CN111461898A - 一种获取核保结果的方法及相关装置 - Google Patents

Abstract

本发明提供一种获取核保结果的方法及相关装置，所述方法包括：获取判断核保结果的待检测信息；对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量；对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息；根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果。本发明提供的获取核保结果的方法将两种线性训练结合，提高核保判断的效率及核保结果的准确性。

Description

一种获取核保结果的方法及相关装置

技术领域

本发明涉及智能保险领域，特别是涉及一种获取核保结果的方法及相关装置。

背景技术

核保是整个保险环节中至关重要的一个环节，是风险控制前移的一种具体表现。核保过程稍有差错，就会使投保人、被保人及保险公司陷入两难境地。

若在核保过程中，风险把控太松，那么当保险公司面对恶意消费者时，将蒙受损失；如果风险把控太严，那么将有一部分的正常消费者因为被错误判断而得不到应有的服务。

目前市场上采取的核保技术包括人工核保及策略引擎核保。人工核保由核保员人工完成，核保员接收投保人、被保人信息后，由核保员根据业务知识和少许的个人主观因素来完成核保判断。该方法人力成本高，培养时间长，行业总体工作效率偏低，判断含有主观性，核保员之间的判断标准不统一。策略引擎在核保的时候，更加理性，并且规则统一。由于实际核保使用过程中，对核保的准确度要求较高，因此给策略引擎的的研发带来了巨大的挑战。

发明内容

本发明提供一种获取核保结果的方法及相关装置，用以提高核保过程的效率及核保结果的准确性。

为解决上述技术问题，本发明提供的第一个技术方案为：提供一种获取核保结果的方法，包括：获取判断核保结果的待检测信息；对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量；对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息；根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果。以此结合两种线性训练，对线性训练进行增强，进而提高核保过程的效率及核保结果的准确性。

其中，所述判断核保结果的待检测信息为至少两个，所述对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量包括：将所有所述待检测信息对应的第一向量进行拼接形成第一向量组合，将所有所述待检测信息对应的第二向量进行拼接形成第二向量组合。以便于对其进行非线性变换及线性变换。

其中，所述对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息具体包括：对所述第一向量组合进行第一线性训练以得到第一线性输出信息；对所述第二向量组合进行第二线性训练以得到第二线性输出信息。以此结合两种线性训练，对线性训练进行增强，进而提高核保过程的效率及核保结果的准确性。

其中，所述将所有所述待检测信息对应的第二向量进行拼接形成第二向量组合之后包括：对所述第二向量组合进行非线性训练以得到非线性输出信息；所述根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：将所述第一线性输出信息、所述第二线性输出信息及所述非线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。采用两种不同的线性训练及非线性训练结合的方式，防止线性训练部分拟合度不够，以此对线性训练进行增强。

其中，所述对所述第二向量进行第二线性训练以得到第二线性输出信息之后包括：对所述第二线性输出信息进行非线性训练以得到非线性输出信息；所述根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：将所述第一线性输出信息及所述非线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。采用两种不同的线性训练及非线性训练结合的方式，防止线性训练部分拟合度不够，以此对线性训练进行增强。

其中，所述对所述第二向量进行第二线性训练以得到第二线性输出信息之后包括：对所述第二线性输出信息进行非线性训练以得到非线性输出信息；将所述非线性输出信息与所述第二线性输出信息进行相乘以得到第三线性输出信息；所述根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：将所述第一线性输出信息及所述第三线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。采用两种不同的线性训练及非线性训练结合的方式，防止线性训练部分拟合度不够，以此对线性训练进行增强。

其中，所述对所述第一向量组合进行第一线性训练以得到第一线性输出信息；对所述第二向量组合进行第二线性训练以得到第二线性输出信息的步骤具体包括：通过深度学习网络中的第一多层感知机层对所述第一向量组合进行第一线性训练处理以得到所述第一线性输出信息；通过因子分解机的方式对所述第二向量组合进行特征组合，并将特征组合后的组合特征耦合，以得到所述第二线性输出信息；或者通过神经因子分解机的方式对所述第二向量组合进行特征组合，以得到所述第二线性输出信息；所述对所述第二向量组合进行非线性训练以得到非线性输出信息的步骤包括：通过深度神经网络对所述第二向量组合进行非线性训练，并通过深度学习网络中的第二多层感知机层对进行非线性训练后的第二向量组合进行第三线性训练处理以得到所述非线性输出信息；所述对所述第二线性输出信息进行非线性训练以得到非线性输出信息的步骤包括：通过深度神经网络对所述第二线性输出信息进行非线性训练，并通过深度学习网络中的第二多层感知机层对进行非线性训练后的第二向量组合进行第三线性训练处理以得到所述非线性输出信息；其中，所述第一多层感知机层与所述第二多层感知机层的线性加权系数不同；或通过深度学习网络中的注意层对所述第二线性输出信息进行非线性训练以得到非线性输出信息。采用两种不同的线性训练及非线性训练结合的方式，防止线性训练部分拟合度不够，以此对线性训练进行增强。

其中，所述判断核保结果的待检测信息包括数值型待检测信息和/或非数值型待检测信息；所述对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量的步骤包括：采用第一映射系数对每一所述非数值型待检测信息进行映射处理，以得到每一所述非数值型待检测信息对应的第一向量，及采用第二映射系数对每一所述非数值型待检测信息进行映射处理，以得到每一所述非数值型待检测信息对应的第二向量；和/或对每一所述数值型待检测信息进行归一化处理，以得到每一所述数值型待检测信息对应的第一向量，及对每一所述数值型待检测信息进行归一化处理，并对归一化处理后的数值型待检测信息进行线性训练以得到每一所述数值型待检测信息对应的第二向量；其中，所述非数值型待检测信息对应的第一向量与所述数值型待检测信息对应的第一向量维度相同，所述非数值型待检测信息对应的第二向量与所述数值型待检测信息对应的第二向量维度相同。以便于将所有类型的待检测信息都转换为向量，进而对其进行线性变换及非线性变换。

其中，所述获取判断核保结果的待检测信息的步骤之后还包括：对所述判断核保结果的待检测信息进行分域；将所有所述待检测信息对应的第二向量进行拼接形成第二向量组合之前还包括：根据域种类对所述待检测信息进行映射，以得到与所述域种类数量相同的第二向量；将各个域中的第二向量两两组合，并将两两组合后的第二向量进行拼接，以形成第二向量组合；所述对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息的步骤包括：对所述第一向量组合进行第一线性训练以得到第一线性输出信息；对所述第二向量组合进行第二线性训练以得到第二线性输出信息；根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：将所述第一线性输出信息及所述第二线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。采用两种不同的线性训练，以防止线性训练拟合度不够，以此对线性训练进行增强。

其中，所述根据耦合后的结果得到所述核保结果的步骤包括：采用逻辑斯蒂函数将所述耦合后的结果进行映射，并输出映射结果；判断所述映射结果，若所述映射结果大于预设阈值，则核保通过；若所述映射结果小于所述预设阈值，则核保不通过。以简化计算过程，提高核保过程的效率及核保结果的准确性。

其中，所述根据耦合后的结果得到所述核保结果的步骤包括：采用sigmoid函数将所述耦合后的结果进行映射，并输出映射结果；判断所述映射结果，若所述映射结果大于预设值，则核保通过；若所述映射结果小于预设值，则核保不通过。以简化计算过程，提高核保过程的效率及核保结果的准确性。

其中，所述判断核保结果的待检测信息包括：投保人及被保人的实时属性、投保人及被保人的历史属性、投保人及被保人历史投保行为数据、投保人及被保人的过往病史中一种或任意组合。

为解决上述技术问题，本发明提供的第二个技术方案是：提供一种获取核保结果的装置，包括：获取模块，用于获取判断核保结果的待检测信息；向量转化模块，用于对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量；线性训练模块，用于对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息；核保判断模块，用于根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果。本装置结合两种线性训练，对线性训练进行增强，进而提高核保过程的效率及核保结果的准确性。

为解决上述技术问题，本发明提供的第三个技术方案是：提供一种智能设备，包括存储器及处理器；其中，所述存储器存储有程序文件，所述处理器从所述存储器调取所述程序文件以执行如上述任一项所述的获取核保结果的方法。

为解决上述技术问题，本发明提供的第四个技术方案是：提供一种计算机可读存储介质，存储有程序文件，所述程序文件能够被执行以实现如上述任一项所述的获取核保结果的方法。

本发明的有益效果：区别于现有技术，本发明通过对待检测信息对应的第一向量及第二向量进行不同的线性训练，耦合两种线性训练的结果，能够通过两种不同的线性训练，使得线性训练结果相互制约，相互提升，能够提高核保过程的效率及核保结果的准确性。

附图说明

图1为本发明获取核保结果的方法的一实施例的流程示意图；

图2为图1中步骤S12的一具体实施例的流程示意图；

图3为本发明获取核保结果的方法的一实施例的信号流向的流程示意图；

图4为本发明获取核保结果的方法的另一实施例的信号流向的流程示意图；

图5为本发明获取核保结果的方法的再一实施例的信号流向的流程示意图；

图6为本发明获取核保结果的方法的又一实施例的信号流向的流程示意图；

图7为图1中步骤S14的一具体实施例的流程示意图；

图8为本发明获取核保结果的装置的一实施例的结果示意图；

图9为本发明智能设备的一实施例的结构示意图；

图10为本发明计算机可读存储介质的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

现有的核保由人工或策略引擎来实现，人工核保由核保员接收投保人、被保人的信息后，由核保员根据业务知识及少许的主观因素完成核保判断，此方法含有主观性，核保员之间的判断标准不统一。策略引擎的判断相较于人工判断更加理性，并且规则统一，但是研发策略引擎的过程中，需要考虑到方方面面的情况，若如不能枚举出所有的情况，则超出引擎的判断范围，再由人工进行判断，以此还是需要花费大量的人力来进行实现。因此，本发明提供一种获取核保结果的方法，采用算法模型代替人工审核和策略引擎，一方面可以解决人工审核所带来的缺点，相对于人工审核，算法模型训练时间短，其不需要人力介入，人力成本低，效率高，考虑全面，判断客观，结果稳定。另一方面可以解决策略引擎需要枚举所有可能的缺点，无需担心业务变更所带来的困扰，因为算法模型只需要很短的再训练时间。再一方面，传统的人工或策略引擎得出的结果只是标保、拒保、加费等等，是一个离散化的结果，无法体现各个结果的程度。使用算法模型可以把传统的离散化的核保结果转变为连续性的核保结果，即得出标保、拒保、加费等等的概率值，可以人为设定各结果的阈值，灵活性更高。具体过程结合本申请的附图及实施例进行说明。

请参见图1，为本发明获取核保结果的第一实施例的流程示意图。

包括：

步骤S11：获取判断核保结果的待检测信息。

具体的，获取到投保人对应的特征，例如，根据投保人的身份信息，例如投保人的姓名、身份证号码等获取到投保人对应的特征，如获取到投保人及被保人的实时属性、投保人及被保人的历史属性、投保人及被保人历史投保行为数据、投保人及被保人的过往病史。以此作为判断核保结果的待检测信息，通过多种信息，使得核保检测结果更加全面。

步骤S12：对待检测信息进行处理，以得到每一待检测信息对应的第一向量及第二向量。

在获取判断核保结果的待检测信息时，会获取到关于投保人或被保人的各种特征信息，其会包括到数值型待检测信息，例如投保人或被保人的身高、体重等，还会包括到非数值型待检测信息，例如投保人或被保人的籍贯、职业等等。对此在进行算法模型训练时，为了使其能够被识别，需要将数值型待检测信息及非数值型待检测信息进行处理，使其变为向量形式。具体的，本发明的具体实施过程中，需要对待检测信息进行处理，以得到每一个待检测信息对应的第一向量及第二向量。

若待检测信息为非数值型待检测信息，请参见图2，为步骤S12的一具体实施方法的流程示意图。包括：

步骤S21：采用第一映射系数对每一非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第一向量，及采用第二映射系数对每一非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第二向量。

若待检测信息为非数值型待检测信息，如投保人或被保人的籍贯、职业等等，对每一非数值型待检测信息进行映射，以得到每一非数值型待检测信息对应的第一向量及第二向量。

具体的，在转化为向量时，采用不同的映射系数对非数值型待检测信息进行映射，即采用第一映射系数对每一非数值型待检测信息进行映射处理得到第一向量，采用第二映射系数对每一非数值型待检测信息进行映射处理得到第二向量。

在本实施例中，用于判断核保结果的待检测信息转换为向量模式，可便于算法模型进行识别计算，降低了模型识别难度。

具体地，在一实施方式中，可通过深度学习网络中的嵌入层采用第一映射系数对非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第一向量。采用映射的方式能够将高维、稀疏、互相正交的向量映射为低维、稠密、非正交的向量，其得到的第一向量在便于计算的同时，更符合逻辑上的意义。

可以理解的，还可以通过深度学习网络中的嵌入层采用第二映射系数对非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第二向量。同样的，采用映射的方式能够将高维、稀疏、互相正交的向量映射为低维、稠密、非正交的向量，其得到的第二向量在便于计算的同时，更符合逻辑上的意义。

若待检测信息为数值型待检测信息，请继续参见图2。

步骤S22：对每一数值型待检测信息进行归一化处理，以得到每一数值型待检测信息对应的第一向量，及对每一数值型待检测信息进行归一化处理，并对归一化处理后的数值型待检测信息进行线性训练以得到每一数值型待检测信息对应的第二向量。

若待检测信息为数值型待检测信息，如投保人或被保人的身高、体重等等，在获取第一向量时，对每一数值型待检测信息进行归一化处理。

归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。简化计算，缩小量值的有效办法。归一化值域范围在[0,1]之间，在经过归一化处理后，将值域缩放到[0,1]之间以形成第一向量。

在获取第二向量时，则先对每一数值型待检测信息进行归一化处理，并对归一化处理后的数值型待检测信息进行线性训练，即先将值域缩放到[0,1]之间，再对其进行线性训练。

在一具体实施方式中，数值型待检测信息的第一向量及非数值型待检测信息的第一向量用于第一线性训练，因此数值型待检测信息的第一向量及非数值型待检测信息的第一向量维度相同；非数值型待检测信息的第二向量及数值型待检测信息的第二向量用于第二线性训练，因此数值型待检测信息的第二向量及非数值型待检测信息的第二向量维度相同。

本实施例中，将数值型待检测信息及非数值型待检测信息准换为向量的模式，在进行后续训练时，能够便于计算。

步骤13：对第一向量进行线性训练并输出第一输出信息，及对第二向量进行非线性训练并输出第二输出信息。

具体的，用于判断核保结果的待检测信息可以为一个，还可以为多个。在用于判断核保结果的待检测信息为多个时，将所有待检测信息对应的第一向量进行拼接形成第一向量组合，将所有待检测信息对应的第二向量进行拼接形成第二向量组合。

可以理解的，在用于判断核保结果的待检测信息为多个时，则对第一向量组合进行第一线性训练以得到第一线性输出信息，对第二向量组合进行第二线性训练以得到第二线性输出信息。

请参见图3，为获取核保结果的一实施方式的信号流向的流程示意图。在本实施例中，在对第一向量组合进行第一线性训练以得到第一线性输出信息；对第二向量组合进行第二线性训练以得到第二线性输出信息时还包括：对第二向量组合进行非线性训练以得到非线性输出信息。

具体的，在本实施例中，在对第一向量组合进行第一线性训练以得到第一线性输出信息时，可通过深度学习网络中的第一多层感知机层(Multi-Layer Perceptron，MLP)对第一向量组合进行第一线性训练处理以得到第一线性输出信息。在对第二向量组合进行第二线性训练以得到第二线性输出信息时，可通过因子分解机(Factorization Machine，FM)的方式对第二向量组合进行特征组合，并将特征组合后的组合特征耦合，以得到第二线性输出信息。在对第二向量组合进行非线性训练以得到非线性输出信息时，可通过深度神经网络(Deep Neural Networks，DNN)对第二向量组合进行非线性训练，并通过深度学习网络中的第二多层感知机层(Multi-Layer Perceptron，MLP)对进行非线性训练后的第二向量组合进行第三线性训练处理以得到非线性输出信息。

其中，可以理解的，第一多层感知机层与第二多层感知机层的线性加权系数不同。

由于线性模型即第一多层感知机层(Multi-Layer Perceptron，MLP)在对第一向量组合进行第一线性训练处理时，虽然容易训练，效率高，但是仅使用MLP的方式会使得特征组合难以捕捉；而因子分解机FM的方式虽然能够将两两特征组合引入，但是其组合特征的能力弱。因此，本实施例通过深度学习网络中的第一多层感知机层MLP对第一向量组合进行第一线性训练处理以得到第一线性输出信息，并通过因子分解机FM的方式对第二向量组合进行特征组合，并将特征组合后的组合特征耦合，以得到第二线性输出信息。以此将MLP与FM进行结合，增强线性训练的泛化能力，使得核保判断的效率及核保结果的准确性更强。

请参见图4，为获取核保结果的另一实施方式的信号流向的流程示意图。在本实施例中，在对第一向量组合进行第一线性训练以得到第一线性输出信息；对第二向量组合进行第二线性训练以得到第二线性输出信息之后还包括：对第二线性输出信息进行非线性训练以得到非线性输出信息。

具体的，在本实施例中，在对第一向量组合进行第一线性训练以得到第一线性输出信息时，可通过深度学习网络中的第一多层感知机层(Multi-Layer Perceptron，MLP)对第一向量组合进行第一线性训练处理以得到第一线性输出信息。在对第二向量组合进行第二线性训练以得到第二线性输出信息时，可通过神经因子分解机(Neural FactorizationMachine，NFM)的方式对第二向量组合进行特征组合，以得到第二线性输出信息。在对第二线性输出信息进行非线性训练以得到非线性输出信息时，可通过深度神经网络(DeepNeural Networks，DNN)对第二向量组合进行非线性训练，并通过深度学习网络中的第二多层感知机层(Multi-Layer Perceptron，MLP)对进行非线性训练后的第二向量组合进行第三线性训练处理以得到非线性输出信息。

其中，可以理解的，第一多层感知机层与第二多层感知机层的线性加权系数不同。

由于线性模型即第一多层感知机层(Multi-Layer Perceptron，MLP)在对第一向量组合进行第一线性训练处理时，虽然容易训练，效率高，但是仅使用MLP的方式会使得特征组合难以捕捉；而神经因子分解机NFM能够将两两特征组合引入。因此，本实施例通过深度学习网络中的第一多层感知机层MLP对第一向量组合进行第一线性训练处理以得到第一线性输出信息；通过神经因子分解机NFM的方式对第二线性输出信息进行特征组合，以得到第二线性输出信息。以此将MLP与NFM进行结合，增强线性训练的泛化能力，取得更好更深的拟合效果，使得核保判断的效率及核保结果的准确性更强。

请参见图5，为获取核保结果的再一实施方式的信号流向的流程示意图。在本实施例中，在对第一向量组合进行第一线性训练以得到第一线性输出信息；对第二向量组合进行第二线性训练以得到第二线性输出信息之后还包括：对第二线性输出信息进行非线性训练以得到非线性输出信息；将非线性输出信息与第二线性输出信息进行相乘以得到第三线性输出信息。

具体的，在本实施例中，在对第一向量组合进行第一线性训练以得到第一线性输出信息时，可通过深度学习网络中的第一多层感知机层(Multi-Layer Perceptron，MLP)对第一向量组合进行第一线性训练处理以得到第一线性输出信息。在对第二向量组合进行第二线性训练以得到第二线性输出信息时，可通过神经因子分解机(Neural FactorizationMachine，NFM)的方式对第二向量组合进行特征组合，以得到第二线性输出信息。在对第二线性输出信息进行非线性训练以得到非线性输出信息时，可通过深度学习网络中的注意层(Attention Layer)对第二线性输出信息进行非线性训练，以得到非线性输出信息，将非线性输出信息及及第二线性输出信息进行相乘以得到第三线性输出信息。

由于线性模型即第一多层感知机层(Multi-Layer Perceptron，MLP)在对第一向量组合进行第一线性训练处理时，虽然容易训练，效率高，但是仅使用MLP的方式会使得特征组合难以捕捉；采用本实施例所述的方式能够得到每一对二阶特征的组合，采用注意层(Attention Layer)对第二线性输出信息进行非线性训练，能够自发性的学习特征组合的权重，在对特征组合进行加权聚合，以此使得核保判断的效率及核保结果的准确性更强。

请参见图6，为获取核保结果的又一实施方式的信号流向的流程示意图。在本实施例中，获取判断核保结果的待检测信息的步骤之后还包括：对判断核保结果的待检测信息进行分域。具体的，对待检测信息进行分域，可根据各个待检测信息的属性进行分域，例如，弱待检测信息包括：病史、身高、体重、籍贯、身份信息、职业等。可将病史作为抗风险的因素分为一域，可将身高、体重分为一域，将籍贯、身份信息、职业分为另一域。在此为了便于说明，将病史记作域1，将身高、体重记作域2，将籍贯、身份信息、职业记作域3。

在对待检测信息进行分域之后，按照图2所示的方法对其进行处理以得到第一向量及第二向量，在此不做赘述。区别在于，将所有待检测信息对应的第二向量进行拼接形成第二向量组合之前还包括：根据域种类对待检测信息进行映射，以得到与域种类数量相同的第二向量。具体的，采用不同或相同的映射系数得到多个第二向量，在一具体实施方式中，第二向量的数量可根据域种类的数量进行处理，如上述所述，若域种类为3，则第二向量的数量为3。在得到多个第二向量之后，将各个域中的第二向量两两组合，并将两两组合后的第二向量进行拼接，以形成第二向量组合。具体的，如图6所示，在一实施例中，将各个域中的第二向量两两组合的方式为：假设域1中仅有一个待检测信息，域2中有两个待检测信息，域3中有三个待检测信息，假设n为3。将域1中一个待检测信息的第2个第二向量与域2中的两个待检测信息的第1个第二向量组合形成组合1及组合2；将域1中一个待检测信息的第3个第二向量与域3中的三个待检测信息的第1个第二向量组合形成组合3、组合4及组合5；将域2中的两个待检测信息的第2个第二向量组合形成组合6；将域2中的两个待检测信息的第3个第二向量与域3中的三个待检测信息的第2个第二向量组合形成组合7、组合8及组合9；将域3中的三个待检测信息的第2个第二向量与域2中的两个待检测信息的第3个第二向量组合形成组合10、组合11、组合12；将域3中的三个待检测信息的第3个第二向量进行两两组合，以形成组合n、组合n+1及组合n+2。需要说明的是，上述组合均为两两组合。组合完成后，将两两组合后的第二向量进行拼接，形成第二向量组合。具体的，将组合1至组合n+2进行拼接形成第二向量组合。

具体的，在本实施例中，通过图2所示的方式得到第一向量后，同样对第一向量进行拼接形成第一向量组合。在得到第一向量组合及第二向量组合后，还包括：对所述第一向量组合进行第一线性训练以得到第一线性输出信息；对所述第二向量组合进行第二线性训练以得到第二线性输出信息。

具体的，通过深度学习网络中的第一多层感知机层(Multi-Layer Perceptron，MLP)对第一向量组合进行第一线性训练以得到第一线性输出信息，通过深度学习网络中的第二多层感知机层(Multi-Layer Perceptron，MLP)对第二向量组合进行第二线性训练以得到第二线性输出信息。可以理解的，本实施例中第一多层感知机层及第二多层感知机层的线性加权系数不同。

采用本实施例的方式，在做二阶交互时，特征i使用的隐向量取决于特征j的特征域时，以此形成两两组合的多个组合，在进行拼接可以实现对每一对二阶特征的组合。由于使用了更丰富的隐向量，在理论上达到了更好的拟合效果。可以理解的，本实施例的方式应用于包括多种域的待检测信息中。

请继续参见图1，步骤S14：根据第一线性输出信息及第二线性输出信息得到核保结果。

具体的，在一实施例中，将第一线性输出信息及第二先行输出信息相加，根据相加后的结果得到核保结果。

如图3所示的实施例中，根据第一线性输出信息及第二线性输出信息得到核保结果具体包括：将第一线性输出信息、第二线性输出信息及非线性输出信息进行耦合，根据耦合后的结果得到核保结果。

具体的，将第一线性输出信息、第二线性输出信息及非线性输出信息进行相加，根据相加后的结果得到核保结果。

如图4所示的实施例中，根据第一线性输出信息及第二线性输出信息得到核保结果具体包括：将第一线性输出信息及非线性输出信息进行耦合，根据耦合后的结果得到核保结果。

具体的，将第一线性输出信息及非线性输出信息进行耦相加，根据相加后的结果得到核保结果。

如图5所示的实施例中，根据第一线性输出信息及第二线性输出信息得到核保结果具体包括：将所述第一线性输出信息及所述第三线性输出信息进行耦合，根据耦合后的结果得到所述核保结果。

具体的，将所述第一线性输出信息及所述第三线性输出信息进行相加，根据相加后的结果得到所述核保结果。

具体的，请参见图7，图3所示的实施例至图6所述的实施例中，根据耦合后的结果得到所述核保结果包括：

步骤S51：采用逻辑斯蒂函数将耦合后的结果进行映射，并输出映射结果。

在一具体实施例中，采用sigmoid函数将耦合后的结果进行映射。Sigmoid函数是一个有着优美S形曲线的数学函数，在逻辑回归、人工神经网络中有着广泛的应用。sigmoid函数连续、光滑、严格单调，以(0，0.5)中心对称，是一个非常良好的阈值函数。当x趋近负无穷时，y趋近于0；当x趋近于正无穷时，y趋近于1，x＝0时，y＝0.5。当然，在x超出[-6，6]的范围后，函数值基本上没有变化，值非常接近。

步骤S52：判断映射结果，若映射结果大于预设阈值，则核保通过，若映射结果小于预设阈值，则核保不通过。

将所有的待检测信息的概率作为映射结果输出，在映射结果大于预设阈值时，则表示该待检测信息核保通过，在映射结果小于预设阈值时，则表示该待检测信息核保不通过。

在一具体实施方式中，通过sigmoid函数将第一结果信息进行映射后，映射结果大于预设值的待检测信息核保通过，映射结果小于预设值的待检测信息核保通过。

上述实施例中，可将预设值设置为0.5，在一具体实施方式中，通过sigmoid函数将第一结果信息进行映射后，映射结果大于0.5的待检测信息核保通过，映射结果小于0.5的待检测信息核保通过。

本实施例使用算法模型，通过函数进行映射，将传统的离散化的核保结果转变为连续性的概率值的核保结果。可人为设定各结果的阈值，灵活性更高。

本发明提供的获取核保结果的方法，将线性训练与非线性训练结合，一方面能够代替人工审核，解决人工审核中的缺点，相较于人工审核，本发明提供的方法不需要人工介入，人力成本低，效率高，考虑全面，判断客观，结果稳定。另一方面能够代替策略引擎，不需要枚举出所有可能出现的情况，也无需担心业务更新所带来的困扰，且本发明提供的方法在模型训练时只需要很短的时间。再一方面，传统的人工或策略引擎得出的结果就只是标保、拒保、加费，等等，是一个离散化的结果，无法体现各个结果的程度。使用本发明提供的方法可以把传统的离散化的核保结果转变为连续性的核保结果，即得出标保、拒保、加费，等等的概率值。可人为设定各结果的阈值，具有灵活性。

请参见图8，为本发明获取核保结果的装置的一实施例的结构示意图，包括：获取模块61、向量转化模块62、线性训练模块63及核保判断模块66.

其中，获取模块61用于获取判断核保结果的待检测信息，其中，待检测信息包括数值型待检测信息和/或非数值型待检测信息。

向量转化模块62用于对待检测信息进行处理，以得到每一待检测信息对应的第一向量及第二向量。具体的，在如上述图3至图5所示的实施例中，向量转化模块62用于采用第一映射系数对每一非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第一向量；及采用第二映射系数对每一非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第二向量；向量转化模块62用于对每一数值型待检测信息进行归一化处理，以得到每一数值型待检测信息对应的第一向量，及对每一数值型待检测信息进行归一化处理，并对归一化处理后的数值型待检测信息进行线性训练以得到每一所述数值型待检测信息对应的第二向量。具体的，向量转化模块62还用于通过深度学习网络中的嵌入层采用第一映射系数对非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第一向量；通过深度学习网络中的嵌入层采用第二映射系数对所述非数值型待检测信息进行映射处理，以得到每一非数值型待检测信息对应的第二向量；其中，第一映射系数与第二映射系数不同。在如上述图6所示的实施例中，向量转化模块62还用于对所述判断核保结果的待检测信息进行分域，根据域种类对所述待检测信息进行映射，以得到与所述域种类数量相同的第二向量。

线性训练模块63用于对第一向量进行第一线性训练以得到第一线性输出信息；对第二向量进行第二线性训练以得到第二线性输出信息。具体的，在待检测信息为多个时，线性训练模块63还用于对第一向量组合进行第一线性训练以得到第一线性输出信息；对第二向量组合进行第二线性训练以得到第二线性输出信息。具体的，如图3所示的实施例中，线性训练模块63还用于对第二向量组合进行非线性训练以得到非线性输出信息。如图4所示的实施例中，线性训练模块63还用于对第二线性输出信息进行非线性训练以得到非线性输出信息。如图5所示的实施例中，线性训练模块63还用于对第二线性输出信息进行非线性训练以得到非线性输出信息；将非线性输出信息与第二线性输出信息进行相乘以得到第三线性输出信息。如图6所示的实施例中，线性训练模块63还用于对第一向量组合进行第一线性训练以得到第一线性输出信息；对第二向量组合进行第二线性训练以得到第二线性输出信息。

核保判断模块64用于根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果。具体的，在如图3所示的实施例中，核保判断模块64用于将第一线性输出信息、第二线性输出信息及非线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。如图4所示的实施例中，核保判断模块64用于将第一线性输出信息及非线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。如图5所示的实施例中，核保判断模块64用于将第一线性输出信息及第三线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。如图6所示的实施例中，核保判断模块64用于将所述第一线性输出信息及所述第二线性输出信息进行耦合；根据耦合后的结果得到所述核保结果。

具体的，核保判断模块64根据耦合后的结果得到所述核保结果具体包括：采用逻辑斯蒂函数将所述耦合后的结果进行映射，并输出映射结果；判断所述映射结果，若所述映射结果大于预设阈值，则核保通过；若所述映射结果小于所述预设阈值，则核保不通过。

本发明提供的获取核保结果的装置，将线性训练模块与非线性训练模块结合，一方面能够代替人工审核，解决人工审核中的缺点，相较于人工审核，本发明提供的方法不需要人工介入，人力成本低，效率高，考虑全面，判断客观，结果稳定。另一方面能够代替策略引擎，不需要枚举出所有可能出现的情况，也无需担心业务更新所带来的困扰，且本发明提供的方法在模型训练时只需要很短的时间。再一方面，传统的人工或策略引擎得出的结果就只是标保、拒保、加费，等等，是一个离散化的结果，无法体现各个结果的程度。使用本发明提供的方法可以把传统的离散化的核保结果转变为连续性的核保结果，即得出标保、拒保、加费，等等的概率值。可人为设定各结果的阈值，具有灵活性。

具体地，如图3所示的实施例中，通过MLP对第一向量进行第一线性训练，通过FM对第二向量进行第二线性训练，通过DNN及MLP对第二向量进行非线性训练。以此增强线性训练的泛化能力，进而增强核保判断的效率及核保结果的准确性。

如图4所示的实施例中，通过MLP对第一向量进行第一线性训练，通过NFP对第二向量进行第二线性训练，通过DNN及MLP对经过NFP进行第二线性训练后的结果进行非线性训练。以此去除图3所示实施例中的FM过程中的等权聚合步骤，进一步提高拟合效果，进而增强核保判断的效率及核保结果的准确性。

如图5所示的实施例中，通过MLP对第一向量进行第一线性训练，通过NFP对第二向量进行第二线性训练，通过Attention Layer对经过NFP进行第二线性训练后的结果进行非线性训练，将讲过Attention Layer之后的结果于经过NFP后的结果相乘。以此得到每一对二阶特征的组合，使用Attention Layer机制自发性的学习特征组合的权重，再对特征组合进行加权聚合，进而增强核保判断的效率及核保结果的准确性。

如图6所示的实施例中，通过对待检测信息进行分域，对分域后的待检测信息求得一个第一向量和与域种类数量相同的第二向量，对第一向量进行拼接，对各个域中的多个第二向量进行两两组合，并将组合后的结果进行拼接。通过MLP对拼接后的第一向量进行第一线性训练，通过MLP对拼接后的第二向量的组合进行第二先行训练。以此丰富了特征的隐向量，可以达到更好的拟合效果，进而增强核保判断的效率及核保结果的准确性。

请参见9，为本发明智能设备的一实施例的结构示意图。智能设备包括相互连接的存储器71和处理器72。

存储器71用于存储实现上述任意一项的获取核保结果的方法的程序指令。

处理器72用于执行存储器71存储的程序指令。

其中，处理器72还可以称为CPU(Central Processing Unit，中央处理单元)。处理器72可能是一种集成电路芯片，具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。处理器72还可以是GPU(GraphicsProcessing Unit，图形处理器)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。GPU的用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器71可以为内存条、TF卡等，可以存储智能终端及智能设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，智能设备才有记忆功能，才能保证正常工作。智能设备中的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存)，也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，系统服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。

请参阅图10，为本发明计算机可读存储介质的结构示意图。本申请的计算机可读存储介质存储有能够实现上述所有获取核保结果的方法的程序文件81，其中，该程序文件81可以以软件产品的形式存储在上述计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储设备包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等智能终端设备。

以上仅为本发明的实施方式，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 (15)

1.一种获取核保结果的方法，其特征在于，所述方法包括：

获取判断核保结果的待检测信息；

对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量；

对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息；

根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果。

2.根据权利要求1所述的方法，其特征在于，所述判断核保结果的待检测信息为至少两个，所述对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量包括：

将所有所述待检测信息对应的第一向量进行拼接形成第一向量组合，将所有所述待检测信息对应的第二向量进行拼接形成第二向量组合。

3.根据权利要求2所述的方法，其特征在于，所述对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息具体包括：

对所述第一向量组合进行第一线性训练以得到第一线性输出信息；对所述第二向量组合进行第二线性训练以得到第二线性输出信息。

4.根据权利要求3所述的方法，其特征在于，所述将所有所述待检测信息对应的第二向量进行拼接形成第二向量组合之后包括：

对所述第二向量组合进行非线性训练以得到非线性输出信息；

所述根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：

将所述第一线性输出信息、所述第二线性输出信息及所述非线性输出信息进行耦合；

根据耦合后的结果得到所述核保结果。

5.根据权利要求3所述的方法，其特征在于，所述对所述第二向量进行第二线性训练以得到第二线性输出信息之后包括：

对所述第二线性输出信息进行非线性训练以得到非线性输出信息；

所述根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：

将所述第一线性输出信息及所述非线性输出信息进行耦合；

根据耦合后的结果得到所述核保结果。

6.根据权利要求3所述的方法，其特征在于，所述对所述第二向量进行第二线性训练以得到第二线性输出信息之后包括：

对所述第二线性输出信息进行非线性训练以得到非线性输出信息；

将所述非线性输出信息与所述第二线性输出信息进行相乘以得到第三线性输出信息；

所述根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：

将所述第一线性输出信息及所述第三线性输出信息进行耦合；

根据耦合后的结果得到所述核保结果。

7.根据权利要求3～6所述的方法，其特征在于，所述对所述第一向量组合进行第一线性训练以得到第一线性输出信息；对所述第二向量组合进行第二线性训练以得到第二线性输出信息的步骤具体包括：

通过深度学习网络中的第一多层感知机层对所述第一向量组合进行第一线性训练处理以得到所述第一线性输出信息；

通过因子分解机的方式对所述第二向量组合进行特征组合，并将特征组合后的组合特征耦合，以得到所述第二线性输出信息；或者

通过神经因子分解机的方式对所述第二向量组合进行特征组合，以得到所述第二线性输出信息；

所述对所述第二向量组合进行非线性训练以得到非线性输出信息的步骤包括：

通过深度神经网络对所述第二向量组合进行非线性训练，并通过深度学习网络中的第二多层感知机层对进行非线性训练后的第二向量组合进行第三线性训练处理以得到所述非线性输出信息；

所述对所述第二线性输出信息进行非线性训练以得到非线性输出信息的步骤包括：

通过深度神经网络对所述第二线性输出信息进行非线性训练，并通过深度学习网络中的第二多层感知机层对进行非线性训练后的第二向量组合进行第三线性训练处理以得到所述非线性输出信息；

其中，所述第一多层感知机层与所述第二多层感知机层的线性加权系数不同；或

通过深度学习网络中的注意层对所述第二线性输出信息进行非线性训练以得到非线性输出信息。

8.根据权利要求7所述的方法，其特征在于，所述判断核保结果的待检测信息包括数值型待检测信息和/或非数值型待检测信息；

所述对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量的步骤包括：

采用第一映射系数对每一所述非数值型待检测信息进行映射处理，以得到每一所述非数值型待检测信息对应的第一向量，及采用第二映射系数对每一所述非数值型待检测信息进行映射处理，以得到每一所述非数值型待检测信息对应的第二向量；和/或

对每一所述数值型待检测信息进行归一化处理，以得到每一所述数值型待检测信息对应的第一向量，及对每一所述数值型待检测信息进行归一化处理，并对归一化处理后的数值型待检测信息进行线性训练以得到每一所述数值型待检测信息对应的第二向量；

其中，所述非数值型待检测信息对应的第一向量与所述数值型待检测信息对应的第一向量维度相同，所述非数值型待检测信息对应的第二向量与所述数值型待检测信息对应的第二向量维度相同。

9.根据权利要求2所述的方法，其特征在于，所述获取判断核保结果的待检测信息的步骤之后还包括：

对所述判断核保结果的待检测信息进行分域；

将所有所述待检测信息对应的第二向量进行拼接形成第二向量组合之前还包括：

根据域种类对所述待检测信息进行映射，以得到与所述域种类数量相同的第二向量；

将各个域中的第二向量两两组合，并将两两组合后的第二向量进行拼接，以形成第二向量组合；

所述对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息的步骤包括：

对所述第一向量组合进行第一线性训练以得到第一线性输出信息；对所述第二向量组合进行第二线性训练以得到第二线性输出信息；

根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果的步骤包括：

将所述第一线性输出信息及所述第二线性输出信息进行耦合；

根据耦合后的结果得到所述核保结果。

10.根据权利要求8或9所述的方法，其特征在于，所述根据耦合后的结果得到所述核保结果的步骤包括：

采用逻辑斯蒂函数将所述耦合后的结果进行映射，并输出映射结果；

判断所述映射结果，若所述映射结果大于预设阈值，则核保通过；若所述映射结果小于所述预设阈值，则核保不通过。

11.根据权利要求10所述的方法，其特征在于，所述根据耦合后的结果得到所述核保结果的步骤包括：

采用sigmoid函数将所述耦合后的结果进行映射，并输出映射结果；

判断所述映射结果，若所述映射结果大于预设值，则核保通过；若所述映射结果小于预设值，则核保不通过。

12.根据权利要求1所述的方法，其特征在于，所述判断核保结果的待检测信息包括：投保人及被保人的实时属性、投保人及被保人的历史属性、投保人及被保人历史投保行为数据、投保人及被保人的过往病史中一种或任意组合。

13.一种获取核保结果的装置，其特征在于，所述装置包括：

获取模块，用于获取判断核保结果的待检测信息；

向量转化模块，用于对所述待检测信息进行处理，以得到每一所述待检测信息对应的第一向量及第二向量；

线性训练模块，用于对所述第一向量进行第一线性训练以得到第一线性输出信息；对所述第二向量进行第二线性训练以得到第二线性输出信息；

核保判断模块，用于根据所述第一线性输出信息及所述第二线性输出信息得到所述核保结果。

14.一种智能设备，其特征在于，包括存储器及处理器；其中，所述存储器存储有程序文件，所述处理器从所述存储器调取所述程序文件以执行如权利要求1-12任一项所述的获取核保结果的方法。

15.一种计算机可读存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1-12任一项所述的获取核保结果的方法。

Images