CN113221762A - 代价平衡决策方法、保险理赔决策方法、装置和设备 - Google Patents
代价平衡决策方法、保险理赔决策方法、装置和设备 Download PDFInfo
- Publication number
- CN113221762A CN113221762A CN202110535644.0A CN202110535644A CN113221762A CN 113221762 A CN113221762 A CN 113221762A CN 202110535644 A CN202110535644 A CN 202110535644A CN 113221762 A CN113221762 A CN 113221762A
- Authority
- CN
- China
- Prior art keywords
- decision
- target
- named entity
- picture
- cost
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000003066 decision tree Methods 0.000 claims abstract description 109
- 238000013136 deep learning model Methods 0.000 claims abstract description 56
- 238000013135 deep learning Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000013145 classification model Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000003058 natural language processing Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 42
- 238000003745 diagnosis Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 208000028659 discharge Diseases 0.000 description 15
- 239000000463 material Substances 0.000 description 15
- 230000036541 health Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 6
- 230000006698 induction Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Abstract
本说明书实施例公开了一种代价平衡决策方法、保险理赔决策方法、装置和设备,在收到用户发送的针对目标代价平衡产品的代价平衡请求后,基于多个深度学习模型和请求中携带的凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性;并基于所述目标命名实体和所述目标命名实体的属性,构建与所述目标代价平衡产品对应的业务领域相关的事件信息;然后基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;最后基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种代价平衡决策方法、保险理赔决策方法、装置和设备。
背景技术
随着网络和终端技术的发展,越来越多的业务被搬到互联网上处理,如保险理赔决策。在保险事故发生之后的约定时间内,用户可以通过终端设备拍摄理赔材料的照片,并上传至保险公司的服务端进行报案。保险公司收到报案及理赔材料之后,会依据理赔材料进行决策。随着时间的推移,保险理赔产品的类型以及购买人数都不断攀升,使得保险理赔决策的工作量也越来越大,如何提高决策效率成为新的挑战。
目前,业内虽然出现了一些智能保险理赔决策方案,但关注的理赔决策因素不够全面,没有决策的全局视角,应用于无人值守的理赔场景存在较大的缺陷。
发明内容
本说明书实施例提供了一种代价平衡决策方法、保险理赔决策方法、装置和设备,以关注更多的决策因素,站在全局视角进行决策,从而在无人值守场景下得到合理的决策结果。
为解决上述技术问题,本说明书实施例是这样实现的:
第一方面,提出了一种代价平衡决策方法,包括:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
第二方面,提出了一种保险理赔决策方法,包括:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
第三方面,提出了一种代价平衡决策装置,包括:
请求接收模块,接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
命名实体确定模块,基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
事件构建模块,基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
决策因子构建模块,基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
决策模块,基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
第四方面,提出了一种保险理赔决策装置,包括:
理赔请求接收模块,接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
理赔命名实体确定模块,基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
医疗事件构建模块,基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
理赔决策因子构建模块,基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
理赔决策模块,基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
第五方面,提出了一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
第六方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
第七方面,提出了一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
第八方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
由以上本说明书实施例提供的至少一个技术方案,由于能够将用户上传的凭证数据以及相关业务数据封装成全面的相互独立的多个决策因子,然后用决策树和这些决策因子进行决策,因此使得整个决策过程考虑的因素更全面,能够站在全局视角进行决策,从而能在无人值守场景下自动得到合理的决策结果,对代价平衡案件的决策工作进行有效的分流,进而大幅减少人工工作量,提高了决策效率。
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,并不构成对本申请的不当限定。在附图中:
图1是本说明书一个实施例提供的一种代价平衡决策方法的流程示意图。
图2是本说明书一个实施例提供的深度学习网络——图片分类模型的结构示意图。
图3是本说明书一个实施例提供的深度学习网络——关键词提取模型的结构示意图。
图4是本说明书一个实施例提供的深度学习网络——文本提取模型的结构示意图。
图5是本说明书一个实施例提供的深度学习网络——命名实体识别模型的结构示意图。
图6是本说明书一个实施例提供的深度学习网络——凭证归档模型的结构示意图。
图7是本说明书另一实施例提供的一种保险理赔决策方法的流程示意图。
图8是本说明书一个实施例提供的目标决策树的一种层级结构示意图。
图9是本说明书实施例提供的一种电子设备的结构示意图。
图10是本说明书一个实施例提供的一种代价平衡决策装置的结构示意图。
图11是本说明书另一实施例提供的一种保险理赔决策装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文件保护的范围。
本说明书实施例提供一种代价平衡决策方法和装置,以及针对保险理赔场景的一种保险理赔决策方法和装置。这些方法和装置可以由电子设备执行,或者由安装在电子设备中的软件或硬件设备执行。这里的电子设备包括但不限于终端设备或服务器,其中,终端设备包括但不限于:智能手机、个人电脑(personalcomputer,PC)、笔记本电脑、平板电脑、电子阅读器、网络电视、可穿戴设备等智能终端设备中的任一种;其中,服务器可以是保险公司的后台服务端设备,该服务器包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
为了更好的理解本文件中提及的与代价平衡相关的术语,本文件以保险理赔场景为例对这些术语进行举例说明。例如,用户,指在保险公司投保的用户;代价平衡产品,指保险公司提供的保险产品;代价平衡系统,指保险公司的代价平衡执行系统或设备,保险公司从用户处收取保险费用,并在满足条件时向用户支付保费,以实现用户为获取资源或服务(如医疗服务、车辆维修服务等)所支付的费用(代价)的平衡。
本说明书实施例中涉及的保险包括但不限于人身保险和损害保险。其中,被保险人因病或意外事故伤残、死亡或丧失工作能力,年老退休或保险合同期满而给付保险金,是人身保险,包括医疗保险(或称健康保险,包括互助类健康险)、死亡保险、生存保险、年金保险、养老金保险等;财产或利益受到灾害事故损害,给予经济补偿,是损害保险,包括财产保险(如车险)、责任保险、保证保险和信用保险等。
为了便于理解本说明书实施例提供的技术方案,下面对本说明书实施例中涉及的其他术语也分别进行解释。
深度学习,是机器学习的一种,具体是通过模拟人脑神经网络对历史样本数据(例如,图像,声音和文本等)进行分析学习。通过建立多层的感知网络结构,将低维数据特征学习成更加抽象的高维特征来表示属性类别或特征,以发现数据的特征表示。
决策因子,是指某种业务决策过程中,决策所依赖数据的抽象单元或成分。决策因子一般是原子性的,不能被再分割。
图像检测,是指对图像或图片中的主体信息进行定位检测,以方便对该位置的图像信息进行识别。
图像分类,是指对图像或图片所属业务属性进行分类。例如,在健康险理赔这一业务领域,理赔凭证有很多种,如医院小结、诊断证明等,在理赔决策前,需要先对用户上传的这些凭证进行分类。
光学字符识别(Optical Character Recognition,OCR光学字符识别),是一种能够提取图像或图片中的文字信息的技术。
命名实体识别(Named Entity Recognition,NER),又称实体识别,是指识别文本中具有特定意义的实体的技术,例如人名、地名、机构名、专有名词等。在本说明书实施例中,假如理赔请求是针对健康险这一险种的,则需要识别的实体是指医疗理赔凭证中的核心实体,例如医院、时间、疾病、病症和健康指标等。
下面对本说明书实施例提供的一种代价平衡决策方法进行说明。
如图1所示,本说明书的一个实施例提供了一种代价平衡决策方法,该方法可以包括:
步骤102、接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片。
在本说明书实施例中,目标代价平衡产品可以包括但不限于保险产品。当目标代价平衡产品为保险产品时,代价平衡请求是指保险理赔请求,请求大家平衡的凭证图片是指理赔凭证图片。
以目标代价平衡产品为保险产品为例,用户可以通过终端设备向保险公司的理赔系统发送携带有理赔凭证图片的理赔请求,更为具体的,用户通过安装在终端设备中的客户端(如保险公司的APP)向保险公司的理赔系统发送理赔请求,同时通过客户端上传理赔凭证图片。这里的理赔请求可以是任意险种的理赔请求。理赔凭证图片,又称理赔材料图片,一般是用户报案时向保险公司的理赔系统提交的理赔证明材料的照片,例如,在医疗保险理赔案件中,用户提交的诊断证明、出院小结等证明材料的照片。用户通过客户端上传的理赔凭证图片的来源可以包括两种,一种是,用户通过客户端上传图片时,选择唤醒客户端所在终端设备中的相机,利用相机拍摄得到理赔凭证的图片;另一种是,用户通过客户端上传图片时,从客户端所在终端设备中已存储的图片(如手机相册)中,选择事先已经拍摄好的理赔凭证图片。
可以理解,在步骤102中,用户发送的凭证图片的数量可以是一个也可以是多个,一般情况下是多个。
步骤104、基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述目标代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的。
如前文所述,代价平衡产品所平衡的代价是为获取某种资源或服务所付出的代价,那么相应的,与目标代价平衡产品对应的业务领域,则是目标代价平衡产品所平衡的代价对应获取的资源或服务所在的行业领域。例如,与保险产品对应的业务领域,是指保险公司赔付的费用对应获取的资源或服务所在的业务领域,具体如医疗保险对应的业务领域为医疗领域,如车险对应的业务领域为汽车维修领域,等等。
本步骤的目的在于通过深度学习技术感知凭证图片中包含的证明数据,并将这些数据结构化,以用于构建下文中所述的决策因子。这些结构化数据包括但不限于:凭证图片的类型、凭证图片中的文本信息、凭证图片中的关键词信息、凭证图片中的目标命名实体及其属性等。
为了得到上述结构化数据,上述多个深度学习模型可以包括通过深度学习得到的图片分类模型、关键词提取模型、文本提取模型和命名实体识别模型。下面结合图2至图5对这四个模型进行介绍。
图2示出了深度学习网络——图片分类模型的结构示意图。如图2所示,该深度学习网络——图片分类模型22的输入为凭证图片21,输出为凭证分类结果23,其中,图片分类模型22是基于样本凭证图片训练得到的。举个例子,假如训练图片分类模型22的样本图片中包含健康险理赔领域的理赔凭证图片,那么将用户上传的5张医疗凭证图片:图片1、图片2、图片3、图片4和图片5分别输入训练好的图片分类模型22,可以得知图片1是诊断证明,图片2是病理报告,图片3、4、5是出院小结。
进一步地,参考图2可知,图片分类模型22包含卷积网络、特征工程(featureengineering,FE)变换、多模态信息融合网络和分类网络,其中,卷积网络体现为检测模块和识别模块,检测模块用于检测输入图片中的感兴趣区域(region of interest,ROI),识别模块用于识别ROI中的文本内容和文本位置信息,得到文本内容和位置信息特征,可以称为ROI特征矩阵;FE变换可用于对ROI矩阵进行变换得到文本特征组合向量;多模态信息融合网络用于对多模态特征进行融合;分类网络用于基于多模态信息融合网络的输出进行分类,得到最终的凭证图片分类结果。
图3示出了深度学习网络——关键词提取模型的结构示意图。如图3所示,该深度学习网络——关键词提取模型32的输入为凭证图片31,输出为提取出的关键词信息33,其中,关键词提取模型32也是基于样本凭证图片训练得到的。举个例子,假如训练关键词提取模型32的样本图片中包含健康险理赔领域的理赔凭证图片,那么将用户上传的诊断证明图片输入训练好的关键词提取模型32,可以得到患者姓名、医院名称、疾病名称、入院时间、手术时间、出院时间、病症指标等关键词信息。
进一步地,参考图3可知,关键词提取模型32包含卷积网络、FE变换、多模态信息融合网络、序列重排网络和序列分类网络,其中,卷积网络体现为检测模块和识别模块,检测模块用于检测输入图片中的ROI,识别模块用于识别ROI中的文本内容和文本位置信息,得到文本内容和位置信息特征,可以称为ROI特征矩阵;FE变换可用于对ROI矩阵进行变换得到文本特征组合向量;多模态信息融合网络用于对多模态特征进行融合;序列重排网络用于对多模态信息融合网络的输出进行重新排序;序列分类网络用于对重排后的序列进行分类,最后根据分类结果进行组装即可得到关键词信息。
图4示出了深度学习网络——文本提取模型的结构示意图。如图4所示,该深度学习网络——文本提取模型42的输入为凭证图片41,输出为提取出的文本提取结果43,其中,文本提取模型42也是基于样本凭证图片训练得到的。举个例子,假如训练文本提取模型42的样本图片中包含健康险理赔领域的理赔凭证图片,那么将用户上传的诊断证明图片输入训练好的文本提取模型42,可以得到诊断证明中包含的文本内容及其位置信息。
进一步地,参考图4可知,文本提取模型42包含卷积网络和文字库搜索匹配网络,其中,卷积网络体现为检测模块和识别模块,检测模块用于检测输入图片中的文本所在的位置,识别模块用于识别相应位置的文本内容,得到文本内容和位置信息特征信息;文字库搜索匹配网络用于将识别出的文本内容信息与文字库中的文字进行匹配得到最终文本提取结果,一般是得到输入图片的全文本结果以及文本中字的位置信息。
图5示出了深度学习网络——命名实体识别模型的结构示意图。如图5所示,该深度学习网络——命名实体识别模型52的输入为文本51,输出为命名实体识别结果53,其中,命名实体识别模型52是基于样本凭证图片的文本识别结果训练得到的。举个例子,假如训练命名实体识别模型52的文本包含健康险理赔领域的理赔凭证图片的文本识别结果,那么将用户上传的诊断证明图片输入训练好的命名实体识别模型52,则可以识别得到患病时间、疾病名称、手术名称、诊疗项目名称和诊疗项目结果等命名实体。
进一步地,参考图5可知,命名实体识别模型52包含自然语言处理预训练模型(如Bert)和分类网络,也可以理解为,命名实体识别模型52包括自然语言处理预训练模型,其中,自然语言处理预训练模型用于得到文本51的字向量,分类网络用于对字向量进行分类,区分命名实体和非命名实体,然后得到命名实体识别结果53。
在上述多个深度学习模型包括通过深度学习得到的图片分类模型、关键词提取模型、文本提取模型和命名实体识别模型的基础上,上述基于多个深度学习模型和凭证图片,确定凭证图片中包含的目标命名实体和目标命名实体的属性,具体可以包括如下步骤:基于深度学习得到的图片分类模型和所述凭证图片,确定所述凭证图片的类型;基于深度学习得到的关键词提取模型和所述凭证图片,提取理赔凭证图片中包含的关键词信息;基于深度学习得到的文本提取模型和理赔凭证图片,提取理赔凭证图片中包含的文本信息;基于深度学习得到的命名实体识别模型和所述文本信息,识别所述凭证图片中包含的目标命名实体;基于所述凭证图片的类型和所述凭证图片中包含的关键词信息中的至少一种,确定所述凭证图片中包含的目标命名实体的属性,当然,也可以基于其他方式确定目标名实体的属性,而不局限于凭证图片的类型和凭证图片中包含的关键词信息。
一个事物的属性,是指对事物某一特质的抽象刻画,不同事物的属性可能相同也可能不同。因此,可以理解,对于不同业务领域的不同目标命名实体,其属性也可能会有所差异,因此难以给出统一的定义。以医疗领域的目标命名实体——疾病名称为例,其属性可以包括凭证材料来源、文本来源区域、是否存疑和是否既往中的一种,其中,“凭证材料来源”这一属性可以基于理赔凭证图片的类型确定,例如,当“疾病名称”这一命名实体出自手术记录时,可以确定“疾病名称”的“凭证材料来源”这一属性为“手术记录”;“文本来源区域”这一属性可以基于从理赔凭证图片的ROI识别结果确定,例如,当“疾病名称”来自诊断证明的“出院诊断区域/病理诊断区域/既往史”时,可以相应确定“疾病名称”的“文本来源区域”这一属性为“出院诊断区域/病理诊断区域/既往史”;“是否存疑”这一属性可以基于从理赔凭证图片中提取的关键词信息确定,例如有些疾病描述,只是医生的初步诊断或不确定诊断,一般在文本上表现为“慢性肾脏病?”,从而确定该疾病实体是存疑的;“是否既往”这一属性也可以基于从理赔凭证图片中提取的关键词信息确定,例如有些疾病描述为“患高血压5年余,血压100/160”,那通过关键词会准确识别出疾病的发生时间为“5年前”,疾病为“高血压”,诊疗项目为血压测量,诊疗结果为100/160,且是既往症(因为过去已有发生的疾病)等。
可选地,上述多个深度学习模型还可以包括凭证归档模型,在此基础上,相应的,图1所示的方法还可以包括:基于深度学习得到的凭证归档模型,对类型相同多张凭证图片进行分组,以便于对多张凭证图片进行归档。下面结合图6对凭证归档模型进行说明。
如图6所示,该深度学习网络——凭证归档模型62的输入为凭证图片61,输出为归档结果63,其中,凭证归档模型62也是基于样本凭证图片训练得到的。举个例子,假如上传了3张图片:图片A、图片B和图片C,服务器通过上述图片分类模型22识别出这三张图片均为出院小结,则再将这三张图片输入该凭证归档模型62,可以识别出图片A、图片B和图片C分别为出院小结的第一页、第二页和第三页,从而很方便地实现理赔凭证图片的分组从而进行归档,如确定出用户按一定顺序上传的理赔凭证图片集中,哪些理赔凭证图片是首页,首页与首页之间的理赔凭证图片,属于首页的后续页。另外,凭证归档模型62还可以将分组中包含的重复页标识出来。
进一步地,参考图6可知,凭证归档模型62先通过卷积网络中的检测模块和识别模块识别出图片中的文本内容和文本位置信息特征,即得到ROI特征矩阵;然后对ROI特征矩阵进行FE变换后得到凭证图片特征信息,再结合用户上传凭证图片的顺序特征信息进行分类学习,可以实现对用户上传的多张凭证图片的分组。
可选地,在提取出凭证图片中的关键词信息之后,在应用这些关键词信息确定目标命名实体的属性之前,图1所示的方法还可以包括:对从凭证图片中提取的关键词信息进行归一化。
可选地,在识别出凭证图片中的目标命名实体之后,在应用目标命名实体构建相应的事件信息之前,图1所示的方法还可以包括:对从凭证图片中识别出的目标命名实体进行归一化。
可以理解,同一事物有时可能存在多种表达或描述,如同一种疾病或诊疗实体可能存在多种叫法,为了避免出现歧义或重复工作,需要在应用这些事物之前对它们进行标准化或归一化,以明确它们的语义。在具体实现时,可以利用知识图谱以及搜索引擎,对上述目标命名实体和关键词信息进行归一化。
此外,可选地,在利用图片分类模型确定出用户上传的凭证图片的类型之后,在识别该凭证图片中的目标命名实体之前,图2所示的方法还可以包括:基于该凭证图片的类型,判断是否需要识别该凭证图片中的目标命名实体,如需要再识别,否则不识别,以过滤掉不需要进行目标名实体识别的凭证图片,减少需要识别的凭证图片的数量,从而提高整个方法的效率。例如,假如用户上传了诊断证明、出院小结、手术记录和体检报告的图片,但由于体检报告和出院小结中描述的疾病的价值是不一样的,一般来说出院小结更有权威性,因此,可以在识别出体检报告后仅进行归档,而不进行目标命名实体的识别。
步骤106、基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息。
事件信息是指能够刻画事件的信息集合,一般而言,这些信息可以包括事件名称、事件发生时间、事件结束时间、事件发生地点等。以医疗领域中的医疗事件为例,其对应的事件信息可以包括:疾病名称、手术名称、手术机构名称(医院名称)、入院时间、手术时间和出院时间等信息。可以理解,通过构建医疗事件信息,可以刻画出出险人的就医事实,还原出医疗事件的实际发生轨迹,为理赔决策提供清晰的依据。更为具体的,医疗事件可以细分为患病事件、手术事件和诊疗事件等。
步骤108、基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子。
作为一个例子,上述相关业务数据可以包括用户的报案数据和用户购买目标代价平衡产品的单据数据,如,用户的保险理赔报案数据和用户购买的保险的保单数据,其中,报案数据可以包括报案人、报案时间等,保单数据可以包括出险人(被保险人)信息、保单生效时间、保单失效时间等数据。相应的,所述基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子,包括但不限于如下至少之一:基于报案数据构建报案信息决策因子;基于单据数据构建单据决策因子;基于事件信息构建事件决策因子等。
以医疗保险对应的理赔请求为例,所述报案信息决策因子可包括报案时间和报案人中的至少一种;所述单据决策因子可包括被保险人、保单生效时间和保单失效时间中的至少一种;所述事件决策因子可包括患病事件、手术事件和诊疗事件中的至少一种。
步骤110、基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
具体而言,目标决策树可以是人工基于目标代价平衡产品的平衡决策逻辑构建的。
在一个例子中,上述目标决策树包含多个决策层,一个决策层包含至少一个决策子树,一个决策子树对应一种代价平衡决策策略,一种代价平衡决策策略依赖决策因子库中的至少一个决策因子,所述多个决策层具有固定的执行顺序,且执行顺序在前的决策层得出的决策结果用作执行顺序在后的决策层的决策因子,所述决策因子库中包含所述多个决策因子和执行顺序在前的决策层得出的决策结果(也可称为决策结果因子)。
可选地,在基于目标决策树和所述多个决策因子进行代价平衡决策前,图1所示的方法还可以包括:基于预设规则确定决策因子的置信权重。作为一个例子,可以基于目标决策因子对应的目标命名实体的属性的值与置信权重的对应关系,确定所述目标决策因子的置信权重,其中,所述目标决策因子是所述至少一个决策因子中依据所述事件信息构建的决策因子。例如,对于某一疾病这一目标命名实体,其“凭证材料来源”这一属性的值为“出院小结/出院诊断”时的置信权重,高于“凭证材料来源”这一属性的值为“入院记录/初步诊断”时置信权重。
相应的,基于目标决策树和所述多个决策因子进行代价平衡决策,可以包括:基于目标决策树、所述多个决策因子和所述目标决策因子的置信权重进行代价平衡决策。具体的,在一种实施方式中,如果目标决策树中的决策子树决策时依赖的同一种目标决策因子有多个,则使用这多个中置信权重最高的一个目标决策因子进行决策,也就是说,在一些场景下优先选用置信权重高的目标决策因子决策。在另一种实施方式中,基于目标决策树和置信权重高于预设值的所述目标决策因子进行代价平衡决策,也就是说,在另一些场景下,目标决策树种的一些决策子树依赖置信权重高的目标决策因子决策而过滤掉置信权重相对较低的目标决策因子,例如,“是否为恶性肿瘤”这一决策子树,依赖基于“病理报告”构建的目标决策因子,也就是说依赖于病理报告是否明确诊断为恶性肿瘤,否则不予采用。
在实际应用时,可以利用规则引擎执行所述目标决策树,以基于所述目标决策树的决策逻辑和所述多个决策因子进行代价平衡决策。可以理解,利用规则引擎执行决策树能够很方便地实现决策树的部署以及迭代更新,使得服务端的理赔系统能够在无人值守或介入的情况下,得到案件的智能代价平衡决策结果。整个决策过程,可以在决策因子数据发生变更后自动执行。
最终的决策结果可以是多种多样的,以保险理赔为例,可以是予以立案或不予立案,也可以是予以赔付或不予赔付,等等。
图1所示的一个实施例提供的一种代价平衡决策方法,由于能够将用户上传的凭证数据以及相关业务数据封装成全面的相互独立的多个决策因子,然后用决策树和这些决策因子进行决策,因此使得整个决策过程考虑的因素更全面,能够站在全局视角进行决策,从而能在无人值守场景下自动得到合理的决策结果,对代价平衡案件的决策工作进行有效的分流,进而大幅减少人工工作量,提高了决策效率。
此外,图1所示的一个实施例提供的一种代价平衡决策方法,以目标代价平衡产品的代价平衡决策逻辑为蓝本构建决策树,并据此结合决策因子进行推理决策,使得决策过程能够很好地还原人工决策逻辑,从而使得决策结果具有很好地可解释性;通过深度学习技术感知请求代价平衡的凭证图片中的凭证数据,可以取得所见即所得的效果。
总之,本说明书实施例提供的一种保险理赔决策方法,不仅能无人值守场景下自动得到合理的决策结果,对代价平衡案件的决策工作进行有效的分流,进而大幅减少人工工作量,提高了决策效率。而且,利用深度学习的图像材料感知理解技术,将其还原成结构化的数据,还能实现所见即所得的效果。进一步地,还在智能自动代价平衡的决策上完成突破,利用决策因子和决策树进行推理决策,使得最终的决策结果具有很好地可解释性,决策中使用的决策逻辑能反向溯源至决策因子,在差错分析上能很方便的找到相应的问题并修正。从整体上来看,该方法具有很好的全局视角,后续能够很方便的根据业务逻辑变化进行扩展和调整。
下面对本说明书实施例提供的一种代价平衡决策方法在保险理赔场景的具体应用进行说明,具体体现为一种保险理赔决策方法,这里的保险理赔可以包括但不限于医疗保险的理赔,还可以是车险等其他保险的理赔。图7中以医疗保险为例进行介绍,其他险种类似。
图7示出了本说明书一实施例提供的一种保险理赔决策方法,可以包括:
步骤702、接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片。
本实施例中的理赔请求是指健康险或医疗理赔请求。用户发送的理赔凭证图片可以包括但不限于诊断证明、出院小结、手术记录、体检报告和检查结果等医疗凭证中的一种或多种。
步骤704、基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的。
在本实施例中,需要识别的目标命名实体是指医疗理赔凭证中的核心实体,例如医院、时间、疾病、病症和健康指标等。
本步骤的目的在于通过深度学习技术感知理赔凭证图片中包含的证明数据,并将这些数据结构化,以用于构建下文中所述的决策因子。这些结构化数据包括但不限于:理赔凭证图片的类型、理赔凭证图片中的文本信息、理赔凭证图片中的关键词信息、理赔凭证图片中的目标命名实体及其属性等。
为了得到上述结构化数据,上述多个深度学习模型可以包括通过深度学习得到的图片分类模型、关键词提取模型、文本提取模型和命名实体识别模型。这几个模型的具体内容请参见上文对图1所示的实施例的描述,此处不再赘述。
上述基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,具体可以包括如下步骤:基于深度学习得到的图片分类模型和所述理赔凭证图片,确定所述理赔凭证图片的类型;基于深度学习得到的关键词提取模型和所述理赔凭证图片,提取所述理赔凭证图片中包含的关键词信息;基于深度学习得到的文本提取模型和所述理赔凭证图片,提取所述理赔凭证图片中包含的文本信息;基于深度学习得到的命名实体识别模型和所述文本信息,识别所述理赔凭证图片中包含的目标命名实体;基于所述理赔凭证图片的类型和所述理赔凭证图片中包含的关键词信息中的至少一种,确定所述理赔凭证图片中包含的目标命名实体的属性,当然,也可以基于其他方式确定目标名实体的属性,而不局限于理赔凭证图片的类型和理赔凭证图片中包含的关键词信息。
步骤706、基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息。
医疗事件信息是指能够刻画医疗事件的信息集合,一般而言,这些信息可以包括医疗事件名称、医疗事件发生时间、医疗事件结束时间、医疗事件发生地点等。在通过上一步的命名实体识别得到目标命名实体后,可以构建包含疾病名称、手术名称、手术机构名称(医院名称)、入院时间、手术时间和出院时间等信息的医疗事件信息。可以理解,通过构建医疗事件信息,可以刻画出出险人(被保险人)的就医事实,还原出医疗事件的实际发生轨迹,为理赔决策提供清晰的依据。更为具体的,医疗事件可以细分为患病事件、手术事件和诊疗事件等。
步骤708、基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子。
作为一个例子,上述保险业务数据可以包括理赔请求对应的报案数据和用户购买所述目标医疗保险产品的关联保单数据,其中,报案数据可以包括报案人、报案时间等,关联保单数据可以包括出险人(被保险人)信息、关联保单生效时间、关联保单失效时间等数据。相应的,所述基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子,包括:基于所述报案数据构建报案信息决策因子;基于所述关联保单数据构建关联保单因子;基于所述医疗事件信息构建医疗事件决策因子。具体的,构建的所述信息因子可包括但不限于报案时间和报案人中的至少一种;构建的关联保单因子可包括但不限于被保险人、关联保单生效时间和关联保单失效时间中的至少一种;构建的医疗事件决策因子可包括但不限于患病事件、手术事件和诊疗事件中的至少一种。
步骤710、基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
在一个例子中,上述目标决策树包含多个决策层,一个决策层包含至少一个决策子树,一个决策子树对应一种理赔决策策略,一种理赔决策策略依赖至少一种决策因子,所述多个决策层具有固定的执行顺序,且执行顺序在前的决策层得出的决策结果用作执行顺序在后的决策层的决策因子。一情况下,单个决策子树所依赖的决策因子在满足设定的条件时才会触发该决策子树的执行,例如置信权重高于预设值等。某一决策层产生的决策结果因子能溯源到上一决策层所依赖决策因子,从而还原整棵决策树,故最终的决策结论可以做到可解释性。
在实际应用中可以将构建的决策因子放入一个决策因子库中,需要时从决策因子库中读取相应的决策因子,还可以向该决策因子库中新增决策因子,也可以对决策因子库中已有的因子进行更新。
图8示出了目标决策树的一种可能的结构示意图。如图8所示,目标决策树81的决策层依赖决策决策因子库82中的决策因子进行决策,这些决策因子可以包括但不限于医疗事件决策因子、报案因子、保单因子和来自决策层的决策结果因子等,并且按照执行顺序的先后,该目标决策树81包含的多个决策层依次为:基本因子预处理层811、医疗事件图谱推理层812、医疗事件专家经验推理层813、医疗事件业务规则处理层814、案件理赔子结论归纳层815和案件最终决策结果归纳层816。
(1)基本因子预处理层811,用于对前置决策因子进行预处理,其中,所述前置决策因子是指决策准入条件依赖的决策因子。例如,通过案件出险类型判定决策子树得到“案件出险”因子、出险医院资格判定决策子树得到“医院资格是否有效”因子,以及通过理赔凭证完备性判定子树得到“理赔凭证是否完备”因子等。在这一层,本方法可以控制一些决策的准入条件,灵活控制一些业务规则,进而控制决策流程。比如,假设判定医院资格无效,则可能直接触发案件理赔子结论归纳层815,而不是触发医疗事件图谱推理层812。
(2)医疗事件图谱推理层812,用于基于知识图谱判定所述理赔请求是否符合目标医疗保险产品的保障内容范围,和/或,基于知识图谱判定所述理赔请求是否符合目标医疗保险产品的健康告知内容等。因为该决策层的推理知识大多可以用知识图谱来进行表达,所以可以基于医疗业务领域的知识图谱推理能力来进行是否符合保障范围判定以及是否符合健康告知的判定。具体的,可以针对当前案件涉及的疾病、诊疗或者是手术事件,通过发生时间、所属险种等附属信息,通过知识图谱建立“点-边”关系,进行逻辑推理,得到相应的决策结果因子。
例如重疾类险种,可以在本决策层进行疾病事件是否符合重疾保障报范围的判定,通过“发生时间T”、“所得疾病标准化后的唯一编码S”、所属产品编号A,在图谱中找到对应的“数据节点”,而目标节点是“产品编号A的所属重疾”,通过它们之间的关联边进行逻辑推导,如果“关联边”能够推导联通,那么当前疾病事件可以得到“符合重疾保障范围”的因子结果。
有些重疾类疾病,需要发展到某一程度才可以发生理赔,一般业内称之为“符合重疾标准”,反之则为“未达重疾标准”。针对这种手术或者疾病事件,本方法借助的知识图谱在原有的“疾病”数据节点上,新增了其相关的“病症指标”节点,通过这些辅助节点来进行“逻辑运算”,来判定是否满足“重疾标准关联边”,最终给出合适的决策因子结果。
(3)医疗事件专家经验推理层813,用于基于所述医疗事件图谱推理层的决策结果、历史理赔案件的决策经验和基于所述医疗事件信息构建的决策因子进行决策,以实现专家经验在理赔决策中的使用。
本决策层利用历史案件的审核经验,结合本方法所使用的深度学习数据表征,来完成专家经验推理,达到填补图谱推理无法覆盖的案件或图谱推理决策结果的改进修正的目的。本决策层提供“差错分析”能力,可以将历史案件人工审核的决策结论和自动审核的决策结论的差异点进行对比展示,使得技术和业务专家可以很方便地进行问题定位,给出优化建议。通过“特征工程”的方法来抽象出“优化建议”中本质的关键要素,然后根据决策推理的方法,在本决策层进行对应“决策子树”的逻辑实现,来修正和改善最终的决策结果。
(4)医疗事件业务规则处理层814,用于基于已有决策因子判定所述理赔请求是否符合目标医疗保险产品的业务规则。
本决策层主要承载当前“险种”对医疗事件推理的一些业务诉求,用来表达各险种的差异化。例如当某些险种具备很独特的“等待期出险推理逻辑”,本决策层可以很方便地借助已有的所有决策因子进行判定,然后给出“当前医疗事件”是否符合等待期要求的因子结果。
(5)案件理赔子结论归纳层815,用于将执行顺序在所述案件理赔子结论归纳层之前的决策层的决策结果进行汇总,以得到最终决策结果依赖的决策子结论。例如,如果上几个决策层给出的决策结果是未达重疾标准,那么案件维度的子结论中会新增一个“未达重疾标准”的子结论。
(6)案件最终决策结果归纳层816,用于对所述决策子结论进行归纳,得出最终决策结果。具体可以根据不同的决策场景,将子结论进行归纳并赋予不同的优先级,最后根据不同的优先级可以得出不同的最终结论。
图7所示的实施例提供的一种保险理赔决策方法,不仅能无人值守场景下自动得到合理的决策结果,对代价平衡案件的决策工作进行有效的分流,进而大幅减少人工工作量,提高了决策效率。而且,利用深度学习的图像材料感知理解技术,将其还原成结构化的数据,还能实现所见即所得的效果。进一步地,还在智能自动代价平衡的决策上完成突破,利用决策因子和决策树进行推理决策,使得最终的决策结果具有很好地可解释性,决策中使用的决策逻辑能反向溯源至决策因子,在差错分析上能很方便的找到相应的问题并修正。从整体上来看,该方法具有很好的全局视角,后续能够很方便的根据业务逻辑变化进行扩展和调整。
图7所示的实施例提供的一种保险理赔决策方法是图1所示的方法在医疗保险或健康险这一场景的具体应用,因此描述的较为简单,未描述到的内容请参考上文对图1所示的实施例的说明,此处不再赘述。
以上是对本说明书提供的方法实施例的说明,下面对本说明书提供的电子设备进行介绍。
图9是本说明书的一个实施例提供的电子设备的结构示意图。请参考图9,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成代价平衡决策装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
或者,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成保险理赔决策装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
上述如本说明书图1或图7所示实施例揭示的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated 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。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。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。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1或图7所示的实施例提供的方法,本说明书在此不再赘述。
当然,除了软件实现方式之外,本说明书的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图7所示实施例的方法,并具体用于执行以下操作:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
下面对本说明书提供的装置进行说明。
如图10所示,本说明书的一个实施例提供了一种代价平衡决策装置1000,在一种软件实施方式中,装置1000可包括:请求接收模块1001、实体确定模块1002、事件构建模块1003、决策因子构建模块1004和决策模块1005。
请求接收模块1001,接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片。
实体确定模块1002,基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的。
事件构建模块1003,基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息。
决策因子构建模块1004,基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子。
决策模块1005,基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
可选地,图10所示的装置还可以包括下述模块中的至少一种:
第一归一化模块,在提取出凭证图片中的关键词信息之后,在应用这些关键词信息确定目标命名实体的属性之前,对从凭证图片中提取的关键词信息进行归一化。
第二归一化模块,在识别出凭证图片中的目标命名实体之后,在应用目标命名实体构建相应的事件信息之前,对从凭证图片中识别出的目标命名实体进行归一化。
过滤模块,在利用图片分类模型确定出用户上传的凭证图片的类型之后,在识别该凭证图片中的目标命名实体之前,基于该凭证图片的类型,判断是否需要识别该凭证图片中的目标命名实体,如需要再识别,否则不识别,以过滤掉不需要进行目标名实体识别的凭证图片,减少需要识别的凭证图片的数量,从而提高整个方法的效率。
需要说明的是,代价平衡决策装置1000能够实现图1的方法,并能取得相同的技术效果,详细内容可参考图1所示的方法,不再赘述。
如图11所示,本说明书的一个实施例提供了一种保险理赔决策装置1100,在一种软件实施方式中,装置1100可包括:理赔请求接收模块1001、理赔命名实体确定模块1002、医疗事件构建模块1003、理赔决策因子构建模块1004和理赔决策模块1005。
理赔请求接收模块1101,接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片。
理赔命名实体确定模块1102,基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的。
医疗事件构建模块1103,基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息。
理赔决策因子构建模块1104,基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子。
理赔决策模块1105,基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
需要说明的是,保险理赔决策装置1100能够实现图7的方法,并能取得相同的技术效果,详细内容可参考图7所示的方法,不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
总之,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制时,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (20)
1.一种代价平衡决策方法,包括:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述目标代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
2.根据权利要求1所述的方法,其中,所述基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,包括:
基于深度学习得到的图片分类模型和所述凭证图片,确定所述凭证图片的类型;
基于深度学习得到的关键词提取模型和所述凭证图片,提取所述凭证图片中包含的关键词信息;
基于深度学习得到的文本提取模型和所述凭证图片,提取所述凭证图片中包含的文本信息;
基于深度学习得到的命名实体识别模型和所述文本信息,识别所述凭证图片中包含的目标命名实体;
基于所述凭证图片的类型和所述凭证图片中包含的关键词信息中的至少一种,确定所述凭证图片中包含的目标命名实体的属性。
3.根据权利要求2所述的方法,
所述命名实体识别模型包括自然语言处理预训练模型。
4.根据权利要求2所述的方法,还包括:
基于深度学习得到的凭证归档模型,对所述代价平衡请求中携带的类型相同的多张凭证图片进行分组,以便于对所述多张凭证图片进行归档。
5.根据权利要求2所述的方法,在所述基于所述凭证图片的类型和所述凭证图片中包含的关键词信息,确定所述目标命名实体的属性前,所述方法还包括:
对从所述凭证图片中提取的关键词信息进行归一化。
6.根据权利要求1所述的方法,所述相关业务数据包括所述用户的报案数据和所述用户购买所述目标代价平衡产品的单据数据;
其中,所述基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子,包括如下至少之一:
基于所述报案数据构建报案信息决策因子;
基于所述单据数据构建单据决策因子;
基于所述事件信息构建事件决策因子。
7.根据权利要求1所述的方法,
所述目标决策树包含多个决策层,一个决策层包含至少一个决策子树,一个决策子树对应一种代价平衡决策策略,一种代价平衡决策策略依赖决策因子库中的至少一个决策因子,所述多个决策层具有固定的执行顺序,且执行顺序在前的决策层得出的决策结果用作执行顺序在后的决策层的决策因子,所述决策因子库中包含所述多个决策因子和执行顺序在前的决策层得出的决策结果因子。
8.根据权利要求1所述的方法,在所述基于目标决策树和所述多个决策因子进行代价平衡决策前,还包括:
基于预设规则确定目标决策因子的置信权重,其中,所述目标决策因子是所述多个决策因子中依据所述事件信息构建的决策因子;
其中,所述基于目标决策树和所述多个决策因子进行代价平衡决策,包括:
基于目标决策树、所述多个决策因子和所述目标决策因子的置信权重进行代价平衡决策。
9.根据权利要求8所述的方法,其中,所述基于预设规则确定目标决策因子的置信权重,包括:
基于目标决策因子对应的目标命名实体预设属性的值与置信权重的对应关系,确定所述目标决策因子的置信权重。
10.根据权利要求8所述的方法,其中,所述基于目标决策树、所述多个决策因子和所述目标决策因子的置信权重进行代价平衡决策,包括:
如果所述目标决策树中的决策子树决策时依赖的同一种目标决策因子有多个,则使用置信权重最高的一个目标决策因子进行决策。
11.根据权利要求8所述的方法,其中,所述基于目标决策树、所述多个决策因子和所述目标决策因子的置信权重进行代价平衡决策,包括:
基于目标决策树和置信权重高于预设值的所述目标决策因子进行代价平衡决策。
12.根据权利要求1-11任一项所述的方法,在所述基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息前,所述方法还包括:
对从所述凭证图片中识别出的目标命名实体进行归一化。
13.根据权利要求1-11中任一项所述的方法,其中,所述基于目标决策树和所述多个决策因子进行代价平衡决策,包括:
利用规则引擎执行所述目标决策树,以基于所述目标决策树的决策逻辑和所述多个决策因子进行代价平衡决策。
14.一种保险理赔决策方法,包括:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
15.一种代价平衡决策装置,包括:
请求接收模块,接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
命名实体确定模块,基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
事件构建模块,基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
决策因子构建模块,基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
决策模块,基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
16.一种保险理赔决策装置,包括:
理赔请求接收模块,接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
理赔命名实体确定模块,基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
医疗事件构建模块,基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
理赔决策因子构建模块,基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
理赔决策模块,基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
17.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
18.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
接收用户发送的针对目标代价平衡产品的代价平衡请求,其中,所述代价平衡请求中携带有请求代价平衡的凭证图片;
基于多个深度学习模型和所述凭证图片,确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性,其中,所述目标命名实体与所述代价平衡产品对应的业务领域相关,所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建与所述业务领域相关的事件信息;
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行代价平衡决策,其中,所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
19.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
20.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
接收用户发送的针对目标医疗保险产品的理赔请求,其中,所述理赔请求中携带有理赔凭证图片;
基于多个深度学习模型和所述理赔凭证图片,确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性,所述目标命名实体与医疗业务领域相关,所述深度学习模型是基于样本理赔凭证图片训练得到的;
基于所述目标命名实体和所述目标命名实体的属性,构建医疗事件信息;
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息,构建多个决策因子;
基于目标决策树和所述多个决策因子进行理赔决策,其中,所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的,所述目标决策树中的决策子树基于决策因子进行决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535644.0A CN113221762A (zh) | 2021-05-17 | 2021-05-17 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110535644.0A CN113221762A (zh) | 2021-05-17 | 2021-05-17 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221762A true CN113221762A (zh) | 2021-08-06 |
Family
ID=77092437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110535644.0A Pending CN113221762A (zh) | 2021-05-17 | 2021-05-17 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221762A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313855A (zh) * | 2023-11-28 | 2023-12-29 | 支付宝(杭州)信息技术有限公司 | 规则决策方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080147448A1 (en) * | 2006-12-19 | 2008-06-19 | Hartford Fire Insurance Company | System and method for predicting and responding to likelihood of volatility |
US7558803B1 (en) * | 2007-02-01 | 2009-07-07 | Sas Institute Inc. | Computer-implemented systems and methods for bottom-up induction of decision trees |
CN107527201A (zh) * | 2017-07-03 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和设备 |
CN109255013A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 理赔决策方法、装置、计算机设备和存储介质 |
CN111340640A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种保险理赔材料审核方法、装置和设备 |
-
2021
- 2021-05-17 CN CN202110535644.0A patent/CN113221762A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080147448A1 (en) * | 2006-12-19 | 2008-06-19 | Hartford Fire Insurance Company | System and method for predicting and responding to likelihood of volatility |
US7558803B1 (en) * | 2007-02-01 | 2009-07-07 | Sas Institute Inc. | Computer-implemented systems and methods for bottom-up induction of decision trees |
CN107527201A (zh) * | 2017-07-03 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和设备 |
CN109255013A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 理赔决策方法、装置、计算机设备和存储介质 |
CN111340640A (zh) * | 2020-05-22 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 一种保险理赔材料审核方法、装置和设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313855A (zh) * | 2023-11-28 | 2023-12-29 | 支付宝(杭州)信息技术有限公司 | 规则决策方法和装置 |
CN117313855B (zh) * | 2023-11-28 | 2024-03-15 | 支付宝(杭州)信息技术有限公司 | 规则决策方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11783422B1 (en) | Implementing machine learning for life and health insurance claims handling | |
AU2020260078B2 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
CN107833603B (zh) | 电子病历文档分类方法、装置、电子设备及存储介质 | |
US20200050949A1 (en) | Digital assistant platform | |
US11915127B2 (en) | Prediction of healthcare outcomes and recommendation of interventions using deep learning | |
US10832347B1 (en) | Methods and systems for smart claim routing and smart claim assignment | |
US20210019665A1 (en) | Machine Learning Model Repository Management and Search Engine | |
US20180285969A1 (en) | Predictive model training and selection for consumer evaluation | |
US20200293528A1 (en) | Systems and methods for automatically generating structured output documents based on structural rules | |
Wanyan et al. | Deep learning with heterogeneous graph embeddings for mortality prediction from electronic health records | |
JP2022541588A (ja) | 非構造化データを分析するためのディープラーニングアーキテクチャ | |
CN115858886A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
US20210397905A1 (en) | Classification system | |
CN113221762A (zh) | 代价平衡决策方法、保险理赔决策方法、装置和设备 | |
US10482999B2 (en) | Systems and methods for efficient handling of medical documentation | |
KR20210049321A (ko) | 보험 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램 | |
US20220044328A1 (en) | Machine learning systems and methods to evaluate a claim submission | |
AU2019290658B2 (en) | Systems and methods for identifying and linking events in structured proceedings | |
CN114153939A (zh) | 文本识别方法及装置 | |
Muramudalige | Automating investigative pattern detection using machine learning & graph pattern matching techniques | |
CN113971241A (zh) | 一种图书馆寻书方法及智能寻书机器人 | |
CN113688854A (zh) | 数据处理方法、装置及计算设备 | |
US20130218587A1 (en) | Coverage Discovery | |
US20230096820A1 (en) | Methods, systems, and computer program products for automatically processing a clinical record for a patient to detect protected health information (phi) violations | |
KR102645612B1 (ko) | 데이터 가치 산출 방법과 시스템 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211213 Address after: Room 610, floor 6, No. 618, Wai Road, Huangpu District, Shanghai 200010 Applicant after: Ant Shengxin (Shanghai) Information Technology Co.,Ltd. Address before: 310000 801-11 section B, 8th floor, 556 Xixi Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: Alipay (Hangzhou) Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |