CN118096291A - 产品推荐方法、装置、设备及存储介质 - Google Patents
产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118096291A CN118096291A CN202410047554.0A CN202410047554A CN118096291A CN 118096291 A CN118096291 A CN 118096291A CN 202410047554 A CN202410047554 A CN 202410047554A CN 118096291 A CN118096291 A CN 118096291A
- Authority
- CN
- China
- Prior art keywords
- insurance product
- client
- target
- preset
- product
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种产品推荐方法、装置、设备及存储介质,属于数据处理领域该方法包括:获取待投保客户的客户信息;通过预设条款匹配模型对客户信息进行保险产品条款匹配,得到待投保客户匹配的多个候选保险产品条款;根据客户信息和各候选保险产品条款进行筛选,确定多个目标保险产品条款;根据多个目标保险产品条款为所述待投保客户推荐保险产品。本方案能够准确地为待投保客户推荐更加合适保险产品,极大地提高了保险产品推荐的精度,能够提高客户对保险企业的信赖度和满意度,极大地提高了保险产品的效率量和竞争力。本申请还涉及区块链技术,该预设条款匹配模型可存储至该区块链。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种产品推荐方法、装置、设备及存储介质。
背景技术
随着保险行业的快速发展,保险产品的种类越来越多,各保险产品具有不同的产品条款、适用场景和保障范围,目前保险业务员基本是在客户的基本信息的基础再根据销售经验向客户推荐保险产品,但是保险业务员向客户推荐保险产品,其无法全面了解客户家庭的风险情况及客户当前的保障情况,致使保险业务员所推荐的保险产品不一定适应于相应用户,导致保险产品的推荐准确度低。
其次,保险产品的保费计算较为复杂,涉及多种风险因素和统计数据,客户难以估算出保费和无法直观地了解不同保障参数对保费的影响,导致客户难以选择更为合适的保险产品。
因此,如何为客户选择更为合适的保险产品是目前亟待解决的问题。
发明内容
本申请的主要目的在于提供一种产品推荐方法、装置、设备及存储介质,旨在提高推荐保险产品的准确性。
第一方面,本申请提供一种产品推荐方法,所述产品推荐方法包括以下步骤:
获取待投保客户的客户信息;
通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款;
根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款;
根据多个所述目标保险产品条款为所述待投保客户推荐保险产品。
第二方面,本申请还提供一种产品推荐装置,所述产品推荐装置包括获取模块、生成模块和推荐模块,其中:
所述获取模块,用于获取待投保客户的客户信息;
所述生成模块,用于通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款,所述预设条款匹配模型为预先训练好的集成算法模型;
所述生成模块,还用于根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款;
所述推荐模块,用于根据多个所述目标保险产品条款为所述待投保客户推荐保险产品。
第三方面,本申请还提供一种计算机设备,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述的产品推荐方法的步骤。
第四方面,本申请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上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如上述的产品推荐方法的步骤。
本申请提供一种产品推荐方法、装置、设备及存储介质,本申请通过获取待投保客户的客户信息;通过预设条款匹配模型对客户信息进行保险产品条款匹配,得到待投保客户匹配的多个候选保险产品条款;根据客户信息和各候选保险产品条款进行筛选,确定多个目标保险产品条款;根据多个目标保险产品条款为所述待投保客户推荐保险产品。本方案能够准确地为待投保客户推荐更加合适保险产品,极大地提高了保险产品推荐的精度,能够提高客户对保险企业的信赖度和满意度,极大地提高了保险产品的效率量和竞争力。
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产品推荐方法的流程示意图;
图2为本申请实施例提供的另一种产品推荐方法的流程示意图;
图3为本申请实施例提供的一种产品推荐装置的示意性框图;
图4为本申请实施例提供的另一种产品推荐装置的示意性框图;
图5为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、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
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。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
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。
本申请实施例提供一种产品推荐方法、装置、设备及存储介质。其中,该产品推荐方法可应用于计算机设备中,该计算机设备可以是手机、平板电脑、笔记本电脑、台式电脑和个人数字助理等电子设备。例如,该计算机设备为台式电脑,台式电脑获取待投保客户的客户信息;通过预设条款匹配模型对客户信息进行保险产品条款匹配,得到待投保客户匹配的多个候选保险产品条款;根据客户信息和各候选保险产品条款进行筛选,确定多个目标保险产品条款;根据多个目标保险产品条款为待投保客户推荐保险产品。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请的实施例提供的一种产品推荐方法的流程示意图。
如图1所示,该产品推荐方法包括步骤S101至步骤S104。
步骤S101、获取待投保客户的客户信息。
其中,该客户信息为待投保客户的基本特征信息,该客户信息可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,该客户信息可以包括年龄、性别、职业、家庭信息和身体健康信息等信息。
在一实施例中,获取待投保客户的客户信息,以根据客户信息准确地为待投保客户推荐合适的保险产品。
在一实施例中,如图2所示,所述步骤S101之前还包括步骤S201至步骤S204。
步骤S201、获取多个样本数据,从多个所述样本数据中选择一个样本数据作为目标样本数据,所述样本数据包括样本投保客户的客户信息和所述样本投保客户匹配的样本保险产品条款。
其中,该样本数据包括样本投保客户的客户信息和样本投保客户匹配的样本保险产品条款,该保险产品条款为保险产品的限制性条款,该保险产品条款至少包括时间、年龄限制、责令限制和免责限制等等。
在一实施例中,获取样本投保客户的客户信息和样本投保客户匹配的样本保险产品条款,以得到一个样本数据,并重复获取不同样本投保客户的客户信息和样本投保客户匹配的样本保险产品条款,以得到多个样本数据。通过重复获取不同样本投保客户的客户信息和样本投保客户匹配的样本保险产品条款,能够准确地得到多个样本数据,极大地提高了训练预设条款匹配模型的效率和准确性。
在一实施例中,从多个样本数据中选择一个样本数据作为目标样本数据,该目标样本数据包括样本投保客户的客户信息和样本投保客户匹配的样本保险产品条款。需要说明的是,选择目标样本数据的方式可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,随机地选择一个样本数据作为目标样本数据。
步骤S202、通过预设条款匹配模型对所述目标样本数据进行保险产品条款匹配,得到预测保险产品条款。
其中,该预设条款匹配模型可以根据实际情况进行选择,本发明实施例对此不做具体限定,例如,该预设条款匹配模型可以是Adaboost集成学习算法,当然该预设条款匹配模型还可以是神经网络模型。需要说明的是,本发明实施例以Adaboost集成学习算法为例进行示范,但并不对其他方式进行限定。
在一实施例中,通过预设条款匹配模型对目标样本数据中的样本投保客户的客户信息进行保险产品条款匹配,得到预测保险产品条款。通过预设条款匹配模型对客户信息保险产品条款匹配,能够准确地得到预测保险产品条款,极大地提高了训练条款匹配模型的效率和准确性。
在一实施例中,将样本投保客户的客户信息输入至预设基分类器中,并基于预设权重参数的进行保险产品条款匹配,得到预测保险产品条款。其中,该预设权重参数为预设基分类器的模型参数。通过预设基分类器中的预设权重参数的进行保险产品条款匹配,能够准确地得到预测保险产品条款。
步骤S203、根据所述预测保险产品条款和样本保险产品条款,确定所述预设条款匹配模型是否收敛。
在一实施例中,根据预测保险产品条款和样本保险产品条款,确定误差率;在所述误差率大于或等于预设误差率的情况下,确定预设条款匹配模型未收敛;在误差率小于预设误差率的情况下,确定预设条款匹配模型已收敛。其中,该预设误差率可以根据实际情况进行设置,本发明实施例对此不做具体限定。
在一实施例中,根据预测保险产品条款和样本保险产品条款,确定误差率的方式可以为:确定预测保险产品条款中与样本保险产品条款相同条款的数量,得到预测正确条款数量,将预测正确条款数量除以样本保险产品条款数量,得到正确率,用单位1减去正确率得到误差率。根据预测正确条款数量和样本保险产品条款数量,能够准确地得到误差率。
步骤S204、在所述预设条款匹配模型未收敛的情况下,更新所述预设条款匹配模型的模型参数,并继续执行从多个所述样本数据中选择一个样本数据作为目标样本数据的步骤,直至所述预设条款匹配模型收敛。
在误差率大于或等于预设误差率的情况下,确定预设条款匹配模型未收敛,更新预设条款匹配模型的模型参数,并继续执行从多个样本数据中选择一个样本数据作为目标样本数据的步骤,直至预设条款匹配模型收敛。通过对模型参数进行更新,并继续进行训练,能够准确地得到收敛的条款匹配模型。在一实施例中,更新预设条款匹配模型的模型参数的方式可以为:获取预设第一公式,该预设第一公式为β=εt/(1-εt),其中β为误差系数,εt为误差率,基于该预设第一公式并根据误差率计算出,误差系数;获取预设第二公式,该预设第二公式为αt=log(1/β),其中,β为误差系数,αt权重系数,基于该预设第二公式并根据误差系数计算出权重系数。根据权重系数预设条款匹配模型中的各参数进行更新,以生成更新后的预设条款匹配模型。
上述实施例中通过获取多个样本数据,从多个样本数据中选择一个样本数据作为目标样本数据,样本数据包括样本投保客户的客户信息和样本投保客户匹配的样本保险产品条款;通过预设条款匹配模型对目标样本数据进行保险产品条款匹配,得到预测保险产品条款;根据预测保险产品条款和样本保险产品条款,确定预设条款匹配模型是否收敛;在预设条款匹配模型未收敛的情况下,更新预设条款匹配模型的模型参数,并继续执行从多个样本数据中选择一个样本数据作为目标样本数据的步骤,直至预设条款匹配模型收敛,能够准确地得到条款匹配模型。
步骤S102、通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款。
其中,该候选保险产品条款是预设条款匹配模型筛选出符合待投保客户的保险产品条款。
在一实施例中,通过预设条款匹配模型对客户信息和各保险产品条款进行匹配,得到待投保客户与各所述保险产品条款的匹配结果;将匹配结果为第一匹配结果的保险产品条款确定为候选保险产品条款,得到待投保客户匹配的多个候选保险产品条款。通过预设条款匹配模型对客户信息和各保险产品条款进行匹配,能够准确地得到候选保险产品条款。
需要说明的是,该配结果为预设条款匹配模型对各保险产品条款进行匹配得到的,匹配结果包括第一匹配结果和第二匹配结果,该第一匹配结果用于表征客户信息与保险产品条款匹配,第二匹配结果用于表征客户信息与保险产品条款不匹配。
在一实施例中,通过预设条款匹配模型对客户信息和各保险产品条款进行匹配,得到待投保客户与各所述保险产品条款的匹配结果,将匹配结果为第二匹配结果的保险产品条款剔除。
步骤S103、根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款。
其中,目标保险产品条款为符合待投保客户保费预期的保险产品条款。
在一实施例中,根据预设风险评估模型对客户信息进行分析,确定待投保客户的预期的保费参数;根据所述预期的保费参数从多个候选保险产品条款中进行保险产品条款筛选,得到多个目标保险产品条款。通过预设风险评估模型对客户信息进行分析,能够准确地得到待投保客户的预期的保费参数,并根据预期的保费参数能够准确地确定目标保险产品条款,极大地提高了保险产品推荐的效率和准确性。
需要说明的是,预设风险评估模型是基于用户承受能力和风险状况进行设置,该预设风险评估模型可以根据实际情况进行设置,本发明实施例对此不做具体限定。
步骤S104、根据多个所述目标保险产品条款为所述待投保客户推荐保险产品。
其中,推荐保险产品为待投保客户最合适的保险产品。
在一实施例中,确定是否存在包含各目标保险产品条款的保险产品;在存在包含各目标保险产品条款的保险产品的情况下,将保险产品作为待投保客户的目标推荐保险产品。通过将包含各目标保险产品条款的保险产品作为目标推荐保险产品,极大地提高了保险产品的效率和准确性。
示例性的,待投保客户的目标保险产品条款包括条款1、条款5、条款7、条款12和条款22,保险产品D的产品条款包括条款1、条款4、条款5、条款7、条款10、条款12、条款15、条款18、条款20、条款22、条款25和条款30,由此可知,保险产品D包括目标保险产品条款中的条款1、条款5、条款7、条款12和条款22,将保险产品D确定为待投保客户的目标推荐保险产品。
在一实施例中,在不存在包含各目标保险产品条款的保险产品的情况下,根据各目标保险产品条款和所述客户信息,选择匹配度最高的保险产品作为待投保客户的目标推荐保险产品。将产品条款匹配最高的保险产品作为待投保客户的目标推荐保险产品,极大地提高了保险产品推荐的效率和准确性。
示例性的,待投保客户的目标保险产品条款包括条款1、条款5、条款7、条款12和条款22,保险产品D的产品条款包括条款1、条款5、条款7和条款12(其他条款省略),保险产品M的产品条款包括条款1、条款5和条款22,将保险产品D确定为待投保客户的目标推荐保险产品。
在一实施例中,在不存在包含各目标保险产品条款的保险产品的情况下,根据各目标保险产品条款和客户信息,为待投保客户选择多款保险产品进行组合,作为待投保客户的目标推荐保险产品。通过目标保险产品条款和客户信息选择多个保险产品进行组合,以使待投保客户选择到满意的保险产品,极大地提高了保险产品推荐的精度,能够提高客户对保险企业的信赖度和满意度,极大地提高了保险产品的效率量和竞争力。
上述实施例提供的产品推荐方法,通过获取待投保客户的客户信息;通过预设条款匹配模型对客户信息进行保险产品条款匹配,得到待投保客户匹配的多个候选保险产品条款;根据客户信息和各候选保险产品条款进行筛选,确定多个目标保险产品条款;根据多个目标保险产品条款为所述待投保客户推荐保险产品。本方案能够准确地为待投保客户推荐更加合适保险产品,极大地提高了保险产品推荐的精度,能够提高客户对保险企业的信赖度和满意度,极大地提高了保险产品的效率量和竞争力。
请参阅图3,图3为本申请实施例提供的一种产品推荐装置的示意性框图;
如图3所示,所述产品推荐装置300包括获取模块310、生成模块320和推荐模块330,其中:
所述获取模块310,用于获取待投保客户的客户信息;
所述生成模块320,用于通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款,所述预设条款匹配模型为预先训练好的集成算法模型;
所述生成模块320,还用于根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款;
所述推荐模块330,用于根据多个所述目标保险产品条款为所述待投保客户推荐保险产品。
在一实施例中,所述生成模块320,还用于:
通过所述预设条款匹配模型对所述客户信息和各保险产品条款进行匹配,得到所述待投保客户与各所述保险产品条款的匹配结果;
将匹配结果为第一匹配结果的保险产品条款确定为候选保险产品条款,得到所述待投保客户匹配的多个候选保险产品条款。
在一实施例中,所述生成模块320,还用于:
根据预设风险评估模型对所述客户信息进行分析,确定所述待投保客户的预期的保费参数;
根据所述预期的保费参数从多个所述候选保险产品条款中进行保险产品条款筛选,得到多个所述目标保险产品条款。
在一实施例中,所述推荐模块330,还用于:
确定是否存在包含各所述目标保险产品条款的保险产品;
在存在包含各所述目标保险产品条款的保险产品的情况下,将所述保险产品作为所述待投保客户的目标推荐保险产品。
在一实施例中,所述推荐模块330,还用于:
在不存在包含各所述目标保险产品条款的保险产品的情况下,根据各目标保险产品条款和所述客户信息,选择匹配度最高的保险产品作为所述待投保客户的目标推荐保险产品。
请参阅图4,图4为本申请实施例提供的另一种产品推荐装置的示意性框图;
如图4所示,所述产品推荐装置400包括获取模块410、选取模块420、生成模块430、确定模块440和更新模块450,其中:
所述获取模块410,用于获取多个样本数据,所述样本数据包括样本投保客户的客户信息和所述样本投保客户匹配的样本保险产品条款;
所述选取模块420,用于从多个所述样本数据中选择一个样本数据作为目标样本数据;
所述生成模块430,用于通过预设条款匹配模型对所述目标样本数据进行保险产品条款匹配,得到预测保险产品条款;
所述生成模块430,还用于根据所述预测保险产品条款和样本保险产品条款,确定所述预设条款匹配模型是否收敛;
所述更新模块450,用于在所述预设条款匹配模型未收敛的情况下,更新所述预设条款匹配模型的模型参数,并继续执行从多个所述样本数据中选择一个样本数据作为目标样本数据的步骤,直至所述预设条款匹配模型收敛。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述产品推荐装置的具体工作过程,可以参考前述产品推荐方法实施例中的对应过程,在此不再赘述
请参阅图5,图5为本申请实施例提供的一种计算机设备的结构示意性框图。
如图5所示,该计算机设备500包括通过***总线501连接的处理器502和存储器503,其中,存储器503可以包括存储介质和内存储器。
存储介质可存储计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种产品推荐方法。
处理器502用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种产品推荐方法。
本领域技术人员可以理解,图5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。
应当理解的是,处理器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)、现场可编程门阵列(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。其中,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。
其中,在一个实施例中,所述处理器502用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取待投保客户的客户信息;
通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款;
根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款;
根据多个所述目标保险产品条款为所述待投保客户推荐保险产品。
在一个实施例中,所述处理器502在实现所述通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款时,用于实现:
通过所述预设条款匹配模型对所述客户信息和各保险产品条款进行匹配,得到所述待投保客户与各所述保险产品条款的匹配结果;
将匹配结果为第一匹配结果的保险产品条款确定为候选保险产品条款,得到所述待投保客户匹配的多个候选保险产品条款。
在一个实施例中,所述处理器502在实现所述根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款时,用于实现:
根据预设风险评估模型对所述客户信息进行分析,确定所述待投保客户的预期的保费参数;
根据所述预期的保费参数从多个所述候选保险产品条款中进行保险产品条款筛选,得到多个所述目标保险产品条款。
在一个实施例中,所述处理器502在实现所述根据多个所述目标保险产品条款为所述待投保客户推荐保险产品时,用于实现:
确定是否存在包含各所述目标保险产品条款的保险产品;
在存在包含各所述目标保险产品条款的保险产品的情况下,将所述保险产品作为所述待投保客户的目标推荐保险产品。
在一个实施例中,所述处理器502在实现所述确定是否存在包含各所述目标保险产品条款的保险产品时,用于实现:
在不存在包含各所述目标保险产品条款的保险产品的情况下,根据各目标保险产品条款和所述客户信息,选择匹配度最高的保险产品作为所述待投保客户的目标推荐保险产品。
在一个实施例中,所述处理器502在实现所述获取待投保客户的客户信息之前,还用于实现:
获取多个样本数据,从多个所述样本数据中选择一个样本数据作为目标样本数据,所述样本数据包括样本投保客户的客户信息和所述样本投保客户匹配的样本保险产品条款;
通过预设条款匹配模型对所述目标样本数据进行保险产品条款匹配,得到预测保险产品条款;
根据所述预测保险产品条款和样本保险产品条款,确定所述预设条款匹配模型是否收敛;
在所述预设条款匹配模型未收敛的情况下,更新所述预设条款匹配模型的模型参数,并继续执行从多个所述样本数据中选择一个样本数据作为目标样本数据的步骤,直至所述预设条款匹配模型收敛。
在一个实施例中,所述处理器502在实现所述根据所述预测保险产品条款和样本保险产品条款,确定所述预设条款匹配模型是否收敛时,用于实现:
根据所述预测保险产品条款和样本保险产品条款,确定误差率;
在所述误差率大于或等于预设误差率的情况下,确定所述预设条款匹配模型未收敛;
在所述误差率小于预设误差率的情况下,确定所述预设条款匹配模型已收敛。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描计算机设备的具体工作过程,可以参考前述产品推荐方法实施例中的对应过程,在此不再赘述。
本申请实施例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上存储有计算机程序,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请产品推荐方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质可以是非易失性的,也可以是易失性的。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机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可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。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***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***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***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。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。
Claims (10)
1.一种产品推荐方法,其特征在于,包括:
获取待投保客户的客户信息;
通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款;
根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款;
根据多个所述目标保险产品条款为所述待投保客户推荐保险产品。
2.如权利要求1所述的产品推荐方法,其特征在于,所述通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款,包括:
通过所述预设条款匹配模型对所述客户信息和各保险产品条款进行匹配,得到所述待投保客户与各所述保险产品条款的匹配结果;
将匹配结果为第一匹配结果的保险产品条款确定为候选保险产品条款,得到所述待投保客户匹配的多个候选保险产品条款。
3.如权利要求1所述的产品推荐方法,其特征在于,所述根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款,包括:
根据预设风险评估模型对所述客户信息进行分析,确定所述待投保客户的预期的保费参数;
根据所述预期的保费参数从多个所述候选保险产品条款中进行保险产品条款筛选,得到多个所述目标保险产品条款。
4.如权利要求1所述的产品推荐方法,其特征在于,所述根据多个所述目标保险产品条款为所述待投保客户推荐保险产品,包括:
确定是否存在包含各所述目标保险产品条款的保险产品;
在存在包含各所述目标保险产品条款的保险产品的情况下,将所述保险产品作为所述待投保客户的目标推荐保险产品。
5.如权利要求4所述的产品推荐方法,其特征在于,所述确定是否存在包含各所述目标保险产品条款的保险产品,包括:
在不存在包含各所述目标保险产品条款的保险产品的情况下,根据各目标保险产品条款和所述客户信息,选择匹配度最高的保险产品作为所述待投保客户的目标推荐保险产品。
6.如权利要求1-5中任一项所述的产品推荐方法,其特征在于,所述获取待投保客户的客户信息之前,还包括:
获取多个样本数据,从多个所述样本数据中选择一个样本数据作为目标样本数据,所述样本数据包括样本投保客户的客户信息和所述样本投保客户匹配的样本保险产品条款;
通过预设条款匹配模型对所述目标样本数据进行保险产品条款匹配,得到预测保险产品条款;
根据所述预测保险产品条款和样本保险产品条款,确定所述预设条款匹配模型是否收敛;
在所述预设条款匹配模型未收敛的情况下,更新所述预设条款匹配模型的模型参数,并继续执行从多个所述样本数据中选择一个样本数据作为目标样本数据的步骤,直至所述预设条款匹配模型收敛。
7.如权利要求6所述的产品推荐方法,其特征在于,所述根据所述预测保险产品条款和样本保险产品条款,确定所述预设条款匹配模型是否收敛,包括:
根据所述预测保险产品条款和样本保险产品条款,确定误差率;
在所述误差率大于或等于预设误差率的情况下,确定所述预设条款匹配模型未收敛;
在所述误差率小于预设误差率的情况下,确定所述预设条款匹配模型已收敛。
8.一种产品推荐装置,其特征在于,所述产品推荐装置包括获取模块、生成模块和推荐模块,其中:
所述获取模块,用于获取待投保客户的客户信息;
所述生成模块,用于通过预设条款匹配模型对所述客户信息进行保险产品条款匹配,得到所述待投保客户匹配的多个候选保险产品条款,所述预设条款匹配模型为预先训练好的集成算法模型;
所述生成模块,还用于根据所述客户信息和各所述候选保险产品条款进行筛选,确定多个目标保险产品条款;
所述推荐模块,用于根据多个所述目标保险产品条款为所述待投保客户推荐保险产品。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的产品推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410047554.0A CN118096291A (zh) | 2024-01-11 | 2024-01-11 | 产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410047554.0A CN118096291A (zh) | 2024-01-11 | 2024-01-11 | 产品推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118096291A true CN118096291A (zh) | 2024-05-28 |
Family
ID=91146910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410047554.0A Pending CN118096291A (zh) | 2024-01-11 | 2024-01-11 | 产品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118096291A (zh) |
-
2024
- 2024-01-11 CN CN202410047554.0A patent/CN118096291A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11734609B1 (en) | Customized predictive analytical model training | |
CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
WO2012145616A2 (en) | Predictive modeling | |
WO2016034996A1 (en) | Healthcare similarity engine and dashboard | |
JP7139932B2 (ja) | 需要予測方法、需要予測プログラムおよび需要予測装置 | |
US20220351004A1 (en) | Industry specific machine learning applications | |
CN108829668B (zh) | 文本信息的生成方法、装置、计算机设备及存储介质 | |
US20220198266A1 (en) | Using disentangled learning to train an interpretable deep learning model | |
CN112070545B (zh) | 用于优化信息触达的方法、装置、介质和电子设备 | |
US20220083871A1 (en) | Generating realistic counterfactuals with residual generative adversarial nets | |
CN112470172A (zh) | 使用随机序列嵌入的符号序列分析的计算效率 | |
AU2021276239A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning | |
Zhan et al. | Methods for dealing with unequal cluster sizes in cluster randomized trials: A scoping review | |
CN116680401A (zh) | 文档处理方法、文档处理装置、设备及存储介质 | |
US20230153843A1 (en) | System to combine intelligence from multiple sources that use disparate data sets | |
CN118096291A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN113435741A (zh) | 培训计划生成方法、装置、设备及存储介质 | |
CN112988699B (zh) | 模型训练方法、数据标签的生成方法及装置 | |
Slabchenko et al. | Development of models for imputation of data from social networks on the basis of an extended matrix of attributes | |
US20220277209A1 (en) | Provider performance scoring using supervised and unsupervised learning | |
US20230281275A1 (en) | Identification method and information processing device | |
Korolev et al. | Applying Time Series for Background User Identification Based on Their Text Data Analysis | |
CN113591458B (zh) | 基于神经网络的医学术语处理方法、装置、设备及存储介质 | |
CN110309127B (zh) | 一种数据处理方法、装置及电子设备 | |
Taha et al. | Machine Learning Techniques for Predicting Heart Diseases |
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 |