网络与人工智能技术的迅猛发展给各行各业带来了巨大的冲击与影响,保险行业是我国金融业的重要部分,近年来保险产品更新迭代越来越快,用户数据和业务数据也以几何倍数增加,如何合理挖掘和利用这些有价值的数据并通过个性化推荐技术解决保险客户面临的信息过载问题成为了保险科技的当务之急。本文就以上问题提出了基于微服务架构的保险推荐系统,引入市场比较流行的微服务相关组件来保证系统的稳定性。系统架构基于Spring Cloud搭建,集成了服务注册中心Nacos、微服务网关Gateway、微服务调用Open Feign、流量控制Sentinel、分布式链路追踪Zipkin等组件。整个系统按照业务模块划分为用户服务、产品服务、订单服务和推荐服务,这样低耦合性的设计保证了各个微服务之间实现推荐功能的同时又能保持一定的独立性与稳定性。在推荐算法模型选择上,深度学习模型比传统推荐模型的表达能力更强,能够挖掘出更多数据中隐藏的关系。本文采用基于随机游走的Graph Embedding算法Deep Walk来构建Embedding向量,采用Deep FM作为深度学习推荐模型,并利用此模型两方面出色的能力:一方面是因子分解机交叉保险产品和投保数据特征的能力,提高保险推荐系统的泛化能力;另一方面是深度学习模型对稀疏数据的处理能力,一定程度上地缓解数据稀疏性对保险推荐结果造成的影响,以此大大提高保险产品推荐的准确性。根据上述模型和技术完成了保险推荐系统的设计与开发,通过模型训练结果评估、系统功能测试和微服务测试,验证了所完成的保险推荐系统各项指标均达到预期目标。