CN114998041A - 理赔预测模型的训练方法和装置、电子设备及存储介质 - Google Patents

理赔预测模型的训练方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114998041A
CN114998041A CN202210739700.7A CN202210739700A CN114998041A CN 114998041 A CN114998041 A CN 114998041A CN 202210739700 A CN202210739700 A CN 202210739700A CN 114998041 A CN114998041 A CN 114998041A
Authority
CN
China
Prior art keywords
feature
data
sample
vector
vectors
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
Application number
CN202210739700.7A
Other languages
English (en)
Inventor
黄海龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202210739700.7A priority Critical patent/CN114998041A/zh
Publication of CN114998041A publication Critical patent/CN114998041A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种理赔预测模型的训练方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取样本理赔特征数据，样本理赔特征数据包括第一样本数据和第二样本数据；对第一样本数据和第二样本数据进行词嵌入处理，得到第一样本特征向量和第二样本特征向量；对每两个第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个第二样本特征向量进行特征交叉，得到第二特征交叉向量；根据第一特征交叉向量对第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量；通过初始理赔特征向量对神经网络模型进行损失计算，并对神经网络模型进行参数优化，得到理赔预测模型。本申请能够改善模型的训练效果。

Description

理赔预测模型的训练方法和装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种理赔预测模型的训练方法和装置、电子设备及存储介质。
背景技术
在智能理赔领域，常常是通过神经网络模型来对相关人员提供的信息进行分析处理，从而根据分析结果来进行理赔判断，而常用的神经网络模型往往无法对相关人员的信息进行深度分析，影响理赔预测准确性，因此，如何改善模型的训练效果，提高理赔预测的准确性，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出理赔预测模型的训练方法和装置、电子设备及存储介质，旨在改善模型的训练效果，提高理赔预测的准确性。
为实现上述目的，本申请实施例的第一方面提出了一种理赔预测模型的训练方法，所述方法包括：
获取样本理赔特征数据，所述样本理赔特征数据包括第一样本数据和第二样本数据，，其中，所述样本理赔特征数据包括样本案件的案件信息数据和案件描述数据，所述案件信息数据用于记录所述样本案件的案件基本信息，所述案件描述数据用于描述样本案件的案情；
对每一所述第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一所述第二样本数据进行词嵌入处理，得到多个第二样本特征向量；
对每两个所述第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个所述第二样本特征向量进行特征交叉，得到第二特征交叉向量；
根据所述第一特征交叉向量对所述第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量；
通过所述初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据所述目标误差值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到理赔预测模型。
在一些实施例，所述对每两个所述第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个所述第二样本特征向量进行特征交叉，得到第二特征交叉向量的步骤，包括：
对每两个所述第一样本特征向量进行内积处理，得到第一数值，并对多个所述第一数值进行组合处理，得到所述第一特征交叉向量；
对每两个所述第二样本特征向量进行内积处理，得到第二数值，并对多个所述第二数值进行组合处理，得到所述第二特征交叉向量。
在一些实施例，所述根据所述第一特征交叉向量对所述第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量的步骤，包括：
根据预设的计算公式对所述第一特征交叉向量和所述第二特征交叉向量进行融合处理，得到中间理赔特征向量和当前迭代数据；
若所述当前迭代数据为第一数据，则根据所述计算公式对所述第一特征交叉向量和所述中间理赔特征向量进行融合处理，直至所述当前迭代数据由所述第一数据转变为第二数据，得到所述初始理赔特征向量，其中，所述第一数据和所述第二数据用于表征融合次数是否满足迭代条件。
在一些实施例，所述通过所述初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据所述目标误差值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到理赔预测模型的步骤，包括：
通过所述神经网络模型对所述初始理赔特征向量和预先获取的偏置量进行线性求和，得到目标理赔特征向量；
通过预设函数对所述目标理赔特征向量进行激活处理，得到激活特征向量；
通过所述神经网络模型的损失函数对所述激活特征向量进行误差计算，得到目标误差值；
根据所述目标误差值对所述神经网络模型的模型参数进行优化处理，得到所述理赔预测模型。
在一些实施例，所述获取样本理赔特征数据的步骤，包括：
获取预设的数据源；
通过网络爬虫的方式对所述数据源进行数据爬取，得到所述样本理赔特征数据。
为实现上述目的，本申请实施例的第二方面提出了一种理赔预测方法，所述方法包括：
获取待预测的目标特征数据；
将所述目标特征数据输入至理赔预测模型中进行理赔预测，得到目标预测数据，其中，所述理赔预测模型根据如第一方面所述的训练方法训练得到。
为实现上述目的，本申请实施例的第三方面提出了一种理赔预测模型的训练装置，所述装置包括：
第一数据获取模块，用于获取样本理赔特征数据，所述样本理赔特征数据包括第一样本数据和第二样本数据，其中，所述样本理赔特征数据包括样本案件的案件信息数据和案件描述数据，所述案件信息数据用于记录所述样本案件的案件基本信息，所述案件描述数据用于描述样本案件的案情；
词嵌入模块，用于对每一所述第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一所述第二样本数据进行词嵌入处理，得到多个第二样本特征向量；
特征交叉模块，用于对每两个所述第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个所述第二样本特征向量进行特征交叉，得到第二特征交叉向量；
多层特征交叉模块，用于根据所述第一特征交叉向量对所述第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量；
训练模块，用于通过所述初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据所述目标误差值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到理赔预测模型。
为实现上述目的，本申请实施例的第四方面提出了一种理赔预测装置，所述装置包括：
第二数据获取模块，用于获取待预测的目标特征数据；
预测模块，用于将所述目标特征数据输入至理赔预测模型中进行理赔预测，得到目标预测数据，其中，所述理赔预测模型根据如第一方面所述的训练方法训练得到。
为实现上述目的，本申请实施例的第五方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面或者第二方面所述的方法。
为实现上述目的，本申请实施例的第六方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面或者第二方面所述的方法。
本申请提出的理赔预测模型的训练方法、理赔预测方法、理赔预测模型的训练装置、理赔预测装置、电子设备及存储介质，其通过获取样本理赔特征数据，样本理赔特征数据包括第一样本数据和第二样本数据；对每一第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一第二样本数据进行词嵌入处理，得到多个第二样本特征向量，通过采用词嵌入处理能够将高维稀疏型的数据信息转换成低维的稠密向量，从而提高数据处理效率。进一步地，对每两个第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个第二样本特征向量进行特征交叉，得到第二特征交叉向量；并根据第一特征交叉向量对第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量，能够较好地实现不同特征的多维深度交叉，使得能够更好地捕捉到样本理赔特征数据的本质特征。最后，通过初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据目标误差值对所述神经网络模型进行参数优化，以训练神经网络模型，得到理赔预测模型，能够有效地改善理赔预测模型的训练效果，提高理赔预测模型的理赔预测准确性。
附图说明
图1是本申请实施例提供的理赔预测模型的训练方法的流程图；
图2是图1中的步骤S101的流程图；
图3是图1中的步骤S103的流程图；
图4是图1中的步骤S104的流程图；
图5是图1中的步骤S105的流程图；
图6是本申请实施例提供的理赔预测方法的流程图；
图7是本申请实施例提供的理赔预测模型的训练装置的结构示意图；
图8是本申请实施例提供的理赔预测装置的结构示意图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
网络爬虫：又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
特征交叉(Feature Crosses)：即不同类型或者不同维度特征之间的交叉组合，其主要目的是为了弥补CTR场景中早期的模型无法有效的进行特征组合而产生的想法和实践，随着算法模型的进步，虽然一些机器学习排序模型(GBDT+LR、FM等)和深度学习排序模型能够捕获特征之间的联系，但是前期仍然会生成一些组合特征，比如用户在某些类别下的行为统计，性别下的数据统计等。特征交叉一种合成特征的方法，可以在多维特征数据集上，进行很好的非线性特征拟合。
编码(encoder)：将输入序列转化成一个固定长度的向量。
解码(decoder)：将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如embedding(复仇者联盟)和embedding(钢铁侠)之间的距离就会很接近，但embedding(复仇者联盟)和embedding(乱世佳人)的距离就会远一些。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给DNN，以提高效率。
BERT(Bidirectional Encoder Representation from Transformers)模型：BERT模型进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于Transformer构建而成。BERT中有三种embedding，即Token Embedding，SegmentEmbedding，Position Embedding；其中Token Embeddings是词向量，第一个单词是CLS标志，可以用于之后的分类任务；Segment Embeddings用来区别两种句子，因为预训练不光做LM还要做以两个句子为输入的分类任务；Position Embeddings，这里的位置词向量不是transfor中的三角函数，而是BERT经过训练学到的。但BERT直接训练一个positionembedding来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个position embedding和word embedding的结合方式上，BERT选择直接拼接。
内积(inner product)：又称数量积(scalar product)、点积(dot product),它是一种向量运算,但其结果为某一数值,并非向量。内积是指接受在实数R上的两个向量并返回一个实数值标量的二元运算。它是欧几里得空间的标准内积。
激活函数(Activation Function)：是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。
逻辑回归(Logistic Regression)：逻辑回归又称逻辑回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。逻辑回归是一种广义线性回归(generalized linear model)，因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同，都具有w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y＝w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p＝L(w‘x+b),然后根据p与1-p的大小决定因变量的值。如果L是logistic函数，就是逻辑回归，如果L是多项式函数就是多项式回归。logistic回归的因变量可以是二分类的，也可以是多分类的，但是二分类的更为常用，也更加容易解释，多类可以使用softmax方法进行处理。实际中最为常用的就是二分类的逻辑回归。
目前，自动理赔业务往往会根据历史理赔数据的理赔情况，通过人工提取的方式获取具有理赔区分度的特征，并将这些特征组织成结构化的数据，利用神经网络模型来对这些特征数据进行分析处理，从而根据分析结果来进行理赔判断，而受限于神经网络模型的模型结构，常用的神经网络模型往往无法对数据进行深度分析，影响理赔预测准确性，因此，如何改善模型的训练效果，提高理赔预测的准确性，成为了亟待解决的技术问题。
基于此，本申请实施例提供了一种理赔预测模型的训练方法、理赔预测方法、理赔预测模型的训练装置、理赔预测装置、电子设备及存储介质，旨在改善模型的训练效果，提高理赔预测的准确性。
本申请实施例提供的理赔预测模型的训练方法、理赔预测方法、理赔预测模型的训练装置、理赔预测装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的理赔预测模型的训练方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的理赔预测模型的训练方法，涉及人工智能技术领域。本申请实施例提供的理赔预测模型的训练方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现理赔预测模型的训练方法的应用等，但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的理赔预测模型的训练方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101，获取样本理赔特征数据，样本理赔特征数据包括第一样本数据和第二样本数据；
步骤S102，对每一第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一第二样本数据进行词嵌入处理，得到多个第二样本特征向量；
步骤S103，对每两个第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个第二样本特征向量进行特征交叉，得到第二特征交叉向量；
步骤S104，根据第一特征交叉向量对第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量；
步骤S105，通过初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据目标误差值对所述神经网络模型进行参数优化，以训练神经网络模型，得到理赔预测模型。
本申请实施例所示意的步骤S101至步骤S105，通过获取样本理赔特征数据，样本理赔特征数据包括第一样本数据和第二样本数据；对每一第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一第二样本数据进行词嵌入处理，得到多个第二样本特征向量，通过采用词嵌入处理能够将高维稀疏型的数据信息转换成低维的稠密向量，从而提高数据处理效率。进一步地，对每两个第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个第二样本特征向量进行特征交叉，得到第二特征交叉向量；并根据第一特征交叉向量对第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量，能够较好地实现不同特征的多维深度交叉，使得能够更好地捕捉到样本理赔特征数据的本质特征。最后，通过初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据目标误差值对所述神经网络模型进行参数优化，以训练神经网络模型，得到理赔预测模型能够有效地改善理赔预测模型的训练效果，提高理赔预测模型的理赔预测准确性。
请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S202：
步骤S201，获取预设的数据源；
步骤S202，通过网络爬虫的方式对数据源进行数据爬取，得到样本理赔特征数据。
在一些实施例的步骤S201中，预设的数据源可以是已有的保险理赔数据库或者目标业务平台，还可以是其他设备、平台等，不做限制。
在一些实施例的步骤S202中，可以通过编写网络爬虫,在获取到的数据源上进行有目标性地爬取数据，得到样本理赔特征数据，其中，样本理赔特征数据包括第一样本数据和第二样本数据，第一样本数据的数据内容与第二样本数据的数据内容相同。也可以通过其他方式获取样本理赔特征数据，不限于此。，其中，样本理赔特征数据包括样本案件的案件信息数据和案件描述数据，案件信息数据用于记录样本案件的案件基本信息，案件描述数据用于描述样本案件的案情。以某一个具体的理赔场景为例，样本理赔特征数据包括目标对象购买保险的时间、购买的保险的种类，以及目标对象的疾病类型、目标对象的就诊医院是否为定点医院等等。
在一些实施例的步骤S102中，通过BERT模型对每一第一样本数据进行词嵌入处理，将每一第一样本数据从语义空间映射到向量空间，实现高维稀疏型的数据信息到低维稠密向量的转换，得到多个第一样本特征向量X0。同样地，通过BERT模型对每一第二样本数据进行词嵌入处理，将每一第二样本数据从语义空间映射到向量空间，实现高维稀疏型的数据信息到低维稠密向量的转换，得到多个第二样本特征向量Y0。该过程通过采用词嵌入处理能够将高维稀疏型的数据信息转换成低维的稠密向量，从而提高数据处理效率。
请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301至步骤S302：
步骤S301，对每两个第一样本特征向量进行内积处理，得到第一数值，并对多个第一数值进行组合处理，得到第一特征交叉向量；
步骤S302，对每两个第二样本特征向量进行内积处理，得到第二数值，并对多个第二数值进行组合处理，得到第二特征交叉向量。
在一些实施例的步骤S301中，若其中一个第一样本特征向量为X0a＝[a1，a2，…，an]，另一个第一样本特征向量为X0b＝[b1，b2，…，bn]，则对这两个第一样本特征向量的内积过程可以表示为X0a⊙X0b＝a1*b1+a2*b2+…+an*bn，通过这一方式得到多个第一数值mi＝X0a⊙X0b，i∈n，每一个第一数值都代表着两个第一样本特征向量特征交叉的结果。进一步地，对多个第一数值进行组合处理，可以是对多个第一数值进行向量化，并对向量化的第一数值进行向量相加或者向量拼接，得到第一特征交叉向量X1。
在一些实施例的步骤S302中，若其中一个第二样本特征向量为Y0a＝[a1，a2，…，an]，另一个第一样本特征向量为Y0b＝[b1，b2，…，bn]，则对这两个第二样本特征向量的内积过程可以表示为Y0a⊙Y0b＝a1*b1+a2*b2+…+an*bn，通过这一方式得到多个第二数值pi＝Y0a⊙Y0b，i∈n，每一个第二数值都代表着两个第二样本特征向量特征交叉的结果。进一步地，对多个第二数值进行组合处理，可以是对多个第二数值进行向量化，并对向量化的第二数值进行向量相加或者向量拼接，得到第二特征交叉向量Y1。
需要说明的是，由于第一样本数据的数据内容与第二样本数据的数据内容相同，会使得经过词嵌入处理得到的第一样本特征向量和第二样本特征向量相同，进而，经过特征交叉得到的第一特征交叉向量X1和第二特征交叉向量Y1的向量值也会相同。
请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S402：
步骤S401，根据预设的计算公式对第一特征交叉向量和第二特征交叉向量进行融合处理，得到中间理赔特征向量和当前迭代数据；
步骤S402，若当前迭代数据为第一数据，则根据计算公式对第一特征交叉向量和中间理赔特征向量进行融合处理，直至当前迭代数据由第一数据转变为第二数据，得到初始理赔特征向量，其中，第一数据和第二数据用于表征融合次数是否满足迭代条件。
在一些实施例的步骤S401和步骤S402中，根据预设的计算公式对第一特征交叉向量X1和第二特征交叉向量Y1进行融合的过程可以表示为
Figure BDA0003717346390000101
Figure BDA0003717346390000102
……
Figure BDA0003717346390000103
其中，Y(n-1)、Y1、Y2、Y3、X1以及W均为行向量，
Figure BDA0003717346390000104
的结果均为n*n的矩阵，该矩阵与W相乘的结果依旧为行向量。
其中，Y2、Y3、…、Y(n-1)均为中间理赔特征向量，当前迭代数据为m，其中，若m小于n时，m为第一数据，则需要再次根据计算公式将第一特征交叉向量与当前的中间理赔特征进行融合处理，直至当前迭代数据m等于n，当当前迭代数据为第二数据时，即表明m等于m，达到了预设的跌倒次数，则输出最终的初始理赔特征向量Yn。
通过上述步骤S401和步骤S402能够方便地将二阶特征交叉技术扩展到深度多维的特征交叉，并且使得时间复杂度仅为线性增长，降低了计算复杂度，同时能够使得通过深度多维多特征交叉更好地捕捉到自动理赔与否的本质数据，提高理赔预测模型的预测能力。
请参阅图5，在一些实施例中，步骤S105可以包括但不限于包括步骤S501至步骤S504：
步骤S501，通过神经网络模型对初始理赔特征向量和预先获取的偏置量进行线性求和，得到目标理赔特征向量；
步骤S502，通过预设函数对目标理赔特征向量进行激活处理，得到激活特征向量；
步骤S503，通过神经网络模型的损失函数对激活特征向量进行误差计算，得到目标误差值；
步骤S504，根据目标误差值对神经网络模型的模型参数进行优化处理，得到理赔预测模型。
在一些实施例的步骤S501中，神经网络模型为逻辑回归预测模型，通过神经网络模型对初始理赔特征向量和预先获取的偏置量进行线性求和时，可以将初始理赔特征向量Yn与偏置量p进行向量相加，得到目标理赔特征向量。
在一些实施例的步骤S502中，预设函数可以是relu函数、tanh函数、sigmoid函数等激活函数，通过预设函数对目标理赔特征向量进行激活处理，将目标理赔特征向量映射到预设的特征向量空间，得到激活特征向量。
在一些实施例的步骤S503中，通过损失函数对激活特征向量和参考激活特征进行误差计算，得到目标误差值。其中，该损失函数具体可以是平方差损失函数等。
在一些实施例的步骤S504中，对目标误差值进行反向传播，根据目标误差值对神经网络模型的模型参数进行优化，通过不断地调参，使得目标误差值最小化，得到理赔预测模型。
本申请实施例的理赔预测模型的训练方法，其通过获取样本理赔特征数据，样本理赔特征数据包括第一样本数据和第二样本数据；对每一第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一第二样本数据进行词嵌入处理，得到多个第二样本特征向量，通过采用词嵌入处理能够将高维稀疏型的数据信息转换成低维的稠密向量，从而提高数据处理效率。进一步地，对每两个第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个第二样本特征向量进行特征交叉，得到第二特征交叉向量；并根据第一特征交叉向量对第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量，能够较好地实现不同特征的多维深度交叉，使得能够更好地捕捉到样本理赔特征数据的本质特征。最后，通过初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据目标误差值对所述神经网络模型进行参数优化，以训练神经网络模型，得到理赔预测模型，能够有效地改善理赔预测模型的训练效果，提高理赔预测模型的理赔预测准确性。
请参阅图6，图6是本申请实施例提供的理赔预测方法的一个可选的流程图，图6中的方法可以包括但不限于包括步骤S601至步骤S602。
步骤S601，获取待预测的目标特征数据；
步骤S602，将目标特征数据输入至理赔预测模型中进行理赔预测，得到目标预测数据，其中，理赔预测模型根据如第一方面的训练方法训练得到。
在一些实施例的步骤S601中，可以通过编写网络爬虫,在获取到的数据源上进行有目标性地爬取数据，得到待预测的目标特征数据。也可以通过其他方式获取待预测的目标特征数据，不限于此。以某一个具体的理赔场景为例，目标特征数据包括目标对象购买保险的时间、购买的保险的种类，以及目标对象的疾病类型、目标对象的就诊医院是否为定点医院等等。
在一些实施例的步骤S602中，通过理赔预测模型对目标特征数据进行多次特征交叉，捕捉目标特征数据的本质特征，并对本质特征进行逻辑回归预测，得到目标预测数据，该目标预测数据主要包括预测概率值，例如，若预测概率值大于预设阈值，则表明目标特征数据为正常理赔，若预测概率值小于预设阈值，则表明目标特征数据为非正常理赔，因此，通过目标预测数据来反映出目标特征数据的理赔类别，从而方便地判断出目标特征数据是为正常理赔还是非正常理赔，提高理赔预测准确性以及理赔合理性。
本申请实施例的理赔预测方法，其通过获取待预测的目标特征数据，将目标特征数据输入至理赔预测模型中进行理赔预测，能够通过理赔预测模型对目标特征数据进行多次特征交叉，获取该目标特征数据中较为关键的理赔特征，从而根据这一系列理赔特征进行逻辑回归预测，从而得到目标预测数据，通过目标预测数据来反映出目标特征数据的理赔类别，从而方便地判断出目标特征数据是为正常理赔还是非正常理赔，提高理赔预测准确性以及理赔合理性。
请参阅图7，本申请实施例还提供一种理赔预测模型的训练装置，可以实现上述理赔预测模型的训练方法，该装置包括：
第一数据获取模块701，用于获取样本理赔特征数据，样本理赔特征数据包括第一样本数据和第二样本数据，其中，样本理赔特征数据包括样本案件的案件信息数据和案件描述数据，案件信息数据用于记录样本案件的案件基本信息，案件描述数据用于描述样本案件的案情；
词嵌入模块702，用于对每一第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一第二样本数据进行词嵌入处理，得到多个第二样本特征向量；
特征交叉模块703，用于对每两个第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个第二样本特征向量进行特征交叉，得到第二特征交叉向量；
多层特征交叉模块704，用于根据第一特征交叉向量对第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量；
训练模块705，用于通过初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据目标误差值对神经网络模型进行参数优化，以训练神经网络模型，得到理赔预测模型。
在一些实施例中，第一数据获取模块701包括：
数据获取单元，用于获取预设的数据源；
数据爬取单元，用于通过网络爬虫的方式对数据源进行数据爬取，得到样本理赔特征数据。
在一些实施例中，特征交叉模块703包括：
第一处理单元，用于对每两个第一样本特征向量进行内积处理，得到第一数值，并对多个第一数值进行组合处理，得到第一特征交叉向量；
第二处理单元，用于对每两个第二样本特征向量进行内积处理，得到第二数值，并对多个第二数值进行组合处理，得到第二特征交叉向量。
在一些实施例中，多层特征交叉模块704包括：
融合单元，用于根据预设的计算公式对第一特征交叉向量和第二特征交叉向量进行融合处理，得到中间理赔特征向量和当前迭代数据；
循环单元，用于若当前迭代数据为第一数据，则根据计算公式对第一特征交叉向量和中间理赔特征向量进行融合处理，直至当前迭代数据由第一数据转变为第二数据，得到初始理赔特征向量，其中，第一数据和第二数据用于表征融合次数是否满足迭代条件。
在一些实施例中，训练模块705包括：
求和单元，用于通过神经网络模型对初始理赔特征向量和预先获取的偏置量进行线性求和，得到目标理赔特征向量；
激活单元，用于通过预设函数对目标理赔特征向量进行激活处理，得到激活特征向量；
误差计算单元，用于通过神经网络模型的损失函数对激活特征向量进行误差计算，得到目标误差值；
优化单元，用于根据目标误差值对神经网络模型的模型参数进行优化处理，得到理赔预测模型。
该理赔预测装置的具体实施方式与上述理赔预测方法的具体实施例基本相同，在此不再赘述。
请参阅图8，本申请实施例还提供一种理赔预测装置，可以实现上述理赔预测方法，该装置包括：
第二数据获取模块801，用于获取待预测的目标特征数据；
预测模块802，用于将目标特征数据输入至理赔预测模型中进行理赔预测，得到目标预测数据，其中，理赔预测模型根据如第一方面的训练方法训练得到。
该理赔预测装置的具体实施方式与上述理赔预测方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述理赔预测模型的训练方法或者理赔预测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的理赔预测模型的训练方法或者理赔预测方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述理赔预测模型的训练方法或者理赔预测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的理赔预测模型的训练方法、理赔预测方法、理赔预测模型的训练装置、理赔预测装置、电子设备及存储介质，其通过获取样本理赔特征数据，样本理赔特征数据包括第一样本数据和第二样本数据；对每一第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一第二样本数据进行词嵌入处理，得到多个第二样本特征向量，通过采用词嵌入处理能够将高维稀疏型的数据信息转换成低维的稠密向量，从而提高数据处理效率。进一步地，对每两个第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个第二样本特征向量进行特征交叉，得到第二特征交叉向量；并根据第一特征交叉向量对第二样本特征向量进行多层特征交叉计算，得到初始理赔特征向量，能够较好地实现不同特征的多维深度交叉，使得能够更好地捕捉到样本理赔特征数据的本质特征。由于本申请实施例的特征交叉过程是由2阶特征交叉延伸到深度特征交叉，因此，时间复杂度只会线性增加，并不会因为多次特征交叉而使得时间复杂度指数级增加，能够有效地简化计算过程，从而使得特征交叉的自动化，能够减少特征构建过程中的人力投入。最后，通过初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据目标误差值对所述神经网络模型进行参数优化，以训练神经网络模型，得到理赔预测模型，能够有效地改善理赔预测模型的训练效果，提高理赔预测模型的理赔预测准确性。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-6中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多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例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种理赔预测模型的训练方法，其特征在于，所述训练方法包括：
获取样本理赔特征数据，所述样本理赔特征数据包括第一样本数据和第二样本数据，其中，所述样本理赔特征数据包括样本案件的案件信息数据和案件描述数据，所述案件信息数据用于记录所述样本案件的案件基本信息，所述案件描述数据用于描述样本案件的案情；
对每一所述第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一所述第二样本数据进行词嵌入处理，得到多个第二样本特征向量；
对每两个所述第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个所述第二样本特征向量进行特征交叉，得到第二特征交叉向量；
根据所述第一特征交叉向量对所述第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量；
通过所述初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据所述目标误差值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到理赔预测模型。
2.根据权利要求1所述的训练方法，其特征在于，所述对每两个所述第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个所述第二样本特征向量进行特征交叉，得到第二特征交叉向量的步骤，包括：
对每两个所述第一样本特征向量进行内积处理，得到第一数值，并对多个所述第一数值进行组合处理，得到所述第一特征交叉向量；
对每两个所述第二样本特征向量进行内积处理，得到第二数值，并对多个所述第二数值进行组合处理，得到所述第二特征交叉向量。
3.根据权利要求1所述的训练方法，其特征在于，所述根据所述第一特征交叉向量对所述第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量的步骤，包括：
根据预设的计算公式对所述第一特征交叉向量和所述第二特征交叉向量进行融合处理，得到中间理赔特征向量和当前迭代数据；
若所述当前迭代数据为第一数据，则根据所述计算公式对所述第一特征交叉向量和所述中间理赔特征向量进行融合处理，直至所述当前迭代数据由所述第一数据转变为第二数据，得到所述初始理赔特征向量，其中，所述第一数据和所述第二数据用于表征融合次数是否满足迭代条件。
4.根据权利要求1所述的训练方法，其特征在于，所述通过所述初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据所述目标误差值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到理赔预测模型的步骤，包括：
通过所述神经网络模型对所述初始理赔特征向量和预先获取的偏置量进行线性求和，得到目标理赔特征向量；
通过预设函数对所述目标理赔特征向量进行激活处理，得到激活特征向量；
通过所述神经网络模型的损失函数对所述激活特征向量进行误差计算，得到目标误差值；
根据所述目标误差值对所述神经网络模型的模型参数进行优化处理，得到所述理赔预测模型。
5.根据权利要求1至4任一项所述的训练方法，其特征在于，所述获取样本理赔特征数据的步骤，包括：
获取预设的数据源；
通过网络爬虫的方式对所述数据源进行数据爬取，得到所述样本理赔特征数据。
6.一种理赔预测方法，其特征在于，所述方法包括：
获取待预测的目标特征数据；
将所述目标特征数据输入至理赔预测模型中进行理赔预测，得到目标预测数据，其中，所述理赔预测模型根据如权利要求1至5任一项所述的训练方法训练得到。
7.一种理赔预测模型的训练装置，其特征在于，所述训练装置包括：
第一数据获取模块，用于获取样本理赔特征数据，所述样本理赔特征数据包括第一样本数据和第二样本数据，其中，所述样本理赔特征数据包括样本案件的案件信息数据和案件描述数据，所述案件信息数据用于记录所述样本案件的案件基本信息，所述案件描述数据用于描述样本案件的案情；
词嵌入模块，用于对每一所述第一样本数据进行词嵌入处理，得到多个第一样本特征向量，并对每一所述第二样本数据进行词嵌入处理，得到多个第二样本特征向量；
特征交叉模块，用于对每两个所述第一样本特征向量进行特征交叉，得到第一特征交叉向量，并对每两个所述第二样本特征向量进行特征交叉，得到第二特征交叉向量；
多层特征交叉模块，用于根据所述第一特征交叉向量对所述第二特征交叉向量进行多层特征交叉计算，得到初始理赔特征向量；
训练模块，用于通过所述初始理赔特征向量对预设的神经网络模型进行损失计算，得到目标误差值，并根据所述目标误差值对所述神经网络模型进行参数优化，以训练所述神经网络模型，得到理赔预测模型。
8.一种理赔预测装置，其特征在于，所述理赔预测装置包括：
第二数据获取模块，用于获取待预测的目标特征数据；
预测模块，用于将所述目标特征数据输入至理赔预测模型中进行理赔预测，得到目标预测数据，其中，所述理赔预测模型根据如权利要求1至5任一项所述的训练方法训练得到。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至5任一项所述的理赔预测模型的训练方法或者如权利要求6所述的理赔预测方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至5任一项所述的理赔预测模型的训练方法或者如权利要求6所述的理赔预测方法的步骤。
CN202210739700.7A 2022-06-28 2022-06-28 理赔预测模型的训练方法和装置、电子设备及存储介质 Pending CN114998041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210739700.7A CN114998041A (zh) 2022-06-28 2022-06-28 理赔预测模型的训练方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210739700.7A CN114998041A (zh) 2022-06-28 2022-06-28 理赔预测模型的训练方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114998041A true CN114998041A (zh) 2022-09-02

Family

ID=83037233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210739700.7A Pending CN114998041A (zh) 2022-06-28 2022-06-28 理赔预测模型的训练方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114998041A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342300A (zh) * 2023-05-26 2023-06-27 凯泰铭科技（北京）有限公司 一种保险理赔人员特征分析方法、装置和设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342300A (zh) * 2023-05-26 2023-06-27 凯泰铭科技（北京）有限公司 一种保险理赔人员特征分析方法、装置和设备

Similar Documents

Publication Publication Date Title
CN113792818B (zh) 意图分类方法、装置、电子设备及计算机可读存储介质
CN113887215A (zh) 文本相似度计算方法、装置、电子设备及存储介质
CN114358007A (zh) 多标签识别方法、装置、电子设备及存储介质
CN114626097A (zh) 脱敏方法、脱敏装置、电子设备及存储介质
CN113707307A (zh) 病情分析方法、装置、电子设备及存储介质
CN114722826B (zh) 模型的训练方法和装置、电子设备、存储介质
CN115222066A (zh) 模型训练方法和装置、行为预测方法、设备及存储介质
CN113704428A (zh) 智能问诊方法、装置、电子设备及存储介质
CN114358201A (zh) 基于文本的情感分类方法和装置、计算机设备、存储介质
CN114519356A (zh) 目标词语的检测方法、装置、电子设备及存储介质
CN114240552A (zh) 基于深度聚类算法的产品推荐方法、装置、设备及介质
CN114359810A (zh) 视频摘要生成方法、装置、电子设备及存储介质
CN114841146B (zh) 文本摘要生成方法和装置、电子设备及存储介质
CN114926039A (zh) 风险评估方法、风险评估装置、电子设备及存储介质
CN114492661A (zh) 文本数据分类方法和装置、计算机设备、存储介质
CN114358020A (zh) 疾病部位识别方法、装置、电子设备及存储介质
CN114613462A (zh) 医疗数据处理方法和装置、电子设备及存储介质
CN114998041A (zh) 理赔预测模型的训练方法和装置、电子设备及存储介质
CN116719999A (zh) 文本相似度检测方法和装置、电子设备及存储介质
CN116680386A (zh) 基于多轮对话的答案预测方法和装置、设备、存储介质
CN114398903B (zh) 意图识别方法、装置、电子设备及存储介质
CN116414988A (zh) 基于依赖关系增强的图卷积方面级情感分类方法及系统
CN115982452A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN114090778A (zh) 基于知识锚点的检索方法、装置、电子设备及存储介质
CN115270746A (zh) 问题样本生成方法和装置、电子设备及存储介质

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