CN109360072A - 保险产品推荐方法、装置、计算机设备及存储介质 - Google Patents

保险产品推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109360072A
CN109360072A CN201811347747.9A CN201811347747A CN109360072A CN 109360072 A CN109360072 A CN 109360072A CN 201811347747 A CN201811347747 A CN 201811347747A CN 109360072 A CN109360072 A CN 109360072A
Authority
CN
China
Prior art keywords
insurance products
personality
label
user
preset
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.)
Granted
Application number
CN201811347747.9A
Other languages
English (en)
Other versions
CN109360072B (zh
Inventor
王杰
庄伯金
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811347747.9A priority Critical patent/CN109360072B/zh
Publication of CN109360072A publication Critical patent/CN109360072A/zh
Application granted granted Critical
Publication of CN109360072B publication Critical patent/CN109360072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明实施例公开了一种保险产品推荐方法、装置、计算机设备及存储介质，包括下述步骤：获取用户的音乐活动数据；将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签；从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，并将所述目标保险产品推送到所述用户登录的网页中。由于音乐数据能真实的反映用户的性格特征，因此，一方面可以有针对性的推荐保险产品，提高保险产品的购买转换率；另一方面，对于有购买保险需求的用户来说，可以及时的获取到符合自身需求的保险产品，过程便捷，进而节省了用户的精力。

Description

保险产品推荐方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及金融领域，尤其是一种保险产品推荐方法、装置、计算机设备及存储介质。
背景技术
随着互联网技术的发展，越来越多的行业采用了互联网的形式，例如，微博、音乐、购物、通讯、金融产品等，为人们生活提供了极大的便利。其中，金融产品包括各种理财工具，例如，保险产品。
保险是用来规划人生财务的一种工具，是市场经济条件下风险管理的基本手段，是金融和社会保障的重要支柱。随着人们理财意识的逐渐增强，保险成为常用的理财手段。现有技术中，用户购买保险产品时，需要咨询保险代理人来选择适合自己的保险产品，过程较为复杂。同时，保险公司在向用户推荐保险产品时，没有明确的目标用户，导致推荐的转换率较低。
发明内容
本发明实施例提供一种保险产品推荐方法、装置、计算机设备及存储介质。
为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种保险产品推荐方法，包括下述步骤：
获取用户的音乐活动数据；
将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签；
从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，并将所述目标保险产品推送到所述用户登录的网页中。
可选地，所述保险产品数据库中，每个保险产品都包含适用的群体的性格标签；所述从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，包括：
将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；
当比对一致时，将比对一致的标签所指向的保险产品作为所述目标保险产品。
可选地，当所述用户的性格标签和所述保险产品的标签均为多个时，所述从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，包括：
将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；
当所述用户的性格标签与所述保险产品数据库中保险产品的标签存在相同的标签时，确定每一种保险产品中与所述用户的性格标签相同的标签数量；
将标签数量最多的保险产品作为所述目标保险产品。
可选地，所述将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签之前，还包括
通过预设的特征提取软件对所述音乐活动数据提取特征。
可选地，所述将所述音乐数据输入到预设的性格识别神经网络模型中，得到所述用户的性格标签之前，还包括：
获取标记有性格标签的音乐样本数据；
根据所述音乐样本数据对预设的卷积神经网络模型进行训练，得到识别所述性格标签的性格识别神经网络模型。
可选地，所述根据所述音乐样本数据对预设的卷积神经网络模型进行训练，包括：
从所述音乐样本数据中提取音乐特征，并计算每种性格标签中音乐特征的期望值；
将所述音乐特征输入到预设的卷积神经网络模型中，得到所述卷积神经网络模型中每种性格标签的激励值；
比对每种性格标签的期望值与激励值之间的距离是否小于或等于预设的阈值，并当所述期望值与所述激励值之间的距离大于阈值时，反复循环迭代的通过反向算法更新卷积神经网络模型中的权重，至所述期望值与所述激励值之间的距离小于或等于预设的第一阈值时结束。
为解决上述技术问题，本发明实施例还提供一种保险产品推荐装置，包括：
获取模块，用于获取用户的音乐活动数据；
处理模块，用于将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签；
执行模块，用于从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，并将所述目标保险产品推送到所述用户登录的网页中。
可选地，所述保险产品数据库中，每个保险产品都包含适用的群体的性格标签；所述执行模块包括：
第一处理子模块，用于将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；
第一执行子模块，用于当比对一致时，将比对一致的标签所指向的保险产品作为所述目标保险产品。
可选地，当所述用户的性格标签和所述保险产品的标签均为多个时，所述执行模块包括：
第二处理子模块，用于将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；
第二执行子模块，用于当所述用户的性格标签与所述保险产品数据库中保险产品的标签存在相同的标签时，确定每一种保险产品中与所述用户的性格标签相同的标签数量；
第三执行子模块，用于将标签数量最多的保险产品作为所述目标保险产品。
可选地，还包括：
第三处理子模块，用于通过预设的特征提取软件对所述音乐活动数据提取特征。
可选地，还包括：
第一获取子模块，用于获取标记有性格标签的音乐样本数据；
第四处理子模块，用于根据所述音乐样本数据对预设的卷积神经网络模型进行训练，得到识别所述性格标签的性格识别神经网络模型。
可选地，所述第四处理子模块包括：
第二获取子模块，用于从所述音乐样本数据中提取音乐特征，并计算每种性格标签中音乐特征的期望值；
第五处理子模块，用于将所述音乐特征输入到预设的卷积神经网络模型中，得到所述卷积神经网络模型中每种性格标签的激励值；
第四执行子模块，用于比对每种性格标签的期望值与激励值之间的距离是否小于或等于预设的阈值，并当所述期望值与所述激励值之间的距离大于阈值时，反复循环迭代的通过反向算法更新卷积神经网络模型中的权重，至所述期望值与所述激励值之间的距离小于或等于预设的第一阈值时结束。
为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述保险产品推荐方法的步骤。
为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述保险产品推荐方法的步骤。
本发明实施例的有益效果是：通过将用户的音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到用户的性格标签，并按照用户的性格标签来推荐保险产品，由于音乐数据能真实的反映用户的性格特征，因此，一方面可以有针对性的推荐保险产品，提高保险产品的购买转换率；另一方面，对于有购买保险需求的用户来说，可以及时的获取到符合自身需求的保险产品，过程便捷，进而节省了用户的精力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的保险产品推荐方法的基本流程示意图；
图2为本发明实施例提供的一种从预设的保险产品数据库中选取与性格标签匹配的目标保险产品的方法的基本流程示意图；
图3为本发明实施例提供的一种从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品的方法的基本流程示意图；
图4为本发明实施例提供的一种性格神经网络模型的训练方法的基本流程示意图；
图5为本发明实施例提供的一种根据音乐样本数据对预设的卷积神经网络模型进行训练的方法的基本流程示意图；
图6为本发明实施例保险产品推荐装置基本结构框图；
图7为本发明实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作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。
实施例
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信***)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位***)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
本实施方式中的客户终端即为上述的终端。
具体地，请参阅图1，图1为本实施例保险产品推荐方法的基本流程示意图。
如图1所示，保险产品推荐方法包括下述步骤：
S1100、获取用户的音乐活动数据；
音乐活动数据为用户在各种平台，例如音乐软件上经常收听或下载的音乐，包括多种格式的音频文件，例如，MP3、WAVE、WMA、VQF、MIDI、AIFF、MPEG等。
S1200、将音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到用户的性格标签；
通过预设软件对音乐活动数据进行特征提取，例如，将音乐活动数据中的音频输入到软件中得到该音频的频谱图，例如，PC Sound Spectrum软件、FFT频谱分析软件、SmaartLive软件等。在实际应用中，为了使频率图谱中的频率连续、清楚通常在转化频率图谱的过程中，对待评价音频进行预加重、加窗及傅里叶变换处理。
本发明实施例中，通过softmax软件对音频文件进行提取特征。其中，提取的特征为频率变换图谱。
性格识别神经网络模型为预先通过标记有性格特征的音乐样本数据进行训练的模型。由于不同性格特征的用户所喜欢的音乐的风格不同，所以，可以通过分析用户经常收听或下载的音乐来分析用户的性格，例如，性格比较外向的用户偏向于收听欢快、动感的音乐，性格比较内向的用户偏向于收听比较抒情、旋律轻柔的音乐。将音乐特征，即音频频谱输入到该性格神经网络模型中，即可得到该音乐所表征的性格特征。
需要说明的是，性格特征可以按照现有的多种划分规则可以分为进行划分，例如，可以分为：活泼型、力量型、完美型和和平型。
S1300、从预设的保险产品数据库中选取与性格标签匹配的目标保险产品，并将目标保险产品推送到用户登录的网页中。
目标保险产品在本发明实施例中为推荐给用户的保险产品，其中，目标保险产品可以包括各种类型的保险，例如，重疾险、车险、寿险、少儿险、旅行险、退货险、延误险等。其中，每一种保险产品适合不同性格特征的人群，例如，完美型性格的人敏感、容易自我牺牲，情感不容易释放，患疾病的风险较高，适合重疾险，可将重疾险推送给完美型人格的用户。
上述保险产品推荐方法，通过将用户的音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到用户的性格标签，并按照用户的性格标签来推荐保险产品，由于音乐数据能真实的反映用户的性格特征，因此，一方面可以有针对性的推荐保险产品，提高保险产品的购买转换率；另一方面，对于有购买保险需求的用户来说，可以及时的获取到符合自身需求的保险产品，过程便捷，进而节省了用户的精力。
在实际应用中，终端或者服务器预设有保险产品数据库，在保险产品数据库中，每个保险产品都包含适用的群体的性格标签，本发明实施例提供一种从预设的保险产品数据库中选取与性格标签匹配的目标保险产品的方法，如图2所示，图2为本发明实施例提供的一种从预设的保险产品数据库中选取与性格标签匹配的目标保险产品的方法的基本流程示意图。
具体地，如图2所示，步骤S1300包括下述步骤：
S1311、将用户的性格标签与保险产品数据库中保险产品的标签进行比对；
用户的性格标签为将用户对应的音乐活动数据的特征证输入到性格识别神经网络模型后的输出值所对应的标签。该标签用户表示用户的性格分类，例如，该标签可以标记为活泼型、力量型、完美型或和平型，也可以标记为按照其它的性格划分方式划分的性格特征。
本发明实施例中，保险数据库中的每个保险产品标记有适合性格特征的标签，例如，重疾保险产品标记有“完美型”，X旅游险标记有“活泼型”，其中，保险产品还标记有其它的性格划分方式划分的性格标签。通过将用户标签与保险产品标签的文字或者用户表示标签特征的符号进行比对。
S1312、当比对一致时，将比对一致的标签所指向的保险产品作为目标保险产品。
本发明实施例中，比对一致，则确定该保险产品与用户匹配，该标签指向的保险产品为目标标签保险产品。例如，上述当用户的标签与保险产品的标签均为“完美型”时，则确定“完美型”指向的重疾保险产品为目标保险产品。
在实际应用中，由于性格特征的划分包含了多种，且每个用户可能存在两种性格特征，即，鉴于两种性格特征的中间。在这种情况下，当用户的性格标签和保险产品的标签均为多个时，本发明实施例提供一种从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品的方法，如图3所示，图3为本发明实施例提供的一种从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品的方法的基本流程示意图。
具体地，如图3所示，步骤S1300包括下述步骤：
S1321、将用户的性格标签与保险产品数据库中保险产品的标签进行比对；
本发明实施例中，用户的性格标签与保险产品的数据库中保险产品的标签的比对方法参照图2所示的实施例，在此不再赘述。
S1322、当用户的性格标签与保险产品数据库中保险产品的标签存在相同的标签时，确定每一种保险产品中与用户的性格标签相同的标签数量；
S1323、将标签数量最多的保险产品作为目标保险产品。
当多个标签比对一致时，为了提高匹配的精准度，本发明实施例中，获取用户的性格标签与保险产品的标签比对一致的数量，例如，用户有A、B、C和D四个标签，保险产品1有A、B和C三个标签，保险产品2有A、B、D和E四个标签，保险产品3有A和C两个标签，由于保险产品1与用户有三个相同的标签，保险产品2和保险产品3与用户有两个相同的标签，因此，确定保险产品1与用户相匹配，用户的目标保险产品为保险产品1。
本发明实施例还提供一种性格神经网络模型的训练方法，如图4所示，图4为本发明实施例提供的一种性格神经网络模型的训练方法的基本流程示意图。
具体地，如图4所示，步骤S1200之前还包括下述步骤：
S1210、获取标记有性格标签的音乐样本数据；
音乐样本数据为用于对卷积神经网络模型进行训练的训练样本图像集合，为包括多种性格特征的音频集合，该集合分为多组，每一组包括标记有相同性格特征的多个音频。
需要说明的是，卷积神经网络模型为CNN卷积神经网络模型或VGG卷积神经网络模型。
S1220、根据音乐样本数据对预设的卷积神经网络模型进行训练，得到识别性格标签的性格识别神经网络模型。
本发明实施例还提供一种根据音乐样本数据对预设的卷积神经网络模型进行训练的方法，如图5所示，图5为本发明实施例提供的一种根据音乐样本数据对预设的卷积神经网络模型进行训练的方法的基本流程示意图。
具体地，如图5所示，步骤S1220包括下述步骤：
S1221、从音乐样本数据中提取音乐特征，并计算每种性格标签中音乐特征的期望值；
本发明实施例中，可以利用预设的软件从音乐样本数据中提取音乐特征，例如，PCSound Spectrum软件、FFT频谱分析软件、SmaartLive软件等。在实际应用中，为了使频率图谱中的频率连续、清楚通常在转化频率图谱的过程中，对待评价音频进行预加重、加窗及傅里叶变换处理。
本发明实施例中，通过softmax软件对音频文件进行提取特征。
将每组性格特征的音乐特征输入到卷积神经网络模型中，得到每个音乐特征的输出值，并将输出值进行排序，取中间值作为每组性格特征的期望值。
S1222、将音乐特征输入到预设的卷积神经网络模型中，得到卷积神经网络模型中每种性格标签的激励值；
本发明实施例中，将每组性格特征的音乐特征图像依次输入到神经网络模型中，神经网络模型对音乐特征图像进行特征提取和分类。
激励值是卷积神经网络模型根据输入的音乐特征图像而输出的激励数据，在神经网络模型未被训练至收敛之前，激励值为离散性较大的数值，当神经网络模型被训练至收敛之后，激励值为相对稳定的数据。
S1223、比对每种性格标签的期望值与激励值之间的距离是否小于或等于预设的阈值，并当所述期望值与所述激励值之间的距离大于阈值时，反复循环迭代的通过反向算法更新卷积神经网络模型中的权重，至所述期望值与所述激励值之间的距离小于或等于预设的第一阈值时结束。
通过损失函数判断神经网络模型全连接层输出的激励值与设定的期望值是否一致，当结果不一致时，需要通过反向传播算法对第一通道内的权重进行调整。
在一些实施方式中，损失函数通过计算激励分类值与设定的期望分类值之间的距离(欧氏距离或者空间距离)，来确定激励分类值与设定的期望分类值是否一致，设定第一阈值，当激励值与设定的期望分类值之间的距离小于或等于第一阈值时，则确定激励分类值与设定的期望值一致，否则，则激励值与设定的期望值不一致。
当神经网络模型的激励值与设定的期望值不一致时，需要采用随机梯度下降算法对神经网络模型中的权重进行校正，以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。通过若干训练样本集(在一些实施方式中，训练时将所有训练样本集内的照片打乱进行训练，以增加模型的靠干扰能力，增强输出的稳定性。通过反复的训练与校正，当神经网络模型输出分类数据与各训练样本的分类参照信息比对达到(不限于)99.5％时，训练结束。
为解决上述技术问题本发明实施例还提供一种保险产品推荐装置。具体请参阅图6，图6为本实施例保险产品推荐装置基本结构框图。
如图6所示，一种保险产品推荐装置，包括：获取模块2100、处理模块2200和执行模块2300。其中，获取模块2100，用于获取用户的音乐活动数据；处理模块2200，用于将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签；执行模块2300，用于从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，并将所述目标保险产品推送到所述用户登录的网页中。
保险产品推荐装置通过将用户的音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到用户的性格标签，并按照用户的性格标签来推荐保险产品，由于音乐数据能真实的反映用户的性格特征，因此，一方面可以有针对性的推荐保险产品，提高保险产品的购买转换率；另一方面，对于有购买保险需求的用户来说，可以及时的获取到符合自身需求的保险产品，过程便捷，进而节省了用户的精力。
在一些实施方式中，所述保险产品数据库中，每个保险产品都包含适用的群体的性格标签；所述执行模块包括：第一处理子模块，用于将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；第一执行子模块，用于当比对一致时，将比对一致的标签所指向的保险产品作为所述目标保险产品。
在一些实施方式中，当所述用户的性格标签和所述保险产品的标签均为多个时，所述执行模块包括：第二处理子模块，用于将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；第二执行子模块，用于当所述用户的性格标签与所述保险产品数据库中保险产品的标签存在相同的标签时，确定每一种保险产品中与所述用户的性格标签相同的标签数量；第三执行子模块，用于将标签数量最多的保险产品作为所述目标保险产品。
在一些实施方式中，还包括：第三处理子模块，用于通过预设的特征提取软件对所述音乐活动数据提取特征。
在一些实施方式中，还包括：第一获取子模块，用于获取标记有性格标签的音乐样本数据；第四处理子模块，用于根据所述音乐样本数据对预设的卷积神经网络模型进行训练，得到识别所述性格标签的性格识别神经网络模型。
在一些实施方式中，所述第四处理子模块包括：第二获取子模块，用于从所述音乐样本数据中提取音乐特征，并计算每种性格标签中音乐特征的期望值；第五处理子模块，用于将所述音乐特征输入到预设的卷积神经网络模型中，得到所述卷积神经网络模型中每种性格标签的激励值；第四执行子模块，用于比对每种性格标签的期望值与激励值之间的距离是否小于或等于预设的阈值，并当所述期望值与所述激励值之间的距离大于阈值时，反复循环迭代的通过反向算法更新卷积神经网络模型中的权重，至所述期望值与所述激励值之间的距离小于或等于预设的第一阈值时结束。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
如图7所示，计算机设备的内部结构示意图。如图7所示，该计算机设备包括通过***总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作***、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种保险产品推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种保险产品推荐方法。该计算机设备的网络接口用于与终端连接通信。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。
本实施方式中处理器用于执行图6中获取模块2100、处理模块2200和执行模块2300的具体内容，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有保险产品推荐方法中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过将用户的音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到用户的性格标签，并按照用户的性格标签来推荐保险产品，由于音乐数据能真实的反映用户的性格特征，因此，一方面可以有针对性的推荐保险产品，提高保险产品的购买转换率；另一方面，对于有购买保险需求的用户来说，可以及时的获取到符合自身需求的保险产品，过程便捷，进而节省了用户的精力。
本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述保险产品推荐方法的步骤。
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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种保险产品的推荐方法，其特征在于，包括下述步骤：
获取用户的音乐活动数据；
将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签；
从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，并将所述目标保险产品推送到所述用户登录的网页中。
2.根据权利要求1所述的保险产品的推荐方法，其特征在于，所述保险产品数据库中，每个保险产品都包含适用的群体的性格标签；所述从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，包括：
将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；
当比对一致时，将比对一致的标签所指向的保险产品作为所述目标保险产品。
3.根据权利要求1所述的保险产品的推荐方法，其特征在于，当所述用户的性格标签和所述保险产品的标签均为多个时，所述从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，包括：
将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；
当所述用户的性格标签与所述保险产品数据库中保险产品的标签存在相同的标签时，确定每一种保险产品中与所述用户的性格标签相同的标签数量；
将标签数量最多的保险产品作为所述目标保险产品。
4.根据权利要求1所述的保险产品的推荐方法，其特征在于，所述将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签之前，还包括
通过预设的特征提取软件对所述音乐活动数据提取特征。
5.根据权利要求1至4任一项所述的保险产品的推荐方法，其特征在于，所述将所述音乐数据输入到预设的性格识别神经网络模型中，得到所述用户的性格标签之前，还包括：
获取标记有性格标签的音乐样本数据；
根据所述音乐样本数据对预设的卷积神经网络模型进行训练，得到识别所述性格标签的性格识别神经网络模型。
6.根据权利要求5所述的保险产品的推荐方法，其特征在于，所述根据所述音乐样本数据对预设的卷积神经网络模型进行训练，包括：
从所述音乐样本数据中提取音乐特征，并计算每种性格标签中音乐特征的期望值；
将所述音乐特征输入到预设的卷积神经网络模型中，得到所述卷积神经网络模型中每种性格标签的激励值；
比对每种性格标签的期望值与激励值之间的距离是否小于或等于预设的阈值，并当所述期望值与所述激励值之间的距离大于阈值时，反复循环迭代的通过反向算法更新卷积神经网络模型中的权重，至所述期望值与所述激励值之间的距离小于或等于预设的第一阈值时结束。
7.一种保险产品推荐装置，其特征在于，包括：
获取模块，用于获取用户的音乐活动数据；
处理模块，用于将所述音乐活动数据的特征输入到预设的性格识别神经网络模型中，得到所述用户的性格标签；
执行模块，用于从预设的保险产品数据库中选取与所述性格标签匹配的目标保险产品，并将所述目标保险产品推送到所述用户登录的网页中。
8.根据权利要求7所述的保险产品的推荐装置，其特征在于，所述保险产品数据库中，每个保险产品都包含适用的群体的性格标签；所述执行模块包括：
第一处理子模块，用于将所述用户的性格标签与所述保险产品数据库中保险产品的标签进行比对；
第一执行子模块，用于当比对一致时，将比对一致的标签所指向的保险产品作为所述目标保险产品。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项权利要求所述保险产品推荐方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中任一项权利要求所述保险产品推荐方法的步骤。
CN201811347747.9A 2018-11-13 2018-11-13 保险产品推荐方法、装置、计算机设备及存储介质 Active CN109360072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811347747.9A CN109360072B (zh) 2018-11-13 2018-11-13 保险产品推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811347747.9A CN109360072B (zh) 2018-11-13 2018-11-13 保险产品推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109360072A true CN109360072A (zh) 2019-02-19
CN109360072B CN109360072B (zh) 2023-06-23

Family

ID=65344987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811347747.9A Active CN109360072B (zh) 2018-11-13 2018-11-13 保险产品推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN109360072B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135942A (zh) * 2019-04-12 2019-08-16 深圳壹账通智能科技有限公司 产品推荐方法、装置及计算机可读存储介质
CN112991025A (zh) * 2021-05-08 2021-06-18 明品云(北京)数据科技有限公司 一种保险智能推荐方法、***、设备及计算机可读存储介质
CN113256397A (zh) * 2021-07-02 2021-08-13 佛山市墨纳森智能科技有限公司 基于大数据的商品推荐方法、***及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180101887A1 (en) * 2016-10-10 2018-04-12 International Business Machines Corporation Offering Personalized and Interactive Decision Support Based on Learned Model to Predict Preferences from Traits
CN108108465A (zh) * 2017-12-29 2018-06-01 北京奇宝科技有限公司 一种推送推荐内容的方法和装置
CN108446688A (zh) * 2018-05-28 2018-08-24 北京达佳互联信息技术有限公司 人脸图像性别判断方法、装置、计算机设备及存储介质
CN108492194A (zh) * 2018-03-06 2018-09-04 平安科技（深圳）有限公司 产品推荐方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180101887A1 (en) * 2016-10-10 2018-04-12 International Business Machines Corporation Offering Personalized and Interactive Decision Support Based on Learned Model to Predict Preferences from Traits
CN108108465A (zh) * 2017-12-29 2018-06-01 北京奇宝科技有限公司 一种推送推荐内容的方法和装置
CN108492194A (zh) * 2018-03-06 2018-09-04 平安科技（深圳）有限公司 产品推荐方法、装置及存储介质
CN108446688A (zh) * 2018-05-28 2018-08-24 北京达佳互联信息技术有限公司 人脸图像性别判断方法、装置、计算机设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135942A (zh) * 2019-04-12 2019-08-16 深圳壹账通智能科技有限公司 产品推荐方法、装置及计算机可读存储介质
CN112991025A (zh) * 2021-05-08 2021-06-18 明品云(北京)数据科技有限公司 一种保险智能推荐方法、***、设备及计算机可读存储介质
CN113256397A (zh) * 2021-07-02 2021-08-13 佛山市墨纳森智能科技有限公司 基于大数据的商品推荐方法、***及计算机可读存储介质

Also Published As

Publication number Publication date
CN109360072B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US11983269B2 (en) Deep neural network system for similarity-based graph representations
US20200372359A1 (en) Wide and deep machine learning models
CN109190044A (zh) 个性化推荐方法、装置、服务器和介质
US20150356601A1 (en) Recommendations based on purchase patterns
US10438133B2 (en) Spend data enrichment and classification
CN109213868A (zh) 基于卷积注意力机制网络的实体级别情感分类方法
CN107851443A (zh) 语音活动检测
EP4009219A1 (en) Analysis of natural language text in document using hierarchical graph
CN109308913A (zh) 音乐质量评价方法、装置、计算机设备及存储介质
CN105550173A (zh) 文本校正方法和装置
CN106845999A (zh) 风险用户识别方法、装置和服务器
CN109360072A (zh) 保险产品推荐方法、装置、计算机设备及存储介质
CN107786943A (zh) 一种用户分群方法及计算设备
CN109766557A (zh) 一种情感分析方法、装置、存储介质及终端设备
CN110427480B (zh) 个性化文本智能推荐方法、装置及计算机可读存储介质
CN108959453B (zh) 基于文本聚类的信息提取方法、装置及可读存储介质
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN114065750A (zh) 商品信息匹配、发布方法及其装置、设备、介质、产品
CN111125491A (zh) 商品信息的搜索方法和装置、存储介质及电子装置
CN112632256A (zh) 基于问答***的信息查询方法、装置、计算机设备和介质
CN110503453A (zh) 消费行为分析方法、装置、计算机设备及存储介质
CN104915440A (zh) 一种商品排重方法和***
Stavinova et al. Predictability classes for forecasting clients behavior by transactional data
CA2814177C (en) Device, method and system of automatically defining a financial instrument
Mengash et al. Search and Rescue Optimization with Machine Learning Enabled Cybersecurity Model.

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
GR01 Patent grant