CN110827157A - 数据处理方法与装置、存储介质、电子设备 - Google Patents

Abstract

本公开属于计算机技术领域，涉及一种数据处理方法及装置、计算机可读存储介质、电子设备。该方法包括：利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型；确定并获取目标参数，以得到与目标参数对应的目标特征数据；将目标特征数据输入至目标机器学习模型中，以得到与目标参数对应的评估概率；获取与评估概率对应的阈值，将评估概率大于阈值的对象确定为目标对象。本公开基于训练好的目标机器学习模型，通过目标特征数据确定评估概率，不仅提高了目标对象提取的准确性，平衡了评估效果和时效性要求，还防范了目标对象确定不准确带来的风险，可以更好的进行识别评估。

Description

数据处理方法与装置、存储介质、电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种数据处理方法与数据处理装置、计算机可读存储介质及电子设备。

背景技术

目前，对于审核对象的确定主要依赖于审核人员的专业经验判断，人工提取调查名单，尤其是在确定健康险的承保后出险前评估和理赔风险评估的审核对象方面。随着健康险案件量激增，审核工作量和调查工作量也随之迅速增长，人力紧张和工作负荷大的问题逐渐凸显，风控水平亟待提高。

考虑到传统的逻辑回归算法不具有特征组合的能力，并需假设特征的各个维度独立，因此只具有线性分界面，主要应用于特征稀疏的数据上。但在健康险的承保后出险前风险评估和理赔风险评估的应用场景中，多数特征之间有相关性，逻辑回归算法无法满足这一要求进行评估。

鉴于此，本领域亟需开发一种新的数据处理方法及装置。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种数据处理方法、数据处理装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的人工提取调查名单工作量大的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本发明实施例的第一个方面，提供一种数据处理方法，所述方法包括：利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型；确定并获取目标参数，以得到与所述目标参数对应的目标特征数据；将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率；获取与所述评估概率对应的阈值，将所述评估概率大于所述阈值的对象确定为目标对象。

在本发明的一种示例性实施例中，所述目标特征数据包括第一目标特征数据，所述评估概率包括第一评估概率，所述将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率，包括：将所述第一目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的第一评估概率。

在本发明的一种示例性实施例中，所述确定并获取目标参数，包括：在数据库中获取参数，并判断所述参数是否满足预设条件；若所述参数满足所述预设条件，将所述参数确定为目标参数。

在本发明的一种示例性实施例中，所述目标特征数据包括第二目标特征数据，所述评估概率包括第二评估概率，所述将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率，包括：将所述第二目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的第二评估概率。

在本发明的一种示例性实施例中，所述利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型，包括：获取历史参数，并获取与所述历史参数对应的历史数据；对所述历史数据打标签，以确定与所述历史参数对应的标签信息；利用所述标签信息与所述特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型。

在本发明的一种示例性实施例中，所述对所述历史数据打标签，以确定与所述历史参数对应的标签信息，包括：基于第一标签规则，对所述历史数据打标签，并确定与所述历史参数对应的第一标签信息；基于第二标签规则，对所述历史数据打标签，并确定与所述历史参数对应的第二标签信息。

在本发明的一种示例性实施例中，在所述利用特征数据训练待训练机器学习模型之前，所述方法还包括：在数据库中，识别并获取待处理参数，并获取与所述待处理参数对应的待处理特征信息；预处理所述待处理特征信息，以获取所述特征数据。

根据本发明实施例的第二个方面，提供一种数据处理装置，所述装置包括：模型训练模块，被配置为利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型；数据获取模块，被配置为确定并获取目标参数，以得到与所述目标参数对应的目标特征数据；风险评估模块，被配置为将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率；对象确定模块，被配置为获取与所述评估概率对应的阈值，将所述评估概率大于所述阈值的对象确定为目标对象。

根据本发明实施例的第三个方面，提供一种电子设备，包括：处理器和存储器；其中，存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现上述任意示例性实施例的数据处理方法。

根据本发明实施例的第四个方面，提供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任意示例性实施例中的数据处理方法。

由上述技术方案可知，本发明示例性实施例中的数据处理方法、数据处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果：

在本公开的示例性实施例提供的方法及装置中，基于训练好的目标机器学习模型，通过目标特征数据确定评估概率。不仅提高了目标对象提取的准确性，平衡了评估效果和时效性要求，还防范了目标对象确定不准确带来的风险，可以更好的进行识别评估。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本公开示例性实施例中一种数据处理方法的流程图；

图2示意性示出本公开示例性实施例中确定训练好的机器学习模型的方法的流程示意图；

图3示意性示出本公开示例性实施例中确定历史参数对应的标签信息的方法的流程示意图；

图4示意性示出本公开示例性实施例中获取特征数据的方法的流程示意图；

图5示意性示出本公开示例性实施例中获取目标参数的方法的流程示意图；

图6示意性示出本公开示例性实施例中一种数据处理装置的结构示意图；

图7示意性示出本公开示例性实施例中一种用于实现数据处理方法的电子设备；

图8示意性示出本公开示例性实施例中一种用于实现数据处理方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

针对相关技术中存在的问题，本公开提出了一种数据处理方法。图1示出了数据处理方法的流程图，如图1所示，数据处理方法至少包括以下步骤：

步骤S110.利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型。

步骤S120.确定并获取目标参数，以得到与目标参数对应的目标特征数据。

步骤S130.将目标特征数据输入至目标机器学习模型中，以得到与目标参数对应的评估概率。

步骤S140.获取与评估概率对应的阈值，将评估概率大于阈值的对象确定为目标对象。

在本公开的示例性实施例中，基于训练好的目标机器学习模型，通过目标特征数据确定评估概率，不仅提高了目标对象提取的准确性，平衡了评估效果和时效性要求，还防范了目标对象确定不准确带来的风险，可以更好的进行识别评估。

下面对数据处理方法的各个步骤进行详细说明。

在步骤S110中，利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型。

在本公开的示例性实施例中，图2示出了确定训练好的目标机器学习模型的方法的流程示意图，如图2所示，该方法至少包括以下步骤：在步骤S201中，获取历史参数，并获取与历史参数对应的历史数据。举例而言，可以确定健康险的险种范围，例如各种系列的医疗保险，以获取对应的历史参数，例如历史保单号。该历史保单号中可以包括各种历史保险数据，例如是否延期、是否拒保、是否出险等，本示例性实施例对此不做特殊限定。

在步骤S202中，对历史数据打标签，以确定与历史参数对应的标签信息。针对不同的调查环节，可以对历史数据的不同部分打标签。

在可选的实施例中，图3示出了确定历史参数对应的标签信息的方法的流程示意图，如图3所示，该方法至少包括以下步骤：在步骤S301中，基于第一标签规则，对历史数据打标签，并确定与历史参数对应的第一标签信息。举例而言，第一标签规则可以是针对承保后出险前调查环节的风险评估预设的打标签规则。在承保后出险前的风险评估环节中，可以将延期、拒保、出险、承保后出险前调查定义为1，其余为0，本示例性实施例对此不做特殊限定。根据第一标签规则，对历史保险数据打标签，确定对应的第一标签信息。

在步骤S302中，基于第二标签规则，对历史数据打标签，并确定与历史参数对应的第二标签信息。举例而言，第二标签规则可以是针对理赔风险评估环节预设的打标签规则。可以将理赔调查定义为1，其余定义为0，本示例性实施例对此不做特殊限定。根据第二标签规则，对历史保险数据打标签，确定对应的第二标签信息。

在本示例性实施例中，给出了要打标签的历史数据的打标签方法，针对性更强，准确度更高，也保证了风险评估环节的准确性。

在步骤S303中，利用标签信息与特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型。

在可选的实施例中，图4示出了获取保险特征数据的方法的流程示意图，如图4所示，该方法至少包括以下步骤：在步骤S401中，在数据库中，识别并获取待处理参数，并获取与待处理参数对应的待处理特征信息。举例而言，可以在保单数据库中识别并获取待处理参数，并得到待处理保单对应的待处理特征信息。其中，待处理特征信息包括投保人信息、被保人信息、代理人信息、服务部信息和/或理赔性信息。举例而言，可以是投保人身份标识号(Identity document，简称ID)、被保人ID、代理人ID、服务部代码、理赔号。除此之外，在理赔风险的评估模型中可以有理赔号。

在步骤S402中，预处理待处理特征信息，以获取特征数据。对预处理特征信息的预处理方式可以是将预处理特征信息处理为数值变量。举例而言，将性别处理成新的“男”和“女”两个字段，男性对应的值为“1”、“0”，女性对应的值为“0”、“1”，本示例性实施例对具体的预处理格式不做特殊限定。

在本示例性实施例中，给出了根据待处理特征信息得到特征数据的预处理方法，方式简便，操作简单，可实施性极强。其中，待训练机器学习模型可以是极端梯度提升(eXtreme Gradient Boosting，简称XGboost)模型。XGboost模型寻求残差最小的分裂点，所以会自动在当前根据一个特征分裂的子树下寻求其他能使残差最小的其他特征，这样就自动具备寻求好的特征组合的性能，因此也能根据残差的下降量给出较为重要的特征，能够学到更丰富、精细的语义信息。将处理得到的保险特征数据用XGboost模型训练并优化，可以得到训练好的目标机器学习模型。

在步骤S120中，确定并获取目标参数，以得到与目标参数对应的目标特征数据。

在本公开的一种示例性实施例中，确定目标机器学习模型之后，在承保后出险前的调查环节，可以识别需要进行风险评估的目标参数，并获取和计算与目标参数对应目标特征数据。举例而言，可以是在确定被保人、代理人、投保人、服务部的特征字段之后，对特征字段进行预处理，以确定目标特征数据。

除此之外，在确定目标机器学习模型之后，还可以在理赔调查环节获取需要进行风险评估的目标参数。

在可选的实施例中，图5示出了一种获取目标参数的方法的流程示意图，如图5所示，在步骤S501中，在数据库中获取参数，并判断参数是否满足预设条件。该预设条件可以是限定获取到的参数是否需要进一步计算评估概率的条件，举例而言，在理赔调查环节，该预设条件可以是该参数对应的保单是否发生理赔的条件。

在步骤S502中，若参数满足预设条件，将参数确定为目标参数。当参数满足预设条件时，亦即该参数是进入理赔表的参数，此时，可以将进入理赔表的参数确定为目标参数，并获取和计算与目标参数对应的目标特征数据。举例而言，可以是在确定被保人、代理人、投保人、服务部、当次理赔信息的特征字段之后，对特征字段进行预处理，以确定目标特征数据。

在本示例性实施例中，在调查环节加入预设条件进行判断，获取进入数据库的参数对应的目标特征数据，以进行进一步的评估概率计算，可以减少计算量和调查工作量，提高在不同环节目标参数的获取准确性。

在步骤S130中，将目标特征数据输入至目标机器学习模型中，以得到与目标参数对应的评估概率。

在本公开的一种示例性实施例中，目标特征数据包括第一目标特征数据，评估概率包括第一评估概率，在可选的实施例中，将第一目标特征数据输入至目标机器学习模型中，以得到与目标参数对应的第一评估概率。举例而言，第一目标特征数据可以是在承保后出险前调查环节确定的特征数据，可以包括被保人、代理人、投保人、服务部等特征数据，该特征数据是根据特征字段预处理得到的。

其中，特征字段如下表1所示：

表1

其中，被保人的特征字段可以包括被保人年龄、被保人风险、被保人婚姻情况等；代理人的特征字段可以包括代理人理赔率、代理人年龄、代理人性别等；投保人的特征字段可以包括投保人收入、投保人性别、投保人年龄等；服务部的特征字段可以包括服务部客户数、服务部标保、服务部理赔率等。将目标保单中的第一目标特征数据输入至目标机器学习模型中，可以得到该目标参数对应的第一风险评估概率。

在可选的实施例中，将第二目标特征数据输入至目标机器学习模型中，以得到与目标参数对应的第二评估概率。举例而言，第二目标特征数据可以是在理赔调查环节确定的特征数据，可以包括被保人、代理人、投保人、服务部、当次理赔信息等特征数据，该特征数据是根据特征字段预处理得到的。如表1所示，被保人的特征字段可以包括被保人年龄、被保人风险、被保人婚姻情况等；代理人的特征字段可以包括代理人理赔率、代理人年龄、代理人性别等；投保人的特征字段可以包括投保人收入、投保人性别、投保人年龄等；服务部的特征字段可以包括服务部客户数、服务部标保、服务部理赔率等；当次理赔信息的特征字段可以包括生效至理赔天数、出险至理赔天数、住院天数等。将目标保单中的第二目标特征数据输入至目标机器学习模型中，可以得到该目标案号对应的第二评估概率。

在本示例性实施例中，将不同的目标特征数据输入至目标机器学习模型中，可以得到对应的评估概率，降低了调查工作量，提高了风险评估的准确性。

在步骤S140中，获取与评估概率对应的阈值，将评估概率大于阈值的对象确定为目标对象。

在本公开的一种示例性实施例中，举例而言，可以是获取与评估概率对应的风险阈值，并将评估概率与风险阈值进行比较。其中，针对承保后出险前的调查环节，可以获取对应的第一评估概率，对应的，第一风险阈值可以是在相关的业务场景中，预先设定的阈值。举例而言，在承保后出险前风险调查环节评估的时候，可以将第一风险阈值设定为0.5或0.6，也可以设定为其他数值，本示例性实施例对此不做特殊限定。值得说明的是，设置的第一风险阈值的大小决定了确定出的第一目标对象的数量，第一风险阈值越大，确定出的第一目标对象越少；第一风险阈值越小，确定出的第一目标对象越多。根据得到的第一评估概率与预设的第一风险阈值，可以将二者进行比较。

针对理赔风险评估的调查环节，可以获取对应的第二评估概率，对应的，第二风险阈值可以是在具体的业务场景中，预先设定的阈值。举例而言，在理赔风险评估的时候，可以将第一风险阈值设定为0.8，也可以设定为其他数值，本示例性实施例对此不做特殊限定。值得说明的是，设置第二风险阈值的大小决定了确定出的第二目标对象的数量，第二风险阈值越大，确定出的第二目标对象越少；第二风险阈值越小，确定出的第二目标对象越多。

根据比较结果，将评估概率大于阈值的对象确定为目标对象。其中，根据第一评估概率与第一风险阈值的比较结果，可以筛选出第一评估概率大于第一风险阈值的参数，将该参数中包含的对象确定为第一目标对象，推荐为承保后出险前调查环节的调查对象。举例而言，该对象可以包括分公司代码、中支代码、保单服务部、服务部代码、保单号、代理人工号、被保人客户号、被保人姓名、被保险人年龄、本单主险险种代码、主险名称、生效日期、主险保额、累计风险保额、是否生调、是否体检、预测概率值等信息，以便于调查环节的各个部门对调查人员的确定。在本示例性实施例中，根据第一风险阈值和第一评估概率的比较结果可以推荐出第一目标对象，以作调查使用，减少了人工提取调查对象的工作量，节约了调查环节的人力物力，提高了调查准确性。

除此之外，还可以根据第二评估概率与第二风险阈值的比较结果，可以筛选出第二评估概率大于第二风险阈值的参数，将该参数上的名单确定为第二目标对象，推荐为理赔风险的调查环节的调查对象。举例而言，该调查对象可以包括分公司代码、中支代码、保单服务部、服务部代码、保单号、代理人工号、被保人客户号、被保人姓名、被保险人年龄、本单主险险种代码、主险名称、生效日期、主险保额、累计风险保额、是否生调、是否体检、预测概率值等信息，以便于调查环节的各个部门对调查人员的确定。在本示例性实施例中，根据第二风险阈值和第二风险评估概率的比较结果可以推荐出第二目标名单，以作调查使用，减少了人工提取调查对象的工作量，节约了调查环节的人力物力，提高了调查准确性。

需要说明的是，虽然以上示例性实施例的实施方式以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或者必须执行全部的步骤才能实现期望的结果。附加地或者备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本公开的示例性实施例中，还提供一种数据处理装置。图6示出了数据处理装置的结构示意图，如图6所示，数据处理装置600可以包括：模型训练模块601、数据获取模块602、风险评估模块603、对象确定模块604。其中：

模型训练模块601，被配置为利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型；数据获取模块602，被配置为确定并获取目标参数，以得到与目标参数对应的目标特征数据；风险评估模块603，被配置为将目标特征数据输入至目标机器学习模型中，以得到与目标参数对应的评估概率；对象确定模块604，被配置为获取与评估概率对应的阈值，将评估概率大于阈值的对象确定为目标对象。

上述数据处理装置的具体细节已经在对应的数据处理方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了数据处理装置600的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

下面参照图7来描述根据本发明的这种实施例的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)721和/或高速缓存存储单元722，还可以进一步包括只读存储单元(ROM)723。

存储单元720还可以包括具有一组(至少一个)程序模块725的程序/实用工具724，这样的程序模块725包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器740通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图8所示，描述了根据本发明的实施例的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种数据处理方法，其特征在于，所述方法包括：

利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型；

确定并获取目标参数，以得到与所述目标参数对应的目标特征数据；

将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率；

获取与所述评估概率对应的阈值，将所述评估概率大于所述阈值的对象确定为目标对象。

2.根据权利要求1所述的数据处理方法，其特征在于，所述目标特征数据包括第一目标特征数据，所述评估概率包括第一评估概率，

所述将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率，包括：

将所述第一目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的第一评估概率。

3.根据权利要求1所述的数据处理方法，其特征在于，所述确定并获取目标参数，包括：

在数据库中获取参数，并判断所述参数是否满足预设条件；

若所述参数满足所述预设条件，将所述参数确定为目标参数。

4.根据权利要求3所述的数据处理方法，其特征在于，所述目标特征数据包括第二目标特征数据，所述评估概率包括第二评估概率，

所述将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率，包括：

将所述第二目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的第二评估概率。

5.根据权利要求1所述的数据处理方法，其特征在于，所述利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型，包括：

获取历史参数，并获取与所述历史参数对应的历史数据；

对所述历史数据打标签，以确定与所述历史参数对应的标签信息；

利用所述标签信息与所述特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型。

6.根据权利要求5所述的数据处理方法，其特征在于，所述对所述历史数据打标签，以确定与所述历史参数对应的标签信息，包括：

基于第一标签规则，对所述历史数据打标签，并确定与所述历史参数对应的第一标签信息；

基于第二标签规则，对所述历史数据打标签，并确定与所述历史参数对应的第二标签信息。

7.根据权利要求1所述的数据处理方法，其特征在于，在所述利用特征数据训练待训练机器学习模型之前，所述方法还包括：

在数据库中，识别并获取待处理参数，并获取与所述待处理参数对应的待处理特征信息；

预处理所述待处理特征信息，以获取所述特征数据。

8.一种数据处理装置，其特征在于，包括：

模型训练模块，被配置为利用特征数据训练待训练机器学习模型，以确定训练好的目标机器学习模型；

数据获取模块，被配置为确定并获取目标参数，以得到与所述目标参数对应的目标特征数据；

风险评估模块，被配置为将所述目标特征数据输入至所述目标机器学习模型中，以得到与所述目标参数对应的评估概率；

对象确定模块，被配置为获取与所述评估概率对应的阈值，将所述评估概率大于所述阈值的对象确定为目标对象。

9.一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如权利要求1-7中任意一项所述的数据处理方法。

10.一种电子设备，其特征在于，包括：

处理器；

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器被配置为经由执行所述可执行指令来执行如权利要求1-7中任意一项所述的数据处理方法。

Images