CN115098508A - 基于物联网的智慧城市核查列表生成方法、系统及装置 - Google Patents
基于物联网的智慧城市核查列表生成方法、系统及装置 Download PDFInfo
- Publication number
- CN115098508A CN115098508A CN202210776691.9A CN202210776691A CN115098508A CN 115098508 A CN115098508 A CN 115098508A CN 202210776691 A CN202210776691 A CN 202210776691A CN 115098508 A CN115098508 A CN 115098508A
- Authority
- CN
- China
- Prior art keywords
- platform
- social security
- information
- target object
- medical insurance
- 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 76
- 238000007726 management method Methods 0.000 claims description 168
- 238000012550 audit Methods 0.000 claims description 96
- 238000011156 evaluation Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 44
- 238000013210 evaluation model Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 abstract description 45
- 238000012549 training Methods 0.000 description 39
- 230000002265 prevention Effects 0.000 description 26
- 239000013598 vector Substances 0.000 description 23
- 230000008520 organization Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种基于物联网的智慧城市核查列表生成方法、系统及装置。该方法由核查管理平台执行。该基于物联网的智慧城市核查列表生成方法包括:基于服务平台通过用户平台获取查询请求;基于人口信息平台获取关联人信息,关联人信息包括目标对象信息和关系人信息;基于关联人信息,通过协同平台获取协同特征;基于协同特征确定对应于查询请求的核查列表;基于服务平台通过用户平台,将核查列表反馈给用户。该基于物联网的智慧城市核查列表生成系统包括用户平台、服务平台和核查管理平台。该方法可以通过基于物联网的智慧城市核查列表生成装置实现。该方法还可以通过计算机可读存储介质存储的计算机指令被读取后运行。
Description
技术领域
本说明书涉及物联网与云平台领域,特别涉及一种基于物联网的智慧城市核查列表生成方法、系统及装置。
背景技术
随着信息科学技术的发展,云平台的概念及其在物联网中的应用被越来越多的人提及。云平台和物联网中存在不同用户的海量数据。当多个用户办理业务申请时,为了降低风险,相关机构通常需要对多个用户通过海量数据进行风险评估或预测。如何基于海量数据,筛选出风险可能较高的用户,以便相关机构对用户进行进一步排查是目前亟需解决解决的问题。
因此,希望提供一种基于物联网的智慧城市核查列表生成方法、系统及装置,能够更好地确定核查列表,以便进行进一步排查。
发明内容
本说明书实施例之一提供一种基于物联网的智慧城市核查列表生成方法。所述方法由核查管理平台执行,包括:基于服务平台通过用户平台获取查询请求;基于人口信息平台获取关联人信息,所述关联人信息包括目标对象信息和关系人信息;基于所述关联人信息,通过协同平台获取协同特征;基于所述协同特征确定对应于所述查询请求的核查列表;基于所述服务平台通过所述用户平台,将所述核查列表反馈给用户。
本说明书实施例之一提供一种基于物联网的智慧城市核查列表生成系统。所述系统包括用户平台、服务平台和核查管理平台,所述核查管理平台被配置为执行以下操作:基于服务平台通过用户平台获取查询请求;基于人口信息平台获取关联人信息,所述关联人信息包括目标对象信息和关系人信息;基于所述关联人信息,通过协同平台获取协同特征;基于所述协同特征确定对应于所述查询请求的核查列表;基于所述服务平台通过所述用户平台,将所述核查列表反馈给用户。
本说明书实施例之一提供一种基于物联网的智慧城市核查列表生成装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如上述任一实施例所述的基于物联网的智慧城市核查列表生成方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行上述任一项所述的基于物联网的智慧城市核查列表生成方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的基于物联网的智慧城市核查列表生成系统的应用场景示意图;
图2是根据本说明书一些实施例所示的基于物联网的智慧城市核查列表生成系统的示例性示意图;
图3是根据本说明书一些实施例所示的基于物联网的智慧城市核查列表生成方法的示例性流程图;
图4是根据本说明书一些实施例所示的确定协同特征的示例性示意图;
图5是根据本说明书一些实施例所示的基于协同特征确定核查列表的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于物联网的智慧城市核查列表生成系统的应用场景示意图。如图1所示,基于物联网的智慧城市核查列表生成系统的应用场景100可以包括处理设备110、网络120、存储设备130、用户终端140等中的一种或多种。
在一些实施例中,处理设备110可以处理与基于物联网的智慧城市核查列表生成系统的应用场景100有关的信息和/或数据,以执行本申请中描述的一个或以上功能。例如,处理设备110可以通过用户平台获取查询请求,基于人口信息平台获取关联人信息。又例如,处理设备110可以通过协同平台获取协同特征,基于协同特征确定对应于查询请求的核查列表。在一些实施例中,处理设备110可以包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理设备110可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可以连接系统的各个组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间,以及与系统之外其他部分可以进行通信。例如,用户终端140通过网络120将查询请求传输至处理设备110进行处理。处理设备110通过网络120获取存储设备130中的数据。处理设备110处理接收到的查询请求,并再经过网络120将核查列表发送至用户终端140。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。例如,网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式,也可以是采取多种方式。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
存储设备130可以用于存储与基于物联网的智慧城市核查列表生成系统的应用场景100相关的数据和/或指令。在一些实施例中,存储设备130可以存储从处理设备110、用户终端140等获得的数据和/或信息。例如,存储设备130可以存储关联人信息、协同特征等。在一些实施例中,存储设备130可以包括一个或多个存储组件,每个存储组件可以是一个独立的设备,也可以是其他设备的一部分。在一些实施例中,存储设备130可以设置在处理设备110中。在一些实施例中,存储设备130可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的,大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备130可在云平台上实现。
用户终端140可以指用户所使用的与基于物联网的智慧城市核查列表生成系统的应用场景100相关的设备或其他实体。用户可以为具有查询请求的个人或集体。例如,用户可以包括相关机构(如,金融机构等)、个人、企业、公司等。在一些实施例中,用户终端140还可以是执行查询的机构,例如,政府部门等。例如,用户终端140可以用于向处理设备110发送查询请求。又例如,用户终端140可以接收处理设备110发送的核查列表。在一些实施例中,用户终端140可以是移动设备140-1、平板计算机140-2、膝上型计算机140-3、台式计算机140-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中,移动设备140-1可以包括智能手机、智能传呼设备等或其他智能设备。在一些实施例中,用户终端140可以包括其他智能终端,如可穿戴智能终端等。上述示例仅用于说明用户终端140设备范围的广泛性而非对其范围的限制。
应当注意基于物联网的智慧城市核查列表生成系统的应用场景100仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,基于物联网的智慧城市核查列表生成系统的应用场景100可以在其它设备上实现类似或不同的功能。然而,这些变化和修改不会背离本申请的范围。
基于物联网的智慧城市核查列表生成系统200可以基于物联网系统实现。
物联网系统是一种包括用户平台、服务平台、管理平台中部分或全部平台的信息处理系统。用户平台是指以用户为主导的平台,可以获取用户的需求以及将信息反馈给用户的平台。服务平台指可以为用户提供输入和输出服务的平台。管理平台可以实现统筹、协调各功能平台之间的联系和协作,汇聚着物联网运行体系的信息,可以为物联网运行体系提供感知管理和控制管理功能。
图2是根据本说明书一些实施例所示的基于物联网的智慧城市核查列表生成系统的系统示意图。基于物联网的智慧城市核查列表生成系统200可以包括用户平台210、服务平台220和核查管理平台230。在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以为处理设备110的一部分或由处理设备110实现。
用户平台210可以是指以用户为主导,获取用户的需求以及将信息反馈给用户的物联网平台。例如,用户平台210可以获取查询请求。用户平台210可以将核查列表反馈给用户。在一些实施例中,用户平台210可以通过用户终端获取用户的需求以及将信息反馈给用户。用户平台210可以包括图1中的处理设备110以及其他组件。
关于用户平台210的更多细节可以参见图3及其说明。
服务平台220指可以为用户提供输入和输出服务的物联网平台。例如,服务平台可以给用户平台发送核查列表等。
关于服务平台220的更多细节可以参见图3及其说明。
核查管理平台230可以是指统筹、协调各功能平台之间的联系和协作,汇聚着物联网全部的信息,为物联网运行体系提供感知管理和控制管理的物联网平台。例如,核查管理平台230可以基于服务平台通过用户平台获取查询请求。核查管理平台230可以基于人口信息平台获取关联人信息。核查管理平台230可以基于关联人信息,通过协同平台获取协同特征。核查管理平台230可以基于协同特征确定对应于查询请求的核查列表。核查管理平台230可以包括图1中的处理设备110以及其他组件。在一些实施例中,核查管理平台230可以是由管理人员、人工智能、或由预设规则操控的远程平台。
关于核查管理平台230的更多细节可以参见图3-图5及其说明。
在一些实施例中,核查管理平台230可以和一个或多个网外云平台进行通讯。核查管理平台230可以通过网外云平台获取相关的辅助数据。在一些实施例中,一个或多个网外云平台可以包括人口信息平台、协同平台等。
人口信息平台可以指存储某区域内(例如,全国、全球等)的人口信息,同时提供关联人信息查询的平台。例如,人口信息平台可以存储人的性别、年龄、居住地、家庭成员等人口信息。在一些实施例中,通过人口信息平台可以获取关联人信息。例如,通过人口信息平台查询某个对象,可以获取该对象的居住地信息。通过在人口信息平台查询居住地与该对象的居住地相同的对象,可以获取该对象的关联人信息。
关于人口信息平台的更多细节可以参见图3及其说明。
协同平台是指可以为核查列表生成提供协助信息的平台。例如,协同平台可以提供协同信息,该协同信息可以用于核查列表生成。在一些实施例中,协同平台可以基于关联人信息,获取协同特征。在一些实施例中,协同平台可以包括社保平台和医保平台中的至少一种。
关于协同平台的更多细节可以参见图3-图5及其说明。
在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以应用于风险预测管理的多种场景。在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以分别获取多种场景下的风险预测的相关数据,以得到各个场景下的风险预测管理策略。例如,防欺诈、防数据造假、信用评估等的相关数据。在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以基于获取到各个场景下的风险预测的多种核查列表数据,得到整个区域(如全国或全球等)的风险预测管理策略。
风险预测管理的多种场景可以包括如防欺诈场景、防数据造假场景、信用评估场景等。例如,可以包括防欺诈风险预测管理、防数据造假风险预测管理、信用评估风险预测管理等。需要说明的是以上场景仅为示例,并不对基于物联网的智慧城市核查列表生成系统200的具体应用场景起限制作用。本领域技术人员可以在本实施例公开的内容基础上,将基于物联网的智慧城市核查列表生成系统200应用于其他合适的任何场景。
在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以应用于防欺诈风险预测管理。在应用于防欺诈风险预测管理时,用户平台可以获取用户的防欺诈请求。例如,满足查询条件的多个目标对象的防欺诈请求。用户平台可以将用户的防欺诈请求发送给服务平台。服务平台可以将用户的防欺诈请求发送给核查管理平台。核查管理平台可以通过一个或多个网外云平台获取相关的数据(如多个目标对象对应的核查列表)。基于对核查列表的处理做出与防欺诈风险预测管理相关的策略或指令,如多个目标对象的审核力度等。
在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以应用于防数据造假风险预测管理。在应用于防数据造假风险预测管理时,用户平台可以获取用户的防数据造假请求。例如,满足查询条件的多个目标对象的防数据造假请求。用户平台可以将用户的防数据造假请求发送给服务平台。服务平台可以将用户的防数据造假请求发送给核查管理平台。核查管理平台可以通过一个或多个网外云平台获取相关的数据(如多个目标对象对应的核查列表)。基于对核查列表的处理做出与防数据造假风险预测管理相关的策略或指令,如多个目标对象的数据是否造假等。
在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以应用于信用评估风险预测管理。在应用于信用评估风险预测管理时,用户平台可以获取用户的信用评估请求。例如,满足查询条件的多个目标对象的信用评估请求。用户平台可以将用户的信用评估请求发送给服务平台。服务平台可以将用户的信用评估请求发送给核查管理平台。核查管理平台可以通过一个或多个网外云平台获取相关的数据(如多个目标对象对应的核查列表)。基于对核查列表的处理做出与信用评估风险预测管理相关的策略或指令,如多个目标对象的信用等。
在一些实施例中,基于物联网的智慧城市核查列表生成系统200可以由多个风险预测管理子系统构成,每个子系统可以应用于一种场景。基于物联网的智慧城市核查列表生成系统200可以对各个子系统获取的数据、输出的数据进行综合管理与处理,进而得到用于辅助风险预测管理的相关策略或指令。
例如,基于物联网的智慧城市核查列表生成系统200可以包括分别应用于防欺诈风险预测管理的子系统、应用于防数据造假风险预测管理的子系统、应用于信用评估风险预测管理的子系统。基于物联网的智慧城市核查列表生成系统200作为各个子系统的上级系统。
以下将以基于物联网的智慧城市核查列表生成系统200管理各个子系统并基于子系统获取相应数据以得到用于风险预测管理的策略为例进行说明:
基于物联网的智慧城市核查列表生成系统200可以基于防欺诈风险预测管理的子系统获取目标对象的防欺诈等的核查列表。基于防数据造假风险预测管理的子系统获取目标对象的防数据造假等的核查列表。基于信用评估风险预测管理的子系统获取目标对象的信用评估等的核查列表。基于物联网的智慧城市核查列表生成系统200在获取到上述风险预测后,对收集到的核查列表进行汇总处理。由核查管理平台基于对核查列表的处理做出与风险预测管理相关的评估数据。
例如,核查管理平台可以基于目标对象的防欺诈数据等确定多个目标对象的审核力度。核查管理平台可以基于目标对象的防数据造假数据等确定多个目标对象的数据是否造假。核查管理平台可以基于目标对象的信用评估数据等确定多个目标对象的信用。核查管理平台可以基于上述多个目标对象的审核力度、多个目标对象的数据是否造假以及多个目标对象的信用。核查管理平台可以进一步确定多个目标对象分别对应的审核力度。
对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,将系统移用到其他任何合适的场景下。
以下将以基于物联网的智慧城市核查列表生成系统200应用于防欺诈风险预测管理场景为例对基于物联网的智慧城市核查列表生成系统200进行具体说明。
在一些实施例中,核查管理平台230可以被配置为基于服务平台通过用户平台获取查询请求。基于人口信息平台获取关联人信息,关联人信息包括目标对象信息和关系人信息。基于关联人信息,通过协同平台获取协同特征。基于协同特征确定对应于查询请求的核查列表。基于服务平台通过用户平台,将核查列表反馈给用户。
在一些实施例中,协同平台可以通过嵌入层对关联人的协同信息进行处理,确定协同特征。
在一些实施例中,协同平台可以包括社保平台、医保平台中的至少一种。社保平台可以通过社保嵌入层对关联人的社保特征进行处理,确定社保协同特征。医保平台可以通过医保嵌入层对关联人的医保特征进行处理,确定医保协同特征。
在一些实施例中,社保平台可以通过社保知识图谱获取关联人的社保特征。在一些实施例中,医保平台可以通过医保知识图谱获取关联人的医保特征。
在一些实施例中,社保平台可以通过社保知识图谱获取关联人的社保特征。在一些实施例中,医保平台可以通过医保知识图谱获取关联人的医保特征。
在一些实施例中,核查管理平台230可以被配置为基于评估模型对协同特征进行处理,确定评估值。其中,评估模型为机器学习模型。基于评估值,确定对应于查询请求的核查列表。
在一些实施例中,评估模型的输入可以包括医保协同特征、社保协同特征中的至少一种。
在一些实施例中,核查管理平台230可以被配置为通过多个嵌入层与评估模型联合多方安全训练获取评估模型。
在一些实施例中,社保管理平台、医保管理平台、核查管理平台可以作为多方中的一方,进行协同训练。其中,社保管理平台可以获取社保嵌入层。医保管理平台可以获取医保嵌入层。核查管理平台可以获取评估模型。
应当理解,图2所示的系统及其平台可以利用各种方式来实现。例如,在一些实施例中,核查管理平台230可以设置在图1中的处理设备110中。
需要注意的是,以上对于系统及其组成部分的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个组成部分进行任意组合,或者构成子系统与其他组成连接。例如,各个组成部分可以共用一个存储设备,各个组成部分也可以分别具有各自的存储设备。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的基于物联网的智慧城市核查列表生成方法的示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由核查管理平台230执行。
步骤310,基于服务平台通过用户平台获取查询请求。
查询请求可以指有关查询条件的信息。用户发送查询请求时,需要提供一些查询条件的基本信息。查询条件的基本信息可以包括年龄段、性别、职业等。
在一些实施例中,核查管理平台230可以基于服务平台通过用户平台获取查询请求。例如,用户可以通过用户平台输入查询请求。服务平台通过用户平台获取用户输入的查询请求。服务平台可以将相关的查询请求发送给核查管理平台。在一些实施例中,核查管理平台230可以基于查询请求,获取满足查询请求的多个目标对象。核查管理平台可以基于多个目标对象,获取与目标对象相关的信息。例如,核查管理平台可以基于人口信息平台获取关联人信息,关联人信息包括目标对象信息和关系人信息。
步骤320,基于人口信息平台获取关联人信息,关联人信息包括目标对象信息和关系人信息。
关联人可以包括目标对象和关系人。关系人可以指与目标对象有一定关系的人。例如,关系人为目标对象的亲属等。关联人信息可以包括目标对象信息和关系人信息。例如,关联人信息可以包括目标对象和关系人的居住地点、关系信息等。关系人与目标对象的居住地点可以相同或者不同。关系信息可以指关系人与目标对象的关系。例如,关系人与目标对象的关系可能为亲属关系(如夫妻、父子、母女、兄妹等)。
在一些实施例中,核查管理平台230可以通过人口信息平台获取关联人信息。例如,核查管理平台可以基于查询请求中查询条件,获取满足查询条件的多个目标对象。核查管理平台可以基于多个目标对象分别获取每个目标对象对应的关联人信息。核查管理平台可以将查询条件(如年龄段、性别、职业等)输入人口信息平台。人口信息平台可以基于上述信息,进行搜索和查询,获取满足查询条件的多个目标对象,进而分别获取每个目标对象对应的关联人信息。示例性的,人口信息平台可以获取与每个目标对象的居住地点相同的关系人。人口信息平台可以获取与每个目标对象具有亲属关系的关系人。通过一个或多个关系人,人口信息平台可以获取每个目标对象和关系人等的关联人信息。核查管理平台进而通过人口信息平台获取关联人信息。
步骤330,基于关联人信息,通过协同平台获取协同特征。
协同特征指可以表示目标对象和关系人的一个或多个方面的信息的特征。例如,多个方面的信息可以包括目标对象和关系人的医保信息、社保信息等。
在一些实施例中,协同特征可以通过特征向量进行表示。特征向量可以表示目标对象或关系人等的协同特征。特征向量中的不同元素可以表示目标对象或关系人等的不同方面的相关信息。
核查管理平台可以通过协同特征确定目标对象的信用风险。协同特征可以反映目标对象或者关系人等的多方面信息。例如,多方面信息可以包括信用卡是否有逾期、是否缴纳社保、是否有贷款的不良记录等。示例性的,特征向量(a,b,c),特征向量中的元素通过0或1进行表示。0表示否,1表示是。元素a表示信用卡是否有逾期。元素b表示是否缴纳社保。元素c表示是否有贷款不良记录。目标对象1以及目标对象1的关系人的协同特征1对应的特征向量1为(0,1,0)。特征向量1表示目标对象1以及目标对象1的关系人信用卡无逾期,缴纳社保,无贷款的不良记录。目标对象2以及目标对象2的关系人的协同特征2对应的特征向量2为(1,1,1)。特征向量2表示目标对象2以及目标对象2的关系人信用卡有逾期,缴纳社保,有贷款的不良记录。
在一些实施例中,协同特征可以包括医保协同特征和社保协同特征。关于医保协同特征和社保协同特征的具体内容请参见图4的相关描述。
在一些实施例中,核查管理平台230可以基于关联人信息,通过协同平台获取协同特征。例如,核查管理平台可以通过网络120将关联人信息发送给协同平台,提出获取协同特征的请求。协同平台接收上述请求,并根据关联人信息获取目标对象和关系人的协同特征。协同平台可以将获取的目标对象和关系人的协同特征发送给核查管理平台。
在一些实施例中,协同平台可以通过嵌入层对关联人的协同信息进行处理,确定协同特征。
在一些实施例中,嵌入层可以对关联人的协同信息进行处理。处理后的关联人的协同信息被变换。通过嵌入层的变换,关联人的协同信息的真实值可以被覆盖或者隐藏,不被泄露。在一些实施例中,嵌入层的输入可以包括关联人的协同信息。嵌入层的输出可以包括协同特征。
关联人的协同信息指可以反映有关目标对象和关系人的不同方面的相关信息。例如,关联人的协同信息可以反映目标对象和关系人的社保信息、目标对象和关系人的医保信息等。
在一些实施例中,协同平台可以通过嵌入层对关联人的协同信息进行处理,确定协同特征。例如,协同平台可以将关联人的协同信息输入嵌入层,嵌入层输出协同特征。
在一些实施例中,核查管理平台230可以通过不同的协同平台,获取不同的协同特征。协同平台可以包括社保平台、医保平台等。社保平台可以通过社保嵌入层对关联人的社保特征进行处理,确定社保协同特征。医保平台可以通过医保嵌入层对关联人的医保特征进行处理,确定医保协同特征。关于确定社保协同特征和医保协同特征的具体内容,参见图4及其相关描述,此处不再赘述。
在本说明书一些实施例中,协同平台通过嵌入层对关联人的协同信息进行处理,确定协同特征。可以使目标对象和关系人的相关信息发生改变,相关信息的真实值被覆盖或者隐藏,避免被泄露。进而确保目标对象和关系人的相关信息的安全性和保密性。
步骤340,基于协同特征确定对应于查询请求的核查列表。
在一些实施例中,核查管理平台230可以基于多个目标对象分别对应的协同特征确定每个目标对象的评估值。评估值指可以反映目标对象的信用风险。在一些实施例中,评估值可以通过数值或文字进行表示。例如,通过以0-10的数值表示评估值。评估值的取值越接近10,则表示信用风险越高,目标对象的信用越差。评估值的取值越接近0,则表示信用风险越低,目标对象的信用越好。又例如,通过文字表示评估值。文字可以包括信用风险低、信用风险一般、信用风险较高等。信用风险低表示目标对象的信用较好。信用风险一般表示目标对象的信用一般。信用风险较高表示目标对象的信用较差。
在一些实施例中,核查管理平台230可以基于协同特征确定评估值。例如,协同特征反映目标对象1和目标对象1的关系人的信用良好,无不良记录。核查管理平台230可以确定目标对象1的评估值较低(如评估值为2)。又例如,协同特征反映目标对象2和目标对象2的关系人中的一个或多个人的信用较差,信用卡有逾期。核查管理平台230可以确定目标对象2的评估值较高(如评估值为8)。
在一些实施例中,核查管理平台230可以基于协同特征和协同特征阈值确定评估值。协同特征阈值可以指核查管理平台预先设定的关于协同特征的阈值。协同特征阈值可以包括10个协同特征阈值。不同的协同特征阈值可以分别对应不同的评估值。例如,小于等于协同特征阈值1对应的评估值为1。大于协同阈值1且小于等于协同特征阈值2对应的评估值为2。大于协同阈值7且小于等于协同特征阈值8对应的评估值为8等等。如上述示例所述,目标对象1和目标对象1的关系人的协同特征大于协同特征阈值1且小于协同特征阈值2,核查管理平台230可以确定目标对象1的评估值为2。
在一些实施例中,核查管理平台230可以基于评估模型对协同特征进行处理,确定评估值。其中,该评估模型为机器学习模型。核查管理平台230可以基于评估值,确定对应于查询请求的核查列表。关于基于评估值,确定对应于查询请求的核查列表的具体内容,参见图5及其相关描述,此处不再赘述。
在一些实施例中,核查管理平台230可以基于多个目标对象分别对应的评估值确定对应于查询请求的核查列表。核查列表可以指对满足查询条件的多个目标对象核查的结果。核查管理平台可以基于每个目标对象对应的评估值进行排序,生成核查列表。排序可以按照评估值的大小进行排序,例如,评估值越小,排名名次越靠前。核查列表可以反映满足查询条件的多个目标对象分别对应的信用风险。核查列表中可以包括关于多个目标对象的多个相关信息。例如,核查列表中可以包括满足查询条件的每个目标对象的评估值、每个目标对象在多个目标对象中的排名名次、关于每个目标对象的批注、关于每个目标对象的评估参考内容等中的至少一种。示例性,核查列表中关于目标对象A的相关信息为评估值3,排名名次第2、批注该目标对象风险较高需重点关注、参考内容信用卡逾期次数5次、贷款不良记录1次等。
步骤350,基于服务平台通过用户平台,将核查列表反馈给用户。
相关机构可以向核查管理平台发送查询请求。相关机构可以指有查询需求的机构,例如,金融机构等。相关机构可以根据核查管理平台反馈的核查列表(核查列表包括多个目标对象对应的评估值的排序)确定有关多个目标对象的审核力度。例如,审核力度可以包括无需审核、正常审核、重点审核等。示例性的,核查列表显示某个目标对象信用风险低,信用很好,相关机构可以确定审核力度为无需审核。核查列表显示某个目标对象信用风险较高,信用较差,相关机构可以确定审核力度为重点审核。
在一些实施例中,相关机构可以通过预先设定预设标准的形式确定审核力度。例如,预设标准为核查列表中的评估值小于等于3,审核力度为无需审核。预设标准为核查列表中的评估值大于3且小于等于7,审核力度为正常审核。预设标准为核查列表中的评估值大于7且小于等于10,审核力度为重点审核。
在一些实施例中,核查管理平台可以通过服务平台,将核查列表发送给用户平台。用户平台将核查列表反馈给用户。例如,核查管理平台将核查列表(多个目标对象的评估值的排序)发送到服务平台。服务平台将核查列表发送到用户平台。用户平台可以将核查列表发送给用户。用户可以根据核查列表,确定对多个目标对象的进一步的审核力度。
在本说明书一些实施例中,通过海量数据,核查管理平台可以确定核查列表,该核查列表与历史数据的规律更一致。用户可以根据核查列表,确定对多个目标对象的进一步的审核力度。通过上述方法,有利于用户了解多个目标对象的信用情况,降低欺诈的风险。用户可以省去海量数据的前序分析。
图4是根据本说明书一些实施例所示的确定协同特征的示例性示意图。如图4所示,流程400包括下述步骤。在一些实施例中,流程400可以由核查管理平台230执行。
在一些实施例中,协同平台401可以包括社保平台4011、医保平台4012中的至少一种。
步骤410,社保平台通过社保嵌入层对关联人的社保特征进行处理,确定社保协同特征。
社保平台4011指可以提供有关社保的协助信息的平台。社保平台可以包括一个或多个社保机构的人的社保信息。
在一些实施例中,社保嵌入层412可以对关联人的社保特征411进行处理。处理后的关联人的社保特征被变换。通过社保嵌入层的变换,关联人的社保特征的真实值可以被覆盖或者隐藏,不被泄露。在一些实施例中,社保嵌入层412的输入可以包括关联人的社保特征411。社保嵌入层的输出可以包括社保协同特征413。
关联人的社保特征411指可以表示目标对象和关系人的社保相关信息的特征。社保相关信息可以包括目标对象和关系人的社保相关信息。社保相关信息可以包括参保地区数、每个参保地区的社保缴纳信息等。参保地区数可以指目标对象或关系人在哪几个地区参加过社保。每个参保地区的社保缴纳信息可以包括总计缴纳社保月数、当前连续缴纳社保月数、缴费类型、缴费基数、账户余额、低收入补助的申请数量、低收入补助的拒批数量、是否存在廉租房、失业保险领取次数、失业保险领取金额等。缴费类型可以包括个人缴费或公司代缴等。
社保协同特征413可以指经过社保嵌入层处理后的社保特征。例如,关联人的社保特征1为(3,86,17,甲,4000,……)。关联人的社保特征1表示目标对象的参保地区数为3个。目标对象的总计缴纳社保月数为86个月。目标对象的当前连续缴纳社保月数为17个月。目标对象的缴费类型为甲类。目标对象的缴费基数为4000等。关联人的社保特征1对应的社保协同特征1可以为(a,b,c,d,e,……)。社保协同特征1中的a表示目标对象的参保地区数为3个。b表示目标对象的总计缴纳社保月数为86个月。c表示目标对象的当前连续缴纳社保月数为17个月。d表示目标对象的缴费类型为甲类。e表示目标对象的缴费基数为4000等。
在一些实施例中,社保平台241可以通过社保嵌入层412对关联人的社保特征411进行处理,确定社保协同特征413。例如,社保平台可以将关联人的社保特征输入社保嵌入层,社保嵌入层输出社保协同特征。
关于社保嵌入层的训练过程,具体内容,请参见图5的相关描述。
在一些实施例中,社保平台可以通过社保知识图谱获取关联人的社保特征。
社保知识图谱可以反映多个人、多个社保机构之间的关系。在一些实施例中,社保知识图谱可以包括节点和边。社保知识图谱的边可以指节点与节点之间的关系。节点可以包括人节点和社保机构节点等。人节点的节点属性可以包括住址信息、银行流水、收入信息、征信数据等。社保机构节点的节点属性可以包括地址信息等。
在一些实施例中,社保知识图谱的边可以包括多种类型的边。例如直系亲属类型、住址相同类型、社保相关类型等。直系亲属类型的边为人与人之间的边,可以反映人与人之间的关系。直系亲属类型的边属性可以包括夫妻、父子、母女、兄妹等。住址相同类型的边也为人与人之间的边。
例如,通过查询2个人A和B的住址信息,确定A和B的住址相同。则A和B之间存在一条边为“A-住址相同-B”。社保相关类型的边为人与社保机构之间的边,可以反映人与社保机构之间的关系。例如,社保相关类型的边可以用于描述人的社保相关信息。社保相关类型的边属性可以包括总计缴纳社保月数、当前连续缴纳社保月数、缴费类型(如个人缴费或公司代缴)、缴费基数、账户余额、低收入补助的申请数量、低收入补助的拒批数量、是否存在廉租房、失业保险领取次数、失业保险领取金额等。
在一些实施例中,社保平台可以通过社保知识图谱获取关联人的社保特征。
关联人的社保特征可以包括目标对象的社保特征和关系人的社保特征。在一些实施例中,目标对象的社保特征可以通过目标对象的参保地区数、每个参保地区的社保缴纳信息等相关信息进行获取。社保平台可以通过目标对象和社保结构存在的边的数量确定参保地区数。例如,在社保知识图谱中目标对象和3个社保结构各自存在1条边。社保平台可以确定目标对象的参保地区数为3。
社保平台可以通过目标对象和对应的社保机构之间的边的属性确定每个参保地区的社保缴纳信息。例如,社保平台可以通过社保知识图谱查询目标对象的邻度为1和边的类型为社保相关类型的边属性。社保平台可以进而确定目标对象对应的每个参保地区的社保缴纳信息。
邻度可以指2个节点之间连接的远近关系。例如,邻度可以包括1、2、5等。邻度为1表示2个节点之间直接相连。例如,目标对象和某个社保机构直接相连。邻度为2表示2个节点之间通过其他一个节点相连。例如,目标对象为A,目标对象的妻子为B,妻子的弟弟为C。A、B和C3个人节点的连接方式为A-B-C。目标对象A和妻子的弟弟C的邻度为2。
在一些实施例中,社保平台可以将获取的目标对象的参保地区数、每个参保地区的社保缴纳信息等相关信息输入社保嵌入层。社保嵌入层输出目标对象的社保特征向量。社保特征向量可以表示目标对象或关系人等的社保特征。
社保特征向量中的不同元素可以表示目标对象或关系人等的不同的社保相关信息。例如,社保特征向量(a,b,c,……),元素a可以表示目标对象的参保地区数;b可以表示其中一个参保地区的社保缴纳信息;c可以表示不同于b的另外一个参保地区的社保缴纳信息等。
在一些实施例中,社保平台可以通过不同人与目标对象的邻度确定目标对象的关系人。关系人的社保特征可以通过目标对象的关系人的参保地区数、每个参保地区的社保缴纳信息等相关信息进行获取。例如,社保平台可以设置最大邻度。最大邻度可以指关系人与目标对象之间的邻度最大值。例如,最大邻度可以为3、5等。
示例性的,最大邻度为3。社保平台可以通过社保知识图谱获取目标对象的关系人。社保平台可以获取与目标对象的邻度小于等于3、边的类型为直系亲属类型或者住址相同类型的边。社保平台可以获取与边连接的人节点。人节点对应的人为目标对象的关系人。社保平台可以获取参保地区数、每个参保地区的社保缴纳信息等相关信息。
在一些实施例中,社保平台可以将获取的关系人的参保地区数、每个参保地区的社保缴纳信息等相关信息输入社保嵌入层。社保嵌入层输出关系人的社保特征向量。
在一些实施例中,社保平台可以通过邻度加权的方式获取社保协同特征。邻度加权可以指邻度数值越大的边连接的关系人的社保相关信息的权重越小。例如,社保平台可以将目标对象和关系人的社保特征向量进行加权,确定社保协同特征。示例性的,目标对象的社保特征向量为A1,对应的权重为0.4。关系人1的社保特征向量为A2,与目标对象的邻度为1,对应的权重0.3。关系人2的社保特征向量为A3,与目标对象的邻度为2,对应的权重0.2。关系人3的社保特征向量为A4,与目标对象的邻度为3,对应的权重0.1。社保协同特征为A1*0.4+A2*0.3+A3*0.2+A4*0.1。社保平台可以根据实际需求,预先设置权重的大小。
在本说明书一些实施例中,通过社保知识图谱获取目标对象和关系人的社保特征,进而获取社保协同特征。通过上述方法,可以多方面综合考虑目标对象以及关系人的相关社保信息,省去了用户对社保方面的海量数据的前序分析,有利于提高后续核查列表的准确性。通过关于社保方面的海量数据生成核查列表,可以取得与关于社保方面的历史数据的规律更一致的核查列表。
步骤420,医保平台通过医保嵌入层对关联人的医保特征进行处理,确定医保协同特征。
医保平台4012指可以提供有关医保的协助信息的平台。医保平台可以包括一个或多个医保机构的人的医保信息。
在一些实施例中,医保嵌入层422可以对关联人的医保特征421进行处理。处理后的关联人的医保特征被变换。通过医保嵌入层的变换,关联人的医保特征的真实值可以被覆盖或者隐藏,不被泄露。在一些实施例中,医保嵌入层422的输入可以包括关联人的医保特征421。医保嵌入层的输出可以包括医保协同特征423。
关联人的医保特征421指可以表示目标对象和关系人的医保相关信息的特征。医保相关信息可以包括目标对象和关系人的医保相关信息。医保相关信息可以包括参保地区数、每个参保地区的医保相关等。参保地区数可以指目标对象或关系人在哪几个地区参加过医保。每个参保地区的医保相关信息可以包括看病次数、大病次数、严重程度、医保报销次数、医保报销总金额等。
医保协同特征423可以指经过医保嵌入层处理后的医保特征。例如,关联人的医保特征1为(2,10,2,1,5,……)。关联人的医保特征1表示目标对象的参保地区数为2个。目标对象的看病次数为10次。目标对象的大病次数为2次。目标对象的严重程度为1级。目标对象的医保报销次数为5次等。关联人的医保特征1对应的医保协同特征1可以为(A,B,C,D,E,……)。医保协同特征1中的A表示目标对象的参保地区数为2个。B表示目标对象的看病次数为10次。C表示目标对象的大病次数为2次。D表示目标对象的严重程度为1级。E表示目标对象的医保报销次数为5次等。
在一些实施例中,医保平台4012可以通过医保嵌入层422对关联人的医保特征421进行处理,确定医保协同特征423。例如,医保平台可以将关联人的医保特征输入医保嵌入层,医保嵌入层输出医保协同特征。
关于医保嵌入层的训练过程,具体内容,请参见图5的相关描述。
在一些实施例中,医保平台可以通过医保知识图谱获取关联人的医保特征。
医保知识图谱可以反映多个人、多个医保机构之间的关系。在一些实施例中,医保知识图谱可以包括节点和边。医保知识图谱的边可以指节点与节点之间的关系。节点可以包括人节点和医保机构节点等。人节点的节点属性可以包括住址信息、银行流水、收入信息、征信数据等。医保机构节点的节点属性可以包括地址信息等。
在一些实施例中,医保知识图谱的边可以包括多种类型的边。例如直系亲属类型、住址相同类型、医保相关类型等。医保相关类型的边为人与医保机构之间的边,可以反映人与医保机构之间的关系。例如,医保相关类型的边可以用于描述人的医保相关信息。医保相关类型的边属性可以包括看病次数、大病次数、严重程度、医保报销次数、医保报销总金额等。关于直系亲属类型和住址相同类型,具体内容请参见步骤410中的相关描述。
在一些实施例中,医保平台可以通过医保知识图谱获取关联人的医保特征。
关联人的医保特征可以包括目标对象的医保特征和关系人的医保特征。在一些实施例中,目标对象的医保特征可以通过目标对象的参保地区数、每个参保地区的医保相关信息等进行获取。医保平台可以通过目标对象和医保结构存在的边的数量确定参保地区数。医保平台可以通过目标对象和对应的医保机构之间的边的属性确定每个参保地区的医保相关信息。例如,医保平台可以通过医保知识图谱查询目标对象的邻度为1和边的类型为医保相关类型的边属性。医保平台可以进而确定目标对象对应的每个参保地区的医保相关信息。
在一些实施例中,医保平台可以将获取的目标对象的参保地区数、每个参保地区的医保相关信息等输入医保嵌入层。医保嵌入层输出目标对象的医保特征向量。
在一些实施例中,医保平台可以通过不同人与目标对象的邻度确定目标对象的关系人。关系人的医保特征可以通过目标对象的关系人的参保地区数、每个参保地区的医保相关信息等进行获取。
在一些实施例中,医保平台可以将获取的关系人的参保地区数、每个参保地区的相关信息等输入医保嵌入层。医保嵌入层输出关系人的医保特征向量。
在一些实施例中,医保平台可以通过邻度加权的方式获取医保协同特征。关于获取医保协同特征,与获取社保协同特征类似。区别仅在于获取医保协同特征是医保平台对医保特征向量进行邻度加权。获取社保协同特征是社保平台对社保特征向量进行邻度加权。故关于获取医保协同特征的更多内容参见获取社保协同特征,此处不再赘述。
在本说明书一些实施例中,通过医保知识图谱获取目标对象和关系人的医保特征,进而获取医保协同特征。通过上述方法,可以多方面综合考虑目标对象以及关系人的相关医保信息,省去了用户对医保方面的海量数据的前序分析,有利于提高后续核查列表的准确性。通过关于医保方面的海量数据生成核查列表,可以取得与关于医保方面的历史数据的规律更一致的核查列表。
在本说明书一些实施例中,不同的协同平台通过不同的嵌入层对关联人的不同特征进行处理,确定不同的协同特征。可以使不同的协同平台对应的目标对象和关系人的相关信息发生改变,相关信息的真实值被覆盖或者隐藏。避免被泄露,确保目标对象和关系人的相关信息的安全性和保密性。
图5是根据本说明书一些实施例所示的基于协同特征确定核查列表的示例性示意图。如图5所示,流程500包括下述步骤。在一些实施例中,流程500可以由核查管理平台230执行。
步骤510,基于评估模型对协同特征进行处理,确定评估值530,评估模型为机器学习模型。
在一些实施例中,核查管理平台230可以基于评估模型512对协同特征511进行处理,确定评估值513。
评估模型512指可以确定目标对象的评估值的模型。在一些实施例中,评估模型可以为机器学习模型。在一些实施例中,评估模型的类型可以包括神经网络模型、深度神经网络等,模型类型的选择可视具体情况而定。
在一些实施例中,评估模型的输入可以包括一个或多个协同特征。评估模型的输出可以包括目标对象的评估值。例如,基于评估模型处理一个或多个协同特征,确定目标对象的评估值。
在一些实施例中,核查管理平台230可以将目标对象以及关系人的多个协同特征输入评估模型。评估模型对多个协同特征进行处理,输出目标对象的评估值。核查管理平台230获取评估模型输出的目标对象的评估值。
在一些实施例中,评估模型的输入还可以包括社保协同特征413、医保协同特征423中的至少一种。关于社保协同特征和医保协同特征的具体内容请参见图4的相关描述。
在一些实施例中,核查管理平台230可以将目标对象以及关系人的医保协同特征和/或社保协同特征输入评估模型。评估模型对医保协同特征和/或社保协同特征进行处理,输出目标对象的评估值。核查管理平台230获取评估模型输出的目标对象的评估值。
在本说明书一些实施例中,核查管理平台230通过评估模型确定目标对象的评估值。核查管理平台230可以综合考虑目标对象以及关系人的医保和/或社保的相关状况,有了利于提高目标对象的评估值的准确性。
在一些实施例中,可以基于多组训练样本及标签训练得到评估模型。
在一些实施例中,训练样本包括多组样本协同特征。标签为目标对象的样本评估值。训练样本可以基于历史数据获取。例如,核查管理平台可以将历史数据中一个目标对象的协同特征以及目标对象的关系人的协同特征作为一组样本协同特征。历史数据中包括多个目标对象。每个目标对象有各自对应的目标对象的协同特征以及目标对象的关系人的协同特征。核查管理平台可以获取多组样本协同特征。训练样本的标签可以通过人工标注或自动标注的方式确定。例如,核查管理平台可以将目标对象的实际的评估值标注为训练样本的标签。
在一些实施例中,可以通过多个嵌入层与评估模型联合多方安全训练获取评估模型。
多个嵌入层可以指多个协同平台各自的嵌入层。联合多方安全训练指通过多个参与方共同参与评估模型的训练。
在一些实施例中,核查管理平台可以通过多个协同平台获取协同特征。多个协同平台可以通过各自的嵌入层对目标对象以及关系人的不同特征进行处理,确定不同的协同特征。在一些实施例中,核查管理平台可以通过多个嵌入层与评估模型联合多方安全训练获取评估模型。
在一些实施例中,可以基于多组训练样本及标签训练得到评估模型。
在一些实施例中,训练样本包括多组样本协同特征。标签为目标对象的样本评估值。训练样本可以通过多个不同人的数据获取。例如,核查管理平台可以获取多个人的数据。多个人可以包括无欺诈记录的人、有欺诈记录的人等。核查管理平台可以将上述不同人确定为多个样本目标对象。核查管理平台可以将多个样本目标对象的信息发送给多个不同的协同平台。
不同的协同平台通过各自对应的嵌入层获取样本目标对象以及样本目标对象的关系人的不同方面的协同特征。例如,医保平台获取医保协同特征。不同的协同平台将获取的样本目标对象以及样本目标对象的关系人的不同方面的协同特征发送给核查管理平台。
核查管理平台可以将1个样本目标对象以及该样本目标对象的关系人的协同特征作为一组样本协同特征。每个样本目标对象有各自对应的样本目标对象的协同特征以及样本目标对象的关系人的协同特征。核查管理平台可以获取多组样本协同特征。
训练样本的标签可以通过人工标注或自动标注的方式确定。例如,核查管理平台可以人工根据样本目标对象及其关系人的其他信息进行标注。示例性的,对于无欺诈记录的样本目标对象及其关系人,核查管理平台可以将样本目标对象对应的训练样本的标签标注为正常值。对于有欺诈记录的样本目标对象及其关系人,核查管理平台可以将样本目标对象对应的训练样本的标签标注为较高的评估值。对于有过见义勇为和/或受过表彰的样本目标对象及其关系人,核查管理平台可以将样本目标对象对应的训练样本的标签标注为很低的评估值。
在本说明书一些实施例中,通过多方安全训练,可以保证目标对象以及关系人的不同信息不被泄露。可以保证目标对象以及关系人的信息的安全性。
在一些实施例中,社保管理平台、医保管理平台、核查管理平台可以作为多方中的一方,进行协同训练。社保管理平台可以获取社保嵌入层。医保管理平台可以获取医保嵌入层。核查管理平台可以获取评估模型。关于社保嵌入层和医保嵌入层的具体内容请参见图4的相关描述。
多方可以指多个协同平台各自对应的管理平台。例如,社保协同平台对应的管理平台为社保管理平台。又例如,医保平台对应的管理平台为医保管理平台。
社保管理平台可以指对多个社保机构进行统筹管理的物联网平台。医保管理平台可以指对多个医保机构进行统筹管理的物联网平台。
协同训练可以指多个管理平台互相协作共同训练。通过协同训练,不同的管理平台可以获取各自的模型。例如,社保管理平台可以获取社保嵌入层。医保管理平台可以获取医保嵌入层。核查管理平台可以获取评估模型。
在一些实施例中,可以基于多组训练样本及标签训练得到社保嵌入层、医保嵌入层以及评估模型。
在一些实施例中,训练样本包括多组样本目标对象以及样本目标对象的关系人。标签为目标对象的样本评估值。训练样本可以通过多个不同人的数据获取。例如,核查管理平台可以获取多个人的数据。核查管理平台可以将上述不同人确定为多个样本目标对象。
核查管理平台可以将多个样本目标对象的信息发送给社保管理平台和医保管理平台。社保嵌入层可以根据样本目标对象的信息获取样本目标对象的社保协同特征和样本目标对象的关系人的社保协同特征。医保嵌入层可以根据样本目标对象的信息获取样本目标对象的医保协同特征和样本目标对象的关系人的社保协同特征。
核查管理平台可以将同1个样本目标对象以及该样本目标对象的关系人作为一组样本目标对象以及样本目标对象的关系人。每个样本目标对象有各自对应的样本目标对象的关系人。核查管理平台可以获取多组样本目标对象以及样本目标对象的关系人。
在一些实施例中,不同的协同平台将获取的样本目标对象以及样本目标对象的关系人的不同方面的协同特征发送给核查管理平台。核查管理平台可以将样本目标对象以及样本目标对象的关系人的协同特征输入评估模型。训练样本的标签可以通过人工标注或自动标注的方式确定。
社保嵌入层、医保嵌入层以及评估模型的训练可以包括一个或多个迭代更新。在每一个迭代更新中可以包括基于训练样本更新社保嵌入层、医保嵌入层以及评估模型的模型参数。更新参数的社保嵌入层可以获取更新后的社保协同特征。更新参数的医保嵌入层可以获取更新后的医保协同特征。更新参数的评估模型可以获取更新后的评估值。
在一些实施例中,社保嵌入层、医保嵌入层以及评估模型训练的优化目标可以包括调整模型参数使得对应的损失函数的值变小。损失函数可用于表征模型预测的评估值与样本评估值的差异。在一些实施例中,当社保嵌入层、医保嵌入层以及评估模型在某次迭代更新中满足终止条件,则可以停止训练。例如,模型预测的评估值与样本评估值的差异小于预设阈值时,停止训练。社保管理平台可以获取社保嵌入层。医保管理平台可以获取医保嵌入层。核查管理平台可以获取评估模型。
在本说明书一些实施例中,通过多方协同训练,不同的管理平台可以获取各自对应的不同的模型。通过多方协同训练,有利于进一步提高后续核查列表的准确性。
步骤520,基于评估值,确定对应于查询请求的核查列表。
在一些实施例中,核查管理平台230可以基于评估模型分别确定每个目标对象对应的评估值。核查管理平台可以基于每个目标对象对应的评估值进行排序,生成对应于查询请求的核查列表。例如,核查管理平台可以基于评估值的大小,通过由小到大的方式进行排序,生成核查列表。核查管理平台进而获取评估值由小到大排序的核查列表,该核查列表对应于用户的查询请求。
在本说明书一些实施例中,通过评估模型确定评估值,基于评估值确定对应于查询请求的核查列表,可以提高目标对象的评估值的准确性,进一步确保核查列表的准确性。通过关于社保和/或医保方面的海量数据生成核查列表,可以取得与关于社保和/或医保方面的历史数据的规律更一致的核查列表。
应当注意的是,上述有关流程的描述仅仅是为了示例和说明,而不限定本进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于物联网的智慧城市核查列表生成方法,其特征在于,所述方法由核查管理平台执行,所述方法包括:
基于服务平台通过用户平台获取查询请求;
基于人口信息平台获取关联人信息,所述关联人信息包括目标对象信息和关系人信息;
基于所述关联人信息,通过协同平台获取协同特征;
基于所述协同特征确定对应于所述查询请求的核查列表;
基于所述服务平台通过所述用户平台,将所述核查列表反馈给用户。
2.根据权利要求1所述的方法,其特征在于,所述基于所述关联人信息,通过协同平台获取协同特征包括:
协同平台通过嵌入层对关联人的协同信息进行处理,确定所述协同特征。
3.根据权利要求2所述的方法,其特征在于,所述协同平台包括社保平台、医保平台中的至少一种;
所述协同平台通过嵌入层对关联人的协同信息进行处理,确定所述协同特征包括:
所述社保平台通过社保嵌入层对所述关联人的社保特征进行处理,确定社保协同特征;
所述医保平台通过医保嵌入层对所述关联人的医保特征进行处理,确定医保协同特征。
4.根据权利要求1所述的方法,其特征在于,所述基于所述协同特征确定对应于所述查询请求的核查列表包括:
基于评估模型对所述协同特征进行处理,确定所述评估值,所述评估模型为机器学习模型;
基于所述评估值,确定对应于所述查询请求的核查列表。
5.一种基于物联网的智慧城市核查列表生成系统,其特征在于,所述系统包括用户平台、服务平台和核查管理平台,所述核查管理平台被配置为执行以下操作:
基于服务平台通过用户平台获取查询请求;
基于人口信息平台获取关联人信息,所述关联人信息包括目标对象信息和关系人信息;
基于所述关联人信息,通过协同平台获取协同特征;
基于所述协同特征确定对应于所述查询请求的核查列表;
基于所述服务平台通过所述用户平台,将所述核查列表反馈给用户。
6.根据权利要求5所述的系统,其特征在于,所述核查管理平台被配置为进一步执行以下操作:
协同平台通过嵌入层对关联人的协同信息进行处理,确定所述协同特征。
7.根据权利要求6所述的系统,其特征在于,所述协同平台包括社保平台、医保平台中的至少一种;
所述核查管理平台被配置为进一步执行以下操作:
所述社保平台通过社保嵌入层对所述关联人的社保特征进行处理,确定社保协同特征;
所述医保平台通过医保嵌入层对所述关联人的医保特征进行处理,确定医保协同特征。
8.根据权利要求5所述的系统,其特征在于,所述核查管理平台被配置为进一步执行以下操作:
基于评估模型对所述协同特征进行处理,确定所述评估值,所述评估模型为机器学习模型;
基于所述评估值,确定对应于所述查询请求的核查列表。
9.一种基于物联网的智慧城市核查列表生成装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至4中任一项所述的基于物联网的智慧城市核查列表生成方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1至4中任一项所述的基于物联网的智慧城市核查列表生成方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776691.9A CN115098508A (zh) | 2022-07-04 | 2022-07-04 | 基于物联网的智慧城市核查列表生成方法、系统及装置 |
US17/810,826 US20240005276A1 (en) | 2022-07-04 | 2022-07-05 | Methods and systems for generating a checklist in smart city based on an internet of things |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776691.9A CN115098508A (zh) | 2022-07-04 | 2022-07-04 | 基于物联网的智慧城市核查列表生成方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115098508A true CN115098508A (zh) | 2022-09-23 |
Family
ID=83295628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210776691.9A Pending CN115098508A (zh) | 2022-07-04 | 2022-07-04 | 基于物联网的智慧城市核查列表生成方法、系统及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240005276A1 (zh) |
CN (1) | CN115098508A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11715156B1 (en) * | 2022-07-13 | 2023-08-01 | Chengdu Qinchuan Iot Technology Co., Ltd. | Risk assessment methods and systems for affordable housing application in a smart city based on internet of things |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
CN110335140A (zh) * | 2019-06-27 | 2019-10-15 | 上海淇馥信息技术有限公司 | 基于社交关系预测贷款黑中介的方法、装置、电子设备 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111340611A (zh) * | 2020-02-20 | 2020-06-26 | 中国建设银行股份有限公司 | 一种风险预警方法和装置 |
CN111507578A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 风险评估方法及相关装置、设备 |
CN112035681A (zh) * | 2020-09-17 | 2020-12-04 | 中国银行股份有限公司 | 基于知识图谱的信用卡费率信息确定方法及装置 |
CN113052692A (zh) * | 2021-06-02 | 2021-06-29 | 北京轻松筹信息技术有限公司 | 数据处理的方法、装置、电子设备及计算机可读存储介质 |
CN113744046A (zh) * | 2021-09-08 | 2021-12-03 | 未鲲(上海)科技服务有限公司 | 业务数据处理方法、装置、计算机设备及存储介质 |
CN113989059A (zh) * | 2021-10-28 | 2022-01-28 | 中国平安人寿保险股份有限公司 | 客户信息核查方法、系统、计算机设备及存储介质 |
CN114153994A (zh) * | 2022-02-08 | 2022-03-08 | 北京大学 | 医保信息问答方法及装置 |
-
2022
- 2022-07-04 CN CN202210776691.9A patent/CN115098508A/zh active Pending
- 2022-07-05 US US17/810,826 patent/US20240005276A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785117A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 基于神经网络的风控方法、计算机可读存储介质及服务器 |
CN110335140A (zh) * | 2019-06-27 | 2019-10-15 | 上海淇馥信息技术有限公司 | 基于社交关系预测贷款黑中介的方法、装置、电子设备 |
CN111340611A (zh) * | 2020-02-20 | 2020-06-26 | 中国建设银行股份有限公司 | 一种风险预警方法和装置 |
CN111311107A (zh) * | 2020-03-02 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于用户关系的风险评估方法、装置和计算机设备 |
CN111507578A (zh) * | 2020-03-25 | 2020-08-07 | 上海商汤智能科技有限公司 | 风险评估方法及相关装置、设备 |
CN112035681A (zh) * | 2020-09-17 | 2020-12-04 | 中国银行股份有限公司 | 基于知识图谱的信用卡费率信息确定方法及装置 |
CN113052692A (zh) * | 2021-06-02 | 2021-06-29 | 北京轻松筹信息技术有限公司 | 数据处理的方法、装置、电子设备及计算机可读存储介质 |
CN113744046A (zh) * | 2021-09-08 | 2021-12-03 | 未鲲(上海)科技服务有限公司 | 业务数据处理方法、装置、计算机设备及存储介质 |
CN113989059A (zh) * | 2021-10-28 | 2022-01-28 | 中国平安人寿保险股份有限公司 | 客户信息核查方法、系统、计算机设备及存储介质 |
CN114153994A (zh) * | 2022-02-08 | 2022-03-08 | 北京大学 | 医保信息问答方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11715156B1 (en) * | 2022-07-13 | 2023-08-01 | Chengdu Qinchuan Iot Technology Co., Ltd. | Risk assessment methods and systems for affordable housing application in a smart city based on internet of things |
Also Published As
Publication number | Publication date |
---|---|
US20240005276A1 (en) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230260048A1 (en) | Implementing Machine Learning For Life And Health Insurance Claims Handling | |
Christl et al. | Corporate surveillance in everyday life | |
JP2022520824A (ja) | インテリジェント警告システム | |
Watson et al. | Addressing the growing need for algorithmic transparency | |
US20100324929A1 (en) | Apparatus and method for predicting healthcare revenue cycle outcomes and controlling work flow | |
CN111738844A (zh) | 基于区块链的资源分配系统、方法以及装置 | |
US20140303993A1 (en) | Systems and methods for identifying fraud in transactions committed by a cohort of fraudsters | |
AU2014208324A1 (en) | Method of automating a business loan life cycle | |
CN110619065A (zh) | 资源调度业务处理方法、装置、计算机设备和存储介质 | |
KR102321484B1 (ko) | 문제 해결 시스템 및 문제 해결 방법 | |
Stenström | The private policing of insurance claims: power, profit and private justice | |
CN115098508A (zh) | 基于物联网的智慧城市核查列表生成方法、系统及装置 | |
CN110941644A (zh) | 保单数据生成方法、装置、设备及存储介质 | |
Prentzas et al. | Assessment of life insurance applications: an approach integrating neuro‐symbolic rule‐based with case‐based reasoning | |
Genovesi et al. | Standardizing fairness-evaluation procedures: interdisciplinary insights on machine learning algorithms in creditworthiness assessments for small personal loans | |
DoCarmo et al. | The law in computation: What machine learning, artificial intelligence, and big data mean for law and society scholarship | |
Bagó | The potential of artificial intelligence in finance | |
CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
US20090299768A1 (en) | Apparatus and method for predicting healthcare revenue cycle outcomes and controlling work flow | |
Hidalgo et al. | Risk segmentation in Chilean social health insurance | |
CN107423982A (zh) | 基于账户的业务实现方法和装置 | |
Authority | Access to financial services in the UK | |
CN111915109A (zh) | 医疗筹款装置、系统及方法 | |
Wanjale et al. | Evaluation of an Individual's Creditworthiness | |
Huang et al. | Attention discrimination under time constraints: Evidence from retail lending |
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 |