CN115271975A - 医保业务的信息处理方法 - Google Patents

Abstract

本说明书实施例提供医保业务的信息处理方法，其中医保业务的信息处理方法包括：获取医保业务在业务属性维度关联的属性分布信息，以此创建模拟用户集合，并确定集合中模拟用户的医保业务模拟信息；将医保业务模拟信息输入至医保业务预测模型，获得模拟用户的用户保障信息；根据用户保障信息生成全局保障信息，并按照医保业务信息和全局保障信息创建医保业务更新策略。实现通过属性分布信息创建模拟用户，并应用于医保业务的保障行为预测，可以更加合理的预测医保业务的保障情况，以此为基础进行业务更新策略的创建，可以使得医保业务在平衡收支的前提下，为用户提供医保服务，以使得对医保业务存在影响的相关因素可以得到有效的控制。

Description

医保业务的信息处理方法

技术领域

本说明书实施例涉及信息处理技术领域，特别涉及医保业务的信息处理方法。

背景技术

医保业务作为社会保障服务重要的组成部分，是保障用户人身安全的重要措施。而对医保业务的收支进行预测能够及时对医保业务的收支政策作出调整，以避免出现医保业务亏空的风险，以维持收支平衡。现有的医保业务运行的宏观决策大部分是基于简单、传统的线性一对一关系实现，缺少综合考量。也缺少对于医疗场景下部分定性数据和无数据集因素的考虑，致使医保业务的收支预测精准度较低，无法精准的作出政策调整；因此亟需一种有效的方案以解决上述问题。

发明内容

有鉴于此，本说明书实施例提供了一种医保业务的信息处理方法。本说明书一个或者多个实施例同时涉及一种信息处理方法，一种信息处理装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。

根据本说明书实施例的第一方面，提供了一种医保业务的信息处理方法，包括：

获取医保业务在业务属性维度关联的属性分布信息；

根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的医保业务模拟信息；

将所述医保业务模拟信息输入至医保业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

根据所述用户保障信息生成全局保障信息，并按照所述医保业务对应的医保业务信息和所述全局保障信息创建医保业务更新策略。

根据本说明书实施例的第二方面，提供了一种信息处理方法，包括：

获取保障业务在业务属性维度关联的属性分布信息；

根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的保障业务模拟信息；

将所述保障业务模拟信息输入至保障业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

根据所述用户保障信息生成全局保障信息，并按照所述保障业务对应的保障业务信息和所述全局保障信息创建保障业务更新策略。

根据本说明书实施例的第三方面，提供了一种信息处理装置，包括：

获取模块，被配置为获取保障业务在业务属性维度关联的属性分布信息；

确定模块，被配置为根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的保障业务模拟信息；

处理模块，被配置为将所述保障业务模拟信息输入至保障业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

创建模块，被配置为根据所述用户保障信息生成全局保障信息，并按照所述保障业务对应的保障业务信息和所述全局保障信息创建保障业务更新策略。

根据本说明书实施例的第四方面，提供了一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令时实现任上述信息处理方法的步骤。

根据本说明书实施例的第五方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现上述信息处理方法的步骤。

根据本说明书实施例的第六方面，提供了一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述信息处理方法的步骤。

本说明书提供医保业务的信息处理方法，为了能够提高对医保业务进行调整的精准度，可以先获取医保业务在业务属性维度关联的属性分布信息，以此创建模拟用户集合，并确定集合中模拟用户的医保业务模拟信息；将医保业务模拟信息输入至医保业务预测模型，获得模拟用户的用户保障信息；根据用户保障信息生成全局保障信息，并按照医保业务信息和全局保障信息创建医保业务更新策略。实现通过属性分布信息创建模拟用户，并应用于医保业务的保障行为预测，可以更加合理的预测医保业务的保障情况，以此为基础进行业务更新策略的创建，可以使得医保业务在平衡收支的前提下，为用户提供医保服务，以使得对医保业务存在影响的相关因素可以得到有效的控制。

附图说明

图1是本说明书一个实施例提供的一种医保业务的信息处理方法的流程图；

图2-1是本说明书一个实施例提供的一种信息处理方法的示意图；

图2-2是本说明书一个实施例提供的一种信息处理方法的流程图；

图3是本说明书一个实施例提供的一种信息处理方法中模型训练的流程图

图4是本说明书一个实施例提供的一种信息处理方法的处理过程流程图；

图5是本说明书一个实施例提供的一种信息处理装置的结构示意图；

图6是本说明书一个实施例提供的一种计算设备的结构框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。

在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

首先，对本说明书一个或多个实施例涉及的名词术语进行解释。

ABM：Agent Based Model，代理人基模型，是一种用来模拟具有自主意识的智能体(独立个体或共同群体，例如组织、团队)的行动和相互作用的计算模型，并通过代理人之间的关系展示其在系统整体中的相互作用。ABM综合博弈论、复杂系统、涌现、演化计算、以及随机论等方法。一个ABM模型主要包括以下要素:一定数量的“代理人”；一定数量的“代理人”之间的关系；一个模拟“代理人”的行为和互动的框架。ABM明确了模拟个体或对象的行为在时间和空间中的因果关系。“代理人”可以用来表示人，也可以表示野生动物、车辆、地块或其他离散的对象。

在本说明书中，提供了一种医保业务的信息处理方法，本说明书同时涉及一种信息处理方法，一种信息处理装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，在下面的实施例中逐一进行详细说明。

图1示出了根据本说明书一个实施例提供的一种医保业务的信息处理方法的流程图，具体包括以下步骤：

步骤S102，获取医保业务在业务属性维度关联的属性分布信息。

步骤S104，根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的医保业务模拟信息；

步骤S106，将所述医保业务模拟信息输入至医保业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

步骤S108，根据所述用户保障信息生成全局保障信息，并按照所述医保业务对应的医保业务信息和所述全局保障信息创建医保业务更新策略。

医疗保险一般指基本医疗保险，是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。通过用人单位与个人缴费，建立医疗保险基金，参保人员患病就诊发生医疗费用后，由医疗保险机构对其给予一定的经济补偿；简称医保。

实际应用中，医保基金作为用户的医疗保障重要组成部分，其能够为用户节省更多的就医费用。然而，医保基金的浪费以及医保决策简单粗放等问题，会因为实际场景的复杂度而对用户产生影响，致使医保关联方会发生利益损失，甚至导致真正需要的患者得不到应有的保障。现有的医保基金运营的宏观决策大部分是基于简答、传统的线性一对一关系实现，没有对一对多维度因素的综合考量，传统的机器学习建模也缺少对于医疗场景下部分定性数据和无数据集因素的考虑。传统线性模型无法考虑个体在应对外界影响因素下的应变对于群体的效果，以及由此产生的非线性关系的影响。因此亟需一种有效的方案以解决上述问题。

因此，通过获取医保业务在业务属性维度关联的属性分布信息，以此创建模拟用户集合，并确定集合中模拟用户的医保业务模拟信息；将医保业务模拟信息输入至医保业务预测模型，获得模拟用户的用户保障信息；根据用户保障信息生成全局保障信息，并按照医保业务信息和全局保障信息创建医保业务更新策略。实现通过属性分布信息创建模拟用户，并应用于医保业务的保障行为预测，可以更加合理的预测医保业务的保障情况，以此为基础进行业务更新策略的创建，可以使得医保业务在平衡收支的前提下，为用户提供医保服务，以使得对医保业务存在影响的相关因素可以得到有效的控制。

在保障业务场景下，参见图2-1所示的示意图，本实施例提供的信息处理方法，为了能够提高预测准确度，且在此基础上对保障业务进行精准的调整，可以在实验准备阶段，先基于实验设备确定入组人群条件设定，即获取保障业务下的用户集合，之后在用户集合的基础上定义筛选条件，从而确定入组人数数据；其次在数据准备阶段，考虑到数据标准并不统一，因此可以对入组人数数据进行数据清洗、数据整合，并处理完成后，再对其进行数据变换和特征提取，使得数据分布可视化，即得到可以用于对模型进行训练的数据；且在此过程中，为了能够提高数据的丰富度，还可以通过数据挖掘的方式扩充数据，得到标准数据后，再进入模型准备阶段。

在模型准备阶段，可以先对标准数据进行拆分，得到可以训练模型的训练数据，以及对模型进行验证的测试数据，之后利用训练数据对模型进行训练处理，得到中间模型，此时可以通过测试数据对中间模型的预测精准度进行验证，如果模型不满足条件，则继续使用训练数据进行训练，直至获得满足训练停止条件的模型后，即可得到评估模型，即保障业务预测模型。在模拟数据阶段，可以通过保障业务模拟器变量输入，生成关联保障业务的模拟人群数据，之后将模拟人群数据对应的相关数据输入到模型进行处理，从而得到当前场景下的预测结果；最后再根据预测结果对保障人群数据进行汇总，形成可视化数据，以此为基础创建保障政策决策，即创建保障业务更新策略，即可实现在此基础上完成对保障业务的精准调整，以保证业务的收支平衡。

图2-2示出了根据本说明书一个实施例提供的一种信息处理方法的流程图，具体包括以下步骤。

步骤S202，获取保障业务在业务属性维度关联的属性分布信息。

具体的，保障业务具体是指能够为用户提供保障服务的保险业务，通过个体缴费建立保障基金，使得参与保障业务的用户在触发保障服务后，可以获得相应的经济补偿；例如，医疗保险等；且在保障业务中，需要平衡保障基金的收支，以此才能够维持保障业务运行下去，可以为更多的用户带来合理的经济补偿。因此，保障业务的收支平衡是维持保障业务生命周期长度的基础。相应的，业务属性维度具体是指预测保障业务收支平衡所需要的信息所属的维度，例如在医保业务中，业务属性维度可以包括药品维度、诊断维度、治疗维度、年数维度、性征维度等，通过整合各个维度的信息能够明确用户关联医保业务的相关数据，从而再次基础上可以统筹全部用户的医保业务的相关数据，再进行收支平衡预测即可；也就是说，业务属性维度为关联保障业务的信息所属的维度。

相应的，属性分布信息具体是指业务属性维度所对应的分布信息，通过属性分布信息能够模拟用户集合，也就是说，属性分布信息可以理解为根据真实世界中，参与保障业务的真实用户在各个业务属性维度的属性信息，例如医保业务中，1000个人中有1个甲病患者，患者年数50岁，男性，体重60公斤，药品使用A和B，确定其涉及年数维度-50岁、性征维度-男性、体重维度-体重60公斤、药品维度-A和B，患有甲病的概率是千分之一；以上均可以理解为医保业务在各个属性维度对应的属性分布信息，用于后续可以在此基础上模拟出与真实场景更加相似的模拟用户，用于提高保障业务收支预测的精准度。

本实施例以保障业务为医保业务为例对信息处理方法进行说明，其他业务场景下的信息处理过程，均可参见本实施例相同或相似的描述内容，本实施例在此不作过多赘述。

基于此，在获取到保障业务在业务属性维度关联的属性分布信息后，可以明确保障业务关联的属性分布情况，用于在此基础上，后续可以模拟出与真实场景更加相似的用户，以该部分用户为基础进行保障业务的更新策略确定，可以有效的提高预测精准度。

而在此之前，考虑到保障业务涉及到的业务属性维度可能较为复杂，而部分属性维度的属性分布信息可能对保证业务更新策略的创建并不会产生影响，比如医保业务场景下，异地缴纳医保费用的信息也关联医保业务，但是该维度的信息并不会对医保收支平衡产生影响，也就是说，可以对该维度的信息不作考虑。因此，在获取保障业务在业务属性维度关联的属性分布信息前，可以剔除部分对保障业务不会产生影响的维度，选择关联的维度获取相关的信息，用于后续使用，本实施例中，具体实现方式如下：

获取所述保障业务关联的初始业务属性维度；响应于标准设置指令对所述初始业务属性维度进行处理，获得所述业务属性维度。

具体的，初始业务属性维度具体是指关联保障业务的全部业务属性维度中的每个业务属性维度，相应的，标准设置指令具体是根据当前场景需求提交的指令，用于在全部业务属性维度中筛选出业务属性维度，用于后续按照维度的选择进行信息的获取。

基于此，在需要对保障业务进行收支平衡预测前，为了能够减少冗余维度的信息产生的影响，可以先获取保障业务关联的初始业务属性维度，之后根据当前场景下的需求提交标准设置指令，以根据标准设置指令对初始业务属性维度进行剔除处理，根据剔除处理结果确定业务属性维度，并在此基础上执行步骤S204即可。

也就是说，为了能够精准的模拟真实用户，且降低模拟过程中冗余信息的带来的影响，可以先根据业务需求选定业务属性维度，之后在业务属性维度的基础上，获取保障业务关联的属性分布信息，用于后续可以根据属性分布信息创建模拟用户，再对保障业务进行收支平衡预测，可以有效的提高预测精准度，以及减少冗余信息带来的影响。

综上，通过响应于标准设置指令确定业务属性维度，可以保障在模拟用户时，避免模拟出关联保障业务较低的信息，降低资源消耗的同时，有效的提高了信息处理效率。

步骤S204，根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的保障业务模拟信息。

具体的，在上述获取到各个业务属性维度关联的属性分布信息后，进一步的，各个业务属性维度关联的属性分布信息，可以表征保障业务中真实用户的分布情况，在此基础上，即可根据属性分布信息创建出模拟用户组成的模拟用户集合，用于映射参与保障业务的真实用户的分布情况，之后通过确定模拟用户集合中模拟用户的保障业务模拟信息，可以方便后续通过预测和汇总保障业务模拟信息，完成对保障业务的支出预测，用于实现保障业务更新策略的创建。

其中，模拟用户集合具体是指由模拟用户组成的集合，且集合中的模拟用户是以真实世界的分布为基础进行模拟的用户，能够更真实的映射真实世界中的用户的信息；相应的，保障业务模拟信息具体是指模拟用户关联保障业务的信息，且这部分信息也是根据真实信息模拟的信息；例如在医保业务场景下，模拟用户的保障业务模拟信息包括但不限于参保时间、周期缴费额度、医保费用支出信息等；需要说明的是，模拟用户的保障业务模拟信息，与真实世界中参与保障业务的用户的保障业务真实信息更加贴近，用于真实的模拟实际用户。

进一步的，在创建模拟用户集合的过程中，考虑到实际应用场景下，对参与保障业务的人群影响不仅受到保障业务的服务影响，还可能受到保障业务的决策等因素影响，为了能够创建出更加真实的模拟用户，可以对关联保障业务的属性分布信息进行更新，本实施例中，具体实现方式如下：

获取关联所述保障业务的业务模拟参数以及决策模拟参数；基于所述业务模拟参数和所述决策模拟参数对所述属性分布信息进行更新，获得目标属性分布信息，并根据所述目标属性分布信息创建所述模拟用户集合；按照所述目标属性分布信息创建所述模拟用户集合中模拟用户的保障业务模拟信息。

具体的，业务模拟参数具体是指关联保障业务的关键模拟变量，通过关键模拟变量能够综合保障业务重要的参数，以实现在创建模拟用户时，可以根据该参数对模拟用户关联保障业务的分布情况调整；相应的，决策模拟参数具体是指关联保障业务的实际决策中的重要变量，通过实际决策中的重要变量能够综合保障业务决策的参数，以实现在创建模拟用户时，可以根据该参数对模拟用户关联保障业务的人群特征进行调整。相应的，目标属性分布信息具体是指按照业务模拟参数和决策模拟参数，对各个业务属性维度关联的属性分布信息更新后得到的属性分布信息。

基于此，在获取到关联业务属性维度的属性分布信息后，为了能够提高创建模拟用户的真实性，可以获取关联保障业务的业务模拟参数以及决策模拟参数，实现根据决策模拟参数可以确定保障业务实际决策中的重要变量，以及根据业务模拟参数确定保障业务中的关键模拟变量；其次利用业务模拟参数和决策模拟参数对属性分布信息进行更新，可以获得受决策和业务影响的目标属性分布信息，其与真实业务场景更加贴合；此时再根据目标属性分布信息构建模拟用户集合，即可保证模拟用户集合中的模拟用户与真实用户更加贴近。最后再按照目标属性分布信息创建每个模拟用户的保障业务模拟信息即可，以用于后续可以综合全部模拟用户的保障业务模拟信息，完成对保障业务的收支平衡的预测。

其中，按照目标属性分布信息创建每个模拟用户的保障业务模拟信息，具体是指根据目标属性信息能够确定模拟用户在各个业务属性维度的分布情况，而各个属性维度又是保障业务关联的信息所属的维度，因此根据目标属性分布信息可以明确模拟用户在各个业务属性维度所需要赋予的信息，以此为基础即可创建出每个模拟用户的保障业务模拟信息，以方便后续可以在此基础上进行保障业务的收支平衡预测。

具体实施时，为了能够实现模拟用户与真实用户更加接近，以及创建出的保障业务模拟信息更加真实，可以采用ABM代理人基模型完成对模拟用户和其关联的保障业务模型信息的创建。也就是说，可以根据建模关联保障业务的ABM代理人基模型时，存在的关键模拟变量以及保障业务实际决策中的重要变量，将建模中变量与保障业务关联的业务关联关系梳理出动力学模型，即关联保障业务的ABM代理人基模型，用于完成模拟生成关联保障业务的模拟用户集合。实现模拟用户集合的构成以及保障业务模拟信息是以真实世界的分布为基础，并结合业务模拟参数和决策模拟参数结合动力学模型加以模拟，以保证模拟用户的真实性。

举例说明，在医保业务场景中，为精准平衡医保收支，可以通过创建模拟用户集合的方式模拟真实世界中参与医保用户的人群，用于对医保收支平衡进行预测。基于此，根据医保实际决策中的重要变量{人口特征因素、老龄化因素、出生情况、人口迁移、宏观经济因素、环境变量、医保政策调整等}，以及建模中存在的关键模拟变量{用户属性、疾病、药品、就诊等}，将建模中变量与疾病、医保基金筹资关联关系梳理出关联医保业务的动力学模型，并结合人口自然年增长用于模拟参与医保业务的用户。需要注意的是，在模拟参与医保业务的用户时，还需要参考权威发布、学术期刊、以及研究将动力学模型转换为人群的分布特征的相关信息，用于模拟出与真实用户更加接近的模拟用户。根据模拟结果可以确定模拟用户集合包括用户U1{年数L1；男；医保月缴R1元；参保时间T1；患有A1病；使用药品B1…}、用户U2{年数L2；男；医保月缴R2元；参保时间T2；未患病；未使用药物…}…用户Un{年数Ln；女；医保月缴Rn元；参保时间Tn；患有An病；使用药品Bn…}(其中，n为大于0的正整数)，即模拟用户集合中包含n个参与医保的模拟用户，以及每个模拟用户关联医保业务的相关信息，以方便后续对医保收支平衡进行预测。

综上，通过结合业务模拟参数和决策模拟参数进行模拟用户集合和保障业务模拟信息的创建，可以实现在模拟阶段，可以使得模拟用户和其对应的保障业务模拟信息更加贴近实际应用场景，以此从宏观角度体现实际场景下的保障业务变化情况，以方便后续能够以此为基础精准的对保障业务的收支平衡情况进行确定。

步骤S206，将所述保障业务模拟信息输入至保障业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息。

具体的，在上述得到每个模拟用户的保障业务模拟信息后，进一步的，通过每个模拟用户的保障业务模拟信息能够体现用户在保障业务服务中参与情况，而保障业务作为针对用户提供保障服务的业务，其是通过维护收支平衡的方式来保证保障业务的运行周期，用以对存在保障需求的用户提供保障服务，以及对未存在保障需求的用户管理缴纳的费用。因此需要先确定模拟用户集合中每个模拟用户的用户保障信息，以方便后续整合全部模拟用户的用户保障信息，确定关联保障业务的全局保障信息，即保障业务的支出信息，再结合保障业务的筹资信息即可确定当前决策中是否收支平衡，以此为基础即可创建出满足业务需求的保障业务更新策略。

其中，保障业务预测模型具体是指对每个模拟用户进行用户保障信息预测的模型，保障业务预测模型的输入为模拟用户的保障业务模拟信息，输出为用户保障信息；需要说明的是，保障业务模拟信息可能包含模拟用户在多个业务属性维度的信息，因此在输入保障信息预测模型前，可以对其进行向量化处理，获得关联保障业务模拟信息的向量表达，之后再输入模型进行处理即可。相应的，用户保障信息具体是指保障业务为模拟用户提供保障基金补偿的信息。

进一步的，考虑到保障业务预测模型是为了对保障业务进行调整的基础，只有在保障业务预测模型预测精准度足够高的情况下，才能够真实的体现用户的用户保障信息，因此需要对保障业务预测模型进行高强度的训练，才能够使其具备足够高的预测能力，本实施例中，保障业务预测模型的训练，参见图3所示，包括步骤S2062至步骤S2066。

S2062，确定关联所述保障业务的业务用户集合，并获取所述业务用户集合中业务用户的业务关联数据。

具体的，业务用户集合具体是指参与保障业务的真实用户组成的集合，相应的，业务关联数据具体是指业务用户集合中的业务用户使用保障业务时所对应的相关数据，其组成结构与保障业务模拟信息相同，且还包含业务用户的用户保障信息，用于在训练模型阶段构建样本对。

基于此，为了能够提高保障业务预测模型的预测精准度，可以在模型训练阶段，选择真实用户的数据完成训练，即：先确定关联保障业务的业务用户集合，之后获取业务用户集合中业务用户的业务关联数据，以方便后续以此为基础构建样本对完成模型训练。

进一步的，在确定业务用户集合以及获取业务用户的业务关联数据的过程中，考虑到实际应用场景下不同的业务用户的数据标准并不统一，如果以此为基础进行样本的构建，可能会对模型的训练产生影响，因此在确定业务用户集合以及获取业务关联数据后，可以进行用户过滤和数据预处理，本实施例中，具体实现方式如下：

确定关联所述保障业务的初始业务用户集合；按照预设的过滤条件对所述初始业务用户集合进行过滤，获得所述业务用户集合；获取所述业务用户集合中业务用户的初始业务关联数据；通过对所述业务用户集合中业务用户的初始业务关联数据进行预处理，获得所述业务用户集合中业务用户的业务关联数据。

具体的，初始业务用户集合具体是指还未进行过滤的业务用户组成的集合，其中包含满足和不满足过滤用户的全部业务用户；相应的，过滤条件具体是指在初始业务用户集合中筛选出标准用户的条件，标准用户能够保障相关数据的准确性、完整性和可用性；也就是说，预设的过滤条件能够对初始业务用户进行准确性过滤、完整性过滤和可用性过滤，实现过滤掉数据不完整、不准确以及无法可用的初始业务用户，将剩余的初始业务用户组成业务用户集合。相应的，初始业务关联数据具体是指每个业务用户对应的非标准化的业务关联数据，其可能存在缺失值、极端值等。

基于此，为构建出质量更高的训练集合和验证集合，可以先确定保障业务关联的初始业务用户集合，之后按照预设的过滤条件对初始业务用户集合进行过滤，以将初始业务用户集合中数据缺失的初始业务用户、数据准确度不高的初始业务用户以及数据不可用的初始业务用户，从初始业务用户集合中剔除，将剩余的初始业务用户作为业务用户集合。进一步的，在确定业务用户集合后，可以获取初始业务用户集合中业务用户的初始业务关联数据，之后再对每个业务用户的初始业务关联数据进行预处理，即可得到每个业务用户关联的，且标准的业务关联数据，以方便后续进行使用。

综上，通过对初始业务用户集合进行过滤，以及对初始业务关联数据进行预处理，实现在数据准备阶段，可以通过标准化的方式确定业务用户集合，以及业务用户的业务关联数据，可以保证数据质量更高，从而训练出预测准确度更高的模型。

更进一步的，在对初始业务关联数据进行预处理时，实则将数据标准化，本实施例中，具体实现方式如下：

按照关联所述保障业务的知识图谱，对所述业务用户集合中业务用户的初始业务关联数据进行标准化处理，获得所述业务用户集合中业务用户的中间业务关联数据；按照关联所述保障业务的自然语言算法，对所述业务用户集合中业务用户的中间业务关联数据进行修复处理，获得所述业务用户集合中业务用户的业务关联数据。

具体的，知识图谱具体是指关联保障业务的图谱，其包含的三元组具有保障业务场景下的标准命名，且知识图谱与保障业务领域相关；相应的，自然语言算法具体是指能够对表述不规范的命名或者语句进行修复的算法，用于校正；相应的，中间业务关联数据具体是指经过知识图谱中的三元组对初始业务关联数据进行标准化处理后得到的数据。其中，标准化处理是指将初始业务关联数据中涉及知识图谱中三元组(实体-关系-实体)的相关数据，以三元组中的标准描述进行的处理操作；相应的，修复处理具体是指利用自然语言算法对中间业务关联数据中，描述不准确或者不规范的数据进行修正的处理操作。

基于此，在获取到业务用户关联的初始业务关联数据后，可以先按照关联保障业务的知识图谱对每个业务用户的初始业务关联数据进行标准化处理，以使初始业务关联数据中的相关描述都可以具有统一的标准，获得中间业务关联数据；之后再按照关联保障业务的自然语言算法，对每个业务用户的中间业务关联数据进行修复处理，以使得中间业务关联数据中的相关描述都可以正确描述，从而获得业务用户集合中每个业务用户的业务关联数据。

实际应用中，在按照知识图谱对初始业务关联数据进行标准化处理的过程，以及按照自然语言算法对中间业务关联数据进行修复处理的过程，可以根据实际需求设置先后顺序，即可以先按照自然语言算法对初始业务关联数据进行修复处理，再按照知识图谱对修复处理结果进行标准化处理。具体实施时，可以根据实际需求进行设定，本实施例在此不作任何限定。

也就是说，为了能够在后续构建出质量更高的训练集合和验证集合，可以根据真实世界中保障业务关联的初始业务关联数据，对于业务用户进行梳理和规范化处理，实现按照保障业务的需求，筛选出符合建模标准的保障业务建模自然人，并且符合数据完整性的自然人标准，按照建模要求对于入选业务用户设定一定的入组和出组标准，即过滤条件，实现确定的业务用户集合中的业务用户关联的数据具有准确性、完整性和可用性。

确定更加标准的业务用户集合后，可以利用关联保障业务的知识图谱和自然语言算法针对保障业务场景下，业务用户的初始业务关联数据进行对齐、统一、标准化、缺失值以及极端值等进行必要的处理，用于建模准备，从而得到每个业务用户对应的标准的业务关联数据。

举例说明，确定参与医保业务的用户存在m个，之后获取每个用户关联的医保数据，此时通过对每个用户关联的医保数据进行准确性、完整性和可用性检测，确定m个用户中s个(m≥s)用户满足该条件，则此时将s个用户作为标准用户集合。进一步的，确定标准用户集合中每个用户的医保数据，并按照医学知识图谱和自然语言算法对每个用户的医保数据进行对齐、统一、标准化、缺失值以及极端值等必要的处理，获得每个用户对应的标准医保数据，用于后续建模使用。以s个用户中的用户s1对标准化处理过程进行说明。即：用户s1的医保数据为{诊断结果-咽喉肿痛；药品-消炎药；检查-验血；……医保支出-R元}。此时，按照医学知识图谱和自然语言算法能力对用户s1的医保数据进行标准化处理，获得用户s1的标准医保数据为{诊断结果-扁桃体发炎；药品-头孢；检查-验血；……医保支出-R元}，以方便后续进行模型训练所使用。

综上，通过结合知识图谱和自然语言算法，对业务用户的初始业务关联数据进行标准化处理和修复处理，可以使得数据具有统一的标准，以此构建出的训练集合和验证集合质量更高，以训练出精准度更高，且泛化能力更好的保障业务预测模型。

S2064，根据所述业务用户集合中业务用户的业务关联数据，构建训练集合和验证集合。

具体的，在上述获得业务用户集合中业务用户的业务关联数据后，进一步的，此时可以根据业务关联数据构建训练集合和验证集合，用于在训练阶段，可以根据训练集合和验证集合，训练出满足使用条件的保障业务预测模型。其中，训练集合具体是指对初始保障业务预测模型进行训练的集合，其包含的数据量较大；相应的，验证集合具体是指验证训练中的保障业务预测模型预测精准度的集合。

步骤S2066，利用所述训练集合和所述验证集合对初始保障业务预测模型进行训练，直至获得满足训练停止条件的所述保障业务预测模型。

具体的，在上述完成对训练集合和验证集合的构建后，进一步的，可以利用训练集合和验证集合对初始保障业务预测模型进行训练，直至在初始保障业务预测模型满足训练停止条件的情况下，即可将满足训练停止条件阶段的模型作为保障业务预测模型，以用于在实际应用场景下的使用。其中，训练停止条件具体是指停止训练初始保障业务预测模型的条件，包括但不限于损失值比较条件，迭代次数条件，或者验证条件。其中损失值比较条件具体是指计算初始保障业务预测模型的损失值，将损失值与预设损失值阈值进行比较的条件；相应的，迭代次数条件具体是指确定当前阶段模型训练迭代次数，将迭代次数与预设次数阈值进行比较的条件。相应的，验证条件具体是指将当前阶段的模型对验证集合中的数据进行处理，获得预测结果，将预测结果与标准结果进行比较的条件。

进一步的，在训练初始保障业务预测模型时，为了能够提高模型训练精准度，可以利用样本集合对模型进行训练，利用验证集合对模型进行验证，从而获得满足当前使用场景的保障业务预测模型，本实施例中，具体实现方式如下：

利用所述训练集合对所述初始保障业务预测模型进行训练，获得中间保障业务预测模型；利用所述验证集合对所述中间保障业务预测模型进行验证，获得模型预测信息；根据所述模型预测信息确定所述中间保障业务预测模型满足所述训练停止条件的情况下，将所述中间保障业务预测模型作为所述保障业务预测模型。在不满足训练停止条件的情况下，继续利用训练集合中的样本对模型进行训练，直至满足条件即可。

基于此，在构建完成训练集合和验证集合后，可以先利用训练集合中包含的样本对初始保障业务预测模型进行训练，训练迭代次数可以根据实际需求设定，在满足迭代次数后，可以获得中间保障业务预测模型；此时即可利用验证集合对中间保障业务预测模型进行验证，以获得模型预测信息，即当前阶段中间保障业务预测模型的预测精准度，根据预测精准度即可确定中间保障业务预测模型是否满足训练停止条件，若满足，将中间保障业务预测模型作为保障业务预测模型即可；若不满足，继续利用训练集合中的样本对模型进行训练，直至满足条件即可。

实际应用中，在对保障业务预测模型进行训练时，实则是通过循环迭代的方式训练模型的预测能力，以获得满足使用条件的保障业务预测模型。即：在训练集合中选择第i训练样本输入初始保障业务预测模型进行处理，获得模型输出的第i预测结果；之后在验证集合中选择第j验证样本输入当前阶段的初始保障业务预测模型进行处理，获得模型输出的第j预测结果；在验证集合中提取第j验证样本对应的第j标准验证结果，将第j标准验证结果与第j预测结果进行比对，若二者不一致，说明模型不满足训练停止条件，则此时i自增1，j自增1，再执行将i+1训练样本输入初始保障业务预测模型进行处理，获得模型输出的第i预测结果的步骤，直至二者一致后，即可获得满足训练停止条件的保障业务预测模型。

综上，通过结合验证集合和训练集合对初始保障业务预测模型进行训练，可以实现在训练阶段，时刻监测初始保障业务预测模型的预测精准度，从而在满足停止条件的情况下，及时停止训练，不仅可以提高模型预测精准度，还能够避免模型过拟合，从而有效的保证了模型预测能力。

此外，在利用训练集合对初始保障业务预测模型进行训练前，考虑到实际应用场景中，因为时序问题，可能会导致同一数据在不同的时间或者地点具有不同的价格，因此为了能够保证模型可以具有更精准的预测能力，可以结合关系图谱对模型进行嵌入，本实施例中，具体实现方式如下：

获取关联所述保障业务的业务对象信息，以及所述业务对象信息对应的关联对象信息；根据所述业务对象信息和所述关联对象信息构建所述保障业务关联的关系图谱；基于所述关系图谱对所述初始保障业务预测模型进行调参，并根据调参结果执行所述利用所述训练集合对所述初始保障业务预测模型进行训练，获得中间保障业务预测模型的步骤。

具体的，业务对象信息具体是指保障业务中所使用的业务对象对应的信息，例如在医保业务场景下，业务对象可以是药品；相应的，关联对象信息具体是指业务对象所关联的信息，包括但不限于药品价格、治疗的疾病等。相应的，关系图谱具体是指根据业务对象信息和关联对象信息构建的动态关系图谱，用于对初始保障业务预测模型进行嵌入，以使得模型可以嵌入关联业务对象的相关信息。

基于此，在训练模型前，可以先获取关联保障业务的业务对象信息，以及业务对象信息对应的关联对象信息，实现可以根据业务对象信息和关联对象信息可以构建动态的关系图谱，之后基于关系图谱对初始保障业务预测模型进行调参，实现在模型中嵌入关联业务对象的相关信息，以使得模型在后续训练阶段，可以具有更高的预测准确度。

在医保业务场景下，由于实际环境中药品在不同场景(医院、药店、社区等)下的价格存在差异，而患者的时间序列用药也会存在不同的场景，指示医保支出也会随之变化，因此为了能够更加准确的反应每次药物的价格，可以根据医保业务场景中具体药品与疾病之间的关系，以及药品价格按照不同医院级别以及消费场所的不同，构建动态的关系图谱，用于建模中嵌入初始保障业务预测模型，其中，初始保障业务预测模型可以使用Transformer架构的模型；以实现后续可以对嵌入上述信息的初始保障业务预测模型进行训练，获得预测准确度更高的保障业务预测模型。

综上，通过在模型训练前，根据业务对象信息和关联对象信息创建关系图谱，并以此在建模中嵌入模型，实现对模型进行计算优化，从而可以更进一步的提高模型预测真实度，使得预测结果更加符合实际情况。

步骤S208，根据所述用户保障信息生成全局保障信息，并按照所述保障业务对应的保障业务信息和所述全局保障信息创建保障业务更新策略。

具体的，在上述获得每个模拟用户的用户保障信息后，可以根据用户保障信息构建关联保障业务的全局保障信息，之后按照全局保障信息和保障业务对应的保障业务信息创建用于对保障业务进行更新的保障业务更新策略，以实现保障业务可以维持收支平衡，为用户提供更优质的服务。

其中，全局保障信息具体是指整合全部模拟用户的用户保障信息后，得到的总体用户保障信息，即医保场景下的总体用户支出；相应的，保障业务信息具体是指当前阶段保障业务的总筹资信息，即医保场景下的实际筹资信息或者计划筹资信息等；相应的，保障业务更新策略具体是指更新收支平衡的策略，其包括但不限于提高筹资标准，降低报销标准等策略。

实际应用中，在创建保障业务更新策略时，为了能够精准的对保障业务进行调整，可以在地区和时间的基础上进行调整，即对某一个地区的设定时间内的保障业务进行调整，以维持其收支平衡。

进一步的，在创建保障业务更新策略时，考虑到数据处理阶段使用的全量面模拟用户的数据完成，而保障业务又具有地理位置区域性特点，因此为了能够提高策略创建的准确性，作出不同级别的预警方案，可以采用如下方式实现：

对所述模拟用户集合中模拟用户的用户保障信息进行整合，获得初始全局保障信息；按照所述保障业务对应的保障区域对所述初始全局保障信息进行划分，获得所述全局保障信息；确定所述保障业务关联所述保障区域的所述保障业务信息；基于所述全局保障信息和所述保障业务信息计算业务平衡信息，并按照所述业务平衡信息创建所述保障业务更新策略。

具体的，初始全局保障信息具体是指整合全部模拟用户的用户保障信息后得到的保障信息；相应的，保障区域具体是指需要更新的保障业务所对应的地理区域；相应的，业务平衡信息具体是指保障业务的收支平衡信息，用于平衡保障业务的收支维持平衡。

基于此，在得到每个模拟用户对应的用户保障信息后，考虑到需要对保障业务的收支平衡进行调整，因此可以对模拟用户集合中模拟用户的用户保障信息进行整合，获得关联保障业务的初始全局保障信息。而在此基础上，考虑到保障业务具有地理位置区域性的特点，因此可以按照保障业务对应的保障区域对初始全局保障信息进行划分，用于在初始全局保障信息中选择保障区域关联的模拟用户的用户保障信息组成的全局保障信息；之后，再确定保障业务关联保障区域的保障业务信息；并结合全局保障信息和保障业务信息计算出业务平衡信息，最后根据业务平衡信息创建关联保障业务的保障业务更新策略即可，以根据该策略能够平衡保障业务的收支。

综上，通过以保障区域为基础进行保障业务更新策略的创建，可以使得保障业务在后续的更新中可以考虑本地决策，用于精准的平衡保障业务的收支。

此外，在创建保障业务更新策略时，考虑到保障业务可能对应不同的业务级别，比如医保业务场景下，缴费标准可以分多个等级，相应的，不同级别的收支也存在差异，因此可以按照级别进行保障业务更新策略的创建，本实施例中，具体实现方式如下：

确定所述保障业务对应的至少一个业务级别；按照所述业务平衡信息创建每个业务级别对应的子保障业务更新策略；通过对每个业务级别对应的子保障业务更新策略进行整合，获得所述保障业务关联的所述保障业务更新策略。

具体的，业务级别具体是指保障业务在为用户提供保障服务时所对应的级别，不同的级别对应不同的缴费和支出标准；相应的，子保障业务更新策略具体是指每个业务级别对应的保障业务更新策略。

基于此，在创建保障业务对应的保障业务更新策略时，可以先确定保障业务对应的至少一个业务级别，之后根据业务平衡信息确定每个级别对应的子业务平衡信息，再按照子业务平衡信息创建每个业务级别对应的子保障业务更新策略即可，最后通过整合全部业务级别对应的子保障业务更新策略，即可得到保障业务关联的保障业务更新策略。

实际应用中，在通过模型预测出每个模拟用户的医保支出信息后，可以将每个用户的预测医保支出信息进行整合，从而获得医保统筹区的总体支出，同时，还将确定医保业务基金的实际筹资信息或者计划筹资信息，以结合医保统筹区的总体支出和筹资信息，可以计算出医保基金运营的收支平衡，之后对医保收支平衡做出不同级别的预警方案，即可实现医保基金的支出平衡。

本说明书提供的信息处理方法，为了能够提高对保障业务进行调整的精准度，可以先获取保障业务在业务属性维度关联的属性分布信息，之后根据属性分布信息创建模拟用户集合，用于通过关联保障业务的相关信息创建出模拟真实用户的模拟用户，并确定模拟用户集合中模拟用户的保障业务模拟信息，实现在模拟用户的基础上，确定更加标准且真实的保障业务模拟信息，之后将保障业务模拟信息输入到保障业务预测模型进行处理，获得模拟用户集合中模拟用户的用户保障信息；并根据用户保障信息生成全局保障信息，最后按照保障业务对应的保障业务信息和全局保障信息创建保障业务更新策略，实现了通过模拟用户的方式完成对保障业务的保障信息的预测，并在此基础上完成保障业务更新策略的创建，有效的提高了预测精准度，且能够保证创建的更新策略的准确度，以此为基础再进行保障业务的调整，可以使得保障业务可以在收支平衡的前提下，为用户提供保障业务。

下述结合附图4，以本说明书提供的信息处理方法在医保业务场景中的应用为例，对所述信息处理方法进行进一步说明。其中，图4示出了本说明书一个实施例提供的一种信息处理方法的处理过程流程图，具体包括以下步骤。

步骤S402，确定关联医保业务的初始业务用户集合。

步骤S404，按照预设的过滤条件对初始业务用户集合进行过滤，获得业务用户集合。

步骤S406，获取业务用户集合中业务用户的初始业务关联数据。

步骤S408，按照关联医保业务的医学知识图谱，对业务用户集合中业务用户的初始业务关联数据进行标准化处理，获得业务用户集合中业务用户的中间业务关联数据。

步骤S410，按照关联医保业务的自然语言算法，对业务用户集合中业务用户的中间业务关联数据进行修复处理，获得业务用户集合中业务用户的业务关联数据。

实际应用中，为了能够在后续构建出质量更高的训练集合和验证集合，可以根据真实世界中医保业务关联的初始业务关联数据，对于业务用户进行梳理和规范化处理，实现按照医保业务的需求，筛选出符合建模标准的医保业务建模自然人，并且符合数据完整性的自然人标准，按照建模要求对于入选业务用户设定一定的入组和出组标准，即过滤条件，实现确定的业务用户集合中的业务用户关联的数据具有准确性、完整性和可用性。

确定更加标准的业务用户集合后，可以利用关联医保业务的知识图谱和自然语言算法针对医保业务场景下，业务用户的初始业务关联数据进行对齐、统一、标准化、缺失值以及极端值等进行必要的处理，用于建模准备，从而得到每个业务用户对应的标准的业务关联数据。

步骤S412，获取关联医保业务的业务对象信息，以及业务对象信息对应的关联对象信息。

步骤S414，根据业务对象信息和关联对象信息构建医保业务关联的关系图谱。

步骤S416，基于关系图谱对初始医保业务预测模型进行调参；并根据调参结果执行418步骤。

步骤S418，根据业务用户集合中业务用户的业务关联数据，构建训练集合和验证集合。

步骤S420，利用训练集合对初始医保业务预测模型进行训练，获得中间医保业务预测模型。

步骤S422，利用验证集合对中间医保业务预测模型进行验证，获得模型预测信息。

步骤S424，根据模型预测信息确定中间医保业务预测模型满足训练停止条件的情况下，将中间医保业务预测模型作为医保业务预测模型。

在医保业务场景下，由于实际环境中药品在不同场景(医院、药店、社区等)下的价格存在差异，而患者的时间序列用药也会存在不同的场景，指示医保支出也会随之变化，因此为了能够更加准确的反应每次药物的价格，可以根据医保业务场景中具体药品与疾病之间的关系，以及药品价格按照不同医院级别以及消费场所的不同，构建动态的关系图谱，用于建模中嵌入初始医保业务预测模型，其中，初始医保业务预测模型可以使用Transformer架构的模型；以实现后续可以对嵌入上述信息的初始医保业务预测模型进行训练，获得预测准确度更高的医保业务预测模型。

步骤S426，获取医保业务在业务属性维度关联的属性分布信息。

步骤S428，获取关联医保业务的业务模拟参数以及决策模拟参数。

步骤S430，基于业务模拟参数和决策模拟参数对属性分布信息进行更新，获得目标属性分布信息，并根据目标属性分布信息创建模拟用户集合。

步骤S432，按照目标属性分布信息创建模拟用户集合中模拟用户的医保业务模拟信息。

具体的，为了能够实现模拟用户与真实用户更加接近，以及创建出的医保业务模拟信息更加真实，可以采用ABM代理人基模型完成对模拟用户和其关联的医保业务模型信息的创建。也就是说，可以根据建模关联医保业务的ABM代理人基模型时，存在的关键模拟变量以及医保业务实际决策中的重要变量，将建模中变量与医保业务关联的业务关联关系梳理出动力学模型，即关联医保业务的ABM代理人基模型，用于完成模拟生成关联医保业务的模拟用户集合。实现模拟用户集合的构成以及医保业务模拟信息是以真实世界的分布为基础，并结合业务模拟参数和决策模拟参数结合动力学模型加以模拟，以保证模拟用户的真实性。

步骤S434，将医保业务模拟信息输入至医保业务预测模型进行处理，获得模拟用户集合中模拟用户的用户医保信息。

步骤S436，对模拟用户集合中模拟用户的用户医保信息进行整合，获得全局医保信息。

步骤S438，确定医保业务关联医保业务信息，并基于全局医保信息和医保业务信息计算业务平衡信息，并按照业务平衡信息创建医保业务更新策略。

具体的，在通过模型预测出每个模拟用户的医保支出信息后，可以将每个用户的预测医保支出信息进行整合，从而获得医保统筹区的总体支出，同时，还将确定医保业务基金的实际筹资信息或者计划筹资信息，以结合医保统筹区的总体支出和筹资信息，可以计算出医保基金运营的收支平衡，之后对医保收支平衡做出不同级别的预警方案，即可实现医保基金的支出平衡。

综上所述，为了能够提高对保障业务进行调整的精准度，可以先获取保障业务在业务属性维度关联的属性分布信息，之后根据属性分布信息创建模拟用户集合，用于通过关联保障业务的相关信息创建出模拟真实用户的模拟用户，并确定模拟用户集合中模拟用户的保障业务模拟信息，实现在模拟用户的基础上，确定更加标准且真实的保障业务模拟信息，之后将保障业务模拟信息输入到保障业务预测模型进行处理，获得模拟用户集合中模拟用户的用户保障信息；并根据用户保障信息生成全局保障信息，最后按照保障业务对应的保障业务信息和全局保障信息创建保障业务更新策略，实现了通过模拟用户的方式完成对保障业务的保障信息的预测，并在此基础上完成保障业务更新策略的创建，有效的提高了预测精准度，且能够保证创建的更新策略的准确度，以此为基础再进行保障业务的调整，可以使得保障业务可以在收支平衡的前提下，为用户提供保障业务。

与上述方法实施例相对应，本说明书还提供了信息处理装置实施例，图5示出了本说明书一个实施例提供的一种信息处理装置的结构示意图。如图5所示，该装置包括：

获取模块502，被配置为获取保障业务在业务属性维度关联的属性分布信息；

确定模块504，被配置为根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的保障业务模拟信息；

处理模块506，被配置为将所述保障业务模拟信息输入至保障业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

创建模块508，被配置为根据所述用户保障信息生成全局保障信息，并按照所述保障业务对应的保障业务信息和所述全局保障信息创建保障业务更新策略。

一个可选的实施例中，所述装置，还包括：

模型训练模块，被配置为确定关联所述保障业务的业务用户集合，并获取所述业务用户集合中业务用户的业务关联数据；根据所述业务用户集合中业务用户的业务关联数据，构建训练集合和验证集合；利用所述训练集合和所述验证集合对初始保障业务预测模型进行训练，直至获得满足训练停止条件的所述保障业务预测模型。

一个可选的实施例中，所述模型训练模块进一步被配置为：

确定关联所述保障业务的初始业务用户集合；按照预设的过滤条件对所述初始业务用户集合进行过滤，获得所述业务用户集合；获取所述业务用户集合中业务用户的初始业务关联数据；通过对所述业务用户集合中业务用户的初始业务关联数据进行预处理，获得所述业务用户集合中业务用户的业务关联数据。

一个可选的实施例中，所述模型训练模块进一步被配置为：

按照关联所述保障业务的知识图谱，对所述业务用户集合中业务用户的初始业务关联数据进行标准化处理，获得所述业务用户集合中业务用户的中间业务关联数据；按照关联所述保障业务的自然语言算法，对所述业务用户集合中业务用户的中间业务关联数据进行修复处理，获得所述业务用户集合中业务用户的业务关联数据。

一个可选的实施例中，所述模型训练模块进一步被配置为：

利用所述训练集合对所述初始保障业务预测模型进行训练，获得中间保障业务预测模型；利用所述验证集合对所述中间保障业务预测模型进行验证，获得模型预测信息；根据所述模型预测信息确定所述中间保障业务预测模型满足所述训练停止条件的情况下，将所述中间保障业务预测模型作为所述保障业务预测模型。

一个可选的实施例中，所述模型训练模块进一步被配置为：

获取关联所述保障业务的业务对象信息，以及所述业务对象信息对应的关联对象信息；根据所述业务对象信息和所述关联对象信息构建所述保障业务关联的关系图谱；基于所述关系图谱对所述初始保障业务预测模型进行调参，并根据调参结果执行所述利用所述训练集合对所述初始保障业务预测模型进行训练，获得中间保障业务预测模型的步骤。

一个可选的实施例中，所述确定模块504进一步被配置为：

获取关联所述保障业务的业务模拟参数以及决策模拟参数；基于所述业务模拟参数和所述决策模拟参数对所述属性分布信息进行更新，获得目标属性分布信息，并根据所述目标属性分布信息创建所述模拟用户集合；按照所述目标属性分布信息创建所述模拟用户集合中模拟用户的保障业务模拟信息。

一个可选的实施例中，所述创建模块508进一步被配置为：

对所述模拟用户集合中模拟用户的用户保障信息进行整合，获得初始全局保障信息；按照所述保障业务对应的保障区域对所述初始全局保障信息进行划分，获得所述全局保障信息；确定所述保障业务关联所述保障区域的所述保障业务信息；基于所述全局保障信息和所述保障业务信息计算业务平衡信息，并按照所述业务平衡信息创建所述保障业务更新策略。

一个可选的实施例中，所述创建模块508进一步被配置为：

确定所述保障业务对应的至少一个业务级别；按照所述业务平衡信息创建每个业务级别对应的子保障业务更新策略；通过对每个业务级别对应的子保障业务更新策略进行整合，获得所述保障业务关联的所述保障业务更新策略。

一个可选的实施例中，所述装置，还包括：

调整模块，被配置为获取所述保障业务关联的初始业务属性维度；响应于标准设置指令对所述初始业务属性维度进行处理，获得所述业务属性维度。

本说明书提供的信息处理装置，为了能够提高对保障业务进行调整的精准度，可以先获取保障业务在业务属性维度关联的属性分布信息，之后根据属性分布信息创建模拟用户集合，用于通过关联保障业务的相关信息创建出模拟真实用户的模拟用户，并确定模拟用户集合中模拟用户的保障业务模拟信息，实现在模拟用户的基础上，确定更加标准且真实的保障业务模拟信息，之后将保障业务模拟信息输入到保障业务预测模型进行处理，获得模拟用户集合中模拟用户的用户保障信息；并根据用户保障信息生成全局保障信息，最后按照保障业务对应的保障业务信息和全局保障信息创建保障业务更新策略，实现了通过模拟用户的方式完成对保障业务的保障信息的预测，并在此基础上完成保障业务更新策略的创建，有效的提高了预测精准度，且能够保证创建的更新策略的准确度，以此为基础再进行保障业务的调整，可以使得保障业务可以在收支平衡的前提下，为用户提供保障业务。

上述为本实施例的一种信息处理装置的示意性方案。需要说明的是，该信息处理装置的技术方案与上述的信息处理方法的技术方案属于同一构思，信息处理装置的技术方案未详细描述的细节内容，均可以参见上述信息处理方法的技术方案的描述。

图6示出了根据本说明书一个实施例提供的一种计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接，数据库650用于保存数据。

计算设备600还包括接入设备640，接入设备640使得计算设备600能够经由一个或多个网络460通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。

在本说明书的一个实施例中，计算设备600的上述部件以及图6中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图6所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备600可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备600还可以是移动式或静止式的服务器。

其中，处理器620用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述信息处理方法的步骤。

上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的信息处理方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述信息处理方法的技术方案的描述。

本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述信息处理方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的信息处理方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述信息处理方法的技术方案的描述。

本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述信息处理方法的步骤。

上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的信息处理方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述信息处理方法的技术方案的描述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (14)

1.一种医保业务的信息处理方法，包括：

获取医保业务在业务属性维度关联的属性分布信息；

根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的医保业务模拟信息；

将所述医保业务模拟信息输入至医保业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

根据所述用户保障信息生成全局保障信息，并按照所述医保业务对应的医保业务信息和所述全局保障信息创建医保业务更新策略。

2.一种信息处理方法，包括：

获取保障业务在业务属性维度关联的属性分布信息；

根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的保障业务模拟信息；

将所述保障业务模拟信息输入至保障业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

根据所述用户保障信息生成全局保障信息，并按照所述保障业务对应的保障业务信息和所述全局保障信息创建保障业务更新策略。

3.根据权利要求2所述的方法，所述保障业务预测模型的训练，包括：

确定关联所述保障业务的业务用户集合，并获取所述业务用户集合中业务用户的业务关联数据；

根据所述业务用户集合中业务用户的业务关联数据，构建训练集合和验证集合；

利用所述训练集合和所述验证集合对初始保障业务预测模型进行训练，直至获得满足训练停止条件的所述保障业务预测模型。

4.根据权利要求3所述的方法，所述确定关联所述保障业务的业务用户集合，并获取所述业务用户集合中业务用户的业务关联数据，包括：

确定关联所述保障业务的初始业务用户集合；

按照预设的过滤条件对所述初始业务用户集合进行过滤，获得所述业务用户集合；

获取所述业务用户集合中业务用户的初始业务关联数据；

通过对所述业务用户集合中业务用户的初始业务关联数据进行预处理，获得所述业务用户集合中业务用户的业务关联数据。

5.根据权利要求4所述的方法，所述通过对所述业务用户集合中业务用户的初始业务关联数据进行预处理，获得所述业务用户集合中业务用户的业务关联数据，包括：

按照关联所述保障业务的知识图谱，对所述业务用户集合中业务用户的初始业务关联数据进行标准化处理，获得所述业务用户集合中业务用户的中间业务关联数据；

按照关联所述保障业务的自然语言算法，对所述业务用户集合中业务用户的中间业务关联数据进行修复处理，获得所述业务用户集合中业务用户的业务关联数据。

6.根据权利要求3所述的方法，所述利用所述训练集合和所述验证集合对初始保障业务预测模型进行训练，直至获得满足训练停止条件的所述保障业务预测模型，包括：

利用所述训练集合对所述初始保障业务预测模型进行训练，获得中间保障业务预测模型；

利用所述验证集合对所述中间保障业务预测模型进行验证，获得模型预测信息；

根据所述模型预测信息确定所述中间保障业务预测模型满足所述训练停止条件的情况下，将所述中间保障业务预测模型作为所述保障业务预测模型。

7.根据权利要求6所述的方法，所述利用所述训练集合对所述初始保障业务预测模型进行训练，获得中间保障业务预测模型步骤执行之前，还包括：

获取关联所述保障业务的业务对象信息，以及所述业务对象信息对应的关联对象信息；

根据所述业务对象信息和所述关联对象信息构建所述保障业务关联的关系图谱；

基于所述关系图谱对所述初始保障业务预测模型进行调参，并根据调参结果执行所述利用所述训练集合对所述初始保障业务预测模型进行训练，获得中间保障业务预测模型的步骤。

8.根据权利要求2所述的方法，所述根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的保障业务模拟信息，包括：

获取关联所述保障业务的业务模拟参数以及决策模拟参数；

基于所述业务模拟参数和所述决策模拟参数对所述属性分布信息进行更新，获得目标属性分布信息，并根据所述目标属性分布信息创建所述模拟用户集合；

按照所述目标属性分布信息创建所述模拟用户集合中模拟用户的保障业务模拟信息。

9.根据权利要求2所述的方法，所述根据所述用户保障信息生成全局保障信息，并按照所述保障业务对应的保障业务信息和所述全局保障信息创建保障业务更新策略，包括：

对所述模拟用户集合中模拟用户的用户保障信息进行整合，获得初始全局保障信息；

按照所述保障业务对应的保障区域对所述初始全局保障信息进行划分，获得所述全局保障信息；

确定所述保障业务关联所述保障区域的所述保障业务信息；

基于所述全局保障信息和所述保障业务信息计算业务平衡信息，并按照所述业务平衡信息创建所述保障业务更新策略。

10.根据权利要求9所述的方法，所述按照所述业务平衡信息创建所述保障业务更新策略，包括：

确定所述保障业务对应的至少一个业务级别；

按照所述业务平衡信息创建每个业务级别对应的子保障业务更新策略；

通过对每个业务级别对应的子保障业务更新策略进行整合，获得所述保障业务关联的所述保障业务更新策略。

11.根据权利要求2-10任一项所述的方法，所述获取保障业务在业务属性维度关联的属性分布信息步骤执行之前，还包括：

获取所述保障业务关联的初始业务属性维度；

响应于标准设置指令对所述初始业务属性维度进行处理，获得所述业务属性维度。

12.一种信息处理装置，包括：

获取模块，被配置为获取保障业务在业务属性维度关联的属性分布信息；

确定模块，被配置为根据所述属性分布信息创建模拟用户集合，并确定所述模拟用户集合中模拟用户的保障业务模拟信息；

处理模块，被配置为将所述保障业务模拟信息输入至保障业务预测模型进行处理，获得所述模拟用户集合中模拟用户的用户保障信息；

创建模块，被配置为根据所述用户保障信息生成全局保障信息，并按照所述保障业务对应的保障业务信息和所述全局保障信息创建保障业务更新策略。

13.一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1或2至11任意一项所述方法的步骤。

14.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1或2至11任意一项所述方法的步骤。

Images