保险产品推荐模型构建训练方法、推荐方法与流程

1.本发明涉及产品推荐技术领域，具体地说是保险产品推荐模型构建训练方 法、推荐方法。


背景技术：

2.随着保险行业的发展和客户需求的多样化，保险产品的种类越来越多，其 复杂性也相应提高，客户的选择难度增大。在保险产品领域中，不同客户群体 之间的需求往往存在很大的差别，即使是在经济等背景相似的客户群体中，由 于不同客户的保险缺口不同，并且考虑到将购买的保险产品与现有保险产品之 间的配合问题，导致为客户推荐合适的保险产品具有很大的难度。目前，主要 依赖保险代理人员或保险销售人员为客户进行推荐，这种推荐方式的针对性和 准确性较差，难以满足客户的需求。
3.申请号为cn201810714988.6的中国专利，通过获取目标用户的标识；并 基于标识从预构建的图数据库中获取到目标用户的保险家族信息，基于保险家 族信息，为保险家族中的对象推荐保险信息，实现了基于构建的图数据库对保 险家族的识别，以及基于保险家族中的任何一个对象识别出整个保险家族，增 加了保险信息推荐的便利性和效率，而且，基于保险家族信息为保险家族中的 对象推荐保险信息，实现了保险服务的高效精准以及个性化推荐。
4.申请号为cn201810962369.9的中国专利，基于区块链的保险产品推荐方 法包括：接收用户的保险推荐请求信息，保险推荐请求信息中包括用户的预算 信息、健康信息、投保意向信息；根据保险推荐请求信息，从区块链网络中获 取多个保险产品的产品信息；根据预设的保险赔付函数，计算多个保险产品中 的各个保险产品的获益评估值；以及根据各个产品的获益评估值向用户推荐保 险产品或保险产品组合。
5.所述现有方案未充分利用大数据技术集合通信运营商数据进行用户需求的 挖掘和模拟，或者对大数据技术、推荐技术的应用不够深入，模型泛化能力不 强，推荐结果准确度不够，对用户需求的分析深度、细粒度和客观度不够，无 法深度挖掘用户潜在保障需求。因此，亟需将通信运营商的大数据与保险行业 数据相融合，解决运营商与保险公司的信息互通，完善用户的多维度数据补充， 实现更有针对性的向用户推荐保险产品。
6.如何将通信运营商的大数据与保险行业数据相融合，解决运营商与保险公 司的信息互通，完善用户的多维度数据补充，实现更有针对性的向用户推荐保 险产品，是需要解决的技术问题。


技术实现要素：

7.本发明的技术任务是针对以上不足，提供保险产品推荐模型构建训练方法、 推荐方法，来解决如何更有针对性的向用户推荐保险产品的技术问题。
8.第一方面，本发明的保险产品推荐模型构建训练方法，包括如下步骤：
9.获取样本用户的移动客户基础数据和保险行业基础数据构建样本数据 集合，并
对样本数据集合进行降维处理，从样本数据集合中筛选出数据特征 构建样本数据特征集合；
10.对样本数据特征集合进行预处理，将无效数据、重复数据、失真数据以 及噪声数据进行删除，得到目标样本数据特征集合；
11.对于每种保险产品，基于lightgbm框架构建一个对应的用户投险意愿 模型，所述用户投险意愿模型以目标样本数据特征为输入、以每个样本用户 对所述保险产品的投险意愿概率为输出；
12.将所述目标样本数据集合划分为第一训练集和第一测试集，使用 leaf-wise算法，通过第一训练集利用决策树迭代训练以获得最优模型，并通 过第一测试集对获得的最优用户投险意愿模型进行对比评价，得到训练后的 用户投险意愿模型；
13.对于每个样本用户，构建一个对应的用户产品偏好模型，所述用户产品 偏好模型为基于多层感知机模型mlp、并结合embedding以及注意力机制 构建的din模型，所述用户产品偏好模型以目标样本特征数据以及所有保 险产品的权重值为输入、以所述样本用户对每种保险产品的偏好概率为输 出；
14.对于每种保险产品，基于所有样本用户对所述保险产品的投险意愿概率 计算所述保险产品的权重值，基于样本特征数据集合以及所有保险产品的权 重值构建数据集，并将所述数据集划分为第二训练集和第二测试集；
15.基于所述第二训练集对所述用户产品偏好模型进行迭代训练，得到优化 后模型，并通过第二测试集对所述优化后的模型进行评价分析的，得到训练 后的用户产品偏好模型。
16.作为优选，基于sklearn中的feature_selection进行特征选择/降维，或 者，使用spark mllib进行特征选择/降维。
17.作为优选，通过如下方法对样本数据特征集合进行预处理：
18.通过遍历对不合理的数据或有缺失的数据组进行剔除，对跨越不同数量 级的字段数据进行分箱处理，对符合长尾分布的字段数据进行缩放处理以及 对数据进行规范化、离散化等数据变换。
19.作为优选，通过逻辑回归模型对用户投险意愿模型进行优化，计算公式 为：
20.cost(h/θ(x),y)＝-ylog(-h/θ(x))-(1-y)log(1-h/θ(x))
21.其中，h/θ(x)为模型输出结果，y为真实结果。
22.作为优选，通过如下计算公式对用户产品偏好模型进行优化：
[0023][0024]
其中，m为意愿用户数据的个数；h/θ(x)为用参数θ和x预测出来的y值， 即模型输出结果；y为真实结果；i为第i个意愿用户数据。
[0025]
第二方面，本发明的保险产品推荐方法，包括如下步骤：
[0026]
通过如第一方面任一项所述的保险产品推荐模型构建训练方法，构建并 训练用户投险意愿模型和用户产品偏好模型；
[0027]
获取待推荐用户的移动客户基础以及保险行业基础数据构建建模数据 集合，并对建模数据集合进行降维处理，从建模数据集合中筛选出数据特征 构建数据特征集合；
[0028]
对数据特征集合进行预处理，将无效数据、重复数据、失真数据以及噪 声数据进行删除，得到目标数据特征集合；
[0029]
对于每种保险产品，将目标数据特征集合输入对应的训练后的用户投险 意愿模型，得到每个待推荐用户对所述保险产品的投险意愿概率；
[0030]
对于每种保险产品，基于每个待推荐用户的所述保险产品的投险意愿， 计算所述保险产品的权重值；
[0031]
对于每个待推荐用户，将目标特征数据集合以及所有保险产品的权重值 输入训练后的用户产品偏好模型，得到所述待推荐用户的产品偏好概率，基 于偏好概率为所述待推荐用户推荐保险产品。
[0032]
作为优选，基于sklearn中的feature_selection进行特征选择/降维，或 者，使用spark mllib进行特征选择/降维。
[0033]
作为优选，通过如下方法对数据特征集合进行预处理：
[0034]
通过遍历对不合理的数据或有缺失的数据组进行剔除，对跨越不同数量 级的字段数据进行分箱处理，对符合长尾分布的字段数据进行缩放处理以及 对数据进行规范化、离散化等数据变换。
[0035]
作为优选，通过逻辑回归模型对用户投险意愿模型进行优化，计算公式 为：
[0036]
cost(h/θ(x),y)＝-ylog(-h/θ(x))-(1-y)log(1-h/θ(x))
[0037]
其中，h/θ(x)为模型输出结果，y为真实结果。
[0038]
作为优选，通过如下计算公式对用户产品偏好模型进行优化：
[0039][0040]
其中，m为意愿用户数据的个数；h/θ(x)为用参数θ和x预测出来的y值， 即模型输出结果；y为真实结果；i为第i个意愿用户数据。
[0041]
本发明的保险产品推荐模型构建训练方法、推荐方法具有以下优点：
[0042]
1、基于用户的移动客户基础数据以及保险行业基础数据构建用户投险意愿 模型和用户产品偏好模型，通过用户投资意愿模型预测用户投险的意愿概率， 通过用户产品偏好模型预测用户对保险产品的偏好概率，通过两个预测模型， 能够精准地对用户的喜好进行预测，相对于传统技术，通过所述模型推荐保险 产品更能很好地满足用户的需求，提高用户的使用体验，提高了保险产品的推 荐效率；
[0043]
2、将用户的移动客户基础数据与保险行业基础数据互相补充，完整了用户 的多维度数据，使得数据源更完备，根据全面的用户多维信息，可以推荐的保 险产品更接近用户需求，匹配度更高，提高了用户体验；
[0044]
3、基于权重值来计算各保险从产品的推荐概率，可以有效解决个人着重点 差异化问题，所推荐的保险产品更容易符合用户的特定需求，使得用户体验更 佳；
[0045]
4、通过用户投险意愿模型和用户产品偏好模型结合分析，可以同时获得多 个用户偏好的保险产品，直观地呈现给用户，更加科学、准确和智能化，无需 进行人工分析，降低了人工处理海量数据的难度，同时提升了保险公司的基础 建设、数据分析以及营销推广能力，实现保险数据的自助分析和可视化，有助 于保险公司经营决策和精细化运营。
附图说明
[0046]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅 仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性 劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]
下面结合附图对本发明进一步说明。
[0048]
图1为实施例1保险产品推荐模型构建训练方法的流程框图；
[0049]
图2为实施例2保险产品推荐方法的流程框图。
具体实施方式
[0050]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人 员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定， 在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
[0051]
本发明实施例提供保险产品推荐模型构建训练方法、推荐方法，用于解决 如何更有针对性的向用户推荐保险产品的技术问题。
[0052]
实施例1：
[0053]
本发明保险产品推荐模型构建训练方法，包括如下步骤：
[0054]
s100、获取样本用户的移动客户基础数据和保险行业基础数据构建样本 数据集合，并对样本数据集合进行降维处理，从样本数据集合中筛选出数据 特征构建样本数据特征集合；
[0055]
s200、对样本数据特征集合进行预处理，将无效数据、重复数据、失真 数据以及噪声数据进行删除，得到目标样本数据特征集合；
[0056]
s300、对于每种保险产品，基于lightgbm框架构建一个对应的用户投 险意愿模型，用户投险意愿模型以目标样本数据特征为输入、以每个样本用 户对所述保险产品的投险意愿概率为输出；
[0057]
s400、将目标样本数据集合划分为第一训练集和第一测试集，使用 leaf-wise算法，通过第一训练集利用决策树迭代训练以获得最优模型，并通 过第一测试集对获得的最优用户投险意愿模型进行对比评价，得到训练后的 用户投险意愿模型；
[0058]
s500、对于每个样本用户，构建一个对应的用户产品偏好模型，用户产 品偏好模型为基于多层感知机模型mlp、并结合embedding以及注意力机 制构建的din模型，用户产品偏好模型以目标样本特征数据以及所有保险 产品的权重值为输入、以样本用户对每种保险产品的偏好概率为输出；
[0059]
s600、对于每种保险产品，基于所有样本用户对所述保险产品的投险意 愿概率计算保险产品的权重值，基于样本特征数据集合以及所有保险产品的 权重值构建数据集，并将数据集划分为第二训练集和第二测试集；
[0060]
s700、基于第二训练集对用户产品偏好模型进行迭代训练，得到优化后模 型，并通过第二测试集对优化后的模型进行评价分析的，得到训练后的用户产 品偏好模型。
[0061]
本实施例步骤s100获取样本用户的移动客户基础数据和保险行业基础 数据为数据源，对数据源进行统计整理得到数据集合，并将该数据集合导入 大数据平台(例如，pass
平台)中。然后，从数据集合中筛选出数据特征构成 数据特征集合，即对数据集合进行降维处理。本实施例利用算法在初步筛选 的数据范围中进行数据特征选择，若数据量较小，可以利用sklearn中的 feature_selection，进行特征选择/降维，可提高精度和性能；若数据量较大， 则可以使用spark mllib，进行特征选择/降维；此外，也可以由专家结合相 关业务进行人工筛选以获得数据特征集合。
[0062]
数据特征集合所包括的移动客户基础数据如表1所示，数据特征集合所 包括的保险行业基础数据如表2所示。
[0063]
表1：
[0064][0065]
表2：
[0066][0067][0068]
步骤s200对样本数据特征集合(即表1和表2)中的数据进行预处理，对 无效数据、重复数据、失真、噪声数据进行删除处理，得到该样本用户的目 标特征数据集合。
[0069]
具体地，预处理包括通过遍历对不合理的数据或有缺失的数据组进行剔 除，对跨越不同数量级的字段数据进行分桶处理，对符合长尾分布的字段数 据进行缩放处理以及对数据进行规范化、离散化等数据变换等处理。
[0070]
步骤s300中对每种保险产品，构建并训练对应的用户投险意愿模型， 该用户投险意愿模型时采用lightgbm框架构建的，该模型以目标样本数据 特征为输入、以每个样本用户对所述保险产品的投险意愿概率为输出。
[0071]
在训练所述模型时，将所述目标样本数据集合划分为第一训练集和第一测 试集(本实施例中80％目标样本数据作为第一训练集，剩余20％作为第一测试 集)，使用leaf-wise算法，通过第一训练集利用决策树迭代训练以获得最优模 型，即用户投险意愿模型。具体地，可以通过逻辑回归模型对模型进行优化：
[0072]
cost(h/θ(x),y)＝-ylog(-h/θ(x))-(1-y)log(1-h/θ(x))
[0073]
其中，h/θ(x)为模型输出结果，y为真实结果。对数据进行迭代训练，当 模型输出结果与真实结果的差值满足预设阈值要求时，则输出此时的模型即 为用户投险意愿模型。
[0074]
具体地，为了维护模型的推荐准确率，会定期(比如，3-6个月)汇总 上游系统获得的移动客户基础数据和保险行业基础数据，并根据新获取的数 据重新对模型进行训练，调
整模型参数，以实时保证该模型的推荐准确率。
[0075]
对用户意愿投资模型进行优化后，需要评估模型。将第一测试集输入所述 得到的最优用户投资意愿模型，以对该最优模型进行评估，通过判断测试数 据集中满足该用户投险意愿模型的数据量是否大于预设数量阈值，若是，则 确定该用户投险意愿模型可用。
[0076]
用测试数据集上的误差作为最优模型在应对现实场景中的泛化误差。只 需将训练好的模型在测试数据集上计算误差，便可评估该模型的最终效果， 即可认为此误差即为泛化误差的近似，只需让训练好的该模型在测试集上的 误差最小即可。比如，测试数据集中95％以上的数据都满足该用户投险意愿 模型，即测试得到该模型的准确率较高，该模型可用。
[0077]
步骤s400为构建和训练用户产品偏好模型，该模型为采用多层感知机 模型，结合谷歌的嵌入层神经网络模块(embedding层)和注意力机制构建的 din模型，在训练所述模型时，将所述样本特征数据集合以及所有保险产品 的权重值构建数据集，并将数据集划分为第二训练集和第二测试集划(本实 施例中80％作为第二训练集，剩余20％作为第二测试集)，基于第二训练集， 通过如下计算公式对用户产品偏好模型进行优化：
[0078][0079]
其中，m为意愿用户数据的个数；h/θ(x)为用参数θ和x预测出来的y值， 即模型输出结果；y为真实结果；i为第i个意愿用户数据。
[0080]
如此对数据进行迭代训练，并对迭代训练得到的用户产品偏好模型进行 模型评估。将第二测试集输入所述得到的用户产品偏好模型，以对该最模型 进行评估，通过判断测试数据集中满足该用户投险意愿模型的数据量是否大 于预设数量阈值，若是，则确定该用户投险意愿模型可用。
[0081]
其中，对于每种保险产品，基于所有样本用户对该保险产品的投险意愿概 率计算该保险产品的权重值，例如，对于按意愿由强至弱排序的样本用户， 位于第一位的用户得分为10分，位于第二位的用户得分为9分，位于第三 位的用户得分为7分，以此类推，可知，用户李四的总得分为17分，则保 险产品a的权重为10/17，保险产品n的权重为7/17。
[0082]
上述步骤可得到训练后的用户产品偏好模型，通过该模型可得到每个样 本用户对各种保险产品的偏好概率。
[0083]
本实施例通过上述步骤，可构建并训练用户投险意愿模型和用户产品偏好 模型，对于每种保险产品，通过与其对应的用户投险意愿模型可预测各个待推 荐用户对其投险意愿概率，基于上述投险意愿概率，可计算该保险商品的权重 值，对于每个待推荐用户，通过与其对应的用户产品偏好模型可预测该推荐用 户对每种保险产品的偏好概率，从而可根据偏好概率有针对性的为待推荐用户 推荐保险产品。
[0084]
实施例2：
[0085]
本发明的保险产品推荐方法，包括如下步骤：
[0086]
s100、通过实施例1公开的保险产品推荐模型构建训练方法，构建并训 练用户投险意愿模型和用户产品偏好模型；
[0087]
s200、获取待推荐用户的移动客户基础以及保险行业基础数据构建建模 数据集合，并对建模数据集合进行降维处理，从建模数据集合中筛选出数据 特征构建数据特征集
合；
[0088]
s300、对数据特征集合进行预处理，将无效数据、重复数据、失真数据 以及噪声数据进行删除，得到目标数据特征集合；
[0089]
s400、对于每种保险产品，将目标数据特征集合输入对应的训练后的用 户投险意愿模型，得到每个待推荐用户对保险产品的投险意愿概率；
[0090]
s500、对于每种保险产品，基于每个待推荐用户的保险产品的投险意愿， 计算保险产品的权重值；
[0091]
s600、对于每个待推荐用户，将目标特征数据集合以及所有保险产品的权 重值输入训练后的用户产品偏好模型，得到待推荐用户的产品偏好概率，基于 偏好概率为待推荐用户推荐保险产品。
[0092]
本实施例步骤s200获取待推荐用户的移动客户基础数据和保险行业基 础数据为数据源，对数据源进行统计整理得到数据集合，并将该数据集合导 入大数据平台(例如，pass平台)中。然后，从数据集合中筛选出数据特征构 成数据特征集合，即对数据集合进行降维处理。本实施例利用算法在初步筛 选的数据范围中进行数据特征选择，若数据量较小，可以利用sklearn中的 feature_selection，进行特征选择/降维，可提高精度和性能；若数据量较大， 则可以使用spark mllib，进行特征选择/降维；此外，也可以由专家结合相 关业务进行人工筛选以获得数据特征集合。
[0093]
步骤s300对数据特征集合中的数据进行预处理，对无效数据、重复数据、 失真、噪声数据进行删除处理，得到该样本用户的目标特征数据集合。具体 地，预处理包括通过遍历对不合理的数据或有缺失的数据组进行剔除，对跨 越不同数量级的字段数据进行分桶处理，对符合长尾分布的字段数据进行缩 放处理以及对数据进行规范化、离散化等数据变换等处理。
[0094]
步骤s400得到每个待推荐用户对保险产品的投险意愿概率后，为了后 续的用户产品偏好评估，需要根据投险意愿概率计算保险产品的权重值， 例如，对于按意愿由强至弱排序的待推荐用户，位于第一位的用户得分为 10分，位于第二位的用户得分为9分，位于第三位的用户得分为7分，以 此类推，由表3可知，用户李四的总得分为17分，则保险产品a的权重为 10/17，保险产品n的权重为7/17。
[0095]
步骤s500将目标数据特征集合和各保险产品的权重值输入预先训练的 用户产品偏好模型中，获得该待推荐用户针对不同产品的偏好概率，从而可 根据上述偏好概率为待推荐用户有针对性的推荐保险产品。
[0096]
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明 不限于这些已揭示的实施例，基与所述多个实施例本领域技术人员可以知晓， 可以组合所述不同实施例中的代码审核手段得到本发明更多的实施例，这些实 施例也在本发明的保护范围之内。

技术特征：
1.保险产品推荐模型构建训练方法，其特征在于包括如下步骤：获取样本用户的移动客户基础数据和保险行业基础数据构建样本数据集合，并对样本数据集合进行降维处理，从样本数据集合中筛选出数据特征构建样本数据特征集合；对样本数据特征集合进行预处理，将无效数据、重复数据、失真数据以及噪声数据进行删除，得到目标样本数据特征集合；对于每种保险产品，基于lightgbm框架构建一个对应的用户投险意愿模型，所述用户投险意愿模型以目标样本数据特征为输入、以每个样本用户对所述保险产品的投险意愿概率为输出；将所述目标样本数据集合划分为第一训练集和第一测试集，使用leaf-wise算法，通过第一训练集利用决策树迭代训练以获得最优模型，并通过第一测试集对获得的最优用户投险意愿模型进行对比评价，得到训练后的用户投险意愿模型；对于每个样本用户，构建一个对应的用户产品偏好模型，所述用户产品偏好模型为基于多层感知机模型mlp、并结合embedding以及注意力机制构建的din模型，所述用户产品偏好模型以目标样本特征数据以及所有保险产品的权重值为输入、以所述样本用户对每种保险产品的偏好概率为输出；对于每种保险产品，基于所有样本用户对所述保险产品的投险意愿概率计算所述保险产品的权重值，基于样本特征数据集合以及所有保险产品的权重值构建数据集，并将所述数据集划分为第二训练集和第二测试集；基于所述第二训练集对所述用户产品偏好模型进行迭代训练，得到优化后模型，并通过第二测试集对所述优化后的模型进行评价分析的，得到训练后的用户产品偏好模型。2.根据权利要求1所述的保险产品推荐模型构建训练方法，其特征在于基于sklearn中的feature_selection进行特征选择/降维，或者，使用spark mllib进行特征选择/降维。3.根据权利要求1所述的保险产品推荐模型构建训练方法，其特征在于通过如下方法对样本数据特征集合进行预处理：通过遍历对不合理的数据或有缺失的数据组进行剔除，对跨越不同数量级的字段数据进行分箱处理，对符合长尾分布的字段数据进行缩放处理以及对数据进行规范化、离散化等数据变换。4.根据权利要求1-3任一项所述的保险产品推荐模型构建训练方法，其特征在于通过逻辑回归模型对用户投险意愿模型进行优化，计算公式为：cost(h/θ(x),y)＝-ylog(-h/θ(x))-(1-y)log(1-h/θ(x))其中，h/θ(x)为模型输出结果，y为真实结果。5.根据权利要求1-3任一项所述的保险产品推荐模型构建训练方法，其特征在于通过如下计算公式对用户产品偏好模型进行优化：其中，m为意愿用户数据的个数；h/θ(x)为用参数θ和x预测出来的y值，即模型输出结果；y为真实结果；i为第i个意愿用户数据。6.保险产品推荐方法，其特征在于包括如下步骤：
通过如权利要求1-5任一项所述的保险产品推荐模型构建训练方法，构建并训练用户投险意愿模型和用户产品偏好模型；获取待推荐用户的移动客户基础以及保险行业基础数据构建建模数据集合，并对建模数据集合进行降维处理，从建模数据集合中筛选出数据特征构建数据特征集合；对数据特征集合进行预处理，将无效数据、重复数据、失真数据以及噪声数据进行删除，得到目标数据特征集合；对于每种保险产品，将目标数据特征集合输入对应的训练后的用户投险意愿模型，得到每个待推荐用户对所述保险产品的投险意愿概率；对于每种保险产品，基于每个待推荐用户的所述保险产品的投险意愿，计算所述保险产品的权重值；对于每个待推荐用户，将目标特征数据集合以及所有保险产品的权重值输入训练后的用户产品偏好模型，得到所述待推荐用户的产品偏好概率，基于偏好概率为所述待推荐用户推荐保险产品。7.根据权利要求6所述的保险产品推荐方法，其特征在于基于sklearn中的feature_selection进行特征选择/降维，或者，使用spark mllib进行特征选择/降维。8.根据权利要求6所述的保险产品推荐模型构建训练方法，其特征在于通过如下方法对数据特征集合进行预处理：通过遍历对不合理的数据或有缺失的数据组进行剔除，对跨越不同数量级的字段数据进行分箱处理，对符合长尾分布的字段数据进行缩放处理以及对数据进行规范化、离散化等数据变换。9.根据权利要求6-8所述的保险产品推荐模型构建训练方法，其特征在于通过逻辑回归模型对用户投险意愿模型进行优化，计算公式为：cost(h/θ(x),y)＝-ylog(-h/θ(x))-(1-y)log(1-h/θ(x))其中，h/θ(x)为模型输出结果，y为真实结果。10.根据权利要求6-8任一项所述的保险产品推荐模型构建训练方法，其特征在于通过如下计算公式对用户产品偏好模型进行优化：其中，m为意愿用户数据的个数；h/θ(x)为用参数θ和x预测出来的y值，即模型输出结果；y为真实结果；i为第i个意愿用户数据。

技术总结
本发明公开了保险产品推荐模型构建训练方法、推荐方法，属于产品推荐技术，要解决的技术问题为如何更有针对性的向用户推荐保险产品。方法包括：获取待推荐用户的移动客户基础以及保险行业基础数据，筛选出数据特征构建数据特征集合；对数据特征集合进行预处理，得到目标数据特征集合；对于每种保险产品，将目标数据特征集合输入对应的训练后的用户投险意愿模型，得到每个待推荐用户对所述保险产品的投险意愿概率；对于每种保险产品，基于每个待推荐用户的所述保险产品的投险意愿，计算所述保险产品的权重值；对于每个待推荐用户，将目标特征数据集合以及所有保险产品的权重值输入训练后的用户产品偏好模型，得到所述待推荐用户的产品偏好概率。用户的产品偏好概率。用户的产品偏好概率。


技术研发人员：李尚锴 王凯 袁明明 倪健
受保护的技术使用者：浪潮通信信息系统有限公司
技术研发日：2021.10.18
技术公布日：2022/3/8