CN113743906A - 一种确定业务处理策略的方法和装置 - Google Patents
一种确定业务处理策略的方法和装置 Download PDFInfo
- Publication number
- CN113743906A CN113743906A CN202111058162.7A CN202111058162A CN113743906A CN 113743906 A CN113743906 A CN 113743906A CN 202111058162 A CN202111058162 A CN 202111058162A CN 113743906 A CN113743906 A CN 113743906A
- Authority
- CN
- China
- Prior art keywords
- service processing
- service
- determining
- model
- output result
- 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 317
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012360 testing method Methods 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000007477 logistic regression Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 6
- 238000013140 knowledge distillation Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000018893 Cercis canadensis var canadensis Nutrition 0.000 description 1
- 240000000024 Cercis siliquastrum Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种确定业务处理策略的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:响应于用户的业务处理请求,获取用户的用户画像数据和业务状态数据;对用户画像数据和业务状态数据进行序列化处理,得到序列化特征;将序列化特征输入预训练的业务处理模型,获取业务处理模型的输出结果;根据输出结果确定与业务处理请求对应的业务处理策略。本发明实施例所提供的方法通过序列化处理使得数据的时序性和连续性得以体现,便于模型提取时序信息和深层次语义信息,进而使得业务处理更加高效、准确,提升了用户体验。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种确定业务处理策略的方法和装置。
背景技术
消费者通过电商平台购物的过程中,通常会产生交易纠纷,交易纠纷可以采用赔付的方式解决。现有的赔付审核方案存在数据特征的表达方式不足,模型可解释性不足等问题。
发明内容
有鉴于此,本发明实施例提供一种确定业务处理策略的方法和装置,能够通过对用户画像数据和业务状态数据进行序列化处理后输入预训练的业务处理模型,从而确定业务处理策略,提高了模型预测的准确性和可解释性,进而使得业务处理更加高效、准确,提升了用户体验。
为实现上述目的,根据本发明实施例的一个方面,提供了一种确定业务处理策略的方法,包括:
响应于用户的业务处理请求,获取所述用户的用户画像数据和业务状态数据;
对所述用户画像数据和所述业务状态数据进行序列化处理,得到序列化特征;
将所述序列化特征输入预训练的业务处理模型,获取所述业务处理模型的输出结果;
根据所述输出结果确定与所述业务处理请求对应的业务处理策略。
可选地,将所述序列化特征输入预训练的业务处理模型之前,还包括:
构建训练样本集和测试样本集,根据所述训练样本集对神经网络模型进行预训练,获得第一网络模型;
根据所述测试样本集和所述第一网络模型,确定所述测试样本集中各个测试样本对应的第一输出结果;
根据所述测试样本集和所述各个测试样本对应的第一输出结果,训练所述业务处理模型。
可选地,根据所述测试样本集和所述各个测试样本对应的第一输出结果,训练所述业务处理模型,包括:
将所述测试样本集中的各个测试样本输入到回归模型中,获得各个测试样本对应的第二输出结果;所述回归模型包括各个序列化特征对应的各个权重系数;
根据所述测试样本对应的所述第二输出结果、所述第一输出结果和所述测试样本的真实结果,计算所述测试样本对应的损失值;
根据所述各个权重系数迭代计算所述损失值,当所述损失值的增量小于预设阈值时,确定各个权重系数,获得所述业务处理模型。
可选地,根据所述测试样本对应的所述第二输出结果、所述第一输出结果和所述测试样本中的真实结果,计算所述测试样本对应的损失值,包括:
计算所述第二输出结果与所述第一输出结果的损失函数,确定第一损失值;
计算所述第二输出结果与所述真实结果的损失函数,确定第二损失值;
将所述第一损失值和所述第二损失值进行加权求和,确定所述测试样本对应的损失值。
可选地,对所述用户画像数据和所述业务状态数据进行序列化处理之前,还包括:
对所述用户画像数据和所述业务状态数据进行离散化处理。
可选地,所述输出结果为采用预设第一业务处理策略的概率;
根据所述输出结果确定与所述业务处理请求对应的业务处理策略,包括:判断所述概率是否大于等于概率阈值;若是,则以第一业务处理策略作为与所述业务处理请求对应的业务处理策略;否则,采用预设第二业务处理策略作为与所述业务处理请求对应的业务处理策略。
可选地,采用预设第二业务处理策略作为与所述业务处理请求对应的业务处理策略之前,还包括:确认未接收到针对所述业务处理请求的人工处理结果;
否则,根据所述人工处理结果确定与所述业务处理请求对应的业务处理策略。
可选地,根据所述人工处理结果确定与所述业务处理请求对应的业务处理策略之后,还包括:根据所述人工处理结果确定与所述业务处理请求对应的修正系数,根据所述修正系数更新所述业务处理模型。
根据本发明实施例的再一个方面,提供了一种确定业务处理策略的装置,包括:
获取模块,响应于用户的业务处理请求,获取所述用户的用户画像数据和业务状态数据;
数据处理模块,对所述用户画像数据和所述业务状态数据进行序列化处理,得到序列化特征;
模型预测模块,将所述序列化特征输入预训练的业务处理模型,获取所述业务处理模型的输出结果;
确定模块,根据所述输出结果确定与所述业务处理请求对应的业务处理策略。
根据本发明实施例的另一个方面,提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明提供的确定业务处理策略方法。
根据本发明实施例的还一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明提供的确定业务处理策略的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过对业务处理请求中的用户画像数据和业务状态数据进行序列化处理,得到序列化特征,将序列化特征输入到预训练的业务处理模型中,获得相应的输出结果,根据输出结果确定出与业务处理请求对应的业务处理策略。本发明实施例所提供的方法通过对数据进行序列化处理,表征了语义信息和时序信息,改善模型信息不足造成的准确率、效果差的现状,更加高效、准确的实现业务处理。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的一种确定业务处理策略的方法的主要流程的示意图;
图2是根据本发明实施例的另一种确定业务处理策略的方法的主要流程的示意图;
图3是根据本发明实施例的一种实施方式的确定业务处理策略的方法的流程示意图;
图4是根据本发明实施例的另一种实施方式的确定业务处理策略的方法的流程示意图;
图5根据本发明实施例的一种确定业务处理模型的方法的示意图;
图6是本发明实施例的一种确定赔付审核处理策略的方法的流程示意图;
图7是根据本发明实施例的一种确定业务处理策略的装置的主要模块的示意图;
图8是本发明实施例可以应用于其中的示例性系统架构图;
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的一种确定业务处理策略的方法的主要流程的示意图,如图1所示,该确定业务处理策略的方法,应用于服务端,包括:
步骤S101:响应于用户的业务处理请求,获取用户的用户画像数据和业务状态数据;
步骤S102:对用户画像数据和业务状态数据进行序列化处理,得到序列化特征;
步骤S103:将序列化特征输入预训练的业务处理模型,获取业务处理模型的输出结果;
步骤S104:根据输出结果确定与业务处理请求对应的业务处理策略。
本发明实施例的确定业务处理策略的方法,可以适用于电商平台的售后领域中涉及赔付审核的业务处理。
在本发明实施例中,业务处理请求可以为赔付申请单的提交请求,赔付申请单可以流转到售后的审核环节进行审核。当接收到业务处理请求时,获取用户的用户画像数据和业务状态数据。用户画像数据可以包括用户标签属性等数据,例如可以包括红包赔付、退款、退货等用户的售后偏好标签。业务状态数据可以为售后环节(赔付链路)的各个节点或状态信息的数据,包括:售后记录、订单状态、物流状态、售后状态、事件id状态等具有状态变化的节点信息中的至少一种。业务状态数据代表了商品在交易链路上的状态演进,是具有比较强的时序与逻辑表达的,表征了商品在电商平台上的商品语义信息。
获取的用户画像数据和业务状态数据为原始的数据,在作为模型的特征进行预测时,需要对用户画像数据和业务状态数据进行转换,根据不同的模型的数据特征的不同要求,以不同方式进行转换。如业务状态数据需要表达出处理时间先后或事件先后,以表达出节点或状态信息的时序性和连续性。
在本发明实施例中,对用户画像数据和业务状态数据进行序列化处理,将用户画像数据和业务状态数据转换为序列化特征,以体现出节点信息的时序性和连续性,以丰富语义特征和时序信息。将业务状态数据进行序列化处理,包括售后状态数据序列化、物流状态数据序列化、订单状态数据序列化等业务状态数据的序列化。
在本发明实施例中,步骤S102中,在对用户画像数据和业务状态数据进行序列化处理之前,还包括:对用户画像数据和业务状态数据进行离散化处理。即,采用数字对用户画像数据和业务状态数据进行离散化表示,可以将节点已执行或未执行采用不同的数字表示,将具有某个标签或不具有某个标签采用不同数字表示;例如,可以采用数字“0”表示节点未执行,采用数字“1”表示节点已执行;采用数字“0”标识不具有某个标签,采用数字“1”标识具有某个标签。将数据离散化标识后再进行序列化处理,得到序列化特征。在进行序列化处理时,针对用户画像数据,以所有用户的用户画像数据中的所有标签为基准,每个标签作为序列化特征中的一个元素,当用户具有某个标签或不具有某个标签,采用不同的数字表示,获得序列化特征;针对业务状态数据,以业务状态数据的所有节点或状态为基准,每个节点或状态作为序列化特征中的一个元素,当节点已执行或未执行时,采用不同的数字表示,获得序列化特征。
例如,用户画像数据包括用户标签属性,用户偏好的售后处理方式对应的标签,例如包括“红包赔付”、“维修”、“退货”、“换货”,若将具有标签属性离散化为数字“1”,不具有某个标签用数字“0”表示,当用户具有“红包赔付”和“退货”两个标签属性时,该用户的用户标签属性序列化特征表示为[1,0,1,0]。
例如,假设服务单的售后状态按照事件先后包括“服务单申请”、“审核待领取”、“统一工作平台审核领取”、“客服沟通”……等节点,可以采用数字“0”表示节点未执行,采用数字“1”表示节点已执行;然后进行序列化处理,如服务单的售后状态已执行完“审核待领取”,而未执行“同一工作平台审核领域”,则该服务单的售后状态的序列化特征可以表示为[1,1,0,0,……],那么,通过该序列化特征的表示,可以得知该服务单的售后状态,序列化特征能够体现出服务单的售后状态的时序性和上下文关系。
本发明实施例通过对业务状态数据和用户画像数据进行序列化处理,将业务状态数据和用户画像数据以序列化特征表示,可以体现出业务状态数据中各个节点或状态的时序性和连续性,记录了状态路径与状态变化信息,数据表达方式更加合理,也便于后续的业务处理模型可以提取到特征的深层次语义与时序信息,进而提高模型预测的准确率和效果,克服了传统数据特征的表达方式采用离散化表示而无法获知时序性信息的不足。
在本发明实施例中,当接收到用户的业务处理请求后,该方法还包括:获取用户信息和商品信息,对用户信息和商品信息进行离散化处理,获得离散化特征,将离散化特征输入到预训练的业务处理模型中。即输入预训练的业务处理模型的特征可以包括序列化特征和离散化特征。其中,用户信息包括用户属性,如用户的年龄、性别等自身属性以及用户所处的地理位置等信息,在售后领域,还可以包括用户售后评价等级(可以通过客服评价打分得到)。商品信息可以包括商品属性,如商品价格、商品尺寸等。用户信息和商品信息采用离散化处理,如采用数字“0”表示性别“男”,数字“1”表示性别“女”,作为特征输入到业务处理模型中,可以提高业务处理模型预测的准确性。
如图2所示,在本发明实施例中,步骤S103中,在将序列化特征输入预训练的业务处理模型之前,还包括:
步骤S201:构建训练样本集和测试样本集,根据训练样本集对神经网络模型进行预训练,获得第一网络模型;
步骤S202:根据测试样本集和第一网络模型,确定测试样本集中各个测试样本对应的第一输出结果,
步骤S203:根据测试样本集和各个测试样本对应的第一输出结果,训练业务处理模型。
模型的可解释性是涉及金融的领域的重要指标,现有赔付审核模型大多采用大规模神经网络的方式构建,模型效果较好,但是神经网络的黑盒特性导致难以获知模型的内在工作逻辑,模型的可解释性不足,传统的机器学习的方式构建的模型效果较差,但可解释性较好,因此,本发明实施例将二者结合获得模型效果较好且具有一个可解释性的业务处理模型来进行业务处理。
在本发明实施例中,采用知识蒸馏的方式获得业务处理模型。首先构建训练样本集和测试样本集,训练样本集包括多个训练样本,测试样本集包括多个测试样本,训练样本和测试样本均包括样本特征和真实结果,样本特征包括业务处理请求对应的各个特征,包括各个序列化特征和各个离散化特征,真实结果为与业务处理请求对应的结果。如为赔付审核业务处理,真实结果可以为审核通过或审核不通过,可以分别采用数字1和数字0表示。采用训练样本集对神经网络模型进行预训练,确定第一网络模型中的各个参数,进而获得第一网络模型,以第一网络模型作为教师网络,以业务处理模型作为学生网络,训练业务处理模型。其中,神经网络可以为深度神经网络。
可选地,训练样本集输入到神经网络模型中后,经过嵌入向量转换、多头注意力和全连接层,对神经网络模型进行训练,得到教师网络,将测试样本集输入到训练得到的教师网络中,得到各测试样本的预测结果,即第一输出结果,例如,第一输出结果可以为该业务处理请求通过的概率和/或不通过的概率。
在本发明实施例中,将测试样本集中的测试样本输入到第一网络模型中,可以得到与测试样本对应的第一输入结果,通过测试样本集和第一输出结果,训练业务处理模型。具体地,包括:将测试样本集中的各个测试样本输入到回归模型中,获得各个测试样本对应的各个第二输出结果;回归模型包括各个序列特征对应的各个权重系数;根据测试样本对应的第二输出结果、第一输出结果和测试样本的真实结果,计算测试样本对应的损失值;根据各个权重系数迭代计算损失值,当损失值的增量小于预设阈值时,确定各个权重系数,获得业务处理模型。
本发明实施例中的回归模型可以为逻辑回归(LR)模型,LR模型为简单可解释网络模型,LR模型的可解释性体现在通过训练完成的特征权重代表了每个特征在模型中的重要程度,这样每个特征乘上对应的特征权重(权重系数)的加和即是输出结果。
在本发明实施例中,根据测试样本对应的第二输出结果、第一输出结果和测试样本中的真实结果,计算测试样本对应的损失值,包括:计算第二输出结果与第一输出结果的损失函数,确定第一损失值;计算第二输出结果与真实结果的损失函数,确定第二损失值;将第一损失值和第二损失值进行加权求和,确定测试样本对应的损失值。
在本发明实施例中,以测试样本集中的序列化特征为回归输入数据,以第一输出结果和真实结果为目标,训练回归模型;可以通过计算第二输出结果与第一输出结果的交叉熵损失函数,确定第一损失值;通过计算第二输出结果与真实结果的交叉熵损失函数,确定第二损失值,可以将第一损失值和第二损失值直接加和得到测试样本对应的损失值,迭代计算损失值,当损失值的增量小于预设阈值或不再增加时,停止训练回归模型,从而确定回归模型的各个权重系数,从而确定了业务处理模型。
通过训练回归模型如线性回归模型可以得到各个序列化特征对应的各个权重系数,即得到各个序列化特征的比重,实现业务处理模型可解释性。如得到的业务处理模型中售后状态序列化特征、物流状态序列化特征、订单状态序列化特征对应的权重系数分别为0.1,0.2,0.3,0.4,则可以得知订单状态序列化特征在业务处理模型中所占的比重较大。
本发明实施例提供了一种具有可解释性的业务处理模型,改变现有的基于神经网络黑盒模型进行业务处理的方式,采用知识蒸馏的模型可解释方式,在模型效果基本不变或者可接受的降低基础上,将复杂神经网络模型压缩到简单网络回归模型如LR逻辑回归模型,实现模型的可解释性和易上线,有效降低了业务处理的金融风险。经验证,逻辑回归模型预测的平均准确率为89.2%,神经网络模型预测的平均准确率为91.3%,以约2.1%准确率换取可解释和易上线的模型是非常值得的。
在本发明实施例中,输出结果为采用预设第一业务处理策略的概率;步骤S104中,根据输出结果确定与业务处理请求对应的业务处理策略,包括:判断概率是否大于等于概率阈值;若是,则以第一业务处理策略作为与业务处理请求对应的业务处理策略;否则,采用预设第二业务处理策略作为与业务处理请求对应的业务处理策略。
在本发明实施例中,预设第一业务处理策略可以为业务处理请求通过的业务处理策略,预设第二业务处理策略可以为业务处理请求不通过的业务处理策略。概率阈值可以为动态阈值,概率阈值可以根据数据统计的方式获得,也可以根据业务需求动态调整概率阈值。例如,通过抽检的方式对业务处理模型审核进行校验,当模型效果稍差时,可以将概率阈值调高,以提高模型预测的准确率。
在本发明实施例的一种实施方式中,采用预设第二业务处理策略作为与业务处理请求对应的业务处理策略之前,还包括:确认未接收到针对业务处理请求的人工处理结果;否则,根据人工处理结果确定与业务处理请求对应的业务处理策略。当概率小于概率阈值时,如果没有接收到针对业务处理请求的人工处理结果,则以预设第二业务处理策略作为与业务处理请求对应的业务处理策略;如果接收到针对业务处理请求的人工处理结果,则根据人工处理结果来确定与针对业务处理请求的业务处理策略。
在本发明实施例中,根据人工处理结果确定与业务处理请求对应的业务处理策略之后,还包括:根据人工处理结果确定与业务处理请求对应的修正系数,根据修正系数更新业务处理模型。人工处理结果可以为人工客服针对该业务处理请求进行评价打分,对评价打分结果进行处理后,得到修正系数,例如,可以根据ycoefficient=log(score+1)对评价打分结果进行非线性处理,其中,ycoefficient为修正系数,score为评价打分所得的分数,将输出结果与修正系数的乘积作为更新的输出结果,即将概率乘以修正系数作为更新后的概率,以更新后的概率和对应的测试样本对业务处理模型中的权重系数等参数进行调整,以更新业务处理模型。本发明实施例根据修正系数对业务处理模型进行反馈修正,实现业务处理模型的修正,以进一步提高业务处理模型的准确性。
如图3所示为本发明实施例一种实施方式确定业务处理策略的流程示意图。输出结果为采用预设第一业务处理策略的概率,根据输出结果确定与业务处理请求对应的业务处理策略,包括:
步骤S301:判断概率是否大于等于概率阈值,如果是,执行步骤S302;如果否,执行步骤S303;
步骤S302:以预设第一业务处理策略作为与业务处理请求对应的业务处理策略;
步骤S303:判断人工处理结果是否指示采用预设第一业务处理策略,若是,执行步骤S304,若否,执行步骤S305;
步骤S304:以预设第一业务处理策略作为与业务处理请求对应的业务处理策略;
步骤S305:以预设第二业务处理策略作为与业务处理请求对应的业务处理策略。
如图4所示为本发明实施例的另一种实施方式的确定业务处理策略的流程示意图。输出结果为采用预设第一业务处理策略的概率,根据输出结果确定与业务处理请求对应的业务处理策略,包括:
步骤S401:判断概率是否大于等于概率阈值,如果是,执行步骤S402,如果否,执行步骤S403;
步骤S402:以预设第一业务处理策略作为与业务处理请求对应的业务处理策略;
步骤S403:根据人工处理结果确定与业务处理请求对应的修正系数,根据修正系数确定更新后的概率;
步骤S404:判断更新后的概率是否大于等于概率阈值;如果是,执行步骤S405;若否,执行步骤S406;
步骤S405:以预设第一业务处理策略作为与业务处理请求对应的业务处理策略;
步骤S406:以预设第二业务处理策略确定与业务处理请求对应的业务处理策略。
如图5所示为一种确定业务处理模型的过程的示意图,首先将获取的用户画像数据和业务状态数据进行序列化处理,得到序列化特征,根据序列化特征构建训练样本集和测试样本集,将训练样本集输入到神经网络中,经嵌入向量转换、多头注意力及全连接层处理,对神经网络进行训练,得到教师网络,将测试样本集输入到教师网络中,得到各个测试样本对应的第一输出结果(软标签),即教师网络的预测结果,通过将测试样本集作为训练样本集输入到回归模型中,经嵌入向量转化后训练回归模型,通过回归模型可以得到各个测试样本对应的各个第二输出结果,针对每一个测试样本,根据第二输出结果、第一输出结果和真实结果(硬标签)计算损失值,迭代计算损失值,当损失值的增量小于预设阈值时,停止训练,确定回归模型中的各个参数,则可以确定各个序列化特征对应的权重系数,进而得到业务处理模型。
如图6所示为本发明实施例提供的一种确定赔付审核处理策略的方法的流程示意图,响应于用户的赔付申请请求,赔付申请请求包括赔付单,获取与该赔付单对应的售后记录、订单状态、物流状态、售后状态、事件id状态等业务状态数据以及用户画像数据,并进行序列化处理,得到序列化特征,获取用户信息和商品信息,并进行离散化处理,得到离散化特征,将离散化特征和序列化特征输入到业务处理模型中,得到与该业务处理请求对应的审核通过概率,判断该概率是否大于等于概率阈值,如果是,赔付审核通过,赔付审核处理完成;如果否,则流转至人工审核处理,由人工审核判断该赔付单是否通过,若人工审核不通过,则给出审核意见,并由用户或相关客服重新申请赔付单,将赔付单回流到赔付单审核池中;如果人工审核赔付申请通过,则由人工客服对该赔付单进行人工评价打分,赔付处理完成,同时将人工评价打分经过处理后,作为修正系数,更新审核通过的概率,以通过修正系数实现对业务处理模型的反馈修正。通过售后数据序列化和知识蒸馏实现了闭环的,自纠正、可解释的赔付审核处理策略,使得赔付审核结果更加客观、公正,提高了赔付审核的效率,提升了用户体验,也降低了电商公司不必要的赔付损失。
本发明实施例所提供的方法通过对用户画像数据和业务状态数据进行序列化处理,得到序列化特征,并将序列化特征输入预训练的业务处理模型,得到输出结果,根据输出结果得到与业务处理请求对应的业务处理策略。通过对数据进行序列化表示,表达节点信息的时序性和连续性,能够使得业务处理模型可以提取到各节点的时序信息和深层次语义信息,改善模型信息不足造成的准确率低、效果差的现状;业务处理模型是通过第一网络模型以知识蒸馏的方式引导训练得到的,提高了业务处理模型的模型效果,且具有一定的可解释性,同时利用人工处理的方式实现业务处理的自纠正与闭环的能力,使得业务处理更加高效、准确,进而提升用户体验,也降低了业务处理的金融风险。
图7是根据本发明实施例的一种确定业务处理策略的装置700的主要模块的示意图,如图5所示,该确定业务处理策略的装置700,包括:
获取模块701,响应于用户的业务处理请求,获取用户的用户画像数据和业务状态数据;
数据处理模块702,对用户画像数据和业务状态数据进行序列化处理,得到序列化特征;
模型预测模块703,将序列化特征输入预训练的业务处理模型,获取业务处理模型的输出结果;
确定模块704,根据输出结果确定与业务处理请求对应的业务处理策略。
在本发明实施例中,该装置还包括数据存储模块,获取模块701可以从数据存储模块获取用户的用户画像数据和业务状态数据。
在本发明实施例,模型预测模块703,还用于:将序列化特征输入预训练的业务处理模型之前,构建训练样本集和测试样本集,根据训练样本集对神经网络模型进行预训练,获得第一网络模型;根据测试样本集和第一网络模型,确定测试样本集中各个测试样本对应的第一输出结果,根据测试样本集和各个测试样本对应的第一输出结果,训练业务处理模型。
在本发明实施例中,模型预测模块703,进一步用于:将测试样本集中的各个测试样本输入到回归模型中,获得各个测试样本对应的第二输出结果;回归模型包括各个序列特征对应的各个权重系数;根据测试样本对应的第二输出结果、第一输出结果和测试样本的真实结果,计算测试样本对应的损失值;根据各个权重系数迭代计算损失值,当损失值的增量小于预设阈值时,确定各个权重系数,将回归模型确定为业务处理模型。
在本发明实施例中,模型预测模块703,进一步用于:计算第二输出结果与第一输出结果的损失函数,确定第一损失值;计算第二输出结果与真实结果的损失函数,确定第二损失值;将第一损失值和第二损失值进行加权求和,确定测试样本对应的损失值。
在本发明实施例中,数据处理模块702,还用于:在对用户画像数据和业务状态数据进行序列化处理之前,对用户画像数据和业务状态数据进行离散化处理。
在本发明实施例中,输出结果为采用预设第一业务处理策略的概率;确定模块704,进一步用于:判断概率是否大于等于概率阈值;若是,则以第一业务处理策略作为与业务处理请求对应的业务处理策略;否则,采用预设第二业务处理策略作为与业务处理请求对应的业务处理策略。
在本发明实施例中,确定模块704,还用于:在采用预设第二业务处理策略作为与业务处理请求对应的业务处理策略之前,确认未接收到针对业务处理请求的人工处理结果;否则,根据人工处理结果确定与业务处理请求对应的业务处理策略。
在本发明实施例中,确定模块704,还用于:根据人工处理结果确定与业务处理请求对应的业务处理策略之后,根据人工处理结果确定与业务处理请求对应的修正系数,根据修正系数更新业务处理模型。其中,确定模块也可以称为阈值判断与评价反馈模块。
本发明实施例还提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现本发明实施例的确定业务处理策略的方法。
本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现本发明实施例的确定业务处理策略的方法。
图8示出了可以应用本发明实施例的确定业务处理策略的方法或确定业务处理的装置的示例性系统架构800。
如图8所示,系统架构800可以包括终端设备801、802、803,网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互,以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器,例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的确定业务处理策略的方法一般由服务器805执行,相应地,确定业务处理策略的装置一般设置于服务器805中。
应该理解,图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图9,其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机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。而在本发明中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、数据处理模块、模型预测模块和确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,确定模块还可以被描述为“根据输出结果确定与业务处理请求对应的业务处理策略的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:响应于用户的业务处理请求,获取用户的用户画像数据和业务状态数据;对用户画像数据和业务状态数据进行序列化处理,得到序列化特征;将序列化特征输入预训练的业务处理模型,获取业务处理模型的输出结果;根据输出结果确定与业务处理请求对应的业务处理策略。
根据本发明实施例的技术方案,通过对用户画像数据和业务状态数据进行序列化处理,得到序列化特征,并将序列化特征输入预训练的业务处理模型,得到输出结果,根据输出结果得到与业务处理请求对应的业务处理策略。通过对数据进行序列化表示,表达节点信息的时序性和连续性,能够使得业务处理模型可以提取到各节点的时序信息和深层次语义信息,改善模型信息不足造成的准确率低、效果差的现状;并且业务处理模型是通过第一网络模型以知识蒸馏的方式引导训练得到的,提高了业务处理模型的模型效果,且具有一定的可解释性,同时利用人工处理的方式实现业务处理的自纠正与闭环的能力,使得业务处理更加高效、准确,进而提升用户体验,也降低了业务处理的金融风险。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种确定业务处理策略的方法,其特征在于,包括:
响应于用户的业务处理请求,获取所述用户的用户画像数据和业务状态数据;
对所述用户画像数据和所述业务状态数据进行序列化处理,得到序列化特征;
将所述序列化特征输入预训练的业务处理模型,获取所述业务处理模型的输出结果;
根据所述输出结果确定与所述业务处理请求对应的业务处理策略。
2.根据权利要求1所述的方法,其特征在于,将所述序列化特征输入预训练的业务处理模型之前,还包括:
构建训练样本集和测试样本集,根据所述训练样本集对神经网络模型进行预训练,获得第一网络模型;
根据所述测试样本集和所述第一网络模型,确定所述测试样本集中各个测试样本对应的第一输出结果;
根据所述测试样本集和所述各个测试样本对应的第一输出结果,训练所述业务处理模型。
3.根据权利要求2所述的方法,其特征在于,根据所述测试样本集和所述各个测试样本对应的第一输出结果,训练所述业务处理模型,包括:
将所述测试样本集中的各个测试样本输入到回归模型中,获得各个测试样本对应的第二输出结果;所述回归模型包括各个序列化特征对应的各个权重系数;
根据所述测试样本对应的所述第二输出结果、所述第一输出结果和所述测试样本的真实结果,计算所述测试样本对应的损失值;
根据所述各个权重系数迭代计算所述损失值,当所述损失值的增量小于预设阈值时,确定各个权重系数,获得所述业务处理模型。
4.根据权利要求3所述的方法,其特征在于,根据所述训练样本对应的所述第二输出结果、所述第一输出结果和所述测试样本中的真实结果,计算所述测试样本对应的损失值,包括:
计算所述第二输出结果与所述第一输出结果的损失函数,确定第一损失值;
计算所述第二输出结果与所述真实结果的损失函数,确定第二损失值;
将所述第一损失值和所述第二损失值进行加权求和,确定所述测试样本对应的损失值。
5.根据权利要求1所述的方法,其特征在于,对所述用户画像数据和所述业务状态数据进行序列化处理之前,还包括:
对所述用户画像数据和所述业务状态数据进行离散化处理。
6.根据权利要求1所述的方法,其特征在于,所述输出结果为采用预设第一业务处理策略的概率;
根据所述输出结果确定与所述业务处理请求对应的业务处理策略,包括:判断所述概率是否大于等于概率阈值;若是,则以第一业务处理策略作为与所述业务处理请求对应的业务处理策略;否则,采用预设第二业务处理策略作为与所述业务处理请求对应的业务处理策略。
7.根据权利要求6所述的方法,其特征在于,采用预设第二业务处理策略作为与所述业务处理请求对应的业务处理策略之前,还包括:确认未接收到针对所述业务处理请求的人工处理结果;
否则,根据所述人工处理结果确定与所述业务处理请求对应的业务处理策略。
8.根据权利要求7所述方法,其特征在于,根据所述人工处理结果确定与所述业务处理请求对应的业务处理策略之后,还包括:根据所述人工处理结果确定与所述业务处理请求对应的修正系数,根据所述修正系数更新所述业务处理模型。
9.一种确定业务处理策略的装置,其特征在于,包括:
获取模块,响应于用户的业务处理请求,获取所述用户的用户画像数据和业务状态数据;
数据处理模块,对所述用户画像数据和所述业务状态数据进行序列化处理,得到序列化特征;
模型预测模块,将所述序列化特征输入预训练的业务处理模型,获取所述业务处理模型的输出结果;
确定模块,根据所述输出结果确定与所述业务处理请求对应的业务处理策略。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质,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如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058162.7A CN113743906A (zh) | 2021-09-09 | 2021-09-09 | 一种确定业务处理策略的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111058162.7A CN113743906A (zh) | 2021-09-09 | 2021-09-09 | 一种确定业务处理策略的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113743906A true CN113743906A (zh) | 2021-12-03 |
Family
ID=78737700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111058162.7A Pending CN113743906A (zh) | 2021-09-09 | 2021-09-09 | 一种确定业务处理策略的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743906A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030135432A1 (en) * | 2002-01-15 | 2003-07-17 | Mcintyre Henry F. | Method and apparatus for managing the delivery and return of goods |
WO2008073063A1 (en) * | 2005-02-04 | 2008-06-19 | Readytrace, Inc. | Method and apparatus for providing aftermarket service for a product |
CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN106920066A (zh) * | 2016-08-03 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 信息处理方法和装置 |
CN107260159A (zh) * | 2017-06-28 | 2017-10-20 | 浙江理工大学 | 一种基于卷积神经网络的心脏电功能成像方法 |
CN108875583A (zh) * | 2018-05-23 | 2018-11-23 | 河海大学 | 一种基于城市建筑分类的tnl-gdp回归模型构建方法 |
CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技(北京)有限公司 | 点击率预估方法、系统、介质和计算设备 |
CN110175608A (zh) * | 2019-04-16 | 2019-08-27 | 中国平安财产保险股份有限公司 | 一种保险理赔附件处理方法及装置 |
CN110322093A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
CN111144738A (zh) * | 2019-12-24 | 2020-05-12 | 太平金融科技服务(上海)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新(北京)科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
CN112508711A (zh) * | 2020-11-11 | 2021-03-16 | 中国人寿保险股份有限公司 | 一种针对保单理赔的自动核赔方法及相关设备 |
CN113344437A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
-
2021
- 2021-09-09 CN CN202111058162.7A patent/CN113743906A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030135432A1 (en) * | 2002-01-15 | 2003-07-17 | Mcintyre Henry F. | Method and apparatus for managing the delivery and return of goods |
WO2008073063A1 (en) * | 2005-02-04 | 2008-06-19 | Readytrace, Inc. | Method and apparatus for providing aftermarket service for a product |
CN105787439A (zh) * | 2016-02-04 | 2016-07-20 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN106920066A (zh) * | 2016-08-03 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 信息处理方法和装置 |
CN107260159A (zh) * | 2017-06-28 | 2017-10-20 | 浙江理工大学 | 一种基于卷积神经网络的心脏电功能成像方法 |
CN110322093A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 信息处理方法、信息显示方法、装置及计算设备 |
CN108875583A (zh) * | 2018-05-23 | 2018-11-23 | 河海大学 | 一种基于城市建筑分类的tnl-gdp回归模型构建方法 |
CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技(北京)有限公司 | 点击率预估方法、系统、介质和计算设备 |
CN110175608A (zh) * | 2019-04-16 | 2019-08-27 | 中国平安财产保险股份有限公司 | 一种保险理赔附件处理方法及装置 |
CN111144738A (zh) * | 2019-12-24 | 2020-05-12 | 太平金融科技服务(上海)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新(北京)科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
CN112508711A (zh) * | 2020-11-11 | 2021-03-16 | 中国人寿保险股份有限公司 | 一种针对保单理赔的自动核赔方法及相关设备 |
CN113344437A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘璐;金素;: "保险公司资产负债管理中DFA模型的构建", 金融教学与研究, no. 05, 25 October 2010 (2010-10-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522483B (zh) | 用于推送信息的方法和装置 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN109035028B (zh) | 智能投顾策略生成方法及装置、电子设备、存储介质 | |
CN111382279A (zh) | 审单方法和装置 | |
CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
CN110866040A (zh) | 用户画像生成方法、装置和系统 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
WO2022156589A1 (zh) | 一种直播点击率的确定方法和装置 | |
CN109978594B (zh) | 订单处理方法、装置及介质 | |
US11810022B2 (en) | Contact center call volume prediction | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113159877B (zh) | 数据处理方法、装置、系统、计算机可读存储介质 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN113743906A (zh) | 一种确定业务处理策略的方法和装置 | |
CN114757700A (zh) | 物品销量预测模型训练方法、物品销量预测方法及装置 | |
CN114723239A (zh) | 一种多方协同建模方法、装置、设备、介质及程序产品 | |
CN114066603A (zh) | 贷后风险预警方法、装置、电子设备和计算机可读介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN113934894A (zh) | 基于指标树的数据显示方法、终端设备 | |
CN113360672A (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN114637921B (zh) | 基于建模偶然不确定性的物品推荐方法、装置和设备 | |
CN115526664A (zh) | 资源质量分计算方法、装置、存储介质及电子设备 |
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 |