CN108428188A - 理赔风险预测方法、系统、设备及存储介质 - Google Patents
理赔风险预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN108428188A CN108428188A CN201810067068.XA CN201810067068A CN108428188A CN 108428188 A CN108428188 A CN 108428188A CN 201810067068 A CN201810067068 A CN 201810067068A CN 108428188 A CN108428188 A CN 108428188A
- Authority
- CN
- China
- Prior art keywords
- resolution
- history
- essential characteristic
- order
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明涉及一种理赔风险预测方法、系统、设备和储存介质,在客户提交订单后,计算出该订单的理赔风险指数,该方法包括如下步骤:获取订单基本特征;计算基于基本特征的衍生特征;根据基本特征获取对应的收、寄件人的历史理赔数据;将基本特征、衍生特征及历史理赔数据进行融合处理并输入预先基于随机森林算法构建的风险预测模型,得到理赔风险指数。通过使用随机森林算法进行建模,对订单数据信息进行综合评判,能够在客户下单后,订单成交之前计算出该订单的理赔风险指数,从而预先针对理赔风险指数高的订单做出相应的预防措施,降低损失。
Description
技术领域
本发明涉及风险预测技术领域,尤其适合物流领域的理赔风险预测。
背景技术
随着互联网、物流、运输等行业的发展,越来越多的人选择网络购物,或者利用快递公司来进行物品邮寄。每天产生的大量快件中,一些少数快件由于自身物品的特殊性,或者在运输环节、派送环节等由于某些原因,或者由于客户自身的特殊情况等,而产生不同程度的损坏,这就会产生对这些快件进行理赔,对客户和快递公司都会造成不同程度的损失。
现有技术中,很难做到提前甄别快件的理赔风险,因此,需要一种理赔风险预测方法,在客户下单后、收派员上门取件之前计算出该快件的理赔风险指数。
发明内容
为了能够在客户下单后、订单成交之前计算出订单的理赔风险指数,本发明提供了一种基于随机森林算法对订单的理赔风险进行计算的预测方法、系统、设备及存储介质。
本发明涉及一种理赔风险预测方法,包括如下步骤:获取订单基本特征;计算基于基本特征的衍生特征;根据基本特征获取对应的收、寄件人的历史理赔数据;将基本特征、衍生特征及历史理赔数据进行融合处理并输入预先基于随机森林算法构建的风险预测模型,得到理赔风险指数。
优选地,基本特征包括寄件人、收件人,寄件地址,收件地址,托寄物类型及时效信息。
优选地,衍生特征包括收、寄件地址距离,关联收、寄件区域历史理赔率中至少一项。
优选地,历史理赔数据包理赔次数,寄件次数,保价频率及地址变更次数中至少一项。
优选地,所述将基本特征、衍生特征及历史理赔数据融合处理,包括将基本特征、衍生特征及历史理赔数据直接组合为一个特征向量。
优选地,风险预测模型是通过将包括基本特征、衍生特征及历史理赔数据的历史订单数据集作为随机森林算法的输入,构建的风险预测模型,其中,历史订单数据集是对历史的快递订单统计得到的数据集合。
优选地,本发明的理赔风险预测方法还包括在预设时间内将理赔风险指数推送至收派终端。
优选地,预设时间内包括在订单触发之后至揽收之前。
优选地,本发明的理赔风险预测方法,还包括反馈针对高风险理赔托寄物的揽收策略。
本发明还涉及一种理赔风险预测系统,包括
基本特征获取模块,配置用于获取订单基本特征;
衍生特征获取模块,配置用于计算基于基本特征的衍生特征;
理赔数据获取模块,配置用于获取基于基本特征对应的收、寄件人的历史理赔数据;
风险预测模块,配置用于将基本特征、衍生特征及历史理赔数据进行融合处理并输入预先基于随机森林算法构建的风险预测模型,得到理赔风险指数。
本发明还涉及一种设备,该设备包括:一个或多个处理器;存储器,其上存储有一个或多个程序;当一个或多个处理器执行一个或多个程序时,实现上述的理赔风险预测方法的步骤。
本发明还涉及一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的理赔风险预测方法的步骤。
本发明的理赔风险预测方法、系统、设备及存储介质,通过使用随机森林算法进行建模,对订单数据信息进行综合评判,能够在客户下单后,订单成交之前计算出该订单的理赔风险指数,从而预先针对理赔风险指数高的订单做出相应的预防措施,降低损失。
附图说明
下面参考附图描述本发明的优选实施例,附图为了说明本发明的优选实施例而不是为了限制本发明的目的。附图中,
图1为本发明实施例的总体流程框图;
图2为本发明实施例的基于随机森林算法构建理赔风险预测模型的流程图;
图3为本发明实施例的理赔风险预测模型的计算框图;
图4为本发明实施例的对订单数据的递归方法框图。
具体实施方式
本发明的具体实施方式用来具体说明本发明,但并不局限于该具体实施方式。
以下实施例中客户订单以快递订单为例对本发明进行具体说明。
图1为本发明实施例的总体流程框图。
如图1所示,本实施例的理赔风险预测方法,包括如下步骤:
步骤S1:获取订单基本特征;
从收件系统中获取客户快递订单的数据,快递订单数据是以json格式表达的,包括了和快递运单相关的各种信息。当客户下单后,从该订单的json字符串中解析并提取需要的字段以及对应的字段值,得到该订单的基本特征。
获取的基本特征包括寄件人、收件人、寄件地址、收件地址、托寄物类型、和时效信息等。
步骤S2:计算基于基本特征的衍生特征。
根据步骤S1中获得的基本特征实时计算该订单相关的衍生特征。衍生特征为根据该订单的基本特征进行相关计算得到的特征,例如:寄件地址和收件地址的物理距离、以及和收件地和寄件地相关的历史理赔率映射等。历史理赔率映射是指根据当前运单的区域编号查找其对应的历史理赔率。历史理赔率是根据过往的历史理赔数据对不同地区对应的理赔率做统计并保存得到的。
步骤S3:根据基本特征获取对应的收、寄件人的历史理赔数据。
根据步骤S1中获取的基本特征信息,实时查询并得到寄件人和收件人的历史理赔数据,包括理赔次数、寄件次数、地址变更次数等。
步骤S4:将基本特征、衍生特征及历史理赔数据进行融合处理并输入预先基于随机森林算法构建的风险预测模型,得到理赔风险指数。
将步骤S1得到的订单的基本特征、步骤S2得到的衍生特征和步骤3中得到的历史理赔数据进行融合处理,其处理的方式可以将以上特征直接组合为一个更大维度的特征向量。例如:基本特征有x维,衍生特征有y维,历史理赔数据有z维,那么,直接将基本特征、衍生特征和历史理赔数据组合成为一个维数为x+y+z的特征向量T。
下面来详细说明本发明实施例构建风险预测模型的方法。
图2为本实施例基于随机森林算法构建风险预测模型的流程图。
风险预测模型是通过将包括基本特征、衍生特征及历史理赔数据的历史订单数据集作为随机森林算法的输入,构建的风险预测模型,其中,历史订单数据集是对历史的快递订单统计得到的数据集合。
构建风险预测模型,就是根据历史订单数据集通过随机森林算法的训练过程。
如图2所示,构建风险预测模型包括如下方法:
步骤S41,提取并采样历史快递订单数据集作为训练集合。
历史快递订单数据集是指历史所产生的所有快递订单的单据数据,包括理赔订单和非理赔订单。例如,对非理赔订单进行随机采样,使得最终训练集合中理赔订单和非理赔订单数相比约为1:10。
步骤S42,构建特征集合。
各历史快递订单的数据由特征集来表达。在提取了历史快递订单数据集作为训练集合后,提取训练集合中的每个历史订单的特征向量,该特征向量即通过将该历史订单的基本特征、衍生特征和历史理赔数据进行融合处理得到。将提取的所有历史订单数据集的特征向量组成特征集合。
在特征集合中的不同特征具有不同的数据类别数目,例如,寄件区域代码的数据类别数目就是指所有的地区区域代码。
步骤S43,随机森林模型训练。利用步骤S41的训练集合,步骤S42的特征集合,通过随机森林算法训练出理赔风险预测模型。
在机器学习中,随机森林算法是一个包含多个决策树的分类器,且其输出的类别是由个别树输出的类别的众数而定。而决策树的生成就是递归地构建二叉决策树的过程,对分类树用基尼指数最小化准则,进行特征选择,生成二叉树。
随机森林在数据集上表现良好,它能够处理很高特征维度的数据,并且不用做特征选择,训练速度快,在训练过程中,能够检测到特征间的互相影响,在训练完后,它能够给出哪些特征比较重要。
本实施例中随机森林算法的分类树用基尼指数选择最优特征,同时决定特征的切分值。它采用一种二分递归分割的技术,分割方法采用基于最小距离的基尼指数估计函数,将当前的历史快递订单数据的训练集合分为两个子集合,使得生成的的每个非叶子节点都有两个分支,即理赔和非理赔两个子集合。
其中基尼指数的计算公式如下:
其中,K表示历史快递订单数据的训练集合中不同特征的数据类别数目有K种,例如,寄件区域代码的数据类别数目就是指所有的地区区域代码有K种。
pk表示该特征属于k(k=1,2,…K)类的概率。
图3为本发明实施例的理赔风险预测模型的计算框图。
如图3所示,建立理赔风险预测模型的步骤如下:
步骤S431,创建历史订单训练数据的所有起始节点,即包含训练过程开始的时候所有的训练集合R。设定理赔风险预测模型的高度值H,即分类树分解的次数。
步骤S432,判断当前训练集合R的数据类别,并对该训练集合的数据类别进行标记。
当训练集合中的数据类别相同时,则该训练集合标记为该数据类别。当训练集合中的数据类别不同时,对训练集合进行分解。
数据类别分为理赔和非理赔。
如果当前的训练集合R的数据类别相同,则标记训练集合R为该类的类别,即当训练集合R的数据类别均为理赔时,则标记该训练集合R的数据类别为理赔,当训练集合R的数据类别均为非理赔时,则标记该训练集合R的数据类别为非理赔。
如果当前的训练集合R中的数据类别不同,则对训练集合R进行分解,即当训练集合R中的数据的数据类别有理赔和非理赔时,则对当前的训练集合继续进行分解。
步骤S433,当分解的高度超出设定的理赔风险预测模型高度H时,不再对训练集合R进行分解,标记当前的数据类别为该训练集合R的类别;
步骤S434,如果训练集合R不满足步骤S432和步骤S433时,即未标记出训练集合R的数据类别,则对训练集合R进行递归,直至训练集合R满足步骤S432和步骤S433,则跳出递归,完成分类。
图4为本发明实施例的对订单数据的递归方法框图。
如图4对训练集合R进行递归的方法如下:
根据基尼指数的计算公式(1)对快递订单的训练集合R的特征集一一计算基尼指数,选择出基尼指数最小的特征F,最小特征F即为最优特征F。
特征集为提取的历史快递订单数据集中的各历史快递订单的数据的特征集。
最优特征F根据理赔和非理赔将当前训练集合数据集R分为子集合R1和子集合R2。
如果子集合R1和子集合R2的其中一个为空时,则不再分解。即当其中一个子集合为空时,说明训练集合R均属于同一数据类别。
例如,根据基尼指数计算出的最优特征F为保价金额,计算出的最优特征F的切分值为1000元,即,根据保价金额将订单的训练集合分为保价金额大于等于1000元的子集合R1和保价金额小于1000元的子集合R2。如果判断出训练集合R的保价金额均小于1000元,则说明根据最优特征F将训练集合均分到了子集合R2中,则保价金额大于等于1000元的子集合R1为空,那么对训练集合R分类完成,则无需再对训练集合R进行分解。
如果子集合R1和子集合R2均不为空时,则对子集合R1和子集合R2重复步骤S24的方法进行递归计算,分别得到二级子集合,并添加为子集合R1和子集合R2的左右子节点。
例如,根据基尼指数计算出的最优特征F为保价金额,计算出的最优特征F的切分值为1000元,即,根据保价金额将订单的训练集合R分为保价金额大于等于1000元的子集合R1和保价金额小于1000元的子集合R2,且两个子集合中均不为空,即训练集合R的订单数据中有保价金额大于等于1000元的订单,也有保价金额小于1000元的订单。
那么就需要对这两个子集合R1和R2继续进行递归分解,即根据计算的第二最优特征F1再对两个子集合R1和R2进行分解。
例如,根据基尼指数计算,选出的第二最优特征F1为保价次数,计算出的切分值为3次,则根据保价次数将保价金额大于等于1000元的子集合R1继续分为保价次数大于等于3次的子集合R11和保价次数小于3次的子集合R12,将保价金额小于1000元的子集合R2分为保价次数大于等于3次的子集合R21和保价次数小于3次的子集合R22。
依次类推,通过上述重复递归计算,最终完成训练集合R的分类,得到理赔风险预测模型。
当需要进行理赔风险预测时,在预设时间内提取客户提交的实际快递订单数据输入理赔风险预测模型,计算得到该订单的理赔风险指数,然后将该指数推送给收派员的收派终端。
该预设时间最好是在客户提交订单,订单触发后,收派员上门揽收之前的时间内,这样,收派员在对快递进行揽收之前得知该快递的理赔风险指数。
当风险预测模型计算出该快递订单理赔风险指数之后,还可以根据理赔风险指数反馈针对高风险理赔托寄物的揽收策略。例如,对应不同的理赔风险值,对应可采取的操作分别为:
理赔风险值为2,风险较高,因此开箱验示,出示身份证拍照;
理赔风险值为0,风险低,正常收件。
收派员收到该理赔风险指数以及揽收策略后,就可以根据风险的高低,采取相应的措施。
本实施例还涉及一种理赔风险预测系统,包括
基本特征获取模块,配置用于获取订单基本特征;
衍生特征获取模块,配置用于计算基于基本特征的衍生特征;
理赔数据获取模块,配置用于获取基于基本特征对应的收、寄件人的历史理赔数据;
风险预测模块,配置用于将基本特征、衍生特征及历史理赔数据进行融合处理并输入预先基于随机森林算法构建的风险预测模型,得到理赔风险指数。
关于基本特征、衍生特征和历史理赔数据的获取和计算已在理赔风险预测方法中进行了详细说明,此处不再赘述。
基本特征获取模块、衍生特征获取模块、理赔数据获取模块和风险预测模块会在后台系统进行维护和模型参数的更新。
风险预测模块的工作流程如下:
从收件系统中获取客户快递订单的数据,并进行一定格式的解析,获得例如寄件人,收件人,寄件地址,收件地址,托寄物类型,时效信息等基本特征。
根据获得的基本特征实时计算获得该订单相关的衍生特征。衍生特征例如寄件地址和收件地址的物理距离,以及和收件地和寄件地相关的历史理赔率映射等。
根据获得的基本特征信息,实时查询并得到寄件人和收件人的历史理赔相关特征,例如理赔次数,寄件次数,地址更改次数等特征。
将基本特征、衍生特征和历史理赔数据进行融合生成订单的特征向量,作为该客户的理赔风险预测模型输入特征。
将获得的特征向量输入风险预测模型,实时得到理赔风险值。
本发明还涉及一种设备,该设备包括:一个或多个处理器;存储器,其上存储有一个或多个程序;当一个或多个处理器执行一个或多个程序时,实现上述的理赔风险预测方法的步骤。
本发明还涉及一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的理赔风险预测方法的步骤。
本发明的理赔风险预测方法、系统、设备和存储介质,通过使用随机森林算法进行建模,对订单数据信息进行综合评判,能够在客户下单后,订单成交之前计算出该订单的理赔风险指数,从而预先针对理赔风险指数高的订单做出相应的预防措施,降低损失。
在客户下单后、收派员上门取件之前的这段时间内,计算得到该快件的理赔风险指数,并将风险指数推送给收派员的手持终端。这样,收派员在上门取件前,就可以得知该快件的风险指数,如果该快件理赔风险指数很高,则收派员可以采取相应的措施来避免损失的发生,如开箱验货、拍照、重新包装等。
以上实施例采用快递订单对本发明进行具体说明,本发明并不局限于快递订单的理赔风险预测,对于其他领域有理赔风险的订单均适用于本发明。
以上实施例为本发明的优选实施例,并不用以限定本发明的目的,凡在本发明的精神和原则之内进行的修改和替换,均在本发明的保护之内。
Claims (12)
1.一种理赔风险预测方法,其特征在于,包括如下步骤
获取订单基本特征;
计算基于基本特征的衍生特征;
根据基本特征获取对应的收、寄件人的历史理赔数据;
将基本特征、衍生特征及历史理赔数据进行融合处理并输入预先基于随机森林算法构建的风险预测模型,得到理赔风险指数。
2.根据权利要求1所述的理赔风险预测方法,其特征在于,
所述基本特征包括寄件人、收件人,寄件地址,收件地址,托寄物类型及时效信息。
3.根据权利要求1所述的理赔风险预测方法,其特征在于,
所述衍生特征包括收、寄件地址距离,关联收、寄件区域历史理赔率中至少一项。
4.根据权利要求1所述的理赔风险预测方法,其特征在于,
所述历史理赔数据包理赔次数,寄件次数,保价频率及地址变更次数中至少一项。
5.根据权利要求1所述的理赔风险预测方法,其特征在于,所述将基本特征、衍生特征及历史理赔数据融合处理,包括
将基本特征、衍生特征及历史理赔数据直接组合为一个特征向量。
6.根据权利要求1所述的理赔风险预测方法,其特征在于,
所述风险预测模型是通过将包括基本特征、衍生特征及历史理赔数据的历史订单数据集作为随机森林算法的输入,构建的风险预测模型,
其中,所述历史订单数据集是对历史的快递订单统计得到的数据集合。
7.根据权利要求1-5任一项所述的理赔风险预测方法,其特征在于,
还包括在预设时间内将理赔风险指数推送至收派终端。
8.根据权利要求7所述的理赔风险预测方法,其特征在于,
所述预设时间内包括在订单触发之后至揽收之前。
9.根据权利要求7所述的理赔风险预测方法,其特征在于,还包括反馈针对高风险理赔托寄物的揽收策略。
10.一种理赔风险预测系统,其特征在于,包括
基本特征获取模块,配置用于获取订单基本特征;
衍生特征获取模块,配置用于计算基于基本特征的衍生特征;
理赔数据获取模块,配置用于获取基于基本特征对应的收、寄件人的历史理赔数据;
风险预测模块,配置用于将基本特征、衍生特征及历史理赔数据进行融合处理并输入预先基于随机森林算法构建的风险预测模型,得到理赔风险指数。
11.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,其上存储有一个或多个计算机程序;
当所述一个或多个处理器执行所述一个或多个计算机程序时,实现如权利要求1中所述方法的步骤。
12.一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,该程序被处理器执行时实现如权利要求1中所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810067068.XA CN108428188A (zh) | 2018-01-24 | 2018-01-24 | 理赔风险预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810067068.XA CN108428188A (zh) | 2018-01-24 | 2018-01-24 | 理赔风险预测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108428188A true CN108428188A (zh) | 2018-08-21 |
Family
ID=63156055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810067068.XA Pending CN108428188A (zh) | 2018-01-24 | 2018-01-24 | 理赔风险预测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428188A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801151A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 财务造假风险监控方法、装置、计算机设备和存储介质 |
CN109903165A (zh) * | 2018-12-14 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 一种模型合并方法和装置 |
CN110276677A (zh) * | 2019-04-24 | 2019-09-24 | 武汉众邦银行股份有限公司 | 基于大数据平台的还款预测方法、装置、设备及存储介质 |
CN111222994A (zh) * | 2018-11-23 | 2020-06-02 | 泰康保险集团股份有限公司 | 客户风险评估方法、装置、介质和电子设备 |
CN111353702A (zh) * | 2020-02-28 | 2020-06-30 | 中国工商银行股份有限公司 | 变更操作风险计算方法和装置 |
CN111967600A (zh) * | 2020-08-18 | 2020-11-20 | 北京睿知图远科技有限公司 | 一种风控场景下基于遗传算法的特征衍生系统及方法 |
CN112950397A (zh) * | 2021-05-17 | 2021-06-11 | 太平金融科技服务(上海)有限公司深圳分公司 | 理赔风险预估方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194177A (zh) * | 2011-05-13 | 2011-09-21 | 南京柯富锐软件科技有限公司 | 一种用于在线支付风险控制的系统 |
TWM549931U (zh) * | 2017-07-13 | 2017-10-01 | Shin Kong Life Insurance Co Ltd | 保單理賠風險預測系統 |
CN107292418A (zh) * | 2017-05-23 | 2017-10-24 | 顺丰科技有限公司 | 一种运单滞留预测方法 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
-
2018
- 2018-01-24 CN CN201810067068.XA patent/CN108428188A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194177A (zh) * | 2011-05-13 | 2011-09-21 | 南京柯富锐软件科技有限公司 | 一种用于在线支付风险控制的系统 |
CN107292418A (zh) * | 2017-05-23 | 2017-10-24 | 顺丰科技有限公司 | 一种运单滞留预测方法 |
CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
TWM549931U (zh) * | 2017-07-13 | 2017-10-01 | Shin Kong Life Insurance Co Ltd | 保單理賠風險預測系統 |
Non-Patent Citations (1)
Title |
---|
韩忠明 等: "《数据分析与R》", 北京:北京邮电大学出版社, pages: 208 - 217 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222994A (zh) * | 2018-11-23 | 2020-06-02 | 泰康保险集团股份有限公司 | 客户风险评估方法、装置、介质和电子设备 |
CN109903165A (zh) * | 2018-12-14 | 2019-06-18 | 阿里巴巴集团控股有限公司 | 一种模型合并方法和装置 |
CN109903165B (zh) * | 2018-12-14 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 一种模型合并方法和装置 |
TWI718690B (zh) * | 2018-12-14 | 2021-02-11 | 開曼群島商創新先進技術有限公司 | 模型合併方法和裝置 |
CN109801151A (zh) * | 2019-01-07 | 2019-05-24 | 平安科技(深圳)有限公司 | 财务造假风险监控方法、装置、计算机设备和存储介质 |
CN109801151B (zh) * | 2019-01-07 | 2023-09-05 | 平安科技(深圳)有限公司 | 财务造假风险监控方法、装置、计算机设备和存储介质 |
CN110276677A (zh) * | 2019-04-24 | 2019-09-24 | 武汉众邦银行股份有限公司 | 基于大数据平台的还款预测方法、装置、设备及存储介质 |
CN111353702A (zh) * | 2020-02-28 | 2020-06-30 | 中国工商银行股份有限公司 | 变更操作风险计算方法和装置 |
CN111967600A (zh) * | 2020-08-18 | 2020-11-20 | 北京睿知图远科技有限公司 | 一种风控场景下基于遗传算法的特征衍生系统及方法 |
CN112950397A (zh) * | 2021-05-17 | 2021-06-11 | 太平金融科技服务(上海)有限公司深圳分公司 | 理赔风险预估方法、装置、计算机设备和存储介质 |
CN112950397B (zh) * | 2021-05-17 | 2021-07-27 | 太平金融科技服务(上海)有限公司深圳分公司 | 理赔风险预估方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428188A (zh) | 理赔风险预测方法、系统、设备及存储介质 | |
CN107657267B (zh) | 产品潜在用户挖掘方法及装置 | |
CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
CN109711424B (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
CN106294676B (zh) | 一种电子商务政务系统的数据检索方法 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN108460690A (zh) | 理赔风险预测方法、系统、设备及存储介质 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN110517177A (zh) | 模型的生成方法、轨道交通车站的画像方法及系统 | |
CN108536825A (zh) | 一种识别房源数据是否重复的方法 | |
CN108197795A (zh) | 恶意团体账户识别方法、装置、终端及存储介质 | |
CN110992194A (zh) | 一种基于含属性的多进程采样图表示学习模型的用户参考指数算法 | |
CN110807159B (zh) | 数据标记方法、装置、存储介质及电子设备 | |
CN111222923B (zh) | 一种判断潜在客户的方法及装置、电子设备和存储介质 | |
CN112966728A (zh) | 一种交易监测的方法及装置 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN115471148A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN114187096A (zh) | 基于用户画像的风险评估方法、装置、设备及存储介质 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN106600053A (zh) | 一种基于时空轨迹和社会网络的用户属性预测系统 | |
CN113408663A (zh) | 融合模型构建方法、融合模型使用方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |