CN111553800B - 一种数据处理方法及装置、电子设备和存储介质 - Google Patents
一种数据处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111553800B CN111553800B CN202010367693.3A CN202010367693A CN111553800B CN 111553800 B CN111553800 B CN 111553800B CN 202010367693 A CN202010367693 A CN 202010367693A CN 111553800 B CN111553800 B CN 111553800B
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- underwriting
- result
- processing
- 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
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开涉及一种数据处理方法及装置、电子设备和存储介质,其中,该方法包括:响应于核保请求,得到待处理的核保数据;将所述核保数据基于数据类型转换为类别数据;根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果。采用本公开,可以为用户提供精准且高效的决策结果。
Description
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及装置、电子设备和存储介质。
背景技术
当今的大数据时代,对大量的数据进行数据挖掘,或者进行数据分析处理等是趋势,不同数据处理的应用场景中有不同的数据处理决策方案,如风险控制评估场景中,对申请投保的用户,需要对其进行投保的核验,简称核保。
一方面,由于不同用户在年纪、性别、健康状况、是否有历史投保记录等方方面面都存在差异,因此,需要符合不同用户的个性化类别的需求;另一方面,对用户申请投保的核保请求,在核验该核保请求的设备侧进行分析处理时由于核验人员经验等业务水平的差异,针对核验请求所做出的决策也不同,且数据量本身的数量级比较大,因此,相关技术中,难以为用户提供精准且高效的决策结果。
发明内容
有鉴于此,本公开提出了一种数据处理的技术方案。
根据本公开的一方面,提供了一种数据处理方法,所述方法包括:
响应于核保请求,得到待处理的核保数据;
将所述核保数据基于数据类型转换为类别数据;
根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果。
采用本公开,通过响应核保请求,可以得到待处理的核保数据,将该核保数据基于数据类型转换为类别数据,根据类别数据和核保决策网络进行分类决策处理,可以得到用于响应该核保请求的决策结果。由于该决策结果不依赖于核验人员,可以规避核验人员经验等业务水平产生的决策差异,本公开依靠对核保数据转换得到的类别数据及核保决策网络进行分类决策处理,从而可以为用户提供精准且高效的决策结果。
在一种可能的实现方式中,所述核保决策网络,为根据预标注的类别数据样本训练后得到核保决策网络;
所述预标注的类别数据样本包括历史核保数据。
采用本公开,可以根据至少包括历史核保数据的类别数据样本得到核保决策网络,从而可以基于该核保决策网络进行分类决策处理。
在一种可能的实现方式中,所述根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果,包括:
将所述类别数据输入所述核保决策网络,得到包含标保判决和/或非标保判决的决策结果。
采用本公开,根据类别数据及核保决策网络进行分类决策处理,可以将类别数据输入核保决策网络,从而得到包含标保判决和/或非标保判决的决策结果。由于是依靠对核保数据转换得到的类别数据及核保决策网络进行分类决策处理,而不是依靠核保人员的经验来决策,从而可以为用户提供精准且高效的决策结果。
在一种可能的实现方式中,所述得到用于响应所述核保请求的决策结果之后,所述方法还包括:
响应所述核保请求,将所述决策结果反馈给发出所述核保请求的设备;
所述核保请求,包括:通过客户端在线发出的核保请求、或在核保服务提供商处离线发出的核保请求。
采用本公开,可以将响应核保请求得到的决策结果,反馈给发出该核保请求的设备,可以在设备侧显示该决策结果。
在一种可能的实现方式中,所述根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果,包括:
响应于所述类别数据为线性数据及非线性数据的情况,将所述线性数据及所述非线性数据分别进行特征提取,得到第一特征向量组及第二特征向量组;
将所述第一特征向量组及第二特征向量组输入所述核保决策网络,在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果。
采用本公开,根据类别数据及核保决策网络进行分类决策处理,可以对类别数据,按照线性数据及非线性数据分别进行特征提取,分别得到第一特征向量组及第二特征向量组,将第一特征向量组及第二特征向量组输入该核保决策网络分别进行分类决策,以得到决策结果。由于可以针对类别数据的数据类型分别进行针对性的分类决策,因此,不仅提高了分类精度,也提高了分类的处理效率。
在一种可能的实现方式中,所述在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果,包括:
在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策之后,进行并行处理,输出并行处理结果;
根据所述并行处理结果和目标决策值,得到损失函数;
根据所述损失函数的反向传播训练所述核保决策网络,直至结束训练后得到核保决策网络的输出结果,并将所述输出结果作为所述决策结果。
采用本公开,可以根据分类决策之后的并行处理,得到并行处理结果,根据该并行处理结果和目标决策值,得到损失函数,根据损失函数的反向传播训练该核保决策网络,直至结束训练后得到核保决策网络的输出结果,并将输出结果作为决策结果,基于损失函数训练得到的核保决策网络进行分类决策,可以为用户提供精准且高效的决策结果。
在一种可能的实现方式中,所述将所述核保数据基于数据类型转换为类别数据,包括:
对所述核保数据,采用树模型进行核保数据所属数据类型的分析,得到分析结果;
根据所述分析结果,确定用于区分数据类型的数据分割点;
根据所述数据分割点,对所述核保数据进行离散化处理,得到多种类别的类别数据。
采用本公开,可以采用树模型进行核保数据所属数据类型的分析,以得到至少包括线性数据及非线性数据的多种类别的类别数据,以便在分类决策的过程中可以针对线性数据及非线性数据分别进行特征提取后再输入该核保决策网络分别进行分类决策,以得到决策结果。由于可以针对类别数据的数据类型分别进行针对性的分类决策,因此,不仅提高了分类精度,也提高了分类的处理效率。
根据本公开的另一方面,提供了一种数据处理装置,所述装置包括:
响应单元,用于响应于核保请求,得到待处理的核保数据;
转换单元,用于将所述核保数据基于数据类型转换为类别数据;
分类决策处理单元,用于根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果。
在一种可能的实现方式中,所述核保决策网络,为根据预标注的类别数据样本训练后得到核保决策网络;
所述预标注的类别数据样本包括历史核保数据。
在一种可能的实现方式中,所述分类决策处理单元,用于:
将所述类别数据输入所述核保决策网络,得到包含标保判决和/或非标保判决的决策结果。
在一种可能的实现方式中,所述装置还包括反馈单元,用于:
响应所述核保请求,将所述决策结果反馈给发出所述核保请求的设备;
所述核保请求,包括:通过客户端在线发出的核保请求、或在核保服务提供商处离线发出的核保请求。
在一种可能的实现方式中,所述分类决策处理单元,用于:
响应于所述类别数据为线性数据及非线性数据的情况,将所述线性数据及所述非线性数据分别进行特征提取,得到第一特征向量组及第二特征向量组;
将所述第一特征向量组及第二特征向量组输入所述核保决策网络,在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果。
在一种可能的实现方式中,所述分类决策处理单元,用于:
在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策之后,进行并行处理,输出并行处理结果;
根据所述并行处理结果和目标决策值,得到损失函数;
根据所述损失函数的反向传播训练所述核保决策网络,直至结束训练后得到核保决策网络的输出结果,并将所述输出结果作为所述决策结果。
在一种可能的实现方式中,所述转换单元,用于:
对所述核保数据,采用树模型进行核保数据所属数据类型的分析,得到分析结果;
根据所述分析结果,确定用于区分数据类型的数据分割点;
根据所述数据分割点,对所述核保数据进行离散化处理,得到多种类别的类别数据。
根据本公开的另一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述数据处理方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述数据处理方法。
在本公开实施例中,通过响应核保请求,可以得到待处理的核保数据(如投保的保单数据),将核保数据基于数据类型转换为类别数据(如线性数据及非线性数据)。根据类别数据和核保决策网络进行分类决策处理(如进行投保风险进行分类评估的决策),从而得到用于响应该核保请求的决策结果。由于该决策结果不依赖于核验人员,可以规避核验人员经验等业务水平产生的决策差异,本公开依靠对核保数据转换得到的类别数据及核保决策网络进行分类决策处理,从而可以为用户提供精准且高效的决策结果。
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,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的数据处理方法的流程图。
图2示出根据本公开实施例的采用第一网络实现数据处理方法的示意图。
图3示出根据本公开实施例的采用第二网络实现数据处理方法的示意图。
图4示出根据本公开实施例的数据处理装置的框图。
图5示出根据本公开实施例的电子设备的框图。
图6示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
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,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的数据处理方法的流程图,该方法应用于数据处理装置,例如,该处理装置部署于终端设备或服务器或其它处理设备执行的情况下,可以执行核保数据转换、分类和核保数据的核保决策等等。其中,终端设备可以为用户设备(UE,UserEquipment)、移动设备、蜂窝电话、无绳电话、个人数字处理(PDA,Personal DigitalAssistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,该流程包括:
步骤S101、响应于核保请求,得到待处理的核保数据。
一示例中,如风险控制评估场景中,对申请投保的用户,需要对其进行投保的核验,简称核保。想要申请投保的用户,可以发出该核保请求。一方面,由于不同用户在年纪、性别、健康状况、是否有历史投保记录等方面存在差异,因此,需要符合不同用户的个性化类别的需求;另一方面,对用户申请投保的核保请求,在核验该核保请求的设备侧进行分析处理时也存在差异,需要保证个性化需求的情况下,尽可能减少对同一个核保请求做出差异处理的决策,以确保决策的精确和处理的高效性。
其中,响应于核保请求,得到的核保数据,可以是保单数据。一示例中,保单数据可以包括标保数据和非标保数据。对应标保数据的核保,是按照标准保费决定是否承保,比如,对于该核保请求所申请的保单数据,按照标准保费可以接受承保;而对于非标保数据的核保,可以是拒保、延期、补充资料和加费等。比如,对于该核保请求所申请的保单数据,可以拒绝承保;又如,对该核保请求可以进行延期承保;还可以是对核保请求中的必选项或者可选项进行完善并补充保单数据;还可以是增加该核保请求的投保费用等等。
步骤S102、将所述核保数据基于数据类型转换为类别数据。
一示例中,对所述核保数据,可以采用树模型,如轻量级的提升树模型(LightGBM)或其他树模型进行数据类型的转换。
针对上述转换,可以基于LightGBM对核保数据所属数据类型进行分析,以得到分析结果,根据所述分析结果,确定用于区分数据类型的数据分割点。根据所述数据分割点,对所述核保数据进行离散化处理,可以得到多种类别的类别数据(如线性数据及非线性数据)。也就是说,经LightGBM对核保数据进行转换,可以将核保数据转换为离散化的数据,离散化的数据分为多种类别,称之为类别数据(如线性数据及非线性数据)。
采用LightGBM或其他树模型,可以找到更合适的数据分割点,更适于对类别数据的处理,还可以对小样本数据(如非保单数据)进行特征空间的特征扩展(如对填写保单数据中的缺失值进行补充,保单数据包括必选项内容和可选项内容,未填写的可选项内容即为缺失值,如性别等),增加泛化能力,从而,提高对小样本数据的识别精确度,以便根据所述类别数据和核保决策网络进行分类决策处理,可以得到更好的决策结果。
步骤S103、根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果。
需要指出的是,核保可以是核保人员(如精算师)在对申请投保的信息全面掌握、核实的基础上,对可保风险进行评判与分类,进而决定是否承保、以什么样的条件承保等的过程。在核保的过程中,核保人员会根据业务标准和个人的经验给予不同的承保条件。然而,这种依赖核保人员人工核保的核保模式存在一定的局限性。比如,核保的过程十分依赖核保人员的个人经验,同一张保单在很多时候不同精算师会给出不同的核保结论(比如,某张保单A符合申请投保的条件,经过核保后对该投保申请予以投保批准,或者,某张保单A不符合申请投保的条件,经过核保后拒绝该投保申请)。又如,核保的过程相对缓慢,在保单数量大时一张保单要等待数天才能有核保结论,用户体验差。又如,精算师数量有限,随着保险公司的业务扩展,保单数量增加,精算师工作繁重。
一示例中,图2示出根据本公开实施例的采用第一网络实现数据处理方法的示意图。对风险控制评估场景引入基于人工智能(Artificial Intelligence,AI)算法的第一网络进行核保。输入参数(可以是保单数据),经第一网络处理后,可以得到多个决策结果(决策结果1,…,决策结果n)。根据多个决策结果来辅助核保人员的核保评估。
就第一网络而言,虽然采用AI算法比人工处理更高效和智能化,但是,第一网络训练的输入参数,如包括标保数据及非标保的保单数据,存在差异性,也就是说,保单数据分布是不均衡的,且非标保相比整个保单数据而言是作为小样本数据,即便通过损失函数对第一网络进行训练,所得到的训练后第一网络进行标保和/或非标保的判决,及对该非标保特征的识别及分类也并不精确,从而导致最终的决策结果达不到预期。
为了解决人工核保的局限性及采用第一网络决策结果达不到预期的问题,可以根据预标注的类别数据样本训练后得到第二网络(如上述核保决策网络),其中,所述预标注的类别数据样本可以包括历史核保数据,历史核保数据可以更加直观地反应用户与核保相关的一些状况,例如,收入状况、年龄、性别或健康情况等。根据该历史核保数据训练核保决策网络,且在训练之前可以基于数据类型将历史核保数据转换为类别数据,用类别数据训练核保决策网络,可以得到相比第一网络更精确及更高效的决策结果,从而可以更精确及高效的决策结果来辅助核保人员的核保评估。
训练好该核保决策网络后,在应用该核保决策网络过程中,可以根据所述类别数据和核保决策网络进行分类决策处理(如进行投保风险进行分类评估的决策),得到用于响应所述核保请求的决策结果。比如,将该类别数据输入该训练后的核保决策网络中,在对核保请求进行可保风险的评判与分类后,可以得到包含标保和/或非标保判决的决策结果,以便根据该决策结果对核保请求进行反馈响应。
一示例中,上述将所述核保数据基于数据类型转换,以及进行分类决策处理的该核保决策网络,可以采用AI算法模型来实现,如线性模型、树模型、支持向量机模型等模型,人工神经网络模型、深度因子分解机模型、神经协同过滤模型等模型,还可以是根据具体的应用场景设计的学习模型,本公开不对具体的算法模型进行限制。
采用本公开,通过响应核保请求,可以得到待处理的核保数据(如投保的保单数据),将核保数据基于数据类型转换为类别数据(如线性数据及非线性数据)。根据类别数据和核保决策网络进行分类决策处理(如进行投保风险进行分类评估的决策),从而得到用于响应该核保请求的决策结果。且该决策结果在满足不同用户在年纪、性别、健康状况、是否有历史投保记录等方面差异化需求基础上,为不同用户实现个性化类别的定制需求;避免了在用于核保的设备侧进行分析处理时由于核保人员经验等业务水平的差异所导致对同一核保请求作出不同的决策,为待处理的大数据量的核保数据,提供了精准且高效的决策方案。
可能的实现方式中,所述得到用于响应所述核保请求的决策结果之后,所述方法还包括:响应所述核保请求,将所述决策结果反馈给发出所述核保请求的设备。
一示例中,所述核保请求,可以包括:通过客户端在线发出的核保请求,比如,手机终端在线联网发出该核保请求,也就是说,对应的设备可以是发出该核保请求的用户设备,如手机终端,也可以是平板电脑等便携终端等。
另一示例中,所述核保请求,还可以包括:在核保服务提供商处离线发出的核保请求,比如,在保险公司或其他服务提供商处现场做核保请求的登记,并将该核保请求录入服务设备,也就是说,对应的设备可以是接收该核保请求的反馈响应设备,如服务提供商处的服务设备等。
可能的实现方式中,所述根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果,包括:响应于所述类别数据为线性数据及非线性数据的情况,将所述线性数据及所述非线性数据分别进行特征提取,得到对应该线性数据的第一特征向量组(如GMF Vector)及对应该非线性数据的第二特征向量组(如MLPVector)。可以将所述第一特征向量组及第二特征向量组输入所述核保决策网络,在所述核保决策网络中基于对应的第一处理模块(如GMF Layer,GMF Layer可以为一个或多个)及第二处理模块(如MLP Layer,MLP Layer可以为一个或多个)分别进行分类决策,以得到所述决策结果。
可能的实现方式中,所述在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果,包括:在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策之后,进行并行处理(Concatenation),输出并行处理结果(如即算出来的预测值)。可以根据所述并行处理结果和目标决策值(y′,即预期的真实值),得到损失函数,比如,可以根据所述并行处理结果和目标决策值的差异化比对处理,得到该损失函数。根据所述损失函数的反向传播训练所述核保决策网络,直至结束训练后得到核保决策网络的输出结果,并将所述输出结果作为所述决策结果。
一示例中,可以基于并行处理结果(如算出来的预测值)和目标决策值(如预期真实值y,或者说预先标注的期望目标值)得到损失函数,以便根据该损失函数的反向传播对该核保决策网络中的参数进行调整,在该预测值和该真实值的差异越小直至达到期望的网络收敛条件,则结束训练,将核保决策网络结束训练后得到的输出结果作为上述决策结果。
一示例中,该预测值可以是概率,该真实值可以为阈值。比如,可以根据输出的预测值是否大于阀值来判断核保请求所提交的核保数据(如保单数据)是否为标保数据。对于标保数据,可以接受承保;否则,拒绝承保。比如,当预测值/>为0.5,阀值为0.4,此时预测值低于该阈值,则预测值/>构成的样本为正样本,即为标保数据;当预测值/>为0.5,阀值为0.6,此时预测值/>高于该阈值,则预测值/>构成的样本为负样本,即为非标保数据。
通过上述不断将不同用户的历史核保数据输入该核保决策网络,不断地对该核保决策网络的网络参数进行调整,从而得到训练后的核保决策网络,以便将该训练后的核保决策网络在核保数据风控决策评估场景中,对用户所提出的核保请求进行分类决策的分析,以做出上述包含标保判决和/或非标保判决的决策结果。
图3示出根据本公开实施例的采用第二网络(如核保决策网络)实现数据处理方法的示意图,就第二网络而言,为了得到更好的训练效果,可以在第二网络中采用两类处理模块,如分别针对两种类别数据对应处理的层,如广义矩阵分解(Generalized MatrixFactorization,GMF)和多层感知机(Multi-Layer Perceptron,MLP),来分别对应线性数据及非线性数据进行处理。如图3所示,包括:发出核保请求的设备21,用于将核保数据转换为类别数据的转换模块22及第二网络23。其中,设备21可以由手机终端、笔记本电脑、平板电脑、服务器及工作站等一种或多种类型的设备所组成。其中,采用GMF,可以应用线性内核来模拟线性数据潜在的特征交互,采用MLP,可以应用非线性内核从非线性数据中学习交互函数。结合GMF和MLP得到的第二网络,比第一网络(第一网络作为常规的AI算法模型,只对非线性数据敏感,且对涉及标保及非标保这种不均衡数据的样本处理效果较差)的精度和处理效率更高,从而,可以更有效地辅助核保人员进行高效且精准的核保处理。
基于图3中的各个模块,根据本公开实施例的基于第二网络中上述两类处理模块实现数据处理方法的示意图,包括:
步骤S201、将核保数据,如原始的保单数据转换为类别数据,输出该类别数据(格式如保单数据_bins),该类别数据包括线性数据和非线性数据。
步骤S202、采用第二网络中GMF处理模块的一条处理分支中,可以对该类别数据中的线性数据,先进行特征提取,以得到GMF Vector后输出给GMF层(GMF层可以为一个或多个)处理,得到第一处理结果。
以及,采用第二网络中MLP处理模块的一条处理分支中,可以对该类别数据中的非线性数据,先进行特征提取,以得到MLP Vector后输出给MLP层处理(GMF层可以为一个或多个,如图3中采用了多个MLP层,如Layer1…MLP Layer1 X),得到第二处理结果。
步骤S203、将第一处理结果和第二处理结果合并(如Concatenation方式),并汇聚在神经矩阵分解(Neural Matrix Factorization,NeuMF)层中,以得到输出的预测值
步骤S204、将预测值和真实值y进行运算,得到损失函数(Focal Loss)。
尽量减少预测值和真实值y二者之间的差异,差异达到预期后,则网络训练收敛,从而得到所需要的第二网络(如核保网络)。之后,应用该第二网络,对保单数据进行各种核保的核算。
针对第二网络的训练而言,可以包括如下内容:
1、数据离散化处理
将原始的保单数据传入LightGBM或其他树模型,以寻找类别数据合适的数据分割点并进行离散化处理,经过数据类型转换后,使原始的保单数据只包含类别数据(如线性数据及非线性数据)。
2、将类别数据输入第二网络中对应层处理
可以将仅包含类别类型的数据作为输入的样本数据,输入第二网络,采用如下公式(1)及公式(2)运算,分别获得GMF层及MLP层的输出。
VGMF=(pu·qi) (1)
公式(1)中,样本数据分别对应GMF层和MLP层,其中,对应GMF层的样本数据为pu,对应MLP层的样本数据为qi;VGMF为GMF层的输出(可以是输出向量);公式(2)中,Wx表示MLP层的x层感知机中的权重矩阵,且x为1,…L;bx表示MLP层的x层感知机中的偏置向量(或称神经网络的神经元阈值),且x为:1,…L;ax表示MLP层的x层感知机中的激活函数,且x为:1,…L;VMLP为MLP层的输出(可以是输出向量);pu为对应GMF层的样本数据,qi为对应MLP层的样本数据。
3、采用公式(3)运算,获得预测值
公式(3)中,VGMF为GMF层的输出;VMLP为MLP层的输出,hT为输出层的连接权重;σ为方差。
4、根据公式(4)计算损失函数
相比第一网络,第二网络的训练中通过上述运算,可以得到比原第一网络更适合的损失函数,从而,使基于该损失函数训练得到的第二网络能够更加适用分布不均衡的标保及非标保构成的保单数据。
公式(4)中,Lfl为损失函数,y为真实值,为算出来的预测值。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了数据处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种数据处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出根据本公开实施例的数据处理装置的框图,如图4所示,该处理装置,包括:响应单元31,用于响应于核保请求,得到待处理的核保数据;转换单元32,用于将所述核保数据基于数据类型转换为类别数据;分类决策处理单元33,用于根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果。
可能的实现方式中,所述核保决策网络,为根据预标注的类别数据样本训练后得到核保决策网络。其中,所述预标注的类别数据样本包括历史核保数据。
可能的实现方式中,所述分类决策处理单元,用于:将所述类别数据输入所述核保决策网络,得到包含标保判决和/或非标保判决的决策结果。
可能的实现方式中,所述装置还包括反馈单元,用于:响应所述核保请求,将所述决策结果反馈给发出所述核保请求的设备。其中,所述核保请求,包括:通过客户端在线发出的核保请求、或在核保服务提供商处离线发出的核保请求。
可能的实现方式中,所述分类决策处理单元,用于:响应于所述类别数据为线性数据及非线性数据的情况,将所述线性数据及所述非线性数据分别进行特征提取,得到对应线性数据的第一特征向量组及对应非线性数据的第二特征向量组。将所述第一特征向量组及第二特征向量组输入所述核保决策网络,在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果。
可能的实现方式中,所述分类决策处理单元,用于:在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策之后,进行并行处理,输出并行处理结果。根据所述并行处理结果和目标决策值,得到损失函数。根据所述损失函数的反向传播训练所述核保决策网络,直至结束训练后得到核保决策网络的输出结果,并将所述输出结果作为所述决策结果。
可能的实现方式中,所述转换单元,用于:对所述核保数据,采用树模型进行核保数据所属数据类型的分析,得到分析结果。根据所述分析结果,确定用于区分数据类型的数据分割点。根据所述数据分割点,对所述核保数据进行离散化处理,得到多种类别的类别数据。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的数据处理方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的数据处理方法的操作。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6是根据一示例性实施例示出的一种电子设备900的框图。例如,电子设备900可以被提供为一服务器。参照图6,电子设备900包括处理组件922,其进一步包括一个或多个处理器,以及由存储器932所代表的存储器资源,用于存储可由处理组件922的执行的指令,例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件922被配置为执行指令,以执行上述方法。
电子设备900还可以包括一个电源组件926被配置为执行电子设备900的电源管理,一个有线或无线网络接口950被配置为将电子设备900连接到网络,和一个输入输出(I/O)接口958。电子设备900可以操作基于存储在存储器932的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器932,上述计算机程序指令可由电子设备900的处理组件922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在不违背逻辑的情况下,本申请不同实施例之间可以相互结合,不同实施例描述有所侧重,为侧重描述的部分可以参见其他实施例的记载。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种数据处理方法,其特征在于,所述方法包括:
响应于核保请求,得到待处理的核保数据;
将所述核保数据基于数据类型转换为类别数据,其中,所述类别数据包括线性数据和非线性数据;
根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果;
所述根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果,包括:
响应于所述类别数据为线性数据及非线性数据的情况,将所述线性数据及所述非线性数据分别进行特征提取,得到第一特征向量组及第二特征向量组;
将所述第一特征向量组及第二特征向量组输入所述核保决策网络,在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果。
2.根据权利要求1所述的方法,其特征在于,所述核保决策网络,为根据预标注的类别数据样本训练后得到核保决策网络;
所述预标注的类别数据样本包括历史核保数据。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果,包括:
将所述类别数据输入所述核保决策网络,得到包含标保判决和/或非标保判决的决策结果。
4.根据权利要求1或2所述的方法,其特征在于,所述得到用于响应所述核保请求的决策结果之后,所述方法还包括:
响应所述核保请求,将所述决策结果反馈给发出所述核保请求的设备;
所述核保请求,包括:通过客户端在线发出的核保请求、或在核保服务提供商处离线发出的核保请求。
5.根据权利要求1或2所述的方法,其特征在于,所述在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果,包括:
在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策之后,进行并行处理,输出并行处理结果;
根据所述并行处理结果和目标决策值,得到损失函数;
根据所述损失函数的反向传播训练所述核保决策网络,直至结束训练后得到核保决策网络的输出结果,并将所述输出结果作为所述决策结果。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述将所述核保数据基于数据类型转换为类别数据,包括:
对所述核保数据,采用树模型进行核保数据所属数据类型的分析,得到分析结果;
根据所述分析结果,确定用于区分数据类型的数据分割点;
根据所述数据分割点,对所述核保数据进行离散化处理,得到多种类别的类别数据。
7.一种数据处理装置,其特征在于,所述装置包括:
响应单元,用于响应于核保请求,得到待处理的核保数据;
转换单元,用于将所述核保数据基于数据类型转换为类别数据,其中,所述类别数据包括线性数据和非线性数据;
分类决策处理单元,用于根据所述类别数据和核保决策网络进行分类决策处理,得到用于响应所述核保请求的决策结果;
其中,所述分类决策处理单元,用于:
响应于所述类别数据为线性数据及非线性数据的情况,将所述线性数据及所述非线性数据分别进行特征提取,得到第一特征向量组及第二特征向量组;
将所述第一特征向量组及第二特征向量组输入所述核保决策网络,在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策,得到所述决策结果。
8.根据权利要求7所述的装置,其特征在于,所述核保决策网络,为根据预标注的类别数据样本训练后得到核保决策网络;
所述预标注的类别数据样本包括历史核保数据。
9.根据权利要求7或8所述的装置,其特征在于,所述分类决策处理单元,用于:
将所述类别数据输入所述核保决策网络,得到包含标保判决和/或非标保判决的决策结果。
10.根据权利要求7或8所述的装置,其特征在于,所述装置还包括反馈单元,用于:
响应所述核保请求,将所述决策结果反馈给发出所述核保请求的设备;
所述核保请求,包括:通过客户端在线发出的核保请求、或在核保服务提供商处离线发出的核保请求。
11.根据权利要求7或8所述的装置,其特征在于,所述分类决策处理单元,用于:
在所述核保决策网络中基于对应的第一处理模块及第二处理模块分别进行分类决策之后,进行并行处理,输出并行处理结果;
根据所述并行处理结果和目标决策值,得到损失函数;
根据所述损失函数的反向传播训练所述核保决策网络,直至结束训练后得到核保决策网络的输出结果,并将所述输出结果作为所述决策结果。
12.根据权利要求7-11中任一项所述的装置,其特征在于,所述转换单元,用于:
对所述核保数据,采用树模型进行核保数据所属数据类型的分析,得到分析结果;
根据所述分析结果,确定用于区分数据类型的数据分割点;
根据所述数据分割点,对所述核保数据进行离散化处理,得到多种类别的类别数据。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至权利要求6中任意一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至权利要求6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367693.3A CN111553800B (zh) | 2020-04-30 | 2020-04-30 | 一种数据处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367693.3A CN111553800B (zh) | 2020-04-30 | 2020-04-30 | 一种数据处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553800A CN111553800A (zh) | 2020-08-18 |
CN111553800B true CN111553800B (zh) | 2023-08-25 |
Family
ID=72007982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010367693.3A Active CN111553800B (zh) | 2020-04-30 | 2020-04-30 | 一种数据处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553800B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419077A (zh) * | 2020-12-04 | 2021-02-26 | 上海商汤智能科技有限公司 | 数据处理方法及装置、电子设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2005661A1 (en) * | 2006-04-06 | 2008-12-24 | Telefonaktiebolaget LM Ericsson (publ) | System, arrangements and method relating to access handling |
CN104463673A (zh) * | 2014-12-22 | 2015-03-25 | 中国科学技术大学苏州研究院 | 一种基于支持向量机的p2p网络贷款风险评估模型 |
CN108694673A (zh) * | 2018-05-16 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技(深圳)有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
CN109344910A (zh) * | 2018-10-30 | 2019-02-15 | 成都四方伟业软件股份有限公司 | 数据分类方法及装置 |
CN110046981A (zh) * | 2018-01-15 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种信用评估方法、装置及存储介质 |
US10489861B1 (en) * | 2013-12-23 | 2019-11-26 | Massachusetts Mutual Life Insurance Company | Methods and systems for improving the underwriting process |
CN110516910A (zh) * | 2019-07-23 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于大数据的保单核保模型训练方法和核保风险评估方法 |
CN110598071A (zh) * | 2019-09-21 | 2019-12-20 | 胡燕祝 | 一种基于dpso-wkelm-ifsvm的非线性数据分类方法 |
CN110786835A (zh) * | 2018-08-02 | 2020-02-14 | 思凯迪亚数据服务(Cds)有限公司 | 用于组织评估的系统和方法 |
CN110852894A (zh) * | 2019-11-04 | 2020-02-28 | 泰康保险集团股份有限公司 | 保险核保方法及装置、计算机存储介质、电子设备 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734338A (zh) * | 2018-04-24 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 基于lstm模型的信用风险预测方法及装置 |
-
2020
- 2020-04-30 CN CN202010367693.3A patent/CN111553800B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2005661A1 (en) * | 2006-04-06 | 2008-12-24 | Telefonaktiebolaget LM Ericsson (publ) | System, arrangements and method relating to access handling |
US10489861B1 (en) * | 2013-12-23 | 2019-11-26 | Massachusetts Mutual Life Insurance Company | Methods and systems for improving the underwriting process |
CN104463673A (zh) * | 2014-12-22 | 2015-03-25 | 中国科学技术大学苏州研究院 | 一种基于支持向量机的p2p网络贷款风险评估模型 |
CN110046981A (zh) * | 2018-01-15 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 一种信用评估方法、装置及存储介质 |
CN108694673A (zh) * | 2018-05-16 | 2018-10-23 | 阿里巴巴集团控股有限公司 | 一种保险业务风险预测的处理方法、装置及处理设备 |
CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技(深圳)有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
CN110786835A (zh) * | 2018-08-02 | 2020-02-14 | 思凯迪亚数据服务(Cds)有限公司 | 用于组织评估的系统和方法 |
CN109344910A (zh) * | 2018-10-30 | 2019-02-15 | 成都四方伟业软件股份有限公司 | 数据分类方法及装置 |
CN110516910A (zh) * | 2019-07-23 | 2019-11-29 | 平安科技(深圳)有限公司 | 基于大数据的保单核保模型训练方法和核保风险评估方法 |
CN110598071A (zh) * | 2019-09-21 | 2019-12-20 | 胡燕祝 | 一种基于dpso-wkelm-ifsvm的非线性数据分类方法 |
CN110852894A (zh) * | 2019-11-04 | 2020-02-28 | 泰康保险集团股份有限公司 | 保险核保方法及装置、计算机存储介质、电子设备 |
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 |
---|
基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型及其在信用分类中的应用;余乐安;汪寿阳;;系统科学与数学(第10期);17-32 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553800A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
KR20200096565A (ko) | 얼굴 인식 방법 및 장치, 전자 기기 및 저장 매체 | |
CN111524521B (zh) | 声纹提取模型训练方法和声纹识别方法、及其装置和介质 | |
CN111581488B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN108960283B (zh) | 分类任务增量处理方法及装置、电子设备和存储介质 | |
CN111435432B (zh) | 网络优化方法及装置、图像处理方法及装置、存储介质 | |
CN109920016B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN111612070A (zh) | 基于场景图的图像描述生成方法及装置 | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
CN111753895A (zh) | 数据处理方法、装置及存储介质 | |
CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110633470A (zh) | 命名实体识别方法、装置及存储介质 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN112561461A (zh) | 基于机器学习的政务审批方法、系统、装置及存储介质 | |
CN111753917A (zh) | 数据处理方法、装置及存储介质 | |
CN111553800B (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN110232181B (zh) | 评论分析方法及装置 | |
CN113065361B (zh) | 用户亲密度的确定方法及装置、电子设备和存储介质 | |
CN110909562A (zh) | 视频审核方法及装置 | |
CN117453933A (zh) | 一种多媒体数据推荐方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |