WO2019169756A1 - 产品推荐方法、装置及存储介质 - Google Patents

产品推荐方法、装置及存储介质 Download PDF

Info

Publication number
WO2019169756A1
WO2019169756A1 PCT/CN2018/089127 CN2018089127W WO2019169756A1 WO 2019169756 A1 WO2019169756 A1 WO 2019169756A1 CN 2018089127 W CN2018089127 W CN 2018089127W WO 2019169756 A1 WO2019169756 A1 WO 2019169756A1
Authority
WO
WIPO (PCT)
Prior art keywords
customer
target
sample
class
predetermined
Prior art date
Application number
PCT/CN2018/089127
Other languages
English (en)
French (fr)
Inventor
金戈
徐亮
肖京
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2019169756A1 publication Critical patent/WO2019169756A1/zh

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
    • 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

Definitions

  • the present application relates to the field of computer technologies, and in particular, to a product recommendation method, an electronic device, and a computer readable storage medium.
  • the present application provides a product recommendation method, an electronic device, and a computer readable storage medium.
  • the main purpose of the present invention is to analyze a product recommended to a target customer according to the characteristic data of the target customer, and improve the recommendation accuracy rate of the product.
  • the present application provides an electronic device including a memory, a processor, and a memory recommendation program stored on the processor, the program being implemented by the processor The following steps:
  • the feature data including asset, medical, work, and living information
  • the present application further provides a product recommendation method, the method comprising:
  • the feature data including asset, medical, work, and living information
  • the present application further provides a computer readable storage medium having stored thereon a product recommendation program, which is executed by a processor to implement any of the product recommendation methods as described above. step.
  • the product recommendation method, the electronic device and the computer readable storage medium proposed by the present application determine the customer class to which the target customer belongs according to the feature data of the target customer, and use the analysis model corresponding to the customer class to which the target customer belongs. Analyze the product recommended to the target customer and recommend it to the product, which improves the recommendation accuracy of the product, thereby improving the target customer's purchase rate.
  • FIG. 1 is a schematic diagram of a preferred embodiment of an electronic device of the present application.
  • FIG. 2 is a schematic diagram of the operation mechanism of the analysis model
  • FIG. 3 is a schematic diagram of a program module of the product recommendation program in FIG. 1;
  • FIG. 4 is a flow chart of a preferred embodiment of a product recommendation method of the present application.
  • the present application provides a product recommendation method that is applied to an electronic device 1.
  • FIG. 1 it is a schematic diagram of a preferred embodiment of the electronic device 1 of the present application.
  • the electronic device 1 may be a terminal device with a data processing function, such as a server, a smart phone, a tablet computer, a portable computer, a desktop computer, etc.
  • the server may be a rack server, a blade server, or a tower. Server or rack server.
  • the electronic device 1 includes a memory 11, a processor 12, a communication bus 13, and a network interface 14.
  • the memory 11 includes at least one type of readable storage medium including a flash memory, a hard disk, a multimedia card, a card type memory (for example, an SD or DX memory, etc.), a magnetic memory, a magnetic disk, an optical disk, and the like.
  • the memory 11 may be an internal storage unit of the electronic device 1, such as a hard disk of the electronic device 1, in some embodiments.
  • the memory 11 may also be an external storage device of the electronic device 1 in other embodiments, such as a plug-in hard disk equipped on the electronic device 1, a smart memory card (SMC), and a secure digital (Secure Digital) , SD) card, flash card (Flash Card), etc.
  • the memory 11 may also include both an internal storage unit of the electronic device 1 and an external storage device.
  • the memory 11 can be used not only for storing application software and various types of data installed in the electronic device 1, such as the product recommendation program 10, preset analysis rules, predetermined analysis models, etc., but also for temporarily storing the output or The data to be
  • the processor 12 may be a Central Processing Unit (CPU), controller, microcontroller, microprocessor or other data processing chip for running program code or processing stored in the memory 11. Data, such as product recommendation program 10, etc.
  • CPU Central Processing Unit
  • controller microcontroller
  • microprocessor or other data processing chip for running program code or processing stored in the memory 11.
  • Data such as product recommendation program 10, etc.
  • Communication bus 13 is used to implement connection communication between these components.
  • the network interface 14 can optionally include a standard wired interface, a wireless interface (such as a WI-FI interface), and is generally used to establish a communication connection between the electronic device 1 and other electronic devices.
  • the electronic device 1 accesses a service server, such as a bank server, a medical server, an insurance server, etc., through the network interface 14 to obtain related business data.
  • a service server such as a bank server, a medical server, an insurance server, etc.
  • Figure 1 shows only the electronic device 1 with components 11-14, but it should be understood that not all illustrated components may be implemented, and more or fewer components may be implemented instead.
  • the electronic device 1 may further include a user interface
  • the user interface may include a display, an input unit such as a keyboard, and the optional user interface may further include a standard wired interface and a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch liquid crystal display, and an Organic Light-Emitting Diode (OLED) touch device.
  • the display may also be referred to as a display screen or display unit for displaying information processed in the electronic device 1 and a user interface for displaying visualizations.
  • a product recommendation program 10 is stored in the memory 11.
  • the processor 12 executes the product recommendation program 10 stored in the memory 11, the following steps are implemented:
  • the feature data including asset, medical, work, and living information
  • the scheme is described by taking an insurance product of an institution as an example, but it is not limited to the recommendation of the insurance product.
  • the customer database (not identified in the figure), for example, the ID number, or the name, mobile phone number and ID number, according to the target customer.
  • Customer attribute data which extracts various feature data of the target customer from different business servers (not identified in the figure).
  • the service server may be a bank server, a medical server, an insurance server, an instant messaging server, a game server, a take-out server, and/or a resume server; and various characteristic data may be information such as a bank loan amount and a repayment request, and an outpatient medical record.
  • Information for example, the number of visits in a preset period of time, the type of disease, the duration of each illness, etc., insurance information "for example, industry, gender, age, marital status, occupation, etc.”, instant messaging tools
  • the usage information of the account for example, information such as the communication tool daily login time information, daily online duration, etc., game information "for example, daily game login time information, daily game online time and other information", take-out order information "for example, daily The information on the time of takeaway, the type of takeaway that is taken out every day, etc., and the information on the resume of the job search, for example, information such as hobbies, personality, work experience, etc.
  • the target customer's characteristic data will change greatly with time.
  • the target customer's feature data is filtered in the time dimension. Only the feature data of the target customer within the first preset time (for example, within one year from the current time) is retained.
  • the first thing is to understand the characteristics of the target customer, that is, the customer category to which the target customer belongs. After obtaining various characteristic data of the target customer, the analysis is performed according to a preset analysis rule to determine the customer class to which the target customer belongs.
  • the preset analysis rule includes: generating a corresponding feature vector according to the feature data of the target client, and respectively calculating an Euclidean distance from the predetermined preset number of target cluster centers, where each The target clustering center corresponds to a customer class; and, according to the Euclidean distance of the target customer and the preset number of target cluster centers, the target cluster center corresponding to the minimum Euclidean distance is selected, and the target tag is marked for the target customer. , determine the customer class to which the target customer belongs.
  • the preset number of cluster centers obtained by the last clustering is directly used as the initial clustering center of the current cluster.
  • the Euclidean distance dij of each customer sample and k cluster centers is respectively calculated, where i is a certain cluster center, and j is a certain Customer samples, where i ⁇ [1,k],j ⁇ [1,m]. It should be noted that if the current clustering is not the first clustering, the initial label of each customer sample needs to be considered. Specifically, the customer sample of the category label tj ⁇ -1 is updated according to the corresponding category label.
  • the cluster center corresponding to the cluster set Ui' is recalculated according to the preset number of cluster clusters Ui' updated by the initial cluster center, and a new cluster center set is obtained.
  • M′ if the Euclidean distance between the feature vector corresponding to the feature data of the updated cluster center and the feature vector corresponding to the feature data of the initial cluster center satisfies a preset condition (for example, less than a preset threshold Y), Stop the calculation, take a preset number of new cluster centers as the target cluster center, and output the target cluster center set M' and its corresponding category label B as the final determined k customer classes, and determine each predetermined one.
  • a preset condition for example, less than a preset threshold Y
  • the category label corresponding to the customer sample that is, the customer class to which it belongs. If the Euclidean distance between the feature vector corresponding to the feature data of the updated cluster center and the feature vector corresponding to the feature data of the initial cluster center does not satisfy the preset condition, the flow returns to calculating each customer sample and the preset number.
  • the pre-trained analysis model corresponding to the customer class to which the target customer belongs is retrieved, and the feature vector corresponding to the target customer's feature data is input into the analysis model to obtain an insurance product to be recommended to the user.
  • the predetermined customer samples for example, 500,000
  • the third preset time for example, within the last 3 years, or all historical time.
  • Pre-determined customer recommended insurance products
  • purchase information may be: on December 1, 2017, three insurance products X1, X2, and X3 are recommended to the customer A, and the customer A purchases the insurance product X1.
  • each predetermined customer sample is divided into three customer classes C1, C2, and C3, and the purchase information of all the customer samples under the customer class C1 for the recommended insurance product is used as the analysis model corresponding to the customer class C1.
  • Training sample data taking the purchase information of all the customer samples under the customer class C2 for the recommended insurance product as the training sample data of the analysis model corresponding to the customer class C2; purchasing all the customer samples under the customer class C3 for the recommended insurance product
  • the information is the training sample data of the analysis model corresponding to the client class C3.
  • the corresponding analysis model is trained by using the training sample data corresponding to each customer class. For example, there are three customer classes C1, C2, and C3.
  • the training sample data corresponding to the customer class C1 is used to train the analysis model corresponding to the customer class C1; the training sample data corresponding to the customer class C2 is used to train the analysis model corresponding to the client class C2.
  • the training sample data corresponding to the customer class C3 is used to train the analysis model corresponding to the client class C3.
  • the analysis model is a reinforcement learning model, for example, a Deep Q-Network (DQN) model, as shown in FIG. 2, which is a schematic diagram of an operation mechanism of the analysis model.
  • the purpose of reinforcement learning is to learn the strategy from environmental state to behavior ⁇ :S ⁇ A, so that the behavior selected by the agent can obtain the maximum reward of environmental feedback, so that the external environment evaluates the learning system in a certain sense (or the whole The system's operating performance) is optimal.
  • the reward calculation method can adopt the T-step cumulative reward, where r t represents the t-th reward:
  • the strategy evaluation function can use a state-action value function to indicate the cumulative reward from the state x, the t-th execution action is a and then the strategy ⁇ is used:
  • the insurance product recommended by the target customer is analyzed by using the classification model of the preset structure corresponding to the customer class to which the target customer belongs, and the insurance product is recommended to the target customer.
  • the mobile phone number of the target customer can be read, and the corresponding insurance product is recommended to the target customer in the form of a short message.
  • the analysis model needs to be updated. Specifically, acquiring new purchase information of the target customer for the recommended insurance product within a fourth preset time (for example, within three months after the last model training); using the acquired new purchase information as the customer to which the target customer belongs The supplemental training sample data of the analysis model corresponding to the class, using the supplementary training sample data, intensively training the analysis model corresponding to the customer class to which the target customer belongs, and obtaining the updated analysis model. Subsequent analysis When the insurance product is recommended to other customers of the target customer's customer category, the corresponding updated analysis model is used for analysis, so that the analysis result is more accurate and the user's purchase rate of the insurance product is improved.
  • a fourth preset time for example, within three months after the last model training
  • the electronic device 1 proposed in the above embodiment determines the customer class to which the target customer belongs according to the feature data of the target customer, and analyzes the recommended product recommended by the target customer by using the analysis model corresponding to the customer class to which the target customer belongs, and recommends to the product. This product improves the recommendation accuracy of the product, thereby increasing the purchase rate of the target customer.
  • the product recommendation program 10 may also be divided into one or more modules, one or more modules being stored in the memory 11 and being processed by one or more processors (this embodiment) Executed for processor 12) to accomplish the present application, a module referred to herein refers to a series of computer program instructions that are capable of performing a particular function.
  • FIG. 3 it is a schematic diagram of a program module of the product recommendation program 10 in FIG. 1.
  • the product recommendation program 10 can be divided into an acquisition module 110, a classification module 120, an analysis module 130, and a recommendation module 140.
  • the functions or operational steps implemented by the modules 110-140 are similar to the above, and are not described in detail herein, by way of example, for example:
  • the obtaining module 110 is configured to acquire feature data of the target customer in a first preset time, where the feature data includes asset, medical, work, and living information;
  • the classification module 120 is configured to analyze, according to the feature data and a preset analysis rule, a client class to which the target client belongs;
  • the analyzing module 130 is configured to input the feature data into a pre-trained analysis model corresponding to the customer class, and predict a product that the target customer may have an intent to purchase;
  • the recommendation module 140 is configured to recommend the product to the target customer.
  • the present application also provides a product recommendation method.
  • a product recommendation method Referring to FIG. 4, a flow chart of a preferred embodiment of the product recommendation method of the present application is shown. The method can be performed by a device that can be implemented by software and/or hardware.
  • the product recommendation method includes steps S1-S4:
  • Step S1 acquiring feature data of the target customer in the first preset time, including: assets, medical, work, and living information;
  • Step S2 analyzing, according to the feature data and a preset analysis rule, a client class to which the target client belongs;
  • Step S3 inputting the feature data into a pre-trained analysis model corresponding to the client class, and predicting that the target customer may have a product with an intention to purchase;
  • step S4 the product is recommended to the target customer.
  • the scheme is described by taking an insurance product of an institution as an example, but it is not limited to the recommendation of the insurance product.
  • the customer database (not identified in the figure), for example, the ID number, or the name, mobile phone number and ID number, according to the target customer.
  • Customer attribute data which extracts various feature data of the target customer from different business servers (not identified in the figure).
  • the service server may be a bank server, a medical server, an insurance server, an instant messaging server, a game server, a take-out server, and/or a resume server; and various characteristic data may be information such as a bank loan amount and a repayment request, and an outpatient medical record.
  • Information for example, the number of visits in a preset period of time, the type of disease, the duration of each illness, etc., insurance information "for example, industry, gender, age, marital status, occupation, etc.”, instant messaging tools
  • the usage information of the account for example, information such as the communication tool daily login time information, daily online duration, etc., game information "for example, daily game login time information, daily game online time and other information", take-out order information "for example, daily The information on the time of takeaway, the type of takeaway that is taken out every day, etc., and the information on the resume of the job search, for example, information such as hobbies, personality, work experience, etc.
  • the target customer's characteristic data will change greatly with time.
  • the target customer's feature data is filtered in the time dimension. Only the feature data of the target customer within the first preset time (for example, within one year from the current time) is retained.
  • the first thing is to understand the characteristics of the target customer, that is, the customer category to which the target customer belongs. After obtaining various characteristic data of the target customer, the analysis is performed according to a preset analysis rule to determine the customer class to which the target customer belongs.
  • the preset analysis rule includes: generating a corresponding feature vector according to the feature data of the target client, and respectively calculating an Euclidean distance from the predetermined preset number of target cluster centers, where each The target clustering center corresponds to a customer class; and, according to the Euclidean distance of the target customer and the preset number of target cluster centers, the target cluster center corresponding to the minimum Euclidean distance is selected, and the target tag is marked for the target customer. , determine the customer class to which the target customer belongs.
  • the preset number of cluster centers obtained by the last clustering is directly used as the initial clustering center of the current cluster.
  • the Euclidean distance dij of each customer sample and k cluster centers is respectively calculated, where i is a certain cluster center, and j is a certain Customer samples, where i ⁇ [1,k],j ⁇ [1,m]. It should be noted that if the current clustering is not the first clustering, the initial label of each customer sample needs to be considered. Specifically, the customer sample of the category label tj ⁇ -1 is updated according to the corresponding category label.
  • the cluster center corresponding to the cluster set Ui' is recalculated according to the preset number of cluster clusters Ui' updated by the initial cluster center, and a new cluster center set is obtained.
  • M′ if the Euclidean distance between the feature vector corresponding to the feature data of the updated cluster center and the feature vector corresponding to the feature data of the initial cluster center satisfies a preset condition (for example, less than a preset threshold Y), Stop the calculation, take a preset number of new cluster centers as the target cluster center, and output the target cluster center set M' and its corresponding category label B as the final determined k customer classes, and determine each predetermined one.
  • a preset condition for example, less than a preset threshold Y
  • the category label corresponding to the customer sample that is, the customer class to which it belongs. If the Euclidean distance between the feature vector corresponding to the feature data of the updated cluster center and the feature vector corresponding to the feature data of the initial cluster center does not satisfy the preset condition, the flow returns to calculating each customer sample and the preset number.
  • the pre-trained analysis model corresponding to the customer class to which the target customer belongs is retrieved, and the feature vector corresponding to the target customer's feature data is input into the analysis model to obtain an insurance product recommended to the user.
  • the predetermined customer samples for example, 500,000
  • the third preset time for example, within the last 3 years, or all historical time.
  • Pre-determined customer recommended insurance products
  • purchase information may be: On December 1, 2017, three insurance products X1, X2, and X3 were recommended to the customer A, and the customer A purchased the insurance product X1.
  • each predetermined customer sample is divided into three customer classes C1, C2, and C3, and the purchase information of all the customer samples under the customer class C1 for the recommended insurance product is used as the analysis model corresponding to the customer class C1.
  • Training sample data taking the purchase information of all the customer samples under the customer class C2 for the recommended insurance product as the training sample data of the analysis model corresponding to the customer class C2; purchasing all the customer samples under the customer class C3 for the recommended insurance product
  • the information is the training sample data of the analysis model corresponding to the client class C3.
  • the corresponding analysis model is trained by using the training sample data corresponding to each customer class. For example, there are three customer classes C1, C2, and C3.
  • the training sample data corresponding to the customer class C1 is used to train the analysis model corresponding to the customer class C1; the training sample data corresponding to the customer class C2 is used to train the analysis model corresponding to the client class C2.
  • the training sample data corresponding to the customer class C3 is used to train the analysis model corresponding to the client class C3.
  • the analysis model is a reinforcement learning model, for example, a Deep Q-Network (DQN) model, as shown in FIG. 2, which is a schematic diagram of an operation mechanism of the analysis model.
  • the purpose of reinforcement learning is to learn the strategy from environmental state to behavior ⁇ :S ⁇ A, so that the behavior selected by the agent can obtain the maximum reward of environmental feedback, so that the external environment evaluates the learning system in a certain sense (or the whole The system's operating performance) is optimal.
  • the reward calculation method can adopt the T-step cumulative reward, where r t represents the t-th reward:
  • the strategy evaluation function can use the state-action value function to indicate the cumulative reward from the state x, the t-th execution as a and then the strategy ⁇ :
  • the insurance product recommended by the target customer is analyzed by using the classification model of the preset structure corresponding to the customer class to which the target customer belongs, and the insurance product is recommended to the target customer.
  • the mobile phone number of the target customer can be read, and the corresponding insurance product is recommended to the target customer in the form of a short message.
  • the analysis model needs to be updated. Specifically, acquiring new purchase information of the target customer for the recommended insurance product within a fourth preset time (for example, within three months after the last model training); using the acquired new purchase information as the customer to which the target customer belongs The supplemental training sample data of the analysis model corresponding to the class, using the supplementary training sample data, intensively training the analysis model corresponding to the customer class to which the target customer belongs, and obtaining the updated analysis model. Subsequent analysis When the insurance product is recommended to other customers of the target customer's customer category, the corresponding updated analysis model is used for analysis, so that the analysis result is more accurate and the user's purchase rate of the insurance product is improved.
  • a fourth preset time for example, within three months after the last model training
  • the product recommendation method proposed by the above embodiment determines the customer class to which the target customer belongs according to the characteristic data of the target customer, and analyzes the recommended product recommended to the target customer by using the analysis model corresponding to the customer class to which the target customer belongs, and recommends to the product. This product improves the recommendation accuracy of the product, thereby increasing the purchase rate of the target customer.
  • the embodiment of the present application further provides a computer readable storage medium, where the product recommendation program 10 is stored, and when the program is executed by the processor, the following operations are implemented:
  • the feature data including asset, medical, work, and living information
  • the technical solution of the present application which is essential or contributes to the prior art, may be embodied in the form of a software product stored in a storage medium (such as ROM/RAM as described above). , a disk, an optical disk, including a number of instructions for causing a terminal device (which may be a mobile phone, a computer, a server, or a network device, etc.) to perform the methods described in the various embodiments of the present application.
  • a terminal device which may be a mobile phone, a computer, a server, or a network device, etc.

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请提出一种产品推荐方法，包括：获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及，向该目标客户推荐该产品。本申请还提出一种电子装置及存储介质。利用本申请，根据目标客户的特征数据，分析预测该目标客户可能有购买意向的产品，提高产品推荐准确率。

Description

产品推荐方法、装置及存储介质
本申请基于巴黎公约申明享有2018年3月6日递交的申请号为CN201810183372.0、名称为“产品推荐方法、装置及存储介质”的中国专利申请的优先权，该中国专利申请的整体内容以参考的方式结合在本申请中。
技术领域
本申请涉及计算机技术领域，尤其涉及一种产品推荐方法、电子装置及计算机可读存储介质。
背景技术
在传统的保险业务中，为了提高产品推荐的精准性，通常需要采用产品推荐算法为不同用户推荐产品。然而，采用传统的产品推荐算法为客户推荐产品容易出错，推荐产品的准确性无法满足实际需要。
因此，如何提高产品推荐的精准性，已经成为一个亟待解决的技术问题。
发明内容
本申请提供一种产品推荐方法、电子装置及计算机可读存储介质，其主要目的在于根据目标客户的特征数据，分析建议向目标客户推荐的产品，提高了产品的推荐准确率。
为实现上述目的，本申请提供一种电子装置，该装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的产品推荐程序，该程序被所述处理器执行时实现如下步骤：
获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
向该目标客户推荐该产品。
此外，为实现上述目的，本申请还提供一种产品推荐方法，该方法包括：
获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
向该目标客户推荐该产品。
此外，为实现上述目的，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产品推荐程序，该程序被处理器执行时实现如上所述的产品推荐方法的任意步骤。
相较于现有技术，本申请提出的产品推荐方法、电子装置及计算机可读存储介质，根据目标客户的特征数据，确定目标客户所属的客户类，利用目标客户所属的客户类对应的分析模型，分析出建议向目标客户推荐的产品，并向其推荐该产品，提高了产品的推荐准确率，进而提高目标客户对产品的购买率。
附图说明
图1为本申请电子装置较佳实施例的示意图；
图2为分析模型的运行机理示意图；
图3为图1中产品推荐程序的程序模块示意图；
图4为本申请产品推荐方法较佳实施例的流程图。
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
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供一种产品推荐方法，该方法应用于一种电子装置1。参照图1 所示，为本申请电子装置1较佳实施例的示意图。
在本实施例中，电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备，所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。
该电子装置1包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如该电子装置1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，存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据，例如产品推荐程序10、预设的分析规则、预先确定的分析模型等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如产品推荐程序10等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子装置1与其他电子设备之间建立通信连接。优选的，电子装置1通过网络接口14访问业务服务器，例如，银行服务器、医疗服务器、保险服务器等，以获取相关的业务数据。
图1仅示出了具有组件11-14的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。
可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在图1所示的装置实施例中，存储器11中存储有产品推荐程序10。处理器12执行存储器11中存储的产品推荐程序10时实现如下步骤：
获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
向该目标客户推荐该产品。
在本实施例中，以某机构的保险产品为例对本方案进行说明，但不仅限于保险产品的推荐。当需要向一个预先确定的客户推荐保险产品时，首先从客户数据库(图中未标识)中获取目标客户的客户属性数据，例如，证件号码，或者，姓名、手机号和证件号码，根据目标客户的客户属性数据，分别从不同的业务服务器(图中未标识)中提取目标客户的各种特征数据。例如，业务服务器可以为银行服务器、医疗服务器、保险服务器、即时通讯服务器、游戏服务器、外卖服务器及/或简历服务器等；各种特征数据可以是银行贷款额度及还款请款等信息、门诊病历信息“例如，预设时间内的看病次数、所患疾病种类、每次患病的持续时间等”、保险信息“例如，所处行业，性别、年龄、婚姻状况、职业等”、即时通讯工具账号的使用信息“例如，通讯工具每天登陆时间信息、每天在线时长等信息”等等、游戏信息“例如，每天游戏登陆时间信息、每天游戏在线时长等信息”、外卖点餐信息“例如，每天点外卖的时间信息、每天所点外卖的外卖类型等”、求职简历上填写的信息“例如，兴趣爱好、性格、工作经历等信息”。
可以理解的是，随着时间的推移，目标客户的特征数据会发生较大的变化，为了使获取的特征数据更符合目标客户当前的实际情况，在时间维度上对目标客户的特征数据进行筛选，仅保留目标客户在第一预设时间内(例如， 距当前时间一年内)的特征数据。
为目标客户推荐合适的保险产品，首要的是了解目标客户的特征，即目标客户所属客户类。在获取到目标客户的各种特征数据后，按照预设的分析规则进行分析，确定目标客户所属的客户类。
作为一种实施方式，预设的分析规则包括：根据该目标客户的特征数据，生成相应的特征向量，分别计算其与预先确定的预设数量的目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及，根据该目标客户与预设数量的目标聚类中心的欧氏距离，选择欧氏距离最小值对应的目标聚类中心，为该目标客户标记种类标签，确定该目标客户所属的客户类。
例如，输入50万个客户样本集D，其中，D＝{x1，x2，…，xj，…，xm}，xj表示各个客户样本在第二预设时间(例如，一年)内的特征数据对应的特征向量；各个客户样本对应的种类标签集B，其中，B＝{t1，t2，…，tj，…tm}，ti表示各个客户样本对应的种类标签。可以理解的是，若是第一次进行聚类，各个客户样本是没有种类标签的，即tj＝-1；相反，若不是第一次进行聚类，根据上次聚类的结构，各个客户样本会有一个种类标签，作为本次聚类的初始种类标签，即tj＝lable。
首先，从客户样本集中选择分散的预设数量的(例如，k个)客户样本对应的特征数据对应的特征向量作为初始聚类中心集M，其中M＝{U1，U2，…，Uk}，确定初始聚类中心集M对应的种类标签集MB，其中，MB＝{Mt1,Mt2,…Mtk}，Mtk表示某个初始聚类中心Uk对应的种类标签。同理，若不是第一次进行聚类，那么直接将上次聚类得到的预设数量的聚类中心作为本次聚类的初始聚类中心。
接下来，根据客户样本集D中的50万个客户样本的特征数据数据xj，分别计算各个客户样本与k个聚类中心的欧氏距离dij，其中i为某个聚类中心，j为某个客户样本，其中，i∈[1,k]，j∈[1,m]。需要说明的是，若本次聚类不是第一次聚类时，则需要考虑各个客户样本的初始标签，具体地，对于种类标签tj≠-1的客户样本，根据其对应的种类标签，更新计算欧氏距离dij’，例如，当客户样本的种类标签不等于-1且等于聚类中心的种类标签，即tj＝Mtk且tj≠-1时，dij’＝dij-n*dij；当客户样本的种类标签不等于-1且不等于聚类中心的种类标签，即tj≠Mtk，tj≠-1时，则dij’＝dij+n*dij，其中，n指预设的聚 类算法的学习率。
然后，根据每一个客户样本与预设数量的初始聚类中心的欧氏距离dij’，取最小值对应的初始聚类中心，为每一个客户样本标记该初始聚类中心的种类标签，将客户样本归于该种类标签对应的初始聚类中心的聚类集合Ui中，并对预设数量的初始聚类中心的聚类集合Ui进行更新，得到Ui’，其中，Ui’＝Ui+{xj}。
最后，当所有客户样本归类完毕后，根据预设数量的初始聚类中心更新后的聚类集合Ui’，重新计算该聚类集合Ui’对应的聚类中心，得到新的聚类中心集合M’，如果更新后的聚类中心的特征数据对应的特征向量与初始聚类中心的特征数据对应的特征向量之间的欧氏距离满足预设条件(例如，小于预设阈值Y)时，停止计算，将预设数量的新的聚类中心作为目标聚类中心，输出目标聚类中心集M’及其对应的种类标签B，作为最终确定的k个客户类，并确定各个预先确定的客户样本对应的种类标签，即其所属的客户类。如果更新后的聚类中心的特征数据对应的特征向量与初始聚类中心的特征数据对应的特征向量之间的欧氏距离不满足预设条件时，流程返回至计算各个客户样本与预设数量的初始聚类中心的欧氏距离，并执行后续计算步骤。
确定各个客户类对应的目标聚类中心后，提取各个目标聚类中心的特征数据对应的特征向量，将目标客户的特征数据得到相应的特征向量；分别计算表征目标客户的特征数据的特征向量与预设数量的目标聚类中心的特征数据对应的特征向量之间的欧氏距离；选择欧氏距离最小值对应的目标聚类中心，根据其对应的种类标签为该目标客户标记种类标签，确定该目标客户所属的客户类。
确定目标客户所属的客户类之后，调取目标客户所属的客户类对应的预先训练好的分析模型，将目标客户的特征数据对应的特征向量输入分析模型，得到需向用户推荐的保险产品。
具体地，在对各个客户类对应的分析模型进行训练之前，获取第三预设时间内(例如，最近3年内，或者，所有历史时间内)向上述各个预先确定的客户样本(例如，50万个预先确定的客户)推荐的保险产品，及各个预先确定的客户样本对推荐的保险产品的购买信息。例如，该购买信息可以是：于2017年12月1日向A客户推荐了X1、X2、X3三个保险产品，A客户购 买了保险产品X1。
然后，根据上述步骤确定的预设数量的目标聚类中心对应的预设数量的客户类，分别将各个客户类下的所有客户样本对推荐的保险产品的购买信息作为各个客户类对应的分析模型的训练样本数据。例如，利用上述步骤将各个预先确定的客户样本分为C1、C2、C3三个客户类，将客户类C1下的所有客户样本对推荐的保险产品的购买信息作为客户类C1对应的分析模型的训练样本数据；将客户类C2下的所有客户样本对推荐的保险产品的购买信息作为客户类C2对应的分析模型的训练样本数据；将客户类C3下的所有客户样本对推荐的保险产品的购买信息作为客户类C3对应的分析模型的训练样本数据。
确定各个客户类对应的分析模型的训练样本数据之后，分别利用各个客户类对应的训练样本数据训练对应的分析模型。例如，有C1、C2、C3三个客户类，客户类C1对应的训练样本数据用于训练客户类C1对应的分析模型；客户类C2对应的训练样本数据用于训练客户类C2对应的分析模型；客户类C3对应的训练样本数据用于训练客户类C3对应的分析模型。
具体地，所述分析模型为强化学习模型，例如，Deep Q-Network(DQN)模型，参照图2所示，为分析模型的运行机理示意图。强化学习的目的是学习从环境状态到行为的策略π：S→A，使得智能体选择的行为能够获得环境反馈的最大的奖赏，使得外部环境对学习***在某种意义下的评价(或整个***的运行性能)为最佳。其中，智能体(Agent)作为学习***，获取外部环境的当前状态信息；环境是以预设结构数据元组进行表征的，该预设结构数据元组E＝(X,A,P,R)，其中：X代表状态空间，每个状态x∈X是机器感知到的环境的描述；A代表动作空间，智能体Agent能采取的动作构成了动作空间；P代表转移函数，环境从当前状态转移到另一个状态的概率；R代表奖赏函数，状态转移时，环境会根据奖赏函数给智能体Agent一个奖赏；策略π可以采用确定性策略a＝π(x)：在状态x下所要执行的动作a。
奖赏计算方式可以采用T步累积奖赏，其中，r t代表第t次奖赏：
Figure PCTCN2018089127-appb-000001
策略评估函数可以采用状态-动作值函数,表示从状态x出发，第t次执行动作为a后再使用策略π带来的累积奖赏:
Figure PCTCN2018089127-appb-000002
利用目标客户所属客户类对应的预设结构的分类模型，分析出建议向目标客户推荐的保险产品后，向目标客户推荐该保险产品。在本实施例中，可读取目标客户的手机号，以短信的形式向目标客户推荐相应的保险产品。
在其他实施例中，为了使分析模型更准确，需要对分析模型进行更新。具体地，获取第四预设时间内(例如，在上一次模型训练后的三个月内)目标客户对推荐的保险产品的新购买信息；将获取的新购买信息作为该目标客户所属的客户类对应的分析模型的补充训练样本数据，利用该补充训练样本数据，对目标客户所属的客户类对应的分析模型进行强化训练，得到更新后的分析模型。后续分析向目标客户所属客户类的其他客户推荐保险产品时，利用对应的更新后的分析模型进行分析，使分析结果更准确，提高用户对保险产品的购买率。
上述实施例提出的电子装置1，根据目标客户的特征数据，确定目标客户所属的客户类，利用目标客户所属的客户类对应的分析模型，分析出建议向目标客户推荐的产品，并向其推荐该产品，提高了产品的推荐准确率，进而提高目标客户对产品的购买率。
可选地，在其他的实施例中，产品推荐程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本申请，本申请所称的模块是指能够完成特定功能的一系列计算机程序指令段。例如，参照图3所示，为图1中产品推荐程序10的程序模块示意图，该实施例中，产品推荐程序10可以被分割为获取模块110、分类模块120、分析模块130及推荐模块140，所述模块110-140所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
获取模块110，用于获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
分类模块120，用于根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
分析模块130，用于将所述特征数据输入到该客户类对应的预先训练的分 析模型中，预测得到该目标客户可能有购买意向的产品；及
推荐模块140，用于向该目标客户推荐该产品。
此外，本申请还提供一种产品推荐方法。参照图4所示，为本申请产品推荐方法较佳实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，产品推荐方法包括步骤S1-S4：
步骤S1，获取目标客户在第一预设时间内的特征数据，包括：资产、医疗、工作及生活信息；
步骤S2，根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
步骤S3，将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
步骤S4，向该目标客户推荐该产品。
在本实施例中，以某机构的保险产品为例对本方案进行说明，但不仅限于保险产品的推荐。当需要向一个预先确定的客户推荐保险产品时，首先从客户数据库(图中未标识)中获取目标客户的客户属性数据，例如，证件号码，或者，姓名、手机号和证件号码，根据目标客户的客户属性数据，分别从不同的业务服务器(图中未标识)中提取目标客户的各种特征数据。例如，业务服务器可以为银行服务器、医疗服务器、保险服务器、即时通讯服务器、游戏服务器、外卖服务器及/或简历服务器等；各种特征数据可以是银行贷款额度及还款请款等信息、门诊病历信息“例如，预设时间内的看病次数、所患疾病种类、每次患病的持续时间等”、保险信息“例如，所处行业，性别、年龄、婚姻状况、职业等”、即时通讯工具账号的使用信息“例如，通讯工具每天登陆时间信息、每天在线时长等信息”等等、游戏信息“例如，每天游戏登陆时间信息、每天游戏在线时长等信息”、外卖点餐信息“例如，每天点外卖的时间信息、每天所点外卖的外卖类型等”、求职简历上填写的信息“例如，兴趣爱好、性格、工作经历等信息”。
可以理解的是，随着时间的推移，目标客户的特征数据会发生较大的变化，为了使获取的特征数据更符合目标客户当前的实际情况，在时间维度上 对目标客户的特征数据进行筛选，仅保留目标客户在第一预设时间内(例如，距当前时间一年内)的特征数据。
为目标客户推荐合适的保险产品，首要的是了解目标客户的特征，即目标客户所属客户类。在获取到目标客户的各种特征数据后，按照预设的分析规则进行分析，确定目标客户所属的客户类。
作为一种实施方式，预设的分析规则包括：根据该目标客户的特征数据，生成相应的特征向量，分别计算其与预先确定的预设数量的目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及，根据该目标客户与预设数量的目标聚类中心的欧氏距离，选择欧氏距离最小值对应的目标聚类中心，为该目标客户标记种类标签，确定该目标客户所属的客户类。
例如，输入50万个客户样本集D，其中，D＝{x1，x2，…，xj，…，xm}，xj表示各个客户样本在第二预设时间(例如，一年)内的特征数据对应的特征向量；各个客户样本对应的种类标签集B，其中，B＝{t1，t2，…，tj，…tm}，ti表示各个客户样本对应的种类标签。可以理解的是，若是第一次进行聚类，各个客户样本是没有种类标签的，即tj＝-1；相反，若不是第一次进行聚类，根据上次聚类的结构，各个客户样本会有一个种类标签，作为本次聚类的初始种类标签，即tj＝lable。
首先，从客户样本集中选择分散的预设数量的(例如，k个)客户样本对应的特征数据对应的特征向量作为初始聚类中心集M，其中M＝{U1，U2，…，Uk}，确定初始聚类中心集M对应的种类标签集MB，其中，MB＝{Mt1,Mt2,…Mtk}，Mtk表示某个初始聚类中心Uk对应的种类标签。同理，若不是第一次进行聚类，那么直接将上次聚类得到的预设数量的聚类中心作为本次聚类的初始聚类中心。
接下来，根据客户样本集D中的50万个客户样本的特征数据数据xj，分别计算各个客户样本与k个聚类中心的欧氏距离dij，其中i为某个聚类中心，j为某个客户样本，其中，i∈[1,k]，j∈[1,m]。需要说明的是，若本次聚类不是第一次聚类时，则需要考虑各个客户样本的初始标签，具体地，对于种类标签tj≠-1的客户样本，根据其对应的种类标签，更新计算欧氏距离dij’，例如，当客户样本的种类标签不等于-1且等于聚类中心的种类标签，即tj＝Mtk且tj≠-1时，dij’＝dij-n*dij；当客户样本的种类标签不等于-1且不等于聚类中 心的种类标签，即tj≠Mtk，tj≠-1时，则dij’＝dij+n*dij，其中，n指预设的聚类算法的学习率。
然后，根据每一个客户样本与预设数量的初始聚类中心的欧氏距离dij’，取最小值对应的初始聚类中心，为每一个客户样本标记该初始聚类中心的种类标签，将客户样本归于该种类标签对应的初始聚类中心的聚类集合Ui中，并对预设数量的初始聚类中心的聚类集合Ui进行更新，得到Ui’，其中，Ui’＝Ui+{xj}。
最后，当所有客户样本归类完毕后，根据预设数量的初始聚类中心更新后的聚类集合Ui’，重新计算该聚类集合Ui’对应的聚类中心，得到新的聚类中心集合M’，如果更新后的聚类中心的特征数据对应的特征向量与初始聚类中心的特征数据对应的特征向量之间的欧氏距离满足预设条件(例如，小于预设阈值Y)时，停止计算，将预设数量的新的聚类中心作为目标聚类中心，输出目标聚类中心集M’及其对应的种类标签B，作为最终确定的k个客户类，并确定各个预先确定的客户样本对应的种类标签，即其所属的客户类。如果更新后的聚类中心的特征数据对应的特征向量与初始聚类中心的特征数据对应的特征向量之间的欧氏距离不满足预设条件时，流程返回至计算各个客户样本与预设数量的初始聚类中心的欧氏距离，并执行后续计算步骤。
确定各个客户类对应的目标聚类中心后，提取各个目标聚类中心的特征数据对应的特征向量，将目标客户的特征数据得到相应的特征向量；分别计算表征目标客户的特征数据的特征向量与预设数量的目标聚类中心的特征数据对应的特征向量之间的欧氏距离；选择欧氏距离最小值对应的目标聚类中心，根据其对应的种类标签为该目标客户标记种类标签，确定该目标客户所属的客户类。
确定目标客户所属的客户类之后，调取目标客户所属的客户类对应的预先训练好的分析模型，将目标客户的特征数据对应的特征向量输入分析模型，得到建议向用户推荐的保险产品。
具体地，在对各个客户类对应的分析模型进行训练之前，获取第三预设时间内(例如，最近3年内，或者，所有历史时间内)向上述各个预先确定的客户样本(例如，50万个预先确定的客户)推荐的保险产品，及各个预先确定的客户样本对推荐的保险产品的购买信息。例如，该购买信息可以是： 于2017年12月1日向A客户推荐了X1、X2、X3三个保险产品，A客户购买了保险产品X1。
然后，根据上述步骤确定的预设数量的目标聚类中心对应的预设数量的客户类，分别将各个客户类下的所有客户样本对推荐的保险产品的购买信息作为各个客户类对应的分析模型的训练样本数据。例如，利用上述步骤将各个预先确定的客户样本分为C1、C2、C3三个客户类，将客户类C1下的所有客户样本对推荐的保险产品的购买信息作为客户类C1对应的分析模型的训练样本数据；将客户类C2下的所有客户样本对推荐的保险产品的购买信息作为客户类C2对应的分析模型的训练样本数据；将客户类C3下的所有客户样本对推荐的保险产品的购买信息作为客户类C3对应的分析模型的训练样本数据。
确定各个客户类对应的分析模型的训练样本数据之后，分别利用各个客户类对应的训练样本数据训练对应的分析模型。例如，有C1、C2、C3三个客户类，客户类C1对应的训练样本数据用于训练客户类C1对应的分析模型；客户类C2对应的训练样本数据用于训练客户类C2对应的分析模型；客户类C3对应的训练样本数据用于训练客户类C3对应的分析模型。
具体地，所述分析模型为强化学习模型，例如，Deep Q-Network(DQN)模型，参照图2所示，为分析模型的运行机理示意图。强化学习的目的是学习从环境状态到行为的策略π：S→A，使得智能体选择的行为能够获得环境反馈的最大的奖赏，使得外部环境对学习***在某种意义下的评价(或整个***的运行性能)为最佳。其中，智能体(Agent)作为学习***，获取外部环境的当前状态信息；环境是以预设结构数据元组进行表征的，该预设结构数据元组E＝(X,A,P,R)，其中：X代表状态空间，每个状态x∈X是机器感知到的环境的描述；A代表动作空间，智能体Agent能采取的动作构成了动作空间；P代表转移函数，环境从当前状态转移到另一个状态的概率；R代表奖赏函数，状态转移时，环境会根据奖赏函数给智能体Agent一个奖赏；策略π可以采用确定性策略a＝π(x)：在状态x下所要执行的动作a。
奖赏计算方式可以采用T步累积奖赏，其中，r t代表第t次奖赏：
Figure PCTCN2018089127-appb-000003
策略评估函数可以采用状态-动作值函数,表示从状态x出发，第t次执行 动作为a后再使用策略π带来的累积奖赏:
Figure PCTCN2018089127-appb-000004
利用目标客户所属客户类对应的预设结构的分类模型，分析出建议向目标客户推荐的保险产品后，向目标客户推荐该保险产品。在本实施例中，可读取目标客户的手机号，以短信的形式向目标客户推荐相应的保险产品。
在其他实施例中，为了使分析模型更准确，需要对分析模型进行更新。具体地，获取第四预设时间内(例如，在上一次模型训练后的三个月内)目标客户对推荐的保险产品的新购买信息；将获取的新购买信息作为该目标客户所属的客户类对应的分析模型的补充训练样本数据，利用该补充训练样本数据，对目标客户所属的客户类对应的分析模型进行强化训练，得到更新后的分析模型。后续分析向目标客户所属客户类的其他客户推荐保险产品时，利用对应的更新后的分析模型进行分析，使分析结果更准确，提高用户对保险产品的购买率。
上述实施例提出的产品推荐方法，根据目标客户的特征数据，确定目标客户所属的客户类，利用目标客户所属的客户类对应的分析模型，分析出建议向目标客户推荐的产品，并向其推荐该产品，提高了产品的推荐准确率，进而提高目标客户对产品的购买率。
此外，本申请实施例还提出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产品推荐程序10，该程序被处理器执行时实现如下操作：
获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
向该目标客户推荐该产品。
本申请计算机可读存储介质具体实施方式与上述产品推荐方法的各实施例基本相同，在此不作累述。
需要说明的是，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。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种产品推荐方法，应用于电子装置，其特征在于，该方法包括：
    获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
    根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
    将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
    向该目标客户推荐该产品。
  2. 如权利要求1所述的产品推荐方法，其特征在于，所述预设的分析规则为：
    根据该目标客户的特征数据，分别计算其与预先确定的一个或多个目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及
    根据欧氏距离最小值对应的目标聚类中心的种类标签，为该目标客户标记种类标签，确定该目标客户所属的客户类。
  3. 如权利要求2所述的产品推荐方法，其特征在于，所述预先确定的一个或多个目标聚类中心的获取步骤包括：
    获取预先确定的客户样本在第二预设时间内的样本数据，包括：各个预先确定的客户样本的特征数据及种类标签，从该样本数据中选择分散的预设数量的客户样本的特征数据作为初始聚类中心，并为该初始聚类中心标记初始聚类中心标签；
    根据各个预先确定的客户样本的特征数据，分别计算各个预先确定的客户样本与预设数量的初始聚类中心的欧氏距离；
    根据各个预先确定的客户样本的种类标签，更新计算各个预先确定的客户样本与预设数量的初始聚类中心的新的欧氏距离；
    根据新的欧氏距离最小值对应的初始聚类中心的种类标签，为各个预先确定的客户样本更新种类标签，并将其归于种类标签对应的聚类集合中；及
    当所有样本归类完毕后，计算预设数量的聚类集合的新的聚类中心，当新的聚类中心与对应的初始聚类中心的欧氏距离满足预设条件时，将预设数量的新的聚类中心作为目标聚类中心，输出目标聚类中心及其对应的种类标签，确定各个预先确定的客户样本所属的客户类。
  4. 如权利要求3所述的产品推荐方法，其特征在于，所述分析模型的训练步骤包括：
    获取第三预设时间内向各个预先确定的客户样本推荐的产品，及各个预先确定的客户样本对推荐的产品的购买信息，分别将预设的各个客户类下的所有客户样本对推荐的产品的购买信息作为预设的各个客户类对应的分析模型的训练样本数据；及
    分别利用各个客户类对应的训练样本数据，训练对应的分析模型。
  5. 如权利要求4所述的产品推荐方法，其特征在于，该方法还包括：
    获取该目标客户在第四预设时间内对推荐的产品的购买信息；及
    将获取的购买信息作为该目标客户所属的客户类对应的分析模型的补充训练样本数据，利用该补充训练样本数据，对该目标客户所属的客户类对应的分析模型进行补充强化训练。
  6. 如权利要求1所述的产品推荐方法，其特征在于，所述预先确定的分析模型采用的是强化学习算法。
  7. 一种电子装置，其特征在于，该装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的产品推荐程序，该程序被所述处理器执行时实现如下步骤：
    获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
    根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
    将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
    向该目标客户推荐该产品。
  8. 如权利要求7所述的电子装置，其特征在于，所述预设的分析规则为：
    根据该目标客户的特征数据，分别计算其与预先确定的一个或多个目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及
    根据欧氏距离最小值对应的目标聚类中心的种类标签，为该目标客户标记种类标签，确定该目标客户所属的客户类。
  9. 如权利要求8所述的电子装置，其特征在于，所述预先确定的一个或多个目标聚类中心的获取步骤包括：
    获取预先确定的客户样本在第二预设时间内的样本数据，包括：各个预先确定的客户样本的特征数据及种类标签，从该样本数据中选择分散的预设数量的客户样本的特征数据作为初始聚类中心，并为该初始聚类中心标记初始聚类中心标签；
    根据各个预先确定的客户样本的特征数据，分别计算各个预先确定的客户样本与预设数量的初始聚类中心的欧氏距离；
    根据各个预先确定的客户样本的种类标签，更新计算各个预先确定的客户样本与预设数量的初始聚类中心的新的欧氏距离；
    根据新的欧氏距离最小值对应的初始聚类中心的种类标签，为各个预先确定的客户样本更新种类标签，并将其归于种类标签对应的聚类集合中；及
    当所有样本归类完毕后，计算预设数量的聚类集合的新的聚类中心，当新的聚类中心与对应的初始聚类中心的欧氏距离满足预设条件时，将预设数量的新的聚类中心作为目标聚类中心，输出目标聚类中心及其对应的种类标签，确定各个预先确定的客户样本所属的客户类。
  10. 如权利要求9所述的电子装置，其特征在于，所述分析模型的训练步骤包括：
    获取第三预设时间内向各个预先确定的客户样本推荐的产品，及各个预先确定的客户样本对推荐的产品的购买信息，分别将预设的各个客户类下的所有客户样本对推荐的产品的购买信息作为预设的各个客户类对应的分析模型的训练样本数据；及
    分别利用各个客户类对应的训练样本数据，训练对应的分析模型。
  11. 如权利要求10所述的电子装置，其特征在于，所述产品推荐程序被所述处理器执行时还实现如下步骤：
    获取该目标客户在第四预设时间内对推荐的产品的购买信息；及
    将获取的购买信息作为该目标客户所属的客户类对应的分析模型的补充训练样本数据，利用该补充训练样本数据，对该目标客户所属的客户类对应的分析模型进行补充强化训练。
  12. 如权利要求7所述的电子装置，其特征在于，所述预先确定的分析模型采用的是强化学习算法。
  13. 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 上存储有产品推荐程序，该程序被所述处理器执行时实现如下步骤：
    获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
    根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
    将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
    向该目标客户推荐该产品。
  14. 如权利要求13所述的计算机可读存储介质，其特征在于，所述预设的分析规则为：
    根据该目标客户的特征数据，分别计算其与预先确定的一个或多个目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及
    根据欧氏距离最小值对应的目标聚类中心的种类标签，为该目标客户标记种类标签，确定该目标客户所属的客户类。
  15. 如权利要求14所述的计算机可读存储介质，其特征在于，所述预先确定的一个或多个目标聚类中心的获取步骤包括：
    获取预先确定的客户样本在第二预设时间内的样本数据，包括：各个预先确定的客户样本的特征数据及种类标签，从该样本数据中选择分散的预设数量的客户样本的特征数据作为初始聚类中心，并为该初始聚类中心标记初始聚类中心标签；
    根据各个预先确定的客户样本的特征数据，分别计算各个预先确定的客户样本与预设数量的初始聚类中心的欧氏距离；
    根据各个预先确定的客户样本的种类标签，更新计算各个预先确定的客户样本与预设数量的初始聚类中心的新的欧氏距离；
    根据新的欧氏距离最小值对应的初始聚类中心的种类标签，为各个预先确定的客户样本更新种类标签，并将其归于种类标签对应的聚类集合中；及
    当所有样本归类完毕后，计算预设数量的聚类集合的新的聚类中心，当新的聚类中心与对应的初始聚类中心的欧氏距离满足预设条件时，将预设数量的新的聚类中心作为目标聚类中心，输出目标聚类中心及其对应的种类标签，确定各个预先确定的客户样本所属的客户类。
  16. 如权利要求15所述的计算机可读存储介质，其特征在于，所述分析 模型的训练步骤包括：
    获取第三预设时间内向各个预先确定的客户样本推荐的产品，及各个预先确定的客户样本对推荐的产品的购买信息，分别将预设的各个客户类下的所有客户样本对推荐的产品的购买信息作为预设的各个客户类对应的分析模型的训练样本数据；及
    分别利用各个客户类对应的训练样本数据，训练对应的分析模型。
  17. 如权利要求16所述的计算机可读存储介质，其特征在于，所述产品推荐程序被所述处理器执行时还实现如下步骤：
    获取该目标客户在第四预设时间内对推荐的产品的购买信息；及
    将获取的购买信息作为该目标客户所属的客户类对应的分析模型的补充训练样本数据，利用该补充训练样本数据，对该目标客户所属的客户类对应的分析模型进行补充强化训练。
  18. 如权利要求13所述的计算机可读存储介质，其特征在于，所述预先确定的分析模型采用的是强化学习算法。
  19. 一种产品推荐程序，其特征在于，该程序包括：
    获取模块，用于获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；
    分类模块，用于根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；
    分析模块，用于将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及
    推荐模块，用于向该目标客户推荐该产品。
  20. 如权利要求19所述的产品推荐程序，其特征在于，所述预设的分析规则为：
    根据该目标客户的特征数据，分别计算其与预先确定的一个或多个目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及
    根据欧氏距离最小值对应的目标聚类中心的种类标签，为该目标客户标记种类标签，确定该目标客户所属的客户类。
PCT/CN2018/089127 2018-03-06 2018-05-31 产品推荐方法、装置及存储介质 WO2019169756A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810183372.0A CN108492194A (zh) 2018-03-06 2018-03-06 产品推荐方法、装置及存储介质
CN201810183372.0 2018-03-06

Publications (1)

Publication Number Publication Date
WO2019169756A1 true WO2019169756A1 (zh) 2019-09-12

Family

ID=63341499

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/089127 WO2019169756A1 (zh) 2018-03-06 2018-05-31 产品推荐方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN108492194A (zh)
WO (1) WO2019169756A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447728A (zh) * 2018-09-07 2019-03-08 平安科技（深圳）有限公司 金融产品推荐方法、装置、计算机设备及存储介质
CN109377388B (zh) * 2018-09-13 2023-08-18 深圳平安医疗健康科技服务有限公司 医保投保方法、装置、计算机设备和存储介质
CN109670896A (zh) * 2018-09-28 2019-04-23 深圳壹账通智能科技有限公司 投资产品推荐方法、装置、设备及存储介质
CN109360072B (zh) * 2018-11-13 2023-06-23 平安科技（深圳）有限公司 保险产品推荐方法、装置、计算机设备及存储介质
CN109376306B (zh) * 2018-12-04 2021-04-16 挖财网络技术有限公司 一种基于标签全景图的服务推荐方法及***
CN109711929A (zh) * 2018-12-13 2019-05-03 中国平安财产保险股份有限公司 基于预测模型的业务推荐的方法及装置
CN109767345A (zh) * 2018-12-15 2019-05-17 深圳壹账通智能科技有限公司 基于信息匹配的产品推荐方法、装置、设备及存储介质
CN109816534A (zh) * 2018-12-17 2019-05-28 平安国际融资租赁有限公司 融资租赁产品推荐方法、装置、计算机设备和存储介质
CN109816127B (zh) * 2019-01-11 2022-12-30 广州市骑鹅游信息技术咨询服务有限公司 一种智能票务推荐方法及***
CN109785000A (zh) * 2019-01-16 2019-05-21 深圳壹账通智能科技有限公司 客户资源分配方法、装置、存储介质和终端
CN109903168A (zh) * 2019-01-18 2019-06-18 平安科技（深圳）有限公司 基于机器学习的推荐保险产品的方法及相关设备
CN109919093A (zh) * 2019-03-07 2019-06-21 苏州科达科技股份有限公司 一种人脸识别方法、装置、设备及可读存储介质
CN110111158A (zh) * 2019-05-16 2019-08-09 创络(上海)数据科技有限公司 生命周期或成长特征的营销设计方法、装置和存储介质
CN110309379B (zh) * 2019-05-22 2023-07-25 中国平安人寿保险股份有限公司 产品推荐方法、装置、设备及计算机可读存储介质
CN110674391B (zh) * 2019-08-15 2024-05-03 中国平安财产保险股份有限公司 基于大数据的产品数据推送方法、***和计算机设备
CN111401935B (zh) * 2020-02-21 2023-04-07 中国平安财产保险股份有限公司 资源分配方法、装置及存储介质
CN111383049A (zh) * 2020-02-21 2020-07-07 中国平安财产保险股份有限公司 产品推荐方法、装置及存储介质
CN111951044A (zh) * 2020-07-30 2020-11-17 中国工商银行股份有限公司 银行终端交互方法及***
CN111951077A (zh) * 2020-08-13 2020-11-17 中国民航信息网络股份有限公司 一种购票方案的展示方法及***
CN112148995A (zh) * 2020-11-02 2020-12-29 深圳壹账通智能科技有限公司 产品推荐方法、装置、电子设备及可读存储介质
CN112508074B (zh) * 2020-11-30 2024-05-14 深圳市飞泉云数据服务有限公司 可视化展示方法、***及可读存储介质
CN112910953B (zh) * 2021-01-14 2023-02-17 中国工商银行股份有限公司 业务数据的推送方法、装置和服务器
CN113516561A (zh) * 2021-05-20 2021-10-19 中国银行股份有限公司 保险业务的处理方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100268661A1 (en) * 2009-04-20 2010-10-21 4-Tell, Inc Recommendation Systems
CN107451832A (zh) * 2016-05-30 2017-12-08 北京京东尚科信息技术有限公司 推送信息的方法和装置
CN107679946A (zh) * 2017-09-28 2018-02-09 平安科技（深圳）有限公司 基金产品推荐方法、装置、终端设备及存储介质
CN107688995A (zh) * 2016-08-03 2018-02-13 湖南移商动力网络技术有限公司 一种基于银行大数据应用解决方案
CN107689008A (zh) * 2017-06-09 2018-02-13 平安科技（深圳）有限公司 一种用户投保行为预测的方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730389A (zh) * 2017-09-30 2018-02-23 平安科技（深圳）有限公司 电子装置、保险产品推荐方法及计算机可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100268661A1 (en) * 2009-04-20 2010-10-21 4-Tell, Inc Recommendation Systems
CN107451832A (zh) * 2016-05-30 2017-12-08 北京京东尚科信息技术有限公司 推送信息的方法和装置
CN107688995A (zh) * 2016-08-03 2018-02-13 湖南移商动力网络技术有限公司 一种基于银行大数据应用解决方案
CN107689008A (zh) * 2017-06-09 2018-02-13 平安科技（深圳）有限公司 一种用户投保行为预测的方法及装置
CN107679946A (zh) * 2017-09-28 2018-02-09 平安科技（深圳）有限公司 基金产品推荐方法、装置、终端设备及存储介质

Also Published As

Publication number Publication date
CN108492194A (zh) 2018-09-04

Similar Documents

Publication Publication Date Title
WO2019169756A1 (zh) 产品推荐方法、装置及存储介质
Huang Mean-parametrized Conway–Maxwell–Poisson regression models for dispersed counts
WO2021147568A1 (zh) 基于gbdt高阶特征组合的推荐方法、装置及存储介质
US9576248B2 (en) Record linkage sharing using labeled comparison vectors and a machine learning domain classification trainer
WO2019061994A1 (zh) 电子装置、保险产品推荐方法、***及计算机可读存储介质
CN110866181B (zh) 资源推荐的方法、装置及存储介质
WO2018103718A1 (zh) 应用推荐的方法、装置及服务器
WO2017080170A1 (zh) 群体用户画像方法及***
US9715486B2 (en) Annotation probability distribution based on a factor graph
US20150161529A1 (en) Identifying Related Events for Event Ticket Network Systems
WO2019062021A1 (zh) 在应用程序中推送贷款广告的方法、电子装置及介质
US20220051143A1 (en) Machine learning system
US10147020B1 (en) System and method for computational disambiguation and prediction of dynamic hierarchical data structures
CN113707300A (zh) 基于人工智能的搜索意图识别方法、装置、设备及介质
WO2019192130A1 (zh) 客户分类方法、装置及存储介质
CN112597135A (zh) 用户分类方法、装置、电子设备及可读存储介质
CN111383049A (zh) 产品推荐方法、装置及存储介质
JP2022082524A (ja) 機械学習を通じての学習モデルを使った情報提供方法および装置
Linares-Mustaros et al. Processing extreme values in sales forecasting
WO2019085118A1 (zh) 基于主题模型的关联词分析方法、电子装置及存储介质
CN112511632A (zh) 基于多源数据的对象推送方法、装置、设备及存储介质
US11727499B1 (en) Method of evaluating heuristics outcome in the underwriting process
US20230080309A1 (en) Generation of ML Models and Recommendations with Unstructured Data
Carmichael et al. A framework for evaluating post hoc feature-additive explainers
CN113706252B (zh) 产品推荐方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18908649

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18908649

Country of ref document: EP

Kind code of ref document: A1