CN112419076A - 一种基于大数据的健康保险核保系统、方法及商保云平台 - Google Patents
一种基于大数据的健康保险核保系统、方法及商保云平台 Download PDFInfo
- Publication number
- CN112419076A CN112419076A CN202011351651.7A CN202011351651A CN112419076A CN 112419076 A CN112419076 A CN 112419076A CN 202011351651 A CN202011351651 A CN 202011351651A CN 112419076 A CN112419076 A CN 112419076A
- Authority
- CN
- China
- Prior art keywords
- underwriting
- result
- vector set
- insurance
- health
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于大数据的健康保险核保系统、方法及商保云平台,包括以下步骤:步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One‑Hot Encoding形成每个人的医疗健康特征向量集;步骤(2).通过参照已知的健康保险产品的核保规则,由人工对每个人的医疗健康特征向量集进行核保结果标注;步骤(3).将人工完成的核保结果标注进行One‑Hot Encoding形成每个人的核保结果特征向量集;步骤(4).通过构建实现LSTM模型,步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取;通过对健康保险产品的核保规则进行复核校验,确认核保结果输出的有效性,将存疑的核保结果输出进一步转由人工复核校验。
Description
技术领域
本发明涉及自动化识别技术领域,具体为一种基于大数据的健康保险核保系统、方法及商保云平台。
背景技术
传统的健康保险核保业务通常采用人工审阅被保人的医疗健康记录来完成。这样的处理方式存在核保速度慢、风险识别准确度依赖核保人的经验不稳定、全量医疗健康记录存在数据冗余和噪音数据等诸多问题。这些问题导致健康保险产品的行业发展一直存在很大的瓶颈制约,无法体现出良好的效益。
发明内容
本发明所解决的技术问题在于提供一种基于大数据的健康保险核保系统、方法及商保云平台,以解决上述背景技术中提出的问题。
本发明所解决的技术问题采用以下技术方案来实现:一种基于大数据的健康保险核保系统、方法及商保云平台,包括以下步骤:
步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集;
步骤(2).通过参照已知的健康保险产品的核保规则,由人工对每个人的医疗健康特征向量集进行核保结果标注;
步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集;
步骤(4).通过构建实现LSTM模型,以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型;
步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取;通过对健康保险产品的核保规则进行复核校验,确认核保结果输出的有效性,将存疑的核保结果输出进一步转由人工复核校验;
步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。
进一步地,所述步骤(4)中对随机采样的特征向量集进行训练学习包括以下步骤:
步骤(4.1).基于大数据通过在不同的年龄段、性别、籍贯的人群分类下随机采样提取医疗健康特征向量集并完成核保结果特征向量集的人工标注;最终形成每个人群分类不少于10万的样本集。
步骤(4.2).将样本集随机分拣为学习训练样本和学习校验样本;通过实现的LSTM模型对学习训练样本进行深度学习,优化模型参数以尽可能提高对学习校验样本的验证率和训练样本的召回率;
步骤(4.3).当验证率和召回率达到可应用阈值范围内后,即可将训练好的LSTM模型投入实际的应用运行;
步骤(4.4).在实际应用运行过程中对实际预测结果进行抽样人工校核并将结果反馈到学习样本集中以便对训练好的LSTM模型进行持续的训练优化,进一步提高模型预测准确性。
进一步地,所述步骤(5)中对提取出的个人医疗健康记录进行One-Hot Encoding形成医疗健康特征向量集;通过训练好的LSTM模型对医疗健康特征向量集进行输入预测生成核保结果预测特征向量集。
进一步地,所述步骤(5)中对核保结果预测特征向量集进行One-Hot Decoding形成实际的核保结果输出。
进一步地,所述步骤(5)中经过人工复核校验的核保结果重新通过One-HotEncoding形成核保结果特征向量集后,可以再导入到LSTM模型的学习样本集中供后续的进一步模型训练优化使用。
进一步地,所述步骤(6)中对核保结果按安全报文格式进行封装包括以下几个步骤:
步骤(6.1).将核保结果的文字内容转换为BASE64编码;
步骤(6.2).使用核保业务系统的数字证书私钥对BASE64编码后的核保结果数据进行数字签名算法计算输出BASE64编码的签名结果;
步骤(6.3).使用健康保险核心业务平台的数字证书公钥使用非对称的加密算法将BASE64编码的核保结果数据与数字签名结果进行数据加密后输出BASE64编码的加密核保结果;
步骤(6.4).使用网络通讯地址及系统识别码作为安全报文的报文头信息,使用加密核保结果做为安全报文的报文体。组成安全报文后,可以将信息安全可靠地传输给健康保险核心业务处理平台进行处理。
与现有技术相比,本发明的有益效果是:本发明在健康保险核保业务处理的时效性和准确性上比现有的人工审核的方式有很大的提高,同时随着大数据的积累和编码预测模型的不断优化,能够为将来新型的健康保险产品核保提供有效的基础支持能力保障。
附图说明
图1为本发明的流程示意图。
具体实施方式
为了使本发明的实现技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明,在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以两个元件内部的连通。
实施例1
如图1所示,一种基于大数据的健康保险核保系统、方法及商保云平台,包括以下步骤:
步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集;
步骤(2).通过参照已知的健康保险产品的核保规则,由人工对每个人的医疗健康特征向量集进行核保结果标注;
步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集;
步骤(4).通过构建实现LSTM模型,以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型;
步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取;通过对健康保险产品的核保规则进行复核校验,确认核保结果输出的有效性,将存疑的核保结果输出进一步转由人工复核校验;
步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。
所述步骤(4)中对随机采样的特征向量集进行训练学习包括以下步骤:步骤(4.1).基于大数据通过在不同的年龄段、性别、籍贯的人群分类下随机采样提取医疗健康特征向量集并完成核保结果特征向量集的人工标注;最终形成每个人群分类不少于10万的样本集。步骤(4.2).将样本集随机分拣为学习训练样本和学习校验样本;通过实现的LSTM模型对学习训练样本进行深度学习,优化模型参数以尽可能提高对学习校验样本的验证率和训练样本的召回率;步骤(4.3).当验证率和召回率达到可应用阈值范围内后,即可将训练好的LSTM模型投入实际的应用运行;步骤(4.4).在实际应用运行过程中对实际预测结果进行抽样人工校核并将结果反馈到学习样本集中以便对训练好的LSTM模型进行持续的训练优化,进一步提高模型预测准确性。
实施例2
如图1所示,一种基于大数据的健康保险核保系统、方法及商保云平台,包括以下步骤:
步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集;
步骤(2).通过参照已知的健康保险产品的核保规则,由人工对每个人的医疗健康特征向量集进行核保结果标注;
步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集;
步骤(4).通过构建实现LSTM模型,以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型;
步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取;通过对健康保险产品的核保规则进行复核校验,确认核保结果输出的有效性,将存疑的核保结果输出进一步转由人工复核校验;
步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。
所述步骤(5)中对提取出的个人医疗健康记录进行One-Hot Encoding形成医疗健康特征向量集;通过训练好的LSTM模型对医疗健康特征向量集进行输入预测生成核保结果预测特征向量集。所述步骤(5)中对核保结果预测特征向量集进行One-Hot Decoding形成实际的核保结果输出。所述步骤(5)中经过人工复核校验的核保结果重新通过One-HotEncoding形成核保结果特征向量集后,可以再导入到LSTM模型的学习样本集中供后续的进一步模型训练优化使用。
实施例2
如图1所示,一种基于大数据的健康保险核保系统、方法及商保云平台,包括以下步骤:
步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-Hot Encoding形成每个人的医疗健康特征向量集;
步骤(2).通过参照已知的健康保险产品的核保规则,由人工对每个人的医疗健康特征向量集进行核保结果标注;
步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集;
步骤(4).通过构建实现LSTM模型,以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型;
步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取;通过对健康保险产品的核保规则进行复核校验,确认核保结果输出的有效性,将存疑的核保结果输出进一步转由人工复核校验;
步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。
所述步骤(6)中对核保结果按安全报文格式进行封装包括以下几个步骤:
步骤(6.1).将核保结果的文字内容转换为BASE64编码;
步骤(6.2).使用核保业务系统的数字证书私钥对BASE64编码后的核保结果数据进行数字签名算法计算输出BASE64编码的签名结果;
步骤(6.3).使用健康保险核心业务平台的数字证书公钥使用非对称的加密算法将BASE64编码的核保结果数据与数字签名结果进行数据加密后输出BASE64编码的加密核保结果;
步骤(6.4).使用网络通讯地址及系统识别码作为安全报文的报文头信息,使用加密核保结果做为安全报文的报文体。组成安全报文后,可以将信息安全可靠地传输给健康保险核心业务处理平台进行处理。
本发明通过引入对基于大数据提取出的特征标签进行编码预测学习后,实现健康保险的核保业务的自动化处理。由于是基于客观大数据提取出的特征标签的编码预测学习,因此本发明的核保业务处理方案可以有效避免人工参与所带来的效率和准确性问题。长短期记忆网络-通常只称为“LSTM”-是一种特殊的RNN,能够学习长期的规律。它们是由Hochreiter&Schmidhuber(1997)首先提出的,并且在后来的工作中被许多人精炼和推广。他们在各种各样的问题上应用得非常好,现在被广泛的使;独热编码(One-Hot Encoding)。独热编码即One-Hot编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位有效。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明的要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于大数据的健康保险核保系统、方法及商保云平台,其特征在于:包括以下步骤:
步骤(1).对基于大数据提取的个人医疗健康记录特征标签按时间序列进行One-HotEncoding形成每个人的医疗健康特征向量集;
步骤(2).通过参照已知的健康保险产品的核保规则,由人工对每个人的医疗健康特征向量集进行核保结果标注;
步骤(3).将人工完成的核保结果标注进行One-Hot Encoding形成每个人的核保结果特征向量集;
步骤(4).通过构建实现LSTM模型,以便完成对随机采样的特征向量集进行训练学习以形成有效的预测模型;
步骤(5).对被核保人员的个人医疗健康记录完成特征标签提取;通过对健康保险产品的核保规则进行复核校验,确认核保结果输出的有效性,将存疑的核保结果输出进一步转由人工复核校验;
步骤(6).对核保结果按安全报文格式进行封装以对接健康保险核心业务处理平台。
2.根据权利要求1所述的一种基于大数据的健康保险核保系统、方法及商保云平台,其特征在于:所述步骤(4)中对随机采样的特征向量集进行训练学习包括以下步骤:
步骤(4.1).基于大数据通过在不同的年龄段、性别、籍贯的人群分类下随机采样提取医疗健康特征向量集并完成核保结果特征向量集的人工标注;
步骤(4.2).将样本集随机分拣为学习训练样本和学习校验样本;通过实现的LSTM模型对学习训练样本进行深度学习,优化模型参数以尽可能提高对学习校验样本的验证率和训练样本的召回率;
步骤(4.3).当验证率和召回率达到可应用阈值范围内后,即可将训练好的LSTM模型投入实际的应用运行;
步骤(4.4).在实际应用运行过程中对实际预测结果进行抽样人工校核并将结果反馈到学习样本集中以便对训练好的LSTM模型进行持续的训练优化,进一步提高模型预测准确性。
3.根据权利要求1或2所述的一种基于大数据的健康保险核保系统、方法及商保云平台,其特征在于:所述步骤(5)中对提取出的个人医疗健康记录进行One-Hot Encoding形成医疗健康特征向量集;通过训练好的LSTM模型对医疗健康特征向量集进行输入预测生成核保结果预测特征向量集。
4.根据权利要求3所述的一种基于大数据的健康保险核保系统、方法及商保云平台,其特征在于:所述步骤(5)中对核保结果预测特征向量集进行One-Hot Decoding形成实际的核保结果输出。
5.根据权利要求4所述的一种基于大数据的健康保险核保系统、方法及商保云平台,其特征在于:所述步骤(5)中经过人工复核校验的核保结果重新通过One-Hot Encoding形成核保结果特征向量集后,可以再导入到LSTM模型的学习样本集中供后续的进一步模型训练优化使用。
6.根据权利要求4所述的一种基于大数据的健康保险核保系统、方法及商保云平台,其特征在于:所述步骤(6)中对核保结果按安全报文格式进行封装包括以下几个步骤:
步骤(6.1).将核保结果的文字内容转换为BASE64编码;
步骤(6.2).使用核保业务系统的数字证书私钥对BASE64编码后的核保结果数据进行数字签名算法计算输出BASE64编码的签名结果;
步骤(6.3).使用健康保险核心业务平台的数字证书公钥使用非对称的加密算法将BASE64编码的核保结果数据与数字签名结果进行数据加密后输出BASE64编码的加密核保结果;
步骤(6.4).使用网络通讯地址及系统识别码作为安全报文的报文头信息,使用加密核保结果做为安全报文的报文体。组成安全报文后,可以将信息安全可靠地传输给健康保险核心业务处理平台进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351651.7A CN112419076A (zh) | 2020-11-27 | 2020-11-27 | 一种基于大数据的健康保险核保系统、方法及商保云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351651.7A CN112419076A (zh) | 2020-11-27 | 2020-11-27 | 一种基于大数据的健康保险核保系统、方法及商保云平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112419076A true CN112419076A (zh) | 2021-02-26 |
Family
ID=74843410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011351651.7A Pending CN112419076A (zh) | 2020-11-27 | 2020-11-27 | 一种基于大数据的健康保险核保系统、方法及商保云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419076A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169901A (zh) * | 2021-11-25 | 2022-03-11 | 达而观数据(成都)有限公司 | 一种基于行为序列分类的医保异常检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050137912A1 (en) * | 2003-03-31 | 2005-06-23 | Rao R. B. | Systems and methods for automated classification of health insurance claims to predict claim outcome |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109739875A (zh) * | 2018-12-20 | 2019-05-10 | 泰康保险集团股份有限公司 | 核保方法、装置及系统 |
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 |
CN111507849A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 核保方法及相关装置、设备 |
CN111507850A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 核保方法及相关装置、设备 |
-
2020
- 2020-11-27 CN CN202011351651.7A patent/CN112419076A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050137912A1 (en) * | 2003-03-31 | 2005-06-23 | Rao R. B. | Systems and methods for automated classification of health insurance claims to predict claim outcome |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109739875A (zh) * | 2018-12-20 | 2019-05-10 | 泰康保险集团股份有限公司 | 核保方法、装置及系统 |
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 |
CN111507849A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 核保方法及相关装置、设备 |
CN111507850A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 核保方法及相关装置、设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169901A (zh) * | 2021-11-25 | 2022-03-11 | 达而观数据(成都)有限公司 | 一种基于行为序列分类的医保异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442707A (zh) | 一种基于seq2seq的多标签文本分类方法 | |
CN112738034B (zh) | 一种基于垂直联邦学习的区块链钓鱼节点检测方法 | |
CN111966875A (zh) | 一种敏感信息识别方法和装置 | |
CN113191775B (zh) | 基于以太坊上交易时序信息的庞氏骗局智能合约检测方法 | |
CN113806548A (zh) | 基于深度学习模型的信访要素抽取方法及抽取系统 | |
CN107516210A (zh) | 一种用于轨道交通的基于二维码和蓝牙的移动支付方法 | |
CN112419076A (zh) | 一种基于大数据的健康保险核保系统、方法及商保云平台 | |
CN112967063A (zh) | 一种面向以太坊平台的庞氏骗局检测方法 | |
CN113469708B (zh) | 产品防伪处理方法、装置、计算机设备及存储介质 | |
CN114254077A (zh) | 一种基于自然语言对稿件完整性的评估方法 | |
CN109462470A (zh) | 一种消息发布、校验方法及系统 | |
CN116758918A (zh) | 地址信息识别方法、装置、电子设备及存储介质 | |
Dou et al. | Harnessing social media to identify homeless youth at-risk of substance use | |
CN116702223A (zh) | 一种产品信息编码的防篡改方法 | |
CN107527621A (zh) | 动态码本基于完全二叉树分组的语音信息隐藏算法 | |
CN114036264B (zh) | 一种基于小样本学习的电子邮件作者身份归属识别方法 | |
CN113673222B (zh) | 基于双向协同网络的社交媒体文本细粒度情感分析方法 | |
RU2011119473A (ru) | Кодирование банковского перевода | |
Liu et al. | Text steganography based on online chat | |
CN113822670A (zh) | 一种支付报文转换方法、装置及电子设备 | |
CN114298013A (zh) | 一种基于深度学习的虚假收货地址预测方法和装置 | |
CN114205151A (zh) | 基于多特征融合学习的http/2页面访问流量识别方法 | |
CN115438629A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111429144A (zh) | 非正常汇款交易识别方法及装置 | |
CN113381998B (zh) | 基于深度学习的应用协议辅助解析系统及方法 |
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: 20210226 |
|
RJ01 | Rejection of invention patent application after publication |