本技术涉及金融科技,应用于车险选择预测场景中,尤其涉及一种车险选择预测方法、装置、设备及其存储介质。
背景技术:
1、随着互联网的飞速发展,各行各业都在依托互联网寻求行业突破点,近年来,金融行业也正在围绕着互联网进行线上业务拓展。目前,随着人们保险意识的提高,越来越多的企业、家庭和个人在购买机动车辆后,会为车辆投保,购买车险。传统的车险销售主要是由业务员和车主沟通,向车主推荐各类车险。在车主确认要购买的车险种类后,再由业务员将车主提供投保所需的各项信息、已缴纳的车险费用等录入系统生成保单,完成车险的销售。但是,这种车险销售方式不够智能化,且无法对用户的车险险种偏好进行预测。
2、在近几年的推荐算法中,深度学习因为强大的特征学习能力而逐渐成为推荐的主力军。但目前大多数的推荐其实都只利用深度学习去处理一些简单的特征,利用协同过滤的方法来预测用户的行为,而很少利用到用户的车险购买信息。因此,如何对车险购买信息多加利用,帮助车主更好的进行车险险种选择,成为了亟需解决的问题。
技术实现思路
1、本技术实施例的目的在于提出一种车险选择预测方法、装置、设备及其存储介质,以便于更好的结合车险购买信息,帮助车主更好的进行车险险种选择。
2、为了解决上述技术问题,本技术实施例提供车险选择预测方法,采用了如下所述的技术方案:
3、一种车险选择预测方法,包括下述步骤:
4、获取目标用户的历史选择数据,其中,所述历史选择数据包括车险选择数据,所述车险选择数据中包括用户标识、车险险种名称、车险险种保额、车险购买费用;
5、根据所述历史选择数据的先后顺序和预设的筛选策略,生成用户选择数据序列;
6、将所述用户选择数据序列输入基于transformer的神经网络模型,进行模型学习,学习所述用户选择数据序列中所有序列节点间车险险种名称、车险险种保额以及车险购买费用的关联关系;
7、基于所述用户选择数据序列中所有序列节点间车险险种名称、车险险种保额以及车险购买费用的关联关系,预测所述目标用户在目标续保周期将要选择的车险险种。
8、进一步的,所述根据所述历史选择数据的先后顺序和预设的筛选策略,生成用户选择数据序列的步骤,具体包括:
9、根据自然年的递增对所述车险选择数据进行初始序列整理,获得初始序列以及所述初始序列的所有序列节点;
10、根据所述筛选策略,从所述初始序列的所有序列节点中筛选最近n年的序列节点,其中,n为大于等于1的整数;
11、获取所述最近n年的序列节点分别所对应的车险选择数据进行目标序列整理,生成所述用户选择数据序列。
12、进一步的,所述根据所述筛选策略,从所述初始序列的所有序列节点中筛选最近n年的序列节点的步骤,具体包括:
13、统计所述初始序列的所有序列节点的数量;
14、通过对比,确定所述所有序列节点的数量与所述n之间的大小关系;
15、若所述所有序列节点的数量大于等于所述n,则从所述初始序列的所有序列节点中筛选最近n年的序列节点,获得所述用户选择数据序列所包含的序列节点;
16、若所述所有序列节点的数量小于所述n,则筛选出所述初始序列中的所有序列节点,并计算所述所有序列节点的数量与所述n的差值,创建出与所述差值等数量的补充节点,将所有补充节点放到所述所有序列节点之前,获得所述用户选择数据序列所包含的序列节点,其中,所述补充节点对应的车险选择数据为空值。
17、进一步的,所述用户选择数据序列包括车险险种名称序列、车险险种保额序列和车险购买费用序列,所述获取所述最近n年的序列节点分别所对应的车险选择数据进行目标序列整理,生成所述用户选择数据序列的步骤,具体包括:
18、通过筛选,从所述车险选择数据中筛选出所述最近n年的序列节点分别对应的车险险种名称,构建所述车险险种名称序列;
19、通过筛选,从所述车险选择数据中筛选出所述最近n年的序列节点分别对应的车险险种保额,构建所述车险险种保额序列;
20、通过筛选,从所述车险选择数据中筛选出所述最近n年的序列节点分别对应的车险购买费用,构建所述车险购买费用序列。
21、进一步的,所述将所述用户选择数据序列输入基于transformer的神经网络模型,进行模型学习的步骤,具体包括:
22、将所述车险险种名称序列、所述车险险种保额序列以及所述车险购买费用序列分别输入所述基于transformer的神经网络模型,进行模型学习,具体的,所述进行模型学习,包括:采用所述transformer的神经网络中的自注意力机制和预设的注意力权重偏置量,学习所述目标用户对所述车险险种名称序列中所有车险险种的偏好程度。
23、进一步的,所述学习所述用户选择数据序列中所有序列节点间车险险种名称、车险险种保额以及车险购买费用的关联关系的步骤,具体包括:
24、根据所述车险险种名称序列,学习所述车险险种名称序列中所有序列节点间车险险种名称的变化关系;
25、根据所述车险险种保额序列,学习所述车险险种保额序列中所有序列节点间车险险种保额的变化关系;
26、根据所述车险购买费用序列,学习所述车险购买费用序列中所有序列节点间车险购买费用的变化关系;
27、基于所述车险险种名称的变化关系、车险险种保额的变化关系以及车险购买费用的变化关系,学习车险险种名称、车险险种保额以及车险购买费用三者间的综合变化关系。
28、进一步的,所述基于所述用户选择数据序列中所有序列节点间车险险种名称、车险险种保额以及车险购买费用的关联关系,预测所述目标用户在目标续保周期将要选择的车险险种的步骤,具体包括:
29、根据车险险种名称、车险险种保额、车险购买费用三者间的综合变化关系,以及所述目标用户对所述车险险种名称序列中所有车险险种的偏好程度,预测所述目标用户在目标续保周期将要选择的所有目标车险险种、所有目标车险险种的保额以及车险购买费用。
30、为了解决上述技术问题,本技术实施例还提供车险选择预测装置,采用了如下所述的技术方案:
31、一种车险选择预测装置,包括:
32、历史选择数据获取模块,用于获取目标用户的历史选择数据,其中,所述历史选择数据包括车险选择数据,所述车险选择数据中包括用户标识、车险险种名称、车险险种保额、车险购买费用;
33、用户选择数据序列生成模块,用于根据所述历史选择数据的先后顺序和预设的筛选策略,生成用户选择数据序列;
34、神经网络学习模块,用于将所述用户选择数据序列输入基于transformer的神经网络模型,进行模型学习,学习所述用户选择数据序列中所有序列节点间车险险种名称、车险险种保额以及车险购买费用的关联关系;
35、神经网络预测模块,用于基于所述用户选择数据序列中所有序列节点间车险险种名称、车险险种保额以及车险购买费用的关联关系,预测所述目标用户在目标续保周期将要选择的车险险种。
36、为了解决上述技术问题,本技术实施例还提供一种计算机设备,采用了如下所述的技术方案:
37、一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的车险选择预测方法的步骤。
38、为了解决上述技术问题,本技术实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
39、一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述所述的车险选择预测方法的步骤。
40、与现有技术相比,本技术实施例主要有以下有益效果:
41、本技术实施例所述车险选择预测方法,通过获取目标用户的历史选择数据,其中,所述历史选择数据包括车险选择数据,所述车险选择数据中包括用户标识、车险险种名称、车险险种保额、车险购买费用;根据所述历史选择数据的先后顺序和预设的筛选策略,生成用户选择数据序列;将所述用户选择数据序列输入基于transformer的神经网络模型,进行模型学习,学习所述用户选择数据序列中的关联关系;基于所述用户选择数据序列中的关联关系,预测所述目标用户在目标续保周期将要选择的车险险种。采用了基于transformer的神经网络模型,无需要人工特征工程,无需学习组合特征,只需要利用目标用户历史车险选择数据,结合自注意力机制进行学习,从而预测出目标用户对车险险种的偏好程度,进一步的通过所述筛选策略,保证了所述用户选择数据序列的序列长度统一,也相对降低了模型处理的序列长度,提高模型处理速度和车险选择预测精确度。便于确定目标用户在目标续保周期将要选择的车险险种。