基于用户画像的保险推送方法、装置及存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种基于用户画像的保险推送方法、装置及存储介质。

背景技术：

目前，当用户需要购买保险时，一般是通过保险销售人员根据用户的需求和工作经验，以主观判断的方式来判断用户更倾向交易的保险类型，并将这些保险类型对用户进行讲解介绍。基于此，现有技术中的保险介绍一般是通过保险销售人员来人工判断完成的。

但是，通过人工判断用户需求的保险方式主要以保险销售人员的主观判断为准，这较大的依赖于保险销售人员的经验与主观判断，工作量大的同时，由于对用户需求的保险的判断准确度较差，这就需要重复判断推荐，又进一步增加了工作量。

技术实现要素：

有鉴于此，本发明实施例提供了一种基于用户画像的保险推送方法、装置及存储介质，用以解决现有技术中人工推送保险的方式存在推荐准确度较差且工作量大的问题。

第一方面，本发明实施例提供了一种基于用户画像的保险推送方法，包括：

获取用户的历史交易数据；

利用机器学习算法与特征提取算法，对所述历史交易数据进行处理，得到所述用户的保险交易画像，所述保险交易画像用以表征所述用户针对各保险的交易倾向程度；

根据所述保险交易画像，向所述用户推送保险。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，利用机器学习算法与特征提取算法，对所述历史交易数据进行处理，得到所述用户的保险交易画像，包括：

利用所述特征提取算法处理所述历史交易数据，得到所述历史交易数据的历史交易特征与交易倾向特征；

将所述历史交易特征作为输入，将所述交易倾向特征作为输出，利用神经网络机制进行深度学习，得到保险交易概率预测模型；

通过所述保险交易概率预测模型对各保险进行预测，得到所述用户针对各保险的交易倾向程度，以作为所述保险交易画像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将所述历史交易特征作为输入，将所述交易倾向特征作为输出，利用神经网络机制进行深度学习，得到保险交易概率预测模型，包括：

将所述历史交易特征作为输入，将所述交易倾向特征作为输出，利用随机森林算法与决策树机器算法中的至少一种进行深度学习，得到所述保险交易概率预测模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述保险交易画像，向所述用户推送保险，包括：

根据所述保险交易画像，确定目标保险；

将所述目标保险推送给所述用户。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述保险交易画像，确定目标保险，包括：

按照所述用户针对各保险的交易倾向程度由高至低的顺序，对各保险进行排序；

在所述排序中获取由前至后的指定数目个保险，以作为所述目标保险，所述指定数目为大于0的整数。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述将所述目标保险推送给所述用户，包括：

将所述目标保险列表推送给所述用户；或者，依次输出各目标保险。

上述技术方案中的一个技术方案具有如下有益效果：

本发明实施例中，通过对用户的历史交易数据进行分析，并基于对这些历史交易数据进行特征提取与机器学习算法的处理，能够得到符合用户针对各保险的交易倾向的保险交易画像，基于此，能够向用户推送更符合用户交易倾向的保险，这是基于每个用户的历史交易数据做出的自动判断，相较于保险人员人工判断的方式，能够在一定程度上提高推荐准确度，且这种自动处理方式也能够降低保险推荐人员的工作量，提高其工作效率。

第二方面，本发明实施例提供了一种基于用户画像的保险推送装置，包括：

获取单元，用于获取用户的历史交易数据；

处理单元，用于利用机器学习算法与特征提取算法，对所述历史交易数据进行处理，得到所述用户的保险交易画像，所述保险交易画像用以表征所述用户针对各保险的交易倾向程度；

推送单元，用于根据所述保险交易画像，向所述用户推送保险。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述处理单元，具体用于：

利用所述特征提取算法处理所述历史交易数据，得到所述历史交易数据的历史交易特征与交易倾向特征；

将所述历史交易特征作为输入，将所述交易倾向特征作为输出，利用神经网络机制进行深度学习，得到保险交易概率预测模型；

通过所述保险交易概率预测模型对各保险进行预测，得到所述用户针对各保险的交易倾向程度，以作为所述保险交易画像。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述处理单元，还具体用于：

将所述历史交易特征作为输入，将所述交易倾向特征作为输出，利用随机森林算法与决策树机器算法中的至少一种进行深度学习，得到所述保险交易概率预测模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述推送单元，用于：

根据所述保险交易画像，确定目标保险；

将所述目标保险推送给所述用户。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述推送单元，具体用于：

按照所述用户针对各保险的交易倾向程度由高至低的顺序，对各保险进行排序；

在所述排序中获取由前至后的指定数目个保险，以作为所述目标保险，所述指定数目为大于0的整数。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述推送单元，具体用于：

将所述目标保险列表推送给所述用户；或者，依次输出各目标保险。

上述技术方案中的一个技术方案具有如下有益效果：

本发明实施例中，通过对用户的历史交易数据进行分析，并基于对这些历史交易数据进行特征提取与机器学习算法的处理，能够得到符合用户针对各保险的交易倾向的保险交易画像，基于此，能够向用户推送更符合用户交易倾向的保险，这是基于每个用户的历史交易数据做出的自动判断，相较于保险人员人工判断的方式，能够在一定程度上提高推荐准确度，且这种自动处理方式也能够降低保险推荐人员的工作量，提高其工作效率。

第三方面，本发明实施例提供了一种基于用户画像的保险推送装置，其特征在于，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。

第四方面，本发明实施例提供了一种存储介质，其特征在于，包括：计算机可执行指令，当所述计算机可执行指令被运行时，用以执行如第一方面任一项所述的基于用户画像的保险推送方法。

上述技术方案中的一个技术方案具有如下有益效果：

本发明实施例中，通过对用户的历史交易数据进行分析，并基于对这些历史交易数据进行特征提取与机器学习算法的处理，能够得到符合用户针对各保险的交易倾向的保险交易画像，基于此，能够向用户推送更符合用户交易倾向的保险，这是基于每个用户的历史交易数据做出的自动判断，相较于保险人员人工判断的方式，能够在一定程度上提高推荐准确度，且这种自动处理方式也能够降低保险推荐人员的工作量，提高其工作效率。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例所提供的基于用户画像的保险推送方法的实施例一的流程示意图；

图2是本发明实施例所提供的基于用户画像的保险推送方法的实施例二的流程示意图；

图3是本发明实施例所提供的基于用户画像的保险推送方法的实施例三的流程示意图；

图4是本发明实施例所提供的基于用户画像的保险推送装置的功能方块图；

图5是本发明实施例所提供的基于用户画像的保险推送装置的实体装置示意图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

针对现有技术中所存在的通过人工判断用户保险需求的方式存在判断准确度较差且工作量大的问题，本发明实施例提供了如下解决思路：获取用户的历史交易数据，对这些交易数据进行处理，以获得用户针对各保险的交易倾向程度，形成用户的保险交易画像，由于保险交易画像是基于用户的历史交易数据得到的，更加符合用户的交易习惯与交易倾向，基于此，为用户推送保险时，能够在一定程度上提高推送准确率，也能够在一定程度上提高交易率，并解放人力。

在该思路的引导下，本方案实施例提供了以下可行的实施方案。

实施例一

本发明实施例给出一种基于用户画像的保险推送方法。可具体参考图1，该方法可以包括如下步骤：

s102，获取用户的历史交易数据。

本发明实施例中，历史交易数据包括历史保险交易数据，其中，所涉及的历史保险交易数据为与保险业务相关的交易数据。具体的，可以包括但不限于：用户之前所购买过的车险交易数据，用户之间购买过的寿险交易数据，等。

这些历史保险交易数据可以通过查询自身数据库中所存储的历史保单的方式查询得到。或者，还可以通过其他途径获得。例如，用户主动提供；例如，通过其他渠道，如通过保险行业区块链等，获取用户的公开的保险交易信息。

在实际应用的场景中，历史交易数据还可以包括能够反映用户交易习惯的其他历史交易信息。在一些可能的实现场景中，其他方面的信息可以包括但不限于：历史购物交易数据、历史贷款交易数据与历史固定资产交易数据中的至少一种。上述的其他历史交易信息的获取方式则无特别限定。例如，用户主动提供；例如，通过其他渠道，如通过交易行业区块链等，获取用户的公开的历史交易信息。

s104，利用机器学习算法与特征提取算法，对历史交易数据进行处理，得到用户的保险交易画像，保险交易画像用以表征用户针对各保险的交易倾向程度。

需要说明的是，本发明实施例所涉及的保险交易画像可以有多种表现形式。例如，可以预设的表现形式表征用户对各类保险(如：人身类保险与车险等不同类别的保险)的交易倾向程度；或者，又例如，也可以预设的表现形式表征用户针对各保险(如：针对人身类保险下属的各保险)的交易倾向程度。其中，本发明实施例对于交易倾向程度的预设的表现形式无特别限定。例如，可以比例分数，如百分比，的方式体现，或者，还可以正倾向与负倾向的方式对其进行体现，或者，还可以。实际使用时，根据需要设定即可。

s106，根据保险交易画像，向用户推送保险。

基于s102中获取到的历史交易信息，本发明实施例给出以下执行s104步骤的实现方式，请参考图2，s104具体包括如下步骤：

s1042，利用特征提取算法处理所述历史交易数据，得到所述历史交易数据的历史交易特征与交易倾向特征。

其中，s1042步骤所涉及的特征提取算法可以包括但不限于：n-gram算法。

举例说明，若历史交易数据为“购买意外险x元”，则基于n-gram算法可以对其进行特征提取，得到相应的unigram特征、bigram特征、trigram特征等；其中，每个unigram特征包含一个字，每个bigram特征包含两个字，每个trigram特征包含三个字。基于此，上述历史交易数据经n-gram算法处理后可以提取到的历史交易特征可以包括但不限于：购、买、意、外、险、x、元、购买、意外、x元与意外险，等；得到的交易倾向特征的表现形式可以为交易概率，或者，也可以简单的表现为正倾向和反倾向，其中，正倾向表示有交易倾向，反倾向表示无交易倾向。

在具体的实现场景中，利用特征提取算法得到的历史交易特征可以包括但不限于：购买金额、购买频率、购买的险种等。

s1044，将历史交易特征作为输入，将交易倾向特征作为输出，利用神经网络机制进行深度学习，得到保险交易概率预测模型。

s1046，通过保险交易概率预测模型对各保险进行预测，得到用户针对各保险的交易倾向程度，以作为保险交易画像。

其中，s1044步骤所涉及的机器学习算法可以包括但不限于：决策树机器算法与随机森林机器算法两种方式实现。

第一种，通过决策树机器算法执行s1044步骤：将历史交易特征作为输入，将交易倾向特征作为输出，利用决策树机器算法进行深度学习，得到保险交易概率预测模型。

其中，决策树(decisiontree)是一种概率分析方法，在机器学习中，决策树作为一个预测模型，用于表征对象属相与对象值之间的一种映射关系。树中的每个节点均表示一个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶节点则对应从根节点到该叶节点经历的路径所表示的对象的值。本发明实施例中，可将用户的历史交易数据作为样本数据，将样本数据待遇预设的决策树模型进行训练，即可得到用户的保险交易概率预测模型。

因此，通过决策树机器算法对历史交易特征进行处理，能够得到用户的保险交易概率模型，该保险交易概率模型能够实现用户针对保险的交易倾向程度。在这种实现场景中，后续在具体实现s1046时，可以分别利用该保险交易概率预测模型对各保险的交易倾向程度进行预测。

在这种实现方式中，通过决策树机器算法获取用户的保险交易画像，易于理解和实现，并且，对样本数据的处理要求较低，能够在较短的时间内实现对大数据的分析，分析准确度较高。

第二种，通过随机森林算法执行s1044将历史交易特征作为输入，将交易倾向特征作为输出，利用随机森林算法进行深度学习，得到保险交易概率预测模型。

其中，随机森林属于集成学习(ensemblelearning)中的套袋bagging算法，主要为bagging算法与决策树算法的结合算法。其中，bagging的算法过程大致为：从原始样本集中使用bootstraping方法随机抽取n个训练样本，共进行k轮抽取，得到k个训练集。(k个训练集之间相互独立，元素可以有重复)，之后，对于k个训练集，我们训练k个模型(这k个模型可以根据具体问题而定，比如决策树，knn等)，从而，对于分类问题：由投票表决产生分类结果；对于回归问题：由k个模型预测结果的均值作为最后预测结果。

由于随机森林算法可以处理大量的输入变数，在建造森林时，可以在内部对于一般化后的误差产生不偏差的估计，并且，这种机器算法对于不平衡的分类资料集来说，可以平衡误差，这些特征使得随机森林算法得到的用户保险交易画像更加准确；且由于学习速度较快，数据处理效率较高。

在具体实现s1044时，可以以上述一种实现方式或至少两种实现方式的组合方式来执行s104。

基于此，在执行s106时，则可以参考图3，包括以下步骤：

s1062，根据保险交易画像，确定目标保险。

其中，该步骤所确定的目标保险的数目为至少一个。例如，在一些场景中，为了扩大成交率，也可以确定出多个目标保险。

s1064，将目标保险推送给用户。

其中，执行s1062步骤中根据保险交易画像，确定目标保险的方式，可以包括以下步骤：

按照用户针对各保险的交易倾向程度由高至低的顺序，对各保险进行排序；

在排序中获取由前至后的指定数目个保险，以作为目标保险，指定数目为大于0的整数。

具体的，指定数目可以根据需要设定。若指定数目为一个，则获取排序最靠前的一个保险作为目标保险即可；或者，当指定数目为n，且n为大于1的整数时，则获取排序靠前的n个保险作为目标保险。

如此，即可实现对目标保险的获取及确定。

基于此，在执行s1064步骤时，则可以将目标保险列表推送给用户；或者，依次输出各目标保险。

本发明实施例的技术方案具有以下有益效果：

本发明实施例中，通过对用户的历史交易数据进行分析，并基于对这些历史交易数据进行特征提取与机器学习算法的处理，能够得到符合用户针对各保险的交易倾向的保险交易画像，基于此，能够向用户推送更符合用户交易倾向的保险，这是基于每个用户的历史交易数据做出的自动判断，相较于保险人员人工判断的方式，能够在一定程度上提高推荐准确度，且这种自动处理方式也能够降低保险推荐人员的工作量，提高其工作效率。

实施例二

基于上述实施例一所提供的基于用户画像的保险推送方法，本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。

一方面，本发明实施例提供了一种基于用户画像的保险推送装置。具体的，可以参考图4，该基于用户画像的保险推送装置400包括：

获取单元41，用于获取用户的历史交易数据；

处理单元42，用于利用机器学习算法与特征提取算法，对历史交易数据进行处理，获得用户的保险交易画像，保险交易画像用以表征用户针对各保险的交易倾向程度；

推送单元43，用于根据保险交易画像，向用户推送保险。

其中，处理单元42，具体用于：

利用所述特征提取算法处理所述历史交易数据，得到所述历史交易数据的历史交易特征与交易倾向特征；

将所述历史交易特征作为输入，将所述交易倾向特征作为输出，利用神经网络机制进行深度学习，得到保险交易概率预测模型；

通过所述保险交易概率预测模型对各保险进行预测，得到所述用户针对各保险的交易倾向程度，以作为所述保险交易画像。

在一个具体的实现过程中，所述处理单元42，还具体用于：

将所述历史交易特征作为输入，将所述交易倾向特征作为输出，利用随机森林算法与决策树机器算法中的至少一种进行深度学习，得到所述保险交易概率预测模型。

本发明实施例中，所述推送单元43，用于：

根据所述保险交易画像，确定目标保险；

将所述目标保险推送给所述用户。

一方面，在根据保险交易画像，确定目标保险这一步骤中，推送单元43可具体用于：

按照用户针对各保险的交易倾向程度由高至低的顺序，对各保险进行排序；

在排序中获取由前至后的指定数目个保险，以作为目标保险，指定数目为大于0的整数。

另一方面，在将目标保险推送给用户的步骤中，推送单元43可以包括但不限于以下处理方式：

将目标保险列表推送给用户；或者，

依次输出各目标保险。

本发明实施例所涉及的历史交易数据，还包括：历史购物交易数据、历史贷款交易数据与历史固定资产交易数据中的至少一种。

此外，本发明实施例还提供了一种基于深度学习的应答装置，请参考图5，该基于用户画像的保险推送装置500包括：存储器51、处理器52以及存储在存储器51中并可在处理器52上运行的计算机程序，处理器52执行计算机程序时实现如实施例一任一项所述基于用户画像的保险推送方法的步骤。

另一方面，本发明实施例提供了一种存储介质，包括：计算机可执行指令，当所述计算机可执行指令被运行时，用以执行如实施例一任一项所述的基于用户画像的保险推送方法。

由于本实施例中的各单元能够执行实施例一所示的方法，本实施例未详细描述的部分，可参考对实施例一的相关说明。

本发明实施例的技术方案具有以下有益效果：

本发明实施例中，通过对用户的历史交易数据进行分析，并基于对这些历史交易数据进行特征提取与机器学习算法的处理，能够得到符合用户针对各保险的交易倾向的保险交易画像，基于此，能够向用户推送更符合用户交易倾向的保险，这是基于每个用户的历史交易数据做出的自动判断，相较于保险人员人工判断的方式，能够在一定程度上提高推荐准确度，且这种自动处理方式也能够降低保险推荐人员的工作量，提高其工作效率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。