本发明涉及产品推荐技术领域，尤其涉及一种保险产品推荐方法、设备、装置及计算机可读存储介质。
背景技术：
随着保险行业的发展和客户需求的多样化，保险产品的种类越来越多，其复杂性也相应提高，客户的选择难度增大。在保险产品领域中，不同客户群体之间的需求往往存在很大的差别，即使是在经济等背景相似的客户群体中，由于不同客户的保险缺口不同，并且考虑到将购买的保险产品与现有保险产品之间的配合问题，导致为客户推荐合适的保险产品具有很大的难度。目前，主要依赖保险代理人员或保险销售人员为客户进行推荐，这种推荐方式的针对性和准确性较差，难以满足客户的需求。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
技术实现要素：
本发明的主要目的在于提供一种保险产品推荐方法，旨在解决上述保险产品的推荐针对性和准确性差的技术问题，以满足客户的需求。
为实现上述目的，本发明提供一种保险产品推荐方法，所述保险产品推荐方法包括以下步骤：
获取客户的保险缺口信息；
根据所述保险缺口信息，确定所述客户所在的客户类别；
根据所述客户类别确定对应的目标推荐模型；
将所述保险缺口信息作为输入参数输入所述目标推荐模型，得到待推荐给所述客户的保险产品。
优选地，所述获取客户的保险缺口信息的步骤包括：
获取客户的身份信息；
根据所述身份信息，读取所述客户的预存保险信息；
接收所述客户的第一确认指令，并根据所述第一确认指令判断所述预存保险信息是否正确且完整；
若所述预存保险信息正确且完整，根据所述预存保险信息，获取所述客户的保险缺口信息；
若所述预存保险信息不正确或不完整，接收所述客户的第一修正指令；
根据所述第一修正指令修改或补充所述预存保险信息；
根据修改或补充后的所述预存保险信息，获取所述客户的保险缺口信息。
优选地，根据所述保险缺口信息，确定所述客户所在的客户类别的步骤包括：
根据所述保险缺口信息，确定所述客户所在的主类别；
获取所述客户的经济信息；
根据所述经济信息，确定所述客户在所述主类别中的子类别，并将所述子类别作为客户类别。
优选地，在根据所述经济信息，确定所述客户在所述主类别中的子类别的步骤之后，所述根据所述保险信息，确定所述客户所在的客户类别的步骤还包括：
接收所述客户的第二确认指令，并根据所述第二确认指令判断所述子类别是否正确；
若所述子类别正确，将所述子类别作为所述客户所在的客户类别；
若所述子类别不正确，接收所述客户的第二修正指令；
根据所述第二修正指令修改所述子类别，将修改后的所述子类别作为所述客户所在的客户类别。
优选地，根据所述保险缺口信息，确定所述客户所在的客户类别的步骤包括：
获取所述客户的身份信息；
根据所述身份信息，获取所述客户的关联客户；
获取所述关联客户的保险缺口信息；
根据所述客户的保险缺口信息和所述关联客户的保险缺口信息，确定所述客户所在的客户类别。
优选地，所述目标推荐模型采用深度学习算法训练；采用深度学习算法训练所述目标推荐模型的步骤包括：
提取所述客户类别对应的客户中部分客户的客户特征和对应购买的保险产品；
以所述部分客户的客户特征为输入参数，所述部分客户对应购买的保险产品为输出参数，建立训练集和测试集；
根据所述训练集和所述测试集，采用深度学习算法训练所述目标推荐模型，直至所述目标推荐模型的推荐准确率大于或等于第一预设准确率。
优选地，在将所述保险缺口信息作为输入参数输入所述目标推荐模型，得到待推荐给所述客户的保险产品的步骤之后，所述保险产品推荐方法还包括以下步骤：
获取客户购买的保险产品；
根据待推荐给所述客户的保险产品和所述客户购买的保险产品，计算所述目标推荐模型的推荐准确率；
比对所述推荐准确率和第二预设准确率；
当所述推荐准确率小于所述第二预设准确率时，采用深度学习算法再次训练所述客户类别对应的目标推荐模型。
此外，为实现上述目的，本发明还提出一种保险产品推荐设备，所述保险产品推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现保险产品推荐方法的步骤，所述保险产品推荐方法包括以下步骤：获取客户的保险缺口信息；根据所述保险缺口信息，确定所述客户所在的客户类别；根据所述客户类别确定对应的目标推荐模型；将所述保险缺口信息作为输入参数输入所述目标推荐模型，得到待推荐给所述客户的保险产品。
为实现上述目的，本发明还提出一种保险产品推荐装置，所述保险产品推荐装置包括：
信息获取模块，用以获取客户的保险缺口信息；
客户分类模块，用以根据所述保险缺口信息，确定所述客户所在的客户类别；
模型获取模块，用以根据所述客户类别确定对应的目标推荐模型；
产品推荐模块，用以将所述保险缺口信息作为输入参数输入所述目标推荐模型，得到待推荐给所述客户的保险产品。
为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有保险产品推荐程序，所述保险产品推荐程序被处理器执行时实现保险产品推荐方法的步骤，所述保险产品推荐方法包括以下步骤：获取客户的保险缺口信息；根据所述保险缺口信息，确定所述客户所在的客户类别；根据所述客户类别确定对应的目标推荐模型；将所述保险缺口信息作为输入参数输入所述目标推荐模型，得到待推荐给所述客户的保险产品。
在本发明中，保险产品推荐方法包括以下步骤：获取客户的保险缺口信息，从而明确客户需求；根据保险缺口信息，确定客户所在的客户类别；根据客户类别确定对应的目标推荐模型，以针对不同的客户需求，准确并有针对性地推荐保险产品；将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品，以便客户更好地选择自己所需的保险产品。本发明提出的一种保险产品推荐方法中，根据客户的保险缺口信息对客户进行分类，以针对客户最需要以及最可能购买的保险产品对客户进行归集，确定与该客户类别对应的目标推荐模型，采用来源于客户类别本身的信息为客户提供个性化的保险产品推荐，从而大大提高了推荐的针对性和准确性，改善了客户体验，满足了客户的多样化需求。
附图说明
图1为本发明保险产品推荐方法第一实施例的流程示意图；
图2为本发明保险产品推荐方法第二实施例中步骤s100的细化流程示意图；
图3为本发明保险产品推荐方法第三实施例中步骤s200的细化流程示意图；
图4为本发明保险产品推荐方法第四实施例中步骤s200的细化流程示意图；
图5为本发明保险产品推荐方法第五实施例中步骤s200的细化流程示意图；
图6为本发明保险产品推荐方法第六实施例中采用深度学习算法训练目标推荐模型的细化流程示意图；
图7为本发明保险产品推荐方法第七实施例的流程示意图；
图8是本发明实施例方案涉及的硬件运行环境的保险产品推荐设备结构示意图。
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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：根据客户的保险缺口信息对客户进行分类，并针对各个客户类别确定目标推荐模型，为客户推荐保险产品。
由于现有技术中主要依赖保险代理人员或保险销售人员为客户推荐保险产品，导致推荐的针对性和准确性较差，难以满足客户的需求。
本发明提供一种解决方案，根据客户的保险缺口信息将客户分类，并针对各个类别的客户分别确定不同的目标推荐模型，以提高为客户推荐保险产品的针对性和准确性，改善客户体验。
在本发明的第一实施例中，如图1所示，保险产品推荐方法包括以下步骤：
步骤s100、获取客户的保险缺口信息；
客户的保险缺口信息可以由客户直接提供，例如根据客户提供的所需保险，确定保险缺口信息。当然，随着保险产品的复杂性日益提高，客户自己对其所需的保险很可能缺乏准确的把握，在这种情况下，可以根据客户提供的已有保险，结合全面保障的总范围，计算出客户的保险缺口信息。或者，客户的保险缺口信息也可以根据客户的身份、经济等信息确定。例如，根据客户的身份信息，在服务器或数据库中读取出客户已有的保险信息，并结合客户的经济信息得到该客户所需保障的总范围，计算出保险缺口信息，后文中还将详细阐述。需要注意的是，在获取客户的已有保险时，该已有保险可以是客户自己购买的，也可以是他人以客户为被保险人为客户购买的，以保障所获取的保险缺口信息的准确性。
步骤s200、根据保险缺口信息，确定客户所在的客户类别；
根据保险缺口信息，对客户进行分类，也就是根据客户最需要以及最有可能购买的保险对客户进行分类，从而能够根据客户的需求进行有针对性的推荐。例如，将需要疾病险的客户分在疾病险一类，将需要财产险的客户分在财产险一类，或者将需要疾病险和财产险的客户分在疾病财产险一类，以便有效整合各种保险，实现资源的合理配置。当然，对于疾病险等涵盖范围广且较复杂的险种，还可以进一步细分为例如重疾险类，普通疾病险类等。根据保险缺口的分类越细致全面，在后面步骤中针对客户类别所确定的目标推荐模型也就越准确。在确定客户所在的客户类别时，还可以进一步结合客户的身份、经济等其它信息进行细分，后文中还将详细阐述。
步骤s300、根据客户类别确定对应的目标推荐模型；
根据客户类别，确定对应的目标推荐模型，目标推荐模型是针对不同的客户类别分别预先确定的，基于本客户类别中已有的客户数据，也就是基于客户之前的保险产品购买行为对其未来的保险产品购买行为进行预测，因此具有很好的针对性和准确性。
步骤s400、将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品。
根据目标推荐模型，将客户的保险缺口信息输入推荐模型中，以获取待推荐给该客户的保险产品。其中，保险产品可以是某一种具体保险，也可以是几种具体保险的组合，从而提高了保险产品推荐的针对性和准确性，更好地满足了客户的需求。进一步的，可以根据推荐模型获取两个或两个以上的待推荐给客户的保险产品，以待客户选择，一方面提高了客户的选择自由度，另一方面，通过记录客户的选择结果，并根据选择结果构建训练集，还可以更好地在后续过程中对推荐模型进行不断优化，以适应客户需求的变化。
在本实施例中，保险产品推荐方法包括以下步骤：获取客户的保险缺口信息，从而明确客户需求；根据保险缺口信息，确定客户所在的客户类别；根据客户类别确定对应的目标推荐模型，以针对不同的客户需求，准确并有针对性地推荐保险产品；将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品，以便客户更好地选择自己所需的保险产品。本发明提出的一种保险产品推荐方法中，根据客户的保险缺口信息对客户进行分类，以针对客户最需要以及最可能购买的保险产品对客户进行归集，确定与该客户类别对应的目标推荐模型，采用来源于客户类别本身的信息为客户提供个性化的保险产品推荐，从而大大提高了推荐的针对性和准确性，改善了客户体验，满足了客户的多样化需求。
进一步的，如图2所示，本发明第二实施例提供一种保险产品推荐方法，基于上述图1所示的实施例，步骤s100包括：
步骤s110、获取客户的身份信息；
步骤s120、根据身份信息，读取客户的预存保险信息；
步骤s130、接收客户的第一确认指令，并根据第一确认指令判断预存保险信息是否正确且完整；
若预存保险信息正确且完整，执行步骤s140、根据预存保险信息，获取客户的保险缺口信息；
若预存保险信息不正确或不完整，执行步骤s151、接收客户的第一修正指令；
步骤s152、根据第一修正指令修改或补充预存保险信息；
步骤s153、根据修改或补充后的预存保险信息，获取客户的保险缺口信息。
通常，保险缺口信息的获取可以直接根据客户的身份信息在本保险公司的服务器或数据库中读取对应的预存保险信息，以及在已实现数据共享的其它保险公司的服务器或数据库中读取客户对应的预存保险信息，或者，根据客户的身份信息从授权的银行等信息中读取相应的预存保险信息，以避免客户需要手动输入保险信息造成的麻烦。但是，考虑到部分公司或机构之间的数据共享较为困难，或者某些公司或机构的数据更新较慢，都可能导致读取到的预存保险信息不正确或不全面，影响到后续对该客户的保险缺口信息的确定。因此，在本实施例中，在读取到客户的预存保险信息之后，接收客户的第一确认指令，并根据客户的第一确认指令判断预存保险信息是否完整且正确，同时也便于客户了解其目前所具有的保险的情况。当客户确认读取到的预存保险信息正确且完整时，根据预存保险信息获取客户的保险缺口信息，否则，接收客户的第一修正指令，对预存保险信息进行修改或补充，并根据修改或补充后的预存保险信息获取客户的保险缺口信息，从而提高后续步骤中对客户进行分类的准确性。第一确认指令和第一修正指令也可以同时给出，即客户发现预存保险信息存在错误或缺失时，直接对其进行修改或补充。
如图3所示，本发明第三实施例提供一种保险产品推荐方法，基于上述图1所示的实施例，步骤s200包括：
步骤s210、根据保险缺口信息，确定客户所在的主类别；
步骤s220、获取客户的经济信息；
步骤s230、根据经济信息，确定客户在主类别中的子类别，并将子类别作为客户类别。
在对客户进行分类的过程中，根据保险缺口信息，确定客户所在的主类别，其中，主类别主要考虑了客户的需求。然而，为了进一步提高推荐的准确性，不仅要考虑客户的需求，还需要结合客户的承担能力，进一步分类。在本实施例中，根据客户的经济信息，确定客户在主类别中的子类别。经济信息包括客户的存款、不动产、动产、负债等方面的信息，考虑到各种信息在分类依据中所占据的权重，对客户所在的类别进行细分。例如，在缺少人身保险的客户主类别中，存在高收入客户子类别和低收入客户子类别。事实上，不同收入的人群最终所选择的保险产品是可能存在很大差别的，高收入人群可能更倾向于选择全面保障，而低收入人群往往倾向于选择基础保障。因此，进一步将缺少人身保险的客户细分至不同的客户类别，以便在后续训练推荐模型的过程中有更好的针对性和准确性，从而更好地满足客户需求。
进一步的，如图4所示，本发明第四实施例提供一种保险产品推荐方法，基于上述图3所示的实施例，在步骤s230之后，步骤s200还包括：
步骤s240、接收客户的第二确认指令，并根据第二确认指令判断子类别是否正确；
若子类别正确，执行步骤s250、将子类别作为客户所在的客户类别；
若子类别不正确，执行步骤s261、接收客户的第二修正指令；
步骤s262、根据第二修正指令修改子类别，将修改后的子类别作为客户所在的客户类别。
进一步的，在自动对客户进行分类后，通过接收客户的第二确认指令，确认客户是否对自己所在的客户类别存在异议。考虑到一些经济情况处于分类临界点的客户，以及部分对自己的保险需求和偏好了解清晰的客户，可能会对自动分类的结果不满意，通过第二确认指令和第二修正指令，便于客户对自己所在的客户类别进行调整，以满足其个性化需求，提高推荐的准确性。
如图5所示，本发明第五实施例提供一种保险产品推荐方法，基于上述图1所示的实施例，步骤s200包括：
步骤s271、获取客户的身份信息；
步骤s272、根据身份信息，获取客户的关联客户；
步骤s273、获取关联客户的保险缺口信息；
步骤s274、根据客户的保险缺口信息和关联客户的保险缺口信息，确定客户所在的客户类别。
在本实施例中，考虑到客户通常都在一个家庭中，家庭成员里往往还存在老人、儿童等难以自己购买保险产品的成员，并且，以家庭为整体考虑保险产品的配置时，有利于进一步优化保险的合理性。因此，通过获取客户的身份信息，获取客户的关联客户，该关联客户可以是客户所在家庭中的其它成员，或者是客户所在的企业等组织中相关的成员等。关联客户的保险缺口信息也被考虑在该客户所需要的保险产品中，在确定客户类别时，根据客户自身的保险缺口信息和关联客户的保险缺口信息进行分类。有利于在后续的训练过程中实现更好地整合，以提高客户的满意度。
如图6所示，本发明第六实施例提供一种保险产品推荐方法，目标推荐模型采用深度学习算法训练；
采用深度学习算法训练目标推荐模型包括：
步骤s610、提取客户类别对应的客户中部分客户的客户特征和对应购买的保险产品；
步骤s620、以部分客户的客户特征为输入参数，部分客户对应购买的保险产品为输出参数，建立训练集和测试集；
步骤s630、根据训练集和测试集，采用深度学习算法训练目标推荐模型，直至目标推荐模型的推荐准确率大于或等于第一预设准确率。
在根据客户类别确定对应的目标推荐模型之前，需要先确定相应的目标推荐模型。在本实施例中，目标推荐模型是采用深度学习算法训练得到的。具体的，在训练推荐模型的过程中，针对不同的客户类别分别进行训练，以提高模型的针对性和推荐的准确性。在针对每一客户类别训练对应的推荐模型的过程中，所采用的训练集和测试集都是基于本客户类别中已有的客户数据，也就是基于客户之前的保险产品购买行为对其未来的保险产品购买行为进行预测。通常，在训练集的样本数足够、构建的推荐模型的层数足够的情况下，训练的效果也越好，但相应的，训练的效率可能会降低，特别是在推荐模型的层数过大时，还可能出现过度拟合问题。因此，在采用深度学习算法训练推荐模型的过程中，应结合考虑准确性和效率构建训练集和推荐模型，并采用测试集对训练完成的推荐模型进行验证，以提高推荐模型的可靠性。推荐模型的输入参数、隐层参数、输出参数的选择，以及推荐模型的层数选择等，都对最终的训练结果和训练效率具有较大的影响。提取客户类别对应的客户中部分客户的客户特征和对应购买的保险产品，以该部分客户的客户特征为输入参数，对应购买的保险产品为输出参数，建立训练集和测试集。其中，客户特征具体可以包括客户的年龄、收入、家庭情况等信息。在建立训练集时，训练集中的样本数越大，样本覆盖越全面，最终的测试效果也越好。根据训练集和测试集，采用深度学习算法训练推荐模型，结合测试集对推荐模型的测试结果，当推荐准确率大于或等于第一预设准确率时，确定隐层参数以获得完整的推荐模型。
如图7所示，本发明第七实施例提供一种保险产品推荐方法，基于上述图1所示的实施例，在步骤s400之后，保险产品推荐方法还包括以下步骤：
步骤s510、获取客户购买的保险产品；
步骤s520、根据待推荐给客户的保险产品和客户购买的保险产品，计算目标推荐模型的推荐准确率；
步骤s530、比对推荐准确率和第二预设准确率；
步骤s540、当推荐准确率小于第二预设准确率时，采用深度学习算法再次训练客户类别对应的目标推荐模型。
在本实施例中，考虑到随着保险产品的发展和客户观念的变化等，同一类客户最终选择购买的保险产品可能出现变化。因此，在为客户推荐保险产品时，保持对客户购买的保险产品的监控，当目标推荐模型的推荐准确率小于第二预设准确率时，及时再次训练客户类别对应的推荐模型，以保持推荐的针对性和准确性。在计算目标推荐模型的推荐准确率时，可以按照预设时间间隔计算，也就是当累积到预设时间间隔中，客户购买的保险产品的相关数据时，计算上述时间间隔里的推荐准确率。或者，在累积到预设数目的客户购买的保险产品时，计算推荐准确率。其中，各个客户类别的推荐准确率是分别计算的，以确定该客户类别相应的目标推荐模型是否需要再次训练。当然，在资源足够的情况下，也可以根据客户购买的保险产品，始终保持对推荐模型的更新训练，以提高推荐的准确度。
如图8所示，图8是本发明实施例方案涉及的硬件运行环境的保险产品推荐设备结构示意图。
本发明实施例保险产品推荐设备可以是pc，也可以是智能手机、平板电脑、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该保险产品推荐设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，保险产品推荐设备还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图8中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图8所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及保险产品推荐程序。
在图8所示的保险产品推荐设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的保险产品推荐程序，并执行以下操作：
获取客户的保险缺口信息；
根据保险缺口信息，确定客户所在的客户类别；
根据客户类别确定对应的目标推荐模型；
将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品。
进一步地，处理器1001可以调用存储器1005中存储的保险产品推荐程序，获取客户的保险缺口信息的操作包括：
获取客户的身份信息；
根据身份信息，读取客户的预存保险信息；
接收客户的第一确认指令，并根据第一确认指令判断预存保险信息是否正确且完整；
若预存保险信息正确且完整，根据预存保险信息，获取客户的保险缺口信息；
若预存保险信息不正确或不完整，接收客户的第一修正指令；
根据第一修正指令修改或补充预存保险信息；
根据修改或补充后的预存保险信息，获取客户的保险缺口信息。
进一步地，处理器1001可以调用存储器1005中存储的保险产品推荐程序，根据保险缺口信息，确定客户所在的客户类别的操作包括：
根据保险缺口信息，确定客户所在的主类别；
获取客户的经济信息；
根据经济信息，确定客户在主类别中的子类别，并将子类别作为客户类别。
进一步地，处理器1001可以调用存储器1005中存储的保险产品推荐程序，在根据经济信息，确定客户在主类别中的子类别的操作之后，根据保险信息，确定客户所在的客户类别的操作还包括：
接收客户的第二确认指令，并根据第二确认指令判断子类别是否正确；
若子类别正确，将子类别作为客户所在的客户类别；
若子类别不正确，接收客户的第二修正指令；
根据第二修正指令修改子类别，将修改后的子类别作为客户所在的客户类别。
进一步地，处理器1001可以调用存储器1005中存储的保险产品推荐程序，根据保险缺口信息，确定客户所在的客户类别的操作包括：
获取客户的身份信息；
根据身份信息，获取客户的关联客户；
获取关联客户的保险缺口信息；
根据客户的保险缺口信息和关联客户的保险缺口信息，确定客户所在的客户类别。
进一步地，处理器1001可以调用存储器1005中存储的保险产品推荐程序，目标推荐模型采用深度学习算法训练；
采用深度学习算法训练目标推荐模型的操作包括：
提取客户类别对应的客户中部分客户的客户特征和对应购买的保险产品；
以部分客户的客户特征为输入参数，部分客户对应购买的保险产品为输出参数，建立训练集和测试集；
根据训练集和测试集，采用深度学习算法训练目标推荐模型，直至目标推荐模型的推荐准确率大于或等于第一预设准确率。
进一步地，处理器1001可以调用存储器1005中存储的保险产品推荐程序，在将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品的操作之后，还执行以下操作：
获取客户购买的保险产品；
根据待推荐给客户的保险产品和客户购买的保险产品，计算目标推荐模型的推荐准确率；
比对推荐准确率和第二预设准确率；
当推荐准确率小于第二预设准确率时，采用深度学习算法再次训练客户类别对应的目标推荐模型。
本发明实施例还提出一种保险产品推荐装置，保险产品推荐装置包括：
信息获取模块，用以获取客户的保险缺口信息；
客户分类模块，用以根据保险缺口信息，确定客户所在的客户类别；
模型获取模块，用以根据客户类别确定对应的目标推荐模型；
产品推荐模块，用以将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品。
进一步的，信息获取模块包括：
第一信息获取单元，用以获取客户的身份信息；
信息读取单元，用以根据身份信息，读取客户的预存保险信息；
第一修正单元，用以接收客户的第一确认指令，并根据第一确认指令判断预存保险信息是否正确且完整；若预存保险信息正确且完整，根据预存保险信息，获取客户的保险缺口信息；若预存保险信息不正确或不完整，接收客户的第一修正指令；根据第一修正指令修改或补充预存保险信息；根据修改或补充后的预存保险信息，获取客户的保险缺口信息。
进一步的，客户分类模块包括：
分类单元，用以根据保险缺口信息，确定客户所在的主类别；
第二信息获取单元，用以获取客户的经济信息；
分类单元还用以根据经济信息，确定客户在主类别中的子类别，并将子类别作为客户类别。
进一步的，客户分类模块还包括：
第二修正单元，用以接收客户的第二确认指令，并根据第二确认指令判断子类别是否正确；若子类别正确，将子类别作为客户所在的客户类别；若子类别不正确，接收客户的第二修正指令；根据第二修正指令修改子类别，将修改后的子类别作为客户所在的客户类别。
进一步的，第二信息获取单元还用以获取客户的身份信息；根据身份信息，获取客户的关联客户；获取关联客户的保险缺口信息；
分类单元还用以根据客户的保险缺口信息和关联客户的保险缺口信息，确定客户所在的客户类别。
进一步的，目标推荐模型采用深度学习算法训练，保险产品推荐装置还包括深度学习模块，用以采用深度学习算法训练目标推荐模型，深度学习模块包括：
提取单元，用以提取客户类别对应的客户中部分客户的客户特征和对应购买的保险产品；
建立单元，用以以部分客户的客户特征为输入参数，部分客户对应购买的保险产品为输出参数，建立训练集和测试集；
训练单元，用以根据训练集和测试集，采用深度学习算法训练目标推荐模型，直至目标推荐模型的推荐准确率大于或等于第一预设准确率。
进一步的，保险产品推荐装置还包括：
产品获取模块，用以获取客户购买的保险产品；
推荐准确率模块，用以根据待推荐给客户的保险产品和客户购买的保险产品，计算目标推荐模型的推荐准确率；
比对模块，用以比对推荐准确率和第二预设准确率；
深度学习模块还用以当推荐准确率小于第二预设准确率时，采用深度学习算法再次训练客户类别对应的目标推荐模型。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有保险产品推荐程序，所述保险产品推荐程序被处理器执行时实现如下操作：
获取客户的保险缺口信息；
根据保险缺口信息，确定客户所在的客户类别；
根据客户类别确定对应的目标推荐模型；
将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品。
进一步地，保险产品推荐程序被处理器执行时，获取客户的保险缺口信息的操作包括：
获取客户的身份信息；
根据身份信息，读取客户的预存保险信息；
接收客户的第一确认指令，并根据第一确认指令判断预存保险信息是否正确且完整；
若预存保险信息正确且完整，根据预存保险信息，获取客户的保险缺口信息；
若预存保险信息不正确或不完整，接收客户的第一修正指令；
根据第一修正指令修改或补充预存保险信息；
根据修改或补充后的预存保险信息，获取客户的保险缺口信息。
进一步地，保险产品推荐程序被处理器执行时，根据保险缺口信息，确定客户所在的客户类别的操作包括：
根据保险缺口信息，确定客户所在的主类别；
获取客户的经济信息；
根据经济信息，确定客户在主类别中的子类别，并将子类别作为客户类别。
进一步地，保险产品推荐程序被处理器执行时，在根据经济信息，确定客户在主类别中的子类别的操作之后，根据保险信息，确定客户所在的客户类别的操作还包括：
接收客户的第二确认指令，并根据第二确认指令判断子类别是否正确；
若子类别正确，将子类别作为客户所在的客户类别；
若子类别不正确，接收客户的第二修正指令；
根据第二修正指令修改子类别，将修改后的子类别作为客户所在的客户类别。
进一步地，保险产品推荐程序被处理器执行时，根据保险缺口信息，确定客户所在的客户类别的操作包括：
获取客户的身份信息；
根据身份信息，获取客户的关联客户；
获取关联客户的保险缺口信息；
根据客户的保险缺口信息和关联客户的保险缺口信息，确定客户所在的客户类别。
进一步地，保险产品推荐程序被处理器执行时，目标推荐模型采用深度学习算法训练；
采用深度学习算法训练目标推荐模型的操作包括：
提取客户类别对应的客户中部分客户的客户特征和对应购买的保险产品；
以部分客户的客户特征为输入参数，部分客户对应购买的保险产品为输出参数，建立训练集和测试集；
根据训练集和测试集，采用深度学习算法训练目标推荐模型，直至目标推荐模型的推荐准确率大于或等于第一预设准确率。
进一步地，保险产品推荐程序被处理器执行时，在将保险缺口信息作为输入参数输入目标推荐模型，得到待推荐给客户的保险产品的操作之后，还执行以下操作：
获取客户购买的保险产品；
根据待推荐给客户的保险产品和客户购买的保险产品，计算目标推荐模型的推荐准确率；
比对推荐准确率和第二预设准确率；
当推荐准确率小于第二预设准确率时，采用深度学习算法再次训练客户类别对应的目标推荐模型。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。