保险产品推荐方法、服务器及计算机可读介质.pdf

《保险产品推荐方法、服务器及计算机可读介质.pdf》由会员分享，可在线阅读，更多相关《保险产品推荐方法、服务器及计算机可读介质.pdf（23页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910191329.3 (22)申请日 2019.03.12 (71)申请人 中国平安财产保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心12、 13、 38、 39、 40 层 (72)发明人 余源远朱爱林 (74)专利代理机构 广州三环专利商标代理有限 公司 44202 代理人 郝传鑫熊永强 (51)Int.Cl. G06Q 40/08(2012.01) G06Q 30/06(2012.01) (54)发明名称 一种保险产品推荐方法。

2、、 服务器及计算机可 读介质 (57)摘要 本发明实施例公开了一种保险产品推荐方 法、 服务器及计算机可读介质， 其中方法包括： 获 取第一用户的用户特征数据； 确定所述第一用户 的用户特征数据与保险产品集合中的每个保险 产品的属性特征之间的关联度； 将符合预设规则 的所述关联度对应的保险产品推荐给所述第一 用户。 通过本申请， 可以实现针对保险产品的精 准推荐。 权利要求书2页 说明书17页 附图3页 CN 110060167 A 2019.07.26 CN 110060167 A 1.一种保险产品推荐方法， 其特征在于， 包括： 获取第一用户的用户特征数据； 确定所述第一用户的用户特征数据。

3、与保险产品集合中的每个保险产品的属性特征之 间的关联度； 将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。 2.根据权利要求1所述的方法， 其特征在于， 所述获取第一用户的用户特征数据， 包括： 根据所述第一用户的数据构建第一用户画像， 其中， 所述第一用户画像用于表征所述 第一用户的行为特征和/或静态特征； 所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特 征之间的关联度， 包括： 确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。 3.根据权利要求2所述的方法， 其特征在于， 所述确定所述第一用户画像与保险产品集 合中的每个保险产。

4、品的属性特征之间的关联度， 包括： 基于用户画像样本数据与保险产品的属性特征样本数据进行训练， 得到所述第一用户 画像与保险产品集合中的每个保险产品的属性特征之间的关联度。 4.根据权利要求1所述的方法， 其特征在于， 所述将符合预设规则的所述关联度对应的 保险产品推荐给所述第一用户， 包括： 将排名前N位的所述关联度对应的保险产品推荐给所述第一用户； 其中， N为大于0的正 整数； 或者， 将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。 5.根据权利要求1所述的方法， 其特征在于， 所述获取第一用户的用户特征数据， 包括： 对第一用户的数据进行分类， 得到M个数据集； 其中，。

5、 所述M为大于0的正整数； 所述M个 数据集用于表征所述第一用户在不同维度上的用户特征； 所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特 征之间的关联度， 包括： 确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联 度。 6.根据权利要求5所述的方法， 其特征在于， 所述对第一用户的数据进行分类， 得到M个 数据集， 包括： 确定所述第一用户的数据中的两两数据之间的相关度； 若所述两两数据之间的相关度大于第二预设阈值， 则对所述两两数据进行聚类， 以得 到所述M个数据集。 7.根据权利要求5所述的方法， 其特征在于， 所述将符合预设规则的所述关联。

6、度对应的 保险产品推荐给所述第一用户， 包括： 将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的关联 度进行排序， 得到所述确定的每个数据集各自对应的排序结果； 根据所述每个数据集各自对应的排序结果， 将保险产品推荐给所述第一用户。 8.一种服务器， 其特征在于， 包括： 获取单元， 用于获取第一用户的用户特征数据； 权利要求书 1/2 页 2 CN 110060167 A 2 第一确定单元， 用于确定所述第一用户的的用户特征数据与保险产品集合中的每个保 险产品的属性特征之间的关联度； 第一推荐单元， 用于将符合预设规则的所述关联度对应的保险产品推荐给所述第一用 户。 9.。

7、一种服务器， 其特征在于， 包括处理器、 输入设备、 输出设备和存储器， 所述处理器、 输入设备、 输出设备和存储器相互连接， 其中， 所述存储器用于存储计算机程序， 所述计算 机程序包括程序指令， 所述处理器被配置用于调用所述程序指令， 执行如权利要求1-7任一 项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机存储介质存储有计算机程序， 所述计算机程序包括程序指令， 所述程序指令当被处理器执行时使所述处理器执行如权利 要求1-7任一项所述的方法。 权利要求书 2/2 页 3 CN 110060167 A 3 一种保险产品推荐方法、 服务器及计算机可读介质 技术领域 0。

8、001 本发明涉及信息处理技术领域， 尤其涉及一种保险产品推荐方法、 服务器及计算 机可读介质。 背景技术 0002 车险， 也即机动车辆保险， 是指对机动车辆由于自然灾害或意外事故所造成的人 身伤亡或财产损失负赔偿责任的一种商业保险。 通俗的来说， 车险是以机动车辆本身及其 第三者责任等为保险标的一种运输工具保险。 其保险客户， 主要是拥有各种机动交通工具 的法人团队和个人。 0003 随着保险意识的提高， 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， 以保障车祸事故中受害人的正当权益。 现有的车险销售模式主要包括： 一、 传统的销售模式， 例如， 通过业务员。

9、和车主沟通， 无目的性地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； 二、 车险公司通过自助终端销售车险， 自助终端 上展示车险公司提供的各种险种和保额， 以供用户选择。 在整个实现过程中， 用户需要在繁 多的险种中选择满足自身需求的险种产品， 然后再进行购买。 0004 由上述论述可以知道， 现有的针对保险产品的销售存在盲目性、 针对性差。 发明内容 0005 本发明实施例提供一种保险产品推荐方法、 服务器及计算机可读介质， 可解决现 有技术中针对保险产品的销售存在盲目性、 针对性差。

10、的这一问题， 可以实现保险产品的精 准推荐。 0006 第一方面， 本发明实施例提供了一种保险产品推荐方法， 该方法包括： 0007 获取第一用户的用户特征数据； 0008 确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属性特 征之间的关联度； 0009 将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。 0010 通过本发明实施例， 服务器根据用户的特征数据与保险产品的属性特征之间的关 联度向用户推荐保险产品， 可以实现针对保险产品的精准推荐。 0011 可选的， 所述获取第一用户的用户特征数据， 包括： 0012 根据所述第一用户的数据构建第一用户画像， 其中， 。

11、所述第一用户画像用于表征 所述第一用户的行为特征和/或静态特征； 0013 所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属 性特征之间的关联度， 包括： 0014 确定所述第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关 联度。 说明书 1/17 页 4 CN 110060167 A 4 0015 可选的， 所述第一用户的数据包括所述第一用户的基本数据和所述第一用户在不 同维度上的行为数据； 0016 所述根据所述第一用户的数据构建第一用户画像， 包括： 0017 通过深度学习算法对所述第一用户的基本数据进行学习， 得到所述第一用户的静 态特征向量； 0018。

12、 通过所述深度学习算法对所述第一用户的行为数据进行学习， 得到所述第一用户 的行为特征向量； 0019 根据所述第一用户的静态特征向量和/或所述第一用户的行为特征向量构建所述 第一用户画像。 0020 可选的， 所述确定所述第一用户画像与保险产品集合中的每个保险产品的属性特 征之间的关联度， 包括： 0021 基于用户画像样本数据与保险产品的属性特征样本数据进行训练， 得到所述第一 用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。 0022 可选的， 所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用 户， 包括： 0023 将排名前N位的所述关联度对应的保险产品推荐给。

13、所述第一用户； 其中， N为大于0 的正整数。 0024 可选的， 所述将符合预设规则的所述关联度对应的保险产品推荐给所述第一用 户， 还包括： 0025 将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。 0026 可选的， 所述获取第一用户的用户特征数据， 包括： 0027 对第一用户的数据进行分类， 得到M个数据集； 其中， 所述M为大于0的正整数； 所述 M个数据集用于表征所述第一用户在不同维度上的用户特征； 0028 所述确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品的属 性特征之间的关联度， 包括： 0029 确定至少一个数据集分别与保险产品集合中的每个保。

14、险产品的属性特征之间的 关联度。 0030 可选的， 所述对第一用户的数据进行分类， 得到M个数据集， 包括： 0031 确定所述第一用户的数据中的两两数据之间的相关度； 0032 若所述两两数据之间的相关度大于第二预设阈值， 则对所述两两数据进行聚类， 以得到所述M个数据集。 0033 可选的， 所述确定至少一个数据集分别与保险产品集合中的每个保险产品的属性 特征之间的关联度， 包括： 0034 基于所述至少一个数据集的样本数据与保险产品的属性特征样本数据进行训练， 得到所述至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联 度。 0035 可选的， 所述将符合预设规则的所。

15、述关联度对应的保险产品推荐给所述第一用 户， 包括： 0036 将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的 说明书 2/17 页 5 CN 110060167 A 5 关联度进行排序， 得到所述确定的每个数据集各自对应的排序结果； 0037 根据所述每个数据集各自对应的排序结果， 将保险产品推荐给所述第一用户。 0038 可选的， 所述方法还包括： 0039 确定所述第一用户的用户特征数据与第二用户的用户特征数据之间的相似度； 0040 若所述相似度大于第三预设阈值， 则将推荐给所述第一用户的保险产品推荐给所 述第二用户。 0041 第二方面， 本发明实施例提供了一种。

16、服务器， 该服务器包括用于执行上述第一方 面的方法的单元。 具体地， 该服务器包括： 0042 获取单元， 用于获取第一用户的用户特征数据； 0043 第一确定单元， 用于确定所述第一用户的的用户特征数据与保险产品集合中的每 个保险产品的属性特征之间的关联度； 0044 第一推荐单元， 用于将符合预设规则的所述关联度对应的保险产品推荐给所述第 一用户。 0045 可选的， 所述获取单元包括构建单元； 0046 所述构建单元， 用于根据所述第一用户的数据构建第一用户画像， 其中， 所述第一 用户画像用于表征所述第一用户的行为特征和/或静态特征； 0047 所述第一确定单元包括第二确定单元； 00。

17、48 所述第二确定单元， 用于确定所述第一用户画像与保险产品集合中的每个保险产 品的属性特征之间的关联度。 0049 可选的， 所述第一用户的数据包括所述第一用户的基本数据和所述第一用户在不 同维度上的行为数据； 0050 所述构建单元包括： 第一学习单元、 第二学习单元和处理单元； 0051 所述第一学习单元， 用于通过深度学习算法对所述第一用户的基本数据进行学 习， 得到所述第一用户的静态特征向量； 0052 所述第二学习单元， 用于通过所述深度学习算法对所述第一用户的行为数据进行 学习， 得到所述第一用户的行为特征向量； 0053 所述处理单元， 用于根据所述第一用户的静态特征向量和/或。

18、所述第一用户的行 为特征向量构建所述第一用户画像。 0054 可选的， 所述第二确定单元具体用于： 0055 基于用户画像样本数据与保险产品的属性特征样本数据进行训练， 得到所述第一 用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。 0056 可选的， 所述第一推荐单元具体用于： 0057 将排名前N位的所述关联度对应的保险产品推荐给所述第一用户； 其中， N为大于0 的正整数。 0058 可选的， 所述第一推荐单元还具体用于： 0059 将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。 0060 可选的， 所述获取单元包括分类单元； 0061 所述分类单元， 用于。

19、对第一用户的数据进行分类， 得到M个数据集； 其中， 所述M为 大于0的正整数； 所述M个数据集用于表征所述第一用户在不同维度上的用户特征； 说明书 3/17 页 6 CN 110060167 A 6 0062 所述第一确定单元包括第三确定单元； 0063 所述第三确定单元， 用于确定至少一个数据集分别与保险产品集合中的每个保险 产品的属性特征之间的关联度。 0064 可选的， 所述分类单元包括： 第四确定单元和聚类单元； 0065 所述第四确定单元， 用于确定所述第一用户的数据中的两两数据之间的相关度； 0066 所述聚类单元， 用于在所述两两数据之间的相关度大于第二预设阈值时， 对所述 两。

20、两数据进行聚类， 以得到所述M个数据集。 0067 可选的， 所述第三确定单元具体用于： 0068 基于所述至少一个数据集的样本数据与保险产品的属性特征样本数据进行训练， 得到所述至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的关联 度。 0069 可选的， 所述第一推荐单元包括排序单元和第二推荐单元； 0070 所述排序单元， 用于将确定的每个数据集与所述保险产品集合中的每个保险产品 的属性特征之间的关联度进行排序， 得到所述确定的每个数据集各自对应的排序结果； 0071 所述第二推荐单元， 用于根据所述每个数据集各自对应的排序结果， 将保险产品 推荐给所述第一用户。 007。

21、2 可选的， 所述服务器还包括： 0073 第五确定单元， 用于确定所述第一用户的用户特征数据与第二用户的用户特征数 据之间的相似度； 0074 第三推荐单元， 用于在所述相似度大于第二预设阈值时， 将推荐给所述第一用户 的保险产品推荐给所述第二用户。 0075 第三方面， 本发明实施例提供了另一种服务器， 包括处理器、 输入设备、 输出设备 和存储器， 所述处理器、 输入设备、 输出设备和存储器相互连接， 其中， 所述存储器用于存储 支持服务器执行上述方法的计算机程序， 所述计算机程序包括程序指令， 所述处理器被配 置用于调用所述程序指令， 执行上述第一方面的方法。 0076 第四方面， 本。

22、发明实施例提供了一种计算机可读存储介质， 所述计算机存储介质 存储有计算机程序， 所述计算机程序包括程序指令， 所述程序指令当被处理器执行时使所 述处理器执行上述第一方面的方法。 0077 第五方面， 本发明实施例提供了一种计算机程序， 所述计算机程序包括程序指令， 所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。 0078 本发明实施例通过确定用户特征数据与保险产品的属性特征之间的关联度， 继 而， 将符合预设规则的关联度对应的保险产品推荐给用户， 可以实现针对保险产品的精准 推荐。 附图说明 0079 为了更清楚地说明本发明实施例技术方案， 下面将对实施例描述中所需要使用的。

23、 附图作简单地介绍。 0080 图1A是本发明实施例提供的一种保险产品推荐方法的示意流程图； 0081 图1B是本发明实施例提供的一种用户画像的示意图； 说明书 4/17 页 7 CN 110060167 A 7 0082 图2是本发明实施例提供的另一种保险产品推荐方法的示意流程图； 0083 图3A是本发明实施例提供的一种服务器的示意性框图； 0084 图3B是本发明实施例提供的另一种服务器的示意性框图； 0085 图4是本发明另一实施例提供的一种服务器的示意性框图。 具体实施方式 0086 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行描述。 0087 具体实现中， 本发。

24、明实施例中描述的服务器包括但不限于诸如具有触摸敏感表面 (例如， 触摸屏显示器和/或触摸板)的移动电话、 膝上型计算机或平板计算机之类的其它便 携式设备。 还应当理解的是， 在某些实施例中， 所述设备并非便携式通信设备， 而是具有触 摸敏感表面(例如， 触摸屏显示器和/或触摸板)的台式计算机。 0088 在接下来的讨论中， 描述了包括显示器和触摸敏感表面的服务器。 然而， 应当理解 的是， 服务器可以包括诸如物理键盘、 鼠标和/或控制杆的一个或多个其它物理用户接口设 备。 0089 服务器支持各种应用程序， 例如以下中的一个或多个： 绘图应用程序、 演示应用程 序、 文字处理应用程序、 网站创。

25、建应用程序、 盘刻录应用程序、 电子表格应用程序、 游戏应用 程序、 电话应用程序、 视频会议应用程序、 电子邮件应用程序、 即时消息收发应用程序、 锻炼 支持应用程序、 照片管理应用程序、 数码相机应用程序、 数字摄影机应用程序、 web浏览应用 程序、 数字音乐播放器应用程序和/或数字视频播放器应用程序。 0090 可以在服务器上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公 共物理用户接口设备。 可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感 表面的一个或多个功能以及服务器上显示的相应信息。 这样， 服务器的公共物理架构(例 如， 触摸敏感表面)可以支持具有对用户而。

26、言直观且透明的用户界面的各种应用程序。 0091 接下来， 对本申请中的部分用语进行解释说明， 以便本领域技术人员理解。 0092 (1)用户画像。 0093 用户画像， 也即用户角色， 可以作为一种勾画目标用户、 联系用户诉求与涉及方向 的有效工具。 通俗的说， 用户画像是真实用户的虚拟代表， 可以反映真实用户的行为特征。 0094 (2)车险种类。 0095 以平安车险种类为例， 可以包括： 车辆损失险、 商业第三者责任险、 全车盗抢险、 司 机座位责任险、 乘客座位责任险， 不计免赔特约险、 玻璃单独破碎险、 自然损失险、 车辆划痕 损失险、 涉水险。 为了便于阐述， 本申请将以A类车险。

27、产品、 B类车险产品、 C类车险产品、 D类 车险产品、 E类车险产品为例进行描述。 0096 在实际应用中， 上述车险产品均有自身独特的属性特征。 该属性特征用于表征该 产品的特性。 0097 下面结合图1A所示的本发明实施例提供的保险产品推荐方法的流程示意图， 具体 说明本发明实施例提供的第一种保险产品推荐方式是如何向用户推荐保险产品的， 在这种 推荐方式中， 服务器通过确定用户画像与保险产品的属性特征之间的关联度， 继而根据确 定好的关联度来向用户推荐保险产品。 在实际应用中， 可以包括如下步骤： 0098 步骤S101、 获取第一用户的用户特征数据； 说明书 5/17 页 8 CN 1。

28、10060167 A 8 0099 在其中一个实施方式中， 获取第一用户的用户特征数据可以包括： 0100 根据第一用户的数据构建第一用户画像； 其中， 所述第一用户画像用于表征所述 第一用户的行为特征和/或静态特征。 0101 示例性地， 第一用户的数据可以包括： 性别、 年龄、 地域、 驾龄、 职业、 收入情况、 家 庭情况、 消费习惯、 车险投保记录、 车险出保记录中的至少一种。 其中， 第一用户的基本数据 可以包括： 性别、 年龄、 地域、 驾龄、 职业； 第一用户在不同维度上的行为数据可以包括： 收入 情况、 家庭情况、 消费习惯、 车险投保记录、 车险出保记录等等。 0102 例如。

29、， 某保险公司收集了多个用户的数据， 其中， 这多个用户包括第一用户、 第二 用户、 第三用户以及第四用户。 具体地， 这多个用户的数据的表现形式可以如表1所示： 0103 表1用户的数据 0104 用户性别年龄车险投保记录车险出保记录 第一用户男20A类保险产品8次 第二用户女30C类保险产品2次 第三用户男35D类保险产品0次 第四用户女28E类保险产品1次 0105 在实际应用中， 服务器在获取到第一用户的数据之后， 服务器将第一用户的数据 输入预设的机器学习模型， 继而， 根据该预设的机器学习模型确定第一用户的用户画像。 具 体地， 终端通过深度学习算法对第一用户的基本数据进行学习， 。

30、得到第一用户的静态特征 向量； 其次， 通过上述深度学习算法对第一用户的行为数据进行学习， 得到第一用户的行为 特征向量， 之后， 根据第一用户的静态特征向量和/或第一用户的行为特征向量构建第一用 户画像。 0106 例如， 服务器根据上述预设的机器学习模型确定第一用户对应的用户画像为： 冲 动型青年车主。 具体地， 请参见图1B。 该用户画像表征第一用户的行为特征如下所示： 第一， 第一用户的年纪过于年轻， 年轻气盛； 第二， 第一用户可能存在驾驶陋习， 例如， 在驾驶机动 车的过程中存在接听电话的行为； 驾驶速度超过预设速度范围(也即， 超速行驶)； 喜欢闯红 绿灯等等。 0107 同样地。

31、， 服务器根据第二用户的数据构建第二用户的用户画像。 例如， 服务器根据 上述预设的机器学习模型确定第二用户的用户画像为： 怀疑型青年车主。 该用户画像表征 第二用户的行为特征如下所示： 第一， 驾驶习惯较好； 第二， 驾驶技能不够熟练， 有待加强。 0108 同样地， 服务器根据第三用户的数据构建第三用户的用户画像。 例如， 服务器根据 上述预设的机器学习模型确定第三用户的用户画像为： 成熟稳重型青年车主。 该用户画像 表征第三用户的行为特征如下所示： 第一， 驾驶人性格稳重； 第二， 驾驶技术娴熟。 0109 同样地， 服务器根据第四用户的数据构建第四用户的用户画像。 例如， 服务器根据 。

32、上述预设的机器学习模型确定第四用户的用户画像为： 坚毅型青年车主。 该用户画像表征 第四用户的行为特征如下所示:第一， 驾驶人的安全意识较高； 第二， 驾驶技能较好。 0110 步骤S102、 确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品 的属性特征之间的关联度。 0111 在其中一个实施方式中， 确定所述第一用户的用户特征数据与保险产品集合中的 说明书 6/17 页 9 CN 110060167 A 9 每个保险产品的属性特征之间的关联度， 可以包括： 0112 确定第一用户画像与保险产品集合中的每个保险产品的属性特征之间的关联度。 0113 示例性地， 在本发明实施例中， 。

33、保险产品集合中包括五大类保险产品， 这五大类保 险产品分别为： A类保险产品、 B类保险产品、 C类保险产品、 D类保险产品。 0114 在具体实现中， 保险产品集合中的每个保险产品的属性特征包括： 车险公司、 车险 公司信誉度、 车险险种、 车险保额。 0115 例如， 以保险公司1为例， 保险公司1销售的保险产品包括： A类保险产品、 B类保险 产品以及C类保险产品。 这三大类保险产品各自对应的属性特征可以如表2所示： 0116 表2保险产品的属性特征 0117 0118 0119 在具体实现中， 保险产品的属性特征可以体现该产品的特性。 例如， 如表2所示， 从 表2中A类车险产品的属性。

34、特征可以确定公司1的A类车险产品的特性为： 低成本经济型； 从 表2中B类车险产品的属性特征可以确定公司1的B类车险产品的特性为： 经济适用刚需型； 从表2中C类车险产品的属性特征可以确定公司1的C类车险产品的特性： 高成本高回报型。 0120 需要说明的是， 在实际应用中， 以A类保险产品为例， 假设市面上存在多家公司销 售A类保险产品， 具体的情况可以如表3所示： 0121 表3 0122 保险公司保险公司信誉度车险险种车险保额 公司1优秀A类5万-100万 公司2良好A类5万-100万 公司3较差A类5万-100万 0123 由表3可以知道， 这多家保险公司销售的A类保险产品的车险保额信。

35、息一致， 那么， 在这种情况下， 当服务器向第一用户推荐保险产品时， 服务器优先向第一用户推荐信誉度 高的公司的保险产品， 例如， 向用户1推荐公司1的A类保险产品。 0124 在具体实现中， 服务器可以通过大数据分析模型确定用户画像与保险产品的属性 特征之间的关联度。 在本发明实施例中， 这里所涉及的关联度， 也即相关性， 是表征两个事 物之间的关联程度。 0125 示例性地， 上述大数据分析模型为基于粒子群优化算法改进的极限学习机模型， 该模型基于大量的用户画像样本数据以及保险产品的属性特征样本数据进行训练， 以确定 用户画像与保险产品的属性特征之间的关联度。 0126 接下来， 以表1所。

36、示的第一用户以及第三用户为例进行阐述： 0127 例如， 服务器确定第一用户与A类保险产品的关联度为0.2； 服务器确定第一用户 说明书 7/17 页 10 CN 110060167 A 10 与B类保险产品的关联度为0.6； 服务器确定第一用户与C类保险产品的关联度为0.1； 服务 器确定第一用户与D类保险产品的关联度为0.9； 服务器确定第一用户与E类保险产品的关 联度为0.7。 0128 又例如， 服务器确定第三用户与A类保险产品的关联度为0.8； 服务器确定第三用 户与B类保险产品的关联度为0.4； 服务器确定第三用户与C类保险产品的关联度为0.5； 服 务器确定第三用户与D类保险产品。

37、的关联度为0.7； 服务器确定第一用户与E类保险产品的 关联度为0.6。 0129 步骤S103、 将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。 0130 在其中一个实施方式中， 所述将符合预设规则的所述关联度对应的保险产品推荐 给所述第一用户， 包括： 0131 将排名前N位的所述关联度对应的保险产品推荐给所述第一用户； 其中， N为大于0 的正整数。 0132 示例性地， N可以为2， 也可以为3， 等等， 本发明实施例不作具体限定。 0133 如前所述， 以第一用户为例， 服务器确定第一用户与A类保险产品的关联度为0.2； 服务器确定第一用户与B类保险产品的关联度为0.6。

38、； 服务器确定第一用户与C类保险产品 的关联度为0.1； 服务器确定第一用户与D类保险产品的关联度为0.9； 服务器确定第一用户 与E类保险产品的关联度为0.7。 服务器在向用户推荐保险产品的过程中， 将上述计算得到 的关联度由大到小进行排序， 可以得到排序结果为： 第一用户与D类保险产品的关联度0.9 第一用户与E类保险产品的关联度0.7第一用户与B类保险产品的关联度0.6第一用户与A 类保险产品的关联度0.2第一用户与C类保险产品的关联度0.1。 0134 在实际应用中， 服务器将排名前2位的关联度对应的保险产品推荐给第一用户， 即： 服务器将D类保险产品和E类保险产品推荐给第一用户。 0。

39、135 在其中的另一个实施方式中， 所述将符合预设规则的所述关联度对应的保险产品 推荐给所述第一用户， 还可以包括： 0136 将所述关联度大于第一预设阈值对应的保险产品推荐给所述第一用户。 0137 如前所述， 以第一用户为例， 服务器确定第一用户与A类保险产品的关联度为0.2； 服务器确定第一用户与B类保险产品的关联度为0.6； 服务器确定第一用户与C类保险产品 的关联度为0.1； 服务器确定第一用户与D类保险产品的关联度为0.9； 服务器确定第一用户 与E类保险产品的关联度为0.7。 在推荐的过程中， 服务器依次判断上述计算得到的关联度 是否大于第一预设阈值(例如， 第一预设阈值为0.5。

40、)， 从而可以获知第一用户与D类保险产 品的关联度、 第一用户与B类保险产品的关联度以及第一用户与E类保险产品的关联度大于 第一预设阈值， 那么， 在这种情况下， 服务器将B类保险产品、 D类保险产品以及E类保险产品 推荐给第一用户。 0138 通过实施本发明实施例， 服务器根据用户的数据构建用户画像， 然后， 确定用户画 像与保险产品的属性特征之间的关联度， 继而， 根据关联度向用户推荐保险产品， 可以实现 针对保险产品的精准推荐。 0139 下面结合图2所示的本发明实施例提供的保险产品推荐方法的流程示意图， 具体 说明本发明实施例提提供的第二种保险产品推荐方式是如何向用户推荐保险产品的， 。

41、在这 种推荐方式中， 服务器通过确定至少一个数据集与保险产品的属性特征之间的关联度， 其 说明书 8/17 页 11 CN 110060167 A 11 中， 至少一个数据集可以表征用户在不同维度上的用户特征， 之后， 根据确定好的关联度来 向用户推荐保险产品。 在实际应用中， 可以包括如下步骤： 0140 步骤S201、 获取第一用户的用户特征数据； 0141 在其中一个实施方式中， 获取第一用户的用户特征数据可以包括： 0142 对第一用户的数据进行分类， 得到M个数据集； 其中， 所述M为大于0的正整数； 所述 M个数据集用于表征所述第一用户在不同维度上的用户特征。 0143 如前所述，。

42、 第一用户的数据可以包括： 性别、 年龄、 地域、 驾龄、 行车速度数据、 刹车 操作数据、 换挡数据、 打转向灯数据、 闯红灯数据、 驾驶过程接听电话数据、 职业、 收入情况、 车险投保记录、 车险出保记录、 车辆类型、 事故率(发生事故的次数)等。 0144 服务器对上述第一用户的数据进行分类， 在具体实现中， 对第一用户的数据进行 分类， 得到M个数据集， 可以包括： 0145 确定所述第一用户的数据中的两两数据之间的相关度； 0146 若所述两两数据之间的相关度大于第二预设阈值， 则对所述两两数据进行聚类， 以得到所述M个数据集。 0147 例如， 服务器确定行车速度数据、 刹车操作数。

43、据之间的相关度为0.8， 其相关度大 于设定好的第二预设阈值(例如， 第二预设阈值为0.7)， 此时， 服务器将上述两个数据划分 在同一个数据集中， 例如， 该数据集为驾驶操作数据集， 在实际应用中， 驾驶操作数据集用 于表征用户在驾驶技能上的行为特征。 0148 又例如， 服务器确定职业、 收入情况之间的相关度为0.7， 其相关度大于设定好的 第二预设阈值， 此时， 服务器将上述两个数据划分在同一个数据集汇总， 例如， 该数据集为 职业数据集， 在实际应用中， 职业数据集用于表征用户在购买能力上的行为特征。 0149 采用以上所描述的分类方法， 服务器可以将第一用户的数据分为4类， 这4类数。

44、据 集分别为： 基本数据集、 驾驶操作数据集、 职业数据集以及车险数据集。 每类数据集可以表 征用户在一个维度上的行为特征。 具体地， 基本数据集中包括性别、 年龄、 地域、 驾龄； 驾驶 操作数据集中包括： 行车速度数据、 刹车操作数据、 换挡数据、 打转向灯数据、 闯红灯数据、 驾驶过程接听电话数据； 职业数据集中包括： 职业、 收入情况； 车险数据集中包括： 车险投保 记录、 车险出保记录、 车辆类型、 事故率(发生事故的次数)。 0150 步骤S202、 确定所述第一用户的用户特征数据与保险产品集合中的每个保险产品 的属性特征之间的关联度。 0151 在其中一个实施方式中， 确定所述第。

45、一用户的用户特征数据与保险产品集合中的 每个保险产品的属性特征之间的关联度， 可以包括： 0152 确定至少一个数据集分别与保险产品集合中的每个保险产品的属性特征之间的 关联度。 0153 在本申请中， 服务器可以基于一个数据集与保险产品集合中的每个保险产品的属 性特征之间的关联度来向用户推荐保险产品， 也可以基于多个数据集与保险产品集合中的 每个保险产品的属性特征之间的关联度来向用户推荐保险产品， 这均在本申请的保护范围 之内。 可以理解的是， 在实际应用中， 基于多个数据集与保险产品集合中的每个保险产品的 属性特征之间的关联度的这一实现方式， 推荐效果更好。 下面将结合多个数据集与保险产 。

46、品集合中的每个保险产品的属性特征之间的关联度这一实现方式为例进行具体阐述： 说明书 9/17 页 12 CN 110060167 A 12 0154 在具体实现中， 服务器可以通过大数据分析模型确定每个数据集与保险产品的属 性特征之间的关联度。 例如， 服务器基于每个数据集的样本数据以及保险产品的属性特征 样本数据进行训练， 以确定每个数据集与保险产品的属性特征之间的关联度。 0155 例如， 服务器确定基本数据集与保险产品集合中每个保险产品的属性特征之间的 关联度如表4所示： 0156 表4基本数据集与车险产品的关联度 0157 车险产品关联度 A类0.2 B类0.6 C类0.1 D类0.9。

47、 E类0.7 0158 又例如， 服务器确定驾驶操作数据集与保险产品集合中每个保险产品的属性特征 之间的关联度如表5所示： 0159 表5驾驶操作数据集与车险产品的关联度 0160 车险产品关联度 A类0.8 B类0.4 C类0.5 D类0.7 E类0.6 0161 又例如， 服务器确定职业数据集与保险产品集合中每个保险产品的属性特征之间 的关联度如表6所示： 0162 表6职业数据集与车险产品的关联度 0163 车险产品关联度 A类0.2 B类0.3 C类0.4 D类0.5 E类0.6 0164 又例如， 服务器确定车险数据集与保险产品集合中每个保险产品的属性特征之间 的关联度如表7所示： 。

48、0165 表7车险数据集与车险产品的关联度 0166 车险产品关联度 A类0.8 说明书 10/17 页 13 CN 110060167 A 13 B类0.6 C类0.4 D类0.5 E类0.7 0167 步骤S203、 将符合预设规则的所述关联度对应的保险产品推荐给所述第一用户。 0168 在其中一个实施方式中， 所述将符合预设规则的所述关联度对应的保险产品推荐 给所述第一用户， 包括： 0169 将确定的每个数据集与所述保险产品集合中的每个保险产品的属性特征之间的 关联度进行排序， 得到所述确定的每个数据集各自对应的排序结果； 0170 根据所述每个数据集各自对应的排序结果， 将保险产品推。

49、荐给所述第一用户。 0171 例如， 以基本数据集与车险产品的关联度为例， 服务器将基本数据集与车险产品 的属性特征之间的关联度进行排序， 得到第一排序结果。 具体地， 第一排序结果为： 基本数 据集与D类保险产品的关联度0.9基本数据集与E类保险产品的关联度0.7基本数据集与B 类保险产品的关联度0.6基本数据集与A类保险产品的关联度0.2基本数据集与C类保险 产品的关联度0.1。 0172 又例如， 服务器将驾驶操作数据集与车险产品的属性特征之间的关联度进行排 序， 得到第二排序结果。 具体地， 第二排序结果为： 驾驶操作数据集与A类保险产品的关联度 0.8驾驶操作数据集与D类保险产品的关。

50、联度0.7驾驶操作数据集与E类保险产品的关联 度0.6驾驶操作数据集与C类保险产品的关联度0.5驾驶操作数据集与B类保险产品的关 联度0.4。 0173 又例如， 服务器将职业数据集与车险产品的属性特征之间的关联度进行排序， 得 到第三排序结果。 具体地， 第三排序结果为： 职业数据集与E类保险产品的关联度0.6职业 数据集与D类保险产品的关联度0.5职业数据集与C类保险产品的关联度0.4职业数据集 与B类保险产品的关联度0.3职业数据集与A类保险产品的关联度0.2。 0174 又例如， 服务器将车险数据集与车险产品的属性特征之间的关联度进行排序， 得 到第四排序结果。 具体地， 第四排序结果。