CN113902576A - 基于深度学习的信息推送方法、装置、电子设备及介质 - Google Patents

基于深度学习的信息推送方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113902576A
CN113902576A CN202111267482.3A CN202111267482A CN113902576A CN 113902576 A CN113902576 A CN 113902576A CN 202111267482 A CN202111267482 A CN 202111267482A CN 113902576 A CN113902576 A CN 113902576A
Authority
CN
China
Prior art keywords
insurance
user
information
target
users
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.)
Pending
Application number
CN202111267482.3A
Other languages
English (en)
Inventor
陈诗剑
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 Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202111267482.3A priority Critical patent/CN113902576A/zh
Publication of CN113902576A publication Critical patent/CN113902576A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例公开了一种基于深度学习的信息推送方法、装置、电子设备及介质，方法包括：获取指定时间内脱保且脱保后未购买保险产品的第一用户的涉保信息后，根据涉保信息得到投保指标对应的投保特征信息，再将投保特征信息导入训练好的目标网络模型，得到第一用户的目标投保等级，若目标投保等级大于预设投保等级，则根据涉保信息确定第一用户的有效浏览的次数超过预设次数的目标保险产品信息，获取第一用户的用户信息，最后将用户信息和目标保险产品信息发送到目标用户的用户设备。本发明通过从脱保客户中筛选出的投保等级较高的潜在投保客户及潜在投保客户有效浏览较多的保险产品信息来向产品客户经理进行推送，提高保险营销成功率和效率。

Description

基于深度学习的信息推送方法、装置、电子设备及介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于深度学习的信息推送方法、装置、电子设备及介质。
背景技术
随着国家经济的快速发展，相关政策的支持以及全民保险意识的进一步升级，国内保险需求的增长趋势十分明显。然而各保险公司对于脱保客户的再次营销存在很多的难点。脱保客户可能是由于对公司的某些服务或者报价等等不满意，而造成在对这部分客户进行营销时，需要花费更多的精力、成本才能让客户继续投保。
在传统的营销模式下，需要营销人员对客户多次进行访问，并提供更加优惠的价格来吸引客户的购买。而基于此种情况，目前对于这类脱保的客户筛选出优质的可续保客户，主要是基于传统分类算法，比如SVM、KNN等，数据的缺失会导致确定的优质脱保客户不够准确，使得营销成功率和保险营销的效率低下。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一，特别是无法将脱保客户中低质量的脱保客户剔除，以期通过筛选出优质脱保客户来向产品客户经理进行推送，提高营销成功率和保险营销的效率。
第一方面，本申请实施例提供了一种基于深度学习的信息推送方法，该方法包括：
获取第一用户的涉保信息，所述第一用户为指定时间内脱保且脱保后未购买保险产品的用户，所述涉保信息用于指示所述第一用户于脱保后在产品页面针对保险产品信息的操作情况；
根据所述涉保信息得到投保指标对应的投保特征信息；
将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级，其中，所述目标投保等级是指所述第一用户的承保的等级，所述目标网络模型为利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，所述第二用户为指定时间内脱保且脱保后购买保险产品的用户；
若所述目标投保等级大于预设投保等级，则根据所述涉保信息确定所述第一用户的有效浏览的次数超过预设次数的目标保险产品信息，所述有效浏览是指单次浏览超过预设时长的浏览；
获取所述第一用户的用户信息；
将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备。
在一个可能的示例中，所述投保特征信息包括所述第一用户的历史承保次数、每次承保的产品类别、每次承保的产品保费、每次承保的产品保期、每次承保的产品购买渠道、每次承保的产品购买者、与每次承保的产品购买者的关系、性别、年龄、现居住址以及籍贯。
在一个可能的示例中，所述目标网络模型为执行以下操作得到的：
从第一用户和第二用户的涉保信息中提取投保特征信息；
分别提取部分第一用户和部分第二用户对应的投保特征信息，构建训练集合；
分别提取剩余第二用户和剩余第二用户对应的投保特征信息，构建测试集合；
采用多种分类方法并根据所述训练集合构建待测投保等级分类模型；
将测试集合分别输入各个待测投保等级分类模型，对各个待测投保等级分类模型的验证结果排序，根据所述排序选取若干待测投保等级分类模型作为所述投保等级分类模型。
在一个可能的示例中，所述将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备，包括：
确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户，n为正整数；
若n为1，则确定所述第三用户为所述目标用户。
在一个可能的示例中，所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，所述方法还包括：
若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；
确定所述n个第三用户中积分最高的用户为所述目标用户。
在一个可能的示例中，所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，所述方法还包括：
若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；
确定所述n个第三用户中积分最高的m个第四用户，m为小于或者等于n的整数；
若m为1，则确定所述第四用户为所述目标用户；
若m大于或者等于2，则获取所述m个第四用户的待处理任务量；
确定所述m个第四用户中待处理任务量最少的p个第五用户为所述目标用户，p为小于或者等于m的整数。
在一个可能的示例中，所述将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级之后，所述方法还包括：若所述目标投保等级小于或者等于所述预设投保等级，则获取第一用户的涉保信息。
第二方面，本申请实施例提供了一种基于深度学习的信息推送装置，该装置包括:
涉保信息获取单元，用于获取第一用户的涉保信息，所述第一用户为指定时间内脱保且脱保后未购买保险产品的用户，所述涉保信息用于指示所述第一用户于脱保后在产品页面针对保险产品信息的操作情况；
投保特征信息获取单元，用于根据所述涉保信息得到投保指标对应的投保特征信息；
投保等级获取单元，用于将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级，其中，所述目标投保等级是指所述第一用户的承保的等级，所述目标网络模型为利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，所述第二用户为指定时间内脱保且脱保后购买保险产品的用户；
确定单元，用于若所述目标投保等级大于预设投保等级，则根据所述涉保信息确定所述第一用户的有效浏览的次数超过预设次数的目标保险产品信息，所述有效浏览是指单次浏览超过预设时长的浏览；
用户信息获取单元，用于获取所述第一用户的用户信息；
通信单元，用于将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括:处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述一个或多个程序包括用于执行如第一方面所示出的方法中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如第一方面所示出的方法中的步骤。
可以看出，本申请实施例中，获取指定时间内脱保且脱保后未购买保险产品的的第一用户的涉保信息后，根据涉保信息得到投保指标对应的投保特征信息，之后将投保特征信息导入利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，得到第一用户的目标投保等级，第二用户为指定时间内脱保且脱保后购买保险产品的用户，若目标投保等级大于预设投保等级，则获取第一用户的用户信息根据涉保信息确定第一用户的有效浏览的次数超过预设次数的目标保险产品信息，有效浏览是指单次浏览超过预设时长的浏览，获取第一用户的用户信息，最后将用户信息和目标保险产品信息发送到目标用户的用户设备。可见，采用本申请，通过从脱保客户中筛选出的投保等级较高的潜在投保客户，且获取潜在投保客户有效浏览较多的保险产品信息，来向产品客户经理进行推送，进而提高营销成功率和保险营销的效率。
附图说明
为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，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为本申请实施例提供的一种应用环境图；
图2是本申请实施例提供的一种基于深度学习的信息推送方法的流程示意图；
图3是本申请实施例提供的一种基于深度学习的信息推送装置的结构示意图；
图4是本申请另一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、设备以及存储介质、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
目前，针对在产品页面上访问保险产品信息但未购买保险产品的脱保客户的筛选，主要是基于传统分类算法，比如SVM、KNN等，由于数据的缺失导致最后向产品客户经理推送的优质脱保客户不够准确，使得营销成功率和保险营销的效率低下。
基于上述问题，本发明实施例提供了一种基于深度学习的信息推送方法，详述如下。
请参阅图1，图1为是本发明实施例方案的应用环境图；该实施例中，本发明技术方案可以在移动电子设备上实现，如图1中，第一电子设备120、第二电子设备130以及第三电子设备140，可以通过internet网络访问服务器110，在第一电子设备120、第二电子设备130以及第三电子设备140上，分别可以通过APP等形式安装相应的客户端，用户通过登录客户端与服务器110进行数据交互，在客户端上实现用户一侧的相关功能，在本发明实施例中，第一用户可以通过第一电子设备120登录，第二用户可以通过第二电子设备130登录，第三用户可以通过第三电子设备140登录；这里所指的服务器110是指实现各种后台功能的服务器设备，考虑到目前服务器处理的实际情况，这里所说的设备也可以是指一个设备或多个设备的集群。图1中，以三名用户以及对应的移动电子设备示例性地展示，在其他使用场景中可以应用到其他数量用户的场景中。
请参阅图2，图2为本申请实施例提供的一种基于深度学习的信息推送方法的流程示意图，如图2所示，该基于深度学习的信息推送方法具体包括以下步骤S101～S105。
S101、获取第一用户的涉保信息。
其中，所述第一用户，也即脱保用户，是指指定时间内脱保且脱保后未购买保险产品的用户，所述涉保信息用于指示所述第一用户于脱保后在产品页面针对保险产品信息的操作情况。
所述涉保信息包括但不限于所述第一用户的历史承保次数、每次承保的产品类别、每次承保的产品保费、每次承保的产品保期、每次承保的产品购买渠道、每次承保的产品购买者、与每次承保的产品购买者的关系、性别、年龄、现居住址以及籍贯中的至少一种。
S102、根据所述涉保信息得到投保指标对应的投保特征信息。
其中，所述投保特征信息包括但不限于所述第一用户的历史承保次数、每次承保的产品类别、每次承保的产品保费、每次承保的产品保期、每次承保的产品购买渠道、每次承保的产品购买者、与每次承保的产品购买者的关系、性别、年龄、现居住址以及籍贯中的至少一种。
S103、将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级。
其中，所述目标投保等级是指所述第一用户的承保的等级，所述目标网络模型为利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，所述第二用户为指定时间内脱保且脱保后购买保险产品的用户。
需要说明的是，投保等级越高，说明脱保用户再次承保的可能性越高。
其中，对投保等级的总个数不做具体限定，例如，投保等级的总个数可以是4，6，7，等等。
S104、若所述目标投保等级大于预设投保等级，则根据所述涉保信息确定所述第一用户的有效浏览的次数超过预设次数的目标保险产品信息。
其中，所述有效浏览是指单次浏览超过预设时长的浏览。
其中，预设次数可以是20次、30次、100次，等等，对所述预设次数不作具体限定。
S105、获取所述第一用户的用户信息。
其中，所述用户信息包括但不限于所述第一用户的姓名、性别、年龄、现居住址以及联系电话等等。
S106、将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备。
所述目标用户可以是保险的产品经理，即是保险产品的推销者。
其中，预设投保等级可以根据实际需求进行设置，对其不做具体限定。
可以看出，本申请实施例中，获取指定时间内脱保且脱保后未购买保险产品的的第一用户的涉保信息后，根据涉保信息得到投保指标对应的投保特征信息，之后将投保特征信息导入利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，得到第一用户的目标投保等级，第二用户为指定时间内脱保且脱保后购买保险产品的用户，若目标投保等级大于预设投保等级，则获取第一用户的用户信息根据涉保信息确定第一用户的有效浏览的次数超过预设次数的目标保险产品信息，有效浏览是指单次浏览超过预设时长的浏览，获取第一用户的用户信息，最后将用户信息和目标保险产品信息发送到目标用户的用户设备。可见，采用本申请，通过从脱保客户中筛选出的投保等级较高的潜在投保客户，且获取潜在投保客户有效浏览较多的保险产品信息，来向产品客户经理进行推送，进而提高营销成功率和保险营销的效率。
在一个可能的示例中，所述目标网络模型为执行以下操作得到的：从第一用户和第二用户的涉保信息中提取投保特征信息；分别提取部分第一用户和部分第二用户对应的投保特征信息，构建训练集合；分别提取剩余第二用户和剩余第二用户对应的投保特征信息，构建测试集合；采用多种分类方法并根据所述训练集合构建待测投保等级分类模型；将测试集合分别输入各个待测投保等级分类模型，对各个待测投保等级分类模型的验证结果排序，根据所述排序选取若干待测投保等级分类模型作为所述投保等级分类模型。
举例来说，目标网络模型的训练过程包括：特征输入层与具有256个神经元的全连接层相连接，然后用Relu函数做为激活函数；使用批归一化层以及Dropout层避免模型过拟合，dropout参数设置为0.4；然后连续连接两个全连接层，分别包含128和64个神经元，都采用relu函数作为激活函数，用以完成对数据特征的进一步抽象表示；最终使用一个具有6个神经元的决策层来决定每个客户所属的投保等级，softmax函数会输出客户对应6个投保等级的概率，我们从这六个投保等级中取最高的当作此客户的投保等级。
在一个可能的示例中，所述将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备，包括：确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户，n为正整数；若n为1，则确定所述第三用户为所述目标用户。
其中，积分越高，保险产品客户经理的资质越高，能力越强，积分可以由保险产品客户经理的签单量、客访量、签单率等因数决定。
在一个可能的示例中，所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，所述方法还包括：若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；确定所述n个第三用户中积分最高的用户为所述目标用户。
可以理解的是，当n个第三用户中积分最高的用户为多个时，该多个用户为所述目标用户。
具体实现中，若在产品页面上访问保险产品信息但未购买保险产品的用户A的现居住址为甲，且用户A的目标投保等级大于预设投保等级，而保险产品客户经理B、保险产品客户经理C、保险产品客户经理D办公地址均距离甲最近，则会获取保险产品客户经理B、保险产品客户经理C、保险产品客户经理D的积分，若保险产品客户经理B、保险产品客户经理C、保险产品客户经理D的积分分别为100分、300分、300分，则会确定保险产品客户经理C、保险产品客户经理D为目标用户。
可见，本示例中，能够将投保等级高的脱保用户的用户信息发送到就近的能力最强的保险产品客户经理的用户设备，便于该就近的能力最强保险产品客户经理服务投保等级高的用户。
在一个可能的示例中，所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，所述方法还包括：若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；确定所述n个第三用户中积分最高的m个第四用户，m为小于或者等于n的整数；若m为1，则确定所述第四用户为所述目标用户；若m大于或者等于2，则获取所述m个第四用户的待处理任务量；确定所述m个第四用户中待处理任务量最少的p个第五用户为所述目标用户，p为小于或者等于m的整数。
具体实现中，若在产品页面上访问保险产品信息但未购买保险产品的用户A的现居住址为甲，且用户A的目标投保等级大于预设投保等级，而保险产品客户经理B、保险产品客户经理C、保险产品客户经理D办公地址均距离甲最近，则会获取保险产品客户经理B、保险产品客户经理C、保险产品客户经理D的积分，若保险产品客户经理B、保险产品客户经理C、保险产品客户经理D的积分分别为100分、300分、300分，则会获取保险产品客户经理C、保险产品客户经理D的待处理任务量，若保险产品客户经理C、保险产品客户经理D的待处理任务量分别为100、105，则确定保险产品客户经理D为所述目标用户。
可见，本示例中，能够将投保等级高的脱保用户的用户信息发送到就近的能力最强且相对待处理任务量最少的保险产品客户经理的用户设备，便于该就近的能力最强且相对待处理任务量最少的保险产品客户经理服务投保等级高的脱保用户。
在一个可能的示例中，所述将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级之后，所述方法还包括：若所述目标投保等级小于或者等于所述预设投保等级，则获取第一用户的涉保信息。
可见，本示例中，在所述目标投保等级小于或者等于所述预设投保等级，则会持续获取第一用户的涉保信息，即是，当脱保用户为非优质脱保用户时，则持续追踪该脱保用户的涉保信息，其变成优质脱保用户时，能够及时为其服务。
在采用集成的单元的情况下，请参阅图3，图3提供了一种基于深度学习的信息推送装置的功能单元组成框图。基于深度学习的信息推送装置200包括：
涉保信息获取单元210，用于获取第一用户的涉保信息，所述第一用户为指定时间内脱保且脱保后未购买保险产品的用户，所述涉保信息用于指示所述第一用户于脱保后在产品页面针对保险产品信息的操作情况；
投保特征信息获取单元220，用于根据所述涉保信息得到投保指标对应的投保特征信息；
投保等级获取单元230，用于将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级，其中，所述目标投保等级是指所述第一用户的承保的等级，所述目标网络模型为利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，所述第二用户为指定时间内脱保且脱保后购买保险产品的用户；
确定单元240，用于若所述目标投保等级大于预设投保等级，则根据所述涉保信息确定所述第一用户的有效浏览的次数超过预设次数的目标保险产品信息，所述有效浏览是指单次浏览超过预设时长的浏览；
用户信息获取单元250，用于获取所述第一用户的用户信息；
通信单元260，用于将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备。
基于深度学习的信息推送装置200还可以包括存储单元270，用于存储终端的程序代码和数据。存储单元270可以是存储器。当存储单元270为存储器时，本申请实施例所涉及的基于深度学习的信息推送装置200可以为图4所示的电子设备。
需要说明的是，各个操作的具体实现可以详见上述图1所示的方法实施例中的描述，在此不再具体赘述。
可以看出，本申请实施例中，获取指定时间内脱保且脱保后未购买保险产品的的第一用户的涉保信息后，根据涉保信息得到投保指标对应的投保特征信息，之后将投保特征信息导入利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，得到第一用户的目标投保等级，第二用户为指定时间内脱保且脱保后购买保险产品的用户，若目标投保等级大于预设投保等级，则获取第一用户的用户信息根据涉保信息确定第一用户的有效浏览的次数超过预设次数的目标保险产品信息，有效浏览是指单次浏览超过预设时长的浏览，获取第一用户的用户信息，最后将用户信息和目标保险产品信息发送到目标用户的用户设备。可见，采用本申请，通过从脱保客户中筛选出的投保等级较高的潜在投保客户，且获取潜在投保客户有效浏览较多的保险产品信息，来向产品客户经理进行推送，进而提高营销成功率和保险营销的效率。
在一个可能的示例中，所述投保特征信息包括所述第一用户的历史承保次数、每次承保的产品类别、每次承保的产品保费、每次承保的产品保期、每次承保的产品购买渠道、每次承保的产品购买者、与每次承保的产品购买者的关系、性别、年龄、现居住址以及籍贯。
在一个可能的示例中，所述目标网络模型为执行以下操作得到的：从第一用户和第二用户的涉保信息中提取投保特征信息；分别提取部分第一用户和部分第二用户对应的投保特征信息，构建训练集合；分别提取剩余第二用户和剩余第二用户对应的投保特征信息，构建测试集合；采用多种分类方法并根据所述训练集合构建待测投保等级分类模型；将测试集合分别输入各个待测投保等级分类模型，对各个待测投保等级分类模型的验证结果排序，根据所述排序选取若干待测投保等级分类模型作为所述投保等级分类模型。
在一个可能的示例中，在所述将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备方面，所述通信单元260具体用于：
确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户，n为正整数；若n为1，则确定所述第三用户为所述目标用。
在一个可能的示例中，所述通信单元260还用于：在所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；确定所述n个第三用户中积分最高的用户为所述目标用户。
在一个可能的示例中，所述通信单元260还用于：在所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；确定所述n个第三用户中积分最高的m个第四用户，m为小于或者等于n的整数；若m为1，则确定所述第四用户为所述目标用户；若m大于或者等于2，则获取所述m个第四用户的待处理任务量；确定所述m个第四用户中待处理任务量最少的p个第五用户为所述目标用户，p为小于或者等于m的整数。
在一个可能的示例中，所述涉保信息获取单元210还用于：若所述目标投保等级小于或者等于所述预设投保等级，则获取第一用户的涉保信息。
请参见图4，是本申请实施例提供的一种电子设备的结构示意图，如图4所示的本实施例中的电子设备300可以包括：处理模块310、存储器320、通信接口330，以及一个或多个程序321，所述一个或多个程序321被存储在所述存储器320中，并且被配置由所述处理模块310执行，所述一个或多个程序321包括用于执行如下所述的方法中的步骤的指令：
获取第一用户的涉保信息，所述第一用户为指定时间内脱保且脱保后未购买保险产品的用户，所述涉保信息用于指示所述第一用户于脱保后在产品页面针对保险产品信息的操作情况；
根据所述涉保信息得到投保指标对应的投保特征信息；
将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级，其中，所述目标投保等级是指所述第一用户的承保的等级，所述目标网络模型为利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，所述第二用户为指定时间内脱保且脱保后购买保险产品的用户；
若所述目标投保等级大于预设投保等级，则根据所述涉保信息确定所述第一用户的有效浏览的次数超过预设次数的目标保险产品信息，所述有效浏览是指单次浏览超过预设时长的浏览；
获取所述第一用户的用户信息；
将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备。
所述处理模块310可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
需要说明的是，各个操作的具体实现可以详见上述图2所示的方法实施例中的描述，在此不再具体赘述。
可以看出，本申请实施例中，获取指定时间内脱保且脱保后未购买保险产品的的第一用户的涉保信息后，根据涉保信息得到投保指标对应的投保特征信息，之后将投保特征信息导入利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，得到第一用户的目标投保等级，第二用户为指定时间内脱保且脱保后购买保险产品的用户，若目标投保等级大于预设投保等级，则获取第一用户的用户信息根据涉保信息确定第一用户的有效浏览的次数超过预设次数的目标保险产品信息，有效浏览是指单次浏览超过预设时长的浏览，获取第一用户的用户信息，最后将用户信息和目标保险产品信息发送到目标用户的用户设备。可见，采用本申请，通过从脱保客户中筛选出的投保等级较高的潜在投保客户，且获取潜在投保客户有效浏览较多的保险产品信息，来向产品客户经理进行推送，进而提高营销成功率和保险营销的效率。
在一个可能的示例中，所述投保特征信息包括所述第一用户的历史承保次数、每次承保的产品类别、每次承保的产品保费、每次承保的产品保期、每次承保的产品购买渠道、每次承保的产品购买者、与每次承保的产品购买者的关系、性别、年龄、现居住址以及籍贯。
在一个可能的示例中，所述目标网络模型为执行以下操作得到的：
从第一用户和第二用户的涉保信息中提取投保特征信息；
分别提取部分第一用户和部分第二用户对应的投保特征信息，构建训练集合；
分别提取剩余第二用户和剩余第二用户对应的投保特征信息，构建测试集合；
采用多种分类方法并根据所述训练集合构建待测投保等级分类模型；
将测试集合分别输入各个待测投保等级分类模型，对各个待测投保等级分类模型的验证结果排序，根据所述排序选取若干待测投保等级分类模型作为所述投保等级分类模型。
在一个可能的示例中，在所述将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备方面，所述一个或多个程序321中指令具体用于：确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户，n为正整数；若n为1，则确定所述第三用户为所述目标用户
在一个可能的示例中，所述一个或多个程序321中指令还用于：在所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；确定所述n个第三用户中积分最高的用户为所述目标用户。
在一个可能的示例中，所述一个或多个程序321中指令还用于：在所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；确定所述n个第三用户中积分最高的m个第四用户，m为小于或者等于n的整数；若m为1，则确定所述第四用户为所述目标用户；若m大于或者等于2，则获取所述m个第四用户的待处理任务量；确定所述m个第四用户中待处理任务量最少的p个第五用户为所述目标用户，p为小于或者等于m的整数。
在一个可能的示例中，所述涉保信息获取单元还用于：若所述目标投保等级小于或者等于所述预设投保等级，则获取第一用户的涉保信息。
本申请实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现如图2实施例中所示的基于深度学习的信息推送方法。
所述计算机可读存储介质可以是前述任一实施例所述的电子设备的内部存储单元，例如控制设备的硬盘或内存。所述计算机可读存储介质也可以是所述控制设备的外部存储设备，例如所述控制设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述控制设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述控制设备所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
作为示例，上述计算机可读存储介质可被部署在一个计算机设备上执行，或者被部署位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链网络。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于深度学习的信息推送方法，其特征在于，包括：
获取第一用户的涉保信息，所述第一用户为指定时间内脱保且脱保后未购买保险产品的用户，所述涉保信息用于指示所述第一用户于脱保后在产品页面针对保险产品信息的操作情况；
根据所述涉保信息得到投保指标对应的投保特征信息；
将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级，其中，所述目标投保等级是指所述第一用户的承保的等级，所述目标网络模型为利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，所述第二用户为指定时间内脱保且脱保后购买保险产品的用户；
若所述目标投保等级大于预设投保等级，则根据所述涉保信息确定所述第一用户的有效浏览的次数超过预设次数的目标保险产品信息，所述有效浏览是指单次浏览超过预设时长的浏览；
获取所述第一用户的用户信息；
将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备。
2.根据权利要求1所述的方法，其特征在于，所述目标网络模型为执行以下操作得到的：
从第一用户和第二用户的涉保信息中提取投保特征信息；
分别提取部分第一用户和部分第二用户对应的投保特征信息，构建训练集合；
分别提取剩余第二用户和剩余第二用户对应的投保特征信息，构建测试集合；
采用多种分类方法并根据所述训练集合构建待测投保等级分类模型；
将测试集合分别输入各个待测投保等级分类模型，对各个待测投保等级分类模型的验证结果排序，根据所述排序选取若干待测投保等级分类模型作为所述投保等级分类模型。
3.根据权利要求1所述的方法，其特征在于，所述将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备，包括：
确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户，n为正整数；
若n为1，则确定所述第三用户为所述目标用户。
4.根据权利要求3所述的方法，其特征在于，所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，所述方法还包括：
若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；
确定所述n个第三用户中积分最高的用户为所述目标用户。
5.根据权利要求3所述的方法，其特征在于，所述确定办公地址距离所述第一用户的现居住址和/或办公地址最近的n个第三用户之后，所述方法还包括：
若n大于或者等于2，则获取所述n个第三用户的积分，所述积分用于指示所述第三用户的用户服务等级；
确定所述n个第三用户中积分最高的m个第四用户，m为小于或者等于n的整数；
若m为1，则确定所述第四用户为所述目标用户；
若m大于或者等于2，则获取所述m个第四用户的待处理任务量；
确定所述m个第四用户中待处理任务量最少的p个第五用户为所述目标用户，p为小于或者等于m的整数。
6.根据权利要求1所述的方法，其特征在于，所述将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级之后，所述方法还包括：
若所述目标投保等级小于或者等于所述预设投保等级，则获取第一用户的涉保信息。
7.一种基于深度学习的信息推送的装置，其特征在于，包括：
涉保信息获取单元，用于获取第一用户的涉保信息，所述第一用户为指定时间内脱保且脱保后未购买保险产品的用户，所述涉保信息用于指示所述第一用户于脱保后在产品页面针对保险产品信息的操作情况；
投保特征信息获取单元，用于根据所述涉保信息得到投保指标对应的投保特征信息；
投保等级获取单元，用于将所述投保特征信息导入训练好的目标网络模型，得到所述第一用户的目标投保等级，其中，所述目标投保等级是指所述第一用户的承保的等级，所述目标网络模型为利用第一用户和第二用户的投保特征信息为样本构建并训练得到网络模型，所述第二用户为指定时间内脱保且脱保后购买保险产品的用户；
确定单元，用于若所述目标投保等级大于预设投保等级，则根据所述涉保信息确定所述第一用户的有效浏览的次数超过预设次数的目标保险产品信息，所述有效浏览是指单次浏览超过预设时长的浏览；
用户信息获取单元，用于获取所述第一用户的用户信息；
通信单元，用于将所述用户信息和所述目标保险产品信息发送到目标用户的用户设备。
8.根据权利要求7所述的装置，其特征在于，所述目标网络模型为执行以下操作得到的：
从第一用户和第二用户的涉保信息中提取投保特征信息；
分别提取部分第一用户和部分第二用户对应的投保特征信息，构建训练集合；
分别提取剩余第二用户和剩余第二用户对应的投保特征信息，构建测试集合；
采用多种分类方法并根据所述训练集合构建待测投保等级分类模型；
将测试集合分别输入各个待测投保等级分类模型，对各个待测投保等级分类模型的验证结果排序，根据所述排序选取若干待测投保等级分类模型作为所述投保等级分类模型。
9.一种电子设备，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述一个或多个程序包括用于执行如权利要求1-6任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-6任一项所述的方法中的步骤。
CN202111267482.3A 2021-10-28 2021-10-28 基于深度学习的信息推送方法、装置、电子设备及介质 Pending CN113902576A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111267482.3A CN113902576A (zh) 2021-10-28 2021-10-28 基于深度学习的信息推送方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111267482.3A CN113902576A (zh) 2021-10-28 2021-10-28 基于深度学习的信息推送方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN113902576A true CN113902576A (zh) 2022-01-07

Family

ID=79026813

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111267482.3A Pending CN113902576A (zh) 2021-10-28 2021-10-28 基于深度学习的信息推送方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113902576A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739692A (zh) * 2023-04-17 2023-09-12 北京前往科技有限公司 一种电商大数据反馈的推送优化方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739692A (zh) * 2023-04-17 2023-09-12 北京前往科技有限公司 一种电商大数据反馈的推送优化方法及***

Similar Documents

Publication Publication Date Title
CN111861768B (zh) 基于人工智能的业务处理方法、装置、计算机设备及介质
WO2019080662A1 (zh) 信息推荐方法及装置、设备
CN105744005A (zh) 客户定位分析方法及服务器
CN110852785B (zh) 用户分级方法、装置及计算机可读存储介质
CN112085615A (zh) 图神经网络的训练方法及装置
CN110929799A (zh) 用于检测异常用户的方法、电子设备和计算机可读介质
CN109087138A (zh) 数据处理方法及***、计算机***和可读存储介质
US11727427B2 (en) Systems and methods for assessing, correlating, and utilizing online browsing and sales data
CN114782161A (zh) 识别风险用户的方法、装置、存储介质及电子装置
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
CN113902576A (zh) 基于深度学习的信息推送方法、装置、电子设备及介质
CN110796379B (zh) 业务渠道的风险评估方法、装置、设备及存储介质
CN110428342B (zh) 数据修复方法、服务器、客服端及存储介质
CN116503092A (zh) 用户留资意向识别方法、装置、电子设备及存储介质
CN111199454A (zh) 实时用户转化评估方法、装置及电子设备
CN115456684A (zh) 信息触达处理方法、装置、计算机设备和存储介质
CN114298829A (zh) 用于授信评估的数据处理方法和装置
CN113568739B (zh) 用户资源额度分配方法、装置及电子设备
CN113536111A (zh) 保险知识内容的推荐方法、装置和终端设备
CN114896294A (zh) 产品测试数据表生成方法、装置、设备及存储介质
CN114298823A (zh) 用于模型构建的数据处理方法和装置
CN113902575A (zh) 基于深度学习的信息推送方法、装置、电子设备及介质
CN110348190B (zh) 基于用户操作行为的用户设备归属判断方法及装置
CN114169906A (zh) 电子券推送方法、装置
CN113240049B (zh) 意图识别方法、装置、服务器以及计算机可读存储介质

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