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：中国人寿保险股份有限公司

摘要：一种在用户冷启动场景下的险种推荐方法及相关设备。本说明书一个或多个实施例提供一种在用户冷启动场景下的险种推荐方法，包括：获取目标用户的注册信息；根据所述注册信息，通过预先构建的用户集合确定模型，确定所述目标用户对应的用户集合；在所述用户集合中，通过预先构建的相似用户确定模型，确定所述目标用户的相似用户；根据所述相似用户选择的险种，确定所述目标用户的推荐险种。本发明通过初步确定用户集合，在用户集合中确定相似用户的方式，提高了险种推荐的准确性，提高了险种推荐的覆盖率，降低了资源消耗。

主权项：1.一种在用户冷启动场景下的险种推荐方法，其特征在于，包括：获取目标用户的注册信息；根据所述注册信息，通过预先构建的用户集合确定模型，确定所述目标用户对应的用户集合；在所述用户集合中，通过预先构建的相似用户确定模型，确定所述目标用户的相似用户；其中，所述预先构建的相似用户确定模型的构建过程包括：构建包括若干第二样本的第二样本集；其中所述第二样本包括：第二样本数据和第二标签数据；所述第二样本数据包括历史用户的注册信息、险种选择信息和所述历史用户对应的用户集合；所述第二标签数据包括所述历史用户的相似用户；根据所述第二样本集，通过预定的第二机器学习算法，构建并训练得到所述相似用户确定模型，包括：将所述用户集合中的历史用户的注册信息的特征分为离散型特征和连续型特征，其中，所述连续型特征不可数，离散型特征可数；利用汉明距离N_unequalx,y计算所述离散型特征的相似度和利用曼哈顿距离sum|x-y|计算所述连续型特征的相似度，则计算用户相似度的公式为：N_unequalx,y*KL+sum|x-y|*KX；其中，KL为离散型特征权重向量，KX为连续型特征权重向量；构造目标函数P=FKL,KX；其中，P为推荐准确率；利用Tree-structuredParzenEstimator算法，迭代计算得到所述目标函数P=FKL,KX的最优解kl和kx，使得P的值最大；将所述最优解kl和kx带入N_unequalx,y*KL+sum|x-y|*KX，构建所述相似用户确定模型；所述构造目标函数P=FKL,KX，包括：初始化KL和KX，根据所述计算用户相似度的公式N_unequalx,y*KL+sum|x-y|*KX，确定所述历史用户的相似用户；根据所述历史用户的相似用户选择的险种，确定所述历史用户的推荐险种；计算所述历史用户的推荐险种命中所述历史用户的选择险种的次数，作为命中数；根据所述命中数和推荐次数，得到推荐准确率P；所述利用Tree-structuredParzenEstimator算法，迭代计算得到所述目标函数P=FKL,KX的最优解kl和kx，使得P的值最大，包括：初始化权重向量（KL,KX）为K0；将K0带入所述目标函数P=FKL,KX，得到P值P0，利用K0,P0表示第一次获得向量；将所述第一次获得向量{K0,P0}带入Tree-structuredParzenEstimator算法，得到权重向量K1；将K1带入所述目标函数P=FKL,KX，得到P值P1，利用K1,P1表示第二次获得向量；将所述第一次获得向量和第二次获得向量{K0,P0,K1,P1}带入Tree-structuredParzenEstimator算法，得到权重向量K2；将K2带入所述目标函数P=FKL,KX，得到P值P2，利用K2,P2表示第三次获得向量；按照预设的次数迭代计算，将最大的P值对应的kl和kx作为所述目标函数P=FKL,KX的最优解；根据所述相似用户选择的险种，确定所述目标用户的推荐险种。

全文数据：

权利要求：

百度查询： 中国人寿保险股份有限公司 一种在用户冷启动场景下的险种推荐方法及相关设备