CN107330719A - 一种保险产品推荐方法及*** - Google Patents

Abstract

发明提供一种保险产品推荐方法及***，所述方法包括：提取出保险产品的标签，拆解为不同高低层次的各层级标签，并存入标签数据库中，所述标签为保险产品的特征属性；根据存储有各层级标签的标签数据库中的数据，生成与新加入***中的目标产品对应的标签；根据不同用户对应的用户行为向其推荐产品标签，从而间接推荐出相匹配的产品。本发明通过将用户和标签匹配起来，能够给用户推荐他们最适合的保险产品组合；因为产品之间有效的匹配，能够大大加强保障的效果；将保险产品拆分出构成要素的表现形式，***就可以更加精准推荐贴近现实的保险产品；可以知道不同的用户群体，喜欢哪一种标签及产品特点，因而能够针对不同用户的偏好，去给他们推荐更加适合的产品。

Description

一种保险产品推荐方法及***

技术领域

本发明涉及产品推荐***领域，具体涉及一种保险产品推荐方法及***。

背景技术

第一，现有的保险产品推荐***，完全据保险产品自身特性推送到用户，但每款保险产品的构成要素，如保险责任、保险费率、保费交付方式、保险期限、保险赔款或保险金的给付方式都大有不同，难以仅用优/劣两个维度推荐给客户，因为一个保险可以包含许多的特点，是所以并不知道吸引用户的是哪个特点。当用户选择某项产品时，技术后台并不能很清晰地识别，用户看好哪个构成要素，或是看好整个保险产品的哪个要素组合，因此，用户的需求无法被后台记录分析，不符合需求导向型的保险市场要求。

现有的推荐***能够给推荐给客户应该/可能/大体喜欢的产品，运用如人口统计学等统计工具，但具体而言准确率并不高，因为保险产品由各构成要素组合而成，机械套用组合的噪音会很大，难以触及客户的核心需求。

第二，市面上的人身保险产品有上千款，真正热销的产品仅有百余款，推荐的结果基本集中在这百余款经受得住市场检验的产品，难以达到千人千面的个性化配置效果，导致用户的使用轨迹数据不能很好地反应用户的偏好，更因为产品范围囿于“爆款”，推荐产品就基本上跳不出这百来个产品，缺乏多样性，导致新的保险产品面市，大概率会遭遇冷启动的尴尬境地。其中，冷启动是指后台没有用户的数据沉淀情形下，不能推荐或者推荐到结果不够准确。因此，一个之前没有客户关注新产品，除非做特殊处理，否则难以被推荐。

发明内容

本发明的目的在于，为解决上述技术问题，提供。

为解决上述技术问题，本发明采用如下的技术方案：

本发明提供一种保险产品推荐方法，所述方法包括：

S1、提取出保险产品的标签，拆解为不同高低层次的各层级标签，并存入标签数据库中，所述标签为保险产品的特征属性；

S2、根据存储有各层级标签的标签数据库中的数据，生成与新加入***中的目标产品对应的标签；

S3、根据不同用户对应的用户行为向其推荐产品标签，从而间接推荐出相匹配的产品。

进一步的，如前述的保险产品推荐方法，所述将保险产品拆解为高低层次的标签具体为：所述层级标签还包括优化标签；将保险产品的所有构成要素进行拆解获得每个构成要素的多种表现形式，在每种表现形式中提取出标签；并依次将保险产品、优化标签、构成要素和表现形式以树状展开，并用自然语言标识；所述优化标签用于对各构成要素和表现形式进行口语化表现。

更进一步的，如前述的保险产品推荐方法，所述步骤S2还包括：

读取目标产品的条款；对原条款语句进行分词，提取关键词，然后比较所述条款中是否有与所述关键词对应的标签。

更进一步的，如前述的保险产品推荐方法，还包括：

在所述步骤S2之前，在***初始时，录入起初数个保险产品的各层级的标签，并把各个标签相对应的原条款语句共同储存在标签数据库供***启动；

在所述步骤S2之后，通过标签数据库比对从目标产品拆解出来的各层级的标签和原条款语句；继续调整标签和匹配的原条款语句内容，从而提高机器评测的效率。

更进一步的，如前述的保险产品推荐方法，所述步骤S3具体包括：

在***获得早期用户访问的时候，记录用户行为，并将所述用户行为存储到用户行为数据库；同时将用户对所述产品推荐单元在展示产品结果后作出的行为存储到用户行为数据库中；

记录用户的个人维度信息，并将所述个人维度信息也存储到用户行为数据库；

在结合用户行为、产品的标签和用户的个人维度信息之后，获得不同的用户对标签的偏好；

在用户和用户类别已经被***记录的用户再次访问时，根据该用户对标签的偏好，找出有该用户偏好的标签的保险产品，并根据用户对不同的标签的权重，推荐展示相对应的产品结果。

本发明还提供一种保险产品推荐***，包括：产品标签单元、产品分析单元和产品推荐单元；所述产品标签单元包括标签拆解单元；所述产品分析***包括分析模块和标签数据库；

所述标签拆解单元用于提取出保险产品的标签，拆解为不同高低层次的各层级标签，并存入标签数据库中，所述标签为保险产品的特征属性；

所述分析模块用于根据存储有各层级标签的标签数据库中的数据，生成与新加入***中的目标产品对应的标签；

产品推荐单元用于根据不同用户对应的用户行为向其推荐产品标签，从而间接推荐出相匹配的产品。

进一步的，如前述的保险产品推荐***，所述将保险产品拆解为高低层次的标签具体为：所述层级标签还包括优化标签；将保险产品的所有构成要素进行拆解获得每个构成要素的多种表现形式，在每种表现形式中提取出标签；并依次将保险产品、优化标签、构成要素和表现形式以树状展开，并用自然语言标识；所述优化标签用于对各构成要素和表现形式进行口语化表现。

更进一步的，如前述的保险产品推荐***，所述分析模块包括：

条款语句读取模块：用于读取目标产品的条款；

关键词提取及比较模块：用于对原条款语句进行分词，提取关键词，然后比较所述条款中是否有与所述关键词对应的标签。

更进一步的，如前述的保险产品推荐***，所述产品分析单元还包括：初始化模块、对比模块和维护模块；

所述初始化模块：用于在***初始时，录入起初数个保险产品的各层级的标签，并把各个标签相对应的原条款语句共同储存在标签数据库供***启动；

所述对比模块：用于通过标签数据库比对从目标产品拆解出来的各层级的标签和原条款语句；

所述维护模块：用于在所述对比模块的基础上继续调整标签和匹配的原条款语句内容，从而提高机器评测的效率。

更进一步的，如前述的保险产品推荐***，所述产品推荐单元包括：用户行为记录模块、用户信息记录模块、用户偏好获取模块、产品推荐模块和用户行为数据库；

所述用户行为记录模块：用于在推荐***获得早期用户访问的时候，记录用户行为，并将所述用户行为存储到用户行为数据库；

所述用户信息记录模块：用于记录用户的个人维度信息，并将所述个人维度信息存储到用户行为数据库；同时将用户对所述产品推荐单元在展示产品结果后作出的行为存储到用户行为数据库中

所述用户偏好获取模块：用于在结合用户行为、保险产品的标签和用户的个人维度信息之后，获得不同的用户对标签的偏好；

所述产品推荐模块：用于在用户和用户类别已经被推荐***记录的用户再次进入推荐***时，根据该用户对标签的偏好，找出有该用户偏好的标签的保险产品，并根据用户对不同的标签的权重，推荐展示相对应的产品结果。

与现有技术相比，本发明能够根据保险标签推荐保险组合：

将用户和标签匹配起来，能够给用户推荐他们最适合的保险产品组合；因为产品之间有效的匹配，能够大大加强保障的效果；

将保险产品拆分出构成要素的表现形式，也就是将整个保险的特点拆分出来，我们平台和用户端都从中收益巨大，基于此点的推荐***，用户现实的、个性化的保险需求就体现在和各层级标签的关系中，***就可以更加精准推荐贴近现实的保险产品，对症下药，用户端也轻松、简单、直观的买到了所需的保险产品；

通过后台对用户画像数据的分析，可以更加清楚地知道，不同的用户群体，喜欢哪一种标签及产品特点，因而能够针对不同用户的偏好，去给他们推荐更加适合的产品；

反向定制：在收集到足够的投保用户偏好数据后，通过本发明可以根据用户的偏好，以及人群特征，分析出用户的总体需求；并根据得到的数据，给保险公司反向定制保险产品。

将保险拆分成多层级的标签，每个保险产品平均有50个标签，如果市面上有1000个多产品，就可以获得大概30000多个独立的保险标签；海量的保险产品数据规模、快速的数据流转、及多样的数据类型是本发明的竞争优势所在；通过大数据和特定的投保人交互，真正做到的人与大数据匹配，满足投保人特定的保险需求。

附图说明

图1为本发明一种方法流程示意图；

图2为图1中步骤S1的一种具体实施方法示意图；

图3为图1中步骤S2的一种具体实施方法示意图；

图4为图1中步骤S3的一种具体实施方法示意图；

图5为本发明中保险产品-优化标签-构成要素-表现形式树状展开图；

图6中步骤S102的一种具体实施例示意图；

图7为本发明一种实施例中用户及***与优化标签、构成要素、表现形式的交互示意图；

图8为图1中步骤S3的一种具体实施方法图；

图9为本发明***一种实施例模块图。

下面结合附图和具体实施方式对本发明作进一步的说明。

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地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

本发明提供一种保险产品推荐方法，所述方法包括：

S1、提取出保险产品的标签，拆解为不同高低层次的各层级标签标签，并存入标签数据库230中，所述标签为保险产品的特征属性；

S2、根据存储有各层级标签的标签数据库230中的数据，生成与新加入***中的目标产品对应的标签；

S3、根据不同用户对应的用户行为向其推荐产品标签，从而间接推荐出相匹配的产品。

在所述产品标签单元中将所述将保险产品拆解为高低层次的标签具体为：将产品的所有构成要素进行拆解获得每个构成要素的多种表现形式，在每种表现形式中提取出标签；并依次将产品、构成要素和表现形式以树状展开，并用自然语言标识。

图2是步骤S1的一种具体实施方法示意图：

S101，将保险产品拆解为高低层次的标签，并分门别类：

所述将保险产品拆解为高低层次的标签具体为：将产品的所有构成要素进行拆解获得每个构成要素的多种表现形式，在每种表现形式中提取出标签。本文所述的保险产品为已存在于本发明***中的产品，目标产品为新加入本发明***中的产品，具体的，将保险产品的构成要素(TAG A)一一拆解；每一构成要素都有许多表现形式(TAG A-1、2、3)，这些表现形式在不同产品中的可能性进行穷尽，提取出标签特征码，成为构成要素(TAG A)的子集，其中所述保险产品的构成要素主要包括保险责任、保险费率、保费交付方式、保险期限、保险赔款或保险金给付方式等，还包括投保年龄、续保年龄、附加险、性别、犹豫期等细分个性化定制要素。所述表现形式可包括：1、保险责任及除外责任的表现形式；如重疾险的保障疾病范围：一般为行业统一标准25种重大疾病，一般排除原位癌等；2、保险费率的表现形式：可简单理解为与特定风险相对应的保险费；3、保费交付方式的表现形式：一般可简单分为期交和趸交(一次性缴纳)；4、保险期限及观察期的表现形式：可简单理解为保险合同生效日期及保险人义务豁免期间(含续保)；5、保险金(保险赔款)给付方式的表现形式：一次领取、分次领取(如年金、季度等)以及二者混合式；6、缴费方式的表现方式：一次交清、以及按设定时间交清，具体可分为3年、5年、10年、15年、20年、30年。每种表现形式对应的标签数量多少取决于保险产品的特质的多少，某些产品涵盖的特点越多，相对应的标签就会越多。优选的，一个产品有30～60个相匹配的标签。作为***和算法后续分析的基础数据。

S102.依次将产品、构成要素和表现形式以树状展开，并用自然语言标识；所述树状展开中还包括优化标签；并且树状展开方式为产品、优化标签、构成要素和表现形式；所述优化标签用于对各构成要素和表现形式进行口语化表现。具体的，根据市场、用户群体的特点优化构成要素(TAG A)及表现形式(TAG A-1、2、3)，使其呈现为用户可使用自然语言处理的数据，如图5所示，保险产品-优化标签-构成要素(TAG A)-表现形式(TAG A-1、2、3)将呈树状展开，所述优化标签是对各构成要素或表现形式的口语化表达：如无免赔额、性价比高、保障范围广，年化利率高、保终身、享受分红等；并用自然语言展示，方便用户的理解和挑选。

如图6所示，提供一种如上述方法S102的一种实施例：所述保险产品为：某重疾保险，优化标签其中两项为：无免赔额和终身无忧；该优化标签对应构成要素TAG包括：免赔额和保险期间；该优化标签对应表现形式为：无免赔额和保终身；因此根据该标签删选出的就是一种终身全额无起赔金额的名为某重疾保险的保险产品。

S103.用户在推荐***中，***将可通过语音或文本识别，识别用户需求，并根据所述需求定位到对应的优化标签。

如图7所示：优化标签，是与用户交互最多的一层标签，也是普通用户可以了解到的层级，这一层主要是收集不同用户对保险产品大致的需求倾向信息。最底层的标签是表现形式(TAG A-1、2、3)，适合对保险比较了解的用户，这个也是机器智能匹配所用的标签。新的保险产品面市，将投入***识别中去，自动提取出表现形式(TAG A-1、2、3)，分类到构成要素(TAG A)乃至优化标签中去。

这样分层的好处是：

1.最上层优化标签，会随着市场和产品的发展，以及项目组对用户的研究而做出针对性修改，改动较为频繁。分了多层标签，多层标签的设计在于底层标签具有天然的多样性和稳定性；一款产品的变动无需多层级修改一款产品含有的标签，仅需修改上层标签。

2.根据用户对标签的选择，***将建立用户画像模型，评估其对于保险产品的熟悉程度，调整产品推荐功能。

3.让用户直观的了解各标签层级的内在关系，更好地审视自身的保险需求。

图3是步骤S2的一种具体实施方法示意图：

S201、在***初始时，录入起初数个保险产品的各层级的标签，并把各个标签相对应的原条款语句共同储存在标签数据库230供***启动。

S202、根据存储有各层级标签的标签数据库230中的数据，生成与新加入***中的目标产品对应的标签；读取目标产品的条款；对原条款语句进行分词，提取关键词，然后比较所述条款中是否有与所述关键词对应的标签。具体的：***根据标签数据库230中的数据，在目标产品条款中自动识别其是否含有优化标签、构成要素(TAG A)，更重要的是具体的表现形式(TAG A-1、2、3)能被准确记录，并分析提取出相应标签，分门别类。

a).读取目标产品的条款语句；

b).利用自然语言处理(NLP)的理论和方法，将原条款语句分词，提取关键词，然后使用TF-IDF,余弦相似度算法等信息检索及数据挖掘的常用技术去比较条款当中是否有该标签的存在。算法的直观的判断条件为：条款内容相似度越高，存在相对应标签的概率就高。

S203、通过标签数据库230比对从目标产品拆解出来的各层级的标签和原条款语句。具体的：后台提供一个随机比对、全库比对的功能，通过标签数据库230比对从目标产品拆解出来的各层级标签、条款语句，调整***自动识别的灵敏度，偶遇新的产品标签，添加到标签数据库230中。

具体的，针对流程S201、S202、S203提供一个具体实施例如下所述：

当一条款语句：“第七条在本合同有效期内，被保险人于本合同生效或复效之日起一百八十日以后初次发生、并经本公司指定或认可的医疗机构确诊患重大疾病时，本公司按保险单所载保险金额给付重大疾病保险金，本合同效力即行终止。”

1.该条款语句将被提取出下列标签：

(优化标签)观察期长—(TAG A)观察期—(TAG A-n)观察期180天；

标签数据库230中已包含一原条款语句：被保险人于本合同生效或复效之日起一百八十日以后初次发生、并经本公司指定或认可的医疗机构确诊患重大疾病时……

2.对原条款语句进行分析：

1)读取、分词后提取关键词：被保险人/合同/生效/复效/起/一百八十日/….

2)技术处理：

3.比对。

S204、在所述对比模块的基础上继续调整标签和匹配的原条款语句内容，同时上述标签数据库230：当标签提取越来越多的时候，标签***越来越丰富，***的评测效果及效率也越来越高。

图4是步骤S3的一种具体实施方法示意图：

S301、在***获得早期用户访问的时候，记录用户行为，并将所述用户行为存储到用户行为数据库350；将用户对所述产品推荐单元在展示产品结果后作出的行为存储到用户行为数据库350中。

S302、记录用户的个人维度信息，并将所述个人维度信息存储到用户行为数据库350；

S303、在结合用户行为、产品的标签和用户的个人维度信息之后，获得不同的用户对标签的偏好；

S304、在用户和用户类别已经被***记录的用户再次进入***时，根据该用户对标签的偏好，找出有该用户偏好的标签的产品，并根据用户对不同的标签的权重，推荐展示相对应的产品结果。

所述步骤S301进一步包括：所述用户行为存储到用户行为数据库350后；还将用户对所述产品推荐单元在展示产品结果后作出的行为存储到用户行为数据库350中。

如图8所示为步骤S3的一种具体实施例流程图：

a.现有用户来到并使用前端推荐***的时候，***会记录他们的用户行为，并且存到数据库。例如：用户点击的文章的类别、用户看保险评测的偏好，看过的智能呈现的信息，打开过的推荐组合的产品，以及搜索过的信息等。

b.同时也会记录用户的个人维度信息，包括性别，年龄，身份，地区和用户画像等。

c.后台中，会结合用户的行为数据，保险的标签和用户的个人信息，用协同过滤的算法(包括基于用户的，基于内容的，或者两者都交互的算法，算法可根据不同需求增加)去获得不同的用户对标签的偏好。

d.当类似用户(同一用户或者同一类别的用户)进入到本发明的推荐***时，分析模块首先从标签***提取标签作分析，然后分别向推荐***和产品分析单元提供推荐产品信息和推荐标签信息，然后推荐***和产品分析单元便可向类似用户展示相对应的推荐产品组合及推荐评测产品列表结果。

e.推荐***会结合离线和在线推荐两种模式，保证推荐的及时性。

f.用户对于个性化推荐而做出的行为，再一次存入到用户行为数据库350当中，根据当前用户的反馈，能够知道推荐***的有效率，然后做调整，调整推荐逻辑。

如图9所示，本发明还提供一种保险产品推荐***，包括：产品标签单元100、产品分析单元200和产品推荐单元统300；所述产品标签单元100包括标签拆解单元110；所述产品分析***200包括分析模块220和标签数据库230；

所述标签拆解单元110用于提取出保险产品的标签，拆解为不同高低层次的各层级标签标签，并存入标签数据库230中；

所述分析模块220用于根据存储有各层级标签的标签数据库230中的数据，生成与新加入***中的目标产品对应的标签；

产品推荐单元300用于根据不同用户对应的用户行为向其推荐产品标签，从而间接推荐出相匹配的产品。

进一步的，如前述的保险产品推荐***，所述将保险产品拆解为高低层次的标签具体为：将产品的所有构成要素进行拆解获得每个构成要素的多种表现形式，在每种表现形式中提取出标签；并依次将产品、构成要素和表现形式以树状展开，并用自然语言标识。

更进一步的，如前述的保险产品推荐***，所述树状展开中还包括优化标签；并且树状展开方式为产品、优化标签、构成要素和表现形式；所述优化标签用于对各构成要素和表现形式进行口语化表现。

更进一步的，如前述的保险产品推荐***，所述产品标签单元100还包括：语音及文本识别模块120，用于识别用户需求，并根据所述需求定位到对应的优化标签。

更进一步的，如前述的保险产品推荐***，所述分析模块220包括：

条款语句读取模块221：用于读取目标产品的条款；

关键词提取及比较模块222：用于对原条款语句进行分词，提取关键词，然后比较所述条款中是否有与所述关键词对应的标签。

更进一步的，如前述的保险产品推荐***，所述产品分析单元200还包括：初始化模块210、对比模块240和维护模块250；

所述初始化模块210：用于在***初始时，录入起初数个保险产品的各层级的标签，并把各个标签相对应的原条款语句共同储存在标签数据库230供***启动；

所述对比模块240：用于通过标签数据库230比对从目标产品拆解出来的各层级的标签和原条款语句；

所述维护模块250：用于在所述对比模块的基础上继续调整标签和匹配的原条款语句内容，从而提高机器评测的效率。

更进一步的，如前述的保险产品推荐***，所述产品推荐单元300包括：用户行为记录模块310、用户信息记录模块320、用户偏好获取模块330、产品推荐模块340和用户行为数据库350；

所述用户行为记录模块310：用于在推荐***获得早期用户访问的时候，记录用户行为，并将所述用户行为存储到用户行为数据库350；

所述用户信息记录模块320：用于记录用户的个人维度信息，并将所述个人维度信息存储到用户行为数据库350；

所述用户偏好获取模块330：用于在结合用户行为、产品的标签和用户的个人维度信息之后，获得不同的用户对标签的偏好；

所述产品推荐模块340：用于在用户和用户类别已经被推荐***记录的用户再次进入推荐***时，根据该用户对标签的偏好，找出有该用户偏好的标签的产品，并根据用户对不同的标签的权重，推荐展示相对应的产品结果。

更进一步的，如前述的保险产品推荐***，所述产品推荐***包括离线和在线推荐两种模式；所述用户行为记录模块310还用于：将用户对所述产品推荐单元300在展示产品结果后作出的行为存储到用户行为数据库350中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种保险产品推荐方法，其特征在于，所述方法包括：

S1、提取出保险产品的标签，拆解为不同高低层次的各层级标签，并存入标签数据库中，所述标签为保险产品的特征属性；

S2、根据存储有各层级标签的标签数据库中的数据，生成与新加入***中的目标产品对应的标签；

S3、根据不同用户对应的用户行为向其推荐产品标签，从而间接推荐出相匹配的产品。

2.如权利要求1所述的保险产品推荐方法，其特征在于，所述将保险产品拆解为高低层次的标签具体为：所述层级标签还包括优化标签；将保险产品的所有构成要素进行拆解获得每个构成要素的多种表现形式，在每种表现形式中提取出标签；并依次将保险产品、优化标签、构成要素和表现形式以树状展开，并用自然语言标识；所述优化标签用于对各构成要素和表现形式进行口语化表现。

3.如权利要求1所述的保险产品推荐方法，其特征在于，所述步骤S2还包括：

读取目标产品的条款；对原条款语句进行分词，提取关键词，然后比较所述条款中是否有与所述关键词对应的标签。

4.如权利要求1所述的保险产品推荐方法，其特征在于，还包括：

在所述步骤S2之前，在***初始时，录入起初数个保险产品的各层级的标签，并把各个标签相对应的原条款语句共同储存在标签数据库供***启动；

在所述步骤S2之后，通过标签数据库比对从目标产品拆解出来的各层级的标签和原条款语句；继续调整标签和匹配的原条款语句内容，从而提高机器评测的效率。

5.如权利要求1所述的保险产品推荐方法，其特征在于，所述步骤S3具体包括：

在***获得早期用户访问的时候，记录用户行为，并将所述用户行为存储到用户行为数据库；

同时将用户对所述产品推荐单元在展示产品结果后作出的行为存储到用户行为数据库中；

记录用户的个人维度信息，并将所述个人维度信息也存储到用户行为数据库；

在结合用户行为、产品的标签和用户的个人维度信息之后，获得不同的用户对标签的偏好；

在用户和用户类别已经被***记录的用户再次访问时，根据该用户对标签的偏好，找出有该用户偏好的标签的保险产品，并根据用户对不同的标签的权重，推荐展示相对应的产品结果。

6.一种保险产品推荐***，其特征在于，包括：产品标签单元、产品分析单元和产品推荐单元；所述产品标签单元包括标签拆解单元；所述产品分析***包括分析模块和标签数据库；所述标签拆解单元用于提取出保险产品的标签，拆解为不同高低层次的各层级标签，并存入标签数据库中，所述标签为保险产品的特征属性；

所述分析模块用于根据存储有各层级标签的标签数据库中的数据，生成与新加入***中的目标产品对应的标签；

产品推荐单元用于根据不同用户对应的用户行为向其推荐产品标签，从而间接推荐出相匹配的产品。

7.如权利要求6所述的保险产品推荐***，其特征在于，所述将保险产品拆解为高低层次的标签具体为：所述层级标签还包括优化标签；将保险产品的所有构成要素进行拆解获得每个构成要素的多种表现形式，在每种表现形式中提取出标签；并依次将保险产品、优化标签、构成要素和表现形式以树状展开，并用自然语言标识；所述优化标签用于对各构成要素和表现形式进行口语化表现。

8.如权利要求6所述的保险产品推荐***，其特征在于，所述分析模块包括：

条款语句读取模块：用于读取目标产品的条款；

关键词提取及比较模块：用于对原条款语句进行分词，提取关键词，然后比较所述条款中是否有与所述关键词对应的标签。

9.如权利要求6所述的保险产品推荐***，其特征在于，所述产品分析单元还包括：初始化模块、对比模块和维护模块；

所述初始化模块：用于在***初始时，录入起初数个保险产品的各层级的标签，并把各个标签相对应的原条款语句共同储存在标签数据库供***启动；

所述对比模块：用于通过标签数据库比对从目标产品拆解出来的各层级的标签和原条款语句；

所述维护模块：用于在所述对比模块的基础上继续调整标签和匹配的原条款语句内容，从而提高机器评测的效率。

10.如权利要求6所述的保险产品推荐***，其特征在于，所述产品推荐单元包括：用户行为记录模块、用户信息记录模块、用户偏好获取模块、产品推荐模块和用户行为数据库；

所述用户行为记录模块：用于在推荐***获得早期用户访问的时候，记录用户行为，并将所述用户行为存储到用户行为数据库；

所述用户信息记录模块：用于记录用户的个人维度信息，并将所述个人维度信息存储到用户行为数据库；同时将用户对所述产品推荐单元在展示产品结果后作出的行为存储到用户行为数据库中

所述用户偏好获取模块：用于在结合用户行为、保险产品的标签和用户的个人维度信息之后，获得不同的用户对标签的偏好；

所述产品推荐模块：用于在用户和用户类别已经被推荐***记录的用户再次进入推荐***时，根据该用户对标签的偏好，找出有该用户偏好的标签的保险产品，并根据用户对不同的标签的权重，推荐展示相对应的产品结果。