【技术实现步骤摘要】
本专利技术涉及保险推荐技术，尤其涉及一种基于人工智能的人寿保险推荐方法及系统。
技术介绍
1、现有技术中，cn114997918a公开了一种基于人工智能的保险产品推荐方法、装置、设备及介质，其中方法包括：获取养老保险试算端发送的目标用户信息集；根据所述目标用户信息集和预设的每个保险产品标识对应的保险产品推荐概率模型进行单产品推荐概率计算，其中，所述保险产品推荐概率模型是采用基于所述养老保险试算端得到的样本集训练得到的模型；对各个所述单产品推荐概率进行倒序排序；采用从头开始提取的方式，从排序后的各个所述单产品推荐概率中提取预设数量的所述单产品推荐概率，作为命中推荐概率集；将所述命中推荐概率集对应的各个所述保险产品标识作为保险产品推荐结果。
2、综上，现有技术虽然能够根据用户信息为用户推荐保险产品，但无法准确的识别用户的投保目的和对不同产品的接受概率，因此需要一种方案解决现有技术中存在的问题。
技术实现思路
1、本专利技术实施例提供一种基于人工智能的人寿保险推荐方法及系统，至少能够解决现有技术中部分问题。
2、本专利技术实施例的第一方面，提供一种基于人工智能的人寿保险推荐方法，包括：
3、获取目标对象的个人信息和历史投保信息，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面
4、获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级；
5、确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象。
6、在一种可选的实施方式中，
7、通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别包括：
8、分别将所述个人信息特征和所述历史投保特征映射至对应的决策树，每个个人信息特征或者每个历史投保特征都作为决策树的节点，随机选定一个树节点当做当前节点，并且确定当前节点对应的树深度以及节点增益；
9、若所述树深度小于预设深度阈值，则将当前节点的节点增益以及与所述当前节点相邻的左、右节点的节点增益进行加权求和，并将加权求和结果作为所述当前节点的特征重要值并进行排序，将所述特征重要值排序在前20％对应的个人信息特征和所述历史投保特征，通过所述用户画像模型的核函数映射至高维空间确定线性决策边界；
10、分别确定所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离，并且引入拉格朗日乘子，以使所述个人信息特征和所述历史投保特征与所述超平面的距离间隔最大化，以此确定所述目标对象的用户画像类别。
11、在一种可选的实施方式中，
12、所述方法还包括确定所述用户画像模型中的超平面：
13、所述用户画像模型中的超平面基于平面权重向量和平面偏置项构建；
14、初始化所述超平面对应的平面权重向量、所述平面权重向量对应的权重动量以及初始化所述超平面对应的平面偏置项、所述平面偏置项对应的偏置动量；
15、根据所述用户画像模型的损失函数，分别确定所述平面权重向量对应的权重梯度和所述平面偏置项对应的偏置梯度，根据预设的学习率和动量系数，迭代更新所述平面权重向量和所述平面偏置项，直至达到预定的迭代次数。
16、在一种可选的实施方式中，
17、迭代更新所述平面权重向量如下公式所示：
18、
19、迭代更新所述平面偏置项如下公式所示：
20、
21、其中，
22、
23、wn、wn-1分别表示第n次迭代和第n-1次迭代的平面权重向量，n表示迭代次数，α、β分别表示学习率和动量系数，vw表示权重动量；
24、bn、bn-1分别表示第n次迭代和第n-1次迭代的平面偏置项，vb表示偏置动量；
25、l表示损失函数的损失值，λ表示正则化参数，‖w‖2表示权重向量的l2范数，i表示样本数量，yi表示第i个样本的类别标签，xi表示第i个样本，w、b分别表示平面权重向量和平面偏置项。
26、在一种可选的实施方式中，
27、获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级之前，所述方法还包括训练所述健康风险评估模型：
28、按照如下公式所示的方法确定待训练的健康风险评估模型的各层神经元对应的权重值：
29、
30、qh表示神经元对应的权重值，m、k分别表示神经元数量和迭代次数，l表示预测值与预设目标值的损失值，lossit表示第i个神经元在第t次迭代的误差函数值，表示第i个神经元在第t次迭代的预测值，whi、wki分别表示输入层传递到隐藏层的值，以及隐藏层传递到输出层的值；
31、迭代调整各层神经元对应的权重值，直至输出的等级与预先标定的等级偏差小于预设偏差阈值。
32、在一种可选的实施方式中，
33、确定与所述健康风险评估等级相匹配的候选保险产品列表，进一步确定所述候选保险产品列表中的候选保险产品与所述用户画像类别的匹配度，将匹配度最高的候选保险产品推荐至所述目标对象包括：
34、基于所述健康风险评估等级对应的保额范围，确定与所述健康风险评估等级相匹配的候选保险产品列表；
35、基于所述用户画像类别，确定所述目标对象的保险预算范围以及风险偏好系数，并确定所述保险预算范围对应的保险预算权重以及风险偏好权重，取所述保险预算范围的平均值，结合所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确定保费得分；
36、基于所述用户画像类别，评估所述用户画像类别对应的保额需求值，根据所述候选保险产品的实际保额值，结合所述目标对象的保险预算范围、所述风险偏好系数、所述保险预算权重以及所述风险偏好权重确本文档来自技高网...
【技术保护点】
1.一种基于人工智能的人寿保险推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括确定所述用户画像模型中的超平面：
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风险评估模型的隐藏层确定所述健康特征对应的非线性输出，根据所述健康风险评估模型的输出层确定所述目标对象的健康风险评估等级之前，所述方法还包括训练所述健康风险评估模型：
6.根据权利要求
7.根据权利要求6所述的方法，其特征在于，
8.一种基于人工智能的人寿保险推荐系统，用于实现前述权利要求1至7中任一项所述的基于人工智能的人寿保险推荐方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种基于人工智能的人寿保险推荐方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，通过预先构建的用户画像模型中预置的决策树，将所述个人信息对应的个人信息特征和所述历史投保信息对应的历史投保特征映射至高维空间确定线性决策边界，基于所述线性决策边界，以及所述个人信息特征和所述历史投保特征与所述用户画像模型中超平面的距离确定所述目标对象的用户画像类别包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括确定所述用户画像模型中的超平面：
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，获取所述目标对象的健康信息，其中，所述健康信息包括家族病史信息、就医诊疗信息以及基本属性信息中至少一种，在预先构建的健康风险评估模型的特征提取层中设置不同空洞率提取所述健康信息的健康特征，通过所述健康风...
【专利技术属性】
技术研发人员：吴英华，卜城格，
申请(专利权)人：保腾网络科技有限公司，
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。