[发明专利]Top‑k可决策的负序列模式在客户投保行为分析中的应用

说明书

技术领域

本发明涉及top-k可决策的负序列模式在客户投保行为分析中的应用，属于可决策的负序列模式的应用技术领域。

背景技术

商业保险从诞生到现在，已经成为现代经济社会风险管理的重要手段，成为现代金融体系和社会保障体系的重要组成部分，成为政府提高管理效能的重要市场化机制。特别是在发达国家，保险已经渗透到社会生产生活的各个层面,为人们提供“从摇篮到坟墓”的保险服务。比如，在发达国家，多数父母都会为子女购买各种类型的儿童保险，包括意外伤害保险、健康医疗保险、教育储蓄保险等，提早为子女的生命健康和教育做好规划。可见，商业保险已经成为现代市场经济不可或缺的重要组成部分。

在我国，随着社会的不断发展，人们的物质文化水平逐渐提高，越来越多的人开始注重保险的投资。通过购买保险不但可以预防在大病、大难来临之时无力地应对，而且还能防老、防失业。例如，保险能够进行灾害赔付，帮助灾后重建和恢复生产。初步统计，仅在2002至2010年，保险业累计赔付近1.6万亿元，平均每年赔付2000多亿元。特别是在一些重大灾害事故发生后，保险赔付为灾后恢复重建发挥了积极作用。比如，2003年的淮河流域水灾，保险业赔付5亿多元，同年的上海地铁发生透水事故，保险业赔付7.1亿元；2005年我国沿海部分地区连续遭受七次强热带风暴袭击，保险业赔付13.3亿元；2008年雨雪冰冻灾害和汶川5·12大地震，保险业赔付超过100亿元。在湖南，保险业近十年累积赔付超过470亿元。

近年来，我国的保险投资呈不断上升趋势，许多大型保险公司，如中国太平洋保险、中国人寿保险、中国平安保险等都累积了大量的客户投保数据。如何充分利用这些数据对客户投保行为进行有效的分析、组织利用,如何了解客户更多的信息,为客户推荐最有力的保险服务，为客户提供个性化服务,成为保险公司发展迫切要解决的问题。

序列模式分析所要解决的问题是客户在完成一次投保之后，在以后的特定时间内，还会购买什么保险，是发现投保之间关系规律的过程，使得保险公司能够根据当前的投保的情况来预测以后的保险的发展趋势，从而能够更好的为客户推荐保险。它的主要目的是研究保险购买的先后关系以及成功推销保险的可能性大小，找出其中的规律，即不仅需要知道保险与其它保险购买的先后顺序，而且需要确定在何种条件下推荐那种保险成功的可能性较大。传统的序列模式能够发现数据库中某一段时间内的一个频繁序列，即在这个时间段内哪些保险会被客户购买的比较多，多或少的标准是由最小支持度来决定的。每个序列是按照投保的时间排列的一组集合，可以设置最小支持度来挖掘满足不同频繁程度的序列。但在应用序列模式分析客户投保行为，解决个性化保险推荐问题时，他们仅考虑了已发生的事件，也称为正序列模式(Positive Sequential Pattern，PSP)挖掘。

随着研究的不断深入，研究人员发现不发生事件中隐含着大量的有用信息，而这些信息在单纯的正序列模式挖掘中是根本得不到的，于是相关研究人员开始挖掘负序列模式(Negative Sequential Pattern，NSP)。负序列模式不仅涉及到已经发生的事件，还涉及到不发生的事件，它能够更深入地分析和理解数据中的潜在含义，从而挖掘出容易被人们忽略但是非常有价值的信息。例如：a，b，c，d，表示一个客户投保序列模式，该模式说明在某一段时间内，该客户在购买了保险a、b后，在没有购买保险c的情况下，购买了保险d。如今负序列模式的价值越来越被人们认可，在深入理解和处理许多商业应用方面，如对客户购买行为分析方面，它更有一种不可替代的作用。

由于负序列模式挖掘才刚刚兴起，现存的算法较少，如，NSPM，PNSP,Neg-GSP,e-NSP等。但是这些算法都是以设置最小支持度阈值来表达用户的需求的，而现实中由于用户获取的资源和时间的限制，用户很难一次设置合理的最小支持度阈值挖掘出期望得到的负序列模式。并且在用户投保分析中，保险公司往往希望通过分析能够得到为用户推荐那些保险会比较容易成功的信息。这就需要结合正序列模式的支持度以及它所对应的负序列模式的支持度分析问题。针对这一问题，研究人员提出了top-k序列模式挖掘算法，例如，TSP,TKS,SKOPUS和kDSP-miner等算法。它们都解决设置最小支持度阈值的问题，但是这些方法仅考虑了top-k正序列模式挖掘，我们目前没有找到任何有关top-k负序列模式挖掘方法的研究，也没有找到能够结合正负序列模式支持度评估推荐投保成功率的方面的研究。