CN110070452B - 模型训练方法、装置、计算设备及计算机可读存储介质 - Google Patents

模型训练方法、装置、计算设备及计算机可读存储介质 Download PDF

Info

Publication number
CN110070452B
CN110070452B CN201910209744.7A CN201910209744A CN110070452B CN 110070452 B CN110070452 B CN 110070452B CN 201910209744 A CN201910209744 A CN 201910209744A CN 110070452 B CN110070452 B CN 110070452B
Authority
CN
China
Prior art keywords
auditing
case
audit
project
group members
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.)
Active
Application number
CN201910209744.7A
Other languages
English (en)
Other versions
CN110070452A (zh
Inventor
连琨
谢福恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201910209744.7A priority Critical patent/CN110070452B/zh
Publication of CN110070452A publication Critical patent/CN110070452A/zh
Application granted granted Critical
Publication of CN110070452B publication Critical patent/CN110070452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供模型训练方法、装置、计算设备及计算机可读存储介质，其中，所述模型训练方法包括：获取项目中参与案件审核的审核组成员的行为特征数据；根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。所述模型训练方法对合理性评分的预测更加准确，从而在此基础上确定对案件审核的理性水平更高的审核组成员。

Description

模型训练方法、装置、计算设备及计算机可读存储介质
技术领域
本申请涉及数据处理技术领域，特别涉及一种模型训练方法。本申请同时涉及一种模型训练装置，一种计算设备，以及一种计算机可读存储介质。
背景技术
随着互联网技术的飞速发展，保险的销售、售后、理赔等常规业务都可以比较方便地在线操作，用户在投保完成后，针对投保后的服务体验，比如理赔、退保等环节的要求也越来越高。
目前，投保人在投保之后理赔的过程中，首先需要在申请理赔报案时准备理赔相关材料，理赔相关材料被提交到保险公司后，由保险公司对投保人提交的理赔相关材料进行审核，在审核过程中，为了提升理赔案件审核的准确度，需要更多并且更加专业的审核人员参与到理赔案件的审核中，但一方面受限于审核人员的人数，另一方面受限于审核人员的素质，目前对理赔案件的审核还存在较多的缺陷。
发明内容
有鉴于此，本申请实施例提供了一种模型训练方法，以解决现有技术中存在的技术缺陷。本申请实施例同时提供了一种模型训练装置，一种计算设备，以及一种计算机可读存储介质。
本申请提供一种模型训练方法，包括：
获取项目中参与案件审核的审核组成员的行为特征数据；
根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；
将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
可选的，通过将所述新审核组成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出审核合理性阈值的情况下所述新审核组成员通过所述案件审核资格认证。
可选的，所述案件审核资格认证，采用如下方式实现：
采用答题的方式对所述项目中提出案件审核申请的项目成员对所述项目的认知程度进行审核；
在所述项目成员对所述项目的认知程度满足预设认知程度阈值的情况下，对所述项目成员在案件审核环节提交的证明材料进行审核；
在所述证明材料满足预设审核标准的情况下，通过将所述项目成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出所述审核合理性阈值的情况下通过所述案件审核资格认证，并将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分，包括：
根据所述历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的所述合理性评分。
可选的，所述合理性评分，等于所述正向投票次数与总投票次数之比，所述总投票次数为所述正向投票次数与所述负向投票次数二者之和。
可选的，所述将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练步骤执行之后，且所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化步骤执行之前，包括：
根据所述项目中项目成员提出的案件审核申请，获取所述项目成员的行为特征数据；
将所述行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测；
若所述目标审核合理性预测模型输出的所述项目成员针对案件审核的合理性评分大于审核合理性阈值，则将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化，包括：
根据所述新审核组成员参与案件审核过程中生成的所述案件审核数据，判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同；
若相同，在包含所述新审核组成员的审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较高的审核组成员；
根据筛选出的第一审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第一审核组成员针对案件审核的合理性评分；
将所述第一审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，若所述判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同子步骤的判断结果为不相同，执行如下操作：
在所述审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较低的审核组成员；
根据筛选出的第二审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第二审核组成员针对案件审核的合理性评分；
将所述第二审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，所述项目包括：互助共济项目；
所述审核组成员包括：所述互助共济项目的互助共济成员当中，参与到所述互助共济项目中申领互助金案件审核的互助共济成员。
可选的，所述行为特征数据，包括下述至少一项：
支付维度的支付行为特征数据，理财维度的理财行为特征数据，项目所属维度的项目相关行为数据。
本申请还提供一种模型训练装置，包括：
行为特征数据获取单元，被配置为获取项目中参与案件审核的审核组成员的行为特征数据；
合理性评分确定单元，被配置为根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；
审核合理性预测模型训练单元，被配置为将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
目标审核合理性预测模型优化单元，被配置为基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
可选的，所述合理性评分确定单元，包括：
投票次数确定子单元，被配置为根据所述历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
合理性评分计算子单元，被配置为根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的所述合理性评分。
本申请还提供一种计算设备，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取项目中参与案件审核的审核组成员的行为特征数据；
根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；
将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
本申请还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现所述模型训练方法的步骤。
与现有技术相比，本申请具有如下优点：
本申请提供一种模型训练方法，包括：获取项目中参与案件审核的审核组成员的行为特征数据；根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
本申请提供的模型训练方法，在对审核合理性预测模型进行训练的过程中，首先从审核组成员出发，通过审核组成员的行为特征数据和针对案件审核的合理性评分对审核合理性预测模型进行训练，训练之后获得用于进行案件审核资格认证的目标审核合理性预测模型，并利用通过案件审核资格认证的新审核组成员的案件审核数据对目标审核合理性预测模型进行有针对性的优化，使优化后的目标审核合理性预测模型对合理性评分的预测更加准确，从而在更加准确的合理性评分的基础上确定对案件审核理性水平更高的审核组成员。
附图说明
图1是本申请实施例提供的一种模型训练方法处理流程图；
图2是本申请实施例提供的一种应用于互助共济式保险项目的模型训练方法的处理流程图；
图3是本申请实施例提供的一种模型训练装置的示意图；
图4是本申请实施例提供的一种计算设备的结构框图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请提供一种模型训练方法，本申请还提供一种模型训练装置，一种计算设备，以及一种计算机可读存储介质。以下分别结合本申请提供的实施例的附图逐一进行详细说明，并且对方法的各个步骤进行说明。
本申请提供的一种模型训练方法实施例如下：
参照附图1，其示出了本实施例提供的一种模型训练方法处理流程图，参照附图2，其示出了本申请实施例提供的一种应用于互助共济式保险项目的模型训练方法的处理流程图。
步骤S102，获取项目中参与案件审核的审核组成员的行为特征数据。
本申请实施例所述项目，优选是指互助共济项目，所述互助共济项目是指集合具有相同需求的一批成员，这一批成员通过参与互助共济项目的方式进行相互之间的互助共济，即同时参与到互助共济项目中，当参与互助共济项目的任一项目成员遭受意外或者面临需要帮助的其他特殊情况时，参与互助共济项目的其他项目成员通过提供一定金额，对遭受意外或者面临需要帮助的其他特殊情况的项目成员进行互助共济。
参与到互助共济项目中的成员即为互助共济项目的互助共济成员，实际应用中，互助共济成员在参与互助共济项目的过程中，当遭受意外或者面临需要帮助的其他特殊情况时，会提出申请互助请求，互助共济成员提出的申请互助请求会生成相应的项目案件(即互助共济案件)，进一步，还需对互助共济成员提出的互助共济案件进行审核，案件审核是由专门用于案件审核的审核组成员进行，具体的，所述审核组成员可以是互助共济项目的互助共济成员当中参与互助共济案件审核的互助共济成员；如果互助共济案件经审核组成员审核的审核结果为通过，则针对提出申请互助请求的项目成员进行互助共济；如果互助共济案件经审核组成员审核的审核结果为未通过，则会拒绝提出项目成员提出的申请互助请求。
除此之外，所述项目还可以是众筹项目、投资项目等，本申请实施例以互助共济项目为例对本申请提供的模型训练方法进行说明，所述模型训练方法在众筹项目、投资项目中的实现与互助共济项目中的实现类似，本申请实施例在此不再赘述。
本申请提供的模型训练方法，为了使审核组成员对案件审核的准确度更高，并且更具合理性和专业性，从审核组成员出发，根据审核组成员以往的行为特征数据来分析其针对案件审核的专业性和合理性，对审核组成员对于案件审核的合理性要求较高，就要求审核组成员自身对于案件审核具有较高的素质，比如对案件审核的合理性较好，即：对于案件审核具有较高的理性水平，在此，通过分析审核组成员的行为特征数据来衡量审核组成员的理性水平。所述行为特征数据，优选包括下述三项：支付维度的支付行为特征数据，理财维度的理财行为特征数据，项目所属维度的项目相关行为数据。
例如，互助共济式保险项目中的项目成员a，该项目成员同时也是参与互助共济式保险项目的案件审核的审核组成员A，获取该审核组成员A在支付维度的支付行为特征数据，具体包括审核组成员A在承载互助共济式保险项目的支付平台进行支付操作的时间、支付商品类别、支付频次等支付行为相关数据；
同时，获取审核组成员A在理财维度的理财行为特征数据，具体包括审核组成员A审核组成员在承载互助共济式保险项目的支付平台选择理财产品的种类、数额以及频次等理财行为相关数据；以及，获取审核组成员A在互助共济式保险项目所属的保险维度的保险相关数据，具体包括审核组成员A审核组成员在承载互助共济式保险项目的支付平台选择保险产品的险种、保险产品的期限以及是否为家人、亲友选择保险产品进行投保等投保行为相关数据；
通过分析审核组成员A在支付维度的支付行为相关数据、理财维度的理财行为相关数据以及保险维度的投保行为相关数据，分析结果可在一定程度上体现该审核组成员A对于互助共济式保险项目中案件审核的理性水平。
除此之外，所述行为特征维度可包括上述三个维度中一个或者多个维度的特征数据，还可以包括上述三个维度之外的其他维度的特征数据，比如项目成员自身属性维度的特征数据，从项目成员的年龄、职业、性别等信息出发去分析项目成员的理性水平，本实施例对此不做限定。
步骤S104，根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分。
本申请实施例提供的一种优选实施方式中，根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分，具体实现如下：
1)根据所述历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
所述正向投票次数，是指就审核组成员针对具体某个项目案件而言，如果该审核组成员针对该项目案件的审核投票结果与该项目案件的实际审核结果一致，则认为该审核组成员针对这一项目案件的审核投票结果的理性水平较高，则对该审核组成员的正向投票次数加1；
反之，所述负向投票次数，是指就审核组成员针对具体某个项目案件而言，如果该审核组成员针对该项目案件的审核投票结果与该项目案件的实际审核结果不一致，则认为该审核组成员针对这一项目案件的审核投票结果的理性水平较低，则对该审核组成员的负向投票次数加1。
2)根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的所述合理性评分。
所述合理性评分，优选与所述正向投票次数与总投票次数之比相等；其中，所述总投票次数为所述正向投票次数与所述负向投票次数二者之和。
例如，互助共济式保险项目中的项目成员a，该项目成员同时也是参与互助共济式保险项目中案件审核的审核组成员A，根据审核组成员A在以往参与互助共济式保险项目的案件审核的历史案件审核数据，该历史案件审核数据记录如下：审核组成员A对项目案件的审核投票结果与实际审核结果一致的次数为60次，则审核组成员A的正向投票次数为60，以及，审核组成员A对项目案件的审核投票结果与实际审核结果不一致的次数为40次，则审核组成员A的负向投票次数为40；则审核组成员A的针对案件审核的合理性评分为：正向投票次数/(正向投票次数+负向投票次数)＝60/(60+40)＝0.6。
步骤S106，将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练。
具体实施时，以上述获取所述审核组成员的行为特征数据，以及确定的所述审核组成员针对案件审核的合理性评分，将所述审核组成员的行为特征数据和所述合理性评分作为训练样本，对预先建立审核合理性预测模型进行训练。具体在训练过程中，每个审核组成员的行为特征数据和合理性评分作为一个训练样本，然后利用批量的审核组成员对应的批量训练样本对预先建立的审核合理性预测模型进行训练。
对审核合理性预测模型的训练过程，实际是建立并调整行为特征数据与合理性评分二者映射关系的过程，通过大量训练样本的训练，对行为特征数据与合理性评分二者映射关系进行调整，最终在确定二者映射关系的基础上使用训练后获得的目标审核合理性预测模型，对待审核的项目成员的审核合理性的预测更加准确，从而筛选出更加理性的审核组成员对项目案件进行审核。
例如，利用100万个训练样本对审核合理性预测模型进行训练，训练的目的是使行为特征数据与合理性评分二者映射关系拟合这100万个训练样本，从而使最终训练获得的目标审核合理性预测模型对合理性评分的预测更加准确。
实际应用中，在利用对预先建立的审核合理性预测模型进行训练之后，并且在训练获得目标审核合理性预测模型的基础上，还可利用训练获得目标审核合理性预测模型对项目成员针对案件审核的合理性评分进行预测，本申请实施例提供一种优选实施方式中，利用目标审核合理性预测模型对项目成员针对案件审核的合理性评分进行预测具体包括：
1)根据所述项目中项目成员提出的案件审核申请，获取所述项目成员的行为特征数据；
2)将所述行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测；
3)若所述目标审核合理性预测模型输出的所述项目成员针对案件审核的合理性评分大于审核合理性阈值，则将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
与之相反，若所述目标审核合理性预测模型输出的所述项目成员针对案件审核的合理性评分小于或者等于审核合理性阈值，则向所述项目成员发送审核未通过的提醒。
例如，互助共济式保险项目中的项目成员a，将该项目成员a在支付维度的支付行为相关数据、理财维度的理财行为相关数据以及保险维度的投保行为相关数据输入目标审核合理性预测模型，对项目成员a针对互助共济式保险项目案件审核的理性水平进行预测，最终输出项目成员a针对案件审核的合理性评分为70分，该合理性评分大于审核合理性阈值(60分)，则项目成员a作为互助共济式保险项目中进行案件审核的审核组成员A。
上述利用目标审核合理性预测模型对项目成员针对案件审核的合理性评分进行预测，并判断合理性评分是否大于审核合理性阈值的过程，实际就是对项目成员进行案件审核资格认证的过程，优选的，通过将所述新审核组成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出审核合理性阈值的情况下，所述新审核组成员通过所述案件审核资格认证；反之，如果输出的合理性评分小于或者等于审核合理性阈值，表明该项目成员未通过案件审核资格认证，向所述项目成员发送案件审核资格认证未通过的提醒即可。
除上述提供的案件审核资格认证的实现方式之外，所述案件审核资格认证还可以采用其他方式实现，比如，采用答题的方式对所述项目中提出案件审核申请的项目成员对所述项目的认知程度进行审核，进一步，在所述项目成员对所述项目的认知程度满足预设认知程度阈值的情况下，对所述项目成员在案件审核环节提交的证明材料进行审核，更进一步，在所述证明材料满足预设审核标准的情况下，通过将所述项目成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出所述审核合理性阈值的情况下通过所述案件审核资格认证，并将所述项目成员作为所述项目中参与案件审核的所述新审核组成员；
反之，若项目成员未通过采用答题的方式对所述项目中提出案件审核申请的项目成员对所述项目的认知程度进行审核这一环节，或者，项目成员未通过对所述项目成员在案件审核环节提交的证明材料进行审核这一环节，或者，目标审核合理性预测模型输出的项目成员的合理性评分小于或者等于审核合理性阈值，则判断该项目成员未通过案件审核资格认证，向所述项目成员发送案件审核资格认证未通过的提醒即可。
步骤S108，基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
如上所述，在利用对预先建立的审核合理性预测模型进行训练之后并获得目标审核合理性预测模型的基础上，并且在利用目标审核合理性预测模型进行案件审核资格认证的基础上，为使目标审核合理性预测模型对合理性评分的预测更准确，从而在更加准确的合理性评分的基础上筛选理性水平更高的新审核组成员，可对目标审核合理性预测模型进行有针对性的优化，本申请实施例提供的一种优选实施方式中，对目标审核合理性预测模型进行进一步的优化具体实现如下：
1)根据所述新审核组成员参与案件审核过程中生成的所述案件审核数据，判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同；
若相同，则执行下述步骤2)至步骤4)；
若不相同，则执行下述步骤5)至步骤7)；
2)在所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果相同的情况下，在包含所述新审核组成员的审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较高的审核组成员；
3)根据筛选出的第一审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第一审核组成员针对案件审核的合理性评分；
4)将所述第一审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化；
例如，互助共济式保险项目中的项目成员b的在支付维度的支付行为相关数据、理财维度的理财行为相关数据以及保险维度的投保行为相关数据输入目标审核合理性预测模型进行合理性评分预测，最终输出项目成员b针对案件审核的合理性评分大于审核合理性阈值(60分)，则表明项目成员b通过互助共济式保险项目的案件审核资格认证，成为互助共济式保险项目中进行案件审核的新审核组成员B，根据新审核组成员B参与案件审核过程中生成的案件审核数据中记录的该新审核组成员B对项目案件的审核投票结果；
如果该新审核组成员B对项目案件的审核投票结果与项目案件的实际审核投票结果相同，则表明新审核组成员B的理性水平较高，为使目标审核合理性预测模型能够认证更多的与新审核组成员B类似具有高理性水平的新审核组成员，有针对性的选择行为特征数据与新审核组成员B类似的其他新审核组成员，利用选择的这些新审核组成员的训练样本加强对目标审核合理性预测模型的优化，从而使优化后的目标审核合理性预测模型筛选出的新审核组成员更具理性化。
5)在所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果不相同的情况下，在所述审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较低的审核组成员；
6)根据筛选出的第二审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第二审核组成员针对案件审核的合理性评分；
7)将所述第二审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
例如，互助共济式保险项目中的项目成员c的在支付维度的支付行为相关数据、理财维度的理财行为相关数据以及保险维度的投保行为相关数据输入目标审核合理性预测模型进行合理性评分预测，最终输出项目成员c针对案件审核的合理性评分大于审核合理性阈值(60分)，则表明项目成员c通过互助共济式保险项目的案件审核资格认证，成为互助共济式保险项目中进行案件审核的新审核组成员C，根据新审核组成员C参与案件审核过程中生成的案件审核数据中记录的该新审核组成员C对项目案件的审核投票结果；
如果该新审核组成员C对项目案件的审核投票结果与项目案件的实际审核投票结果不相同，则在一定程度表明新审核组成员C的理性水平不是很高，有针对性的选择行为特征数据与新审核组成员C的行为特征数据相似度较低的其他新审核组成员，利用选择的这些新审核组成员的训练样本对目标审核合理性预测模型进行优化，从而使优化后的目标审核合理性预测模型筛选出的新审核组成员更具理性化。
下述结合附图2，以本申请提供的模型训练方法在互助共济式保险项目的应用为例，对所述模型训练方法进行进一步说明。
步骤S202，获取互助共济式保险项目中审核组成员在支付维度的支付行为特征数据、理财维度的理财行为特征数据以及保险维度的保险相关数据。
其中，审核组成员在支付维度的支付行为特征数据，具体包括审核组成员在承载互助共济式保险项目的支付平台进行支付操作的时间、支付商品类别、支付频次等支付行为相关数据；
审核组成员在理财维度的理财行为特征数据，具体包括审核组成员审核组成员在承载互助共济式保险项目的支付平台选择理财产品的种类、数额以及频次等理财行为相关数据；
审核组成员在互助共济式保险项目所属的保险维度的保险相关数据，具体包括审核组成员审核组成员在承载互助共济式保险项目的支付平台选择保险产品的险种、保险产品的期限以及是否为家人、亲友选择保险产品进行投保等投保行为相关数据。
步骤S204，根据审核组成员的历史案件审核数据确定正向投票次数和负向投票次数。
根据审核组成员的历史案件审核数据中包含的该审核组成员对互助共济式保险项目中项目案件的审核投票结果，确定审核投票结果与项目案件的实际审核结果相同的正向投票次数，以及审核投票结果与项目案件的实际审核结果不相同的负向投票次数；
其中，正向投票次数，是指就审核组成员针对互助共济式保险项目中具体某个项目案件而言，如果审核组成员针对该项目案件的审核投票结果与该项目案件的实际审核结果一致，则认为审核组成员针对这一项目案件的审核投票结果的理性水平较高，则对审核组成员的正向投票次数加1；
反之，负向投票次数，是指就审核组成员针对互助共济式保险项目中具体某个项目案件而言，如果审核组成员针对该项目案件的审核投票结果与该项目案件的实际审核结果不一致，则认为审核组成员针对这一项目案件的审核投票结果的理性水平较低，则对审核组成员的负向投票次数加1。
步骤S206，根据正向投票次数和负向投票次数计算审核组成员针对案件审核的合理性评分。
具体的，审核组成员的针对案件审核的合理性评分为：正向投票次数/(正向投票次数+负向投票次数)。
步骤S208，将审核组成员支付维度的支付行为特征数据、理财维度的理财行为特征数据、保险维度的保险相关数据，以及审核组成员针对案件审核的合理性评分作为训练样本，对预先建立审核合理性预测模型进行训练。
步骤S210，基于通过互助共济式保险项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
具体的，根据互助共济式保险项目的新审核组成员参与案件审核过程中生成的案件审核数据，判断案件审核数据中包含的新审核组成员对互助共济式保险项目的项目案件的审核投票结果与该项目案件的实际审核投票结果是否相同；
若是，则表明新审核组成员的理性水平较高，为使目标审核合理性预测模型能够认证更多的与新审核组成员类似具有高理性水平的新审核组成员，有针对性的选择行为特征数据与新审核组成员类似的其他新审核组成员，利用选择的这些新审核组成员的训练样本加强对目标审核合理性预测模型的优化，从而使优化后的目标审核合理性预测模型筛选出的新审核组成员更具理性化；
若否，则在一定程度表明新审核组成员的理性水平不是很高，有针对性的选择行为特征数据与新审核组成员的行为特征数据相似度较低的其他新审核组成员，利用选择的这些新审核组成员的训练样本对目标审核合理性预测模型进行优化，从而使优化后的目标审核合理性预测模型筛选出的新审核组成员更具理性化。
综上所述，本申请提供的模型训练方法，在对审核合理性预测模型进行训练的过程中，首先从审核组成员出发，通过审核组成员的行为特征数据和针对案件审核的合理性评分对审核合理性预测模型进行训练，训练之后获得用于进行案件审核资格认证的目标审核合理性预测模型，并利用通过案件审核资格认证的新审核组成员的案件审核数据对目标审核合理性预测模型进行有针对性的优化，使优化后的目标审核合理性预测模型对合理性评分的预测更加准确，从而在更加准确的合理性评分的基础上确定对案件审核理性水平更高的审核组成员。
本申请提供的一种模型训练装置实施例如下：
在上述的实施例中，提供了一种模型训练方法，与之相对应的，本申请还提供了一种模型训练装置，下面结合附图进行说明。
参照附图3，其示出了本申请提供的一种模型训练装置实施例的示意图。
由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供一种模型训练装置，包括：
行为特征数据获取单元302，被配置为获取项目中参与案件审核的审核组成员的行为特征数据；
合理性评分确定单元304，被配置为根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；
审核合理性预测模型训练单元306，被配置为将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
目标审核合理性预测模型优化单元308，被配置为基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
可选的，通过将所述新审核组成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出审核合理性阈值的情况下所述新审核组成员通过所述案件审核资格认证。
可选的，所述案件审核资格认证，通过运行下述子单元实现：
第一审核子单元，被配置为采用答题的方式对所述项目中提出案件审核申请的项目成员对所述项目的认知程度进行审核；
第二审核子单元，被配置为在所述项目成员对所述项目的认知程度满足预设认知程度阈值的情况下，对所述项目成员在案件审核环节提交的证明材料进行审核；
第三审核子单元，被配置为在所述证明材料满足预设审核标准的情况下，通过将所述项目成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出所述审核合理性阈值的情况下通过所述案件审核资格认证，并将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述合理性评分确定单元304，包括：
投票次数确定子单元，被配置为根据所述历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
合理性评分计算子单元，被配置为根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的所述合理性评分。
可选的，所述合理性评分，等于所述正向投票次数与总投票次数之比，所述总投票次数为所述正向投票次数与所述负向投票次数二者之和。
可选的，所述模型训练装置，包括：
第二行为特征数据获取单元，被配置为根据所述项目中项目成员提出的案件审核申请，获取所述项目成员的行为特征数据；
合理性评分预测单元，被配置为将所述行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测；
新审核组成员确定单元，被配置为在所述目标审核合理性预测模型输出的所述项目成员针对案件审核的合理性评分大于审核合理性阈值的情况下，将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述目标审核合理性预测模型优化单元308，包括：
审核投票结果判断子单元，被配置为根据所述新审核组成员参与案件审核过程中生成的所述案件审核数据，判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同；
若相同，运行第一审核组成员筛选子单元、第一合理性评分确定子单元以及第一优化子单元；
所述第一审核组成员筛选子单元，被配置为在包含所述新审核组成员的审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较高的审核组成员；
所述第一合理性评分确定子单元，被配置为根据筛选出的第一审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第一审核组成员针对案件审核的合理性评分；
所述第一优化子单元，被配置为将所述第一审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，审核投票结果判断子单元的运行结果为不相同，运行第二审核组成员筛选子单元、第二合理性评分确定子单元以及第二优化子单元；
所述第二审核组成员筛选子单元，被配置为在所述审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较低的审核组成员；
所述第二合理性评分确定子单元，被配置为根据筛选出的第二审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第二审核组成员针对案件审核的合理性评分；
所述第二优化子单元，被配置为将所述第二审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，所述项目包括：互助共济项目；
所述审核组成员包括：所述互助共济项目的互助共济成员当中，参与到所述互助共济项目中申领互助金案件审核的互助共济成员。
可选的，所述行为特征数据，包括下述至少一项：
支付维度的支付行为特征数据，理财维度的理财行为特征数据，项目所属维度的项目相关行为数据。
本申请提供的一种计算设备实施例如下：
图4是示出了根据本说明书一实施例的计算设备400的结构框图。该计算设备400的部件包括但不限于存储器410和处理器420。处理器420与存储器410通过总线430相连接，数据库450用于保存数据。
计算设备400还包括接入设备440，接入设备440使得计算设备400能够经由一个或多个网络460通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备440可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。
在本说明书的一个实施例中，计算设备400的上述部件以及图4中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图4所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
计算设备400可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备400还可以是移动式或静止式的服务器。
本申请提供一种计算设备，包括存储器410、处理器420及存储在存储器上并可在处理器上运行的计算机指令，所述处理器420用于执行如下计算机可执行指令：
获取项目中参与案件审核的审核组成员的行为特征数据；
根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；
将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
可选的，通过将所述新审核组成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出审核合理性阈值的情况下所述新审核组成员通过所述案件审核资格认证。
可选的，所述案件审核资格认证，采用如下方式实现：
采用答题的方式对所述项目中提出案件审核申请的项目成员对所述项目的认知程度进行审核；
在所述项目成员对所述项目的认知程度满足预设认知程度阈值的情况下，对所述项目成员在案件审核环节提交的证明材料进行审核；
在所述证明材料满足预设审核标准的情况下，通过将所述项目成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出所述审核合理性阈值的情况下通过所述案件审核资格认证，并将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分，包括：
根据所述历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的所述合理性评分。
可选的，所述合理性评分，等于所述正向投票次数与总投票次数之比，所述总投票次数为所述正向投票次数与所述负向投票次数二者之和。
可选的，所述将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练步骤执行之后，且所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化步骤执行之前，包括：
根据所述项目中项目成员提出的案件审核申请，获取所述项目成员的行为特征数据；
将所述行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测；
若所述目标审核合理性预测模型输出的所述项目成员针对案件审核的合理性评分大于审核合理性阈值，则将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化，包括：
根据所述新审核组成员参与案件审核过程中生成的所述案件审核数据，判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同；
若相同，在包含所述新审核组成员的审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较高的审核组成员；
根据筛选出的第一审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第一审核组成员针对案件审核的合理性评分；
将所述第一审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，若所述判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同子步骤的判断结果为不相同，执行如下操作：
在所述审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较低的审核组成员；
根据筛选出的第二审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第二审核组成员针对案件审核的合理性评分；
将所述第二审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，所述项目包括：互助共济项目；
所述审核组成员包括：所述互助共济项目的互助共济成员当中，参与到所述互助共济项目中申领互助金案件审核的互助共济成员。
可选的，所述行为特征数据，包括下述至少一项：
支付维度的支付行为特征数据，理财维度的理财行为特征数据，项目所属维度的项目相关行为数据。
本申请提供的一种计算机可读存储介质实施例如下：
本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时以用于：
获取项目中参与案件审核的审核组成员的行为特征数据；
根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；
将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
可选的，通过将所述新审核组成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出审核合理性阈值的情况下所述新审核组成员通过所述案件审核资格认证。
可选的，所述案件审核资格认证，采用如下方式实现：
采用答题的方式对所述项目中提出案件审核申请的项目成员对所述项目的认知程度进行审核；
在所述项目成员对所述项目的认知程度满足预设认知程度阈值的情况下，对所述项目成员在案件审核环节提交的证明材料进行审核；
在所述证明材料满足预设审核标准的情况下，通过将所述项目成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出所述审核合理性阈值的情况下通过所述案件审核资格认证，并将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分，包括：
根据所述历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的所述合理性评分。
可选的，所述合理性评分，等于所述正向投票次数与总投票次数之比，所述总投票次数为所述正向投票次数与所述负向投票次数二者之和。
可选的，所述将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练步骤执行之后，且所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化步骤执行之前，包括：
根据所述项目中项目成员提出的案件审核申请，获取所述项目成员的行为特征数据；
将所述行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测；
若所述目标审核合理性预测模型输出的所述项目成员针对案件审核的合理性评分大于审核合理性阈值，则将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
可选的，所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化，包括：
根据所述新审核组成员参与案件审核过程中生成的所述案件审核数据，判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同；
若相同，在包含所述新审核组成员的审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较高的审核组成员；
根据筛选出的第一审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第一审核组成员针对案件审核的合理性评分；
将所述第一审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，若所述判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同子步骤的判断结果为不相同，执行如下操作：
在所述审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较低的审核组成员；
根据筛选出的第二审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第二审核组成员针对案件审核的合理性评分；
将所述第二审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
可选的，所述项目包括：互助共济项目；
所述审核组成员包括：所述互助共济项目的互助共济成员当中，参与到所述互助共济项目中申领互助金案件审核的互助共济成员。
可选的，所述行为特征数据，包括下述至少一项：
支付维度的支付行为特征数据，理财维度的理财行为特征数据，项目所属维度的项目相关行为数据。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的模型训练方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述模型训练方法的技术方案的描述。
所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。

Claims (12)

1.一种模型训练方法，其特征在于，包括：
获取项目中参与案件审核的审核组成员的行为特征数据；
根据历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的合理性评分；
将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
2.根据权利要求1所述的模型训练方法，其特征在于，通过将所述新审核组成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出审核合理性阈值的情况下所述新审核组成员通过所述案件审核资格认证。
3.根据权利要求1所述的模型训练方法，其特征在于，所述案件审核资格认证，采用如下方式实现：
采用答题的方式对所述项目中提出案件审核申请的项目成员对所述项目的认知程度进行审核；
在所述项目成员对所述项目的认知程度满足预设认知程度阈值的情况下，对所述项目成员在案件审核环节提交的证明材料进行审核；
在所述证明材料满足预设审核标准的情况下，通过将所述项目成员的行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测，在输出的合理性评分超出审核合理性阈值的情况下通过所述案件审核资格认证，并将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
4.根据权利要求1所述的模型训练方法，其特征在于，所述合理性评分，等于所述正向投票次数与总投票次数之比，所述总投票次数为所述正向投票次数与所述负向投票次数二者之和。
5.根据权利要求1所述的模型训练方法，其特征在于，所述将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练步骤执行之后，且所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化步骤执行之前，包括：
根据所述项目中项目成员提出的案件审核申请，获取所述项目成员的行为特征数据；
将所述行为特征数据输入所述目标审核合理性预测模型进行案件审核的合理性评分预测；
若所述目标审核合理性预测模型输出的所述项目成员针对案件审核的合理性评分大于审核合理性阈值，则将所述项目成员作为所述项目中参与案件审核的所述新审核组成员。
6.根据权利要求1所述的模型训练方法，其特征在于，所述基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化，包括：
根据所述新审核组成员参与案件审核过程中生成的所述案件审核数据，判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同；
若相同，在包含所述新审核组成员的审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较高的审核组成员；
根据筛选出的第一审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第一审核组成员针对案件审核的合理性评分；
将所述第一审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
7.根据权利要求6所述的模型训练方法，其特征在于，若所述判断所述案件审核数据中包含的所述新审核组成员对所述项目的项目案件的审核投票结果与所述项目案件的实际审核投票结果是否相同子步骤的判断结果为不相同，执行如下操作：
在所述审核组成员集群中筛选行为特征数据与所述新审核组成员的行为特征数据相似度较低的审核组成员；
根据筛选出的第二审核组成员参与案件审核过程中生成历史案件审核数据，确定所述第二审核组成员针对案件审核的合理性评分；
将所述第二审核组成员的行为特征数据以及针对案件审核的合理性评分作为训练样本，通过利用所述训练样本对所述目标审核合理性预测模型进行训练的方式对所述目标审核合理性预测模型进行优化。
8.根据权利要求1至7任意一项所述的模型训练方法，其特征在于，所述项目包括：互助共济项目；
所述审核组成员包括：所述互助共济项目的互助共济成员当中，参与到所述互助共济项目中申领互助金案件审核的互助共济成员。
9.根据权利要求8所述的模型训练方法，其特征在于，所述行为特征数据，包括下述至少一项：
支付维度的支付行为特征数据，理财维度的理财行为特征数据，项目所属维度的项目相关行为数据。
10.一种模型训练装置，其特征在于，包括：
行为特征数据获取单元，被配置为获取项目中参与案件审核的审核组成员的行为特征数据；
合理性评分确定单元，被配置为根据所述审核组成员参与案件审核过程中生成的历史案件审核数据，确定所述审核组成员针对案件审核的合理性评分；
审核合理性预测模型训练单元，被配置为将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
目标审核合理性预测模型优化单元，被配置为基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化；
所述合理性评分确定单元，包括：
投票次数确定子单元，被配置为根据所述历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
合理性评分计算子单元，被配置为根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的所述合理性评分。
11.一种计算设备，其特征在于，包括：
存储器和处理器；
所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：
获取项目中参与案件审核的审核组成员的行为特征数据；
根据历史案件审核数据中包含的所述审核组成员对所述项目的项目案件的审核投票结果，确定所述审核投票结果与所述项目案件的实际审核结果相同的正向投票次数，以及所述审核投票结果与所述项目案件的实际审核结果不相同的负向投票次数；
根据所述正向投票次数和所述负向投票次数计算所述审核组成员针对案件审核的合理性评分；
将所述审核组成员的行为特征数据以及合理性评分作为训练样本对建立的审核合理性预测模型进行训练；
基于通过所述项目的案件审核资格认证的新审核组成员参与案件审核过程中生成的案件审核数据，对训练后获得的目标审核合理性预测模型进行优化。
12.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至9任意一项所述模型训练方法的步骤。
CN201910209744.7A 2019-03-19 2019-03-19 模型训练方法、装置、计算设备及计算机可读存储介质 Active CN110070452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910209744.7A CN110070452B (zh) 2019-03-19 2019-03-19 模型训练方法、装置、计算设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910209744.7A CN110070452B (zh) 2019-03-19 2019-03-19 模型训练方法、装置、计算设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110070452A CN110070452A (zh) 2019-07-30
CN110070452B true CN110070452B (zh) 2023-03-10

Family

ID=67366414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910209744.7A Active CN110070452B (zh) 2019-03-19 2019-03-19 模型训练方法、装置、计算设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110070452B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435035A (zh) * 2019-08-09 2021-03-02 阿里巴巴集团控股有限公司 数据的审核方法、装置及设备
CN110598954B (zh) * 2019-09-24 2022-03-11 中国人民大学 基于深度学习的利用评审意见预测论文被引用数的方法
CN112579579A (zh) * 2019-09-30 2021-03-30 北京国双科技有限公司 一种物料移动数据审核方法、装置、存储介质及电子设备
CN112396325B (zh) * 2020-11-19 2022-08-26 平安普惠企业管理有限公司 案件处理方法、装置、介质及电子设备
CN113505936A (zh) * 2021-07-26 2021-10-15 平安信托有限责任公司 项目审批结果的预测方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897844A (zh) * 2017-03-17 2017-06-27 国网四川省电力公司经济技术研究院 一种电力企业项目的审核方法及系统
CN107612893A (zh) * 2017-09-01 2018-01-19 北京百悟科技有限公司 短信的审核系统和方法以及构建短信审核模型方法
CN107679995A (zh) * 2017-08-31 2018-02-09 平安科技（深圳）有限公司 电子装置、保险案件理赔审核方法及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897844A (zh) * 2017-03-17 2017-06-27 国网四川省电力公司经济技术研究院 一种电力企业项目的审核方法及系统
CN107679995A (zh) * 2017-08-31 2018-02-09 平安科技（深圳）有限公司 电子装置、保险案件理赔审核方法及计算机可读存储介质
CN107612893A (zh) * 2017-09-01 2018-01-19 北京百悟科技有限公司 短信的审核系统和方法以及构建短信审核模型方法

Also Published As

Publication number Publication date
CN110070452A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110070452B (zh) 模型训练方法、装置、计算设备及计算机可读存储介质
Lee et al. Innovation and imitation effects' dynamics in technology adoption
CN109976998B (zh) 一种软件缺陷预测方法、装置和电子设备
JP2019519021A (ja) パフォーマンスモデル悪影響補正
CN112488652B (zh) 工单审核方法、系统、终端和存储介质
Pan et al. A systematic review of information security risk assessment
CN113807747A (zh) 一种企业预算管理成熟度测评系统
CN110599312A (zh) 基于信用的交互信用评估方法以及装置
CN111783144A (zh) 基于区块链的数据处理方法以及装置
CN111078880A (zh) 子应用的风险识别方法以及装置
CN112116103A (zh) 基于联邦学习的个人资质评估方法、装置及系统及存储介质
CN113221989B (zh) 基于分布式的评估模型训练方法、系统以及装置
CN111402072A (zh) 信息处理方法及装置
CN113435713B (zh) 基于gis技术和两模型融合的风险地图编制方法及系统
CN116720829A (zh) 审核组成员评估方法及装置
WO2021129368A1 (zh) 一种客户类型的确定方法及装置
Baron Counting standard contributions to measure the value of patent portfolios-a tale of apples and oranges
CN110232148B (zh) 项目推荐系统、方法以及装置
CN109919659A (zh) 广告结算方案的推送方法、装置及计算机设备
EP3879418B1 (en) Identity verification method and device
CN108416662B (zh) 一种数据验证方法及装置
WO2020108131A1 (zh) 数据处理方法、装置、计算设备及存储介质
Garcia de Alford et al. Reducing age bias in machine learning: An algorithmic approach
Pham Forecasting audit opinions on financial statements: statistical algorithm or machine learning?
CN113256404A (zh) 数据处理方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201020

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20201020

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

GR01 Patent grant
GR01 Patent grant