本申请涉及数据处理技术领域，提出了一种保险产品推荐方法、装置、设备及介质，该方法包括：获取多个用户的用户特征数据；将各个用户特征数据按照特征类型的不同进行对应的处理操作，得到处理后的特征数据；根据处理后的特征数据和多任务学习模型，计算每个用户对应的点击率预测值和转化概率预测值；根据每个用户的点击率预测值和转化概率预测值，确定进行保险产品推荐的目标用户。通过本申请的技术方案，一方面解决了成单样本稀疏导致模型预测结果不置信的问题；另一方面，能够更加准确地筛选出转保率较高的客户，较为明显地提升用户成单率。单率。单率。
【技术实现步骤摘要】
保险产品推荐方法、装置、设备及介质
[0001]本申请涉及数据处理
，尤其涉及一种保险产品推荐方法、装置、设备及介质。
技术介绍
[0002]近年来，随着生活水平的逐渐提高，人们的保险意识逐渐增强。因此，如何从海量用户中筛选出购买保险意愿较强的用户是每个互联网保险经纪公司实现降本增效所面临的难题之一。
[0003]现有的用户筛选过程如下：
[0004](1)利用过往的成单记录进行转化率(cvr)模型构建；
[0005](2)根据cvr模型打分结果，选取TopK用户进行服务。
[0006]现有用户筛选过程存在以下问题：
[0007](1)cvr模型基于点击样本进行学习，但最终会在全样本空间进行推理，对于大量曝光未点击商品的cvr预估值是不置信的；
[0008](2)相比于点击样本，转化样本要少很多；
[0009](3)特征种类单一。
技术实现思路
[0010]本申请实施例提供了一种保险产品推荐方法、装置、设备及介质，旨在解决相关技术中数据稀疏、样本选择偏移、cvr预估值不置信、特征使用种类单一等技术问题。
[0011]第一方面，本申请实施例提供了一种保险产品推荐方法，包括：
[0012]获取多个用户的用户特征数据，其中，所述用户特征数据包括：保险类数据、筹互类数据、人口统计学数据和外呼类数据；
[0013]将各个用户特征数据按照特征类型的不同进行对应的处理操作，得到处理后的特征数据；
[0014]根据处理后的特征数据和多任务学习模型，计算每个用户对应的点击率预测值和转化概率预测值；
[0015]根据每个用户的点击率预测值和转化概率预测值，确定进行保险产品推荐的目标用户。
[0016]在一个实施例中，优选地，所述保险类数据包括保险产品的图像数据、保险推文标题和推文内容、预设时间内用户对保险产品的点击操作数据和购买数据，所述筹互类数据包括用户捐款记录数据，所述人口统计学数据包括用户基本信息数据和社保数据，所述外呼类数据包括外呼是否接通和接通时长。
[0017]在一个实施例中，优选地，所述用户特征数据的特征类型包括图像类型、文本类型、数值类型和类别类型。
[0018]在一个实施例中，优选地，在将各个用户特征数据按照特征类型的不同进行对应
的处理操作之前，所述方法还包括：
[0019]对各个用户特征数据进行特征处理，其中，所述特征处理包括对文本类型的特征数据进行分词处理，和对数值类型和类别类型的缺失数据进行填充处理。
[0020]在一个实施例中，优选地，将各个用户特征数据按照特征类型的不同进行对应的处理操作，得到处理后的特征数据，包括：
[0021]针对每个用户，对于数值类型的用户特征数据进行标准化处理和分桶处理，得到第一特征数据；
[0022]对于类别类型的用户特征数据进行标签编码处理，得到第二特征数据；
[0023]对于图像类型的用户特征数据，使用注意力机制进行特征提取，得到第三特征数据；
[0024]对于文本类型的用户特征数据，使用注意力机制进行特征提取，得到第四特征数据。
[0025]在一个实施例中，优选地，根据处理后的特征数据和多任务学习模型，计算每个用户对应的点击率预测值和转化概率预测值，包括：
[0026]将所述第一特征数据、所述第二特征数据、所述第三特征数据和所述第四特征数据输入至所述多任务学习模型，并输出点击率预测值和转化概率预测值。
[0027]在一个实施例中，优选地，根据每个用户的点击率预测值和转化概率预测值，确定进行保险产品推荐的目标用户，包括：
[0028]将每个用户的点击率预测值和转化概率预测值进行加权求和，得到每个用户对应的预测结果；
[0029]将所述多个用户的预测结果进行降序排列，并选取排列在前的预设数量的用户确定为所述目标用户。
[0030]第二方面，本申请实施例提供了一种预训练分类模型的训练装置，包括：
[0031]获取模块，用于获取多个用户的用户特征数据，其中，所述用户特征数据包括：保险类数据、筹互类数据、人口统计学数据和外呼类数据；
[0032]处理模块，用于将各个用户特征数据按照特征类型的不同进行对应的处理操作，得到处理后的特征数据；
[0033]计算模块，用于根据处理后的特征数据和多任务学习模型，计算每个用户对应的点击率预测值和转化概率预测值；
[0034]确定模块，用于根据每个用户的点击率预测值和转化概率预测值，确定进行保险产品推荐的目标用户。
[0035]在一个实施例中，优选地，所述保险类数据包括保险产品的图像数据、保险推文标题和推文内容、预设时间内用户对保险产品的点击操作数据和购买数据，所述筹互类数据包括用户捐款记录数据，所述人口统计学数据包括用户基本信息数据和社保数据，所述外呼类数据包括外呼是否接通和接通时长。
[0036]在一个实施例中，优选地，所述用户特征数据的特征类型包括图像类型、文本类型、数值类型和类别类型。
[0037]在一个实施例中，优选地，所述处理模块用于：
[0038]对各个用户特征数据进行特征处理，其中，所述特征处理包括对文本类型的特征
数据进行分词处理，和对数值类型和类别类型的缺失数据进行填充处理。
[0039]在一个实施例中，优选地，所述处理模块用于：
[0040]针对每个用户，对于数值类型的用户特征数据进行标准化处理和分桶处理，得到第一特征数据；
[0041]对于类别类型的用户特征数据进行标签编码处理，得到第二特征数据；
[0042]对于图像类型的用户特征数据，使用注意力机制进行特征提取，得到第三特征数据；
[0043]对于文本类型的用户特征数据，使用注意力机制进行特征提取，得到第四特征数据。
[0044]在一个实施例中，优选地，所述计算模块用于：
[0045]将所述第一特征数据、所述第二特征数据、所述第三特征数据和所述第四特征数据输入至所述多任务学习模型，并输出点击率预测值和转化概率预测值。
[0046]在一个实施例中，优选地，所述确定模块用于：
[0047]将每个用户的点击率预测值和转化概率预测值进行加权求和，得到每个用户对应的预测结果；
[0048]将所述多个用户的预测结果进行降序排列，并选取排列在前的预设数量的用户确定为所述目标用户。
[0049]第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述保险产品推荐方法的步骤。
[0050]第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述保险产品推荐方法的步骤。
[0051]以上保险产品推荐方法、装置、设备及介质所实现的方案中，可以获取多个用户的用户特征数据，其中，所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种保险产品推荐方法，其特征在于，包括：获取多个用户的用户特征数据，其中，所述用户特征数据包括：保险类数据、筹互类数据、人口统计学数据和外呼类数据；将各个用户特征数据按照特征类型的不同进行对应的处理操作，得到处理后的特征数据；根据处理后的特征数据和多任务学习模型，计算每个用户对应的点击率预测值和转化概率预测值；根据每个用户的点击率预测值和转化概率预测值，确定进行保险产品推荐的目标用户。2.根据权利要求1所述的保险产品推荐方法，其特征在于，所述保险类数据包括保险产品的图像数据、保险推文标题和推文内容、预设时间内用户对保险产品的点击操作数据和购买数据，所述筹互类数据包括用户捐款记录数据，所述人口统计学数据包括用户基本信息数据和社保数据，所述外呼类数据包括外呼是否接通和接通时长。3.根据权利要求1所述的保险产品推荐方法，其特征在于，所述用户特征数据的特征类型包括图像类型、文本类型、数值类型和类别类型。4.根据权利要求3所述的保险产品推荐方法，其特征在于，在将各个用户特征数据按照特征类型的不同进行对应的处理操作之前，所述方法还包括：对各个用户特征数据进行特征处理，其中，所述特征处理包括对文本类型的特征数据进行分词处理，和对数值类型和类别类型的缺失数据进行填充处理。5.根据权利要求3所述的保险产品推荐方法，其特征在于，将各个用户特征数据按照特征类型的不同进行对应的处理操作，得到处理后的特征数据，包括：针对每个用户，对于数值类型的用户特征数据进行标准化处理和分桶处理，得到第一特征数据；对于类别类型的用户特征数据进行标签编码处理，得到第二特征数据；对于图像类型的用户特征数据，使用注意力机制进行特征提取，得到第三特征数据；对于文本类型的用户特征数据...
【专利技术属性】
技术研发人员：杨鑫，沈鹏，胡尧，周晓波，黄明星，陈辉亮，
申请(专利权)人：北京水滴科技集团有限公司，
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。