【技术实现步骤摘要】
基于时序相似性的保险推荐方法、系统、设备及存储介质
[0001]本专利技术涉及计算机
，尤其涉及一种基于时序相似性的保险推荐方法、系统、设备及存储介质。
技术介绍
[0002]随着科学技术的发展，获取数据并利用数据建模以解决相应的问题，已经是非常常见的技术手段，例如，各个保险购买平台会收集用户的保险购买、受理、记录等数据，并根据收集的记录数据构建保险推荐模型，以最大限度推荐用户感兴趣的保险套餐，提高推荐转化率。
[0003]目前常用的保险推荐方法通常是依靠企业平台的基本客户数据，采用基于机器学习的算法来预测保险产品类别的需求，现有保险推荐方法往往是根据用户的个人信息来为用户推荐相适配的保险套餐，但是用户的需求和爱好并不是一成不变的，而现有的保险推荐方法无法及时更新用户的需求和爱好的变化，从而导致现有的保险推荐方法准确率不高。
技术实现思路
[0004]本专利技术提供一种基于时序相似性的保险推荐方法、系统、设备及存储介质，其主要目的在于在保险推荐过程中有效融入用户属性信息随时间推移发生的变化，有效...
【技术保护点】
【技术特征摘要】
1.一种基于时序相似性的保险推荐方法，其特征在于，包括：获取数据库中当前时段的关系拓补网络，所述当前时段的关系拓补网络包括多个历史采样时刻的关系拓补网络，所述历史采样时刻的关系拓补网络包括所述数据库中所有用户、所述历史采样时刻所述数据库中任意两个用户之间的社交关系和所述历史采样时刻的用户属性特征矩阵，所述历史采样时刻通过对所述当前时段进行采样得到，最接近所述当前时段中终点时刻的历史采样时刻被作为当前采样时刻；根据所述历史采样时刻的关系拓补网络，获取所述历史采样时刻的用户邻接矩阵；根据所述历史采样时刻的用户属性特征矩阵和前一历史采样时刻的用户属性特征矩阵，获取所述历史采样时刻的用户时序特征矩阵，并根据所述历史采样时刻的用户时序特征矩阵，获取所述历史采样时刻的用户相似性矩阵；根据所述当前采样时刻的用户邻接矩阵、所述当前采样时刻的用户属性特征矩阵和所述当前采样时刻的用户相似性矩阵，基于训练后的图卷积神经网络中，获取所述当前采样时刻对应的最优低维表示特征，其中，训练后的图卷积神经网络由所述历史采样时刻的用户邻接矩阵、所述历史采样时刻的用户属性特征矩阵和所述历史采样时刻的用户相似性矩阵进行训练得到；根据所述当前采样时刻对应的最优低维表示特征，基于训练后的支持向量机，获取所述当前采样时刻所述数据库中用户的保险购买倾向。2.根据权利要求1所述的基于时序相似性的保险推荐方法，其特征在于，所述根据所述历史采样时刻的用户属性特征矩阵和前一历史采样时刻的用户属性特征矩阵，获取所述历史采样时刻的用户时序特征矩阵，通过如下公式实现：其中，B
t
表示第t个历史采样时刻的用户时序特征矩阵，X
t
表示第t个历史采样时刻的用户属性特征矩阵，X
t
‑1表示第t
‑
1个历史采样时刻的用户属性特征矩阵，m表示所有历史采样时刻和当前采样时刻的总数量，t、m均为正整数。3.根据权利要求1所述的基于时序相似性的保险推荐方法，其特征在于，所述根据所述历史采样时刻的用户时序特征矩阵，获取所述历史采样时刻的用户相似性矩阵，通过如下公式实现：其中，表示第t个历史采样时刻第i行第j列的元素，表示第t个历史采样时刻的用户时序特征矩阵中的第i行向量，表示第t个历史采样时刻的用户时序特征矩阵中的第j行向量，n表示所述数据库中用户数量，i、j、n均为正整数。4.根据权利要求1所述的基于时序相似性的保险推荐方法，其特征在于，所述根据所述当前采样时刻的用户邻接矩阵、所述当前采样时刻的用户属性特征矩阵和所述当前采样时刻的用户相似性矩阵，基于训练后的图卷积神经网络中，获取所述当前采样时刻对应的最优低维表示特征，通过如下公式实现：
i≠j，1≤i≤n，1≤j≤n，其中，所述当前采样时刻为第m个历史采样时刻，H
m
表示所述当前采样时刻对应的最优低维表示特征，ε
GCN
表示训练后的图卷积神经网络，X
m
表示所述当前采样时刻的用户属性特征矩阵，A
m
表示所述当前采样时刻的用户邻接矩阵，S
m
表示所述当前采样时刻的用户相似性矩阵，W
m
表示所述当前采样时刻的预设权重矩阵，σ表示线性整流函数，表示度矩阵，I
n
表示所述当前采样时刻的用户相似性...
【专利技术属性】
技术研发人员：陈雪娇，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。