对公保险产品的推荐方法、装置、设备及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种对公保险产品的推荐方法、装置、设备及存储介质。

背景技术

保险是市场经济条件下风险管理的基本手段，也是金融体系和社会保障体系的重要支柱。随着保险业务的发展，保险行业针对不同客户的需求，推出了针对各企业、各事业单位等非个人客户的对公保险产品。

现有技术中，针对对公保险产品，通常通过人为设定的推荐规则或者基于神经网络模型进行保险推荐。然而，人为设定的推荐规则，其局限性比较高，更新速度也慢，推荐的及时性较差，不能为客户提供最新的更为准确的保险产品；而基于神经网络模型进行的保险推荐，其模型的可解释性差，营销人员难以理解推荐逻辑，在营销时难以进行相关话术的准备，致使营销效率和效果都不好。

因此，亟需一种新的对公保险产品的推荐方法，以提高对公保险产品的营销效率和效果。

发明内容

本申请提供一种对公保险产品的推荐方法、装置、设备及存储介质，用以解决现有技术中由于难以进行营销相关话术的准备，以使对公保险产品的营销效率和效果都不好的问题。

第一方面，本申请提供一种对公保险产品的推荐方法，包括：

获取目标对公客户的客户数据信息和各对公客户的历史成单数据；其中，所述客户数据信息用于指示所述目标对公客户的特征；

根据所述客户数据信息和所述历史成单数据，确定推荐保险产品名录；其中，所述推荐保险产品名录中包括基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品；

确定所述推荐保险产品名录中各对公保险产品对应的营销话术；其中，所述营销话术用于指示推荐所述对公保险产品的逻辑原因；

对各所述对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本。

在一种可能的设计中，根据所述客户数据信息和所述历史成单数据，确定推荐保险产品名录，包括：

基于所述客户数据信息和预设推荐策略，确定可为所述目标对公客户推荐的第一对公保险产品；

基于预设推荐算法，挖掘所述客户数据信息和所述历史成单数据，确定可为所述目标对公客户推荐的第二对公保险产品；

基于所述第一对公保险产品和所述第二对公保险产品，确定推荐保险产品名录。

在一种可能的设计中，所述客户数据信息中包括客户类型，所述预设推荐策略中包括预设对应关系，所述预设对应关系表征客户类型与可推荐对公保险产品之间的对应关系；基于所述客户数据信息和预设推荐策略，确定可为所述目标对公客户推荐的第一对公保险产品，包括：

遍历查找所述预设对应关系，确定与所述客户类型对应的可推荐对公保险产品为可为所述目标对公客户推荐的第一对公保险产品。

在一种可能的设计中，基于预设推荐算法，挖掘所述客户数据信息和所述历史成单数据，确定可为所述目标对公客户推荐的第二对公保险产品，包括：

将所述客户数据信息和所述历史成单数据输入与所述预设推荐算法对应的预设算法模型中，确定所述预设算法模型输出的推荐保险产品为可为所述目标对公客户推荐的第二对公保险产品；其中，所述预设算法模型是基于所述预设推荐算法所构建的用于挖掘推荐保险产品的模型。

在一种可能的设计中，确定所述推荐保险产品名录中各对公保险产品对应的营销话术，包括：

调取与所述预设推荐策略对应的话术模板以及与所述预设推荐算法对应的话术模板；

将所述第一对公保险产品填充至与所述预设推荐策略对应的话术模板中，确定所述第一对公保险产品的营销话术，将所述第二对公保险产品填充至与所述预设推荐算法对应的话术模板中，确定所述第二对公保险产品的营销话术。

在一种可能的设计中，对各所述对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本，包括：

将各所述对公保险产品对应的营销话术输入预设生成式对话语言模型中，确定所述预设生成式对话语言模型输出的整合营销话术为目标营销脚本；其中，所述预设生成式对话语言模型是预先训练好的用于对营销话术进行整合处理的模型；

显示所述目标营销脚本。

在一种可能的设计中，所述预设推荐算法包括以下一种或多种：协同过滤算法、决策树算法、物品向量算法。

第二方面，本申请提供一种对公保险产品的推荐装置，包括：

数据获取单元，用于获取目标对公客户的客户数据信息和各对公客户的历史成单数据；其中，所述客户数据信息用于指示所述目标对公客户的特征；

推荐单元，用于根据所述客户数据信息和所述历史成单数据，确定推荐保险产品名录；其中，所述推荐保险产品名录中包括基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品；

话术单元，用于确定所述推荐保险产品名录中各对公保险产品对应的营销话术；其中，所述营销话术用于指示推荐所述对公保险产品的逻辑原因；

整合单元，用于对各所述对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本。

第三方面，本申请提供一种电子设备，所述电子设备包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现如前所述的方法。

第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如前所述的方法。

第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时用于实现如前所述的方法。

本申请提供的对公保险产品的推荐方法、装置、设备及存储介质，包括：获取目标对公客户的客户数据信息和各对公客户的历史成单数据；其中，所述客户数据信息用于指示所述目标对公客户的特征；根据所述客户数据信息和所述历史成单数据，确定推荐保险产品名录；其中，所述推荐保险产品名录中包括基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品；确定所述推荐保险产品名录中各对公保险产品对应的营销话术；其中，所述营销话术用于指示推荐所述对公保险产品的逻辑原因；对各所述对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本。本申请的方案，同时使用人为设定的预设推荐策略和可解释性强的预设推荐算法进行对公保险产品的推荐，其推荐准确性相对于单一的推荐逻辑更为准确，减少了“广撒网”式推荐对客户造成的困扰；另外，本申请还为每种推荐方法所推荐的保险产品都设置对应的包括推荐逻辑的营销话术，并将其整合成符合营销话术需求的目标营销脚本，据此，营销人员在与客户沟通时就能直接使用显示的目标营销脚本进行对公保险产品的营销，而无需额外花费时间和精力准备推荐的话术，极大提高了营销效率；此外，采用高可解释性的算法模型，也增强了模型的透明度，营销人员和客户都能更好地理解推荐逻辑，其更具说服力，提高了营销成功率，从而也提高了对公保险产品的营销效果。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的一种对公保险产品的推荐方法的流程示意图；

图2为本申请实施例提供的一种确定推荐保险产品名录的方法的流程示意图；

图3为本申请实施例提供的一种确定营销话术的方法的流程示意图；

图4为本申请实施例提供的一种对公保险产品的推荐装置的结构示意图；

图5为本申请实施例提供的又一种对公保险产品的推荐装置的结构示意图；

图6为本申请实施例提供的一种电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

需要说明的是，本申请的技术方案中，所涉及的金融数据或用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

随着保险业务的发展，保险行业针对不同客户的需求，推出了针对各企业、各事业单位等非个人客户的对公保险产品。与针对个人客户的对私保险产品不同，对公保险产品涉及的金额较大，业务严肃性也相对较高，若贸然对客户采取“广撒网”式的保险推荐，当出现问题时，导致的损失无疑是巨大的。

目前，通常将保险推荐系统作为一个辅助工具帮助营销人员确定推荐的对公保险产品，再由专业的营销人员进行人工一对一的营销，其营销话术通常依赖于营销人员的业务能力，尤其对于一些新员工来说，只能通过一些口传身教的营销规则进行保险营销。

一个示例中，保险推荐系统基于规则引擎进行保险推荐，根据预先设计的推荐规则对保险产品进行筛选和推荐。这种推荐方式中，推荐规则均是由人为设计的，而人对规则的理解通常是不够全面的，而且对于推荐规则的更新也不及时，因而，推荐的保险产品的准确度也不高，继而营销效果并不理想。

又一示例中，保险推荐系统依赖复杂的神经网络模型和大量的用户数据进行保险推荐，在一定程度上提高了保险推荐的准确性。但是，神经网络模型的算法结构不透明，营销人员难以理解推荐逻辑，在营销时也就难以进行相关话术的准备，致使营销效率和效果都不好。

为了解决上述技术问题，本申请提供一种对公保险产品的推荐方法，本申请同时使用人为设定的推荐策略和可解释性强的算法模型进行保险推荐，并为每种推荐方法所推荐的保险产品都设置对应的包括推荐逻辑的营销话术，还将其整合成符合营销话术需求的整合营销脚本，以展示给营销人员，这样，营销人员在与客户沟通时就能更好地理解推荐逻辑，使用更具针对性的话术，从而提高营销效率和效果。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请实施例提供的一种对公保险产品的推荐方法的流程示意图。本申请实施例的执行主体可以为对公保险产品的推荐装置，该对公保险产品的推荐装置可以位于电子设备上，电子设备可以为移动终端，如手机、平板、电脑等，本申请不做限制。

本申请实施例以执行主体为对公保险产品的推荐装置为例进行详细说明。如图1所示，本实施例提供的对公保险产品的推荐方法，包括：

S101、获取目标对公客户的客户数据信息和各对公客户的历史成单数据；其中，客户数据信息用于指示目标对公客户的特征。

示例性地，在进行对公保险产品的推荐时，本申请对公保险产品的推荐装置需要首先获取目标对公客户的客户数据信息和各对公客户的历史成单数据。其中，目标对公客户是目标企业、事业单位等非个人客户中的任意一个，目标对公客户的客户数据信息可以包括客户类型、所属行业、营业规模、营业额、服务对象、税务数据等可用于指示目标对公客户的特征的数据信息，本申请不做限制。各对公客户的历史成单数据主要包括一段时间区间，比如两年/五年等时间区间内成功购买了对公保险产品的客户的历史购买数据信息，对这些数据进行挖掘可以确定出各客户购买保险的规律。

S102、根据客户数据信息和历史成单数据，确定推荐保险产品名录；其中，推荐保险产品名录中包括基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品。

示例性地，本申请对公保险产品的推荐装置对获取到的客户数据信息和历史成单数据进行分析处理，根据客户数据信息和历史成单数据，可以确定出推荐保险产品名录。其中，该推荐保险产品名录中至少包括了基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品。

示例性地，预设推荐策略可以是技术人员预先设定的推荐规则，主要来自于长期的业务沉淀以及定制化保险产品的开发，基于预设推荐策略可以确定推荐的对公保险，可记为第一对公保险产品。例如，针对“上市企业”，推荐“董监事高责任险”；针对“煤矿企业”，推荐“安全生产责任险”等。根据不同行业的特点，可为其定制不同的保险产品，形成预设推荐策略，进而在为目标对公客户推荐保险产品时，基于这些预设推荐策略进行推荐，以得到第一对公保险产品。

进一步，本申请预设推荐算法为可解释性较强的算法，使用可解释性强的算法可为其配置更具针对性、逻辑性更强的营销话术，以提高营销成功率。一个示例中，预设推荐算法包括以下一种或多种：协同过滤算法、决策树算法、物品向量算法。

示例性地，协同过滤算法是一种推荐算法，它可基于用户的历史行为和其他用户的行为之间的关联性来预测目标用户可能喜欢的物品，通过分析用户历史行为数据和与其他用户的相似性，找到具有类似兴趣的用户，并推荐这些用户喜欢的物品给目标用户。本申请中，通过协同过滤算法对目标对公客户的客户数据信息和各对公客户的历史成单数据进行挖掘，也可为目标对公客户推荐对应的对公保险产品。

示例性地，决策树算法是一种用于进行分类和回归分析的机器学习算法，它主要根据数据的特征对数据集进行一系列的分割，构建一个树状模型，每个节点表示一个特征，每个分支代表特征的取值，叶节点表示预测结果。本申请中，通过决策树算法对目标对公客户的客户数据信息和各对公客户的历史成单数据进行挖掘，也可为目标对公客户推荐对应的对公保险产品。

示例性地，物品向量算法也即item2vec，是一种基于词向量(word2vec)思想的推荐算法，用于处理推荐系统中的物品(item)数据，它通过将物品表示为向量，捕捉物品之间的关联性和相似性，item2vec可以在推荐系统中用于推荐相关的物品给用户，类似于word2vec在自然语言处理中用于推荐相关的词汇。本申请中，通过物品向量算法item2vec对目标对公客户的客户数据信息和各对公客户的历史成单数据进行挖掘，也可为目标对公客户推荐对应的对公保险产品。

本申请根据客户数据信息和历史成单数据，确定的推荐保险产品名录中至少包括了基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品。其中，第一对公保险产品和第二对公保险均可以为一个或多个，本申请不做限制。每种预设推荐策略可以确定一个或多个推荐的对公保险产品，每种预设推荐算法也可以挖掘出一个或多个推荐的对公保险产品。

其中，本申请对如何根据客户数据信息和历史成单数据，确定推荐保险产品名录不做限制。示例性地，图2为本申请实施例提供的一种确定推荐保险产品名录的方法的流程示意图。如图2所示，根据客户数据信息和历史成单数据，确定推荐保险产品名录，可以包括：

S201、基于客户数据信息和预设推荐策略，确定可为目标对公客户推荐的第一对公保险产品。

示例性地，由于预设推荐策略主要来自于长期的业务沉淀以及定制化保险产品的开发，也即预设推荐策略主要是依据客户的特征而设计的保险推荐方式，因而，基于客户数据信息和预设推荐策略，即可确定可为目标对公客户推荐的第一对公保险产品。

一个示例中，客户数据信息中包括客户类型，预设推荐策略中包括预设对应关系，预设对应关系表征客户类型与可推荐对公保险产品之间的对应关系；基于客户数据信息和预设推荐策略，确定可为目标对公客户推荐的第一对公保险产品，可以包括：

遍历查找预设对应关系，确定与客户类型对应的可推荐对公保险产品为可为目标对公客户推荐的第一对公保险产品。

示例性地，客户类型可用于指示客户的属性特征，例如，可通过是否是上市企业、是否是高危作业企业、是否涉及安全责任险等信息来对客户进行分类，进而确定客户类型。

具体地，本申请对公保险产品的推荐装置在确定可为目标对公客户推荐的第一对公保险产品时，遍历查找预设推荐策略中表征客户类型与可推荐对公保险产品之间的对应关系的预设对应关系，确定与客户类型对应的可推荐对公保险产品为可为目标对公客户推荐的第一对公保险产品。

例如，预设对应关系中包括“上市企业”与“董监事高责任险”的对应关系，当确定目标对公客户的客户数据信息中客户类型指向其为“上市企业”时，即确定“董监事高责任险”为可为目标对公客户推荐的第一对公保险产品。

S202、基于预设推荐算法，挖掘客户数据信息和历史成单数据，确定可为目标对公客户推荐的第二对公保险产品。

示例性地，本申请对公保险产品的推荐装置在确定可为目标对公客户推荐的第二对公保险产品时，基于预设推荐算法，对客户数据信息和历史成单数据进行挖掘。

一个示例中，基于预设推荐算法，挖掘客户数据信息和历史成单数据，确定可为目标对公客户推荐的第二对公保险产品，可以包括：

将客户数据信息和历史成单数据输入与预设推荐算法对应的预设算法模型中，确定预设算法模型输出的推荐保险产品为可为目标对公客户推荐的第二对公保险产品；其中，预设算法模型是基于预设推荐算法所构建的用于挖掘推荐保险产品的模型。

示例性地，基于每种预设推荐算法都可以构建有一个对应的用于挖掘推荐保险产品的模型，在确定可为目标对公客户推荐的第二对公保险产品时，将获取到的客户数据信息和历史成单数据都输入对应的预设算法模型中，每个对应的预设算法模型都输出对应的推荐保险产品，将其作为可为目标对公客户推荐的第二对公保险产品。

其中，当预设推荐算法有多个时，对应的算法模型也有多个，对应推荐的第二对公保险产品也有多个。

S203、基于第一对公保险产品和第二对公保险产品，确定推荐保险产品名录。

示例性地，确定出的第一对公保险产品和第二对公保险产品即为确定的推荐保险产品名录中的保险产品。

S103、确定推荐保险产品名录中各对公保险产品对应的营销话术；其中，营销话术用于指示推荐对公保险产品的逻辑原因。

示例性地，当根据客户数据信息和历史成单数据，确定推荐保险产品名录之后，本申请对公保险产品的推荐装置继续确定推荐保险产品名录中各对公保险产品对应的营销话术。其中，本申请中各对公保险产品对应的营销话术用于指示推荐该对公保险产品的逻辑原因。

例如，若基于客户数据信息和一预设推荐策略，确定可为目标对公客户推荐的第一对公保险产品为“董监事高责任险”，其对应的营销话术可以是：“作为一家上市公司，您可能需要考虑购买董监事高责任险，这种保险可以保护董事和高级管理人员，避免因为公司业务导致的个人财务损失”。又如，若基于客户数据信息和另一预设推荐策略，确定可为目标对公客户推荐的第一对公保险产品为“安全生产责任险”，其对应的营销话术可以是：“作为一家从事煤矿开采的企业，安全生产责任险是非常重要的。这种保险可以为您的企业在发生生产安全事故时提供保障，减轻因此产生的经济负担”。

进一步，若基于预设推荐算法中的协同过滤算法，挖掘客户数据信息和历史成单数据时，是由于客户A和客户B有相似的购买行为，客户A购买了保险C，因此推荐保险C给客户B，则其对应的营销话术可以是：“我们发现您和其他一些客户有相似的需求，他们购买了保险C并非常满意，我们认为这款保险可能也适合您”。若基于预设推荐算法中的物品向量算法item2vec，挖掘客户数据信息和历史成单数据时，是由于目标客户购买了保险D和E，这些买了保险D和E的客户通常也会购买保险F，因此推荐保险F给目标客户，则其对应的营销话术可以是：“我们注意到您购买了保险D和E，根据我们的数据分析，像您这样的客户通常也会考虑购买保险F，您是否也对此感兴趣？”。等等诸如此类，为每个被推荐的对公保险产品都配置用于指示推荐该对公保险产品的逻辑原因的营销话术。

据此，营销人员可以基于该营销话术更好的理解推荐逻辑，以便在进行保险推销时使用更具针对性、更具专业性的话术，从而提高营销效率和营销成功率。

其中，本申请对如何确定推荐保险产品名录中各对公保险产品对应的营销话术不做限制。例如，可以是预先配置好的，每次当通过对应推荐方式确定对公保险产品时，调取对应的营销话术。

示例性地，图3为本申请实施例提供的一种确定营销话术的方法的流程示意图。如图3所示，确定推荐保险产品名录中各对公保险产品对应的营销话术，可以包括：

S301、调取与预设推荐策略对应的话术模板以及与预设推荐算法对应的话术模板。

S302、将第一对公保险产品填充至与预设推荐策略对应的话术模板中，确定第一对公保险产品的营销话术，将第二对公保险产品填充至与预设推荐算法对应的话术模板中，确定第二对公保险产品的营销话术。

示例性地，每种推荐方式对应的营销话术应不同，本申请中可预先设置有营销话术模板，当确定营销话术时，分别调取对应的话术模板，再将其对应推荐的对公保险产品填充至对应话术模板中，以得到对应的营销话术。

S104、对各对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本。

示例性地，根据本申请的方推荐式的确定的对公保险产品可能有多个，当有多个待推荐的对公保险产品时，自然有多个对应的营销话术，为了降低营销人员的工作难度，本申请还可对各对公保险产品对应的营销话术进行整合处理，以得到并显示目标营销脚本，该目标营销脚本是一个语法结构一致、具备连贯性的话术。这样，营销人员就可以直接使用基于此得到的营销脚本，不仅提高了营销人员的营销便捷度，也可提高营销效率和效果。

一个示例中，对各对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本，可以包括：

S1、将各对公保险产品对应的营销话术输入预设生成式对话语言模型中，确定预设生成式对话语言模型输出的整合营销话术为目标营销脚本；其中，预设生成式对话语言模型是预先训练好的用于对营销话术进行整合处理的模型。

S2、显示目标营销脚本。

示例性地，在对各对公保险产品对应的营销话术进行整合处理时，可以将各对公保险产品对应的营销话术都输入预设生成式对话语言模型中，确定预设生成式对话语言模型输出的整合营销话术为目标营销脚本，然后再在界面中显示给营销人员，以便营销人员查看。

其中，本申请对预设生成式对话语言模型不做限制。示例性地，预设生成式对话语言模型可以是能够生成自然语言文本的大型神经网络模型，例如类似生成式大模型的模型；或者，也可以是能够理解输入的文本并生成相应的回复，具备生成自然语言的能力的对话式交互型模型，例如类似ChatGPT、文心一言等的模型。这些模型均通过学习大量的语料库数据，可以生成语法正确、上下文连贯性、语义合理的连续文本。

举例来说，如果基于规则A推荐了保险G，并且基于规则B推荐了保险H，那么将他们对应的营销话术都输入预设生成式对话语言模型中后，可能会生成如下的话术：“我们发现您可能会对保险G和保险H感兴趣。保险G非常适合您的需求，许多类似于您的客户都对它有很高的评价。同时，保险H也是我们的热门产品，它能够为您提供全方位的保障。您是否想要了解更多关于这两款保险的信息？”

本申请将各对公保险产品对应的营销话术输入预设生成式对话语言模型中，确定预设生成式对话语言模型输出的整合营销话术为目标营销脚本展示给营销人员，营销人员即可根据显示的目标营销脚本进行推销，不仅效率高，营销也更具说服力，营销效果会更好。

本申请实施例提供的对公保险产品的推荐方法，包括：获取目标对公客户的客户数据信息和各对公客户的历史成单数据；其中，客户数据信息用于指示目标对公客户的特征；根据客户数据信息和历史成单数据，确定推荐保险产品名录；其中，推荐保险产品名录中包括基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品；确定推荐保险产品名录中各对公保险产品对应的营销话术；其中，营销话术用于指示推荐对公保险产品的逻辑原因；对各对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本。本申请的方案，同时使用人为设定的预设推荐策略和可解释性强的预设推荐算法进行对公保险产品的推荐，其推荐准确性相对于单一的推荐逻辑更为准确，减少了“广撒网”式推荐对客户造成的困扰；另外，本申请还为每种推荐方法所推荐的保险产品都设置对应的包括推荐逻辑的营销话术，并将其整合成符合营销话术需求的目标营销脚本，据此，营销人员在与客户沟通时就能直接使用显示的目标营销脚本进行对公保险产品的营销，而无需额外花费时间和精力准备推荐的话术，极大提高了营销效率；此外，采用高可解释性的算法模型，也增强了模型的透明度，营销人员和客户都能更好地理解推荐逻辑，其更具说服力，提高了营销成功率，从而也提高了对公保险产品的营销效果。

示例性地，假设有一家上市企业的目标对公客户，当这家上市企业的客户经理(营销人员)访问使用基于本申请对公保险产品推荐方案的推荐系统时，推荐系统首先拉取该上市企业的客户数据信息以及各对公客户的历史成单数据；然后，推荐系统中的规则模块基于“针对上市企业，推荐董监事高责任险”这条预设推荐策略，可以确定出要为该家上市企业推荐“董监事高责任险”，推荐系统中话术匹配模块为其配置的营销话术可能为：“我们的董监事高责任险特别适合上市公司，它能够有效地保护公司和董监事的利益”。进一步，推荐系统中的挖掘模块基于预设推荐算法，挖掘该上市企业的客户数据信息以及各对公客户的历史成单数据，挖掘出其他可能适合该上市企业的保险产品。例如，基于协同过滤等算法，它可能发现购买了董监事高责任险的企业通常也会购买企业财产险，话术匹配模块为企业财产险配备的营销话术可能是：“我们发现很多购买了董监事高责任险的企业，也会考虑购买我们的企业财产险，它可以帮助您更全面地保护企业财产。”最后，推荐系统中的话术整合模块再将所有话术进行整合，生成一个连贯、有逻辑的营销脚本展示给客户经理。例如：“我们的董监事高责任险特别适合上市公司，它能够有效地保护公司和董监事的利益。此外，我们发现很多购买了董监事高责任险的企业，也会考虑购买我们的企业财产险，它可以帮助您更全面地保护企业财产。”据此，客户经理就可以使用这个营销脚本，进行更有针对性、更有效的营销活动，从而提高了对公保险产品的营销效率和营销效果。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图4为本申请实施例提供的一种对公保险产品的推荐装置的结构示意图。如图4所示，本申请实施例提供的对公保险产品的推荐装置40包括数据获取单元401、推荐单元402、话术单元403以及整合单元404。

数据获取单元401，用于获取目标对公客户的客户数据信息和各对公客户的历史成单数据；其中，客户数据信息用于指示目标对公客户的特征。

推荐单元402，用于根据客户数据信息和历史成单数据，确定推荐保险产品名录；其中，推荐保险产品名录中包括基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品。

话术单元403，用于确定推荐保险产品名录中各对公保险产品对应的营销话术；其中，营销话术用于指示推荐对公保险产品的逻辑原因。

整合单元404，用于对各对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本。

本实施例提供的装置，可用于执行上述实施例的方法，其实现原理和技术效果类似，此处不再赘述。

图5为本申请实施例提供的又一种对公保险产品的推荐装置的结构示意图。如图5所示，本申请实施例提供的对公保险产品的推荐装置40包括数据获取单元501、推荐单元502、话术单元503以及整合单元504。

数据获取单元501，用于获取目标对公客户的客户数据信息和各对公客户的历史成单数据；其中，客户数据信息用于指示目标对公客户的特征。

推荐单元502，用于根据客户数据信息和历史成单数据，确定推荐保险产品名录；其中，推荐保险产品名录中包括基于预设推荐策略所确定的第一对公保险产品以及基于预设推荐算法所挖掘的第二对公保险产品。

话术单元503，用于确定推荐保险产品名录中各对公保险产品对应的营销话术；其中，营销话术用于指示推荐对公保险产品的逻辑原因。

整合单元504，用于对各对公保险产品对应的营销话术进行整合处理，确定并显示目标营销脚本。

一个示例中，推荐单元502包括第一推荐模块5021、第二推荐模块5022以及确定模块5023。

第一推荐模块5021，用于基于客户数据信息和预设推荐策略，确定可为目标对公客户推荐的第一对公保险产品。

第二推荐模块5022，用于基于预设推荐算法，挖掘客户数据信息和历史成单数据，确定可为目标对公客户推荐的第二对公保险产品。

确定模块5023，用于基于第一对公保险产品和第二对公保险产品，确定推荐保险产品名录。

一个示例中，客户数据信息中包括客户类型，预设推荐策略中包括预设对应关系，预设对应关系表征客户类型与可推荐对公保险产品之间的对应关系；第一推荐模块5021，具体用于遍历查找预设对应关系，确定与客户类型对应的可推荐对公保险产品为可为目标对公客户推荐的第一对公保险产品。

一个示例中，第二推荐模块5022，具体用于将客户数据信息和历史成单数据输入与预设推荐算法对应的预设算法模型中，确定预设算法模型输出的推荐保险产品为可为目标对公客户推荐的第二对公保险产品；其中，预设算法模型是基于预设推荐算法所构建的用于挖掘推荐保险产品的模型。

一个示例中，话术单元503包括调取模块5031和生成模块5032。

调取模块5031，用于调取与预设推荐策略对应的话术模板以及与预设推荐算法对应的话术模板。

生成模块5032，用于将第一对公保险产品填充至与预设推荐策略对应的话术模板中，确定第一对公保险产品的营销话术，将第二对公保险产品填充至与预设推荐算法对应的话术模板中，确定第二对公保险产品的营销话术。

一个示例中，整合单元504包括话术整合模块5041和响应模块5042。

话术整合模块5041，用于将各对公保险产品对应的营销话术输入预设生成式对话语言模型中，确定预设生成式对话语言模型输出的整合营销话术为目标营销脚本；其中，预设生成式对话语言模型是预先训练好的用于对营销话术进行整合处理的模型；

响应模块5042，用于显示目标营销脚本。

一个示例中，预设推荐算法包括以下一种或多种：协同过滤算法、决策树算法、物品向量算法。

本实施例提供的装置，可用于执行上述实施例的方法，其实现原理和技术效果类似，此处不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。各模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上各模块的功能。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

图6为本申请实施例提供的一种电子设备的结构示意图。如图6所示，该电子设备60，包括：处理器601，以及与处理器通信连接的存储器602。

其中，存储器602存储计算机执行指令；处理器601执行存储器602存储的计算机执行指令，以实现如前述任一项的方法。

在上述电子设备的具体实现中，应理解，处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)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。结合本申请实施例所公开的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，该计算机执行指令被处理器执行时用于实现如前述任一项的方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时用于实现如前述任一项的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例方法的部分步骤。

应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。

总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电控单元或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。