保险产品推荐方法、装置、计算机设备和存储介质与流程

本申请涉及互联网技术领域，特别是涉及一种保险产品推荐方法、装置、计算机设备和存储介质。

背景技术：

随着互联网技术的发展，越来越多的人开始通过终端，例如手机、电脑等购买保险产品。用户用手机购买保险产品后，保险公司后台会对其购买的保单进行核保，当核保成功时，用户购买保险成功，当核保不成功时，对该用户进行拒保。

传统技术中，对于已经拒保的客户，需要保险公司工作人员根据客户的实际情况重新选择符合要求的产品向客户进行推荐，然而，这种由人工进行推荐的方式效率并不高。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高保险产品推荐效率的保险产品推荐方法、装置、计算机设备和存储介质。

一种保险产品推荐方法，所述方法包括：

获取目标客户的日志信息、初始投保信息及拒保条件；

基于所述日志信息采用已训练的第一预测模型，得到所述目标客户对应的对各个保险类别的倾向值；

根据所述各个保险类别的倾向值确定所述目标客户对应的目标保险类别；

获取所述目标保险类别对应的保险产品集合，根据所述当前拒保条件从所述保险产品集合中筛选出所述目标客户对应的目标保险产品；

获取所述目标保险产品对应的已训练的第二预测模型，基于所述初始投保信息采用所述第二预测模型，得到所述目标客户对所述目标保险产品的偏好概率值；

根据所述偏好概率值确定目标推荐产品，将所述目标推荐产品推荐给所述目标客户。

在其中一个实施例中，所述获取目标客户的日志信息、初始投保信息及拒保条件之前，包括：

获取待核保保单对应的投保数据，所述投保数据包括所述待核保保单对应的险种、被保人、保额、保险生效日及保险期满日；

根据所述险种确定所述待核保保单对应的保险类别；

根据所述保险类别获取所述被保人的与所述保险类别对应的历史投保数据；

确定所述历史投保数据中每一个保额对应的保险生效时段；

当任意一个所述保险生效时段中包含所述保险生效日或保险期满日时，将所述保险生效时段对应的保额与所述待核保保单对应的保额进行累加，得到所述保险类别对应的保额累加值；

当所述保额累加值不超过所述保险类别对应的预设保额阈值时，确定所述待核保保单的核保结果为拒保，并确定所述投保人为目标客户。

在其中一个实施例中，所述基于所述日志信息采用已训练的第一预测模型，得到所述目标客户对应的对各个保险类别的倾向值，包括：

根据所述日志信息得到所述目标客户对应的操作行为集合及所述操作行为集合中各个操作行为对应的保险产品；

根据所述保险产品所属的保险类别，得到各个保险类别对应的操作行为子集合；

获取所述操作行为子集合中的操作行为的操作类型和对应的操作次数，得到所述各个保险类别对应的操作类型分布；

根据所述各个保险类别对应的操作类型分布以及预设的评分规则得到所述各个保险类别的评分；

根据所述各个保险类别的评分得到所述目标客户的第一特征向量；

将所述第一特征向量输入所述已训练的第一预测模型，得到所述目标客户对应的对各个保险类别的倾向值。

在其中一个实施例中，所述将所述第一特征向量输入所述已训练的第一预测模型之前，包括：

根据所述初始投保信息得到所述目标客户对应的第二特征向量；

所述将所述第一特征向量输入所述已训练的第一预测模型，得到所述目标客户对应的对各个保险类别的倾向值，包括：

将所述第一特征向量及所述第二特征向量输入所述已训练的第一预测模型，得到所述目标客户对应的对各个保险类别的倾向值。

在其中一个实施例中，所述第一预测模型的生成步骤包括：

获取第一预设数量的历史客户对应的日志信息及对应的保险类别；

根据第一预设数量的所述历史客户对应的日志信息及对应的保险类别构建第一训练样本集；

根据所述第一训练样本集进行模型训练得到第一预测模型。

在其中一个实施例中，所述第二预测模型的生成步骤包括：

获取第二预设数量的历史客户的投保信息及对所述目标保险产品的偏好概率值；

根据第二预设数量的所述历史客户的投保信息及对所述目标保险产品的偏好概率值构建第二训练集；

根据所述第二训练集进行模型训练得到所述目标保险产品对应的第二预测模型。

一种保险产品推荐装置，所述装置包括：

信息获取模块，用于获取目标客户的日志信息、初始投保信息及拒保条件；

倾向值获取模块，用于基于所述日志信息采用已训练的第一预测模型，得到所述目标客户对应的对各个保险类别的倾向值；

目标保险类别确定模块，用于根据所述各个保险类别的倾向值确定所述目标客户对应的目标保险类别；

目标保险产品筛选模块，用于获取所述目标保险类别对应的保险产品集合，根据所述当前拒保条件从所述保险产品集合中筛选出所述目标客户对应的目标保险产品；

偏好概率值获取模块，用于获取所述目标保险产品对应的已训练的第二预测模型，基于所述初始投保信息采用所述第二预测模型，得到所述目标客户对所述目标保险产品的偏好概率值；

目标推荐产品确定模块，根据所述偏好概率值确定目标推荐产品，将所述目标推荐产品推荐给所述目标客户。

在其中一个实施例中，所述倾向值获取模块包括：

操作行为集合获取单元，用于根据所述日志信息得到所述目标客户对应的操作行为集合及所述操作行为集合中各个操作行为对应的保险产品；

操作行为子集合获取单元，用于根据所述保险产品所属的保险类别，得到各个保险类别对应的操作行为子集合；

操作类型分布获取单元，用于获取所述操作行为子集合中的操作行为的操作类型和对应的操作次数，得到所述各个保险类别对应的操作类型分布；

评分获取单元，用于根据所述各个保险类别对应的操作类型分布以及预设的评分规则得到所述各个保险类别的评分；

第一特征向量获取单元，用于根据所述各个保险类别的评分得到所述目标客户的第一特征向量；

倾向值获取单元，用于将所述第一特征向量输入所述已训练的第一预测模型，得到所述目标客户对应的对各个保险类别的倾向值。

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保险产品推荐方法所述的步骤。

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保险产品推荐方法所述的步骤。

上述保险产品推荐方法、装置、计算机设备和存储介质，在获取到目标客户的日志信息、初始投保信息及拒保条件后，首先根据第一预测模型对目标客户倾向的保险产品类型进行预测，然后获取预测得到的目标保险类别下的所有保险产品，根据拒保条件对这些保险产品进行筛选，得到符合拒保条件的目标保险产品，然后通过第二预测模型分别预测目标客户对每一个目标保险产品的偏好概率值，最后根据预测得到的偏好概率值确定目标推荐产品，将目标推荐产品给目标客户，本申请中，由于可以根据日志信息、初始投保信息、拒保条件自动对已拒保的客户进行有针对性地再次推荐，相对于传统技术的人工推荐方式，推荐效率得到显著提升。

附图说明

图1为一个实施例中保险产品推荐方法的应用场景图；

图2为一个实施例中保险产品推荐方法的流程示意图；

图3为一个实施例中步骤s204的步骤流程示意图；

图4为另一个实施例中保险产品推荐装置的结构框图；

图5为一个实施例中倾向值获取模块的结构框图；

图6为一个实施例中计算机设备的内部结构图。

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。

本申请提供的保险产品推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取目标客户的日志信息、初始投保信息及当前拒保条件，基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值，根据各个保险类别的倾向值确定目标客户对应的目标保险类别，获取目标保险类别对应的保险产品集合，根据当前拒保条件从保险产品集合中筛选出目标客户对应的目标保险产品，获取目标保险产品对应的已训练的第二预测模型，基于初始投保信息采用第二预测模型，得到目标客户对目标保险产品的偏好概率值，根据偏好概率值确定目标推荐产品，在目标推荐产品确定好后，服务器104可以将目标保险产品推送至目标客户对应的终端102。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种保险产品推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤s202，获取目标客户的日志信息、初始投保信息及拒保条件。

其中，目标客户指的是前期投保的保险产品被拒保的客户。初始投保信息指的是客户被拒保的保单对应的投保信息。拒保条件指的是初始投保信息中与拒保的理由相对应的投保数据。客户投保后，保险公司需要对客户进行核保，当客户的投保信息中一个或多个不满足其投保时的保险产品的投保要求时，对该客户进行拒保，并给出拒保理由，如某个客户投保的保险产品，年龄要求不超过50周岁，该客户的实际年龄为56周岁，该客户被拒保的理由为年龄过大，则其对应的拒保条件为：年龄56周岁。可以理解，当客户当前有多个保单被拒保时，其对应的初始投保信息为多个保单对应的投保信息，拒保条件也可以为多个。

日志信息用于记录目标客户在终端的行为信息，包括对保险产品的浏览、点击、收藏、投保等行为以及各种行为对应的保险产品的险种、保额、保费、保险期限、现金给付方式等等。在一个实施例中，日志信息可通过在保险产品界面设置埋点进行获取。

步骤s204，基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

具体地，第一预测模型是根据训练数据进行模型训练得到的，用于预测客户对各个保险产品类型的倾向值。倾向值用于表示客户对某类保险产品类型对应的保险产品进行投保的可能性，倾向值越大，客户对该类保险产品进行投保的可能性越大。保险类别可根据需求从不同的维度进行划分，如可以划分为财产保险、人寿保险、非人寿保险；也可以划分为健康保险、意外保险、养老保险、机动车辆保险等等，具体如何划分，本申请在此不做限制。

本实施例中，服务器在基于日志信息采用已训练的第一预测模型对各类保险产品的倾向值进行预测之前需要先通过训练数据进行模型训练，确定每个保险类别对应的模型参数，从而根据训练得到的模型参数得到第一预测模型。在进行模型训练时，可以采用有监督的模型训练方式，例如逻辑回归模型、svm(supportvectormachine,支持向量机)以及贝叶斯模型等等。由于训练样本对应的保险类别是已知的，因此可以根据训练样本进行模型训练学习得到模型参数，从而得到第一预测模型。服务器获取到目标客户的日志信息后，根据日志信息以及对应的模型参数得到目标客户对应的对各个保险类别的倾向值。

步骤s206，根据各个保险类别的倾向值确定目标客户对应的目标保险类别。

具体地，服务器可以根据各个保险类别对应的倾向值对各个保险类别进行排序，然后根据排序结果确定目标保险类别。在一个实施例中，服务器可以根据倾向值对各个保险类别进行降序排列，然后选择排序靠前，例如排在第一的保险类别作为目标保险类别。

另外，服务器也可以直接将倾向值超过预设的倾向值阈值的保险类别作为目标保险类别。其中，预设的倾向值阈值可以根据实际情况进行事先设定。

步骤s208，获取目标保险类别对应的保险产品集合，根据当前拒保条件从保险产品集合中筛选出目标客户对应的目标保险产品。

具体地，服务器获取到目标保险类别后，进一步获取目标保险类别下的所有保险产品，组成保险产品集合。服务器从保险产品集合中筛选出所有可以满足该拒保条件的保险产品，然后将全部或部分满足条件的保险产品作为目标保险产品。比如，当拒保条件为“年龄：56周岁”时，则从保险产品集合中筛选出所有对年龄没有要求的保险产品以及投保要求中的年龄阈值大于56周岁的保险产品；又如，当拒保条件为“地址：北京”时，则可以从保险产品集合中筛选出所有对地址没有要求的保险产品以及投保要求中的地址包括北京的保险产品。可以理解，筛选得到的目标保险产品可以是一个，也可以是多个。

步骤s210，获取目标保险产品对应的已训练的第二预测模型，基于初始投保信息采用第二预测模型，得到目标客户对目标保险产品的偏好概率值。

具体地，第二预测模型是根据训练数据进行模型训练得到的，用于预测目标客户对保险产品的偏好概率值。偏好概率值用于表示目标客户投保某个目标保险产品的可能性，偏好概率值越大，目标客户投保该目标保险产品的可能性越大。本实施例中，服务器获取目标保险产品对应的已训练的第二预测模型之前，需要先根据训练数据进行训练以得到第二预测模型，可分别对每一个保险产品训练一个第二预测模型，也可以对多个保险产品训练一个第二预测模型，如对同一险种的多个保险产品训练一个第二预测模型；进一步将第二预测模型存储在预设的数据库中，并将第二预测模型与保险产品对应的险种之间建立映射关系，将映射关系表存储在预设的数据库中。服务器筛选得到目标保险产品后，根据目标保险产品可以从映射关系表中查找到其对应的第二预测模型，然后可以根据初始投保信息及第二预测模型，得到各个目标保险产品的偏好概率值。

在本实施例中，进行模型训练时，同样可以采用有监督的模型训练方式，例如逻辑回归模型、svm(supportvectormachine,支持向量机)、神经网络模型以及贝叶斯模型等等。

步骤s212，根据偏好概率值确定目标推荐产品，将目标推荐产品推荐给目标客户。

具体地，服务器可以根据各个目标保险产品对应的偏好概率值对各个目标保险产品进行排序，根据排序结果确定目标推荐产品。在一个实施例中，服务器可以根据各个目标保险产品对应的偏好概率值对各个目标保险产品进行降序排列，选择排序靠前的目标保险产品作为目标推荐产品。

另外，服务也可以直接将偏好概率值大于预设的偏好概率预设阈值的目标保险产品作为目标保险产品。

进一步，服务器将目标推荐产品推荐给目标客户。具体地，服务器可以以短信、邮件等方式向客户推荐目标保险产品对应的购买链接；也可以目标客户关联的app直接推送目标推荐产品，其中，关联的app为目标客户投保时所使用的app。上述保险产品推荐方法中，在获取到目标客户的日志信息、初始投保信息及拒保条件后，首先根据第一预测模型对目标客户倾向的保险产品类型进行预测，然后获取预测得到的目标保险类别下的所有保险产品，根据拒保条件对这些保险产品进行筛选，得到符合拒保条件的目标保险产品，然后通过第二预测模型分别预测目标客户对每一个目标保险产品的偏好概率值，最后根据预测得到的偏好概率值确定目标推荐产品，由于可以根据日志信息、初始投保信息、拒保条件自动对已拒保的客户进行有针对性地再次推荐，相对于传统技术的人工推荐方式，推荐效率得到显著提升。

进一步，本申请通过采用两个预测模型，能够精准的对客户的喜好进行预测，相对于传统技术，推荐的保险产品显然能够更好地满足客户的需求。

在一个实施例中，步骤s202，获取目标客户的日志信息、初始投保信息及拒保条件之前，包括：获取待核保保单对应的投保数据，投保数据包括待核保保单对应的险种、被保人、保额、保险生效日及保险期满日；根据险种确定待核保保单对应的保险类别；根据保险类别获取被保人的与保险类别对应的历史投保数据；确定历史投保数据中每一个保额对应的保险生效时段；当任意一个保险生效时段中包含保险生效日或保险期满日时，将保险生效时段对应的保额与待核保保单对应的保额进行累加，得到保险类别对应的保额累加值；当保额累加值不超过保险类别对应的预设保额阈值时，确定待核保保单的核保结果为拒保，并确定投保人为目标客户。

具体地，待核保保单指的是处于待核保阶段的保单，险种指的保险类别下具体的某一款保险产品的种类，一个保险类别可包括多个险种，例如，保险类别为“养老保险”，包括“平安保险金转换年金保险”、“长青终身养老年金保险b”等险种。每一个险种与所属的保险类别之间事先建立了映射关系，根据险种可查找到其对应的保险类别。

待核保保单对应的投保数据包括待核保保单对应的险种、被保人、保额、保险生效日及保险期满日等数据，被保人的与保险类别对应的历史投保数据指的是被保人对应的所有历史保单中，险种所属的保险类别与待核保保单对应的保险类别相同的历史保单所对应的投保数据，这些历史投保数据同样包括险种、被保人、保额、保险生效日及保险期满日等数据，根据历史保单对应的保险生效日与保险期满日可以确定历史保单对应的保险生效时段，例如，某个历史保单对应的保险生效日为2016年12月1日，该历史保单对应的保险期满日为2017年12月1日，则该历史保单对应的保险生效时段为2016年12月1日至2017年12月1日，每一个保险生效时段对应一个保额。

进一步，对于每一个保险类别预先设置了对应的保额阈值，当服务器计算出待核保保单对应的保险类别的保额累加值超过该预设保额阈值时，则确定待核保保单的核保结果为拒保，同时确定将该待核保保单对应的投保人确定为目标客户。

进一步，服务器可以通过步骤s202～s212的步骤为该目标客户确定目标推荐产品，然后向该目标客户对应的终端推荐目标推荐产品。

上述实施例中，通过判断待核保保单对应的被保人的保额累加值是否超过保额预设阈值，可以有效地进行风险控制，防止恶意投保现象的发生。

在一个实施例中，如图3所示，步骤s204，基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值，包括：

步骤s204a，根据日志信息得到目标客户对应的操作行为集合及操作行为集合中各个操作行为对应的保险产品。

具体地，由于日志信息中记录了目标客户在终端的操作行为及操作行为作用的内容对象的信息，操作行为包括对某个内容对象进行点击、对某个内容对象进行浏览、对某个内容对象进行咨询、对某个内容对象收藏等等，内容对象在本实施例中指的是保险产品，内容对象的信息包括保险产品的名称、险种、保险额度。保费、保险期限等等，因此，服务器可以根据日志信息提取目标用户的操作行为及内容对象的信息，将提取的操作行为组成操作行为集合，同时根据内容对象信息得到操作行为集合中各个操作行为所对应的保险产品。

在一个实施例中，为保证预测的准确性，服务器获取的目标客户的日志信息为与当前时间之间的时间间隔尽量小的日志信息，以确保根据日志信息得到的操作行为集合能够更准确地反应目标客户当前的保险类型倾向。

步骤s204b，根据保险产品所属的保险类别，得到各个保险类别对应的操作行为子集合。

具体地，保险产品与其所属的保险类别之间预先建立了关联关系，服务器在获取了保险产品后，可以根据保险产品查找到其所属的保险类别，本实施例中，服务器将各个保险产品对应的操作行为作为其对应的保险类别的操作行为，从而得到各个保险产品类型对应的操作行为子集合。

步骤s204c，获取操作行为子集合中的操作行为的操作类型和对应的操作次数，得到各个保险类别对应的操作类型分布。

具体地，操作类型指的操作行为的动作所属的分类，包括点击、浏览、分享、收藏等，如操作行为“对某个内容对象进行点击”，其操作类型为点击。服务器获取到各个保险类别对应的操作行为子集合，获取各个操作行为子集合中的操作行为的操作类型并统计各个操作类型对应的操作次数，得到每一个保险类别对应的操作类型分布。操作类型分布可以用具体的次数也可以用比例系数表示。在一个实施例中，操作类型分布可以是操作类型的操作次数，也可以是操作类型的操作次数占全部操作类型的总次数的比例。例如，操作类型分布可以为点击了2次，分享了3次。也可以是点击操作类型的比例为20％，收藏操作类型的比例为40％等等。

步骤s204d，根据各个保险类别对应的操作类型分布以及预设的评分规则得到各个保险类别的评分。

具体地，评分规则是预先设置的，评分规则中设置了操作类型分布对应的分数。例如，可以设置收藏1次的分数为60分，点击1次的分数为10分。或者收藏1～5次的分数为60分，收藏5～10次的分数为80分。评分规则具体可以根据需要进行设置，本发明实施例不做限定。得到各个保险类别对应的操作类型分布后，可以将根据各个操作类型分布对应的分数得到的总的分数值作为保险类别对应的评分。

步骤s204e，根据各个保险类别的评分得到目标客户的第一特征向量。

步骤s204f，将第一特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

具体地，对于各个保险类别，可以事先映射到向量空间，如对于第一类保险类别可以映射为向量[10000000]，第二类保险类别可以映射为向量[01000000]，行为特征的维度具体可以根据实际需要进行设置。在获取到各个保险类别对应的评分后，根据评分对保险类别进行降序排列，选择排序在最前面的保险类别对应的向量作为第一特征向量。

另外，也可以预先设定一个组合顺序，在获取到保险类别对应的评分后，将评分进行归一化处理，然后将归一化处理后的评分按照设定的组合顺序进行组合得到第一特征向量，其中，归一化处理指的是将评分映射到0～1之间，归一化的方法可采用现有技术的任意方法，本发明在此不做限制。例如，对a、b、c、d四个保险产品类型设定的组合顺序为a、b、c、d，保险产品类型a的评分归一化后为a，保险产品类型b的评分归一化后为b，保险产品类型c的评分归一化后为c，保险产品类型d的评分归一化后为d，则最终得到的第一特性向量为[a,b,c,d]。

进一步，服务器将得到的第一特征向量输入到第一预测模型中，得到目标客户对各个保险类别的倾向值。

上述实施例中，通过从日志信息中提取目标用户的行为，根据目标用户的行为得到第一特征向量，根据第一特征向量得到倾向值，可以使得预测得到的倾向值更加准确。

在一个实施例中，将第一特征向量输入已训练的第一预测模型之前，包括：根据初始投保信息得到目标客户对应的第二特征向量；步骤s204f中，将第一特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值，包括：将第一特征向量及第二特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

具体地，可以从用户的初始投保信息中提取目标用户的身份信息，包括目标用户的年龄、性别、职业、所属的地区等等，然后根据用户的身份信息得到第二特性向量。其中，根据用户的身份信息得到第二特性向量，可以参照上述实施例中的方法，先将身份信息映射至向量空间以得到特征向量；或者先将身份信息中的各个特征按照预设的规则表示为数字，如对于年龄，直接用对应的数字表示；对于性别，可以用0和1表示；对于职业，可以用16位数字来表示，然后对数字进行归一化处理，并设定一个组合顺序，最后将归一化处理后的数值按照组合顺序组合得到第二特征向量。当然，本实施例中也可以采用其他常规的方法得到第二特征向量，本申请在此不做限制。

上述实施例中，通过将根据用户的身份信息得到的第二特征向量以及根据用户的行为得到的第一特征向量同时输入到第一预测模型中，可以进一步提高对倾向值预测的准确性。

在一个实施例中，第一预测模型的生成步骤包括：获取第一预设数量的历史客户对应的日志信息及对应的保险类别；根据第一预设数量的历史客户对应的日志信息及对应的保险类别构建第一训练样本集；根据第一训练样本集进行模型训练得到第一预测模型。

具体地，历史客户指的是当前时间之前购买保险产品的客户，这些客户对应的保险类别是已知的，因此，可以将这些历史客户作为训练样本进行模型训练。

在一个实施例中，获取到历史客户对应的日志信息后，可根据日志信息得到历史客户对应的操作行为集合及操作行为集合中各个操作行为对应的保险产品，然后根据保险产品所属的保险类别，得到各个保险类别对应的操作行为子集合，接着获取操作行为子集合中的操作行为的操作类型和对应的操作次数，得到各个保险类别对应的操作类型分布，根据各个保险类别对应的操作类型分布以及预设的评分规则得到各个保险类别的评分，最后根据各个保险类别的评分得到目标客户的特征向量，然后将特征向量作为模型训练时的输入向量进行模型训练。

模型训练的目的是为了分别得到各个保险产品类型对应的模型参数。本实施例中，首先确定一个目标保险产品类型，然后对该目标产品类型进行模型训练得到其对应的参数。由于历史客户对应的保险产品类型是已知的，因此，当训练样本中的历史客户对应的保险产品类型与目标保险产品类型相同时，该样本为正样本，反之，当训练样本中的历史客户对应的保险产品类型与目标保险产品类型不相同时，该训练样本为负样本。

在进行模型训练时，可以采用有监督的模型训练方式，例如逻辑回归模型、svm,以及贝叶斯模型等。以svm为例，当可以采用随机梯度算法进行模型训练，在梯度下降过程中需要使得代价函数j(θ)最小，在一个实施例中，代价函数可以采用以下公式表示：

其中，m表示训练集中样本的个数，x⁽ⁱ⁾为输入的特征向量，y⁽ⁱ⁾表示期望输出的特征值，正样本可以设为1，负样本可以设为-1，hθ(x⁽ⁱ⁾)表示每次训练的实际输出的特征值，其中：

其中，即θ^tx等于特征与参数的乘积的和，其中，x⁽ⁱ⁾为输入的特征向量。

在一个实施例中，还可以获取预设数量的历史客户对应的初始投保信息，然后根据初始投保信息、日志信息及及对应的保险类别构建训练样本集，并根据该训练样本集进行模型训练得到第一预测模型。本实施例中，构建训练样本集及模型训练的具体方法可参照上述实施例中的方法，本申请在此不再赘述。

在一个实施例中，第二预测模型的生成步骤包括：获取第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值；根据第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值构建第二训练集；根据第二训练集进行模型训练得到目标保险产品对应的第二预测模型。

具体地，由于历史客户对应的投保信息及投保的保险产品都是已知的，因此可选择历史客户对应的投保信息作为训练样本进行模型训练。当对某个目标保险产品训练模型时，若其对应的样本中，若某个历史客户投保的保险产品与该目标保险产品一致时，则可以将该历史客户对应的偏好概率值设为100％，反之，若某个历史客户投保的保险产品与目标保险产品不一致，则可以将该历史客户对应的偏好概率值设为0。

在本实施例中，可以先根据历史客户的投保信息得到特征向量，然后将该特征向量作为模型的输入样本，将对应的偏好概率值作为期望的输出进行模型训练，以得到目标保险产品对应的第二预测模型。其中，根据历史客户的投保信息得到特征向量可参考本申请其他实施例中的方法，也可采用现有技术中的其他方法，本申请在此不再赘述。在进行模型训练时，同样可以采用有监督地模型训练方式，如逻辑回归模型、svm等等。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种保险产品推荐装置400，包括：信息获取模块402、倾向值获取模块404、目标保险类别确定模块406、目标保险产品筛选模块408、偏好概率值获取模块410和目标推荐产品确定模块412，其中：

信息获取模块402，用于获取目标客户的日志信息、初始投保信息及拒保条件；

倾向值获取模块404，用于基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值；

目标保险类别确定模块406，用于根据各个保险类别的倾向值确定目标客户对应的目标保险类别；

目标保险产品筛选模块408，用于获取目标保险类别对应的保险产品集合，根据当前拒保条件从保险产品集合中筛选出目标客户对应的目标保险产品；

偏好概率值获取模块410，用于获取目标保险产品对应的已训练的第二预测模型，基于初始投保信息采用第二预测模型，得到目标客户对目标保险产品的偏好概率值；

目标推荐产品确定模块412，根据偏好概率值确定目标推荐产品，将目标推荐产品推荐给目标客户。

在一个实施例中，上述装置还包括：目标客户确定模块，用于获取待核保保单对应的投保数据，投保数据包括待核保保单对应的险种、被保人、保额、保险生效日及保险期满日；根据险种确定待核保保单对应的保险类别；根据保险类别获取被保人的与保险类别对应的历史投保数据；确定历史投保数据中每一个保额对应的保险生效时段；当任意一个保险生效时段中包含保险生效日或保险期满日时，将保险生效时段对应的保额与待核保保单对应的保额进行累加，得到保险类别对应的保额累加值；当保额累加值不超过保险类别对应的预设保额阈值时，确定待核保保单的核保结果为拒保，并确定投保人为目标客户。

在一个实施例中，倾向值获取模块404包括：

操作行为集合获取单元404a，用于根据日志信息得到目标客户对应的操作行为集合及操作行为集合中各个操作行为对应的保险产品；

操作行为子集合获取单元404b，用于根据保险产品所属的保险类别，得到各个保险类别对应的操作行为子集合；

操作类型分布获取单元404c，用于获取操作行为子集合中的操作行为的操作类型和对应的操作次数，得到各个保险类别对应的操作类型分布；

评分获取单元404d，用于根据各个保险类别对应的操作类型分布以及预设的评分规则得到各个保险类别的评分；

第一特征向量获取单元404e，用于根据各个保险类别的评分得到目标客户的第一特征向量；

倾向值获取单元404f，用于将第一特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

在一个实施例中，上述装置还包括：第二特征向量获取模块，用于根据初始投保信息得到目标客户对应的第二特征向量；倾向值获取单元404f还用于将第一特征向量及第二特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

在一个实施例中，上述装置还包括：第一预测模型生成模块，用于获取第一预设数量的历史客户对应的日志信息及对应的保险类别；根据第一预设数量的历史客户对应的日志信息及对应的保险类别构建第一训练样本集；根据第一训练样本集进行模型训练得到第一预测模型。

在一个实施例中，上述装置还包括：第二预测模型生成模块，用于获取第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值；根据第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值构建第二训练集；根据第二训练集进行模型训练得到目标保险产品对应的第二预测模型。

关于保险产品推荐装置的具体限定可以参见上文中对于保险产品推荐方法的限定，在此不再赘述。上述保险产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6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，该计算机设备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。该内存储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投保数据、日志信息等数据。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保险产品推荐方法。

本领域技术人员可以理解，图6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。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标客户的日志信息、初始投保信息及拒保条件；基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值；根据各个保险类别的倾向值确定目标客户对应的目标保险类别；获取目标保险类别对应的保险产品集合，根据当前拒保条件从保险产品集合中筛选出目标客户对应的目标保险产品；获取目标保险产品对应的已训练的第二预测模型，基于初始投保信息采用第二预测模型，得到目标客户对目标保险产品的偏好概率值；根据偏好概率值确定目标推荐产品，将目标推荐产品推荐给目标客户。

在一个实施例中，获取目标客户的日志信息、初始投保信息及拒保条件之前，处理器执行计算机程序时还实现以下步骤：获取待核保保单对应的投保数据，投保数据包括待核保保单对应的险种、被保人、保额、保险生效日及保险期满日；根据险种确定待核保保单对应的保险类别；根据保险类别获取被保人的与保险类别对应的历史投保数据；确定历史投保数据中每一个保额对应的保险生效时段；当任意一个保险生效时段中包含保险生效日或保险期满日时，将保险生效时段对应的保额与待核保保单对应的保额进行累加，得到保险类别对应的保额累加值；当保额累加值不超过保险类别对应的预设保额阈值时，确定待核保保单的核保结果为拒保，并确定投保人为目标客户。

在一个实施例中，基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值，包括：根据日志信息得到目标客户对应的操作行为集合及操作行为集合中各个操作行为对应的保险产品；根据保险产品所属的保险类别，得到各个保险类别对应的操作行为子集合；获取操作行为子集合中的操作行为的操作类型和对应的操作次数，得到各个保险类别对应的操作类型分布；根据各个保险类别对应的操作类型分布以及预设的评分规则得到各个保险类别的评分；根据各个保险类别的评分得到目标客户的第一特征向量；将第一特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

在一个实施例中，将第一特征向量输入已训练的第一预测模型之前，处理器执行计算机程序时还实现以下步骤：根据初始投保信息得到目标客户对应的第二特征向量；将第一特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值，包括：将第一特征向量及第二特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第一预设数量的历史客户对应的日志信息及对应的保险类别；根据第一预设数量的历史客户对应的日志信息及对应的保险类别构建第一训练样本集；根据第一训练样本集进行模型训练得到第一预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值；根据第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值构建第二训练集；根据第二训练集进行模型训练得到目标保险产品对应的第二预测模型。

在一个实施例中，提供了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以下步骤：在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取目标客户的日志信息、初始投保信息及拒保条件；基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值；根据各个保险类别的倾向值确定目标客户对应的目标保险类别；获取目标保险类别对应的保险产品集合，根据当前拒保条件从保险产品集合中筛选出目标客户对应的目标保险产品；获取目标保险产品对应的已训练的第二预测模型，基于初始投保信息采用第二预测模型，得到目标客户对目标保险产品的偏好概率值；根据偏好概率值确定目标推荐产品，将目标推荐产品推荐给目标客户。

在一个实施例中，获取目标客户的日志信息、初始投保信息及拒保条件之前，计算机程序被处理器执行时还实现以下步骤：获取待核保保单对应的投保数据，投保数据包括待核保保单对应的险种、被保人、保额、保险生效日及保险期满日；根据险种确定待核保保单对应的保险类别；根据保险类别获取被保人的与保险类别对应的历史投保数据；确定历史投保数据中每一个保额对应的保险生效时段；当任意一个保险生效时段中包含保险生效日或保险期满日时，将保险生效时段对应的保额与待核保保单对应的保额进行累加，得到保险类别对应的保额累加值；当保额累加值不超过保险类别对应的预设保额阈值时，确定待核保保单的核保结果为拒保，并确定投保人为目标客户。

在一个实施例中，基于日志信息采用已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值，包括：根据日志信息得到目标客户对应的操作行为集合及操作行为集合中各个操作行为对应的保险产品；根据保险产品所属的保险类别，得到各个保险类别对应的操作行为子集合；获取操作行为子集合中的操作行为的操作类型和对应的操作次数，得到各个保险类别对应的操作类型分布；根据各个保险类别对应的操作类型分布以及预设的评分规则得到各个保险类别的评分；根据各个保险类别的评分得到目标客户的第一特征向量；将第一特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

在一个实施例中，将第一特征向量输入已训练的第一预测模型之前，计算机程序被处理器执行时还实现以下步骤：根据初始投保信息得到目标客户对应的第二特征向量；将第一特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值，包括：将第一特征向量及第二特征向量输入已训练的第一预测模型，得到目标客户对应的对各个保险类别的倾向值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取第一预设数量的历史客户对应的日志信息及对应的保险类别；根据第一预设数量的历史客户对应的日志信息及对应的保险类别构建第一训练样本集；根据第一训练样本集进行模型训练得到第一预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值；根据第二预设数量的历史客户的投保信息及对目标保险产品的偏好概率值构建第二训练集；根据第二训练集进行模型训练得到目标保险产品对应的第二预测模型。

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，本申请所提供的各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)、双数据率sdram(ddrsdram)、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。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。