本发明涉及计算机,尤其涉及一种基于时序相似性的保险推荐方法、系统、设备及存储介质。
背景技术:
1、随着科学技术的发展,获取数据并利用数据建模以解决相应的问题,已经是非常常见的技术手段,例如,各个保险购买平台会收集用户的保险购买、受理、记录等数据,并根据收集的记录数据构建保险推荐模型,以最大限度推荐用户感兴趣的保险套餐,提高推荐转化率。
2、目前常用的保险推荐方法通常是依靠企业平台的基本客户数据,采用基于机器学习的算法来预测保险产品类别的需求,现有保险推荐方法往往是根据用户的个人信息来为用户推荐相适配的保险套餐,但是用户的需求和爱好并不是一成不变的,而现有的保险推荐方法无法及时更新用户的需求和爱好的变化,从而导致现有的保险推荐方法准确率不高。
技术实现思路
1、本发明提供一种基于时序相似性的保险推荐方法、系统、设备及存储介质,其主要目的在于在保险推荐过程中有效融入用户属性信息随时间推移发生的变化,有效提高保险推荐的准确率。
2、第一方面,本发明实施例提供一种基于时序相似性的保险推荐方法,包括:
3、获取数据库中当前时段的关系拓补网络,所述当前时段的关系拓补网络包括多个历史采样时刻的关系拓补网络,所述历史采样时刻的关系拓补网络包括所述数据库中所有用户、所述历史采样时刻所述数据库中任意两个用户之间的社交关系和所述历史采样时刻的用户属性特征矩阵,所述历史采样时刻通过对所述当前时段进行采样得到,最接近所述当前时段中终点时刻的历史采样时刻被作为当前采样时刻;
4、根据所述历史采样时刻的关系拓补网络,获取所述历史采样时刻的用户邻接矩阵;
5、根据所述历史采样时刻的用户属性特征矩阵和前一历史采样时刻的用户属性特征矩阵,获取所述历史采样时刻的用户时序特征矩阵,并根据所述历史采样时刻的用户时序特征矩阵,获取所述历史采样时刻的用户相似性矩阵;
6、根据所述当前采样时刻的用户邻接矩阵、所述当前采样时刻的用户属性特征矩阵和所述当前采样时刻的用户相似性矩阵,基于训练后的图卷积神经网络中,获取所述当前采样时刻对应的最优低维表示特征,其中,训练后的图卷积神经网络由所述历史采样时刻的用户邻接矩阵、所述历史采样时刻的用户属性特征矩阵和所述历史采样时刻的用户相似性矩阵进行训练得到;
7、根据所述当前采样时刻对应的最优低维表示特征,基于训练后的支持向量机,获取所述当前采样时刻所述数据库中用户的保险购买倾向。
8、优选地,所述根据所述历史采样时刻的用户属性特征矩阵和前一历史采样时刻的用户属性特征矩阵,获取所述历史采样时刻的用户时序特征矩阵,通过如下公式实现:
9、
10、其中,bt表示第t个历史采样时刻的用户时序特征矩阵,xt表示第t个历史采样时刻的用户属性特征矩阵,xt-1表示第t-1个历史采样时刻的用户属性特征矩阵,m表示所有历史采样时刻和当前采样时刻的总数量,t、m均为正整数。
11、优选地,所述根据所述历史采样时刻的用户时序特征矩阵,获取所述历史采样时刻的的用户相似性矩阵,通过如下公式实现:
12、
13、其中,表示第t个历史采样时刻第i行第j列的元素,表示第t个历史采样时刻的用户时序特征矩阵中的第i行向量,表示第t个历史采样时刻的用户时序特征矩阵中的第j行向量,n表示所述数据库中用户数量,i、j、n均为正整数。
14、优选地,所述根据所述当前采样时刻的用户邻接矩阵、所述当前采样时刻的用户属性特征矩阵和所述当前采样时刻的用户相似性矩阵,基于训练后的图卷积神经网络中,获取所述当前采样时刻对应的最优低维表示特征,通过如下公式实现:
15、
16、
17、
18、i≠j,1≤i≤n,1≤j≤n,
19、其中,所述当前采样时刻为第m个历史采样时刻,hm表示所述当前采样时刻对应的最优低维表示特征,εgcn表示训练后的图卷积神经网络,xm表示所述当前采样时刻的用户属性特征矩阵,am表示所述当前采样时刻的用户邻接矩阵,sm表示所述当前采样时刻的用户相似性矩阵,wm表示所述当前采样时刻的预设权重矩阵,σ表示线性整流函数,表示度矩阵,in表示所述当前采样时刻的用户相似性矩阵对应的单位矩阵,表示所述当前采样时刻的参考矩阵,表示所述度矩阵的第i行第j列元素,表示所述当前采样时刻的参考矩阵的第i行第j列的元素,i、j、m、n均为正整数。
20、优选地,训练后的图卷积神经网络通过如下步骤获得:
21、将所述历史采样时刻的用户邻接矩阵、所述历史采样时刻的用户属性特征矩阵和所述历史采样时刻的用户相似性矩阵作为第一训练样本;
22、利用所述第一训练样本对初始图卷积神经网络进行训练,若所述初始图卷积神经网络对应的损失函数或训练次数不满足目标条件,则调整所述初始图卷积神经网络的参数,重新进行利用所述训练样本对调整后的初始图卷积神经网络进行训练,直到调整后所述初始图卷积神经网络对应的损失函数或者训练次数满足所述目标条件,并获取训练后的图卷积神经网络。
23、优选地,所述目标条件包括训练次数等于所述预设次数,和,相邻两次训练对应的损失函数之差小于预设损失阈值。
24、优选地,训练后的支持向量机通过如下步骤获得:
25、根据所述历史采样时刻的用户邻接矩阵、所述历史采样时刻的用户属性特征矩阵和所述历史采样时刻的用户相似性矩阵,基于训练后的图卷积神经网络,获取所述历史采样时刻的最优低维表示特征;
26、以所述历史采样时刻的最优低维表示特征作为第二训练样本、以所述历史采样时刻的保险购买意向为训练标签,对初始支持向量机进行训练,获取训练后的支持向量机。
27、第二方面,本发明实施例提供一种基于时序相似性的保险推荐系统,包括:
28、拓补模块,用于获取数据库中当前时段的关系拓补网络,所述当前时段的关系拓补网络包括多个历史采样时刻的关系拓补网络,所述历史采样时刻的关系拓补网络包括所述数据库中所有用户、所述历史采样时刻所述数据库中任意两个用户之间的社交关系和所述历史采样时刻的用户属性特征矩阵,所述历史采样时刻通过对所述当前时段进行采样得到,最接近所述当前时段中终点时刻的历史采样时刻被作为当前采样时刻;
29、邻接模块,用于根据所述历史采样时刻的关系拓补网络,获取所述历史采样时刻的用户邻接矩阵;
30、相似模块,用于根据所述历史采样时刻的用户属性特征矩阵和前一历史采样时刻的用户属性特征矩阵,获取所述历史采样时刻的用户时序特征矩阵,并根据所述历史采样时刻的用户时序特征矩阵,获取所述历史采样时刻的用户相似性矩阵;
31、表示模块,用于根据所述当前采样时刻的用户邻接矩阵、所述当前采样时刻的用户属性特征矩阵和所述当前采样时刻的用户相似性矩阵,基于训练后的图卷积神经网络中,获取所述当前采样时刻对应的最优低维表示特征,其中,训练后的图卷积神经网络由所述历史采样时刻的用户邻接矩阵、所述历史采样时刻的用户属性特征矩阵和所述历史采样时刻的用户相似性矩阵进行训练得到;
32、预测模块,用于根据所述当前采样时刻对应的最优低维表示特征,基于训练后的支持向量机,获取所述当前采样时刻所述数据库中用户的保险购买倾向。
33、第三方面,本发明实施例提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于时序相似性的保险推荐方法的步骤。
34、第四方面,本发明实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于时序相似性的保险推荐方法的步骤。
35、本发明实施例提供一种基于时序相似性的保险推荐方法、系统、设备及存储介质,通过多个历史采样时刻的用户邻接矩阵、用户属性特征矩阵和用户相似性矩阵,对图卷积神经网络进行训练,得到训练后的图卷积神经网络;利用多个历史采样时刻的最优低维表示矩阵,对支持向量机进行训练,得到训练后的支持向量机;并利用训练后的图卷积神经网络、训练后的支持向量机,来预测当前采样时刻数据库中用户的保险购买倾向。本发明实施例中根据历史采样时刻的关系拓补网络中的用户属性特征矩阵之间的差异性,得到历史采样时刻的用户时序特征属性,通过该用户时序特征属性,可以考虑到用户个人属性信息随时间的变化情况,从而提高保险推荐的准确度;根据用户时序特征属性,得到用户相似性矩阵,通过用户相似性矩阵来指导图卷积神经网络中的消息聚合的策略,可以融合用户个人属性信息变化对保险购买意向造成的影响,进一步提高保险推荐的准确度;通过关系拓补网络,可以将用户社交关系融合在该保险推荐方法中,从而进一步提高保险推荐的准确度。