[发明专利]信息预测方法、装置、电子设备和计算机可读介质

权利要求书

1.一种信息预测方法，其特征在于，所述方法包括：

接收终端设备发送的信息预测请求，其中，所述信息预测请求中包括目标用户的用户数据；

从所述用户数据中提取特征信息；

将所述特征信息分别输入至预先训练的、各类别保险对应的投保概率预测模型，得到所述目标用户在预设时段内对各类别保险的投保概率；

将所得到的各投保概率输入至预先训练的综合投保概率预测模型，得到所述目标用户在预设时段内的投保概率；

向所述终端设备发送所得到的各投保概率。

2.根据权利要求1所述的方法，其特征在于，在所述生成特征信息之后，所述方法还包括：

将所述特征信息分别输入至预先训练的、各类别保险对应的保费预测模型，得到所述目标用户在预设时段内对各类别保险投保的保费预测结果；

向所述终端设备发送所得到的各保费预测结果。

3.根据权利要求1所述的方法，其特征在于，所述投保概率预测模型通过如下步骤训练得到：

获取样本集，所述样本集中的样本包括从样本用户的用户数据中提取的特征信息和第一标注信息，所述第一标注信息用于指示所述样本用户在预设的历史时段内是否对各类别保险进行了投保；

将所述样本集中的特征信息作为输入，将所输入的特征信息对应的第一标注信息作为输出，利用机器学习方法，训练得到分别与各类别保险对应的投保概率预测模型。

4.根据权利要求3所述的方法，其特征在于，所述利用机器学习方法，训练得到分别与各类别保险对应的投保概率预测模型，包括：

构造轻量梯度提升机LightGBM算法模型；

将所述样本集中的特征信息作为所述LightGBM算法模型的输入，将所输入的特征信息对应的第一标注信息作为所述LightGBM算法模型的输出，利用LightGBM算法对所述LightGBM算法模型进行拟合，得到分别与各类别保险对应的投保概率预测模型。

5.根据权利要求3所述的方法，其特征在于，所述样本集中的样本还包括第二标注信息，所述第二标注信息用于指示所述样本用户在所述历史时段内是否对任一保险进行了投保；以及

所述综合投保概率预测模型通过如下步骤训练得到：

将所述样本集中的特征信息分别输入至与各投保概率预测模型，得到各投保概率预测模型分别输出的预测结果；

将各预测结果作为输入，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为输出，利用机器学习方法，训练得到综合投保概率预测模型；

其中，所述将各预测结果作为输入，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为输出，利用机器学习方法，训练得到综合投保概率预测模型，包括：

建立线性回归模型；

将各预测结果输入至所述线性回归模型，将输入至各投保概率预测模型的特征信息对应的第二标注信息作为所述线性回归模型的输出，利用线性回归算法拟合所述线性回归模型中的参数，得到综合投保概率预测模型。

6.根据权利要求2所述的方法，其特征在于，所述保费预测模型通过如下步骤训练得到：

获取样本集，所述样本集中的样本包括从样本用户的用户数据中提取的特征信息和第三标注信息，所述第三标注信息用于指示所述样本用户在所述历史时段内对各类别保险投保的保费；

将所述样本集中的特征信息作为输入，将所输入的特征信息对应的第三标注信息作为输出，利用机器学习方法，训练得到分别与各类别保险对应的保费预测模型。