CN111652504A - 数据处理装置 - Google Patents
数据处理装置 Download PDFInfo
- Publication number
- CN111652504A CN111652504A CN202010485896.2A CN202010485896A CN111652504A CN 111652504 A CN111652504 A CN 111652504A CN 202010485896 A CN202010485896 A CN 202010485896A CN 111652504 A CN111652504 A CN 111652504A
- Authority
- CN
- China
- Prior art keywords
- risk
- probability
- grade
- regression
- labels
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 70
- 230000001186 cumulative effect Effects 0.000 claims abstract description 52
- 238000012502 risk assessment Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 12
- 238000013145 classification model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000010750 BS 2869 Class C2 Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000010749 BS 2869 Class C1 Substances 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种数据处理装置，涉及人工智能技术领域。该装置包括：回归模型配置模块，用于配置预先训练的N‑1个回归模型，所述N‑1个回归模型对应于连续N‑1个风险等级的累积概率回归，N为风险等级的总数，N≥3；特征数据处理模块，用于分别调用每个所述回归模型对输入的风险评估对象的特征数据进行处理，得到N‑1个累积概率值；概率数组生成模块，用于根据所述连续N‑1个风险等级的序列关系排列所述N‑1个累积概率值，生成概率数组；风险等级输出模块，用于通过解析所述概率数组，输出所述风险评估对象的风险等级。本公开可以提高风险等级评估的准确度，且数据处理量较小，实现过程简单。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种数据处理装置。
背景技术
在工业生产、保险、金融等领域中，经常需要对特定对象所属的风险等级进行预测与评估，包括产品失效风险评估、保险核保风险等级评定、金融风险评估等，一般是在3个或3个以上预设的风险等级中确定目标等级，以决定所采用的业务措施。
相关技术中，在处理风险等级评估问题时，一般将其转化为多分类问题，采用机器学习中的多分类模型，例如训练多分类输出的贝叶斯模型、支持向量机、神经网络模型等，每个类别对应于一个风险等级，从而对输入的对象进行分级。然而，上述多分类模型通常适用于不同类别之间差别较大的场景，例如对图像进行多分类，通常是预测图像属于人物、风景、建筑等类别中的哪个类别，不同类别的特征区别很大，因而能够实现准确的分类；而对于风险等级评估问题，不同等级的特征之间大多是数量上的差异，且相邻等级的差异并不明显，特征的内在规律和传统的多分类问题差别较大，因此采用上述多分类模型难以得到准确的结果。
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相关技术的信息。
发明内容
本公开提供了一种数据处理装置，进而至少在一定程度上改善相关技术中风险等级评估准确度较低的问题。
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。
根据本公开的第一方面，提供一种数据处理装置，包括：回归模型配置模块，用于配置预先训练的N-1个回归模型，所述N-1个回归模型对应于连续N-1个风险等级的累积概率回归，N为风险等级的总数，N≥3；特征数据处理模块，用于分别调用每个所述回归模型对输入的风险评估对象的特征数据进行处理，得到N-1个累积概率值；概率数组生成模块，用于根据所述连续N-1个风险等级的序列关系排列所述N-1个累积概率值，生成概率数组；风险等级输出模块，用于通过解析所述概率数组，输出所述风险评估对象的风险等级。
可选的，所述回归模型配置模块，被配置为通过以下方式训练并得到所述N-1个回归模型：获取样本对象和所述样本对象的风险等级；当所述样本对象为第K风险等级时，以第K风险等级为分割，设置所述样本对象对应于所述连续N-1个风险等级的累积概率标签，得到所述样本对象的N-1个标签，K≤N；以所述样本对象的特征数据为训练数据，结合所述样本对象的N-1个标签，分别训练N-1个初始的回归模型，以得到所述N-1个回归模型。
可选的，所述回归模型配置模块，被配置为通过以下方式设置所述样本对象的标签：当所述连续N-1个风险等级为第2风险等级到第N风险等级时，将所述样本对象对应于第2风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N风险等级的标签设置为0，得到所述样本对象的N-1个标签；当所述连续N-1个风险等级为第1风险等级到第N-1风险等级时，将所述样本对象对应于第1风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N-1风险等级的标签设置为0，得到所述样本对象的N-1个标签。
可选的，所述N-1个回归模型均为神经网络回归模型；其中，每个所述神经网络回归模型包括：输入层，用于输入所述风险评估对象的特征数据；至少一个中间层，用于对所述特征数据进行加权计算，得到中间数据；输出层，用于对所述中间数据的激活值进行求和计算，以输出累积概率值。
可选的，所述中间数据的激活值通过修正线性单元计算得到。
可选的，所述特征数据处理模块，被配置为：启用N-1个进程，每个进程分别用于调用一个所述回归模型对输入的风险评估对象的特征数据进行处理；并行运行所述N-1个进程，以得到N-1个累积概率值。
可选的，所述风险等级输出模块，被配置为：计算所述概率数组中每相邻两个数值之间的差值，得到所述风险评估对象对应于所述N个风险等级的概率值；将所述概率值最高的风险等级确定为所述风险评估对象的风险等级，并输出所述风险评估对象的风险等级。
可选的，所述风险等级输出模块，被配置为：在计算所述概率数组中每相邻两个数值之间的差值前，在所述概率数组的两端分别插入0和1。
可选的，所述风险等级输出模块，被配置为：当所述概率数组中的数值为递增顺序时，在所述概率数组的起始端插入0，结束端插入1；当所述概率数组中的数值为递减顺序时，在所述概率数组的起始端插入1，结束端插入0。
可选的，所述装置还包括：调度模块，用于将所述风险评估对象的特征数据转发至与所述风险评估对象的风险等级相对应的业务服务器，使所述业务服务器处理所述风险评估对象的业务。
根据本公开的第二方面，提供一种数据处理方法，包括：配置预先训练的N-1个回归模型，所述N-1个回归模型对应于连续N-1个风险等级的累积概率回归，N为风险等级的总数，N≥3；分别调用每个所述回归模型对输入的风险评估对象的特征数据进行处理，得到N-1个累积概率值；根据所述连续N-1个风险等级的序列关系排列所述N-1个累积概率值，生成概率数组；风险等级输出模块，通过解析所述概率数组，输出所述风险评估对象的风险等级。
根据本公开的第三方面，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第二方面的数据处理方法及其可能的实施方式。
根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器通过执行所述可执行指令来实现上述第二方面的数据处理方法及其可能的实施方式。
本公开的技术方案具有以下有益效果：
一方面，通过N-1个回归模型进行特征数据处理，相比于相关技术中采用多分类模型将不同风险等级作为独立类别的方式，本方案可以有效地利用不同风险等级之间的序列关系，学习到不同风险等级之间的特征差异，从而提高风险等级确定结果的准确度，且通过N-1个回归模型的叠加，可以消除单一模型的波动性，使整个方法具有更强的鲁棒性和抗干扰能力。另一方面，回归模型采用累积概率的回归算法，可以将N个风险等级中某一等级两侧的特征区分开，利用两侧的特征差异实现概率回归，所得到的累积概率更加接近于真实情况，有利于得到准确的风险等级结果。再一方面，相关技术中采用的多分类模型，为了学习到针对于每种类别的深度特征，通常具有非常复杂的模型结构，数据处理量较大；而本方案拆分为N-1个回归模型，每个模型对应于一个风险等级的累积概率回归，能够简化模型结构，且最终的风险等级是通过N-1个回归模型输出的N-1个累积概率进行数组排列而确定的，计算过程简单，因此整个方法过程易于实现，数据处理量较小，实用性较高。
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方式，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方式，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示出本示例性实施方式中一种数据处理装置的结构图；
图2示出本示例性实施方式中一种确定风险等级的流程图；
图3示出本示例性实施方式中一种模型训练的流程图；
图4示出本示例性实施方式中一种回归模型的示意图；
图5示出本示例性实施方式中数据处理过程的示意图；
图6示出本示例性实施方式中一种数据处理方法的流程图；
图7示出本示例性实施方式中一种用于实现上述方法的电子设备。
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。
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。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本发明人发现，风险等级确定问题不同于一般的多分类问题，在风险等级确定中，不同风险等级之间、不同风险等级的特征之间，通常具有序列化的关系，例如第1风险等级、第2风险等级、第3风险等级并非彼此无关联的三个类别，而是具有一系列量化递进的关系。这导致采用传统的多分类方法处理风险等级确定问题的效果不好。
基于此，本公开的示例性实施方式提供一种数据处理装置，该装置的应用场景包括但不限于：通过对产品的加工数据、测试数据等进行处理，对产品失效风险等级进行评估；通过对投保对象的信息数据进行处理，实现保险核保的风险等级评定，进而确定合适的保险方案与费用；金融领域中对用户或企业的特征数据进行处理，实现违约风险、失信风险、经营风险、债务风险等的等级评估。
图1示出了本示例性实施方式的一种数据处理装置的结构图。如图1所示，该数据处理装置100可以包括：回归模型配置模块110、特征数据处理模块120、概率数组生成模块130和风险等级输出模块140。下面分别对每个模块进行具体说明。
回归模型配置模块110，用于配置预先训练的N-1个回归模型，N-1个回归模型对应于连续N-1个风险等级的累积概率回归。
其中，风险等级指预先设定的所有风险等级，例如在保险核保的场景中，一般将风险映射为5个等级，这5个等级均为上述风险等级；N为风险等级的总数，本示例性实施方式的风险等级确定主要指3个或3个以上等级的分级问题(只有两个等级时，该问题转化为二分类问题)，即N为不小于3的正整数。
回归模型是一类常用的机器学习模型，包括逻辑回归模型、线性回归模型等，与分类模型不同的是，回归模型的输出结果为连续值。本示例性实施方式可以预先训练N-1个回归模型，分别对应于连续N-1个风险等级的概率回归。将N-1个回归模型记为第1模型、第2模型、…、第N-1模型，将N个风险等级记为第1风险等级、第2风险等级、…、第N风险等级。在N个风险等级中，连续N-1个风险等级存在两种情况，则对应的N-1个回归模型具有两种设置方式：
方式一、上述连续N-1个风险等级为第2风险等级到第N风险等级(即不包含第1风险等级)，则有以下关系：
第1模型的输出表示对象为第2风险等级或高于第2风险等级的概率P1(或对象低于第2风险等级的概率P1'，P1+P1'＝1)；可见，该概率并非仅仅表示对象为第2风险等级的概率，包括了向上(或向下)所有等级的概率之和，因此称为累积概率，下同；
第2模型的输出表示对象为第3风险等级或高于第3风险等级的概率P2(或对象低于第3风险等级的概率P2'，P2+P2'＝1)；
第3模型的输出表示对象为第4风险等级或高于第4风险等级的概率P3(或对象低于第4风险等级的概率P3'，P3+P3'＝1)；
……
第N-1模型的输出表示对象为第N风险等级的概率PN-1(或对象低于第N风险等级的概率PN-1'，PN-1+PN-1'＝1)。
方式二、上述连续N-1个风险等级为第1风险等级到第N-1风险等级(即不包含第N风险等级)，则有以下关系：
第1模型的输出表示对象为第1风险等级的概率P1(或对象高于第1风险等级的概率P1'，P1+P1'＝1)；
第2模型的输出表示对象为第2风险等级或低于第2风险等级的概率P2(或对象高于第2风险等级的概率P2'，P2+P2'＝1)；
第3模型的输出表示对象为第3风险等级或低于第3风险等级的概率P3(或对象高于第3风险等级的概率P3'，P3+P3'＝1)；
……
第N-1模型的输出表示对象为第N-1风险等级或低于第N-1风险等级的概率PN-1(或对象高于第N-1风险等级的概率PN-1'，PN-1+PN-1'＝1)。
上述两种设置方式在原理上是相同的。以方式一中的第3模型进行说明：第3模型的输出表示对象为第4风险等级或高于第4风险等级的概率P3(或对象低于第4风险等级的概率P3'，P3+P3'＝1)，实质上是在对象低于第4风险等级和对象不低于第4风险等级这两个事件之间做概率回归。而一般的回归模型大多采用二分类的思路，在对象是第4风险等级和对象非第4风险等级两个事件做概率回归，其输出的并非累积概率。在风险等级评估问题中，模型通常难以准确地处理第4风险等级/非第4风险等级这样的问题，这是由于非第4风险等级中包含了第3风险等级、第5风险等级的特征，和第4风险等级相比，第3风险等级、第5风险等级之间一般不具有明显的共性，导致模型难以识别。这也是传统的多分类方法具有缺陷的原因，将N个风险等级中间的某一个等级单独拿出来，作为一种分类结果处理，模型难以将其和两侧相邻的其他等级区分开来，因此准确度较低。而在低于第4风险等级和不低于第4风险等级两事件之间做概率回归，相当于在各特别之间寻找分界线，是回归模型所擅长处理的问题。
需要说明的是，通过上述N-1个累积概率值可以计算出N个风险等级对应的概率值，因此无需设置N个回归模型，N-1个回归模型就能满足需求。
特征数据处理模块120，用于分别调用每个回归模型对输入的风险评估对象的特征数据进行处理，得到N-1个累积概率值。
其中，风险评估对象可以包括产品、投保对象等。风险评估对象的特征数据可以根据应用场景的实际情况，设计多个维度指标，特征数据的维度和回归模型的输入格式的设计应当是一致的。简而言之，如果特征数据包括M个指标，则回归模型的输入应当包括M个维度。在保险核保的场景中，风险等级评估对象为投保人，特征数据可以包括：投保人的身高、体重、年龄、血糖、高血压、B超检查项、既往投保次数、既往理赔次数、既往吸烟史、既往家族病史、既往个人病史等等。本示例性实施方式中，特征数据一般来源于外部的数据源，如可以从投保人的体检报告、健康问卷中抽取其特征数据，或者从不同数据源提取不同指标的数据，然后进行合并，得到维度完整的特征数据。
需要说明的是，在获取特征数据后，为了便于回归模型的处理，通常需要进行预处理，包括但不限于：去除无效、冗余字符，填充缺失字符，非数值型字符进行数值化映射，数值的离散化处理、归一化处理，结构化处理，向量化转换。
将上述特征数据分别输入每个回归模型，每个回归模型输出一个累积概率值，则得到N-1个累积概率值。这N-1个概率值的含义可以参考上述回归模型的设置方式一和二。
在一种可选的实施方式中，特征数据处理模块120，被配置为：
启用N-1个进程，每个进程分别用于调用一个回归模型对输入的风险评估对象的特征数据进行处理，如进程1调用第1模型，进程2调用第2模型；
并行运行上述N-1个进程，以得到N-1个累积概率值。由于N-1个模型的处理过程之间相互独立，通过并行运行N-1个进程，可以实现N-1个模型的同时处理，从而提高数据处理效率。
概率数组生成模块130，用于根据上述连续N-1个风险等级的序列关系排列上述N-1个累积概率值，生成概率数组。
可以按照上述连续N-1个风险等级的升序或降序排列对应的N-1个累积概率值，形成N-1元的数组。
举例说明，在保险核保的场景中，将风险划分为5个风险等级，分别以C1、C2、C3、C4、C5表示，风险等级从C1到C5逐渐升高。针对其中连续4个风险等级C2～C5，分别设置回归模型D1、D2、D3、D4(参考上述回归模型设置方式一)。将风险评估对象x的特征数据分别输入回归模型D1、D2、D3、D4，输出的累积概率值分别为P1、P2、P3、P4；则有表1所示的关系：
表1
在表1中，≥C2表示风险评估对象为第2风险等级或高于第2风险等级。根据风险等级C2～C5的顺序，排列累积概率值P1～P4，可以得到概率数组P＝{P1,P2,P3,P4}。
风险等级输出模块140，用于通过解析上述概率数组，输出风险评估对象的风险等级。
需要说明的是，概率数组中为累积概率值，而本示例性实施方式最终需要确定每个等级对应的单独概率，可以根据累计概率值之差计算每个等级对应的单独概率。
在一种可选的实施方式中，参考图2所示，风险等级输出模块140，被配置为执行以下步骤S210和S220：
步骤S210，计算概率数组中每相邻两个数值之间的差值，得到风险评估对象对应于N个风险等级的概率值；
步骤S220，将概率值最高的风险等级确定为风险评估对象的风险等级，并输出该风险等级。
其中，概率数组中N-1个数值进行相邻数值相减后，得到N-2个差值，可以通过两个端点值补充剩余的两个差值。具体来说，风险等级输出模块140，被配置为：在计算概率数组中每相邻两个数值之间的差值前，在概率数组的两端分别插入0和1。这样概率数组一共有N+1个数值，在进行相邻数值相减后，可以得到N个差值，刚好对应于N个风险等级。进一步的，风险等级输出模块140，可以被配置为：当概率数组中的数值为递增顺序时，在概率数组的起始端插入0，结束端插入1；当概率数组中的数值为递减顺序时，在概率数组的起始端插入1，结束端插入0。累积概率值是向上或向下包含的所有等级的概率之和，因而呈现出递增或递减的情况。例如在概率数组P＝{P1,P2,P3,P4}中，P1表示对象为第2风险等级或高于第2风险等级的累积概率，P2表示对象为第3风险等级或高于第3风险等级的累积概率……因此从P1到P4应当是递减顺序，可以在起始端插入1，结束端插入0，得到数组{1,P1,P2,P3,P4,0}。然后将相邻数值依次相减，有如下关系：
P(x＝C1)＝1-P1 (1)
P(x＝Ci)＝Pi-1-Pi (2)
P(x＝CN)＝PN-1 (3)
其中，P(x＝C1)表示风险评估对象x为风险等级C1的概率，i为1至N中的任意整数。上述公式(1)～(3)示出了计算风险评估对象对应于N个风险等级的概率值的方法，然后将其中概率值最高的风险等级确定为风险评估对象的风险等级(即最终结果)，如下公式(4)所示：
最大概率值所对应的i就是风险评估对象的风险等级。
下面结合图3对N-1个回归模型的训练过程进一步说明，回归模型配置模块110可以通过执行以下步骤S310至S330，训练并获得N-1个回归模型：
步骤S310，获取样本对象和样本对象的风险等级；
步骤S320，当样本对象为第K风险等级时，以第K风险等级为分割，设置样本对象对应于上述连续N-1个风险等级的累积概率标签，得到样本对象的N-1个标签；
步骤S330，以样本对象的特征数据为训练数据，结合样本对象的N-1个标签，分别训练N-1个初始的回归模型，以得到上述N-1个回归模型。
其中，样本对象可以采用已经完成风险等级评估的历史对象，例如在保险核保的场景中，可以收集大量的历史保单作为样本对象，这些历史保单已经被人为的进行了风险分级，即可以直接获取样本对象的风险等级。但是样本对象的等级无法直接地用作回归模型的标签，可以进行0/1的分割。具体而言，当样本对象为第K(K≤N)风险等级时，以第K风险等级为分割，将不高于第K风险等级的标签均设为1，将高于第K风险等级的标签均设为0，或者将低于第K风险等级的标签均设为0，将不低于第K风险等级的标签均设为1。
在一种可选的实施方式中，回归模型配置模块110，可以通过以下方式设置样本对象的N-1个标签：
当上述连续N-1个风险等级为第2风险等级到第N风险等级时，将样本对象对应于第2风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N风险等级的标签设置为0，得到样本对象的N-1个标签；
当上述连续N-1个风险等级为第1风险等级到第N-1风险等级时，将样本对象对应于第1风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N-1风险等级的标签设置为0，得到样本对象的N-1个标签。
以上述第一种情况举例来说，在保险核保的场景中，风险等级包括C1、C2、C3、C4、C5，其中连续4个风险等级为C2～C5。如果样本对象的风险等级是C3，则其N-1个标签分别为：
对应风险等级C2的标签为：1；
对应风险等级C3的标签为：1；
对应风险等级C4的标签为：0；
对应风险等级C5的标签为：0。
如果样本对象的风险等级是C2，则其N-1个标签分别为：
对应风险等级C2的标签为：1；
对应风险等级C3的标签为：0；
对应风险等级C4的标签为：0；
对应风险等级C5的标签为：0。
提取样本对象的特征数据，作为训练数据(可以经过一定的预处理形成样本向量)。将样本向量和N-1个标签分别组成N-1组数据，对应于N-1个回归模型，然后分别进行训练。
需要说明的是，本公开对于N-1个回归模型的具体结构不做限定，由于各个模型的处理过程相似，因此可以初始设置为相同的结构与参数，采用不同的数据进行训练(主要是标签不同)。最终得到N-1个回归模型。
在一种可选的实施方式中，N-1个回归模型均可以采用神经网络回归模型的形式。参考图4所示，每个神经网络回归模型可以包括：
输入层，用于输入风险评估对象的特征数据x，若特征数据具有m个指标，则输入层具有m个神经元。
至少一个中间层，用于对特征数据进行加权计算，得到中间数据y，y＝x*w+b。其中w为权重(weight)，b为偏置(bias)，中间层的运算过程属于典型的回归算法。也可以设置多个中间层，每一层进行上述加权计算，但不同层的权重和偏置是不同的。
输出层，用于对中间数据y的激活值进行求和计算，以输出累积概率值z，z＝SUM(ReLU(y))。其中，中间数据y的激活值可以通过ReLU(Rectified Linear Unit，修正线性单元)或Sigmoid函数(S型生长函数)等方式计算得到。在风险等级评估中，如果各维度的特征数据均为正值，采用ReLU进行激活可以实现较好的泛化效果，且计算量较小。中间层的每个神经元输出的中间数据经过激活后，在输出层进行求和，得到累积概率值。
上述神经网络回归模型的结构简单，在训练过程中可以根据实际需求进行结构的更改以及参数的调节。
基于神经网络回归模型的处理方式，图5示出了本示例性实施方式对数据进行处理的示意性流程。假设风险等级的数量为5，设置4个回归模型，分别为回归模型1～4，将风险评估对象x的特征数据输入这4个回归模型，分别输出对应的累积概率值P1～P4，再经过排序，采用上述公式(1)～(3)计算x对应于5个风险等级的概率值，最后采用上述公式(4)计算出L(x)对应的i值，即风险评估对象所属的风险等级，完成风险等级确定的过程。
在一种可选的实施方式中，数据处理装置100还可以包括：
调度模块(图中未示出)，用于将风险评估对象的特征数据转发至与其风险等级相对应的业务服务器，使该业务服务器处理该风险评估对象的业务。由此，通过对风险评估对象进行风险分级，相当于在前端对业务进行了分类，每个风险等级的风险评估对象的业务分为一类，由特定的一台业务服务器(或特定的一个业务服务器集群)处理，从而在前端实现了业务的分流与均衡，进一步提高后端业务处理的效率。
综上所述，本示例性实施方式中，一方面，通过N-1个回归模型进行特征数据处理，相比于相关技术中采用多分类模型将不同风险等级作为独立类别的方式，本方案可以有效地利用不同风险等级之间的序列关系，学习到不同风险等级之间的特征差异，从而提高风险等级确定结果的准确度，且通过N-1个回归模型的叠加，可以消除单一模型的波动性，使整个方法具有更强的鲁棒性和抗干扰能力。另一方面，回归模型采用累积概率的回归算法，可以将N个风险等级中某一等级两侧的特征区分开，利用两侧的特征差异实现概率回归，所得到的累积概率更加接近于真实情况，有利于得到准确的风险等级结果。再一方面，相关技术中采用的多分类模型，为了学习到针对于每种类别的深度特征，通常具有非常复杂的模型结构，数据处理量较大；而本方案拆分为N-1个回归模型，每个模型对应于一个风险等级的累积概率回归，能够简化模型结构，且最终的风险等级是通过N-1个回归模型输出的N-1个累积概率进行数组排列而确定的，计算过程简单，因此整个方法过程易于实现，数据处理量较小，实用性较高。
本公开的示例性实施方式还提供一种数据处理方法。如图6所示，该数据处理方法可以包括以下步骤S610至S640：
步骤S610，配置预先训练的N-1个回归模型，该N-1个回归模型对应于连续N-1个风险等级的累积概率回归，N为风险等级的总数，N≥3；
步骤S620，分别调用每个回归模型对输入的风险评估对象的特征数据进行处理，得到N-1个累积概率值；
步骤S630，根据上述连续N-1个风险等级的序列关系排列上述N-1个累积概率值，生成概率数组；
步骤S640，通过解析概率数组，输出风险评估对象的风险等级。
在一种可选的实施方式中，上述N-1个回归模型，通过以下方式训练得到：
获取样本对象和样本对象的等级；
当样本对象为第K风险等级时，以第K风险等级为分割，设置样本对象对应于上述连续N-1个风险等级的累积概率标签，得到样本对象的N-1个标签，K≤N；
以样本对象的特征数据为训练数据，结合样本对象的N-1个标签，分别训练N-1个初始的回归模型，以得到N-1个回归模型。
在一种可选的实施方式中，在设置样本对象的标签时，当上述连续N-1个风险等级为第2风险等级到第N风险等级时，将样本对象对应于第2风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N风险等级的标签设置为0，得到样本对象的N-1个标签；当上述连续N-1个风险等级为第1风险等级到第N-1风险等级时，将样本对象对应于第1风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N-1风险等级的标签设置为0，得到样本对象的N-1个标签。
在一种可选的实施方式中，上述N-1个回归模型均为神经网络回归模型。其中，每个神经网络回归模型包括：
输入层，用于输入风险评估对象的特征数据；
至少一个中间层，用于对特征数据进行加权计算，得到中间数据；
输出层，用于对中间数据的激活值进行求和计算，以输出累积概率值。
进一步的，上述中间数据的激活值可以通过修正线性单元计算得到。
在一种可选的实施方式中，步骤S620可以包括：
启用N-1个进程，每个进程分别用于调用一个回归模型对输入的风险评估对象的特征数据进行处理；
并行运行上述N-1个进程，以得到N-1个累积概率值。
在一种可选的实施方式中，步骤S640可以包括：
计算概率数组中每相邻两个数值之间的差值，得到风险评估对象对应于N个风险等级的概率值；
将概率值最高的风险等级确定为风险评估对象的风险等级，并输出该风险等级。
进一步的，在计算概率数组中每相邻两个数值之间的差值前，还可以在概率数组的两端分别插入0和1。
更进一步的，当概率数组中的数值为递增顺序时，在概率数组的起始端插入0，结束端插入1；当概率数组中的数值为递减顺序时，在概率数组的起始端插入1，结束端插入0。
在一种可选的实施方式中，在步骤S640后，还可以将风险评估对象的特征数据转发至与其风险等级相对应的业务服务器，使该业务服务器处理该风险评估对象的业务。
上述方法流程中各步骤的具体细节在装置部分实施方式中已经详细说明，因而不再赘述。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
本公开的示例性实施方式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。在一些可能的实施方式中，本公开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，当程序产品在电子设备上运行时，程序代码用于使电子设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。该程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在电子设备，例如个人电脑上运行。然而，本公开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。
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公开操作的程序代码，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)。
本公开的示例性实施方式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来描述根据本公开的这种示例性实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施方式的功能和使用范围带来任何限制。
如图7所示，电子设备700可以以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、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和显示单元740。
存储单元720存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元710可以执行图2、图3或图6中任意一个或多个方法步骤。
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800(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760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、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。
此外，上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施方式，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。
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方式。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。说明书和实施方式仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种数据处理装置，其特征在于，包括：
回归模型配置模块，用于配置预先训练的N-1个回归模型，所述N-1个回归模型对应于连续N-1个风险等级的累积概率回归，N为风险等级的总数，N≥3；
特征数据处理模块，用于分别调用每个所述回归模型对输入的风险评估对象的特征数据进行处理，得到N-1个累积概率值；
概率数组生成模块，用于根据所述连续N-1个风险等级的序列关系排列所述N-1个累积概率值，生成概率数组；
风险等级输出模块，用于通过解析所述概率数组，输出所述风险评估对象的风险等级。
2.根据权利要求1所述的装置，其特征在于，所述回归模型配置模块，被配置为通过以下方式训练并得到所述N-1个回归模型：
获取样本对象和所述样本对象的风险等级；
当所述样本对象为第K风险等级时，以第K风险等级为分割，设置所述样本对象对应于所述连续N-1个风险等级的累积概率标签，得到所述样本对象的N-1个标签，K≤N；
以所述样本对象的特征数据为训练数据，结合所述样本对象的N-1个标签，分别训练N-1个初始的回归模型，以得到所述N-1个回归模型。
3.根据权利要求2所述的装置，其特征在于，所述回归模型配置模块，被配置为通过以下方式设置所述样本对象的标签：
当所述连续N-1个风险等级为第2风险等级到第N风险等级时，将所述样本对象对应于第2风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N风险等级的标签设置为0，得到所述样本对象的N-1个标签；
当所述连续N-1个风险等级为第1风险等级到第N-1风险等级时，将所述样本对象对应于第1风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N-1风险等级的标签设置为0，得到所述样本对象的N-1个标签。
4.根据权利要求1所述的装置，其特征在于，所述N-1个回归模型均为神经网络回归模型；其中，每个所述神经网络回归模型包括：
输入层，用于输入所述风险评估对象的特征数据；
至少一个中间层，用于对所述特征数据进行加权计算，得到中间数据；
输出层，用于对所述中间数据的激活值进行求和计算，以输出累积概率值。
5.根据权利要求4所述的装置，其特征在于，所述中间数据的激活值通过修正线性单元计算得到。
6.根据权利要求1所述的装置，其特征在于，所述特征数据处理模块，被配置为：
启用N-1个进程，每个进程分别用于调用一个所述回归模型对输入的风险评估对象的特征数据进行处理；
并行运行所述N-1个进程，以得到N-1个累积概率值。
7.根据权利要求1所述的装置，其特征在于，所述风险等级输出模块，被配置为：
计算所述概率数组中每相邻两个数值之间的差值，得到所述风险评估对象对应于所述N个风险等级的概率值；
将所述概率值最高的风险等级确定为所述风险评估对象的风险等级，并输出所述风险评估对象的风险等级。
8.根据权利要求7所述的装置，其特征在于，所述风险等级输出模块，被配置为：
在计算所述概率数组中每相邻两个数值之间的差值前，在所述概率数组的两端分别插入0和1。
9.根据权利要求8所述的装置，其特征在于，所述风险等级输出模块，被配置为：
当所述概率数组中的数值为递增顺序时，在所述概率数组的起始端插入0，结束端插入1；
当所述概率数组中的数值为递减顺序时，在所述概率数组的起始端插入1，结束端插入0。
10.根据权利要求1所述的装置，其特征在于，还包括：
调度模块，用于将所述风险评估对象的特征数据转发至与所述风险评估对象的风险等级相对应的业务服务器，使所述业务服务器处理所述风险评估对象的业务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485896.2A CN111652504A (zh) | 2020-06-01 | 2020-06-01 | 数据处理装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485896.2A CN111652504A (zh) | 2020-06-01 | 2020-06-01 | 数据处理装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652504A true CN111652504A (zh) | 2020-09-11 |
Family
ID=72349891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010485896.2A Pending CN111652504A (zh) | 2020-06-01 | 2020-06-01 | 数据处理装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652504A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246031A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 企业信用的评估方法、系统、设备及存储介质 |
| 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 |
| CN110610412A (zh) * | 2019-09-02 | 2019-12-24 | 深圳中兴飞贷金融科技有限公司 | 信用风险评估方法和装置、存储介质和电子设备 |
| CN110909963A (zh) * | 2018-09-14 | 2020-03-24 | 中国软件与技术服务股份有限公司 | 一种信用评分卡模型训练方法及纳税人非正常风险评估方法 |
-
2020
- 2020-06-01 CN CN202010485896.2A patent/CN111652504A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909963A (zh) * | 2018-09-14 | 2020-03-24 | 中国软件与技术服务股份有限公司 | 一种信用评分卡模型训练方法及纳税人非正常风险评估方法 |
| CN110246031A (zh) * | 2019-06-21 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 企业信用的评估方法、系统、设备及存储介质 |
| 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 |
| CN110610412A (zh) * | 2019-09-02 | 2019-12-24 | 深圳中兴飞贷金融科技有限公司 | 信用风险评估方法和装置、存储介质和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| HAORAN: "吴恩达神经网络和深度学习课程总结二：浅层神经网络" * |
| 姚宏刚: "累积Logistic回归模型在住房抵押贷款风险等级评估中的应用" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| Sha et al. | Interpretable predictions of clinical outcomes with an attention-based recurrent neural network | |
| Johnson et al. | Responsible artificial intelligence in healthcare: Predicting and preventing insurance claim denials for economic and social wellbeing | |
| CN109766557B (zh) | 一种情感分析方法、装置、存储介质及终端设备 | |
| US20180285969A1 (en) | Predictive model training and selection for consumer evaluation | |
| Ionescu et al. | Overview of the ImageCLEF 2022: Multimedia retrieval in medical, social media and nature applications | |
| CN112883714B (zh) | 基于依赖图卷积和迁移学习的absc任务句法约束方法 | |
| US11379685B2 (en) | Machine learning classification system | |
| US11900250B2 (en) | Deep learning model for learning program embeddings | |
| US20220414470A1 (en) | Multi-Task Attention Based Recurrent Neural Networks for Efficient Representation Learning | |
| CN112256866A (zh) | 一种基于深度学习的文本细粒度情感分析方法 | |
| CN113283795B (zh) | 基于二分类模型的数据处理方法及装置、介质、设备 | |
| CN111062442B (zh) | 解释业务处理模型的业务处理结果的方法和装置 | |
| Swetha et al. | Leveraging Scalable Classifier Mining for Improved Heart Disease Diagnosis | |
| CN117476215A (zh) | 一种基于ai的医疗辅助判别方法及判别系统 | |
| CN112789636A (zh) | 信息处理装置、信息处理方法和程序 | |
| CN111652504A (zh) | 数据处理装置 | |
| US11809826B2 (en) | Assertion detection in multi-labelled clinical text using scope localization | |
| CN114429822A (zh) | 病历质检方法、装置和存储介质 | |
| US20210004671A1 (en) | Automated data slicing based on an artificial neural network | |
| Sharma | Heart diseases prediction using hybrid ensemble learning | |
| Naseem et al. | Graph learning with label attention and hyperbolic embedding for temporal event prediction in healthcare | |
| Subashini et al. | Multimodal deep learning for chronic kidney disease prediction: leveraging feature selection algorithms and ensemble models | |
| Havtorn | Uncertainty and the Medical Interview: Towards Self-Assessment in Machine Learning Models | |
| Vanderheyden et al. | Ordinal Hyperplane Loss |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |
|
| RJ01 | Rejection of invention patent application after publication |