CN111813399A - 基于机器学习的审核规则处理方法、装置及计算机设备 - Google Patents

Abstract

本申请公开了一种基于机器学习的审核规则处理方法、装置及计算机设备，涉及人工智能技术领域。其中方法包括：首先获取待审核案件的特征信息；将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识；然后根据所述目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及所述预设编程代码模板之间的预设调用顺序；基于所述预设编程代码模板和所述预设调用顺序，生成目标审核规则；最后利用所述目标审核规则，对所述待审核案件进行审核处理。本申请可通过人工智能+机器学习技术，快速准确给出待审核案件相应的案件审核规则，可提高案件审核的效率和准确性。

Description

基于机器学习的审核规则处理方法、装置及计算机设备

技术领域

本申请涉及人工智能技术领域，尤其是涉及到一种基于机器学习的审核规则处理方法、装置及计算机设备。

背景技术

随着医疗保险覆盖面的扩大，保障水平的提高、服务便利性的提升，在利益驱动下，一些不法分子违规操作套取医保基金，可利用假发票、假单据骗取医保基金、重复就诊重复开药、冒用他人医保证件就医、购药等等。不仅严重干扰了医疗保险制度的正常运行，并且危害医保基金的安全，损害了参保人利益。

为了解决上述问题，目前可通过人工编写制定相应的审核规则，然后按照审核规则中的审核流程，审核出目标案件是否存在医保滥用行为。

然而，在传统意义上这些审核规则都是人工编辑固定的代码逻辑，即针对每一套审核规则都对应人工编写一套固定的程序代码，来参照实现后续的案件审核，这样对操作人员专业性要求较高且操作繁琐，不仅增加了人工成本，而且还影响了后续的案件审核效率。并且随着违规手段更隐蔽、更不易察觉，针对不同特征的案件，人工判别制定对应的审核规则进行审核，难免不会造成误差，从而影响了审核准确性。

发明内容

有鉴于此，本申请提供了一种基于机器学习的审核规则处理方法、装置及计算机设备，主要目的在于改善目前通过人工编辑固定代码逻辑的方式制定审核规则，会增加人工成本，影响后续的案件审核效率和准确性的技术问题。

根据本申请的一个方面，提供了一种基于机器学习的审核规则处理方法，该方法包括：

获取待审核案件的特征信息；

将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，其中不同的样本特征信息都有各自对应的审核规则标识；

根据所述目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及所述预设编程代码模板之间的预设调用顺序；

基于所述预设编程代码模板和所述预设调用顺序，生成目标审核规则；

利用所述目标审核规则，对所述待审核案件进行审核处理。

根据本申请的另一个方面，提供了一种基于机器学习的审核规则处理装置，该装置包括：

获取模块，用于获取待审核案件的特征信息；

匹配模块，用于将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，其中不同的样本特征信息都有各自对应的审核规则标识；

所述获取模块，还用于根据所述目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及所述预设编程代码模板之间的预设调用顺序；

生成模块，用于基于所述预设编程代码模板和所述预设调用顺序，生成目标审核规则；

审核模块，用于利用所述目标审核规则，对所述待审核案件进行审核处理。

根据本申请的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于机器学习的审核规则处理方法。

根据本申请的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于机器学习的审核规则处理方法。

借由上述技术方案，本申请提供的一种基于机器学习的审核规则处理方法、装置及计算机设备。与目前通过人工编辑固定代码逻辑的方式制定审核规则相比，本申请可通过人工智能+机器学习技术，将待审核案件的特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，进而根据该目标审核规则标识，基于所涉及的各个组件对应的预设编程代码模板，以及预设编程代码模板之间的预设调用顺序，生成目标审核规则对待审核案件进行审核处理。整个过程可快速准确给出该待审核案件相应的案件审核规则，可提高案件审核的效率和准确性。并且针对每一套审核规则，无需对应人工编写一套固定的程序代码，可由机器侧智能化生成适合该待审核案件的审核规则内容，因此可大大降低操作人员专业性要求，操作更加简单化，可节省人工成本。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种基于机器学习的审核规则处理方法的流程示意图；

图2示出了本申请实施例提供的另一种基于机器学习的审核规则处理方法的流程示意图；

图3示出了本申请实施例提供的一种基于机器学习的审核规则处理装置的流程示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。

针对改善目前通过人工编辑固定代码逻辑的方式制定审核规则，会增加人工成本，影响后续的案件审核效率和准确性的技术问题。本实施例提供了一种基于机器学习的审核规则处理方法，如图1所示，该方法包括：

101、获取待审核案件的特征信息。

其中，待审核案件可为与具体审核业务相关的案件。例如，在游戏开发的过程中，待审核案件可为需要对游戏中具有各类暴力倾向、带有不健康色彩的词或者不文明用语等进行过滤审核的案件，进而通过本实施例方法可准确找到相应适合的审核规则。再例如，待审核案件还可为需要审核是否存在医保滥用行为的医保案件等。

本实施例中可首先获取待审核案件的案件信息(如可包含待审核案件的基本信息等)，然后将该案件信息进行结构化数据拆解，确定该待审核案件的特征信息。例如，对于医疗保险类业务的审核案件，获取案件信息，并按照年龄、疾病、就诊医院、户籍地址、家庭住址、职业、公司地址、是否有特殊待遇(大病/门慢/门特/失能)、险种类别(居民/职工/退休干部)等进行拆解，进而确定待审核案件的特征信息。

对于本实施例的执行主体可为审核规则处理的装置或设备，可配置在负责案件审核的客户端或服务端侧，可基于人工智能+机器学习技术，快速准确给出该待审核案件相应的案件审核规则，可提高案件审核的效率和准确性。

102、将获取到的特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识。

其中，不同的样本特征信息都有各自对应的审核规则标识。样本案件可为历史大数据中与待审核案件属于同一业务类型或相似业务类型的案件。在本实施例中，可预先编辑不同的样本案件特征所分别对应的审核规则标识(系统可根据该审核规则标识，生成对应的审核规则)，然后基于人工智能+机器学习技术，将待审核案件的特征信息与这些样本特征进行匹配，并根据相似度计算和设定的预设阈值，找到相似度大于一定阈值的、且最为相似的目标样本特征，然后将目标样本特征对应的目标审核规则，作为该待审核案件对应的审核规则，参见步骤103至104所示，具体可根据目标审核规则标识确定得到该目标审核规则。

103、根据目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及预设编程代码模板之间的预设调用顺序。

其中，每个组件调用都有各自相应的预设编程代码模板。本实施例中可包含基础类组件、指标类组件、逻辑类组件、业务类组件等，不同的业务都有各自对应的一套组件，具体的组件内容可根据业务需求进行预先编辑设置。本实施例通过将规则审核逻辑拆解、分类，形成多样化的审核判断逻辑；便于构建审核规则逻辑。

例如，在获取医疗保险类业务的案件审核规则时，基础类组件可包括参保人组件、医疗机构组件、就诊机构组件、就诊组件、单据组件等，对参保人在就诊过程中常用的一些属性进行组合，方便业务规则编辑岗人员在操作的时候来回使用鼠标拖拽点击，减轻其日常操作动作和重复性；指标组件库可包括参保人指标、医疗机构指标、进销存指标等；对参保人在就诊过程中常用的一些业务指标进行组合，降低业务规则编辑岗人员在编辑指标类规则的复杂度，带来良好用户体验；逻辑组件库包括单组监控组件、依赖项目组件、除外组件等；此部分组件将常用的一些审核逻辑进行打包组合，方便业务规则编辑岗人员在编辑一些有固定逻辑的审核规则时进行复用，减少其日常操作重复性；业务组件库：包括分解住院组件、中成药超标组件等；将目前使用效果较好且复杂的审核逻辑进行组装、减轻在新项目上线前业务规则编辑岗人员规则配置的工作压力。

104、基于获取到的预设编程代码模板和预设调用顺序，生成目标审核规则。

例如，可根据该案件的特征信息，获取需要配置的规则参数，然后填写在这些预设编程代码模板中对应的待填写参数位置，生成可被执行的编程代码，并按照预设调用顺序，调整这些可被执行的编程代码，使得整套编程代码被执行时，按照这些组件之间的调用顺序来执行，进而生成具体的审核规则。

105、利用生成到的目标审核规则，对待审核案件进行审核处理。

例如，根据目标审核规则，可输出待审核案件的审核步骤与审核要点等，后续根据每个审核步骤的处理结果，自动匹配核对该待审核案件是否审核成功，在审核成功后，即这些审核步骤中必要的审核步骤都执行完毕后，可输出相应的审核结果(如该医疗保险类业务的案件是否存在医保滥用的行为等)等。

通过本实施例中的基于机器学习的审核规则处理方法，与目前通过人工编辑固定代码逻辑的方式制定审核规则相比，本实施例可通过人工智能+机器学习技术，将待审核案件的特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，进而根据该目标审核规则标识，基于所涉及的各个组件对应的预设编程代码模板，以及预设编程代码模板之间的预设调用顺序，生成目标审核规则对待审核案件进行审核处理。整个过程可快速准确给出该待审核案件相应的案件审核规则，可提高案件审核的效率和准确性。并且针对每一套审核规则，无需对应人工编写一套固定的程序代码，可由机器侧智能化生成适合该待审核案件的审核规则内容，因此可大大降低操作人员专业性要求，操作更加简单化，可节省人工成本。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例中的具体实施过程，提供了另一种基于机器学习的审核规则处理方法，如图3所示，该方法包括：

201、创建模型训练集。

其中，训练集中包含不同的样本特征信息，以及这些样本特征信息分别对应的审核规则标识(可根据历史大数据中具有不同特征的审核案件最终使用的审核规则来确定)。该模型训练集用于训练得到机器学习模型。本实施例中可利用机器学习模型来辅助匹配到待审核案件合适的审核规则，即参考历史大数据找到当前待审核案件合适的目标审核规则。

为了得到数据准确的模型训练集，提高模型训练的效率。可选的，步骤201具体可包括：获取样本案件的原始特征信息；再按照无量纲化、和/或定量、和/或定性的分类标准，获取原始特征信息中的各特征信息的特征类型；然后利用这些特征类型各自对应的处理规则，对原始特征信息进行特征筛选，得到初步特征信息；然后再根据特征之间的相关性，对初步特征信息进行过滤，得到样本案件的样本特征信息；最后创建样本特征信息各自对应的审核规则标识，以建立模型训练集。

样本案件的原始特征信息可包含样本案件对应样本用户的年龄、疾病、就诊医院、户籍地址、家庭住址、职业、公司地址、是否有特殊待遇(大病/门慢/门特/失能)、险种类别(居民/职工/退休干部)等。由于样本案件的原始特征中可能包含大量无用、重复的冗余特征，这些对模型训练效果非但没有提升，反而会影响训练时间和模型计算准确率。因此在针对样本案件获取得到其对应的样本案件特征后，可将该样本案件特征进行数据清洗、特征提取、缺失值填充、异常值处理等，得到结构化的样本案件特征(即去除对训练无用的特征数据，找到符合训练标准的特征数据)，具体可利用原始特征信息中的各特征信息的特征类型各自对应的处理规则，对原始特征信息进行特征筛选，得到初步特征信息；然后再根据特征之间的相关性，对初步特征信息进行过滤，得到样本案件的样本特征信息。

进一步可选的，利用特征类型各自对应的处理规则，对原始特征信息进行特征筛选，得到初步特征信息，具体可包括：若第一特征信息为无量纲化的特征信息，则对第一特征信息作标准化和/或归一化处理；若第二特征信息为定量的特征信息，则对第二特征信息作二值化处理；若第三特征信息为定性的特征信息，则对第三特征信息作哑编码处理。

例如，对于年龄、性别、姓名、身份证号等的无量纲化的样本特征，相当于没有或者没办法用具体的单位去量化的特征，可将该特征进行标准化和归一化处理，如用户姓名可包含多种形式(如曾用名、姓名、姓名拼音、或者其他标识等)，实际上这些都对应同一用户的姓名标识，因此可将这些实质同一内容但存在多个不同形式的特征进行标准化与归一化处理，代表该用户的姓名，并且避免同名用户的出现，可结合年龄、性别、身份证号等，得到该同一内容唯一对应的标准格式特征。如用户年龄36、性别男(01)、身份号开头六位和后四位为560103**0666，那么可得到该唯一标识为36015601030666896，其中，896为姓名对应的标识。

再例如，对于是否有特殊待遇等定量的样本特征，可将该样本特征进行赋值处理。如没有特殊待遇则为000；有特殊待遇且为大病类型则为0011；有特殊待遇且为门慢类型则为0012；有特殊待遇且为门特类型则为0013等。

再例如，对于险种类别等定性的样本特征，可将该样本特征进行哑编码处理。如将每一个数据编码成n维的向量，向量的维度是非重复数据的个数。比如定性的原始数据是4个，分别为A B C B，则有3个不同的数字，则将每个数据编码为一个三维向量。如果用第一维表示A，第二维表示B，第三维表示C，则：A的编码：[1 0 0]；B的编码：[0 1 0]；C的编码：[00 1]。从而这4个定性的原始数据可表示为{[1 0 0]、[0 1 0]、[0 0 1]、[0 1 0]}。通过哑编码处理，将样本原始特征中不是数字的特征，也能转化为简化的数字特征来代替，不仅能简化特征提取，提高特征提取效率，而且还能便于后续计算机处理。进而解决分类器不好处理属性数据的问题，也在一定程度上也起到了扩充特征的作用。

除了上述几个特征筛选的实例以外，由于有些特征实质是相关的，即通过一个特征可推导出与其相关的另一个特征，例如，户口所在地可从身份证号的前六位推算得到，所以在特征提取之后可计算特征之间的相关性(如皮尔森相关系数计算)，去除具有强相关性的两个特征中的一个，如去除户口所在地。经过这些特征提取处理后，可去除样本案件的原始特征中的大量无用、重复的冗余特征，可提高后续模型训练的效率与准确性。

在经过上述这些特征提取优化操作之后，根据不同的样本案件新特征，创建各自对应的审核规则标识(每个审核规则标识都预先编辑好各自对应的具体审核规则内容)；根据不同的样本案件新特征，以及不同的样本案件新特征各自对应的审核规则标识，建立模型训练集。

202、基于创建得到的训练集，利用机器学习算法训练得到机器学习模型。

其中，机器学习算法可包括随机森林、决策树、卷积神经网络等算法，具体可根据实际需求确定。模型训练过程中，需要对每次训练后得到的模型进行测试，在测试达标后，方可作为合格的机器学习模型来使用。

为了保证模型的计算准确性，可选的，步骤202具体可包括：首先基于创建得到的训练集，利用多个不同的机器学习算法训练得到多个子模型；然后按照这些子模型分别对应的测试准确率，配置多个子模型分别对应的权重值，如测试准确率越高其权重值越大，而测试准确率越低其权重值越小；最后将带有权重值的多个子模型进行融合处理，得到机器学习模型。

例如，在具体的训练过程中，将模型训练集划分为多个子训练集，如分为10个子训练集，并编号为1至10；从中随机选择8个子训练集，基于随机森林算法训练得到随机森林模型，其中将剩余的2个子训练集作为测试集，当训练得到的随机森林模型符合测试集的测试标准之后，认为随机森林模型训练完毕；如果训练得到的随机森林模型不符合测试集的测试标准，则重新从10个随机选择8个子训练集继续进行模型训练，并将剩余的2个子训练集作为新的测试集，进行模型训练测试。如果仍然不符合测试标准，则重复选择另外的8个子训练集进行继续训练，并按照新的测试集(由最新剩余的2个子训练组成)进行测试，直至使得训练得到模型符合测试要求，其中每一次选择时要与之前选择的子训练集有所区分。

按照上述同样的方式，训练得到符合测试标准的决策树模型和卷积神经网络模型等。最后将得到的各个符合测试标准的模型进行融合处理，得到本实施例中的机器学习模型。具体的融合处理的方式可包括：将这些个模型得到的结果进行加权计算，如模型A、B、C、D分别对应的权重为1.1、1.3、1.0、1.6(根据历史计算的准确率进行预先配置)，如果模型A、B、C、D分别得到的计算结果为审核规则标识1、1、3、1，那么本实施例中机器学习模型计算得到的结果为审核规则标识1。

203、获取待审核案件的特征信息，将待审核案件的特征信息输入到机器学习模型中，输出与待审核案件特征信息之间相似度大于预设阈值的样本特征信息所对应的目标审核规则标识。

具体可将待审核案件的案件特征输入到该机器学习模型中，以便将待审核案件的特征信息与这些样本特征进行匹配，找到最为相似的目标样本特征，然后将目标样本特征对应的审核规则标识，作为模型输出结果，后续可根据该审核规则标识找到对应的目标审核规则，进而作为该待审核案件对应的审核规则。

可选的，步骤203具体可包括：将特征信息分别输入到多个子模型中，获取多个子模型分别输出的审核规则标识，并结合多个子模型分别对应的权重值，确定得到目标审核规则标识。通过这种方式，可结合多个不同机器学习算法的模型，参照他们各自的计算优势，综合计算得到最为准确的计算结果，可提高审核规则匹配的精确度，进而可提高案件审核的效率。

同样的，待审核案件的案件特征中也可能会存在大量的冗余特征。因此在将待审核案件的案件特征输入到模型之前，可进行如步骤201中可选方式所示的数据清洗、特征提取、缺失值填充、异常值处理等，得到结构化的案件特征。然后将处理后的该案件新特征输入到机器学习模型中，即输入到上面训练得到的各个符合测试的模型(如随机森林模型、决策树模型和卷积神经网络模型等)中。以其中一个模型为例，将待审核案件的案件特征与该模型中的样本特征进行匹配，找到相似度最大的样本特征所对应的标签信息，作为该模型计算得到的结果。以相同方式，计算得到各个模型的计算结果之后，按照步骤202中提及的模型各自对应的权重值，最终计算得到机器学习模型的计算结果并进行输出。如A、B、C、D、E分别对应的权重为1.1、1.3、1.0、1.6、1.8(根据历史计算的准确率进行预先配置)，如果模型A、B、C、D、E分别得到的计算结果为审核规则标识1、2、1、2、2，那么本实施例中机器学习模型计算得到的结果为审核规则标识2。最后找到审核规则标识2对应的目标审核规则，作为该待审核案件对应的审核规则。

如果输出的结果不是很合适，即未找到合适的审核规则，则进一步可更新创建合适的审核规则。系统后台可记录该新创建的审核规则，该审核规则的标识(新创建)以及记录该标识对应的本待审核案件的案件特征，以便进一步完善模型的训练集，利用新的训练集再次对机器学习模型进行训练，方便下次再遇到相同或相似的待审核案件时，可准确给出相应的审核规则。

204、根据模型计算得到的目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及预设编程代码模板之间的预设调用顺序。

其中，每个组件对应的预设编程代码模板，以及针对不同审核规则下，涉及的各个组件对应预设编程代码模板之间的预设调用顺序可根据实际业务需求预先配置。

205、在预设编程代码模板填写对应的待填写规则参数，生成可被执行的编程代码。

206、按照预设调用顺序，调整可被执行的编程代码，使得整套编程代码被执行时，按照各个组件之间的调用顺序来执行，以生成目标审核规则。

通过这种审核规则适配生成方式，无需人工编写每一审核规则对应固定的代码，可由装置侧自动匹配生成与待审核案件对应的审核规则，可节省人工成本，提高案件审核效率。

对于本实施例，为了方便用户查看具体的审核规则内容，以及方便用户进行更新配置，本实施例还可创建可视化规则配置工具，以便利用该可视化规则配置工具进行审核规则编辑，以解决目前人工编辑代码生成审核规则的传统方式，会对操作人员专业性要求高，且操作繁琐，学习成本高等的技术问题。

创建可视化规则配置工具的过程具体可包括：首先创建规则配置工具包含的组件库，如步骤103中所示的基础类组件库、指标类组件库、逻辑类组件库、业务类组件库等；然后创建规则配置工具对应的工作画布，具体通过对上述各个组件(如基础类组件库、指标类组件库、逻辑类组件库、业务类组件库中的各个组件)按照规则配置的流程进行流程排布后，从业务层面来说将整个规则审核逻辑更直观的展示给用户，无需查看规则代码逻辑，同时使用户编辑规则时思路更清晰；再配置规则配置工具对应的规则参数，具体可对上述各个组件(如基础组件库、指标组件库、逻辑组件库、业务组件库中的各个组件)进行多套参数配置，以满足不同的监管场景需求。在本实施例中，每个组件多套参数配置逻辑使得组件与组件之间的关系更灵活可变，适应不同的监管场景。

在创建得到可视化规则配置工具之后，用户可利用本可视化规则配置工具进行审核规则配置与更新等。例如，在具体的审核规则配置中，用户可利用本可视化规则配置工具进行审核规则配置，工具后台根据配置操作所涉及到的组件以及用户配置的规则参数，可自动转换为编程代码，进而生成具体的审核规则。例如，每个组件调用都有各自相应的预设编程代码模板，然后工具后台获取配置操作所涉及到的组件，以及组件之间的调用顺序；根据工具后台获取到的所涉及到的组件，获取这些组件各自对应的预设编程代码模板，然后根据这些组件之间的调用顺序，确定这些预设编程代码模板之间的使用顺序；按照用户配置的规则参数，填写这些预设编程代码模板中对应的待填写参数位置，生成可被执行的编程代码，并按照这些预设编程代码模板之间的使用顺序，调整这些可被执行的编程代码，使得整套编程代码被执行时，按照这些组件之间的调用顺序来执行，进而生成具体的审核规则。

进一步的，如果用户后续需要对某编辑完成的审核规则进行修改时，也可通过本可视化规则配置工具进行修改，工具后台根据更新配置操作所涉及到的组件以及用户更新的规则参数，可自动转换为新的编程代码或者直接替换原有代码中参数，进而实现规则的更新。

本实施例提出的审核规则逻辑可视化配置工具从业务角度，无需编程，降低了开发对规则逻辑来来回回修改代码逻辑的成本；从产品角度，大大缩短交付时间，并且能很好地适应各地政策；从用户体验方面，整个规则逻辑编辑配置的操作都在一个页面内完成，通过将复杂的逻辑打包分装、将常用逻辑归类划分等方式，减少了业务编辑岗日常工作中的重复工作。通过直观的操作方式即可完成规则的配置工作。帮助用户能够更快地理解规则逻辑，利用提供的各类组件，灵活多样的排列组合、方便快捷的配置规则参数，无需页面编写代码，不需要懂太多语法知识。

207、利用生成得到的目标审核规则，对待审核案件进行审核处理。

根据目标审核规则，确定该待审核案件的审核步骤与审核要点，具体可保存在映射表中。进而给出与待审核案件对应的审核步骤与审核要点有哪些。并且在技术上可记录每个审核步骤的审核结果(如由用户客户端上传审核结果)，然后由系统(如服务端)根据上一步的审核结果，判别给出对应的下一步的审核过程。如判定是否跳转到特定的审核步骤，以及安排是否继续审核等。例如，输出得到审核步骤为：

001病历调阅，地点是医院地址；

002指定区域医院排查-住+门，地点是指定地点；

003医保/新农合排查，地点是省/市/县；

004走访本人，地点是被保人详细地址；

005同业排查。

其中，在技术上，如果系统根据审核客户端上传的001/003的审核结果，判别001/003出现异常(如病历不存在、或病历非本人、或医保非本人等)，则向客户端发送执行006病历调阅，地点是医院地址的审核步骤；

如果系统根据客户端上传的004的审核结果，判别004有新线索(如被保人详细地址不存在该用户等)，则向客户端执行007走访工作单位的审核步骤，地点是工作单位的指定地点；以及向客户端发送执行008走访邻居，地点是被保人详细地址附近的审核步骤；如果系统根据客户端上传的007/008的审核结果，判定007/008有新线索，则向客户端发送执行009体检机构排查，地点是对应体检机构地址的审核步骤。

在技术上，系统基于上述各审核步骤，会向客户端发送对应的审核重点，示例性的具体为：

001包括如下几个审核重点：(1)当次住院病历调阅；

(2)该医院的其他住院记录排查、门诊排查；

(3)若排查有其他就诊记录请一并调阅。

本实施例提出的基于机器学习的审核规则处理方法，与目前通过人工编辑固定代码逻辑的方式制定审核规则相比，本实施例可通过人工智能+机器学习技术，将待审核案件的特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，进而根据该目标审核规则标识，基于所涉及的各个组件对应的预设编程代码模板，以及预设编程代码模板之间的预设调用顺序，生成目标审核规则对待审核案件进行审核处理。整个过程可快速准确给出该待审核案件相应的案件审核规则，可提高案件审核的效率和准确性。并且针对每一套审核规则，无需对应人工编写一套固定的程序代码，可由机器侧智能化生成适合该待审核案件的审核规则内容，因此可大大降低操作人员专业性要求，操作更加简单化，可节省人工成本。

进一步的，作为图1至图2所示方法的具体实现，本实施例提供了一种基于机器学习的审核规则处理装置，如图3所示，该装置包括：获取模块31、匹配模块32、生成模块33、审核模块34。

获取模块31，用于获取待审核案件的特征信息；

匹配模块32，用于将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，其中不同的样本特征信息都有各自对应的审核规则标识；

所述获取模块31，还用于根据所述目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及所述预设编程代码模板之间的预设调用顺序；

生成模块33，用于基于所述预设编程代码模板和所述预设调用顺序，生成目标审核规则；

审核模块34，用于利用所述目标审核规则，对所述待审核案件进行审核处理。

在具体的应用场景中，本装置还包括：创建模块和训练模块；

创建模块，用于创建模型训练集，所述训练集中包含不同的样本特征信息分别对应的审核规则标识；

训练模块，用于基于所述训练集，利用机器学习算法训练得到机器学习模型；

相应的，匹配模块32，具体用于将所述特征信息输入到所述机器学习模型中，输出与所述特征信息之间相似度大于预设阈值的样本特征信息所对应的目标审核规则标识。

在具体的应用场景中，创建模块，具体用于获取样本案件的原始特征信息；按照无量纲化、和/或定量、和/或定性的分类标准，获取所述原始特征信息中的各特征信息的特征类型；利用所述特征类型各自对应的处理规则，对所述原始特征信息进行特征筛选，得到初步特征信息；根据特征之间的相关性，对所述初步特征信息进行过滤，得到样本案件的样本特征信息；创建所述样本特征信息各自对应的审核规则标识，以建立模型训练集。

在具体的应用场景中，训练模块，具体用于基于所述训练集，利用多个不同的机器学习算法训练得到多个子模型；按照所述子模型的测试准确率，配置所述多个子模型分别对应的权重值；将带有所述权重值的所述多个子模型进行融合处理，得到所述机器学习模型。

在具体的应用场景中，匹配模块32，具体还用于将所述特征信息分别输入到所述多个子模型中，获取所述多个子模型分别输出的审核规则标识，并结合所述多个子模型分别对应的权重值，确定得到所述目标审核规则标识。

在具体的应用场景中，创建模块，具体还用于若第一特征信息为无量纲化的特征信息，则对所述第一特征信息作标准化和/或归一化处理；若第二特征信息为定量的特征信息，则对所述第二特征信息作二值化处理；若第三特征信息为定性的特征信息，则对所述第三特征信息作哑编码处理。

在具体的应用场景中，生成模块33，具体用于在所述预设编程代码模板填写对应的待填写规则参数，生成可被执行的编程代码；按照所述预设调用顺序，调整所述可被执行的编程代码，使得整套编程代码被执行时，按照所述各个组件之间的调用顺序来执行，以生成所述目标审核规则。

需要说明的是，本实施例提供的一种基于机器学习的审核规则处理装置所涉及各功能单元的其它相应描述，可以参考图1至图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的基于机器学习的审核规则处理方法。

基于这样的理解，本申请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，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)执行本申请各个实施场景的方法。

基于上述如图1、图2所示的方法，以及图3所示的虚拟装置实施例，为了实现上述目的，本实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的基于机器学习的审核规则处理方法。

可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本实施例的技术方案，与目前通过人工编辑固定代码逻辑的方式制定审核规则相比，本实施例可通过人工智能+机器学习技术，将待审核案件的特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，进而根据该目标审核规则标识，基于所涉及的各个组件对应的预设编程代码模板，以及预设编程代码模板之间的预设调用顺序，生成目标审核规则对待审核案件进行审核处理。整个过程可快速准确给出该待审核案件相应的案件审核规则，可提高案件审核的效率和准确性。并且针对每一套审核规则，无需对应人工编写一套固定的程序代码，可由机器侧智能化生成适合该待审核案件的审核规则内容，因此可大大降低操作人员专业性要求，操作更加简单化，可节省人工成本。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种基于机器学习的审核规则处理方法，其特征在于，包括：

获取待审核案件的特征信息；

将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，其中不同的样本特征信息都有各自对应的审核规则标识；

根据所述目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及所述预设编程代码模板之间的预设调用顺序；

基于所述预设编程代码模板和所述预设调用顺序，生成目标审核规则；

利用所述目标审核规则，对所述待审核案件进行审核处理。

2.根据权利要求1所述的方法，其特征在于，在所述将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识之前，所述方法还包括：

创建模型训练集，所述训练集中包含不同的样本特征信息分别对应的审核规则标识；

基于所述训练集，利用机器学习算法训练得到机器学习模型；

所述将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，具体包括：

将所述特征信息输入到所述机器学习模型中，输出与所述特征信息之间相似度大于预设阈值的样本特征信息所对应的目标审核规则标识。

3.根据权利要求2所述的方法，其特征在于，所述创建模型训练集，具体包括：

获取样本案件的原始特征信息；

按照无量纲化、和/或定量、和/或定性的分类标准，获取所述原始特征信息中的各特征信息的特征类型；

利用所述特征类型各自对应的处理规则，对所述原始特征信息进行特征筛选，得到初步特征信息；

根据特征之间的相关性，对所述初步特征信息进行过滤，得到样本案件的样本特征信息；

创建所述样本特征信息各自对应的审核规则标识，以建立模型训练集。

4.根据权利要求3所述的方法，其特征在于，所述基于所述训练集，利用机器学习算法训练得到机器学习模型，具体包括：

基于所述训练集，利用多个不同的机器学习算法训练得到多个子模型；

按照所述子模型的测试准确率，配置所述多个子模型分别对应的权重值；

将带有所述权重值的所述多个子模型进行融合处理，得到所述机器学习模型。

5.根据权利要求4所述的方法，其特征在于，所述将所述特征信息输入到所述机器学习模型中，输出与所述特征信息之间相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，具体包括：

将所述特征信息分别输入到所述多个子模型中，获取所述多个子模型分别输出的审核规则标识，并结合所述多个子模型分别对应的权重值，确定得到所述目标审核规则标识。

6.根据权利要求3所述的方法，其特征在于，所述利用所述特征类型各自对应的处理规则，对所述原始特征信息进行特征筛选，得到初步特征信息，具体包括：

若第一特征信息为无量纲化的特征信息，则对所述第一特征信息作标准化和/或归一化处理；

若第二特征信息为定量的特征信息，则对所述第二特征信息作二值化处理；

若第三特征信息为定性的特征信息，则对所述第三特征信息作哑编码处理。

7.根据权利要求1所述的方法，其特征在于，所述基于所述预设编程代码模板和所述预设调用顺序，生成目标审核规则，具体包括：

在所述预设编程代码模板填写对应的待填写规则参数，生成可被执行的编程代码；

按照所述预设调用顺序，调整所述可被执行的编程代码，使得整套编程代码被执行时，按照所述各个组件之间的调用顺序来执行，以生成所述目标审核规则。

8.一种基于机器学习的审核规则处理装置，其特征在于，包括：

获取模块，用于获取待审核案件的特征信息；

匹配模块，用于将所述特征信息与样本案件的样本特征信息进行相似度匹配，以便获取相似度大于预设阈值的样本特征信息所对应的目标审核规则标识，其中不同的样本特征信息都有各自对应的审核规则标识；

所述获取模块，还用于根据所述目标审核规则标识，获取所涉及的各个组件对应的预设编程代码模板，以及所述预设编程代码模板之间的预设调用顺序；

生成模块，用于基于所述预设编程代码模板和所述预设调用顺序，生成目标审核规则；

审核模块，用于利用所述目标审核规则，对所述待审核案件进行审核处理。

9.一种非易失性可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的基于机器学习的审核规则处理方法。

10.一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的基于机器学习的审核规则处理方法。

Images