险种推荐方法、装置、电子设备及存储介质

摘要

本发明实施例涉及人工智能技术领域，尤其涉及公开了一种险种推荐方法、装置、电子设备及存储介质。所述方法包括：确定进行至少两种目标长期险种推荐的目标用户，并通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果；依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。采用本申请方案，数据应用方与数据提供方通过联邦学习只交换中间结果而不交换原始数据，从而达到数据可用不可见的模型训练，在保护数据隐私前提下实现数据联合建模以及将各自的预测结果聚合预测结果，实现险种产品的推荐。

说明书

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种险种推荐方法、装置、电子设备及存储介质。

背景技术

随着云计算技术与大数据技术的不断发展，无论是机构还是个人都会源源不断地产生大量数据。尤其是在精准获取客户与保险定价环节，通常需要多维度的数据支撑，比如包括消费者的资质信息、购买能力、身体状况等，以便为不同的消费人群提供定制化的保险产品与服务。

但是，由于数据中包含大量个人隐私、商业机密等，因此不同机构或个人通常不会将自身掌握的数据向外提供，这样的“数据壁垒”形成了大量“数据孤岛”，导致大数据与人工智能的结合并不完美，数据价值并未被充分挖掘和释放，进而对精准获取客户与保险定价产生较大影响。

发明内容

本发明实施例中提供了一种险种推荐方法、装置、电子设备及存储介质，以实现精准获取客户与保险定价。

第一方面，本发明实施例中提供了一种险种推荐方法，由数据应用方执行，所述方法包括：

确定进行至少两种目标长期险种推荐的目标用户；

通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果；

依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。

第二方面，本发明实施例中还提供了一种险种推荐装置，配置于数据应用方，所述装置包括：

目标用户确定模块，用于确定进行至少两种目标长期险种推荐的目标用户；

购买倾向预测模块，用于通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果；

险种产品推荐模块，用于依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。

第三方面，本发明实施例中还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例中提供的险种推荐方法。

第四方面，本发明实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例中提供的险种推荐方法。

本发明实施例中提供了一种险种推荐方法，确定进行至少两种目标长期险种推荐的目标用户，并通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果；进而，依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。采用本申请方案，数据应用方与数据提供方通过联邦学习算法只交换中间结果而不交换原始数据，从而可达到“数据可用不可见”进行各自的模型训练，在保护数据隐私的前提下实现数据联合建模；并且，数据应用方与数据提供方分别会利用各自训练的半模型分别基于自身拥有的数据进行预测，进而将各自的预测结果汇集到一方来聚合预测结果，实现险种产品的推荐。

上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例中提供的一种险种推荐方法的流程图；

图2是本发明实施例中提供的一种险种推荐场景中联邦学习的示意图；

图3是本发明实施例中提供的一种纵向联邦学习过程中数据应用方端的建模示意过程图；

图4是本发明实施例中提供的一种纵向联邦学习过程中数据提供方端的建模示意过程图；

图5是本发明实施例中提供的一种正样本与负样本的获取示意图；

图6是本发明实施例中提供的一种投保倾向预测的过程示意图；

图7是本发明实施例中提供的一种险种推荐装置的结构框图；

图8是本发明实施例中提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

为了更好地理解本申请方案，下面针对一些业务场景中，关于数据共享支撑的重要性进行详细阐述。一体化以及跨行业、跨领域的数据共享和应用成为刚需，越来越多的业务场景需要多方数据共享，以释放数据的应用价值。以金融行业为例，众多业务场景需结合外部数据的联合建模，包括数字营销、风控与反欺诈、存客激活与信用分析等；另外，以保险行业为例，在精准获客与保险定价环节，需要多维度数据支撑，包括消费者的资质信息、购买能力、身体状况等，以便为不同消费人群提供定制化的保险产品与服务。而，多维度数据支撑过程中需要建立多方安全数据共享体系，才可能避免数据动态使用和分享过程中出现的数据安全问题。

下面通过各实施例及各实施例的可选方案，对本发明实施例中提供的险种推荐方法、装置、电子设备及存储介质进行详细阐述。

图1是本发明实施例中提供的一种险种推荐方法的流程图，本实施例的技术方案可适用于向合适用户进行合适险种产品推荐的情况。该方法可以由险种推荐装置来执行，该装置可由软件和/或硬件实现，并集成在任何具有网络通信功能的电子设备上。如图1所示，本发明实施例中的险种推荐方法，可包括以下步骤：

S110、确定进行至少两种目标长期险种推荐的目标用户。

在保险行业场景中，短期险种可以指保险期限短的保险种类，例如保险期限在一个月或者一年以下(包含一年)的保险种类；长期险种可以是指保险期限相对短期险种的保险期限要长的保险种类，例如保险期限一年以上的(不含一年)保险种类。因为在进行险种推荐时并不一定是针对所有长期险种进行推荐，因此目标长期险种可为需要制定保险营销策略时，从众多长期险种中选择的需要针对性进行保险产品推荐的险种。

S120、通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果。

数据应用方可以通过直销渠道获知购买短期险种的客户，也能获知部分仅购买单个险种产品的客户，而数据应用方希望通过用户对保险产品购买行为特征、保险产品特征以及用户属性特征，来为这些客户推荐合适的/有购买倾向的险种产品，提升二次营销的成功率。但是，为了保证数据安全性，数据提供方的数据不能直接提供给数据应用方，这就导致数据应用方无法利用用户属性特征来实现向客户进行合适险种产品的推荐。

为此，参见图2，数据应用方可利用其本地存储的用户对保险产品购买行为特征与保险产品特征联合数据提供方进行纵向联邦学习，得到数据应用方对应的联邦半模型；同时，数据提供方可利用其本地存储的用户属性特征联合数据应用方进行纵向联邦学习，得到数据提供方对应的联邦半模型。

采用上述方式，在数据提供方或数据应用方的数据不动情况下，通过联邦学习算法只交换中间结果而不交换原始数据的实现数据提供方与数据应用方分别进行模型训练，提升各自在模型训练过程中数据特征的丰富度，从而可达到“数据可用不可见”，既保障了数据隐私又能通过使用多方数据来提升模型效果。

参见图2，作为一种可选方案，数据应用方生成的应用方联邦半模型可以是数据应用方在联邦学习框架下基于本地提供的第一时间窗口下用户对保险产品购买行为特征与保险产品特征，联合数据提供方提供的第一时间窗口下用户属性特征进行纵向联邦学习得到。相应地，据提供方生成的提供方联邦半模型是数据提供方在联邦学习框架下基于本地提供的第一时间窗口下用户属性特征，联合数据应用方提供的第一时间窗口下用户对保险产品购买行为特征与保险产品特征进行纵向联邦学习得到。

本申请方案比较了单独使用数据应用方数据单独进行建模、使用数据应用方数据和数据提供方数据进行集中建模(数据放在同一个环境里数据相互可见)和使用数据应用方数据和数据进行联邦建模。从实验结果可知，对比单方和多方建模，特征越丰富，越能提升模型的效果；对比单方和联邦建模，联邦建模时，一方特征较好，可显著提升模型的效果；以及对比多方和联邦建模，联邦建模会造成一定程度的精度损失。由此可见，联邦学习能够有效的应用与隐私数据合作上。可见，本方案中联邦险种推荐任务的精度损失有限，既能够保障数据隐私，又能达到建模效果。

可选地，由于用户对保险产品购买行为特征、保险产品特征以及用户属性特征的时限会随着时间发生变化，通过第一时间窗口可限定模型训练所使用的用户对保险产品购买行为特征、保险产品特征以及用户属性特征的时限，避免使用时效较低的模型训练特征导致训练的模型丧失时效性，从而影响模型的预测精度。其中，数据提供方存储的用户属性特征可包括用户基础信息、用户消费消息、用户资产信息以及用户行为信息等。

参见图3，作为一种可选方案，配置使用Secureboost联邦安全提升树算法在数据应用方进行模型训练，将购买倾向作为分类问题来预测。数据应用方建立险种推荐任务，以及配置联邦学习环境，并将联邦学习环境IP和ID告知数据提供方。数据应用方对训练样本集与评估样本集进行加工落成文件，每条样本记录包括记录ID+用户ID+险种ID+险种特征，其中记录ID由用户ID与险种ID进行哈希处理得到的MD5值确定。数据应用方可对险种推荐的联邦模型进行开发，并基于数据应用方本地的训练样本集与评估样本集进行模型训练生成联邦半模型。

参见图3，在模型训练结束后，使用本地生成的联邦半模型进行险种预测获得预测结果，预测结果包括险种ID和险种预测标签。在获得预测结果后，可根据险种ID将预测得分与用户ID与险种ID进行关联，获得用户对险种的购买倾向预测结果，比如每个用户对所有险种的购买倾向概率，以及设定相应规则，对每个用户进行险种推荐。

参见图4，作为一种可选方案，还可配置使用Secureboost联邦安全提升树算法在数据提供方进行模型训练，将购买倾向作为分类问题来预测。数据提供方建立险种推荐任务；以及配置联邦学习环境，并将联邦学习环境IP和ID告知数据应用方。数据提供方根据数据应用方提供的险种ID和数据提供方的用户ID进行组合，生成记录ID并将对应的用户ID在每个记录ID中形成记录并落成文件；将文件上传至数据提供方的联邦学习框架。数据提供方可对险种推荐的联邦模型进行开发，并基于数据提供方本地的训练样本集与评估样本集进行模型训练生成联邦半模型。在模型训练结束后，使用本地生成的联邦半模型进行险种预测获得预测结果，预测结果包括险种ID和险种预测标签。

采用上述方式，数据应用方和数据提供方双方借助联邦学习框架，各方准备好两方本地数据，通过数据上传、特征处理、模型开发、模型训练、模型批量预测、模型实时预测等步骤进行联邦学习建模。数据应用方使用数据提供方的用户特征数据提升数据特征的丰富度，通过联邦学习算法，只交换中间结果而不交换原始数据，从而可达到“数据可用不可见”，即即保障了数据隐私又能使用多方数据来提升模型效果。

参见图5，作为一种可选方案，对于数据应用方与数据提供方而言，训练样本集与评估样本集可包括正样本和负样本，例如，对于正样本，可取观察期用户，(U、P、B)在表现期用户U购买保险产品P，B为1表示购买；对于负样本，取观察期用户，(U、P、B)在表现期用户U未购买保险产品P，其中P排除P所属大类保险产品内的其他保险产品。

作为一种可选方案，可对训练样本与评估样本进行如下处理：样本数据缺失率确认、特征类型判定(包括离散型和连续型)、样本数据缺失填补(离散型用-1填补，连续型用中位数填补)、WOE编码、IV值筛选、逻辑性检验以及根据模型所属业务进行再筛选。可选地，通过根据业务经验进行业务筛选，数据应用方选择了59个离散特征和5个连续特征，共计64个特征，数据提供方选择了29个离散特征和90个连续特征，共计119个特征。在进一步特征工程之后，数据应用方保留业务相关28个离散特征和5个连续特征，数据提供方保留6个离散特征和88个连续特征，用于完成后续的模型构建。例如，取跨时段获取不同时段的样本数据分别组成训练样本集和评估样本集，且保证训练样本集和评估样本集中正负样本比例为1:1。

作为一种可选方案，应用方联邦半模型与提供方联邦半模型分别输出在对应模型输入特征维度下对目标长期险种的购买倾向预测结果。例如，数据应用方在用户对保险产品购买行为特征与保险产品特征维度下进行模型输入，那么应用方联邦半模型输出在对应用户对保险产品购买行为特征与保险产品特征维度下对目标长期险种的购买倾向预测结果；数据提供方在用户属性特征维度下进行模型输入，那么提供方联邦半模型输出在对应用户属性特征维度下对目标长期险种的购买倾向预测结果。

在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。确定进行至少两种目标长期险种推荐的目标用户，可包括：确定第二时间窗口下购买预设短期险种的多个用户；第一时间窗口与第二时间窗口不重叠，且第一时间窗口的时间点早于第二时间窗口的时间点；从购买预设短期险种的用户中提取需进行目标长期险种推荐的目标用户。例如，确定6种短期险种，提取6种短期险种的投保用户列表得到目标用户。

在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。参见图3与图4，通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果，可包括以下步骤A1-A3：

步骤A1、基于数据应用方生成的应用方联邦半模型，确定目标用户对目标长期险种的第一购买倾向预测结果。

步骤A2、从数据提供方获取目标用户对目标长期险种的第二购买倾向预测结果；第二购买倾向预测结果基于数据提供方生成的提供方联邦半模型确定。

步骤A3、将第一购买倾向预测结果和第二购买倾向预测结果进行聚合，得到目标用户对目标长期险种的目标投保倾向预测结果。

参见图3，基于数据应用方生成的应用方联邦半模型，确定目标用户对目标长期险种的第一购买倾向预测结果，可包括以下操作：从数据应用方的本地数据中，查询目标用户当前关联的用户对保险产品购买行为特征与保险产品特征；将关联的用户对保险产品购买行为特征与保险产品特征输入到数据应用方生成的应用方联邦半模型中，输出在模型输入特征维度下目标用户对目标长期险种的第一购买倾向预测结果。

参见图4，提供方联邦半模型的输入为从数据提供方的本地数据中查询的目标用户当前关联的用户属性特征，提供方联邦半模型的输出为在模型输入的用户属性特征维度下目标用户对目标长期险种的第二购买倾向预测结果。为了保证第二购买倾向预测结果的数据安全，可对第二险种投保预测结果进行同态加密处理，进而将同态加密后的第二险种投保预测结果发送给数据应用方。

S130、依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。

在本实施例的一种可选方案中，可以与上述一个或者多个实施例中各个可选方案结合。参见图6，依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品，可以包括以下步骤B1-B2：

步骤B1、依据目标投保倾向预测结果中包括的目标用户对目标长期险种的投保倾向概率大小，对各个目标投保倾向预测结果进行降序排列；目标投保倾向预测结果包括目标用户ID、目标长期险种ID以及投保倾向概率值。

步骤B2、依据对各个目标投保倾向预测结果的降序排列结果，向目标用户进行长期险种的产品推荐。

参见图6，将联邦模型用于待预测用户群的险种营销，可取短期险种的购买用户作为目标用户群，预测该用户客群对两种目标长期险种的购买倾向，例如取第二时间窗口购买过6款短期险种的用户列表，共103029用户，预测所有用户对两款目标长期险种的购买倾向，并对目标长期险种的购买倾向做降序排序，进而依据个目标投保倾向预测结果的降序排列结果，向目标用户进行长期险种的产品推荐。

作为一种可选方案，参见图6，依据对各个目标投保倾向预测结果的降序排列结果，向目标用户进行长期险种的产品推荐，可包括以下操作：依据对各个目标投保倾向预测结果的降序排列结果，从各个目标投保倾向预测结果选取排序在前且具有不同用户数的多个TOP-n险种产品推荐表单；针对每个TOP-n险种产品推荐表单，计算TOP-n险种产品推荐表单中目标长期险种投保命中率；依据TOP-n险种产品推荐表单中目标用户占比与对应TOP-n险种产品推荐表单中目标长期险种投保命中率，向目标用户进行长期险种的产品推荐。例如，取前top n(作为营销清单)，并计算该用户列表实际对这两种险种投保行为的命中率。该用户列表实际对这两种险种的投保行为如下表所示：

表1 用户对两种长期险种的投保行为结果

作为一种可选方案，参见图6，依据TOP-n险种产品推荐表单中目标用户占比与对应TOP-n险种产品推荐表单中目标长期险种投保命中率，向目标用户进行长期险种的产品推荐，可包括以下操作：依据TOP-n险种产品推荐表单中目标用户占比与对应TOP-n险种产品推荐表单中目标长期险种投保命中率，确定目标长期险种的投保倾向概率阈值；依据目标长期险种的投保倾向概率阈值，各个目标投保倾向预测结果中筛选出投保倾向概率大于投保倾向概率阈值的目标投保倾向预测结果，用于指示目标用户进行长期险种的产品推荐。

通过获知目标长期险种的投保倾向概率阈值，针对长期险种以尽可能少的营销数量覆盖尽可能多的实际投保行为，根据下表2与表3综合考虑TOP-n险种产品推荐表单中目标用户占比和命中率确定阈值，数据应用方可根据该TOP-n险种产品推荐表单进行营销。例如营销HDyy11时，阈值为0.37时，营销0.396*103029个用户可达到0.898的实际投保行为命中率。

表2 HDyy11长期险种的营销计划结果

表3 BAxx11长期险种的营销计划结果

根据本发明实施例中提供的险种推荐方法，数据应用方与数据提供方通过联邦学习算法只交换中间结果而不交换原始数据，从而可达到“数据可用不可见”进行各自的模型训练，在保护数据隐私的前提下实现数据联合建模；并且，数据应用方与数据提供方分别会利用各自训练的半模型分别基于自身拥有的数据进行预测，进而将各自的预测结果汇集到一方来聚合预测结果，实现险种产品的推荐。

图7是本发明实施例中提供的一种险种推荐装置的结构框图，本实施例的技术方案可适用于向合适用户进行合适险种产品推荐的情况。该装置可由软件和/或硬件实现，并集成在任何具有网络通信功能的电子设备上。如图7所示，本发明实施例中的险种推荐装置，可包括以下：目标用户确定模块710、购买倾向预测模块720和险种产品推荐模块。其中：

目标用户确定模块710，用于确定进行至少两种目标长期险种推荐的目标用户；

购买倾向预测模块720，用于通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果；

险种产品推荐模块730，用于依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。

在上述实施例的基础上，可选地，所述应用方联邦半模型是数据应用方在联邦学习框架下基于本地提供的第一时间窗口下用户对保险产品购买行为特征与保险产品特征，联合数据提供方提供的第一时间窗口下用户属性特征进行纵向联邦学习得到；相应地，所述提供方联邦半模型是数据提供方在联邦学习框架下基于本地提供的第一时间窗口下用户属性特征，联合数据应用方提供的第一时间窗口下用户对保险产品购买行为特征与保险产品特征进行纵向联邦学习得到。

在上述实施例的基础上，可选地，所述应用方联邦半模型与所述提供方联邦半模型使用Secureboost联邦安全提升树算法进行模型训练。

在上述实施例的基础上，可选地，所述应用方联邦半模型与所述提供方联邦半模型分别输出在对应模型输入特征维度下对目标长期险种的购买倾向预测结果。

在上述实施例的基础上，可选地，目标用户确定模块710包括：

确定第二时间窗口下购买预设短期险种的多个用户；所述第一时间窗口与第二时间窗口不重叠，且第一时间窗口的时间点早于第二时间窗口的时间点；

从购买预设短期险种的用户中提取需进行目标长期险种推荐的目标用户。

在上述实施例的基础上，可选地，购买倾向预测模块720包括：

基于数据应用方生成的应用方联邦半模型，确定目标用户对目标长期险种的第一购买倾向预测结果；

从数据提供方获取目标用户对目标长期险种的第二购买倾向预测结果；其中所述第二购买倾向预测结果基于数据提供方生成的提供方联邦半模型确定；

将所述第一购买倾向预测结果和所述第二购买倾向预测结果进行聚合，得到目标用户对目标长期险种的目标投保倾向预测结果。

在上述实施例的基础上，可选地，所述第二险种投保预测结果经过同态加密处理。

在上述实施例的基础上，可选地，基于数据应用方生成的应用方联邦半模型，确定目标用户对目标长期险种的第一购买倾向预测结果，包括：

从数据应用方的本地数据中，查询目标用户当前关联的用户对保险产品购买行为特征与保险产品特征；

将关联的用户对保险产品购买行为特征与保险产品特征输入到数据应用方生成的应用方联邦半模型中，输出在模型输入特征维度下目标用户对目标长期险种的第一购买倾向预测结果。

在上述实施例的基础上，可选地，所述提供方联邦半模型的输入为从数据提供方的本地数据中查询的目标用户当前关联的用户属性特征，所述提供方联邦半模型的输出为在模型输入的用户属性特征维度下目标用户对目标长期险种的第二购买倾向预测结果。

在上述实施例的基础上，可选地，依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品，包括：

依据目标投保倾向预测结果中包括的目标用户对目标长期险种的投保倾向概率大小，对各个目标投保倾向预测结果进行降序排列；所述目标投保倾向预测结果包括目标用户ID、目标长期险种ID以及投保倾向概率值；

依据对各个目标投保倾向预测结果的降序排列结果，向目标用户进行长期险种的产品推荐。

在上述实施例的基础上，可选地，依据对各个目标投保倾向预测结果的降序排列结果，向目标用户进行长期险种的产品推荐，包括：

依据对各个目标投保倾向预测结果的降序排列结果，从各个目标投保倾向预测结果选取排序在前且具有不同用户数的多个TOP-n险种产品推荐表单；

针对每个TOP-n险种产品推荐表单，计算TOP-n险种产品推荐表单中目标长期险种投保命中率；

依据TOP-n险种产品推荐表单中目标用户占比与对应TOP-n险种产品推荐表单中目标长期险种投保命中率，向目标用户进行长期险种的产品推荐。

在上述实施例的基础上，可选地，依据TOP-n险种产品推荐表单中目标用户占比与对应TOP-n险种产品推荐表单中目标长期险种投保命中率，向目标用户进行长期险种的产品推荐，包括：

依据TOP-n险种产品推荐表单中目标用户占比与对应TOP-n险种产品推荐表单中目标长期险种投保命中率，确定目标长期险种的投保倾向概率阈值；

依据目标长期险种的投保倾向概率阈值，各个目标投保倾向预测结果中筛选出投保倾向概率大于投保倾向概率阈值的目标投保倾向预测结果，用于指示目标用户进行长期险种的产品推荐。

本发明实施例中所提供的险种推荐装置可执行上述本发明任意实施例中所提供的险种推荐方法，具备执行该险种推荐方法相应的功能和有益效果，详细过程参见前述实施例中的险种推荐方法的相关操作。

图8是本发明实施例中提供的一种电子设备的结构示意图。如图8所示结构，本发明实施例中提供的电子设备包括：一个或多个处理器810和存储装置820；该电子设备中的处理器810可以是一个或多个，图8中以一个处理器810为例；存储装置820用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器810执行，使得所述一个或多个处理器810实现如本发明实施例中任一项所述的险种推荐方法。

该电子设备还可以包括：输入装置830和输出装置840。

该电子设备中的处理器810、存储装置820、输入装置830和输出装置840可以通过总线或其他方式连接，图8中以通过总线连接为例。

该电子设备中的存储装置820作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中所提供的险种推荐方法对应的程序指令/模块。处理器810通过运行存储在存储装置820中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例中险种推荐方法。

存储装置820可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；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储装置820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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置820可进一步包括相对于处理器810远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置830可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置840可包括显示屏等显示设备。

并且，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器810执行时，程序进行如下操作：

确定进行至少两种目标长期险种推荐的目标用户；

通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果；

依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。

当然，本领域技术人员可以理解，当上述电子设备所包括一个或者多个程序被所述一个或者多个处理器810执行时，程序还可以进行本发明任意实施例中所提供的险种推荐方法中的相关操作。

本发明实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行险种推荐方法，该方法包括：

确定进行至少两种目标长期险种推荐的目标用户；

通过数据应用方生成的应用方联邦半模型与数据提供方生成的提供方联邦半模型分别对目标长期险种进行购买倾向预测，确定目标用户对目标长期险种的目标投保倾向预测结果；

依据目标用户对各个目标长期险种的目标投保倾向预测结果，向目标用户推荐目标长期险种产品。

可选的，该程序被处理器执行时还可以用于执行本发明任意实施例中所提供的险种推荐方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(RadioFrequency，RF)等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。