输入特征确定效率，同时通过保险标签预测模型根据输入特征预测获得保险标签信息，提高了预测的准确率和效率，根据保险标签信息自动确定推荐的保险产品，提高了保险产品的推荐效率。
在一个实施例中，保险产品数据包括保险产品标识和相应的购买金额；保险产品购买数据包括保险产品数量和购买总金额；步骤s204包括：根据保险产品标识确定用户标识对应的保险产品类型；根据保险产品标识和相应的购买金额确定保险产品类型对应的保险产品数量和购买总金额。
其中，保险产品标识用于唯一标识保险产品。保险产品标识具体可以由数字、字母和符号等字符中的至少一种组成。保险产品类型是保险产品所属的类型。保险产品类型具体可以包括传统险、万能险和投连险。保险产品数量是指用户所购买的、从属于指定保险产品类型的保险产品的总数量。
具体地，服务器本地预存储有保险产品标识与保险产品类型之间的对应关系。服务器获取到与用户标识对应的保险产品标识时，根据保险产品标识与保险产品类型之间的对应关系，分别确定与所获取的各保险产品标识对应的保险产品类型，从而确定用户标识对应的保险产品类型。服务器根据保险产品标识确定用户标识对应的保险产品类型时，统计所确定的各保险产品类型各自对应的保险产品数量。同时，服务器根据所获取的保险产品标识和相应的购买金额，对应确定用户标识对应的各保险产品类型所对应的购买总金额。服务器将所确定的保险产品数量和相应的购买总金额，确定为与相应保险产品类型对应的保险产品购买数据。
在一个实施例中，对于各保险产品类型，服务器在本地预存储有相应的保险产品标识列表。服务器获取到与用户标识对应的保险产品标识时，根据所获取到的保险产品标识查询与各保险产品标识相匹配的保险产品标识列表。服务器根据所查询到的保险产品标识列表确定相应的保险产品类型，将所确定的保险产品类型确定为与用户标识对应的保险产品类型。
在一个实例中，服务器将所获取到的保险产品标识，分别与各保险产品类型所对应的保险产品列表进行匹配，根据匹配成功的保险产品列表确定与用户标识对应的保险产品类别。
上述实施例中，根据用户标识对应的保险产品标识确定相应的保险产品类型，根据保险产品标识和相应的购买金额，确定与所确定的保险产品类别对应的保险产品购买数据，提高了保险产品数据的处理效率，从而提高了推荐效率。
在一个实施例中，步骤s208包括：根据保险标签信息选择已训练的保险产品推荐模型；将用户基本数据和保险产品数据输入保险产品推荐模型进行预测，获得对应推荐的保险产品。
其中，保险产品推荐模型是根据预先获取的训练样本集进行模型训练获得的预测模型。保险产品推荐模型能够根据已知的输入特征预测未知的输出特征。在本实施例中，保险产品推荐模型的输入特征可以是用户基本数据和保险产品数据，预测获得的输出特征是推荐的保险产品。保险产品推荐模型根据用户标识对应的用户基本数据和保险产品数据，预测与该用户标识所对应的购买意向相符合的保险产品，将预测的保险产品确定为推荐给相应用户的保险产品。
具体地，保险标签信息和保险产品推荐模型之间存在预设对应关系。服务器预测获得保险标签信息时，根据该保险标签信息和保险产品推荐模型之间的预设对应关系，确定与该保险标签信息相对应的保险产品推荐模型。服务器将与用户标识对应的用户基本数据和保险产品数据作为输入特征输入所确定的保险产品推荐模型中，通过该保险产品推荐模型进行预测，获得相应的保险产品，将所获得的保险产品确定为推荐给相应用户标识对应的用户的保险产品。
在一个实施例中，服务器本地预存储有多个已训练的保险产品推荐模型，以及每个保险产品推荐模型与保险标签信息之间的预设对应关系。保险产品推荐模型与保险标签信息之间是一对一或者一对多的预设对应关系。
举例说明，一对一的预设对应关系是指一个保险产品推荐模型对应唯一的保险标签信息，比如保险产品推荐模型a对应的保险标签信息为传统险为主、万能险投连险为辅。一对多的预设对应关系是指一个保险产品推荐模型对应多个保险标签信息，比如保险产品推荐模型a对应的保险标签信息为购买传统险的概率为70％-90％、购买万能险的概率为20％-40％、购买投连险的概率为30％-50％。
在一个实施例中，保险产品推荐模型的训练步骤与下述保险标签预测模型的训练步骤相类似。具体地，服务器获取与用户标识对应的用户基本数据和保险产品数据，根据所获取的用户基本数据和保险产品数据对应确定推荐的保险产品。服务器建立初始化的保险产品推荐模型，将用户基本数据和保险产品数据作为输入特征，将推荐的保险产品作为期望的输出特征，对初始化的保险产品推荐模型进行训练，获得已训练的保险产品推荐模型。
上述实施例中，根据预测获得的保险标签信息，通过已训练的保险产品推荐模型进行预测，获得推荐的保险产品，保证了推荐的保险产品的预测稳定性，提高了保险产品的推荐准确性，同时提高了保险产品的推荐效率。
在一个实施例中，步骤s208包括：根据保险标签信息确定用户标识所属的用户标识群组；按照用户标识群组对应的保险产品推荐策略参数，确定对应于用户标识推荐的保险产品。
其中，用户标识群组是由多个用户标识组成的集群。用户标识群组中的各用户标识对应有至少一种相同或相似的特征，比如用户标签群组中的各用户标识对应的保险标签信息相同或相似。保险标签信息相似是指同属于用户标签群组的各用户标识对应的保险标签信息均符合该用户标签群组对应的预设标签信息条件。保险产品推荐策略参数是保险产品推荐策略中的量化参数，用于表征推荐保险产品的策略。保险产品推荐策略参数是服务器确定推荐的保险产品的依据，即服务器依据保险产品推荐策略参数确定对应于用户标识的保险产品。
具体地，服务器本地预存储有保险标签信息和用户标识群组之间的对应关系，以及各用户标识群组对应的保险产品推荐策略参数。服务器预测获得保险标签信息时，根据保险标签信息与用户标识群组之间的对应关系，确定与预测获得的保险标签信息对应的用户标识群组，从而确定相应用户标识所属的用户标识群组。服务器查询与所确定的用户标识群组对应的保险产品推荐策略参数，根据所查询到的保险产品推荐策略参数对应确定推荐的保险产品，将所确定的保险产品确定为对应于相应用户标识推荐的保险产品。
在一个实施例中，对于每个用户标识群组，服务器根据从属于该用户标识群组的各用户标识所对应的保险产品数据，统计该用户标识群组对应的保险产品分布情况，根据统计的保险产品分布情况确定对应于该用户标识群组内的各用户标识推荐的保险产品。
举例说明，用户标识群组包括传统险群组、万能险群组和投连险群组，根据保险标签信息确定用户标识y属于传统险群组。服务器统计该传统险群组中各用户标识对应的、属于传统险类型的保险产品数量，从而确定该传统险群组对应的属于传统险类型的各保险产品数量，根据保险产品数量对各保险产品进行排序，从而确定各保险产品的优先级，并将优先级高的保险产品确定为推荐的保险产品。
上述实施例中，根据预测获得的保险标签信息确定相应用户标识所属的用户标识群组，进而根据该用户标识群组对应的保险产品推荐策略自动确定对应推荐的保险产品，提高保险产品的确定效率，从而提高了推荐效率。
在一个实施例中，保险标签预测模型的训练步骤，包括：获取与目标用户标识对应的用户基本数据和保险产品数据；根据保险产品数据确定目标用户标识对应的保险特征数据；根据用户基本数据和保险特征数据，确定目标用户标识对应的保险标签信息；根据目标用户标识对应的用户基本数据、保险特征数据和保险标签信息，得到训练样本集；根据训练样本集进行模型训练，获得已训练的保险标签预测模型。
其中，目标用户是指获取训练样本的目标对象。目标用户标识用于唯一标识目标用户。目标用户标识是按照预设筛选条件从各用户标识中筛选或指定的多个用户标识。训练样本集是由用于模型训练的多个输入特征和相应输出特征组成的集合。训练样本集包括作为输入特征的用户基本数据和保险特征数据，以及作为期望的输出特征的保险标签信息。
在一个实施例中，目标用户标识对应的保险特征数据包括保险产品标识和相应的购买金额。服务器根据所获取的用户基本数据和保险特征数据确定相应的保险标签信息时，根据保险产品标识和相应的购买金额确定相应目标用户标识对应的保险产品类型，以及各保险产品类型对应的保险产品数量和购买总金额。服务器根据所确定的各保险产品类型对应的保险产品数量和/或购买总金额，对应确定相应目标用户标识对应的保险标签信息。
在一个实施例中，服务器根据目标用户标识对应的各保险产品类型所对应的保险产品数量，确定该目标用户标识对应的保险标签信息。具体地，对于每个目标用户标识，服务器根据各保险产品类型对应的保险产品数量在该目标用户标识对应的保险产品总数量中的占比，确定相应的保险标签信息。
举例说明，目标用户标识x购买保险产品a、b、c、d和e，其中，保险产品a、b和e属于传统险，保险产品c属于万能险，保险产品d属于投连险。该目标用户标识x购买数量最多的保险产品类型为传统险，故对应确定的保险标签信息为传统险为主、万能险投连险为辅。对应确定的保险标签信息也可以是传统险，或者按照占比计算获得的购买概率。
在一个实施例中，服务器根据所确定的各保险产品类型对应购买总金额，对应确定相应目标用户标识对应的保险标签信息。举例说明，目标用户标识x购买的各保险产品a、b、c、d和e，对应的购买金额分别为1万元、0.5万元、50万元、2万元、0.3万元，根据购买总金额对应确定的保险标签信息为万能险，或者是万能险为主、传统险投连险为辅，或者是按购买总金额确定的占比概率。
在一个实施例中，服务器根据所确定的各保险产品类型对应的保险产品数量和购买总金额，对应确定相应目标用户标识对应的保险标签信息。
在一个实施例中，服务器进行模型训练时可选择的机器学习算法包括逻辑回归算法、决策树、随机森林、神经网络和支持向量机等。服务器根据训练样本集按照选择的机器学习算法进行模型训练，获得已训练的保险标签预测模型。
举例说明，以逻辑回归算法为例，其对应的逻辑回归函数为：
上述实施例中，通过所获取的训练样本集进行模型训练，获得相应的保险标签预测模型，以便于通过该保险标签预测模型进行自动预测，获得相应的保险标签信息，提高了预测的准确性和效率，从而提高了推荐的准确性和效率。
在一个实施例中，根据训练样本集进行模型训练，获得已训练的保险标签预测模型，包括：根据训练样本集分别进行模型训练，获得多个保险标签预测模型；基于已获取的测试样本集，对训练获得的保险标签预测模型分别进行测试，获得相应的预测准确率；将预测准确率符合预设筛选条件的保险标签预测模型确定为已训练的保险标签预测模型。
其中，预测准确率是指保险标签预测模型进行预测时预测结果的准确度。预测准确率是预测结果中预测正确的保险标签信息在预测输出的总保险标签信息中的占比。预测准确率用于表征保险标签预测模型的预测效果。
具体地，服务器根据所获取的训练样本集，按照指定的多种机器学习算法分别进行模型训练，获得相应的多个保险标签预测模型。对于训练获得的每个保险标签预测模型，服务器将测试样本集中的用户基本数据和保险特征数据作为输入特征输入保险标签预测模型进行预测，获得预测输出的保险标签信息。服务器将预测输出的保险标签信息和测试样本集中与输入特征对应的保险标签信息进行匹配，当匹配成功时表明预测结果为预测正确。服务器对测试样本集中的每个输入特征执行上述步骤，分别获得相应的预测结果，统计预测结果中表示预测正确的预测结果数量，从而计算相应保险标签预测模型的预测准确率。
进一步地，服务器从训练获得的多个保险标签预测模型中，筛选预测准确率最高的保险标签预测模型作为已训练的保险标签预测模型，并将筛选出的保险标签预测模型用于保险产品推荐过程中的保险标新信息预测。其中，指定的机器学习算法可以是逻辑回归算法、决策树算法、随机森林算法、神经网络算法或支持向量机等。
在一个实施例中，服务器从训练获得的多个保险标签预测模型中，筛选预测准确率达到预设准确率阈值的一个或多个保险标签预测模型，将筛选出的一个或多个保险标签预测模型确定为已训练的保险标签预测模型。
在一个实施例中，保险产品推荐过程中，服务器将所获取的用户基本数据和相应的保险特征数据作为输入特征分别输入筛选出的多个保险标签预测模型进行预测，获得相应的多个保险标签信息。服务器根据预测获得的多个保险标签信息确定最终的目标保险标签信息。根据多个保险标签信息确定目标保险标签信息可以按照投票机制将票数(数量)最多的保险标签信息确定为目标保险标签信息，也可以按照加权求值方式确定目标保险标签信息。
上述实施例中，通过模型训练获得多个保险标签预测模型，并通过测试样本集对训练获得的多个保险标签预测模型进行测试，以筛选预测准确率符合预设筛选条件的保险标签预测模型，通过筛选出的保险标签预测模型进行预测，能够提高预测准确率。
如图3所示，在一个实施例中，提供了一种保险产品推荐方法，该方法包括以下步骤：
s302，获取与用户标识对应的用户基本数据和保险产品数据；保险产品数据包括保险产品标识和相应的购买金额。
s304，根据保险产品标识确定用户标识对应的保险产品类型。
s306，根据保险产品标识和相应的购买金额确定保险产品类型对应的保险产品数量和购买总金额。
s308，根据保险产品类型和保险产品购买数据确定保险特征数据。
s310，将用户基本数据和保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息。
s312，根据保险标签信息选择已训练的保险产品推荐模型。
s314，将用户基本数据和保险产品数据输入保险产品推荐模型进行预测，获得对应推荐的保险产品。
s316，根据保险标签信息确定用户标识所属的用户标识群组。
s318，按照用户标识群组对应的保险产品推荐策略参数，确定对应于用户标识推荐的保险产品。
上述实施例中，根据已获得的保险产品数据自动确定相应的保险特征数据，并通过已训练的保险标签预测模型根据已获取的用户基本数据和保险特征数据进行自动预测，获得相应的保险标签信息，进而确定对应于用户标识推荐的保险产品，提高了预测的准确性和效率，从而提高了推荐的准确性和效率。
如图4所示，在一个实施例中，提供了一种保险标签预测模型的训练方法，该方法具体包括以下步骤：
s402，获取与目标用户标识对应的用户基本数据和保险产品数据。
s404，根据保险产品数据确定目标用户标识对应的保险特征数据。
s406，根据用户基本数据和保险特征数据，确定目标用户标识对应的保险标签信息。
s408，根据目标用户标识对应的用户基本数据、保险特征数据和保险标签信息，得到训练样本集。
s410，根据训练样本集分别进行模型训练，获得多个保险标签预测模型。
s412，基于已获取的测试样本集，对训练获得的保险标签预测模型分别进行测试，获得相应的预测准确率。
s414，将预测准确率符合预设筛选条件的保险标签预测模型确定为已训练的保险标签预测模型。
上述实施例中，根据训练样本集进行训练，获得相应的保险标签预测模型，根据测试样本集对训练获得的保险标签预测模型进行测试，筛选预测准确率高的保险标签预测模型作为已训练的保险标签预测模型，提高了预测准确性。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种保险产品推荐装置500，包括：获取模块501、确定模块502、预测模块503和推荐模块504，其中：
获取模块501，用于获取与用户标识对应的用户基本数据和保险产品数据。
确定模块502，用于根据保险产品数据，确定用户标识对应的保险产品类型和保险产品类型对应的保险产品购买数据。
确定模块502，还用于根据保险产品类型和保险产品购买数据确定保险特征数据。
预测模块503，用于将用户基本数据和保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息。
推荐模块504，用于根据保险标签信息确定推荐的保险产品。
在一个实施例中，保险产品数据包括保险产品标识和相应的购买金额；保险产品购买数据包括保险产品数量和购买总金额；确定模块502，还用于根据保险产品标识确定用户标识对应的保险产品类型；根据保险产品标识和相应的购买金额确定保险产品类型对应的保险产品数量和购买总金额。
在一个实施例中，推荐模块504，还用于根据所述保险标签信息选择已训练的保险产品推荐模型；将所述用户基本数据和所述保险产品数据输入所述保险产品推荐模型进行预测，获得对应推荐的保险产品。
在一个实施例中，推荐模块504，还用于所述根据所述保险标签信息确定推荐的保险产品，包括：根据所述保险标签信息确定所述用户标识所属的用户标识群组；按照所述用户标识群组对应的保险产品推荐策略参数，确定对应于所述用户标识推荐的保险产品。
如图6所示，在一个实施例中，保险产品推荐装置500，还包括：模型训练模型505。
模型训练模型505，用于获取与目标用户标识对应的用户基本数据和保险产品数据；根据所述保险产品数据确定所述目标用户标识对应的保险特征数据；根据所述用户基本数据和所述保险特征数据，确定所述目标用户标识对应的保险标签信息；根据所述目标用户标识对应的所述用户基本数据、所述保险特征数据和所述保险标签信息，得到训练样本集；根据所述训练样本集进行模型训练，获得已训练的保险标签预测模型。
在一个实施例中，模型训练模型505，还用于根据所述训练样本集分别进行模型训练，获得多个保险标签预测模型；基于已获取的测试样本集，对训练获得的所述保险标签预测模型分别进行测试，获得相应的预测准确率；将预测准确率符合预设筛选条件的保险标签预测模型确定为已训练的保险标签预测模型。
关于保险产品推荐装置的具体限定可以参见上文中对于保险产品推荐方法的限定，在此不再赘述。上述保险产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储与用户标识对应的用户基本数据和保险产品数据，以及与保险标签信息对应的保险产品等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种保险产品推荐方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取与用户标识对应的用户基本数据和保险产品数据；根据保险产品数据，确定用户标识对应的保险产品类型和保险产品类型对应的保险产品购买数据；根据保险产品类型和保险产品购买数据确定保险特征数据；将用户基本数据和保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息；根据保险标签信息确定推荐的保险产品。
在一个实施例中，保险产品数据包括保险产品标识和相应的购买金额；保险产品购买数据包括保险产品数量和购买总金额；根据保险产品数据，确定用户标识对应的保险产品类型和保险产品类型对应的保险产品购买数据，包括：根据保险产品标识确定用户标识对应的保险产品类型；根据保险产品标识和相应的购买金额确定保险产品类型对应的保险产品数量和购买总金额。
在一个实施例中，根据保险标签信息确定推荐的保险产品，包括：根据保险标签信息选择已训练的保险产品推荐模型；将用户基本数据和保险产品数据输入保险产品推荐模型进行预测，获得对应推荐的保险产品。
在一个实施例中，根据保险标签信息确定推荐的保险产品，包括：根据保险标签信息确定用户标识所属的用户标识群组；按照用户标识群组对应的保险产品推荐策略参数，确定对应于用户标识推荐的保险产品。
在一个实施例中，处理器执行计算机程序时还实现保险标签预测模型的训练步骤，包括：获取与目标用户标识对应的用户基本数据和保险产品数据；根据保险产品数据确定目标用户标识对应的保险特征数据；根据用户基本数据和保险特征数据，确定目标用户标识对应的保险标签信息；根据目标用户标识对应的用户基本数据、保险特征数据和保险标签信息，得到训练样本集；根据训练样本集进行模型训练，获得已训练的保险标签预测模型。
在一个实施例中，根据训练样本集进行模型训练，获得已训练的保险标签预测模型，包括：根据训练样本集分别进行模型训练，获得多个保险标签预测模型；基于已获取的测试样本集，对训练获得的保险标签预测模型分别进行测试，获得相应的预测准确率；将预测准确率符合预设筛选条件的保险标签预测模型确定为已训练的保险标签预测模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取与用户标识对应的用户基本数据和保险产品数据；根据保险产品数据，确定用户标识对应的保险产品类型和保险产品类型对应的保险产品购买数据；根据保险产品类型和保险产品购买数据确定保险特征数据；将用户基本数据和保险特征数据输入已训练的保险标签预测模型进行预测，获得相应的保险标签信息；根据保险标签信息确定推荐的保险产品。
在一个实施例中，保险产品数据包括保险产品标识和相应的购买金额；保险产品购买数据包括保险产品数量和购买总金额；根据保险产品数据，确定用户标识对应的保险产品类型和保险产品类型对应的保险产品购买数据，包括：根据保险产品标识确定用户标识对应的保险产品类型；根据保险产品标识和相应的购买金额确定保险产品类型对应的保险产品数量和购买总金额。
在一个实施例中，根据保险标签信息确定推荐的保险产品，包括：根据保险标签信息选择已训练的保险产品推荐模型；将用户基本数据和保险产品数据输入保险产品推荐模型进行预测，获得对应推荐的保险产品。
在一个实施例中，根据保险标签信息确定推荐的保险产品，包括：根据保险标签信息确定用户标识所属的用户标识群组；按照用户标识群组对应的保险产品推荐策略参数，确定对应于用户标识推荐的保险产品。
在一个实施例中，计算机程序被处理器执行时还实现保险标签预测模型的训练步骤，包括：获取与目标用户标识对应的用户基本数据和保险产品数据；根据保险产品数据，确定目标用户标识对应的保险特征数据；根据用户基本数据和保险特征数据，确定目标用户标识对应的保险标签信息；根据目标用户标识对应的用户基本数据、保险特征数据和保险标签信息，得到训练样本集；根据训练样本集进行模型训练，获得已训练的保险标签预测模型。
在一个实施例中，根据训练样本集进行模型训练，获得已训练的保险标签预测模型，包括：根据训练样本集分别进行模型训练，获得多个保险标签预测模型；基于已获取的测试样本集，对训练获得的保险标签预测模型分别进行测试，获得相应的预测准确率；将预测准确率符合预设筛选条件的保险标签预测模型确定为已训练的保险标签预测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！