CN111507849A - 核保方法及相关装置、设备 - Google Patents
核保方法及相关装置、设备 Download PDFInfo
- Publication number
- CN111507849A CN111507849A CN202010220566.0A CN202010220566A CN111507849A CN 111507849 A CN111507849 A CN 111507849A CN 202010220566 A CN202010220566 A CN 202010220566A CN 111507849 A CN111507849 A CN 111507849A
- Authority
- CN
- China
- Prior art keywords
- underwriting
- data
- target
- content data
- user
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003993 interaction Effects 0.000 claims abstract description 67
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Epidemiology (AREA)
- Game Theory and Decision Science (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种核保方法及相关装置、设备,其中,核保方法包括:获取目标核保单的内容数据,其中,内容数据是用户通过人机交互方式输入的;利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果。上述方案,能够降低核保成本,并提高核保效率以及核保准确性和稳定性。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种核保方法及相关装置、设备。
背景技术
目前,消费者一般通过线下手工填写保单的方式进行投保,而为了实现风控前移,保险公司的核保员通常需要对保单内容进行审核,以服务正常投保,并规避恶意投保而带来的不必要损失。
然而,采用人工(即核保员)核保需要消耗大量的人力资源,效率低下,且核保的准确性极易受到人工主观性影响,故稳定性得到不到保障。有鉴于此,如何提高核保效率以及核保准确性和稳定性成为亟待解决的问题。
发明内容
本申请提供一种核保方法及相关装置、设备。
本申请第一方面提供了一种核保方法,包括:获取目标核保单的内容数据,其中,内容数据是用户通过人机交互方式输入的;利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果。
因此,用户通过人机交互方式输入目标核保单的内容数据,从而利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果,能够免于人工核保而带来的高成本和低效率,从而能够提高核保效率,并降低核保成本,此外由于核保过程不受主观影响,故能够提高核保准确性和稳定性。
其中,获取目标核保单的内容数据包括:利用人机交互系统,获取与用户之间的至少一轮交互数据并基于至少一轮交互数据得到目标核保单的内容数据。
因此,通过利用人机交互系统,获取与用户之间的至少一轮交互数据,并基于至少一轮交互数据得到目标核保单的内容数据,能够提高获取目标核保单内容数据的效率,并能够有利于提高用户体验。
其中,获取与用户之间的至少一轮交互数据并基于至少一轮交互数据得到目标核保单的内容数据,包括:获取用户输入的信息;若识别到用户输入的信息具有投保意图,则向用户输出待填写的电子核保单;获取用户对电子核保单填写的内容数据,并基于填写的内容数据,得到目标核保单的内容数据。
因此,通过识别到用户输入信息具有投保意图时,向用户输出待填写的电子核保单,从而获取用户对电子核保单填写的内容数据,并基于填写的内容数据,得到目标核保单的内容数据,进而能够提高投保服务效率,且有利于提升用户体验。
其中,基于填写的内容数据,得到目标核保单的内容数据包括:将至少部分填写的内容数据作为目标核保单的内容数据;或者,按照电子核保单中的固定格式内容,将至少部分填写的内容数据划分为至少一个属性数据,并将至少一个属性数据作为目标核保单的内容数据。
因此,通过将至少部分填写的内容数据作为目标核保单的内容数据,或者按照电子核保单中的固定格式内容,将至少部分填写的内容数据划分为至少一个属性数据,并将至少一个属性数据作为目标核保单的内容数据,能够根据属性,准确地匹配出后续核保所需的属性数据并作为内容数据,从而能够有利于提高后续核保的准确性。
其中,得到目标核保单的核保结果之后,方法还包括:利用人机交互方式向用户输出核保结果。
因此,在得到核保结果后,通过人机交互方式向用户输出核保结果,从而能够有利于使用户及时得知核保结果,进而能够有利于提升用户体验。
其中,在利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果之前,方法还包括:利用目标核保单的内容数据,生成具有预设数据特征的目标核保单的特征数据;利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果,包括:利用人工智能核保模型对目标核保单的内容数据和特征数据进行处理,得到目标核保单的核保结果。
因此,利用目标核保单的内容数据生成具有预设数据特征的目标核保单的特征数据,能够有利于使人工智能核保模型获得更多知识,故在利用人工智能核保模型对目标核保单的内容数据和特征数据进行处理时,能够使得到的目标核保单的核保结果更加准确。
其中,在利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果之前,方法还包括:确定人工智能核保模型的各输入数据所属的数据类型,其中,数据类型包括连续型数据和离散型数据;利用不同的预设预处理方式分别对连续型数据和离散型数据进行预处理。
因此,通过确定人工智能核保模型的各输入数据所属的数据类型,并利用不同的预设处理方法对不同数据类型的数据进行预处理,能够有利于使人工智能核保模型更加深入地理解数据,从而能够有利于提高核保准确性。
其中,确定人工智能核保模型的各输入数据所属的数据类型,包括:若输入数据为数值类数据,则确定为连续性数据;若输入数据为非数值类数据,则确定为离散型数据;利用不同的预设预处理方式分别对连续型数据和离散型数据进行预处理,包括:将连续型数据进行高斯分布化处理;和/或,将离散型数据进行编码。
因此,将数值类数据确定为连续型数据,对连续型数据采用高斯分布化处理,将非数值类数据确定为离散型数据,对离散型数据进行编码,能够有利于使人工智能核保模型更加深入地理解数据,从而能够有利于提高核保准确性。
其中,人工智能核保模型包括机器学习模型、深度学习模型中的任一种;和/或,人工智能核保模型是利用标注有真实核保结果的样本保单数据训练得到的。
因此,通过将人工智能核保模型设置为包括机器学习模型、深度学习模型中的任一种,利用标注有真实核保结果的样本保单数据训练得到人工智能核保模型,能够有利于提高人工智能核保模型的准确性。
其中,人工智能核保模型的输入数据包括以下至少一种:投保人和被保人的当前属性数据、历史属性数据、既往病史数据;和/或,核保结果包括:保单处理类别及保单处理类别的预测置信度;其中,保单处理类别包括标保、加费、拒保中的至少一者。
因此,通过将人工智能核保模型的输入数据设置为包括以下至少一种:投保人和被保人的当前属性数据、历史属性数据、既往病史数据,能够有利于扩大人工智能核保模型的输入数据的覆盖范围,从而能够有利于提高人工智能核保模型的核保准确性;通过将核保结果设置为包括:保单处理类别及保单处理类别的预测置信度,且保单处理类别包括标保、加费、拒保中的至少一者,能够提高核保结果的自由度,并能够直观地体现各种核保结果的程度。
本申请第二方面提供了一种核保装置,包括数据获取模块和数据处理模块,数据获取模块用于获取目标核保单的内容数据,其中,内容数据是用户通过人机交互方式输入的;数据处理模块用于利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果。
本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,处理器用于执行存储器中存储的程序指令,以实现上述第一方面中的核保方法。
本申请第四方面提供了一种计算机可读存储介质,其上存储有程序指令,程序指令被处理器执行时实现上述第一方面中的核保方法。
上述方案,用户通过人机交互方式输入目标核保单的内容数据,从而利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果,能够免于人工核保而带来的高成本和低效率,从而能够提高核保效率,并降低核保成本,此外由于核保过程不受主观影响,故能够提高核保准确性和稳定性。
附图说明
图1是本申请核保方法一实施例的流程示意图;
图2是图1中步骤S11一实施例的流程示意图;
图3是本申请核保方法另一实施例的流程示意图;
图4是本申请核保装置一实施例的框架示意图;
图5是本申请电子设备一实施例的框架示意图;
图6是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请核保方法一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:获取目标核保单的内容数据,其中,内容数据是用户通过人机交互方式输入的。
目标核保单具体可以包括但不限于:健康保险单、意外保险单、少儿保险单等,此外,目标核保险单还可以包括车险等,在此不做限定。
人机交互是指利用计算机输入、输出设备,以有效的方式实现人与计算机对话的技术,人机交互技术包括机器通过输出或显示设备给人提供大量有关信息及提示信息,人通过输入设备给机器输入有关信息、回答问题及提示请示等。具体地,用户可以通过人机交互方式进行投保咨询,并获得机器对咨询问题的回答,以完成一轮对话。在一个实施场景中,可以利用人机交互系统,获取与用户之间的至少一轮交互数据并基于至少一轮交互数据得到目标核保单的内容数据。例如,用户可以通过至少一轮交互提供用户的投保人和被保人信息、投保险种、保额信息等数据,从而通过人机交互系统,获得目标核保单的内容数据。具体可以根据实际应用而进行设置,在此不做限定。
步骤S12:利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果。
人工智能核保模型可以包括机器学习模型、深度学习模型中的任一种。例如,人工智能核保模型可以包括线性模型、树模型、支持向量机等机器学习模型,或者,例如,人工智能核保模型还可以包括ANN(Artificial Neural Network,人工神经网络)、DeepFM、xDeepFM、NCF(Neural Collaborative Filtering,神经协同过滤)等深度学习模型。在一个实施场景中,为了提高核保结果的准确性,还可以将人工智能核保模型的输入数据设置为包括投保人和被保人的当前属性数据、历史属性数据、既往病史数据中的至少一种,从而能够提高输入数据的覆盖范围,进而能够有利于提高核保的准确性。
核保结果可以包括保单处理类别(如,标保、加费、拒保中的至少一者)以及保单处理类别的预测置信度,预测置信度可以表示倾向于保单处理类别的程度。例如,核保结果包括:保单处理类别为标保、预测置信度为90%,故可以认为倾向于标保的程度有90%,从而可以对目标核保单进行标保处理;或者,例如,核保结果包括:保单处理类别为拒保、预测置信度为98%,故可以认为倾向于拒保的程度有98%,从而可以对目标核保单进行拒保处理,其他实施场景可以以此类推,在此不再一一举例。
在一个实施场景中,为了提高核保的准确性,还可以利用目标核保单的内容数据,生成具有预设数据特征的目标核保单的特征数据,从而利用人工智能核保模型对目标核保单的内容数据和特征数据进行处理,得到目标核保单的核保结果,进而能够有利于使人工智能核保模型获得更多知识,使得到的目标核保单的核保结果更加准确。例如,目标核保单的内容数据中包括身高数据和体重数据,而单纯的身高数据和体重数据无助于人工智能核保模型获得更多的知识,特别是关于投保人和被保人身体健康状态的知识,故预设数据特征可以包括身体质量指数(Body Mass Index,BMI),从而可以利用体重除以身高的平方,获得身体健康指数,其他场景可以以此类推,从而能够根据目标核保单的内容数据,获得更多的特征数据,以描述投保人和被保人的常驻属性、历史行为、与所投保险业务的契合度等等,以使得人工智能核保模型能够获得更多的知识,提高核保准确性。
在一个实施场景中,人工智能核保模型可以是利用标注有真实核保结果的样本保单数据训练得到的。具体地,可以利用人工智能核保模型对样本保单数据进行处理,得到相应的预测核保结果,并利用预测核保结果和真实核保结果,确定人工智能核保模型的损失值,再利用损失值调整人工智能核保模型的参数。在一个具体的实施场景中,当损失值小于一预设损失值阈值时,可以结束训练。在另一个实施场景中,当训练次数达到预设次数阈值时,可以结束训练,在此不做限定。在又一个具体的实施场景中,可以采用随机梯度下降(Stochastic Gradient Descent,SGD)、批量梯度下降(Batch Gradient Descent,BGD)、小批量梯度下降(Mini-Batch Gradient Descent,MBGD)等方式,利用损失值对人工智能核保模型的参数进行调整,其中,批量梯度下降是指在每一次迭代时,使用所有样本来进行参数更新;随机梯度下降是指在每一次迭代时,使用一个样本来进行参数更新;小批量梯度下降是指在每一次迭代时,使用一批样本来进行参数更新,在此不再赘述。
在一个实施场景中,为了使人工智能核保模型能够适应于业务方的业务更新,例如,在标保、加费、拒保等保单处理类别基础上新增保单处理类别,或者,对标保、加费、拒保等已有的保单处理类别进行进一步细化等等,在此不做限定,并利用人工智能核保模型对重新标注的样本保单数据进行处理,得到相应的预测核保结果,采用预测核保结果和重新标注的真实核保结果,确定人工智能核保模型的损失值,从而利用损失值对人工智能核保模型的参数进行调整,具体可以参阅前述相关步骤,在此不再赘述。
在一个实施场景中,可以将人工智能核保模型设置于保险公司的业务系统中,或者设置于为保险公司提供服务的第三方公司的业务系统中,从而将保险公司或第三方公司现有的业务系统中,利用人工或策略引擎等进行核保的流程,替换为利用人工智能核保模型对目标核保单进行处理的流程,从而能够实现对传统核保的人工智能赋能。
在一个实施场景中,为了使用户能够及时获知核保结果,在得到核保结果之后,还可以利用人机交互方式向用户输出核保结果。具体地,可以通过文字、语音、图片等方式向用户输出核保结果,在此不做限定。在一个具体的实施场景中,当核保结果的保单处理类别为加费、拒保时,还可以通过人机交互方式向用户输出加费原因、拒保原因,以提高用户体验。
上述方案,用户通过人机交互方式输入目标核保单的内容数据,从而利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果,能够免于人工核保而带来的高成本和低效率,从而能够提高核保效率,并降低核保成本,此外由于核保过程不受主观影响,故能够提高核保准确性和稳定性。
请参阅图2,图2是图1中步骤S11一实施例的流程示意图。具体地,图2是获取与用户之间的至少一轮交互数据并基于至少一轮交互数据得到目标核保单的内容数据一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S111:获取用户输入的信息。
获取用户在人机交互系统中输入的信息,用户输入的信息可以是对人机交互系统中计算机输出的信息的回复,例如,人机交互系统中计算机输出的信息可以是“请问您需要办理什么业务”,用户在人机交互系统中输入的信息可以是“我想买一份保险”,上述计算机输出的信息“请问您需要办理什么业务”以及用户输入的信息“我想买一份保险”为一轮交互数据,其他应用场景可以以此类推,在此不再一一举例。用户输入的信息也可以与人机交互系统中计算机输出的信息无关,例如,人机交互系统中计算机输出的信息可以是“请问您需要办理什么业务”,用户在人机交互系统中输入的信息可以是“距离我最近的线下门店在哪里”,上述计算机输出的信息“请问您需要办理什么业务”以及用户输入的信息“距离我最近的线下门店在哪里”为一轮交互数据,其他应用场景可以以此类推,在此不再一一举例。
步骤S112:若识别到用户输入的信息具有投保意图,则向用户输出待填写的电子核保单。
仍以人机交互系统中计算机输出的信息是“请问您需要办理什么业务”为例,若用户输入的信息为“我想买一份保险”,则可以识别出用户输入的信息具有投保意图,则可以向用户输出待填写的电子核保单,以供用户填写。具体地,电子核保单可以包括但不限于:电子表格(如excel)、网页表单(如html),即可以向用户输出一电子表格,用户下载电子表格后,可以在电子表格中进行填写;或者,也可以向用户输出一网页表单,用户可以在网页表单上进行线上填写,在此不做限定。
在一个实施场景中,人机交互系统中设置有意图识别模型,用于对用户输入的信息进行识别,得到用户的意图,具体地,意图识别模型可以包括但不限于:CNN(Convolutional Neural Networks,卷积神经网络)、LSTM(Long Short-Term Memory,长短期记忆网络),以及基于CNN和LSTM的变形,例如,RCNN、C-LSTM等等,在此不再一一举例。
在一个实施场景中,为了能够实现与用户之间的准确交互,人机交互系统还可以包括对话状态追踪任务模型,用于追踪用户需求并判断当前的对话状态。对话状态追踪任务模型以多轮历史交互数据,以及当前用户动作为输入,通过总结和推理,理解在上下文的环境下,用户当前输入的信息的具体含义。此外人机交互系统还可以包括语义匹配模型,用于在知识库和大量候选答案中,进行召回和排序,找到与用户输入的信息最为匹配的答案,并进行输出,从而实现准确地与用户进行交互,提高用户体验。在一个具体的实施场景中,当识别到用户输入的信息不具有投保意图时,可以利用上述对话状态追踪任务模型和语义匹配模型继续与用户进行交互;或者,当识别到用户输入的信息具有与投保不同的意图时,可以执行对应的操作,例如,当识别到用户输入的信息为保费查询意图时,可以输出查询到的保费,其他应用场景可以以此类推,在此不再一一举例。
步骤S113:获取用户对电子核保单填写的内容数据,并基于填写的内容数据,得到目标核保单的内容数据。
用户填写完毕电子核保单后,可以通过人机交互系统向计算机输入填写完毕的电子核保单。具体地,当电子核保单为电子表格时,用户可以将填写完毕的电子表格,通过人机交互系统的人机对话界面,向计算机输入电子表格,以供计算机从中获取内容数据;或者,当电子核保单为网页表单时,用户可以在线提交填写完毕的网页表单,以供计算机从中获取内容数据,在此不做限定。
在一个实施场景中,可以将至少部分填写的内容数据作为目标核保单的内容数据。在一个具体的实施场景中,可以根据文本数据在图像数据中所在的位置,以及目标核保单的版面布局,将文本数据中的至少部分作为目标核保单的内容数据,例如,目标核保单的版面布局中最后为用户签字栏,故可以选取位置不在目标核保单最后的文本数据作为目标核保单的内容数据。具体可以根据实际应用而进行设置,在此不做限定。
在另一个实施场景中,还可以按照电子核保单中的固定格式内容,将至少部分填写的内容数据划分为至少一个属性数据,并将至少一个属性数据作为目标核保单的内容数据。在一个具体的实施场景中,电子核保单为电子表格,电子表格通过设置表格框架而具有固定格式内容,例如,姓名、性别、年龄、身高、体重、婚否等等,则可以将对应表格框架内的内容数据作为属性数据,例如,将性别表格框架内的内容数据作为性别属性数据,将身高表格框架内的内容数据作为身高属性数据,在此不再一一举例,从而将其中至少一个属性数据作为内容数据。在另一个具体的实施场景中,电子核保单为网页表单,网页表单通过设置表单元素(如,不同类型的input元素、复选框、单选按钮、提交按钮等等)而具有固定格式内容,例如,姓名、性别、年龄、身高、体重、婚否等等,则可以将对应表单元素的内容数据作为属性数据,例如,将性别单选按钮对应的内容数据作为性别属性数据,将姓名文本输入框内的内容数据作为姓名属性数据,在此不再一一举例,从而将其中至少一个属性数据作为内容数据。
请参阅图3,图3是本申请核保方法另一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S31:获取目标核保单的内容数据,其中,内容数据是用户通过人机交互方式输入的。
具体可以参阅前述实施例中的相关步骤。
步骤S32:确定人工智能核保模型的各输入数据所属的数据类型,其中,数据类型包括连续型数据和离散型数据。
在一个实施场景中,若输入数据为数值类数据,则可以确定为连续型数据。例如,身高数据“171厘米”、体重数据“120千克”、年龄数据“20岁”等,均可以确定为连续型数据,其他应用场景,可以以此类推,在此不再一一举例。在另一个实施场景中,若输入数据为非数值类数据,则可以确定为离散型数据。例如,性别数据“男”、婚姻状况数据“未婚”等,均可以确定为离散型数据,其他应用场景,可以以此类推,在此不再一一举例。
步骤S33:利用不同的预设预处理方式分别对连续型数据和离散型数据进行预处理。
在一个实施场景中,可以将连续型数据进行高斯分布化处理,例如,对连续型数据进行归一化、离散化,获取对数(log)等处理,使连续型数据的分布趋于高斯分布。在另一个实施场景中,可以对离散型数据进行编码,例如,对于类别型的离散型数据可以采用独热(one-hot)编码、哈希(hash)编码等编码方式,独热编码又称一位有效编码,其采用多位状态寄存器来对多个状态进行编码,每个状态都对应有独立的寄存位,且在任意时刻,其中只有一位有效,如三个状态可以分别表示为:001、010、100,其他情况可以以此类推,在此不再一一举例,对于字符型的离散型数据可以将其转换为数值型数据,以便人工智能核保模型能够更加深入地理解数据。
在一个实施场景中,还可以在对数据进行预处理之前,将数据中的异常值、离群点剔除。异常值和离群点可以是超出预设范围内的值,例如,对于身高数据,若其数值为10厘米,则为异常值、离群点;对于体重数据,若其数值为100克,则为异常值、离群点,其他情况可以以此类推,在此不再一一举例。通过在对数据进行预处理之前,将数据中的异常值、离群点剔除,可以规避异常值和离群点带来的危害,能够有利于提高后续核保的准确性。
步骤S34:利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果。
具体可以参阅前述实施例中的相关步骤。
区别于前述实施例,通过确定人工智能核保模型的各输入数据所属的数据类型,并利用不同的预设处理方法对不同数据类型的数据进行预处理,能够有利于使人工智能核保模型更加深入地理解数据,从而能够有利于提高核保准确性。
请参阅图4,图4是本申请核保装置40一实施例的框架示意图。核保装置40包括数据获取模块41和数据处理模块42,数据获取模块41用于获取目标核保单的内容数据,其中,内容数据是用户通过人机交互方式输入的;数据处理模块42用于利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果。
上述方案,用户通过人机交互方式输入目标核保单的内容数据,从而利用人工智能核保模型对目标核保单的内容数据进行处理,得到目标核保单的核保结果,能够免于人工核保而带来的高成本和低效率,从而能够提高核保效率,并降低核保成本,此外由于核保过程不受主观影响,故能够提高核保准确性和稳定性。
在一些实施例中,数据获取模块41具体用于利用人机交互系统,获取与用户之间的至少一轮交互数据并基于至少一轮交互数据得到目标核保单的内容数据。
区别于前述实施例,通过利用人机交互系统,获取与用户之间的至少一轮交互数据,并基于至少一轮交互数据得到目标核保单的内容数据,能够提高获取目标核保单内容数据的效率,并能够有利于提高用户体验。
在一些实施例中,数据获取模块41包括信息获取子模块,用于获取用户输入的信息,数据获取模块41包括保单输出子模块,用于在识别到用户输入的信息具有投保意图时,向用户输出待填写的电子核保单,数据获取模块41包括内容获取子模块,用于获取用户对电子核保单填写的内容数据,并基于填写的内容数据,得到目标核保单的内容数据。
区别于前述实施例,通过识别到用户输入信息具有投保意图时,向用户输出待填写的电子核保单,从而获取用户对电子核保单填写的内容数据,并基于填写的内容数据,得到目标核保单的内容数据,进而能够提高投保服务效率,且有利于提升用户体验。
在一些实施例中,内容获取子模块具体用于将至少部分填写的内容数据作为目标核保单的内容数据;或者,内容获取子模块具体用于按照电子核保单中的固定格式内容,将至少部分填写的内容数据划分为至少一个属性数据,并将至少一个属性数据作为目标核保单的内容数据。
区别于前述实施例,通过将至少部分填写的内容数据作为目标核保单的内容数据,或者按照电子核保单中的固定格式内容,将至少部分填写的内容数据划分为至少一个属性数据,并将至少一个属性数据作为目标核保单的内容数据,能够根据属性,准确地匹配出后续核保所需的属性数据并作为内容数据,从而能够有利于提高后续核保的准确性。
在一些实施例中,核保装置40还包括结果输出模块,用于利用人机交互方式向用户输出核保结果。
区别于前述实施例,在得到核保结果后,通过人机交互方式向用户输出核保结果,从而能够有利于使用户及时得知核保结果,进而能够有利于提升用户体验。
在一些实施例中,核保装置40还包括数据生成模块,用于利用目标核保单的内容数据,生成具有预设数据特征的目标核保单的特征数据,数据处理模块42具体用于利用人工智能核保模型对目标核保单的内容数据和特征数据进行处理,得到目标核保单的核保结果。
区别于前述实施例,利用目标核保单的内容数据生成具有预设数据特征的目标核保单的特征数据,能够有利于使人工智能核保模型获得更多知识,故在利用人工智能核保模型对目标核保单的内容数据和特征数据进行处理时,能够使得到的目标核保单的核保结果更加准确。
在一些实施例中,核保装置40还包括类型确定模块,用于确定人工智能核保模型的各输入数据所属的数据类型,其中,数据类型包括连续型数据和离散型数据,核保装置40还包括预处理模块,用于利用不同的预设预处理方式分别对连续型数据和离散型数据进行预处理。
区别于前述实施例,通过确定人工智能核保模型的各输入数据所属的数据类型,并利用不同的预设处理方法对不同数据类型的数据进行预处理,能够有利于使人工智能核保模型更加深入地理解数据,从而能够有利于提高核保准确性。
在一些实施例中,类型确定模块具体用于在输入数据为数值类数据时,确定为连续性数据;类型确定模块还具体用于在输入数据为非数值类数据时,确定为离散型数据,预处理模块具体用于将连续型数据进行高斯分布化处理,预处理模块具体用于将离散型数据进行编码。
区别于前述实施例,将数值类数据确定为连续型数据,对连续型数据采用高斯分布化处理,将非数值类数据确定为离散型数据,对离散型数据进行编码,能够有利于使人工智能核保模型更加深入地理解数据,从而能够有利于提高核保准确性。
在一些实施例中,人工智能核保模型包括机器学习模型、深度学习模型中的任一种;和/或,人工智能核保模型是利用标注有真实核保结果的样本保单数据训练得到的。
区别于前述实施例,通过将人工智能核保模型设置为包括机器学习模型、深度学习模型中的任一种,利用标注有真实核保结果的样本保单数据训练得到人工智能核保模型,能够有利于提高人工智能核保模型的准确性。
在一些实施例中,人工智能核保模型的输入数据包括以下至少一种:投保人和被保人的当前属性数据、历史属性数据、既往病史数据;和/或,核保结果包括:保单处理类别及保单处理类别的预测置信度;其中,保单处理类别包括标保、加费、拒保中的至少一者。
区别于前述实施例,通过将人工智能核保模型的输入数据设置为包括以下至少一种:投保人和被保人的当前属性数据、历史属性数据、既往病史数据,能够有利于扩大人工智能核保模型的输入数据的覆盖范围,从而能够有利于提高人工智能核保模型的核保准确性;通过将核保结果设置为包括:保单处理类别及保单处理类别的预测置信度,且保单处理类别包括标保、加费、拒保中的至少一者,能够提高核保结果的自由度,并能够直观地体现各种核保结果的程度。
请参阅图5,图5是本申请电子设备50一实施例的框架示意图。电子设备50包括相互耦接的存储器51和处理器52,处理器52用于执行存储器51中存储的程序指令,以实现上述任一核保方法实施例中的步骤。在一个具体的实施场景中,电子设备50可以包括但不限于:微型计算机、服务器,此外,电子设备50还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器52用于控制其自身以及存储器51以实现上述任一核保方法实施例中的步骤。处理器52还可以称为CPU(Central Processing Unit,中央处理单元)。处理器52可能是一种集成电路芯片,具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。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。另外,处理器52可以由集成电路芯片共同实现。
上述方案,能够免于人工核保而带来的高成本和低效率,从而能够提高核保效率,并降低核保成本,此外由于核保过程不受主观影响,故能够提高核保准确性和稳定性。
请参阅他6,图6为本申请计算机可读存储介质60一实施例的框架示意图。计算机可读存储介质60存储有能够被处理器运行的程序指令601,程序指令601用于实现上述任一核保方法实施例中的步骤。
上述方案,能够免于人工核保而带来的高成本和低效率,从而能够提高核保效率,并降低核保成本,此外由于核保过程不受主观影响,故能够提高核保准确性和稳定性。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置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,装置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。而前述的存储介质包括: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。
Claims (13)
1.一种核保方法,其特征在于,包括:
获取目标核保单的内容数据,其中,所述内容数据是用户通过人机交互方式输入的;
利用人工智能核保模型对所述目标核保单的内容数据进行处理,得到所述目标核保单的核保结果。
2.根据权利要求1所述的核保方法,其特征在于,所述获取目标核保单的内容数据包括:
利用人机交互系统,获取与用户之间的至少一轮交互数据并基于所述至少一轮交互数据得到所述目标核保单的内容数据。
3.根据权利要求2所述的核保方法,其特征在于,所述获取与用户之间的至少一轮交互数据并基于所述至少一轮交互数据得到所述目标核保单的内容数据,包括:
获取用户输入的信息;
若识别到所述用户输入的信息具有投保意图,则向用户输出待填写的电子核保单;
获取用户对所述电子核保单填写的内容数据,并基于所述填写的内容数据,得到所述目标核保单的内容数据。
4.根据权利要求3所述的核保方法,其特征在于,所述基于所述填写的内容数据,得到所述目标核保单的内容数据包括:
将至少部分所述填写的内容数据作为所述目标核保单的内容数据;
或者,按照所述电子核保单中的固定格式内容,将至少部分所述填写的内容数据划分为至少一个属性数据,并将所述至少一个属性数据作为所述目标核保单的内容数据。
5.根据权利要求1至4任一项所述的核保方法,其特征在于,所述得到所述目标核保单的核保结果之后,所述方法还包括:
利用所述人机交互方式向用户输出所述核保结果。
6.根据权利要求1至5任一项所述的核保方法,其特征在于,在所述利用人工智能核保模型对所述目标核保单的内容数据进行处理,得到所述目标核保单的核保结果之前,所述方法还包括:
利用所述目标核保单的内容数据,生成具有预设数据特征的所述目标核保单的特征数据;
所述利用人工智能核保模型对所述目标核保单的内容数据进行处理,得到所述目标核保单的核保结果,包括:
利用所述人工智能核保模型对所述目标核保单的内容数据和特征数据进行处理,得到所述目标核保单的核保结果。
7.根据权利要求1至6任一项所述的核保方法,其特征在于,在所述利用人工智能核保模型对所述目标核保单的内容数据进行处理,得到所述目标核保单的核保结果之前,所述方法还包括:
确定所述人工智能核保模型的各输入数据所属的数据类型,其中,所述数据类型包括连续型数据和离散型数据;
利用不同的预设预处理方式分别对所述连续型数据和所述离散型数据进行预处理。
8.根据权利要求7所述的核保方法,其特征在于,所述确定所述人工智能核保模型的各输入数据所属的数据类型,包括:
若所述输入数据为数值类数据,则确定为连续性数据;
若所述输入数据为非数值类数据,则确定为离散型数据;
所述利用不同的预设预处理方式分别对所述连续型数据和所述离散型数据进行预处理,包括:
将所述连续型数据进行高斯分布化处理;和/或,
将所述离散型数据进行编码。
9.根据权利要求1至8任一项所述的核保方法,其特征在于,所述人工智能核保模型包括机器学习模型、深度学习模型中的任一种;和/或,
所述人工智能核保模型是利用标注有真实核保结果的样本保单数据训练得到的。
10.根据权利要求1至9任一项所述的核保方法,其特征在于,所述人工智能核保模型的输入数据包括以下至少一种:投保人和被保人的当前属性数据、历史属性数据、既往病史数据;和/或,
所述核保结果包括:保单处理类别及所述保单处理类别的预测置信度;其中,所述保单处理类别包括标保、加费、拒保中的至少一者。
11.一种核保装置,其特征在于,包括:
数据获取模块,用于获取目标核保单的内容数据,其中,所述内容数据是用户通过人机交互方式输入的;
数据处理模块,用于利用人工智能核保模型对所述目标核保单的内容数据进行处理,得到所述目标核保单的核保结果。
12.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至10任一项所述的核保方法。
13.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至10任一项所述的核保方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010220566.0A CN111507849A (zh) | 2020-03-25 | 2020-03-25 | 核保方法及相关装置、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010220566.0A CN111507849A (zh) | 2020-03-25 | 2020-03-25 | 核保方法及相关装置、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507849A true CN111507849A (zh) | 2020-08-07 |
Family
ID=71878181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010220566.0A Withdrawn CN111507849A (zh) | 2020-03-25 | 2020-03-25 | 核保方法及相关装置、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507849A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419076A (zh) * | 2020-11-27 | 2021-02-26 | 好人生(上海)健康科技有限公司 | 一种基于大数据的健康保险核保系统、方法及商保云平台 |
CN112561714A (zh) * | 2020-12-16 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 基于nlp技术的核保风险预测方法、装置及相关设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460692A (zh) * | 2018-03-23 | 2018-08-28 | 深圳市慧择保险经纪有限公司 | 一种基于健康险的线上核保方法、装置、设备和存储介质 |
WO2019006373A1 (en) * | 2017-06-30 | 2019-01-03 | Alibaba Group Holding Limited | METHOD AND APPARATUS FOR PREDICTING VEHICLE INSURANCE RISK, AND SERVER |
CN109410071A (zh) * | 2018-09-17 | 2019-03-01 | 平安科技(深圳)有限公司 | 核保数据处理方法、装置、计算机设备和存储介质 |
CN109460944A (zh) * | 2018-12-14 | 2019-03-12 | 平安健康保险股份有限公司 | 基于大数据的核保方法、装置、设备及可读存储介质 |
US20190080415A1 (en) * | 2017-09-08 | 2019-03-14 | Liberty Mutual Insurance Company | Method, apparatus, and computer program product for identifying hazardous conditions and predicting policy transaction behavior |
CN109658271A (zh) * | 2018-12-19 | 2019-04-19 | 前海企保科技(深圳)有限公司 | 一种基于保险专业场景的智能客服系统及方法 |
CN110443716A (zh) * | 2019-06-17 | 2019-11-12 | 中国平安财产保险股份有限公司 | 理赔方法、装置、计算机设备及存储介质 |
CN110619535A (zh) * | 2018-06-19 | 2019-12-27 | 华为技术有限公司 | 一种数据处理方法及其装置 |
CN110688553A (zh) * | 2019-08-13 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于数据分析的信息推送方法、装置、计算机设备及存储介质 |
CN110766558A (zh) * | 2019-10-23 | 2020-02-07 | 泰康保险集团股份有限公司 | 核保数据处理方法、装置、设备及计算机可读存储介质 |
CN110880149A (zh) * | 2019-11-29 | 2020-03-13 | 上海商汤智能科技有限公司 | 信息处理方法及装置、电子设备和存储介质 |
-
2020
- 2020-03-25 CN CN202010220566.0A patent/CN111507849A/zh not_active Withdrawn
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019006373A1 (en) * | 2017-06-30 | 2019-01-03 | Alibaba Group Holding Limited | METHOD AND APPARATUS FOR PREDICTING VEHICLE INSURANCE RISK, AND SERVER |
US20190080415A1 (en) * | 2017-09-08 | 2019-03-14 | Liberty Mutual Insurance Company | Method, apparatus, and computer program product for identifying hazardous conditions and predicting policy transaction behavior |
CN108460692A (zh) * | 2018-03-23 | 2018-08-28 | 深圳市慧择保险经纪有限公司 | 一种基于健康险的线上核保方法、装置、设备和存储介质 |
CN110619535A (zh) * | 2018-06-19 | 2019-12-27 | 华为技术有限公司 | 一种数据处理方法及其装置 |
CN109410071A (zh) * | 2018-09-17 | 2019-03-01 | 平安科技(深圳)有限公司 | 核保数据处理方法、装置、计算机设备和存储介质 |
CN109460944A (zh) * | 2018-12-14 | 2019-03-12 | 平安健康保险股份有限公司 | 基于大数据的核保方法、装置、设备及可读存储介质 |
CN109658271A (zh) * | 2018-12-19 | 2019-04-19 | 前海企保科技(深圳)有限公司 | 一种基于保险专业场景的智能客服系统及方法 |
CN110443716A (zh) * | 2019-06-17 | 2019-11-12 | 中国平安财产保险股份有限公司 | 理赔方法、装置、计算机设备及存储介质 |
CN110688553A (zh) * | 2019-08-13 | 2020-01-14 | 平安科技(深圳)有限公司 | 基于数据分析的信息推送方法、装置、计算机设备及存储介质 |
CN110766558A (zh) * | 2019-10-23 | 2020-02-07 | 泰康保险集团股份有限公司 | 核保数据处理方法、装置、设备及计算机可读存储介质 |
CN110880149A (zh) * | 2019-11-29 | 2020-03-13 | 上海商汤智能科技有限公司 | 信息处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
李慧;孙东升;: "基于优化灰色模型和RBF神经网络的城乡居民社会养老保险等级推荐研究", 农业技术经济, no. 04, pages 43 - 52 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419076A (zh) * | 2020-11-27 | 2021-02-26 | 好人生(上海)健康科技有限公司 | 一种基于大数据的健康保险核保系统、方法及商保云平台 |
CN112561714A (zh) * | 2020-12-16 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 基于nlp技术的核保风险预测方法、装置及相关设备 |
CN112561714B (zh) * | 2020-12-16 | 2024-03-08 | 中国平安人寿保险股份有限公司 | 基于nlp技术的核保风险预测方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210224832A1 (en) | Method and apparatus for predicting customer purchase intention, electronic device and medium | |
CN112988991A (zh) | 一种通过人机对话进行反欺诈干预的方法和系统 | |
US10922492B2 (en) | Content optimization for audiences | |
CN113051374A (zh) | 一种文本匹配优化方法及装置 | |
CN112395391B (zh) | 概念图谱构建方法、装置、计算机设备及存储介质 | |
CN111177307A (zh) | 一种基于语义理解相似度阀值配置的测试方案及系统 | |
CN111507849A (zh) | 核保方法及相关装置、设备 | |
CN112395887A (zh) | 对话应答方法、装置、计算机设备和存储介质 | |
CN111966805B (zh) | 用于辅助实现会话的方法、装置、介质以及电子设备 | |
CN111507850A (zh) | 核保方法及相关装置、设备 | |
CN111353728A (zh) | 一种风险分析方法和系统 | |
EP4116884A2 (en) | Method and apparatus for training tag recommendation model, and method and apparatus for obtaining tag | |
CN116029757A (zh) | 一种基于深度学习的运营策略触发方法、装置和电子设备 | |
CN113254788B (zh) | 一种基于大数据的推荐方法、系统及可读存储介质 | |
CN115186179A (zh) | 保险产品推送方法和装置 | |
CN111310460B (zh) | 语句的调整方法及装置 | |
CN114239602A (zh) | 会话方法、装置和计算机程序产品 | |
CN113886539A (zh) | 话术推荐方法、装置、客服设备及存储介质 | |
CN111539834A (zh) | 一种预核保方法及装置 | |
CN113707185B (zh) | 一种情绪识别方法、装置和电子设备 | |
CN110232328A (zh) | 一种征信报告解析方法、装置及计算机可读存储介质 | |
CN111340218B (zh) | 一种训练问题识别模型的方法和系统 | |
US11100412B2 (en) | Extending question and answer samples | |
CN117009532B (zh) | 语义类型识别方法、装置、计算机可读介质及电子设备 | |
CN116431779B (zh) | 法律领域faq问答的匹配方法、装置、存储介质及电子装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200807 |