买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：平安科技(深圳)有限公司

摘要：本申请提供一种基于机器学习的推荐保险产品的方法、装置及存储介质，所述方法包括：获取训练样本集合，所述训练样本集合至少包括保险产品特征和购买人群特征；根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征；根据所述自编码模型获取保险产品的第一隐含特征向量；向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。通过采用本方案，能够优化特征提取和提高推荐精度。

主权项：1.一种基于机器学习的推荐保险产品的方法，其特征在于，所述方法包括：获取训练样本集合，所述训练样本集合至少包括保险产品特征和购买人群特征；根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征；根据所述自编码模型获取保险产品的第一隐含特征向量；向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品；所述根据用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品，包括：获取所述用户的保险产品的购买记录和或所述用户的偏好产品；通过所述自编码模型将所述购买记录和或所述偏好产品映射到向量空间，得到第二隐含特征向量；将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；若在所述向量空间匹配到与所述第二隐含特征向量的相似度高于预设阈值的真实保险产品，则将所述真实保险产品作为所述目标保险产品。

全文数据：基于机器学习的推荐保险产品的方法及相关设备技术领域本申请涉及神经网络技术领域，尤其涉及一种基于机器的推荐保险产品的方法及相关设备。背景技术现在用户的保险意识越来越强，更多的用户开始购买保险。市场上的保险种类繁多，用户需要花较长时间从这些保险产品中选择一个适合自身的保险。由于用户对保险产品缺乏了解且对自身定位不清楚，即使用户花很长时间也不一定能够找到真正适合自身的保险产品。目前采用保险产品推荐系统为用户推荐各项保险产品，虽然具备一定的导向性且减少用户的查询时间，但是，保险产品推荐系统只能基于同类用户的购买历史记录来进行推荐，推荐的粒度较粗。发明内容本申请提供了一种基于机器学习的推荐保险产品的方法、装置及存储介质，能够解决现有技术中保险产品推荐系统只能基于同类用户的购买历史记录来进行推荐，推荐的粒度较粗的问题。第一方面，本申请提供一种推荐保险产品的方法，其特征在于，所述方法包括：获取训练样本集合，所述训练样本集合至少包括保险产品特征和购买人群特征；根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征；根据所述自编码模型获取保险产品的第一隐含特征向量；向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。在一些可能的设计中，所述根据自编码模型获取保险产品的第一隐含特征向量，包括：对所述自编码模型进行学习，对输入所述自编码模型的因子体系进行降维；从所述保险产品特征和或所述购买人群特征中获取隐含的特定特征；将所述隐含的特定特征映射到向量空间，得到所述第一隐含特征向量。在一些可能的设计中，所述根据用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品，包括：获取所述用户的保险产品的购买记录和或所述用户的偏好产品；通过所述自编码模型将所述购买记录和或所述偏好产品映射到向量空间，得到第二隐含特征向量；将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；若在所述向量空间匹配到与所述第二隐含特征向量的相似度高于预设阈值的真实保险产品，则将所述真实保险产品作为所述目标保险产品。在一些可能的设计中，所述将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配，包括：通过向量空间的余弦相似度匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的夹角；将夹角大于预设夹角的真实保险产品作为所述目标保险产品。在一些可能的设计中，所述将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配，包括：通过向量空间的欧式距离匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的距离；将距离大于预设距离的真实保险产品作为所述目标保险产品。在一些可能的设计中，所述特定特征是指输入所述自编码结构中的保险产品特征和购买人群特征中的相关性。在一些可能的设计中，所述因子体系包括保险产品的价格、保险产品的赔付金额、保险产品购买人群的年龄和保险产品的销量。第二方面，本申请提供一种用于推荐保险产品的装置，具有实现对应于上述第一方面提供的推荐保险产品的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和或硬件。在一些可能的设计中，所述装置包括：输入输出模块，用于获取训练样本集合，所述训练样本集合至少包括保险产品特征和购买人群特征；处理模块，用于根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征；根据所述自编码模型获取保险产品的第一隐含特征向量；通过所述输入输出模块向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。在一些可能的设计中，所述处理模块具体用于：对所述自编码模型进行学习，对输入所述自编码模型的因子体系进行降维；通过所述输入输出模块从所述保险产品特征和或所述购买人群特征中获取隐含的特定特征；将所述隐含的特定特征映射到向量空间，得到所述第一隐含特征向量。在一些可能的设计中，所述处理模块具体用于：通过所述输入输出模块获取所述用户的保险产品的购买记录和或所述用户的偏好产品；通过所述自编码模型将所述购买记录和或所述偏好产品映射到向量空间，得到第二隐含特征向量；将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；若在所述向量空间匹配到与所述第二隐含特征向量的相似度高于预设阈值的真实保险产品，则将所述真实保险产品作为所述目标保险产品。在一些可能的设计中，所述处理模块具体用于：通过向量空间的余弦相似度匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的夹角；将夹角大于预设夹角的真实保险产品作为所述目标保险产品。在一些可能的设计中，所述处理模块具体用于：通过向量空间的欧式距离匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的距离；将距离大于预设距离的真实保险产品作为所述目标保险产品。在一些可能的设计中，所述特定特征是指输入所述自编码结构中的保险产品特征和购买人群特征中的相关性。在一些可能的设计中，所述因子体系包括保险产品的价格、保险产品的赔付金额、保险产品购买人群的年龄和保险产品的销量。本申请又一方面提供了一种用于推荐保险产品的设备，其包括至少一个连接的处理器、存储器和输入输出单元，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述各方面所述的方法。本申请又一方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。本申请又一方面提供了一种计算机可读存储介质，其包含指令，当其在计算机上运行时，使得计算机执行上述第一方面中所述的方法。相较于现有技术，本申请提供的方案中，根据训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，根据所述自编码模型获取保险产品的第一隐含特征向量；向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。通过采用本方案，能够优化特征提取和提高推荐精度。附图说明图1为本申请实施例中基于机器学习的推荐保险产品的方法的一种流程示意图；图2为本申请实施例中自编码结构的一种结构示意图；图3为本申请实施例中用于推荐保险产品的装置的一种结构示意图；图4为本申请实施例中用于推荐保险产品的装置的一种结构示意图。本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。本申请提供一种基于机器学习的推荐保险产品的方法、装置及存储介质，能够用于保险产品的推荐。为解决上述技术问题，本申请主要提供以下技术方案：根据保险产品特征和购买人群统计特征建立因子体系并输入神经网络自编码结构，进行非监督学习，获取保险产品的隐含特征向量。模型建立完毕后，即可通过用户偏好以及产品购买记录，为其推荐最近似的保险产品。通过神经网络自编码结构，学习保险产品隐含特征向量并将其用于保险推荐系统，能够优化特征提取和提高推荐精度。参照图1，以下对本申请提供一种推荐保险产品的方法进行举例说明，该方法由用于推荐保险产品的装置执行，该装置可以是安装在终端上的交互式应用或客户端，也可以是安装了交互式应用或客户端的终端。所述方法包括：101、获取训练样本集合。其中，所述训练样本集合至少包括保险产品特征和购买人群特征。所述训练样本集合可从历史保单签约信息、浏览保险产品的页面的用户行为数据中提取，本申请不对获取训练样本集合的获取渠道和提取方式作限定。102、根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构。其中，因子体系是指构建自编码结构所用的特征体系，因子体系包括产品特征例如保险产品的价格、保险产品的赔付金额等，以及产品购买人群的统计特征例如保险产品购买人群的年龄和保险产品的销量等；自编码结构是指深度学习与神经网络中的自编码器，也可以成为自编码模型。神经网络是连接在一起的多个神经元，一个神经元的输出可作为另一神经元的输入。103、根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型。其中，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征。所述训练样本集合中的所含值较少的离散特征，例如，离散型特征代表保险产品类型，该离散型特征共有三个取值不使用one-hot编码时，离散型特征的三个取值分别表示为：x1＝1,x2＝2,x3＝3x1＝1,x2＝2,x3＝3。由于在机器学习算法中，特征之间距离的计算或相似度的计算非常重要，因此，在建立因子体系之前，先将训练样本集合中的所含值较少的离散特征进行one-hot编码，将所含值较多的离散特征进行抽象化后，对离散特征进行one-hot转化。离散特征处理完毕后，便可与连续特征一同输入至自编码结构。具体来说，使用one-hot编码将训练样本集合中的离散特征的取值映射到欧式空间，离散特征的某个取值对应欧式空间的某个点。这样就可以基于欧式空间计算余弦相似性。将离散型特征使用one-hot编码后，会让特征之间的距离计算更加合理。以离散型特征的三个取值分别表示为：x1＝1,x2＝2,x3＝3x1＝1,x2＝2,x3＝3为例，两个保险产品之间的距离是，x1,x2＝1,dx2,x3＝1,dx1,x3＝2x1,x2＝1,dx2,x3＝1,dx1,x3＝2。那么x1x1和x3x3工作之间就越不相似吗？显然这样的表示，计算出来的特征的距离是不合理。那如果使用one-hot编码，则得到x1＝1,0,0,x2＝0,1,0,x3＝0,0,1x1＝1,0,0,x2＝0,1,0,x3＝0,0,1，那么两个保险产品之间的距离就都是sqrt2，即每两个保险产品之间的距离是一样的，显得更合理。可见，对所述训练样本集合中的离散特征进行one-hot编码后，编码后的每一维度的特征都可以看做是连续的特征。就可以跟对连续型特征的归一化方法一样，对每一维特征进行归一化。比如归一化到[-1,1]或归一化到均值为0,方差为1。自编码结构是编码与解码的过程，如图2所示的一种自编码结构示意图。自编码结构的两端为输入输出，中间为隐含特征。自编码结构通过将输入进行编码得到隐含特征，并通过解码将隐含特征还原。因此，自编码结构训练目标，是使得输入与输出差异最小化，即能够保证中间特征保留了原始输入的大量信息。自编码结构的构建通过tensorflow构建，模型通过特征输入，得到中间隐层特征，即隐含特征。104、根据所述自编码模型获取保险产品的第一隐含特征向量。其中，所述第一隐含特征向量用于所述自编码模型学习。一些实施方式中，所述根据自编码模型获取保险产品的第一隐含特征向量，包括：对所述自编码模型进行学习，对输入所述自编码模型的因子体系进行降维；从所述保险产品特征和或所述购买人群特征中获取隐含的特定特征；将所述隐含的特定特征映射到向量空间，得到所述第一隐含特征向量。自编码模型构建完毕后，自编码模型能够将所有保险产品转换为隐含特征向量。因此，用户生成购买记录后，即可通过隐含特征向量匹配相类似的保险产品。其中，所述特定特征是指输入所述自编码结构中的保险产品特征和购买人群特征中的相关性。可以理解的是，本申请中，在得到自编码模型后，会通过服务端和客户端之间的交互，在客户端设置一个推荐入口，该推荐入口用于用户通过终端设备访问本申请的服务端。105、向所述自编码模型输入用户行为特征。其中，输入的用户行为特征是在前述得到自编码模型后的输入，该用户行为特征是针对用户个体测试而言，用户可以通过手机、电脑等终端设备输访问本申请的的推荐入口。本申请的装置在后台收到来自终端设备上传的用户行为特征后，即可进入步骤106。106、根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。在一些实施方式中，所述根据用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品，包括：获取所述用户的保险产品的购买记录和或所述用户的偏好产品；通过所述自编码模型将所述购买记录和或所述偏好产品映射到向量空间，得到第二隐含特征向量；将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；若在所述向量空间匹配到与所述第二隐含特征向量的相似度高于预设阈值的真实保险产品，则将所述真实保险产品作为所述目标保险产品。由于自编码模型的输入因子中存在购买人群特征，因此在此将部分购买人群特征替换为上述用户行为特征即可。替换完毕后，根据用户行为特征和自编码模型即可输出所述第二隐含特征向量，即使第二隐含特征向量可能未对应一件真实的保险产品，依然可以去向量空间匹配到与该第二隐含特征向量相似度较高例如相似度高于预设阈值的真实保险产品，然后向用户推荐该真实保险产品。与现有机制相比，本申请实施例中，根据训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，根据所述自编码模型获取保险产品的第一隐含特征向量；向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。通过采用本方案，能够优化特征提取和提高推荐精度。通过隐含特征向量匹配相类似的保险产品的匹配方法主要包括向量空间的欧式距离匹配和余弦相似度匹配。其中，欧氏距离是指n维空间中两个点之间的实际距离。余弦相似度是利用两个向量之间的夹角的余弦值来衡量两个向量之间的余弦相似度，两个向量越相似夹角越小，余弦值越接近1。下面分别进行介绍：在本申请的一些实施例中，所述将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配，包括：1通过向量空间的余弦相似度匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配。2计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的夹角。3将夹角大于预设夹角的真实保险产品作为所述目标保险产品。例如，采用余弦相似度匹配时，利用余弦相似度计算两个向量之间的夹角的余弦值，用该余弦值来衡量这两个向量之间的余弦相似度，两个向量之间的夹角越小则表示这两个向量的相似度越强，即余弦值越接近1，那么越能匹配到与第二隐含特征向量相类似的保险产品。在本申请的另一些实施例中，所述将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配，包括：a通过向量空间的欧式距离匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配。b计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的距离。c将距离大于预设距离的真实保险产品作为所述目标保险产品。例如，采用向量空间的欧式距离匹配时，利用欧氏距离计算图像的相似度，欧式距离越小则相似度越大，那么越能匹配到与第二隐含特征向量相类似的保险产品。上述图1所对应的实施例中提及的各项技术特征也同样适用于本申请中的图3和图4所对应的实施例，后续类似之处不再赘述。以上对本申请中一种基于机器学习的推荐保险产品的方法进行说明，以下对执行上述基于机器学习的推荐保险产品的方法进行描述。如图3所示的一种用于推荐保险产品的装置30的结构示意图，其可应用于保险产品的推荐。本申请实施例中的用于推荐保险产品的装置的一种结构能够实现对应于上述图1所对应的实施例中所执行的基于机器学习的推荐保险产品的方法的步骤。用于推荐保险产品的装置30实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和或硬件。所述用于推荐保险产品的装置可包括获取模块301和处理模块302，所述处理模块302和获取模块301的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。处理模块可用于控制所述获取模块301的收发操作。一些实施方式中，所述输入输出模块301可用于获取训练样本集合，所述训练样本集合至少包括保险产品特征和购买人群特征；所述处理模块302可用于根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征；根据所述自编码模型获取保险产品的第一隐含特征向量；通过所述输入输出模块301向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。本申请实施例中，处理模块302根据输入输出模块301获取的训练样本集合建立因子体系，输入输出模块301将所述因子体系输入自编码结构；处理模块302根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，根据所述自编码模型获取保险产品的第一隐含特征向量；输入输出模块301向所述自编码模型输入用户行为特征；处理模块301根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。通过采用本方案，能够优化特征提取和提高推荐精度。在一些可能的设计中，所述处理模块302具体用于：对所述自编码模型进行学习，对输入所述自编码模型的因子体系进行降维；通过所述输入输出模块301从所述保险产品特征和或所述购买人群特征中获取隐含的特定特征；将所述隐含的特定特征映射到向量空间，得到所述第一隐含特征向量。在一些可能的设计中，所述处理模块302具体用于：通过所述输入输出模块301获取所述用户的保险产品的购买记录和或所述用户的偏好产品；通过所述自编码模型将所述购买记录和或所述偏好产品映射到向量空间，得到第二隐含特征向量；将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；若在所述向量空间匹配到与所述第二隐含特征向量的相似度高于预设阈值的真实保险产品，则将所述真实保险产品作为所述目标保险产品。在一些可能的设计中，所述处理模块302具体用于：通过向量空间的余弦相似度匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的夹角；将夹角大于预设夹角的真实保险产品作为所述目标保险产品。在一些可能的设计中，所述处理模块302具体用于：通过向量空间的欧式距离匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的距离；将距离大于预设距离的真实保险产品作为所述目标保险产品。在一些可能的设计中，所述特定特征是指输入所述自编码结构中的保险产品特征和购买人群特征中的相关性。在一些可能的设计中，所述因子体系包括保险产品的价格、保险产品的赔付金额、保险产品购买人群的年龄和保险产品的销量。上面从模块化功能实体的角度分别介绍了本申请实施例中的用于推荐保险产品的装置，以下从硬件角度介绍一种用于推荐保险产品的装置，如图4所示，其包括：处理器、存储器和输入输出单元以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如，该计算机程序可以为图1所对应的实施例中基于机器学习的推荐保险产品的方法对应的程序。例如，当用于推荐保险产品的装置实现如图3所示的用于推荐保险产品的装置30的功能时，所述处理器执行所述计算机程序时实现上述图3所对应的实施例中由用于推荐保险产品的装置装置30执行的基于机器学习的推荐保险产品的方法中的各步骤；或者，所述处理器执行所述计算机程序时实现上述图3所对应的实施例的用于推荐保险产品的装置30中各模块的功能。又例如，该计算机程序可以为图1所对应的实施例中基于机器学习的推荐保险产品的方法对应的程序。所称处理器可以是中央处理单元CentralProcessingUnit，CPU，还可以是其他通用处理器、数字信号处理器DigitalSignalProcessor，DSP、专用集成电路ApplicationSpecificIntegratedCircuit，ASIC、现成可编程门阵列Field-ProgrammableGateArray，FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。所述存储器可用于存储所述计算机程序和或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序比如声音播放功能、图像播放功能等等；存储数据区可存储根据手机的使用所创建的数据比如音频数据、视频数据等等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡SmartMediaCard,SMC，安全数字SecureDigital,SD卡，闪存卡FlashCard、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。所述收发器也可以用接收器和发送器代替，可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为收发器。所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。该收发器可以为输入输出单元。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质如ROMRAM中，包括若干指令用以使得一台终端可以是手机，计算机，服务器或者网络设备等执行本申请各个实施例所述的方法。上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。

权利要求：1.一种基于机器学习的推荐保险产品的方法，其特征在于，所述方法包括：获取训练样本集合，所述训练样本集合至少包括保险产品特征和购买人群特征；根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征；根据所述自编码模型获取保险产品的第一隐含特征向量；向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。2.根据权利要求1所述的方法，其特征在于，所述根据自编码模型获取保险产品的第一隐含特征向量，包括：对输入所述自编码模型的因子体系进行降维；从所述保险产品特征和或所述购买人群特征中获取隐含的特定特征；将所述隐含的特定特征映射到向量空间，得到所述第一隐含特征向量。3.根据权利要求1或2所述的方法，其特征在于，所述根据用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品，包括：获取所述用户的保险产品的购买记录和或所述用户的偏好产品；通过所述自编码模型将所述购买记录和或所述偏好产品映射到向量空间，得到第二隐含特征向量；将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；若在所述向量空间匹配到与所述第二隐含特征向量的相似度高于预设阈值的真实保险产品，则将所述真实保险产品作为所述目标保险产品。4.根据权利要求3所述的方法，其特征在于，所述将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配，包括：通过向量空间的余弦相似度匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的夹角；将夹角大于预设夹角的真实保险产品作为所述目标保险产品。5.根据权利要求3所述的方法，其特征在于，所述将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配，包括：通过向量空间的欧式距离匹配方式，将各保险产品的第一隐含特征向量分别与所述第二隐含特征向量进行匹配；计算各保险产品的第一隐含特征向量分别与所述第二隐含特征向量的距离；将距离大于预设距离的真实保险产品作为所述目标保险产品。6.根据权利要求2所述的方法，其特征在于，所述特定特征是指输入所述自编码结构中的保险产品特征和购买人群特征中的相关性。7.根据权利要求1或2所述的方法，其特征在于，所述因子体系包括保险产品的价格、保险产品的赔付金额、保险产品购买人群的年龄和保险产品的销量。8.一种用于推荐保险产品的装置，其特征在于，所述装置包括：输入输出模块，用于获取训练样本集合，所述训练样本集合至少包括保险产品特征和购买人群特征；处理模块，用于根据所述训练样本集合建立因子体系，将所述因子体系输入自编码结构；根据所述保险产品特征和所述购买人群特征，对所述自编码结构进行训练，得到自编码模型，所述自编码模型用于提取保险产品的隐含特征向量以及输出保险产品的隐含特征；根据所述自编码模型获取保险产品的第一隐含特征向量；通过所述输入输出模块向所述自编码模型输入用户行为特征；根据所述用户行为特征和所述自编码模型，匹配出与所述用户行为特征匹配的目标保险产品。9.一种用于推荐保险产品的设备，其特征在于，所述设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1-7中任一项所述的方法。10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。

百度查询： 平安科技(深圳)有限公司 基于机器学习的推荐保险产品的方法及相关设备