[发明专利]针对保险业的大数据推荐方法、系统以及设备

权利要求书

1.一种针对保险业的大数据推荐方法，其特征在于，所述针对保险业的大数据推荐方法包括以下步骤：

(A)构建保险业大数据中心，将用户相关数据存贮到HDFS系统上，进行分布式存储；

(B)通过Spark大数据并行计算框架执行分布式数据处理与计算，并且通过Kafka分布式发布订阅消息系统通道进行日志消息的处理；

(C)基于人口统计学数据的改进聚类模型，根据用户的属性分为不同的组，在不同组内执行推荐算法；

以及

(D)通过ECharts开源可视化库与WebSocket全双工通信协议执行前端动态可视化显示；

其中在所述步骤(A)中，采用https协议从而提升推荐接口的安全性；

其中在所述步骤(A)中，限制同一IP地址的频繁访问，并对用户鉴权，对接口中涉及的隐私或者机密信息进行加密处理；

其中对接口进行了鲁棒性设计，从而使获取的推荐数据中存在的错误做异常保护；

其中执行分布式实时搜索，处理结构化或非结构化客户与产品数据，提供数据分析与各种历史统计信息的查询，辅助保险业进行商业决策；

其中所述针对保险业的大数据推荐方法还包括步骤：当分布式存储的新数据达到阈值时，触发推荐模型在后台进行训练，并自动构建新的推荐模型；

其中所述针对保险业的大数据推荐方法还包括冷启动问题解决步骤：基于热门数据推荐以及保险业务的属性数据优化推荐模型；

其中所述步骤(C)中，还包括步骤：通过Stacking堆叠技术，执行GBDT梯度提升迭代决策树算法、LR算法、ItemCF基于物品的协同过滤算法以及UserCF基于用户的协同过滤算法的组合算法；

其中采用ElasticSearch以执行分布式实时搜索，提供数据分析与各种历史统计信息的查询，以辅助保险业进行商业决策；

其中在Kafka管道和web服务模块之间配置推荐结果存储模块。

2.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时执行权利要求1中所述的针对保险业的大数据推荐方法的步骤。

3.一种针对保险业的大数据推荐设备，其特征在于，包括：

存储器，用于存储软件应用程序，

处理器，用于执行所述软件应用程序，所述软件应用程序进一步包括：

分布式存储程序，其被配置为构建保险业大数据中心，将用户相关数据存贮到HDFS系统上，进行分布式存储，其中，采用https协议从而提升推荐接口的安全性，限制同一IP地址的频繁访问，并对用户鉴权，对接口中涉及的隐私或者机密信息进行加密处理，对接口进行了鲁棒性设计，从而使获取的推荐数据中存在的错误做异常保护；

保险业推荐模型构建程序，其被配置为通过Spark大数据并行计算框架执行分布式数据处理与计算，并且通过Kafka分布式发布订阅消息系统通道进行日志消息的处理，基于人口统计学数据的改进聚类模型，根据用户的属性分为不同的组，在不同组内执行推荐算法；以及

前端动态可视化显示程序，其被配置为通过ECharts开源可视化库与WebSocket全双工通信协议执行前端动态可视化显示；

其中采用ElasticSearch执行分布式实时搜索，提供数据分析与各种历史统计信息的查询，以辅助保险业进行商业决策；

其中通过Stacking堆叠技术，执行GBDT梯度提升迭代决策树算法、LR算法、ItemCF基于物品的协同过滤算法以及UserCF基于用户的协同过滤算法的组合算法；

其中当分布式存储的新数据达到阈值时，触发推荐模型在后台进行训练，并自动构建新的推荐模型，其中基于热门数据推荐以及保险业务的属性数据优化推荐模型；

其中在Kafka管道和web服务模块之间配置推荐结果存储模块。

4.一种针对保险业的大数据推荐系统，其特征在于，所述针对保险业的大数据推荐系统包括分布式存储装置、保险业推荐模型构建装置以及前端动态可视化显示装置，其中所述分布式存储装置被配置为构建保险业大数据中心，将用户相关数据存贮到HDFS系统上，进行分布式存储，其中，采用https协议从而提升推荐接口的安全性，限制同一IP地址的频繁访问，并对用户鉴权，对接口中涉及的隐私或者机密信息进行加密处理，对接口进行了鲁棒性设计，从而使获取的推荐数据中存在的错误做异常保护，其中所述保险业推荐模型构建装置通过Spark大数据并行计算框架执行分布式数据处理与计算，并且通过Kafka分布式发布订阅消息系统通道进行日志消息的处理，基于人口统计学数据的改进聚类模型，根据用户的属性分为不同的组，在不同组内执行推荐算法，其中所述前端动态可视化显示装置通过ECharts开源可视化库与WebSocket全双工通信协议执行前端动态可视化显示，其中所述针对保险业的大数据推荐系统还被配置为：执行分布式实时搜索，处理结构化或非结构化客户与产品数据，提供数据分析与各种历史统计信息的查询，辅助保险业进行商业决策；其中所述保险业推荐模型构建装置还被配置为：通过Stacking堆叠技术，执行GBDT梯度提升迭代决策树算法、LR算法、ItemCF基于物品的协同过滤算法以及UserCF基于用户的协同过滤算法的组合算法；其中所述针对保险业的大数据推荐系统还包括保险业推荐模型训练更新装置，当分布式存储的新数据达到阈值时，所述保险业推荐模型训练更新装置被触发，训练并自动构建新的推荐模型；其中在Kafka管道和web服务模块之间配置推荐结果存储模块。