一种基于张量分解的可解释保险策略推荐方法

本发明属于信息处理领域，具体涉及一种基于张量分解的可解释保险策略推荐方法。

背景技术：

1、保险业作为一项关乎人民生活安全和财产保障的重要领域，一直以来都受到广泛关注。随着信息技术的飞速发展，保险行业也逐渐进入了数字化时代。保险公司积累了大量的客户数据，包括客户的个人信息、历史保单记录以及在不同渠道留下的评论和反馈。这些数据蕴含着宝贵的信息，可以用于改进保险产品和提供更好的客户体验。

2、然而，传统的保险策略推荐方法主要依赖于客户的基本信息和历史保单记录，如年龄、性别、保单金额等。这类方法的局限性在于，它们通常忽略了客户情感和偏好这一关键维度。保险决策过程不仅受到理性因素的影响，还受到情感因素的影响。对于不同保险产品和服务，客户可能有不同的情感体验和评价。因此，一个能够综合客户情感和偏好的保险策略推荐方法显得尤为重要。

3、尽管现有的短语情感分技术可以从客户的评论和反馈中提取情感信息及相关属性信息，但现有的保险策略推荐方法未能充分利用这些数据来改进其推荐策略。此外，虽然张量分解作为一种多维数据分析技术，能够有效挖掘客户与产品之间的关系，但在保险行业的应用尚处于初级阶段。现有的保险策略推荐方法未能充分利用张量分解技术来建模客户的属性和偏好，并将情感信息融入客户画像，从而实现对客户情感倾向的精准推荐。

4、综上所述，现有技术存在以下主要不足：

5、1、情感信息整合不足：现有方法忽略了评论中有关客户需求和偏好的详细信息，未能有效地利用评论中的情感信息和属性信息，无法更充分的了解客户的情感需求。

6、2、缺乏可解释性：现有的保险策略推荐方法无法解释为什么给客户推荐某个结果，这降低了客户对推荐系统的信任。

技术实现思路

1、为了解决传统的保险策略推荐方法未能有效利用情感信息和可解释性不足的问题，本发明提出了一种基于张量分解的可解释保险策略推荐方法，充分利用客户在各个渠道留下的反馈和评论信息，引入短语情感分析技术，从评论信息中提取客户的情感；同时利用多维张量将客户多个属性进行建模，更细粒度的刻画客户的偏好，提高了推荐方法和结果的可解释性。

2、本发明的技术方案如下：

3、一种基于张量分解的可解释保险策略推荐方法，包括如下步骤：

4、步骤1、从客户评论中提取情感信息和属性信息，建模为三阶张量；

5、步骤2、利用张量分解技术进行张量分解，并设计目标损失函数；

6、步骤3、采用随机梯度下降方法优化目标损失函数；

7、步骤4、计算客户对产品的总体评分，生成个性化推荐和解释。

8、进一步地，步骤1中，三阶张量为其中m表示客户数，n表示产品数目，p表示从评论中提取出的保险产品属性数目，p+1表示在属性的最后一维加上客户对产品的整体评分；

9、三阶张量的每个元由以下式子得到：

10、

11、其中，itemj为第j个产品；fk为从客户评论中提取出的第k个保险产品属性；n表示评分的最高值；表示客户i对第j个产品在第k个保险产品属性上的总评价；tijk表示客户i在对第j个产品的评论中提到第k个保险产品属性的次数；为客户i第次评价第j个产品的第k个保险产品属性时所表现出的情感标签；每次的情感标签组成的集合为为客户i第tijk次评价第j个产品的第k个保险产品属性时所表现出的情感标签。

12、进一步地，步骤2中，将提取出的属性情感对通过公式(1)建模为一个三阶张量，并使用tucker分解进行张量分解，学习客户的属性级偏好；同时，加入基于贝叶斯后验优化的个性化排序算法进行按对优化，最终客户、产品、属性之间的关联度被预测为：

13、

14、其中，为利用tucker分解方法补全后的三阶张量；为分解出的核心张量；u、i、f为tucker分解出的三个因子矩阵，分别代表客户特征矩阵、产品特征矩阵和从评论中所提取出的产品属性特征矩阵；a、b、c均为核张量维度；

15、对于中每一个不为0的值表示客户i对第j个产品在第k个保险产品属性上的评分，它的目标损失函数l如下：

16、

17、其中，为利用tucker分解方法补全后的三阶张量；为根据观测值建模出的三阶张量；‖·‖f为f范数；λb为贝叶斯正则化参数；对于每一个客户i，基于对中的他或她的观察构建了一个成对顺序集表示当客户i对第j个产品的总体评分大于第l个产品的总体评分或者对第j个产品有过评价而对第l个产品没有的情况时，第j个产品的排序优于第l个产品；λ为正则化参数；σ为参数；为观测到的客户i对第j个产品的总体评分；为观测到的客户i对第l个产品的总体评分。

18、进一步地，步骤3中，采用随机梯度下降方法优化客户特征矩阵u的过程为：

19、首先根据目标损失函数求偏导得到梯度；

20、

21、其中，为预测的客户i对第j个产品的第k个保险产品属性的评分；为实际观测到的客户i对第j个产品的第k个保险产品属性的评分；

22、之后对开始初始化的客户特征矩阵u进行优化：

23、

24、其中，lγ为学习率；

25、将步骤1中得到的三阶张量中的每一个不为0的值带入，不断迭代优化，一直到补全后的三阶张量和原始张量之间的误差最小；

26、参数i、f、的迭代过程与上面相同，优化公式分别如下：

27、

28、

29、

30、对参数的优化使用基于迭代最小化的算法，即将其他参数固定，对一组参数进行优化；通过算法不断地迭代来优化参数，直到模型收敛或达到预设的最大迭代次数。

31、进一步地，步骤4中，计算客户i对第j个产品的总体评分rij；

32、

33、其中，α为评分中所提取出的产品属性的评分所占权重；ci表示客户i对第j个产品评分最高的个属性；c为ci中具体的每个属性；为预测客户i对第j个产品的第c个保险产品属性的评分；n为评分的最高值；为预测客户i对第j个产品的整体评分；

34、将所有产品的总体评分按照由高到低的顺序排序，前个总体评分对应的保险产品属性为客户i最关心的个属性，将客户i最关心的个属性生成个性化策略推荐列表；

35、个性化策略推荐列表中为推荐产品的解释，采用文本句子的方式来生成解释，解释的句子模板为：“我们为你推荐[产品id]，因为你比较关心保险产品的[属性id]，而这个产品在这一属性上表现很好”；生成解释的方式基于数据库实现，数据库中存放所有保险产品id和属性id，句子模板中的[产品id]对应数据库中的产品id，[属性id]对应数据库中的属性id。

36、本发明所带来的有益技术效果：

37、1、针对传统推荐方法未能充分整合客户情感和评论信息的问题，本发明采用了张量分解技术。它能够将多种类型的数据，如客户的基本信息、历史记录以及评论等，统一整合到多维张量中。通过利用张量补全方法，能够学习客户属性级别的偏好，从而更准确地刻画客户画像，并实现个性化的保险策略推荐。这种方法不仅提高了推荐的准确性，还具备可解释性，使保险公司和客户能够更深入地理解每个决策背后的原因。

38、2、针对如何为推荐结果生成解释的问题，本发明利用客户在评论中表现出的情感倾向来生成解释。首先，系统需要分析客户的评论和反馈，以了解他们的情感倾向，这可以通过情感分析技术来实现。然后，推荐方法可以根据客户的情感倾向和特定产品的情感属性来解释为什么某个产品被推荐。这可以通过将情感信息与推荐结果关联起来，以便客户能够清晰地理解推荐的依据。