基于机器学习确定保单赠品的方法、装置和计算机设备与流程

本申请涉及到人工智能技术领域，特别是涉及到一种基于机器学习确定保单赠品的方法、装置和计算机设备。

背景技术：

随着通过电销渠道销售产品的方式越来越普遍，在汽车保险业务的销售过程中也开始采用通过电销渠道的方式进行销售。现有的通过电销渠道销售汽车保险业务的过程中，一般会通过以礼品赠送的方式提高客户吸引力，现有的线上礼品赠送系统一般都是通过线下约定的方式赠送礼品的，从而导致礼品的赠送与归档统计脱节，后期回溯性差；赠品都是保险公司采购的，如果保险公司将赠品全部都展示出来，所以有可能是投保费用较少的客户选择购买成本较高的赠品，这样会导致公司对于该客户的保单亏损。如果把赠品按照采购的成本分类放置，这样又会存在客户在看见喜欢的赠品时却不能选择的情况，这样又会给客户不好的体验。因此如何提供一种根据客户信息以及购买的汽车保险业务的信息帮助客户选择保单赠品的方法成为亟待解决的问题。

技术实现要素：

本申请的主要目的为提供一种自动推送并辅助客户选定保单赠品的基于机器学习确定保单赠品的方法、装置和计算机设备。

为了实现上述发明目的，本申请提出一种基于机器学习确定保单赠品的方法，包括：

获取客户的保单的保单信息，所述保单信息包括保险产品名称、车辆信息、保费信息；

根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值；

将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上，所述赠品数据库用于存放赠品信息以及赠品信息对应的赠品价值；

接收所述客户选择的至少一个赠品，并计算所述客户选择的各赠品对应的价值的价值总和；

判断所述价值总和是否低于或等于所述赠品价值阈值；

若是，判定所述客户选择的至少一个赠品属于所述客户的赠品。

进一步地，所述根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤，包括：

将客户的保单信息输入到基于历史客户的保单信息训练后的决策树中，所述保单信息包括所述客户的历史保险记录信息、汽车保险业务所处的地域信息、车辆信息、保费信息；

接收所述决策树输出的第一分类结果；

根据所述第一分类结果匹配到与所述保单对应的赠品价值阈值。

进一步地，所述根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤之前，包括：

将预设的训练集中的多个样本数据输入到预设的决策树中，所述训练集包括多个历史客户的保单信息；

接收预设的决策树输出的测试分类结果，与预设的样本分类结果进行对比；

若对比结果一致，确定所述预设的决策树为训练后的决策树。

进一步地，所述根据所述保单信息，计算可回馈给所述客户的赠品价值阈值的步骤之后，且在所述将将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤之前，包括：

获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数，所述不出险系数表示该客户不出险的概率；

将所述不出险系数乘以所述赠品价值阈值，更新所述赠品价值阈值。

进一步地，所述获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数的步骤之前，包括：

将多个已出险的客户的客户信息输入到gbdt模型，得到不出险向量；

通过迭代优化算法计算各向量对应的系数，即逻辑回归模型的特征系数。

进一步地，所述将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤，包括：

筛选出赠品价值低于或等于所述赠品价值阈值的目标赠品；

将所述目标赠品按照所述目标赠品的赠品价值从高到低的顺序进行排序；

将排序后的所述目标赠品加载在所述客户端上。

进一步地，所述将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤，包括：

读取客户信息的性别，将赠品数据库中的与所述性别相同的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上。

本申请还提供一种基于机器学习确定保单赠品的装置，包括：

获取模块，用于获取客户的保单的保单信息，所述保单信息包括保险产品名称、车辆信息、保费信息；

第一计算模块，用于根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值；

加载模块，用于将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上，所述赠品数据库用于存放赠品信息以及赠品信息对应的赠品价值；

第二计算模块，用于接收所述客户选择的至少一个赠品，并计算所述客户选择的各赠品对应的价值的价值总和；

判断模块，用于判断所述价值总和是否低于或等于所述赠品价值阈值；

判定模块，用于若所述价值总和低于或等于所述赠品价值阈值，判定所述客户选择的至少一个赠品属于所述客户的赠品。

本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请的基于机器学习确定保单赠品的方法、装置和计算机设备，根据客户信息以及购买的汽车保险业务的信息计算出适合赠送给客户价值对应的赠品，合理推送赠品价值在客户的保单范围内的列表给客户，使赠送的赠品价值不会过高而使公司亏损，也使赠送的赠品价值不会过低而给客户不好的服务体验效果。

附图说明

图1为本申请一实施例的基于机器学习确定保单赠品的方法的流程示意图；

图2为本申请一实施例的基于机器学习确定保单赠品的装置的结构示意框图；

图3为本申请一实施例的基于机器学习确定保单赠品的装置的结构示意框图；

图4为本申请一实施例的基于机器学习确定保单赠品的装置的结构示意框图；

图5为本申请一实施例的基于机器学习确定保单赠品的装置的加载模块的结构示意框图；

图6为本申请一实施例的基于机器学习确定保单赠品的装置的加载模块的结构示意框图；

图7为本申请一实施例的计算机设备的结构示意框图。

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

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处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。

参照图1，本申请实施例提供一种基于机器学习确定保单赠品的方法，包括步骤：

s1、获取客户的保单的保单信息，所述保单信息包括保险产品名称、车辆信息、保费信息；

s2、根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值；

s3、将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上，所述赠品数据库用于存放赠品信息以及赠品信息对应的赠品价值；

s4、接收所述客户选择的至少一个赠品，并计算所述客户选择的各赠品对应的价值的价值总和；

s5、判断所述价值总和是否低于或等于所述赠品价值阈值；

s6、若是，判定所述客户选择的至少一个赠品属于所述客户的赠品。

如上述步骤s1所述，客户在通过网络平台购买保险时，会注册一个账户，然后客户通过客户端登录账户访问网络平台填写保险信息，生成保单。客户通过客户端生成了一个保单后，服务器获取到该客户的保单信息。客户在客户端上进行投保时，需要填写投保人信息-即客户信息，还包括保险标的的信息-即车辆信息，还有保险的方式-即保险产品名称，还有保费的数量-即保费信息。客户通过客户端填写了这些信息后，确认提交，即完成投保。客户通过客户端提交了保单信息后，服务器接收到客户端填写的保单信息。客户通过手机、电脑等可以上网的硬件访问服务器并登录自己的账号后再进行填写保单信息。

如上述步骤s2所述，每个赠品均是保险公司自行购买后赠送给客户的，因此赠品均是含有一定的成本的；对盈利多的客户，对应的可以付出多一些的成本，因此赠品的价值可以高一些，但是也不能太高，太高会使该保险公司违反相关的法律规定或者导致公司对该保单处于亏损的状态。因而设置一个赠品价值阈值，即可以回馈给客户的赠品的最高价值。服务器获取到保单信息后，根据预设的计算规则，计算得到可以回馈给该保单对应的客户的礼品价值的赠品价值阈值，其中，赠品价值阈值是针对每一个保单的保单信息计算出来的。同一投保人，因购买不同的保险而产生不同的保单信息，对应的赠品价值阈值是不相同的。

如上述步骤s3所述，赠品数据库是服务器中的一个存储有可赠送的赠品的全部信息的数据库，赠品信息包括赠品类型、赠品规格、赠品价值、赠品图像等。服务器获取到上述赠品价值阈值后，读取赠品数据库中的所有赠品的赠品价值，筛选出赠品价值低于赠品价值阈值的赠品对应的赠品信息，然后将筛选出来的赠品信息全部加载在客户端上，客户通过客户端即可以查看可赠送的赠品。

如上述步骤s4所述，客户从可以赠送的赠品中挑选自己喜爱的赠品，服务器接收到客户选择的赠品后，将选中的赠品的赠品价值进行相加，得到赠品价值总和。

如上述步骤s5所述，服务器计算出客户选择的赠品价值总和后，然后将该和与赠品价值阈值进行比较，看是否超过赠品价值阈值，如果超过，说明不符合公司规定。

如上述步骤s6所述，当价值总和低于或等于赠品价值阈值，进而说明客户选择的赠品是在公司的可赠送范围内，说明客户选择的赠品没有违反相关的规定，是可以的。服务器就确定客户选择的赠品是属于客户的赠品。

在一个实施例中，上述根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤s2，包括：

s21、将客户的保单信息输入到基于历史客户的保单信息训练后的决策树中，所述保单信息还包括所述客户的历史保险记录信息、汽车保险业务所处的地域信息、车辆信息、保费信息；

s22、接收所述决策树输出的第一分类结果；

s23、根据所述第一分类结果匹配到与所述保单对应的赠品价值阈值。

本实施例中，服务器读取保单信息，服务器根据历史客户的往年保险记录信息、汽车保险业务所处的地域信息、客户的车辆信息得到可以赠送的赠品总价值，通过将客户的车辆信息、汽车保险业务所处的地域信息、客户的往年保险记录输入到预设的第一决策树中进行分类得到第一分类结果，服务器接收决策树输出的第一分类结果，然后根据第一分类匹配得到与上述保单对应的可以赠送的赠品的赠品价值阈值。

在一个实施例中，上述根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤s2之前，包括：

s201、将预设的训练集中的多个样本数据输入到预设的决策树中，所述训练集包括多个历史客户的保单信息；

s202、接收预设的决策树输出的分类测试结果，与预设的样本分类结果进行对比；

s203、若对比结果一致，确定所述预设的决策树为训练后的决策树。

本实施例中，将测试集的样本数据中的历史客户的往年保险记录、汽车保险业务所处的地域信息、历史客户的车辆信息输入到预设的决策树进行分类得到分类预测结果，通过将上述分类预测结果与输入的客户的历史保险记录、汽车保险业务所处的地域信息、客户的车辆信息所对应的样本分类结果进行对比，看两者是否一致，若两者结果一致，验证通过，则说明预设的决策树训练完成。对于不同的样本分类结果，需要说明的是，会依据客户的往年保险记录、汽车保险业务所处的地域信息、客户的车辆信息这三个维度的信息设置不同的节点信息进行分类。首先，对于客户的往年保险记录，其包含的具体信息为是否有购买本公司汽车保险业务的记录，可以根据有购买、没有购买来设置两个不同的节点，对于上述不同的分类节点，还将依据汽车保险业务所处的地域信息这个维度的信息继续进行分类。对于汽车保险业务所处的地域信息这个维度信息，将根据汽车保险业务所处的不同地域信息来设置不同的节点，例如深圳、东莞以及惠州等不同的城市来设置不同分类节点，对于上述样本分类结果还将依据获取客户的车辆信息这个维度的信息进行继续分类。对于客户的车辆信息，上述客户的车辆信息具体为客户在购买该汽车保险业务所投放费用，对于客户在购买该汽车保险业务所投放费用会设置不同的节点信息，其中上述根据投入的费用设置0-5000元、5000-10000元、10000-15000元、15000-20000元以及20000元以上等不同的分类节点。

在一个实施例中，上述根据所述保单信息，计算可回馈给所述客户的赠品价值阈值的步骤s2之后，且在所述将将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤s3之前，包括：

s211、获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数，所述不出险系数表示该客户不出险的概率；

s212、将所述不出险系数乘以所述赠品价值阈值，更新所述赠品价值阈值。

本实施例中，客户信息包括客户的性别、年龄、驾驶证年限、学历等，因客户的驾驶习惯与客户的客户信息与财产信息有一定的关联度，比如年龄偏大的人开车更加稳重，对应的出险的概率更小；学历高的人相对普遍素质偏高，对应的具有更好的驾驶习惯，则出险的概率相对较小一些。因此，可以综合客户信息来计算客户的不出险概率。客户在填写保单信息时，上述客户信息是必须填写的内容。服务器获取保单中的客户信息。逻辑回归模型的应用主要是用于概率表达式，该模型的优点是求解速度快，应用方便。在训练该逻辑回归模型时，先输入多个产生理赔的客户信息，然后根据客户信息的类别，计算客户信息的类别对不产生理赔的影响权重。逻辑回归模型再基于这些影响权重，根据客户数据计算出该客户订单上的保险产品后不产生理赔的概率。将客户信息输入到训练后的逻辑回归模型，即可计算出该客户对应的客户数据的不出险概率。客户的不出险系数越高，则表示客户越不会出险，对应的保险公司赔付的概率就越低，赚的钱就越多，可以回馈的赠品的价值就越高。因此，需要将赠品价值阈值进行更新，将不出险系数乘以赠品价值阈值，以更新赠品价值阈值。

在一个实施例中，上述获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数的步骤s211之前，包括：

s204、将多个未出险的客户的客户信息输入到gbdt模型，得到不出险向量；

s205、通过迭代优化算法计算各向量对应的系数，即逻辑回归模型的特征系数。

如上述步骤s204所述，未出险的客户是指购买了公司的保险产品且在保险期间内未发生摩擦、碰撞等保险事情发生理赔的客户。客户信息包括客户的年龄、性别、汽车型号、汽车价格、客户的驾驶证年龄、汽车年龄等。gbdt模型又叫梯度提升树(gradientboostingdecisontree)模型。根据获取到的客户的基础数据，而设置不同层次的gbdt模型。梯度提升树有至少一棵决策树，每棵树均有多个叶子节点。根据数据的类型以及维度设置不同数量的叶子节点，将一个客户信息输入到决策树中，输出一个向量，即客户的不出险预测向量。在一简单实施例中，以用户信息中的性别作为不出险向量，则具有两个叶子节点，设置第一个叶子节点是性别男，设置第二个叶子节点为性别不是男，即女性。将一个客户的数据输入到gbdt模型中，若是男性客户，则落在第一个叶子节点上，得到的不出险预测向量是(1,0)。在具体实施例中，根据多个信息维度，对应的，预测向量的维度会更多。将多个未出险的客户的用户信息输入到gbdt模型中，得到多个不出险向量。

如上述步骤s205所述，逻辑回归是一种广义线性回归，是在线性回归的基础上加入了sigmoid函数进行非线性映射，这个函数可以将连续值映射到0和1上，把大范围数值压缩到这个范围内，可以消除特别冒尖的变量的影响，即消除数据的异常值。逻辑回归的因变量可以是二分类的也可以是多分类的，实际中常用的就是二分类的逻辑回归。通过迭代算法优化算法确定所述逻辑回归模型的特征系数。迭代优化算法可以是l-bfgs算法也可以是sgd算法。l-bfgs算法是一种求解无约束线性优化问题常用的方法，该算法有较完善的局部收敛理论，在大数据集上有优势。

在一个实施例中，上述将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤s3，包括：

s31、筛选出赠品价值低于或等于所述赠品价值阈值的目标赠品；

s32、将所述目标赠品按照所述目标赠品的赠品价值从高到低的顺序进行排序；

s33、将排序后的所述目标赠品加载在所述客户端上。

本实施例中，服务器将赠品数据库中的赠品价值低于赠品价值阈值的赠品信息筛选出来，然后按照赠品价值按照从高到低的顺序进行排序，一般而言，赠品价值越高的赠品，越受到客户的喜爱，将赠品按照赠品价值的高低进行排序，然后加载在客户端上，便于客户挑选到更好的、更优质的赠品。

在一个实施例中，上述将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤s3，包括：

s34、读取客户信息的性别，将赠品数据库中的与所述性别相同的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上。

本实施例中，服务器根据赠品价值进行了筛选后，得到可以赠送给客户的赠品，然后读取可赠送的赠品的赠品信息，读取出对赠品的性别标签。然后读取客户信息中的客户性别，然后将与客户性别一致的性别标签对应的赠品信息加载在客户端。一般男性客户喜欢手机支架、方向盘套等较为实用的赠品，一般女性客户喜欢公仔、抱枕等可以装饰汽车的赠品。根据客户的性别将对应的赠品加载在客户端，可以只加载客户喜爱的赠品，更加提高客户体验。

综上所述，本申请的基于机器确定获取保单赠品的方法，根据客户信息以及购买的汽车保险业务的信息计算出适合赠送给客户价值对应的赠品，合理推送赠品价值在客户的保单范围内的列表给客户，使赠送的赠品价值不会过高而使公司亏损，也使赠送的赠品价值不会过低而给客户不好的服务体验效果。

参照图2，本申请实施例中还提供一种基于机器确定获取保单赠品的装置，包括：

获取模块1，用于获取客户的保单的保单信息，所述保单信息包括保险产品名称、车辆信息、保费信息；

第一计算模块2，用于根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值；

加载模块3，用于将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上，所述赠品数据库用于存放赠品信息以及赠品信息对应的赠品价值；

第二计算模块4，用于接收所述客户选择的至少一个赠品，并计算所述客户选择的各赠品对应的价值的价值总和；

判断模块5，用于判断所述价值总和是否低于或等于所述赠品价值阈值；

判定模块6，用于若所述价值总和低于或等于所述赠品价值阈值，判定所述客户选择的至少一个赠品属于所述客户的赠品。

本实施例中，客户在通过网络平台购买保险时，会注册一个账户，然后客户通过客户端登录账户访问网络平台填写保险信息，生成保单。客户通过客户端生成了一个保单后，获取模块1获取到该客户的保单信息。客户在客户端上进行投保时，需要填写投保人信息-即客户信息，还包括保险标的的信息-即车辆信息，还有保险的方式-即保险产品名称，还有保费的数量-即保费信息。客户通过客户端填写了这些信息后，确认提交，即完成投保。客户通过客户端提交了保单信息后，服务器接收到客户端填写的保单信息。客户通过手机、电脑等可以上网的硬件访问服务器并登录自己的账号后再进行填写保单信息。

每个赠品均是保险公司自行购买后赠送给客户的，因此赠品均是含有一定的成本的；对盈利多的客户，对应的可以付出多一些的成本，因此赠品的价值可以高一些，但是也不能太高，太高会使该保险公司违反相关的法律规定或者导致公司对该保单处于亏损的状态。因而设置一个赠品价值阈值，即可以回馈给客户的赠品的最高价值。获取模块1获取到保单信息后，第一计算模块2根据预设的计算规则，计算得到可以回馈给该保单对应的客户的礼品价值的赠品价值阈值，其中，赠品价值阈值是针对每一个保单的保单信息计算出来的。同一投保人，因购买不同的保险而产生不同的保单信息，对应的赠品价值阈值是不相同的。

赠品数据库是服务器中的一个存储有可赠送的赠品的全部信息的数据库，赠品信息包括赠品类型、赠品规格、赠品价值、赠品图像等。服务器获取到上述赠品价值阈值后，读取赠品数据库中的所有赠品的赠品价值，筛选出赠品价值低于赠品价值阈值的赠品对应的赠品信息，然后加载模块3将筛选出来的赠品信息全部加载在客户端上，客户通过客户端即可以查看可赠送的赠品。

客户从可以赠送的赠品中挑选自己喜爱的赠品，第二计算模块4接收到客户选择的赠品后，将选中的赠品的赠品价值进行相加，得到赠品价值总和。

服务器计算出客户选择的赠品价值总和后，然后判断模块5将该和与赠品价值阈值进行比较，看是否超过赠品价值阈值，如果超过，说明不符合公司规定。

当价值总和低于或等于赠品价值阈值，进而说明客户选择的赠品是在公司的可赠送范围内，说明客户选择的赠品没有违反相关的规定，是可以的。判定模块6就判定客户选择的赠品是属于客户的赠品。

参照图3，在一个实施例中，上述第一计算模块2包括：

输入单元21，用于将客户的保单信息输入到基于历史客户的保单信息训练后的决策树中，所述保单信息还包括所述客户的历史保险记录信息、汽车保险业务所处的地域信息、车辆信息、保费信息；

接收单元22，用于接收所述决策树输出的第一分类结果；

匹配单元23，用于根据所述第一分类结果匹配到与所述保单对应的赠品价值阈值。

本实施例中，服务器读取保单信息，服务器根据历史客户的往年保险记录信息、汽车保险业务所处的地域信息、客户的车辆信息得到可以赠送的赠品总价值，输入单元21将客户的车辆信息、汽车保险业务所处的地域信息、客户的往年保险记录输入到预设的第一决策树中进行分类得到第一分类结果，接收单元22接收决策树输出的第一分类结果，然后匹配单元23根据第一分类匹配得到与上述保单对应的可以赠送的赠品的赠品价值阈值。

在一个实施例中，上述基于机器学习确定保单赠品的装置，还包括：

第一输入模块201，用于将预设的训练集中的多个样本数据输入到预设的决策树中，所述训练集包括多个历史客户的保单信息；

对比模块202，用于接收预设的决策树输出的分类测试结果，与预设的样本分类结果进行对比；

确定模块203，用于若对比结果一致，确定所述预设的决策树为训练后的决策树。

本实施例中，第一输入模块201将测试集的样本数据中的历史客户的往年保险记录、汽车保险业务所处的地域信息、历史客户的车辆信息输入到预设的决策树进行分类得到分类预测结果，对比模块202将上述分类预测结果与输入的客户的历史保险记录、汽车保险业务所处的地域信息、客户的车辆信息所对应的样本分类结果进行对比，看两者是否一致，若两者结果一致，验证通过，则说明预设的决策树训练完成，确定模块203确定该决策树为训练后的决策树。对于不同的样本分类结果，需要说明的是，会依据客户的往年保险记录、汽车保险业务所处的地域信息、客户的车辆信息这三个维度的信息设置不同的节点信息进行分类。首先，对于客户的往年保险记录，其包含的具体信息为是否有购买本公司汽车保险业务的记录，可以根据有购买、没有购买来设置两个不同的节点，对于上述不同的分类节点，还将依据汽车保险业务所处的地域信息这个维度的信息继续进行分类。对于汽车保险业务所处的地域信息这个维度信息，将根据汽车保险业务所处的不同地域信息来设置不同的节点，例如深圳、东莞以及惠州等不同的城市来设置不同分类节点，对于上述样本分类结果还将依据获取客户的车辆信息这个维度的信息进行继续分类。对于客户的车辆信息，上述客户的车辆信息具体为客户在购买该汽车保险业务所投放费用，对于客户在购买该汽车保险业务所投放费用会设置不同的节点信息，其中上述根据投入的费用设置0-5000元、5000-10000元、10000-15000元、15000-20000元以及20000元以上等不同的分类节点。

参照图4，在一个实施例中，上述基于机器学习确定保单赠品的装置，还包括：

系数模块211，用于获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数，所述不出险系数表示该客户不出险的概率；

更新模块212，用于将所述不出险系数乘以所述赠品价值阈值，更新所述赠品价值阈值。

本实施例中，客户信息包括客户的性别、年龄、驾驶证年限、学历等，因客户的驾驶习惯与客户的客户信息与财产信息有一定的关联度，比如年龄偏大的人开车更加稳重，对应的出险的概率更小；学历高的人相对普遍素质偏高，对应的具有更好的驾驶习惯，则出险的概率相对较小一些。因此，可以综合客户信息来计算客户的不出险概率。客户在填写保单信息时，上述客户信息是必须填写的内容。系数模块211获取保单中的客户信息。逻辑回归模型的应用主要是用于概率表达式，该模型的优点是求解速度快，应用方便。在训练该逻辑回归模型时，先输入多个产生理赔的客户信息，然后根据客户信息的类别，计算客户信息的类别对不产生理赔的影响权重。逻辑回归模型再基于这些影响权重，根据客户数据计算出该客户订单上的保险产品后不产生理赔的概率。系数模块211将客户信息输入到训练后的逻辑回归模型，即可计算出该客户对应的客户数据的不出险概率。客户的不出险系数越高，则表示客户越不会出险，对应的保险公司赔付的概率就越低，赚的钱就越多，可以回馈的赠品的价值就越高。因此，需要更新模块212将赠品价值阈值进行更新，将不出险系数乘以赠品价值阈值，以更新赠品价值阈值。

在一个实施例中，上述基于机器学习确定保单赠品的装置，还包括：

第二输入模块204，用于将多个未出险的客户的客户信息输入到gbdt模型，得到不出险向量；

计算系数模块205，用于通过迭代优化算法计算各向量对应的系数，即逻辑回归模型的特征系数。

本实施例中，未出险的客户是指购买了公司的保险产品且在保险期间内未发生摩擦、碰撞等保险事情发生理赔的客户。客户信息包括客户的年龄、性别、汽车型号、汽车价格、客户的驾驶证年龄、汽车年龄等。gbdt模型又叫梯度提升树(gradientboostingdecisontree)模型。根据获取到的客户的基础数据，而设置不同层次的gbdt模型。梯度提升树有至少一棵决策树，每棵树均有多个叶子节点。根据数据的类型以及维度设置不同数量的叶子节点，将一个客户信息输入到决策树中，输出一个向量，即客户的不出险预测向量。在一简单实施例中，以用户信息中的性别作为不出险向量，则具有两个叶子节点，设置第一个叶子节点是性别男，设置第二个叶子节点为性别不是男，即女性。将一个客户的数据输入到gbdt模型中，若是男性客户，则落在第一个叶子节点上，得到的不出险预测向量是(1,0)。在具体实施例中，根据多个信息维度，对应的，预测向量的维度会更多。第二输入模块204将多个未出险的客户的用户信息输入到gbdt模型中，得到多个不出险向量。

逻辑回归是一种广义线性回归，是在线性回归的基础上加入了sigmoid函数进行非线性映射，这个函数可以将连续值映射到0和1上，把大范围数值压缩到这个范围内，可以消除特别冒尖的变量的影响，即消除数据的异常值。逻辑回归的因变量可以是二分类的也可以是多分类的，实际中常用的就是二分类的逻辑回归。计算系数模块205通过迭代算法优化算法确定所述逻辑回归模型的特征系数。迭代优化算法可以是l-bfgs算法也可以是sgd算法。l-bfgs算法是一种求解无约束线性优化问题常用的方法，该算法有较完善的局部收敛理论，在大数据集上有优势。

参照图5，在一个实施例中，上述加载模块3包括：

筛选单元31，用于筛选出赠品价值低于或等于所述赠品价值阈值的目标赠品；

排序单元32，用于将所述目标赠品按照所述目标赠品的赠品价值从高到低的顺序进行排序；

第一加载单元33，用于将排序后的所述目标赠品加载在所述客户端上。

本实施例中，筛选单元31将赠品数据库中的赠品价值低于赠品价值阈值的赠品信息筛选出来，然后排序单元32按照赠品价值按照从高到低的顺序进行排序，一般而言，赠品价值越高的赠品，越受到客户的喜爱，将赠品按照赠品价值的高低进行排序，然后第一加载单元33加载在客户端上，便于客户挑选到更好的、更优质的赠品。

参照图6，在一个实施例中，上述加载模块3包括：

第二加载单元34，用于读取客户信息的性别，将赠品数据库中的与所述性别相同的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上。

本实施例中，服务器根据赠品价值进行了筛选后，得到可以赠送给客户的赠品，然后读取可赠送的赠品的赠品信息，读取出对赠品的性别标签。然后读取客户信息中的客户性别，然后第二加载单元34将与客户性别一致的性别标签对应的赠品信息加载在客户端。一般男性客户喜欢手机支架、方向盘套等较为实用的赠品，一般女性客户喜欢公仔、抱枕等可以装饰汽车的赠品。根据客户的性别将对应的赠品加载在客户端，可以只加载客户喜爱的赠品，更加提高客户体验。

综上所述，本申请的基于机器学习确定保单赠品的装置，根据客户信息以及购买的汽车保险业务的信息计算出适合赠送给客户价值对应的赠品，合理推送赠品价值在客户的保单范围内的列表给客户，使赠送的赠品价值不会过高而使公司亏损，也使赠送的赠品价值不会过低而给客户不好的服务体验效果。

参照图7，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储客户信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器学习确定保单赠品的方法。

上述处理器执行上述基于机器学习确定保单赠品的方法的步骤：获取客户的保单的保单信息，所述保单信息包括保险产品名称、车辆信息、保费信息；根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值；将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上，所述赠品数据库用于存放赠品信息以及赠品信息对应的赠品价值；接收所述客户选择的至少一个赠品，并计算所述客户选择的各赠品对应的价值的价值总和；判断所述价值总和是否低于或等于所述赠品价值阈值；若是，判定所述客户选择的至少一个赠品属于所述客户的赠品。

在一个实施例中，上述处理器执行根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤，包括：将客户的保单信息输入到基于历史客户的保单信息训练后的决策树中，所述保单信息包括所述客户的历史保险记录信息、汽车保险业务所处的地域信息、车辆信息、保费信息；接收所述决策树输出的第一分类结果；根据所述第一分类结果匹配到与所述保单对应的赠品价值阈值。

在一个实施例中，上述处理器执行根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤之前，包括：将预设的训练集中的多个样本数据输入到预设的决策树中，所述训练集包括多个历史客户的保单信息；接收预设的决策树输出的测试分类结果，与预设的样本分类结果进行对比；若对比结果一致，确定所述预设的决策树为训练后的决策树。

在一个实施例中，上述处理器执行根据所述保单信息，计算可回馈给所述客户的赠品价值阈值的步骤之后，且在所述将将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤之前，包括：获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数，所述不出险系数表示该客户不出险的概率；将所述不出险系数乘以所述赠品价值阈值，更新所述赠品价值阈值。

在一个实施例中，上述处理器执行获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数的步骤之前，包括：将多个已出险的客户的客户信息输入到gbdt模型，得到不出险向量；通过迭代优化算法计算各向量对应的系数，即逻辑回归模型的特征系数。

在一个实施例中，上述处理器执行将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤，包括：筛选出赠品价值低于或等于所述赠品价值阈值的目标赠品；将所述目标赠品按照所述目标赠品的赠品价值从高到低的顺序进行排序；将排序后的所述目标赠品加载在所述客户端上。

在一个实施例中，上述处理器执行将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤，包括：读取客户信息的性别，将赠品数据库中的与所述性别相同的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上。

综上所述，本申请的计算机设备根据客户信息以及购买的汽车保险业务的信息计算出适合赠送给客户价值对应的赠品，合理推送赠品价值在客户的保单范围内的列表给客户，使赠送的赠品价值不会过高而使公司亏损，也使赠送的赠品价值不会过低而给客户不好的服务体验效果。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于机器学习确定保单赠品的方法，具体为：获取客户的保单的保单信息，所述保单信息包括保险产品名称、车辆信息、保费信息；根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值；将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上，所述赠品数据库用于存放赠品信息以及赠品信息对应的赠品价值；接收所述客户选择的至少一个赠品，并计算所述客户选择的各赠品对应的价值的价值总和；判断所述价值总和是否低于或等于所述赠品价值阈值；若是，判定所述客户选择的至少一个赠品属于所述客户的赠品。

在一个实施例中，上述处理器执行根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤，包括：将客户的保单信息输入到基于历史客户的保单信息训练后的决策树中，所述保单信息包括所述客户的历史保险记录信息、汽车保险业务所处的地域信息、车辆信息、保费信息；接收所述决策树输出的第一分类结果；根据所述第一分类结果匹配到与所述保单对应的赠品价值阈值。

在一个实施例中，上述处理器执行根据所述保单信息，计算可回馈给所述客户的保单对应的赠品价值阈值的步骤之前，包括：将预设的训练集中的多个样本数据输入到预设的决策树中，所述训练集包括多个历史客户的保单信息；接收预设的决策树输出的测试分类结果，与预设的样本分类结果进行对比；若对比结果一致，确定所述预设的决策树为训练后的决策树。

在一个实施例中，上述处理器执行根据所述保单信息，计算可回馈给所述客户的赠品价值阈值的步骤之后，且在所述将将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤之前，包括：获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数，所述不出险系数表示该客户不出险的概率；将所述不出险系数乘以所述赠品价值阈值，更新所述赠品价值阈值。

在一个实施例中，上述处理器执行获取所述客户的客户信息，输入到训练后的逻辑回归模型，得到不出险系数的步骤之前，包括：将多个已出险的客户的客户信息输入到gbdt模型，得到不出险向量；通过迭代优化算法计算各向量对应的系数，即逻辑回归模型的特征系数。

在一个实施例中，上述处理器执行将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤，包括：筛选出赠品价值低于或等于所述赠品价值阈值的目标赠品；将所述目标赠品按照所述目标赠品的赠品价值从高到低的顺序进行排序；将排序后的所述目标赠品加载在所述客户端上。

在一个实施例中，上述处理器执行将赠品数据库中的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上的步骤，包括：读取客户信息的性别，将赠品数据库中的与所述性别相同的赠品价值低于所述赠品价值阈值的赠品的赠品信息加载在所述客户对应的客户端上。

综上所述，本申请的计算机可读存储介质，根据客户信息以及购买的汽车保险业务的信息计算出适合赠送给客户价值对应的赠品，合理推送赠品价值在客户的保单范围内的列表给客户，使赠送的赠品价值不会过高而使公司亏损，也使赠送的赠品价值不会过低而给客户不好的服务体验效果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

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、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。

以上所述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。