CN109360111A - 问卷数据修正方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种问卷数据修正方法、装置、计算机设备和存储介质。所述方法包括：获取投保单对应的核保问卷；基于核保问卷计算综合风险值；根据综合风险值所处的风险值区间确定投保单的核保初始类型；当核保初始类型为预设类型时，获取与用户标识对应的用户数据；用户标识与投保单相对应；将用户数据输入风险修正模型，得到修正系数；根据修正系数修正核保初始类型，得到投保单的核保目标类型。采用本方法通过对数据资源进行分析，能够提高核保准确性。

Description

问卷数据修正方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种问卷数据修正方法、装置、计算机设备和存储介质。

背景技术

投保人在投保过程中需要告知被保人的健康情况时，通常是由业务员将用于健康调查的核保问卷打印成函件给投保人填写，在填写完之后业务员再将函件回销给核保人进行人工核保，由核保人根据填写好的核保问卷对相应投保单的可保风险进行人工评判，进而决定是否承保以及以何种条件承保。核保人可根据被保人的健康情况将被保人分为三种类型。其中，标准体是指无需增加保费或特殊限制即可承保的人群。次标准体是指健康风险程度高于标准体，适用于经过调整的费率或以附加条件来承保的人群。延期拒保体是指健康风险程度明显高于承保群体，保险公司不能承保的人群。传统方式中，核保人仅仅依据核保问卷通过自身经验进行核保，然而，实际业务中存在投保人隐瞒自己健康状况的情况，仅凭核保问卷所得到的核保结论不够准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高核保准确性的问卷数据修正方法、装置、计算机设备和存储介质。

一种问卷数据修正方法，所述方法包括：获取投保单对应的核保问卷；基于所述核保问卷计算综合风险值；根据所述综合风险值所处的风险值区间确定所述投保单的核保初始类型；当所述核保初始类型为预设类型时，获取与用户标识对应的用户数据；所述用户标识与所述投保单相对应；将所述用户数据输入风险修正模型，得到修正系数；根据所述修正系数修正所述核保初始类型，得到所述投保单的核保目标类型。

在其中一个实施例中，所述获取投保单对应的核保问卷，包括：获取问卷树中的初始问题，根据所述初始问题生成初始问卷；获取基于所述初始问卷输入的已选选项标识；判断所述问卷树中是否存在与所述已选选项标识对应的子问题；当所述问卷树中存在与所述已选选项标识对应的子问题时，获取所述子问题，并生成包含所述子问题的新的合成问卷；获取基于新的合成问卷输入的已选选项标识，返回执行所述判断所述问卷树中是否存在与已选选项标识对应的子问题的步骤，直至所述问卷树中不存在与已选选项标识对应的子问题，得到核保问卷。

在其中一个实施例中，所述基于所述核保问卷计算综合风险值，包括：根据所述核保问卷中每个所述初始问题的已选选项标识和每个所述子问题的已选选项标识，确定所述核保问卷对应的疾病标识；查找与每个疾病标识对应的疾病人群的疾病死亡率；查找标准人群的标准死亡率；根据所述标准死亡率和每个所述疾病死亡率，计算相应已选选项标识对应的子风险值；根据子风险值计算得到所述核保问卷对应的综合风险值。

在其中一个实施例中，在所述将所述用户数据输入风险修正模型，得到修正系数之前，还包括：获取正常用户的多种建模数据，和风险用户的多种建模数据；确定每种建模数据对应的初始指标；根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标；对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标；基于所述多个评估指标建立风险修正模型。

在其中一个实施例中，所述对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标，包括：统计每个待筛选指标对应的正常用户的建模数据的第一数量，和相应待筛选指标对应的风险用户的建模数据的第二数量；对每个待筛选指标对应的建模数据进行分组处理；统计每组中正常用户的建模数据的第一子数量和风险用户的建模数据的第二子数量；根据所述第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值；当信息值处于预设取值区间时，将所述信息值对应的待筛选指标作为评估指标。

在其中一个实施例中，所述根据所述修正系数修正所述核保初始类型，得到所述投保单的核保目标类型，包括：确定所述修正系数所处的系数区间；获取与所确定的系数区间对应的修正策略；根据所述修正策略修正所述核保初始类型，得到所述投保单的核保目标类型。

在其中一个实施例中，所述根据所述修正策略修正所述核保初始类型，得到所述投保单的核保目标类型，包括：当所确定的系数区间为低区间时，则将所述核保初始类型作为核保目标类型；当所确定的系数区间为中低区间时，则将承保保单对应的核保初始类型修正为待审核保单；当所确定的系数区间为中高区间时，则将待审核保单对应的核保初始类型修正为拒保保单；当所确定的系数区间为高区间时，则将所述核保初始类型修正为拒保保单。

一种问卷数据修正装置，所述装置包括：计算模块，用于获取投保单对应的核保问卷；基于所述核保问卷计算综合风险值；判断模块，用于根据所述综合风险值所处的风险值区间确定所述投保单的核保初始类型；获取模块，当所述核保初始类型为预设类型时，获取与用户标识对应的用户数据；所述用户标识与所述投保单相对应；修正模块，用于将所述用户数据输入风险修正模型，得到修正系数；根据所述修正系数修正所述核保初始类型，得到所述投保单的核保目标类型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个实施例中所述的问卷数据修正方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例中所述的问卷数据修正方法的步骤。

上述问卷数据修正方法、装置、计算机设备和存储介质，通过对投保单对应的核保问卷进行计算，得到基于核保问卷的综合风险值，根据综合风险值可得到投保单的核保初始类型。当核保初始类型为预设类型时，通过将用户的用户数据输入风险修正模型可得到修正系数，根据修正系数对核保初始类型进行修正，得到投保单的投保目标类型。通过结合核保问卷和用户数据，得到修正后的投保单的投保目标类型，提高了核保的准确性。

附图说明

图1为一个实施例中问卷数据修正方法的应用场景图；

图2为一个实施例中问卷数据修正方法的流程示意图；

图3为一个实施例中问卷树的示意图；

图4为另一个实施例中问卷数据修正方法的流程示意图；

图5为一个实施例中问卷数据修正装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语的限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一数量称为第二数量，且类似地，可将第二数量称为第一数量。第一数量和第二数量两者都是数量，但其不是同一数量。

本申请提供的问卷数据修正方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104可从终端102获取投保单对应的核保问卷之后，可基于核保问卷计算综合风险值。服务器104可根据综合风险值所处的风险值区间确定投保单的核保初始类型，且当核保初始类型为预设类型时，获取与投保单携带的用户标识对应的用户数据。服务器102可将用户数据输入预设的风险修正模型，得到修正系数，并根据修正系数修正核保初始类型，得到修正后的投保单的核保目标类型。

在一个实施例中，如图2所示，提供了一种问卷数据修正方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤202，获取投保单对应的核保问卷。

投保单是指投保人在投保过程中填明订立的文件。投保单中可携带用户标识、保险类型、保险期限、保险金额、投保人信息等。核保问卷是指投保人填写的用于说明自身健康状况的问卷。核保问卷中包含问卷问题和已选选项标识。已选选项标识是指用户勾选的选项标识。

在一个实施例中，核保问卷集成了多个初始问题和多个子问题。核保问卷中的子问题可为根据用户针对初始问题进行回答，从而针对相应初始问题或初始问题的选项所获取并展示的更加细化的问题。举例来说，当用户针对初始问题“是否存在以上未提及的症状、疾病或手术史时”勾选了“是”对应的选项之后，可获取该选项对应的子问题“症状、疾病或手术名称”，当勾选了“否”对应的选项之后，则无需获取并展示该子问题。

步骤204，基于核保问卷计算综合风险值。

综合风险值是指基于核保问卷计算得到的、用于评估投保人健康风险的数值。然而，由于实际业务中存在投保人隐瞒自己健康状况的情况，仅仅依据核保问卷数据计算得到的综合风险值存在误差。

步骤206，根据综合风险值所处的风险值区间确定投保单的核保初始类型。

核保初始类型是指仅仅依据核保问卷得到的投保单的核保类型。用户可根据健康状况划分为三种类型：标准体、次标准体、延期拒保体。标准体是指无需增加保费或特殊限制即可承保的人群。次标准体是指健康风险程度高于标准体，适用于经过调整的费率或以附加条件来承保的人群。延期拒保体是指健康风险程度明显高于承保群体，保险公司不能承保的人群。风险值区间可为三个，每个风险值区间对应相应的核保类型，核保类型即根据判定的用户所属健康类型所得到的相应投保单的类型。当判定用户为标准体，则说明该核保问卷对应的投保单为承保保单，可直接进入承保流程；当判定用户为次标准体，则说明该核保问卷对应的投保单为待审核保单，需要进行人工核保，协商调整的费率或以附加条件；当判定用户为延期拒保体，则说明该核保问卷对应的投保单为拒保保单，可直接进入延期流程或拒保流程。

步骤208，当核保初始类型为预设类型时，获取与用户标识对应的用户数据；用户标识与投保单相对应。

其中预设类型为承保保单和待核保保单中的至少一种。由于仅仅依据核保问卷数据计算得到的综合风险值存在误差，则综合风险值判定得到的核保初始类型也可能存在错误判定，需要进行修正。通常部分投保人会通过核保问卷提供虚假的健康状况，以达到骗保的目的，使得本该被判定为拒保保单的投保单变成待审核保单或承保保单，使得本该被判定为待审核保单的投保单变成承保保单。因此可结合用户标识对应的用户数据对核保初始类型进行修正，降低骗保可能性较高的用户实施骗保行为的可能性。用户标识包括但不限于投保人的姓名和身份证号等。用户数据包括但不限于历史投保数据、历史违约数据、历史骗保数据、历史健康数据等。

步骤210，将用户数据输入风险修正模型，得到修正系数。

风险修正模型是指基于大量正常用户和风险用户的多种建模数据所筛选出的评估指标构建的模型。风险修正模型可通过修正系数预测待评估的用户的骗保可能性。修正系数越大可说明待评估的用户的骗保可能性越大。

步骤212，根据修正系数修正核保初始类型，得到投保单的核保目标类型。

核保目标类型是指根据修正系数修正核保初始类型之后得到的核保类型。

在一个实施例中，根据修正系数修正核保初始类型，得到投保单的核保目标类型，包括：确定修正系数所处的系数区间；获取与所确定的系数区间对应的修正策略；根据修正策略修正核保初始类型，得到投保单的核保目标类型。

在一个实施例中，根据修正策略修正核保初始类型，得到投保单的核保目标类型，包括：当所确定的系数区间为低区间时，则将核保初始类型作为核保目标类型；当所确定的系数区间为中低区间时，则将承保保单对应的核保初始类型修正为待审核保单；当所确定的系数区间为中高区间时，则将待审核保单对应的核保初始类型修正为拒保保单；当所确定的系数区间为高区间时，则将核保初始类型修正为拒保保单。

当所确定的系数区间为低区间时，比如(0,0.25)区间，说明待评估的用户的骗保可能性较小，则可保留原确定结果。当所确定的系数区间为中低区间时，比如(0.25,0.5)区间，可根据实际原确定的核保初始类型进行调整，将承保保单对应的核保初始类型修正为待审核保单，并保留待审核保单对应的核保初始类型。当所确定的系数区间为中高区间时，比如(0.5,0.75)区间，也可根据实际原确定的核保初始类型进行调整，将待审核保单对应的核保初始类型修正为拒保保单，还可将承保保单对应的核保初始类型修正为待审核保单。当所确定的系数区间为中高区间时，比如(0.75,1)区间，说明待评估的用户的骗保可能性较大，若承保将会承担较大的风险，则可将原确定结果修正为拒保保单。

上述问卷数据修正方法中，通过对投保单对应的核保问卷进行计算，得到基于核保问卷的综合风险值，根据综合风险值可得到投保单的核保初始类型。当核保初始类型为预设类型时，通过将用户的用户数据输入风险修正模型可得到修正系数，根据修正系数对核保初始类型进行修正，得到投保单的投保目标类型。通过结合核保问卷和用户数据，得到修正后的投保单的投保目标类型，提高了核保的准确性。

在一个实施例中，获取投保单对应的核保问卷，包括：获取问卷树中的初始问题，根据初始问题生成初始问卷；获取基于初始问卷输入的已选选项标识；判断问卷树中是否存在与已选选项标识对应的子问题；当问卷树中存在与已选选项标识对应的子问题时，获取子问题，并生成包含子问题的新的合成问卷；获取基于新的合成问卷输入的已选选项标识，返回执行判断问卷树中是否存在与已选选项标识对应的子问题的步骤，直至问卷树中不存在与已选选项标识对应的子问题，得到核保问卷。

问卷树是指根据所有问卷问题生成的树形结构的问卷。问卷树中包含多个层级问卷问题，每一子节点对应问卷问题都是父节点对应问卷问题的分支细化问题。初始问题是指在问卷树中处于第一层级的问卷问题。问卷树中问卷问题的题目类型包括但不限于，是非题、单选题、多选题、文本填空题、数字填空题、文件上传题、日期选择题、参数选择题等其中一种或多种问题。初始问卷是指集成了初始问题的、用于展示给用户进行填写的问卷。用户可基于初始问卷按照实际情况对初始问题对应的多个选项标识进行勾选，并将勾选的选项标识作为已选选项标识。

举例来说，如图3中的问卷树，节点1、节点2、节点3代表第一层级的初始问题，节点1.1、节点1.2、节点2.1、节点2.2为第二层级的子问题，节点1.21、节点1.22为第三层级的问题。一开始展示的只有节点1、节点2、节点3对应的初始问题，其余层级问题为根据相应父节点对应的问卷问题的已选选项标识确定展示或不展示。每个层级的节点转向下一层级节点的问题都会有触发条件。比如说，只有当用户针对“是否吸烟？”的父节点对应的问卷问题勾选了“吸烟”的选项标识之后，才会展示“多久吸一次烟？”的子节点对应的子问题。若勾选了“不吸烟”的选项标识之后，则不对问卷进行刷新，用户可对同一层级的另一问卷问题进行回答。当到达节点1.1、节点1.21、节点1.22、节点2.1、节点2.2、节点3叶子节点对应的问题时，也无需再对问卷进行刷新。

用户基于新的合成问卷可再次输入已选选项标识，则在问卷树中存在与已选选项标识对应的子问题的时候，不断获取相应的子问题，并根据新获取的子问题重新生成新的合成问卷。当问卷树中不存在与已选选项标识对应的子问题时，则无需获取新的子问题。用户可基于新的合成问卷中的其他初始问题或子问题进行填写或勾选，直至所有的初始问题和子问题都有对应的已选选项标识，则说明当前的合成问卷已无法进行进一步的填写、勾选以及扩展，则将当前完全扩展状态下的合成问卷作为核保问卷。

通过根据用户输入的已选选项标识动态生成合成问卷的方式，避免了展示无需填写的问题，使得核保问卷中的初始问题或子问题都是用户必须填写的问题，从而提高问卷调查效率。

在一个实施例中，基于核保问卷计算综合风险值，包括：根据核保问卷中每个初始问题的已选选项标识和每个子问题的已选选项标识，确定核保问卷对应的疾病标识；查找与每个疾病标识对应的疾病人群的疾病死亡率；查找标准人群的标准死亡率；根据标准死亡率和每个疾病死亡率，计算相应已选选项标识对应的子风险值；根据子风险值计算得到核保问卷对应的综合风险值。

通过已选选项标识可以确定用户的健康情况。比如说，当用户选择了具有肿瘤、结节、息肉、囊肿、癌等疾病时，可根据用户的疾病分析用户的承保风险。子风险值是指与每个已选选项对应的、用于反应用户承保风险程度的数值或等级。

核保问卷可为健康调查问卷。每个已选选项标识可对应疾病类型、疾病名称、疾病程度等疾病标识。可计算每个已选选项标识对应的子风险值。子风险值可以是EM值(额外死亡率)，EM值是核保中对健康风险的评估手段。疾病人群是指身患疾病标识对应的患者群体，标准人群是指身体健康状况良好且不影响承保的群体。疾病人群的疾病死亡率和标准人群的标准死亡率可通过网络爬虫从网页中采集实时的数据得到，还可获取预存在本地数据库中的数据。子风险值可通过以下公式进行计算：子风险值＝(疾病死亡率—标准死亡率)/标准死亡率。还可将计算得到的与已选选项标识对应的子风险值存储至本地数据库中，以供后续直接查询利用，而无需进行重复的计算。

举例来说，已选选项标识反映用户为45岁的乙肝患者。且45岁，乙肝人群10000人，一年死亡1000人；标准人群10000人，标准人群死亡100人。那么45岁乙肝患者的子风险值就是

当用户勾选了多项疾病对应的已选选项标识的时候，可对多项已选选项标识对应的子风险值进行加权求和得到最终的综合风险值。比如说，针对五种疾病所得到的子风险值分别是A、B、D、E和F，且对应的权值分别是W1、W2、W3、W4和W5。则综合EM值为EM＝A*W1+B*W2+D*W3+E*W4+F*W5。

在一个实施例中，在将用户数据输入风险修正模型，得到修正系数之前，还包括：获取正常用户的多种建模数据，和风险用户的多种建模数据；确定每种建模数据对应的初始指标；根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标；对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标；基于多个评估指标建立风险修正模型。

风险用户是指发生过骗保行为的用户。建模数据是指用户的相关历史数据，用于构建违规风险模型。相应地，建模数据也可以是员工的基础信息和行为信息，还可以是体现待评估用户的能力特点、情绪性格、社交情况等特性的数据。通过大量用户的多种建模数据可确定每种建模数据对应的初始指标。初始指标中通常比较大量，会涉及到较多的无用指标。因此，首先需要对初始指标进行初步选取，得到待筛选指标。比如说，通过数据缺失率或数据异常率进行筛选。

在一个实施例中，对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标，包括：统计每个待筛选指标对应的正常用户的建模数据的第一数量，和相应待筛选指标对应的风险用户的建模数据的第二数量；对每个待筛选指标对应的建模数据进行分组处理；统计每组中正常用户的建模数据的第一子数量和风险用户的建模数据的第二子数量；根据第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值；当信息值处于预设取值区间时，将信息值对应的待筛选指标作为评估指标。

举例来说，将待筛选指标对应的建模数据进行分组处理(分为n组)。比如，对待筛选指标“年龄”进行分组，18-25、25-35、35-45、45-55、55以上各为一组；再比如，对待筛选指标“员工报销金额在特定区间的报销次数”进行分组，0-10、10-20、20以上各为一组。分别统计待筛选指标“年龄”对应的全部建模数据中正常用户的第一数量和风险用户的第二数量，以及每组中正常用户的第一子数量和风险用户的第二子数量。

在一个实施例中，可通过公式 计算每个待筛选指标的信息值IV。信息值IV为每个分组的子信息值IV_i之和。其中，#Bi为第i分组中风险用户的第二子数量，#BT为整体中费用风险用户的第二数量，#Gi为第i分组中正常用户的第一子数量，#GT为整体中正常用户的第一数量。信息值反映了每个待筛选指标的每个分组下，风险用户对正常用户占比和总体中风险用户对正常用户占比之间的差异。通过待筛选指标能够更具有针对性地刻画风险用户的用户画像，减少不必要因素的干扰。

在一个实施例中，如图4所示，提供了一种问卷数据修正方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤402，获取投保单对应的核保问卷。

步骤404，基于核保问卷计算综合风险值。

步骤406，根据综合风险值所处的风险值区间确定投保单的核保初始类型。

步骤408，当核保初始类型为预设类型时，获取与用户标识对应的用户数据；用户标识与投保单相对应。

步骤410，获取正常用户的多种建模数据，和风险用户的多种建模数据。

步骤412，确定每种建模数据对应的初始指标。

步骤414，根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标。

步骤416，对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标。

步骤418，基于多个评估指标建立风险修正模型。

步骤420，将用户数据输入风险修正模型，得到修正系数。

步骤422，确定修正系数所处的系数区间。

步骤424，获取与所确定的系数区间对应的修正策略。

步骤426，当所确定的系数区间为低区间时，则将核保初始类型作为核保目标类型。

步骤428，当所确定的系数区间为中低区间时，则将承保保单对应的核保初始类型修正为待审核保单。

步骤430，当所确定的系数区间为中高区间时，则将待审核保单对应的核保初始类型修正为拒保保单。

步骤432，当所确定的系数区间为高区间时，则将核保初始类型修正为拒保保单。

上述问卷数据修正方法中，通过对投保单对应的核保问卷进行计算，得到基于核保问卷的综合风险值，根据综合风险值可得到投保单的核保初始类型。当核保初始类型为预设类型时，通过将用户的用户数据输入风险修正模型可得到修正系数，根据修正系数对核保初始类型进行修正，得到投保单的投保目标类型。通过结合核保问卷和用户数据，能够对骗保风险较高的客户提高投保条件或投保成本，得到修正后的投保单的投保目标类型，提高了核保的准确性，从而能够降低发生骗保事件的概率。

应该理解的是，虽然图2和4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2和4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种问卷数据修正装置500，包括：计算模块502，用于获取投保单对应的核保问卷；基于核保问卷计算综合风险值；判断模块504，用于根据综合风险值所处的风险值区间确定投保单的核保初始类型；获取模块506，当核保初始类型为预设类型时，获取与用户标识对应的用户数据；用户标识与投保单相对应；修正模块508，用于将用户数据输入风险修正模型，得到修正系数；根据修正系数修正核保初始类型，得到投保单的核保目标类型。

在一个实施例中，计算模块502还用于获取问卷树中的初始问题，根据初始问题生成初始问卷；获取基于初始问卷输入的已选选项标识；判断问卷树中是否存在与已选选项标识对应的子问题；当问卷树中存在与已选选项标识对应的子问题时，获取子问题，并生成包含子问题的新的合成问卷；获取基于新的合成问卷输入的已选选项标识，返回执行判断问卷树中是否存在与已选选项标识对应的子问题的步骤，直至问卷树中不存在与已选选项标识对应的子问题，得到核保问卷。

在一个实施例中，计算模块502还用于根据核保问卷中每个初始问题的已选选项标识和每个子问题的已选选项标识，确定核保问卷对应的疾病标识；查找与每个疾病标识对应的疾病人群的疾病死亡率；查找标准人群的标准死亡率；根据标准死亡率和每个疾病死亡率，计算相应已选选项标识对应的子风险值；根据子风险值计算得到核保问卷对应的综合风险值。

在一个实施例中，修正模块508还用于获取正常用户的多种建模数据，和风险用户的多种建模数据；确定每种建模数据对应的初始指标；根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标；对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标；基于多个评估指标建立风险修正模型。

在一个实施例中，修正模块508还用于统计每个待筛选指标对应的正常用户的建模数据的第一数量，和相应待筛选指标对应的风险用户的建模数据的第二数量；对每个待筛选指标对应的建模数据进行分组处理；统计每组中正常用户的建模数据的第一子数量和风险用户的建模数据的第二子数量；根据第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值；当信息值处于预设取值区间时，将信息值对应的待筛选指标作为评估指标。

在一个实施例中，修正模块508还用于确定修正系数所处的系数区间；获取与所确定的系数区间对应的修正策略；根据修正策略修正核保初始类型，得到投保单的核保目标类型。

在一个实施例中，修正模块508还用于当所确定的系数区间为低区间时，则将核保初始类型作为核保目标类型；当所确定的系数区间为中低区间时，则将承保保单对应的核保初始类型修正为待审核保单；当所确定的系数区间为中高区间时，则将待审核保单对应的核保初始类型修正为拒保保单；当所确定的系数区间为高区间时，则将核保初始类型修正为拒保保单。

关于问卷数据修正装置的具体限定可以参见上文中对于问卷数据修正方法的限定，在此不再赘述。上述问卷数据修正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储核保问卷数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种问卷数据修正方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个实施例中的问卷数据修正方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例中的问卷数据修正方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种问卷数据修正方法，所述方法包括：

获取投保单对应的核保问卷；

基于所述核保问卷计算综合风险值；

根据所述综合风险值所处的风险值区间确定所述投保单的核保初始类型；

当所述核保初始类型为预设类型时，获取与用户标识对应的用户数据；所述用户标识与所述投保单相对应；

将所述用户数据输入风险修正模型，得到修正系数；

根据所述修正系数修正所述核保初始类型，得到所述投保单的核保目标类型。

2.根据权利要求1所述的方法，其特征在于，所述获取投保单对应的核保问卷，包括：

获取问卷树中的初始问题，根据所述初始问题生成初始问卷；

获取基于所述初始问卷输入的已选选项标识；

判断所述问卷树中是否存在与所述已选选项标识对应的子问题；

当所述问卷树中存在与所述已选选项标识对应的子问题时，获取所述子问题，并生成包含所述子问题的新的合成问卷；

获取基于新的合成问卷输入的已选选项标识，返回执行所述判断所述问卷树中是否存在与已选选项标识对应的子问题的步骤，直至所述问卷树中不存在与已选选项标识对应的子问题，得到核保问卷。

3.根据权利要求2所述的方法，其特征在于，所述基于所述核保问卷计算综合风险值，包括：

根据所述核保问卷中每个所述初始问题的已选选项标识和每个所述子问题的已选选项标识，确定所述核保问卷对应的疾病标识；

查找与每个疾病标识对应的疾病人群的疾病死亡率；

查找标准人群的标准死亡率；

根据所述标准死亡率和每个所述疾病死亡率，计算相应已选选项标识对应的子风险值；

根据子风险值计算得到所述核保问卷对应的综合风险值。

4.根据权利要求1所述的方法，其特征在于，在所述将所述用户数据输入风险修正模型，得到修正系数之前，还包括：

获取正常用户的多种建模数据，和风险用户的多种建模数据；

确定每种建模数据对应的初始指标；

根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标；

对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标；

基于所述多个评估指标建立风险修正模型。

5.根据权利要求4所述的方法，其特征在于，所述对每个待筛选指标对应的正常用户的建模数据，和相应待筛选指标对应的风险用户的建模数据进行单因素分析，筛选得到多个评估指标，包括：

统计每个待筛选指标对应的正常用户的建模数据的第一数量，和相应待筛选指标对应的风险用户的建模数据的第二数量；

对每个待筛选指标对应的建模数据进行分组处理；

统计每组中正常用户的建模数据的第一子数量和风险用户的建模数据的第二子数量；

根据所述第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值；

当信息值处于预设取值区间时，将所述信息值对应的待筛选指标作为评估指标。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据所述修正系数修正所述核保初始类型，得到所述投保单的核保目标类型，包括：

确定所述修正系数所处的系数区间；

获取与所确定的系数区间对应的修正策略；

根据所述修正策略修正所述核保初始类型，得到所述投保单的核保目标类型。

7.根据权利要求6的方法，其特征在于，所述根据所述修正策略修正所述核保初始类型，得到所述投保单的核保目标类型，包括：

当所确定的系数区间为低区间时，则将所述核保初始类型作为核保目标类型；

当所确定的系数区间为中低区间时，则将承保保单对应的核保初始类型修正为待审核保单；

当所确定的系数区间为中高区间时，则将待审核保单对应的核保初始类型修正为拒保保单；

当所确定的系数区间为高区间时，则将所述核保初始类型修正为拒保保单。

8.一种问卷数据修正装置，其特征在于，所述装置包括：

计算模块，用于获取投保单对应的核保问卷；基于所述核保问卷计算综合风险值；

判断模块，用于根据所述综合风险值所处的风险值区间确定所述投保单的核保初始类型；

获取模块，当所述核保初始类型为预设类型时，获取与用户标识对应的用户数据；所述用户标识与所述投保单相对应；

修正模块，用于将所述用户数据输入风险修正模型，得到修正系数；根据所述修正系数修正所述核保初始类型，得到所述投保单的核保目标类型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。