CN110889585B - 信息分类决策方法、装置、计算机系统及可读存储介质 - Google Patents

Abstract

本发明公开了信息分类决策方法、装置、计算机系统及可读存储介质，基于人工智能，包括以下步骤：接收由客户端输出的理赔信息，依次检测理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据规则结果生成规则通过信号；将理赔信息制成治疗向量和康复向量，将治疗向量和康复向量录入定损评估模型以生成定损结果，将定损结果载入理赔信息中；检测理赔信息中是否具有定损金额；若是则将定损结果与定损金额相除以获得定损偏差值；判断定损偏差值是否位于偏差区间内；若是则将定损金额设为理赔信息的最终定损额并将理赔信息输出至客户端；若否则将定损结果设为理赔信息的最终定损额并将理赔信息向客户端。本发明提高了定损效率和定损精度。

Description

信息分类决策方法、装置、计算机系统及可读存储介质

技术领域

本发明涉及通信技术领域，尤其涉及信息分类决策方法、装置、计算机系统及可读存储介质。

背景技术

目前，对于车险理赔业务来说，车辆发生事故后，通常由定损员对车辆事故的伤者进行定损；然而，当前的定损作业需要定损员具有较强的定损经验，才可对伤者的治疗及康复费用进行准确的评估，并制定合理的定损金额；

由于当前的定损金额通常采用人工定损的方式完成，随着保险公司业务量日益增大，使得人工定损的方式无法及时准确的制定出定损金额，造成定损效率低下，定损准确度低的情况。

发明内容

本发明的目的是提供一种信息分类决策方法、装置、计算机系统及可读存储介质，用于解决当前通过人工定损的方式无法及时准确的制定出定损金额，造成定损效率低下，定损准确度低的问题。

为实现上述目的，本发明提供一种信息分类决策方法，包括以下步骤：

接收由客户端输出的理赔信息，依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号；

根据所述规则通过信号将理赔信息制成治疗向量和康复向量，将所述治疗向量和康复向量录入定损评估模型以生成定损结果，将所述定损结果载入所述理赔信息中；

检测所述理赔信息中是否具有定损金额；若是则将所述定损结果与所述定损金额相除以获得定损偏差值；

判断所述定损偏差值是否位于偏差区间内；若是则将所述定损金额设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端；若否则将所述定损结果设为所述理赔信息的最终定损额，并将所述理赔信息向所述客户端。

上述方案中，所述接收由客户端输出的理赔信息之前包括：

将模板信息输出至客户端，使所述客户端可根据所述模板信息录入的理赔信息。

上述方案中，所述依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号或规则风险信号包括：判断所述理赔信息中的所有的勾选框和选项栏是否均已录入以检测所述理赔信息的完整度；若是则生成信息完整信号，若否则生成勾选提醒信号或填写提醒信号并将其输出至客户端；

根据所述信息完整信号判断所述理赔信息中的伤者身份是否具有关键信息以检测所述理赔信息的关键度，若是则生成伤治风险信号并将其录入规则结果中，若否则生成伤治通过信号并将其录入规则结果中；

根据所述信息完整信号判断所述理赔信息中的个人信息是否属于个人年龄区间以检测所述理赔信息的归属度，若是则生成个人通过信号并将其录入规则结果中，若否则生成个人风险信号并将其录入规则结果中；

根据所述信息完整信号提取所述理赔信息中的背景信息，并判断所述背景信息中的户籍性质与工作职务是否匹配以检测所述理赔信息的匹配度，若是则生成背景通过信号并将其录入规则结果中，若否则生成背景风险信号并将其录入规则结果中。

上述方案中，所述根据所述规则结果生成规则通过信号或规则风险信号包括：

检测所述规则结果中是否具有伤治风险信号、和/或个人风险信号、和/或背景风险信号，若是则生成规则风险信号，若否则生成规则通过信号。

上述方案中，所述将理赔信息制成治疗向量和康复向量包括：

将所述理赔信息中的伤治信息和个人信息汇总以获得治疗信息，将所述治疗信息转为治疗向量；

将所述理赔信息中的个人信息和背景信息汇总以获得康复信息，将所述康复信息转为康复向量。

上述方案中，所述将所述治疗向量和康复向量录入定损评估模型以生成定损结果包括：

将所述治疗向量录入定损评估模型的治疗模型以获得治疗结果；

将所述康复向量录入定损评估模型的康复模型以获得康复结果；

将所述治疗结果与康复结果相加获得定损结果。

上述方案中，所述判断所述定损偏差值是否位于偏差区间内包括：

设定偏差区间；

将所述定损偏差值分别与所述偏差区间的上限和下限进行对比；

若所述定损偏差值大于所述偏差区间的下限，且小于偏差区间的上限，则判定所述定损偏差值位于偏差区间内；

若所述定损偏差值大于所述偏差区间的上限，或小于偏差区间的下限，则判定所述定损偏差值不位于偏差区间内。

为实现上述目的，本发明还提供一种信息分类决策装置，包括：

规则验证模块，用于接收由客户端输出的理赔信息，依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号；

定损生成模块，用于根据所述规则通过信号将理赔信息制成治疗向量和康复向量，将所述治疗向量和康复向量录入定损评估模型以生成定损结果，将所述定损结果载入所述理赔信息中；

定损确定及偏差计算模块，用于检测所述理赔信息中是否具有定损金额；若是则将所述定损结果与所述定损金额相除以获得定损偏差值；

定损判断模块，用于判断所述定损偏差值是否位于偏差区间内；若是则将所述定损金额设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端；若否则将所述定损结果设为所述理赔信息的最终定损额，并将所述理赔信息向所述客户端。

为实现上述目的，本发明还提供一种计算机系统，其包括多个计算机设备，各计算机设备包括存储器. 处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述多个计算机设备的处理器执行所述计算机程序时共同实现上述信息分类决策方法的步骤。

为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现上述信息分类决策方法的步骤。

本发明提供的信息分类决策方法、装置、计算机系统及可读存储介质，通过定损评估模型提高了定损金额评估的效率，还利用规则验证模块根据定损规则对理赔信息进行验证，用于帮助定损员获取足够多的信息及细节，以及帮助定损员识别陷阱，进而避免定损员因经验欠缺而未获取足够的信息及细节，或受到伤者欺骗等原因而导致定损金额过高的情况出现；

利用定损生成模块将理赔信息录入定损评估模型以生成定损结果，并利用定损确定及偏差计算模块将定损结果作为最终定损额，用于帮助定损员生成定损结果，以避免定损员因经验欠缺无法准确评估定损金额的情况出现，使定损员能够为伤者评估出相对合理的定损金额，提高了最终定损额的准确度和合理性；

利用定损确定及偏差计算模块获得定损偏差值；并利用定损判断模块判断所述定损偏差值是否位于偏差区间内，因此提高了定损效率和定损精度，避免了当前通过人工定损的方式无法及时准确的制定出定损金额，造成定损效率低下，定损准确度低的情况。

附图说明

图1为本发明信息分类决策方法实施例一的流程图；

图2为本发明信息分类决策方法实施例一中信息分类决策装置与客户端之间的工作流程图；

图3为本发明信息分类决策装置实施例二的程序模块示意图；

图4为本发明计算机系统实施例三中计算机设备的硬件结构示意图。

附图标记：

1、信息分类决策装置2、客户端3、计算机设备

11、规则验证模块12、定损生成模块13、定损确定及偏差计算模块

14、定损判断模块31、存储器32、处理器

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的信息分类决策方法、装置、计算机系统及可读存储介质，适用于通信领域，为提供一种基于规则验证模块、定损生成模块、定损确定及偏差计算模块和定损判断模块的信息分类决策方法。本发明通过定损评估模型提高了定损金额评估的效率，还利用规则验证模块根据定损规则对理赔信息进行验证；利用定损生成模块将理赔信息录入定损评估模型以生成定损结果，并利用定损确定及偏差计算模块将定损结果作为最终定损额；利用定损确定及偏差计算模块获得定损偏差值；并利用定损判断模块判断所述定损偏差值是否位于偏差区间内。

实施例一

请参阅图1和图2，本实施例的一种信息分类决策方法，利用信息分类决策装置1，包括：

S1：接收由客户端输出的理赔信息，依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号或规则风险信号；

S2：根据所述规则通过信号将理赔信息制成治疗向量和康复向量，将所述治疗向量和康复向量录入定损评估模型以生成定损结果，将所述定损结果载入所述理赔信息中；

S3：检测所述理赔信息中是否具有定损金额，若否则将所述定损结果设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端，若是则将所述定损结果与所述定损金额相除以获得定损偏差值；

S4：判断所述定损偏差值是否位于偏差区间内，若是则将所述定损金额设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端，若否则将所述定损结果设为所述理赔信息的最终定损额，并将所述理赔信息向所述客户端。

于本实施例中，所述理赔信息可通过向客户端2输出模板信息并由客户端2根据所述模板信息录入所获得，也可由客户端2在预存的模板信息中进行录入所获得；其中，所述模板信息至少包括：伤治信息、个人信息、背景信息和定损金额。

其中，所述完整度用于表达所述理赔信息的完整程度，即理赔信息中的内容是否完全填写完成，本申请通过检测理赔信息中需勾选和选择的内容均已勾选选择以评价该理赔信息的完整程度，若是则认定该理赔信息的完整程度为高并生成信息完整信号，若否则认定该理赔信息的完整程度为低并生成勾选提醒信号或填写提醒信号；

所述关键度用于表达所述理赔信息的关键程度，即理赔信息中是否具有预设规则锁定的关键字词，本申请通过检测理赔信息中是否具有预设的关键信息以评价该理赔信息的关键程度，若是则认定该理赔信息的关键程度为高并生成关键度通过信号，若否则认定该理赔信息的关键程度为低并生成关键度风险信号；

所述归属度用于表达所述理赔信息的归属程度，即理赔信息中的内容是否属于预设规则划分的信息范围内，本申请通过检测理赔信息中的信息是否属于预设的数据区间以评价该理赔信息的归属程度，若是则认定该理赔信息的关键程度为高并生成归属度通过信号，若否则认定该理赔信息的归属程度为低并生成归属度风险信号；

所述匹配度用于表达所述理赔信息的匹配程度，即理赔信息中具有关联关系的内容是否相互匹配，本申请通过检测理赔信息中具有关联关系的信息是否相互匹配以评价该理赔信息的匹配程度，若是则认定该理赔信息的匹配程度为高并生成匹配度通过信号，若否则认定该理赔信息的匹配程度为低并生成匹配度风险信号；

所述规则结果用于汇总关键度通过信号或关键度风险信号、以及归属度通过信号或归属度风险信号、以及匹配度通过信号或匹配度风险信号，用于表达所述理赔信息的关键程度、归属程度和匹配程度，若所述规则结果的关键程度、归属程度和匹配程度均为高，则生成用于表示理赔信息完全符合完整度、关键度、归属度和匹配度的规则通过信号；若所述规则结果的关键程度、归属程度和匹配程度至少有一个为低，则生成用于表示理赔信息不完全符合完整度、关键度、归属度和匹配度的规则风险信号。

基于上述技术原理，于本实施例中，通过检测所述理赔信息的完整度可通过检测理赔信息中伤治信息、个人信息、背景信息是否具有空白，若具有则判定完整度不符合要求，若不具有则判定完整度符合要求；检测所述理赔信息的关键度可通过检测理赔信息中是否具有预设的关键信息，若是则判定所述理赔信息的关键度符合要求，若否则判定所述理赔信息的关键度不符合要求；检测所述理赔信息的归属度可通过检测理赔信息中是否属于预设的数值区间，若是则判定所述理赔信息的归属度符合要求，若否则判定所述理赔信息的归属度不符合要求；检测所述理赔信息的匹配度可通过检测理赔信息中的具有关联关系的信息是否相互匹配，例如，理赔信息中的第一信息为第二信息的概括化信息，或第一信息与第二信息之间具有相关性关系，或第一信息与第二信息之间具有因果关系，若是则判定所述理赔信息的匹配度符合要求，若否则判定所述理赔信息的归属度不符合要求。

所述理赔信息可根据预设的规则将其制成治疗向量和康复向量，所述定损评估模型为基于聚类算法制成，将治疗向量和康复向量录入定损评估模型中以获得治疗结果和康复结果，并根据治疗结果和康复结果获得定损结果。

所述定损金额为由客户端2根据模板信息录入而成，再将所述定损结果和定损金额相除获得定损偏差值；再将定损偏差值与预设的偏差区间进行比对，其中，所述偏差区间的上限和下限可为【0,1】之间任一数值，若所述定损偏差值位于偏差区间内则将所述定损金额设为最终定损额，若否则将定损结果设为最终定损额。

在一个优选的实施例中，所述接收由客户端输出的理赔信息之前包括：

将模板信息输出至客户端，使所述客户端可根据所述模板信息录入的理赔信息。

进一步的，所述模板信息包括：伤治信息、个人信息、背景信息和定损金额；

所述伤治信息可包括以下因子：人伤任务类型、伤者身份、治疗方式、送诊方式、损伤部位；

其中，人伤任务类型因子、伤者身份因子、治疗方式因子、送诊方式因子所对应的内容为勾选框或选项栏，所述损伤部位因子所对应的内容为用于输入文本的编辑栏。

所述个人信息可包括以下因子：年龄、性别；

其中，所述年龄因子所对应的内容为用于输入文本的编辑栏；所述性别因子所对应的内容为勾选框或选项栏；

所述背景信息可包括以下因子：户籍性质、工作单位、工作职务；

其中，户籍性质因子和工作职务因子所对应的内容为勾选框或选项栏；工作单位因子所对应的内容为用于输入文本的编辑栏。

定损金额为定损定损员根据现场实际情况及经验进行填写的，该定损金额可填写，也可不填写。

优选的，所述伤者身份所对应的内容可包括选项：三者车内人、三者车外人、司机、乘客；

所述治疗方式所对应的内容可包括选项：保守治疗、手术治疗；

所述送诊方式所对应的内容可包括选项：救护车送诊、自行送诊；

优选的，所述年龄因子具有年龄区间，其中，所述年龄区间可为1—999；

所述性别因子所对应的内容可包括以下选项：男、女。

优选的，所述户籍性质所对应的内容可包括选项：农村、城镇、农村按城镇；

所述工作职务因子具有：农村职务集、城镇职务集和农村按城镇职务集；

农村职务集可包括以下识别字段：无、零工、个体、务农；

城镇职务集可包括以下识别字段：干部、工人、学生、知识分子、待业；

农村按城镇职务集可包括以下识别字段：务工人员。

在一个优选的实施例中，所述依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号或规则风险信号包括：

判断所述理赔信息中的所有的勾选框和选项栏是否均已录入以检测所述理赔信息的完整度，若是则生成信息完整信号，若否则生成勾选提醒信号或填写提醒信号并将其输出至客户端；

本步骤中，依次判断人伤任务类型因子、伤者身份因子、治疗方式因子、送诊方式因子、性别因子、户籍性质因子和工作职务因子所对应的内容为勾选框或选项栏，是否具有未勾选项；若否，则生成勾选成功信号；

若有，则生成勾选提醒信号并将其输出至客户端2；

根据所述勾选成功信号依次判断所述损伤部位因子、年龄因子和工作单位因子所对应的内容是否具有空白；

若无，则判定所述理赔信息中的所有的勾选框和选项栏均已录入并生成信息完整信号；

若有，则生成填写提醒信号并将其输出至所述客户端2。

根据所述信息完整信号判断所述理赔信息中的伤者身份是否具有关键信息以检测所述理赔信息的关键度，若是则生成伤治风险信号并将其录入规则结果中，若否则生成伤治通过信号并将其录入规则结果中；其中，所述伤治通过信号即为上述关键度通过信号，所述伤治风险信号即为上述关键度风险信号。

本步骤中，根据信息完整信号预设关键信息，例如所述预设关键信息为“司机”且所述损伤部位因子包括“右锁骨骨折”；判断所述伤者身份因子所对应的内容是否为司机，若是，则对所述损伤部位因子所对应的内容进行对比，若否，则生成伤治通过信号；

当所述伤者身份为司机时，则提取所述损伤部位所对应的内容；判断所述损伤部位因子是否包括右锁骨骨折；

若是，则判定所述理赔信息中的伤者身份具有关键信息，生成伤治风险信号并将其录入规则结果中；

若否，则判定所述理赔信息中的伤者身份不具有关键信息，生成伤治通过信号并将其录入规则结果中。

根据所述信息完整信号判断所述理赔信息中的个人信息是否属于个人年龄区间以检测所述理赔信息的归属度，若是则生成个人通过信号并将其录入规则结果中，若否则生成个人风险信号并将其录入规则结果中；所述个人通过信号即为上述归属度通过信号，所述个人风险信号即为上述归属度风险信号。

本步骤中，根据信息完整信号预设个人年龄区间，判断所述年龄因子所对应的内容是否位于个人年龄区间内；

若是，则判断所述理赔信息中的个人信息属于个人年龄区间，生成个人通过信号并将其录入规则结果中；

若否，则判断所述理赔信息中的个人信息不属于个人年龄区间，生成个人风险信号并将其录入规则结果中。

根据所述信息完整信号提取所述理赔信息中的背景信息，并判断所述背景信息中的户籍性质与工作职务是否匹配以检测所述理赔信息的匹配度，若是则生成背景通过信号并将其录入规则结果中，若否则生成背景风险信号并将其录入规则结果中；所述背景通过信号即为上述匹配度通过信号，所述背景风险信号即为上述匹配度风险信号。

本步骤中，根据所述信息完整信号提取所述户籍性质所对应的内容；

若所述户籍性质所对应的内容为农村，则提取所述工作职务因子所对应的内容，并与农村职务集进行比对；若所述农村职务集中具有所述工作职务因子所对应的内容，则生成背景通过信号，若所述农村职务集中不具有所述工作职务因子所对应的内容，则生成背景风险信号并将其录入规则结果中；

若所述户籍性质所对应的内容为城市，则提取所述工作职务因子所对应的内容，并与城市职务集进行比对；若所述城市职务集中具有所述工作职务因子所对应的内容，则生成背景通过信号，若所述城市职务集中不具有所述工作职务因子所对应的内容，则生成背景风险信号，并将其录入规则结果中；

若所述户籍性质所对应的内容为农村按城市，则提取所述工作职务因子所对应的内容，并与农村按城市职务集进行比对；若所述农村按城市职务集中具有所述工作职务因子所对应的内容，则生成背景通过信号，若所述农村按城市职务集中不具有所述工作职务因子所对应的内容，则生成背景风险信号，并将其录入规则结果中。

在一个优选的实施例中，所述根据所述规则结果生成规则通过信号或规则风险信号包括：

检测所述规则结果中是否具有伤治风险信号、和/或个人风险信号、和/或背景风险信号，若是则生成规则风险信号，若否则生成规则通过信号。

进一步地，所述根据所述规则结果生成规则通过信号或规则风险信号之后还包括：

将将所述规则风险信号输出至所述客户端2后结束。

可选的，可将规则风险信号或规则通过信号输出至客户端2，用户可根据规则风险信号或规则通过信号判断理赔信息是否具有风险，有助于定损员在现场判断理赔信息是否有误。

在一个优选的实施例中，所述将理赔信息制成治疗向量和康复向量包括：

将所述理赔信息中的伤治信息和个人信息汇总以获得治疗信息，将所述治疗信息转为治疗向量；其中，所述治疗向量为Z（x，y，z，k，l，r，s）；

将所述理赔信息中的个人信息和背景信息汇总以获得康复信息，将所述康复信息转为康复向量；其中，所述康复向量为K（r，s，u，v，w）。

具体的，本步骤中的治疗向量包括：

x对应人伤任务类型因子，其中，门诊对应元素值1，住院对应元素值2，死亡对应元素值3，伤残对应元素值4，快赔对应元素值5；

y对应伤者身份因子，其中，三者车内人对应元素值1，三者车外人对应元素值2，司机对应元素值3，乘客对应元素值4；

z对应治疗方式因子，其中，保守治疗对应元素值1，手术治疗对应元素值2；

k对应送诊方式因子，其中，救护车送诊对应元素值1，自行送诊对应元素值2

l对应损伤部位因子，其中，右锁骨骨折对应元素值1，不具有右锁骨骨折对应元素值2；

r对应年龄因子，其中，r的取值与所述年龄因子的赋值一致；

s对应性别因子，其中，男性对应元素值1，女性对应元素值2；

例如：若个人信息包括（门诊、司机、保守治疗、自行送诊、头部轻伤、35岁、男性），根据治疗向量规则所获得的治疗向量为Z（1，3，1，2，2，35，1）。

具体的，本步骤中的康复向量包括：

r对应年龄因子，其中，r的取值与所述年龄因子的赋值一致；

s对应性别因子，其中，男性对应元素值1，女性对应元素值2；

u对应户籍性质因子，其中，农村对应元素值1，城镇对应元素值2，农村按城镇对应元素值3；

v对应工作单位因子，其中，工作单位因子的内容为“无”对应元素值1，否则对应元素值2；

w对应工作职务，其中，无对应元素值1、零工对应元素值2、个体对应元素值3、务农对应元素值4、干部对应元素值5、工人对应元素值6、学生对应元素值7、知识分子对应元素值8、待业对应元素值9、务工人员对应元素值；

例如：若个人信息包括（35岁、男性、城镇、**市第一机械厂、工人），

根据治疗向量规则所获得的康复向量为K（35，1，2，2，6）。

在一个优选的实施例中，所述将所述治疗向量和康复向量录入定损评估模型以生成定损结果包括：

将所述治疗向量录入定损评估模型的治疗模型以获得治疗结果；

将所述康复向量录入定损评估模型的康复模型以获得康复结果；

将所述治疗结果与康复结果相加获得定损结果。

具体的，所述治疗模型通过以下方式训练获得：

在历史治疗数据库中提取多个训练样本，所述训练样本具有个人信息和治疗费用；

根据治疗向量规则将所述训练样本的个人信息转为训练治疗向量；

准备初级治疗模型，并在所述初级治疗模型中设置初始聚类中心个数；

其中，初级治疗模型为K-MEAN聚类算法；

本实施例中，由于训练治疗向量包括年龄、性别、人伤任务类型、伤者身份、治疗方式、送诊方式、损伤部位，七个维度，因此K选7；同时，本技术方案不限于采用其他的K值作为初始聚类中心个数；

依次设定各初始聚类中心的初始聚类中心的初始坐标，并将多个所述训练治疗向量录入初级治疗模型中；

计算每个训练治疗向量与各初始聚类中心的距离，并按照最小距离原则将各训练治疗向量分配到最邻近聚类，使用每个聚类中的样本均值作为新的聚类中心，再次计算每个训练治疗向量与各初始聚类中心的距离，并按照最小距离原则将各训练治疗向量分配到最邻近聚类，按照这种方式持续迭代直至聚类中心不再变化，此时，将得到治疗模型。

进一步的，所述将所述治疗向量录入定损评估模型的治疗模型以获得治疗结果包括：

将所述治疗向量录入所述治疗模型中，以确定所述治疗向量所属的簇；提取所述簇的所有训练治疗向量的所对应的训练样本，并计算所有所述训练样本的治疗费用的均值，将所述均值定为治疗结果。

具体的，所述康复模型通过以下方式训练获得：

在历史康复数据库中提取多个训练样本，所述训练样本具有个人信息和康复费用；

根据康复向量规则将所述训练样本的个人信息转为训练康复向量；

准备初级康复模型，并在所述初级康复模型中设置初始聚类中心个数；

其中，初级康复模型为K-MEAN聚类算法；

本实施例中，由于训练康复向量包括年龄、性别、户籍性质、工作单位、工作职务，五个维度，因此K选5；同时，本技术方案不限于采用其他的K值作为初始聚类中心个数；

依次设定各初始聚类中心的初始聚类中心的初始坐标，并将多个所述训练康复向量录入初级康复模型中；

计算每个训练康复向量与各初始聚类中心的距离，并按照最小距离原则将各训练康复向量分配到最邻近聚类；

使用每个聚类中的样本均值作为新的聚类中心，再次计算每个训练康复向量与各初始聚类中心的距离，并按照最小距离原则将各训练康复向量分配到最邻近聚类，按照这种方式持续迭代直至聚类中心不再变化，此时将得到康复模型。

进一步的，所述将所述康复向量录入定损评估模型的康复模型以获得康复结果包括：

将所述康复向量录入所述康复模型中，以确定所述康复向量所属的簇；

提取所述簇的所有训练康复向量的所对应的训练样本，并计算所有所述训练样本的康复费用的均值，将所述均值定为康复结果。

具体的，所述S3包括以下步骤：

S31：判断所述理赔信息中的定损金额是否为空；即，判断定损员是否已填写定损金额；

S32：若所述定损金额为空，则将所述定损结果作为最终定损额，并将其输出至所述客户端2后结束；

若所述定损金额为非空，将所述定损结果与所述理赔信息中的定损金额相除，以获得定损偏差值，并进入步骤S4。

在一个优选的实施例中，所述判断所述定损偏差值是否位于偏差区间内包括：

设定偏差区间；其中，所述偏差区间的上限和下限分别为0-2之间任意数值；例如，偏差区间可为【0.95,1.05】；

将所述定损偏差值分别与所述偏差区间的上限和下限进行对比；

若所述定损偏差值大于所述偏差区间的下限，且小于偏差区间的上限，则判定所述定损偏差值位于偏差区间内；

若所述定损偏差值大于所述偏差区间的上限，或小于偏差区间的下限，则判定所述定损偏差值不位于偏差区间内。

实施例二

请参阅图3，本实施例的一种信息分类决策装置1，包括：

规则验证模块11，用于接收由客户端2输出的理赔信息，依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号；

定损生成模块12，用于根据所述规则通过信号将理赔信息制成治疗向量和康复向量，将所述治疗向量和康复向量录入定损评估模型以生成定损结果，将所述定损结果载入所述理赔信息中；

定损确定及偏差计算模块13，用于检测所述理赔信息中是否具有定损金额；若是则将所述定损结果与所述定损金额相除以获得定损偏差值；若否则将所述定损结果设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端2；

定损判断模块14，用于判断所述定损偏差值是否位于偏差区间内；若是则将所述定损金额设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端2；若否则将所述定损结果设为所述理赔信息的最终定损额，并将所述理赔信息向所述客户端2。

本技术方案基于人工智能的智能决策技术，通过定损评估模型提高了定损金额评估的效率，还利用规则验证模块根据定损规则对理赔信息进行验证；利用定损生成模块将理赔信息录入定损评估模型以生成定损结果，并利用定损确定及偏差计算模块将定损结果作为最终定损额；利用定损确定及偏差计算模块获得定损偏差值；最后利用定损判断模块判断所述定损偏差值是否位于偏差区间内；建立了基于聚类算法获得定损结果，并将定损结果作为最终定损额，或根据所述定损结果判断定损金额是否可作为最终定损额的分类模型。

实施例三：

为实现上述目的，本发明还提供一种计算机系统，该计算机系统包括多个计算机设备3，实施例二的信息分类决策装置1的组成部分可分散于不同的计算机设备中，计算机设备可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器（包括独立的服务器，或者多个服务器所组成的服务器集群）等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器31、处理器32，如图4所示。需要指出的是，图4仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器31（即可读存储介质）包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，存储器31可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器31也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，存储器31还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器31通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例一的信息分类决策装置的程序代码等。此外，存储器31还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器32在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器32通常用于控制计算机设备的总体操作。本实施例中，处理器32用于运行存储器31中存储的程序代码或者处理数据，例如运行信息分类决策装置，以实现实施例一的信息分类决策方法。

实施例四：

为实现上述目的，本发明还提供一种计算机可读存储系统，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器32执行时实现相应功能。本实施例的计算机可读存储介质用于存储信息分类决策装置，被处理器32执行时实现实施例一的信息分类决策方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种信息分类决策方法，其特征在于，包括以下步骤：

接收由客户端输出的理赔信息，依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号；

所述依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，包括：

判断所述理赔信息中的所有的勾选框和选项栏是否均已录入以检测所述理赔信息的完整度，若是则生成信息完整信号，若否则生成勾选提醒信号或填写提醒信号并将其输出至客户端；其中，所述完整度用于表达理赔信息中的内容是否完全填写完成，所述信息完整信号表征理赔信息中需勾选和选择的内容均已勾选选择；根据所述信息完整信号判断所述理赔信息中的伤者身份是否具有关键信息以检测所述理赔信息的关键度，若是则生成伤治风险信号并将其录入规则结果中，若否则生成伤治通过信号并将其录入规则结果中；其中，所述关键度用于表达理赔信息中是否具有预设规则锁定的关键信息，所述伤治风险信号表征理赔信息中具有预设的关键信息；所述伤治通过信号表征理赔信息中不具有预设的关键信息；根据所述信息完整信号判断所述理赔信息中的个人信息是否属于个人年龄区间以检测所述理赔信息的归属度，若是则生成个人通过信号并将其录入规则结果中，若否则生成个人风险信号并将其录入规则结果中；其中，所述归属度用于表达理赔信息中的内容是否属于预设规则划分的信息范围内；所述个人通过信号表征理赔信息中的信息是否属于预设的数据区间；所述个人风险信号表征理赔信息中的信息是否不属于预设的数据区间；

根据所述信息完整信号提取所述理赔信息中的背景信息，并判断所述背景信息中的户籍性质与工作职务是否匹配以检测所述理赔信息的匹配度，若是则生成背景通过信号并将其录入规则结果中，若否则生成背景风险信号并将其录入规则结果中；其中，所述匹配度用于表达理赔信息中具有关联关系的内容是否相互匹配；所述背景通过信号表征理赔信息中具有关联关系的信息相互匹配；所述背景风险信号表征理赔信息中具有关联关系的信息不相互匹配；

所述根据所述规则结果生成规则通过信号或规则风险信号包括：

检测所述规则结果中是否具有伤治风险信号、和/或个人风险信号、和/或背景风险信号，若是则生成规则风险信号，若否则生成规则通过信号；

根据所述规则通过信号将理赔信息制成治疗向量和康复向量，将所述治疗向量和康复向量录入定损评估模型以生成定损结果，将所述定损结果载入所述理赔信息中；

所述将理赔信息制成治疗向量和康复向量包括：

将所述理赔信息中的伤治信息和个人信息汇总以获得治疗信息，将所述治疗信息转为治疗向量；其中，所述治疗向量为Z（x，y，z，k，l，r，s）；x对应人伤任务类型因子；y对应伤者身份因子；z对应治疗方式因子；k对应送诊方式因子；l对应损伤部位因子；r对应年龄因子；s对应性别因子；

将所述理赔信息中的个人信息和背景信息汇总以获得康复信息，将所述康复信息转为康复向量；其中，所述康复向量为K（r，s，u，v，w）；r对应年龄因子；s对应性别因子；u对应户籍性质因子；v对应工作单位因子；w对应工作职务；所述将所述治疗向量和康复向量录入定损评估模型以生成定损结果包括：

将所述治疗向量录入定损评估模型的治疗模型以获得治疗结果；其中，所述将所述治疗向量录入定损评估模型的治疗模型以获得治疗结果包括：将所述治疗向量录入所述治疗模型中，以确定所述治疗向量所属的簇；提取所述簇的所有训练治疗向量的所对应的训练样本，并计算所有所述训练样本的治疗费用的均值，将所述均值定为治疗结果；

将所述康复向量录入定损评估模型的康复模型以获得康复结果；其中，所述将所述康复向量录入定损评估模型的康复模型以获得康复结果包括：将所述康复向量录入所述康复模型中，以确定所述康复向量所属的簇；提取所述簇的所有训练康复向量的所对应的训练样本，并计算所有所述训练样本的康复费用的均值，将所述均值定为康复结果；将所述治疗结果与康复结果相加获得定损结果；检测所述理赔信息中是否具有定损金额；若是则将所述定损结果与所述定损金额相除以获得定损偏差值；

判断所述定损偏差值是否位于偏差区间内；若是则将所述定损金额设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端；若否则将所述定损结果设为所述理赔信息的最终定损额，并将所述理赔信息向所述客户端。

2.根据权利要求1所述的信息分类决策方法，其特征在于，所述接收由客户端输出的理赔信息之前包括：

将模板信息输出至客户端，使所述客户端可根据所述模板信息录入的理赔信息。

3.根据权利要求1所述的信息分类决策方法，其特征在于，所述判断所述定损偏差值是否位于偏差区间内包括：

设定偏差区间；

将所述定损偏差值分别与所述偏差区间的上限和下限进行对比；

若所述定损偏差值大于所述偏差区间的下限，且小于偏差区间的上限，则判定所述定损偏差值位于偏差区间内；

若所述定损偏差值大于所述偏差区间的上限，或小于偏差区间的下限，则判定所述定损偏差值不位于偏差区间内。

4.一种信息分类决策装置，其特征在于，包括：

规则验证模块，用于接收由客户端输出的理赔信息，依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，根据所述规则结果生成规则通过信号；所述依次检测所述理赔信息的完整度、关键度、归属度和匹配度以获得规则结果，包括：判断所述理赔信息中的所有的勾选框和选项栏是否均已录入以检测所述理赔信息的完整度，若是则生成信息完整信号，若否则生成勾选提醒信号或填写提醒信号并将其输出至客户端；其中，所述完整度用于表达理赔信息中的内容是否完全填写完成，所述信息完整信号表征理赔信息中需勾选和选择的内容均已勾选选择；根据所述信息完整信号判断所述理赔信息中的伤者身份是否具有关键信息以检测所述理赔信息的关键度，若是则生成伤治风险信号并将其录入规则结果中，若否则生成伤治通过信号并将其录入规则结果中；其中，所述关键度用于表达理赔信息中是否具有预设规则锁定的关键信息，所述伤治风险信号表征理赔信息中具有预设的关键信息；所述伤治通过信号表征理赔信息中不具有预设的关键信息；根据所述信息完整信号判断所述理赔信息中的个人信息是否属于个人年龄区间以检测所述理赔信息的归属度，若是则生成个人通过信号并将其录入规则结果中，若否则生成个人风险信号并将其录入规则结果中；其中，所述归属度用于表达理赔信息中的内容是否属于预设规则划分的信息范围内；所述个人通过信号表征理赔信息中的信息是否属于预设的数据区间；所述个人风险信号表征理赔信息中的信息是否不属于预设的数据区间；根据所述信息完整信号提取所述理赔信息中的背景信息，并判断所述背景信息中的户籍性质与工作职务是否匹配以检测所述理赔信息的匹配度，若是则生成背景通过信号并将其录入规则结果中，若否则生成背景风险信号并将其录入规则结果中；其中，所述匹配度用于表达理赔信息中具有关联关系的内容是否相互匹配；所述背景通过信号表征理赔信息中具有关联关系的信息相互匹配；所述背景风险信号表征理赔信息中具有关联关系的信息不相互匹配；所述根据所述规则结果生成规则通过信号或规则风险信号包括：检测所述规则结果中是否具有伤治风险信号、和/或个人风险信号、和/或背景风险信号，若是则生成规则风险信号，若否则生成规则通过信号；

定损生成模块，用于根据所述规则通过信号将理赔信息制成治疗向量和康复向量，将所述治疗向量和康复向量录入定损评估模型以生成定损结果，将所述定损结果载入所述理赔信息中；所述将理赔信息制成治疗向量和康复向量包括：将所述理赔信息中的伤治信息和个人信息汇总以获得治疗信息，将所述治疗信息转为治疗向量；其中，所述治疗向量为Z（x，y，z，k，l，r，s）；x对应人伤任务类型因子；y对应伤者身份因子；z对应治疗方式因子；k对应送诊方式因子；l对应损伤部位因子；r对应年龄因子；s对应性别因子；将所述理赔信息中的个人信息和背景信息汇总以获得康复信息，将所述康复信息转为康复向量；其中，所述康复向量为K（r，s，u，v，w）；r对应年龄因子；s对应性别因子；u对应户籍性质因子；v对应工作单位因子；w对应工作职务；所述将所述治疗向量和康复向量录入定损评估模型以生成定损结果包括：将所述治疗向量录入定损评估模型的治疗模型以获得治疗结果；其中，所述将所述治疗向量录入定损评估模型的治疗模型以获得治疗结果包括：将所述治疗向量录入所述治疗模型中，以确定所述治疗向量所属的簇；提取所述簇的所有训练治疗向量的所对应的训练样本，并计算所有所述训练样本的治疗费用的均值，将所述均值定为治疗结果；将所述康复向量录入定损评估模型的康复模型以获得康复结果；其中，所述将所述康复向量录入定损评估模型的康复模型以获得康复结果包括：将所述康复向量录入所述康复模型中，以确定所述康复向量所属的簇；提取所述簇的所有训练康复向量的所对应的训练样本，并计算所有所述训练样本的康复费用的均值，将所述均值定为康复结果；将所述治疗结果与康复结果相加获得定损结果；定损确定及偏差计算模块，用于检测所述理赔信息中是否具有定损金额；若是则将所述定损结果与所述定损金额相除以获得定损偏差值；

定损判断模块，用于判断所述定损偏差值是否位于偏差区间内；若是则将所述定损金额设为所述理赔信息的最终定损额并将所述理赔信息输出至客户端；若否则将所述定损结果设为所述理赔信息的最终定损额，并将所述理赔信息向所述客户端。

5.一种计算机系统，其包括多个计算机设备，各计算机设备包括存储器. 处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述多个计算机设备的处理器执行所述计算机程序时共同实现权利要求1至3任一项所述信息分类决策方法的步骤。

6.一种计算机可读存储介质，其包括多个存储介质，各存储介质上存储有计算机程序，其特征在于，所述多个存储介质存储的所述计算机程序被处理器执行时共同实现权利要求1至3任一项所述信息分类决策方法的步骤。