一种基于动态用户集合与联邦增量学习的保险推荐方法

本申请提供了一种基于动态用户集合与联邦增量学习的保险推荐方法，该方法包括：先获取新用户注册静态特征并分层，依特征层级划粗粒度初始用户集合，计算新用户与集合内老用户混合距离以筛选高相似老用户，提取预设购买率的非热门保险产品，按距离倒数分配权重生成初始推荐结果；再实时采集新用户行为数据，经隐私脱敏与特征提取得增量训练数据，在用户终端完成本地模型增量更新并算梯度增量，处理后加密上传联邦服务器，服务器聚合梯度增量更新全局模型参数并下发，终端据此结合实时行为特征优化推荐，行为反馈作为下一轮增量更新输入形成闭环。本申请能够有效提升新用户推荐准确率与首单转化率，实现保险推荐的精准化、实时化与个性化。