产品信息推送方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种产品信息推送方法、装置、设备及可读存储介质，所述方法包括：收集历史预设时间段内接收到的各客户的各客户信息；基于预设的流形学习算法模型对所述各客户信息进行降维处理，得到降维信息；将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果；获取预设的客户类型与不同产品信息的关联关系，根据所述关联关系与所述目标分类结果，向所述各客户定向推送对应的产品信息。本发明专利技术基于智能决策的方式解决由于难以精准筛选有用的客户信息，致使保险产品信息推送不精准的技术问题。

Product information push method, device, equipment and storage medium

【技术实现步骤摘要】
产品信息推送方法、装置、设备及存储介质
本专利技术涉及计算机
，尤其涉及一种产品信息推送方法、装置、设备及可读存储介质。
技术介绍
在大数据时代，客户的相关信息越来越多，维度高，复杂性高，现有技术中，使用原始数据分析方法即是通过手动方式获取有用的客户信息，现有的原始数据分析方法很难从大量的冗余数据中获取到有用的客户信息，浪费人力、物力、财力，且难以准确得到有用的客户信息，因而，也难以根据有用的客户信息进行精准推荐。
技术实现思路
本专利技术的主要目的在于提供一种产品信息推送方法、装置、设备及可读存储介质，旨在解决现有技术中，由于难以精准筛选有用的客户信息，致使保险产品信息推送不精准的技术问题。为实现上述目的，本专利技术提供一种产品信息推送方法，所述产品信息推送方法包括：收集历史预设时间段内接收到的各客户的各客户信息；从预设流形学习算法模型中获取每条客户信息的预设个数的近邻样本，并获取所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵；根据所述局部重建权值矩阵与所述样本信息确定所述客户信息的低维矩阵，以根据所述低维矩阵得到降维信息；将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果；获取预设的客户类型与不同产品信息的关联关系，根据所述关联关系与所述目标分类结果，向所述各客户定向推送对应的产品信息。可选地，所述从所述流形学习算法模型中获取每条客户信息的预设个数的近邻样本，并获取所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵步骤包括：根据预设的欧式距离算法，获取所述每条客户信息与所述流形学习算法模型中各个样本对应的样本信息的各个欧式距离；根据所述各个欧式距离的大小，获取每条客户信息的预设个数的近邻样本；根据预设的局部协方差算法，确定所述每条客户信息与所述各个样本信息的权重系数向量；根据所述权重系数向量、与预设的权重系数向量与局部重建权值矩阵的关联关系，确定所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵。可选地，所述从所述流形学习算法模型中获取每条客户信息的预设个数的近邻样本步骤之前包括：获取所述客户信息每个子维度的名称，根据所述每个子维度的名称确定所述客户信息维度整合的整合顺序，其中，所述整合顺序包括根据每个子维度的名称的首位字母在字母表中的先后顺序确定；根据所述整合顺序对所述客户信息进行维度整合，得到整合后的客户信息。可选地，所述将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果步骤之前包括：获取预设的用例以及所述降维信息的各个子维度；从所述降维信息进行不同次数的不同个数的子维度的随机选取，以进行不同决策树群集的构建，其中，所有决策树群集中每颗决策树的节点上子维度的决策影响度是随机的；其中，决策树群集生成过程为：从所有N个降维信息的子维度中选取n个子维度，n小于N，并随机确定所述n个子维度的决策影响度，基于该n个子维度以及n个子维度的决策影响度得到一颗决策树，其中，所有决策树群集中每颗决策树的节点上子维度的决策影响度是随机的，建立m棵决策树，这m棵决策树形成随机森林，网格搜索各个决策树数量，得到各个决策树群集；将所述用例中的预设比例的用例设为第一用例，所述第一用例外的其他用例设为第二用例；将所述第一用例作为训练用例进行所述不同决策树群集中决策影响度的调整训练，并将所述第二用例作为测试用例进行所述决策树群集的测试，以从所有决策树群集中选取测试误差小于预设误差值的最优的目标决策树群集，将所述目标决策树群集设置为预设的随机森林算法模型。可选地，所述将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果步骤包括：将所述降维信息输入至预设的随机森林算法模型中，获取预设的随机森林算法模型中不同决策树对所述降维信息的分类，得到不同初始目标分类结果；根据不同初始目标分类结果的分类占比，确定目标分类结果。本专利技术还提供一种产品信息推送装置，所述产品信息推送装置包括：收集模块，用于收集历史预设时间段内接收到的各客户的各客户信息；第一获取模块，用于从预设流形学习算法模型中获取每条客户信息的预设个数的近邻样本，并获取所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵；第二获取模块，用于根据所述局部重建权值矩阵与所述样本信息确定所述客户信息的低维矩阵，以根据所述低维矩阵得到降维信息；分类模块，用于将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果；第三获取模块，用于获取预设的客户类型与不同保险产品的关联关系，根据所述关联关系与所述目标分类结果，向所述各客户定向推荐保险产品。可选地，所述第一获取模块包括：第一获取单元，用于根据预设的欧式距离算法，获取所述每条客户信息与所述流形学习算法模型中各个样本对应的样本信息的各个欧式距离；第二获取单元，用于根据所述各个欧式距离的大小，获取每条客户信息的预设个数的近邻样本；第一确定单元，用于根据预设的局部协方差算法，确定所述每条客户信息与所述各个样本信息的权重系数向量；第二确定单元，用于根据所述权重系数向量、与预设的权重系数向量与局部重建权值矩阵的关联关系，确定所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵。可选地所述产品信息推送装置包括：第四获取模块，用于获取所述客户信息每个子维度的名称，根据所述每个子维度的名称确定所述客户信息维度整合的整合顺序，其中，所述整合顺序包括根据每个子维度的名称的首位字母在字母表中的先后顺序确定；整合模块，用于根据所述整合顺序对所述客户信息进行维度整合，得到整合后的客户信息。可选地，所述产品信息推送装置包括：第五获取模块，用于获取预设的用例以及所述降维信息的各个子维度；随机选取模块，用于从所述降维信息进行不同次数的不同个数的子维度的随机选取，以进行不同决策树群集的构建，其中，所有决策树群集中每颗决策树的节点上子维度的决策影响度是随机的；其中，决策树群集生成过程为：从所有N个降维信息的子维度中选取n个子维度，n小于N，并随机确定所述n个子维度的决策影响度，基于该n个子维度以及n个子维度的决策影响度得到一颗决策树，其中，所有决策树群集中每颗决策树的节点上子维度的决策影响度是随机的，建立m棵决策树，这m棵决策树形成随机森林，网格搜索各个决策树数量，得到各个决策树群集；设置模块，用于将所述用例中的预设比例的用例设为第一用例，所述第一用例外的其他用例设为第二用例；调整训练模块，用于将所述第一用例作为训练用例进行所述不同决策树群集中决策影响度的调整训练，并将所述第二用例作为测试用例进行所述决策树群集的测试，以从所有决策树群集中选取测试误差小于预设误差值的最优的目标决策树本文档来自技高网...

【技术保护点】
1.一种产品信息推送方法，其特征在于，所述产品信息推送方法包括：/n收集历史预设时间段内接收到的各客户的各客户信息；/n从预设流形学习算法模型中获取每条客户信息的预设个数的近邻样本，并获取所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵；/n根据所述局部重建权值矩阵与所述样本信息确定所述客户信息的低维矩阵，以根据所述低维矩阵得到降维信息；/n将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果；/n获取预设的客户类型与不同产品信息的关联关系，根据所述关联关系与所述目标分类结果，向所述各客户定向推送对应的产品信息。/n

【技术特征摘要】
1.一种产品信息推送方法，其特征在于，所述产品信息推送方法包括：
收集历史预设时间段内接收到的各客户的各客户信息；
从预设流形学习算法模型中获取每条客户信息的预设个数的近邻样本，并获取所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵；
根据所述局部重建权值矩阵与所述样本信息确定所述客户信息的低维矩阵，以根据所述低维矩阵得到降维信息；
将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果；
获取预设的客户类型与不同产品信息的关联关系，根据所述关联关系与所述目标分类结果，向所述各客户定向推送对应的产品信息。


2.如权利要求1所述的产品信息推送方法，其特征在于，所述从所述流形学习算法模型中获取每条客户信息的预设个数的近邻样本，并获取所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵步骤包括：
根据预设的欧式距离算法，获取所述每条客户信息与所述流形学习算法模型中各个样本对应的样本信息的各个欧式距离；
根据所述各个欧式距离的大小，获取每条客户信息的预设个数的近邻样本；
根据预设的局部协方差算法，确定所述每条客户信息与所述各个样本信息的权重系数向量；
根据所述权重系数向量、与预设的权重系数向量与局部重建权值矩阵的关联关系，确定所述近邻样本对应的样本信息与所述每条客户信息的局部重建权值矩阵。


3.如权利要求1所述的产品信息推送方法，其特征在于，所述从所述流形学习算法模型中获取每条客户信息的预设个数的近邻样本步骤之前包括：
获取所述客户信息每个子维度的名称，根据所述每个子维度的名称确定所述客户信息维度整合的整合顺序，其中，所述整合顺序包括根据每个子维度的名称的首位字母在字母表中的先后顺序确定；
根据所述整合顺序对所述客户信息进行维度整合，得到整合后的客户信息。


4.如权利要求1所述的产品信息推送方法，其特征在于，所述将所述降维信息输入至预设的随机森林算法模型中，以对所述各客户进行分类，并得到目标分类结果步骤之前包括：
获取预设的用例以及所述降维信息的各个子维度；
从所述降维信息进行不同次数的不同个数的子维度的随机选取，以进行不同决策树群集的构建，其中，所有决策树群集中每颗决策树的节点上子维度的决策影响度是随机的；
其中，决策树群集生成过程为：从所有N个降维信息的子维度中选取n个子维度，n小于N，并随机确定所述n个子维度的决策影响度，基于该n个子维度以及n个子维度的决策影响度得到一颗决策树，其中，所有决策树群集中每颗决策树的节点上子维度的决策影响度是随机的，建立m棵决策树，这m棵决策树形成随机森林，网格搜索各个决策树数量，得到各个决策树群集；
将所述用例中的预设比例的用例设为第一用例，所述第一用例外的其他用例设为第二用例；
将所述第一用例作为训练用例进行所述不同决策树群集中决策影响度的调整训练，并将所述第二用例作为测试用例进行所述决策树群集的测试，以从所有决策树群集中选取测试误差小于预设误差值...

【专利技术属性】
技术研发人员：肖爽，
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：广东;44