CN116703619A - 基于关系网络的保单识别方法以及相关设备 - Google Patents
基于关系网络的保单识别方法以及相关设备 Download PDFInfo
- Publication number
- CN116703619A CN116703619A CN202310834550.2A CN202310834550A CN116703619A CN 116703619 A CN116703619 A CN 116703619A CN 202310834550 A CN202310834550 A CN 202310834550A CN 116703619 A CN116703619 A CN 116703619A
- Authority
- CN
- China
- Prior art keywords
- policy
- training
- data
- classification model
- sample set
- 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 80
- 238000012549 training Methods 0.000 claims description 148
- 238000013145 classification model Methods 0.000 claims description 120
- 238000004891 communication Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000003058 natural language processing Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及金融科技领域,提供了一种基于关系网络的保单识别方法以及相关设备,该方法通过将待识别保单输入至训练好的保单分类模型,得到用于表征待识别保单为目标类型保单的概率,之后根据目标预测概率以及预设的分类阈值确定待识别保单是否为目标类型保单,在模型训练过程中,则基于包括多个正样本和负样本的第一训练样本集对训练保单分类模型进行有监督训练,其中,正样本和负样本标注有用于表征样本是否为目标类型保单的分类标签,本申请实施例根据关系网络得到用于训练保单分类模型的正样本和负样本,并通过有监督学习后的保单分类模型预测待识别保单是否为目标类型保单,能够自动识别保单中是否存在隐形的客户关系。
Description
技术领域
本申请涉及金融科技领域,尤其涉及一种基于关系网络的保单识别方法以及相关设备。
背景技术
在保险领域中的许多业务应用场景下,需要通过人工核查保单上的各种信息,并根据核查结果对保单进行分类,以进一步执行相应的业务操作。
然而,当需要客户关系等人工方式较难核查的保单信息时,相应的业务操作便难以执行。例如隐形自保件,隐形自保件是指在职销售人员拉拢家人或亲属进行投保的保险合同,识别隐形自保件就需要排查海量保单数据以确定保单中是否存在否隐形的客户关系。
发明内容
本申请实施例的主要目的在于提出一种基于关系网络的保单识别方法、装置、电子设备及计算机可读存储介质,能够自动识别保单中是否存在隐形的客户关系。
为实现上述目的,本申请实施例的第一方面提出了一种基于关系网络的保单识别方法,所述方法包括:
获取待识别保单;
将所述待识别保单输入至训练好的保单分类模型,得到所述待识别保单对应的目标预测概率,所述目标预测概率表征所述待识别保单为目标类型保单的概率;
根据所述目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单;
其中,所述保单分类模型的训练过程包括以下步骤:
获取第一训练样本集,所述第一训练样本集包括多个标注有分类标签的正样本和负样本,所述分类标签用于标注样本是否为目标类型保单,所述正样本和所述负样本通过预设的关系网络得到;
对所述第一训练样本集中的样本数据进行特征提取,得到第一特征数据;
基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。
根据本申请一些实施例提供的基于关系网络的保单识别方法,所述第一训练样本集的获取过程包括以下步骤:
从业务系统中抽取预设时间长度内的多个保单数据作为第一训练样本集;
对所述第一训练样本集进行关系提取,得到多个关系对数据;
对所述关系对数据进行遍历,生成所述第一训练样本集对应的关系网络;
根据所述关系网络得到所述第一训练样本集中的目标类型保单样本,并将所述目标类型保单样本作为所述第一训练样本集的正样本,将除所述目标类型保单样本以外的其他保单数据作为所述第一训练样本集的负样本。
根据本申请一些实施例提供的基于关系网络的保单识别方法,所述对所述关系对数据进行遍历,生成所述第一训练样本集对应的关系网络,包括:
从所述关系对数据中选取一个客户作为第一目标客户,并基于所述第一目标客户对所述关系对数据进行遍历,得到第一客户关系数据;
根据所述第一客户关系数据构建以所述第一目标客户为首节点的第一无向连通图,并将所述第一无向连通图作为关系网络中的一个连通子图;
从所述关系对数据中选取除所述关系网络之外的一个客户作为第二目标客户,并基于所述第二目标客户对所述关系对数据进行遍历,得到第二客户关系数据;
根据所述第二客户关系数据构建以所述第二目标客户为首节点的第二无向连通图,并将所述第二无向连通图作为关系网络中的一个连通子图;
直至所述关系网络包含了所述关系对数据中的所有客户。
根据本申请一些实施例提供的基于关系网络的保单识别方法,所述基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型,包括:
将所述第一特征数据输入至所述保单分类模型,得到所述第一训练样本集对应的第一预测概率;
根据所述第一预测概率以及所述分类标签对所述保单分类模型进行损失评估,得到所述保单分类模型的模型损失值;
基于所述模型损失值对所述保单分类模型进行训练,直至满足预设的训练结束条件,得到训练好的所述保单分类模型。
根据本申请一些实施例提供的基于关系网络的保单识别方法,所述基于所述模型损失值对所述保单分类模型进行训练,直至满足预设的训练结束条件,得到训练好的所述保单分类模型,包括:
根据所述模型损失值对所述保单分类模型的模型参数进行梯度更新,得到更新后的所述保单分类模型;
将所述第一特征数据输入至更新后的所述保单分类模型,得到所述第一训练样本集对应的第二预测概率;
基于所述第二预测概率对所述保单分类模型进行性能评估,得到所述保单分类模型的性能数据;
若所述模型性能数据未满足预设的训练结束条件,则继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型。
根据本申请一些实施例提供的基于关系网络的保单识别方法,所述若所述模型性能数据未满足预设的训练结束条件,则继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型,包括:
若所述模型性能数据未满足预设的训练结束条件,则根据预设的区间分位点以及所述模型性能数据从所述第一训练样本集中选取多个样本数据作为第二训练样本集;
基于所述第二训练样本集继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型。
根据本申请一些实施例提供的基于关系网络的保单识别方法,在所述根据所述目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单之后,所述方法还包括:
若所述待识别保单为目标类型保单,则将所述待识别保单作为所述第一训练样本集中的目标类型保单样本,以用于优化所述保单分类模型。
为实现上述目的,本申请实施例的第二方面提出了一种基于关系网络的保单识别装置,所述装置包括:
获取模块,用于获取待识别的待识别保单;
预测模块,用于将所述待识别保单输入至训练好的保单分类模型,得到所述待识别保单对应的目标预测概率,所述目标预测概率表征所述待识别保单为目标类型保单的概率;
识别模块,用于根据所述目标预测概率以及预设的分类阈值所述待识别保单确定是否为目标类型保单;
其中,所述保单分类模型的训练过程包括以下步骤:
获取第一训练样本集,所述第一训练样本集包括多个标注有分类标签的正样本和负样本,所述分类标签用于标注样本是否为目标类型保单,所述正样本和所述负样本通过预设的关系网络得到;
对所述第一训练样本集中的样本数据进行特征提取,得到第一特征数据;
基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。
为实现上述目的,本申请实施例的第三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计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四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计算机程序,所述一个或者多个计算机程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出一种基于关系网络的保单识别方法、装置、电子设备以及计算机可读存储介质,该方法包括获取待识别保单,将待识别保单输入至训练好的保单分类模型,得到待识别保单对应的目标预测概率,目标预测概率表征待识别保单为目标类型保单的概率,之后根据目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单,其中,保单分类模型的训练过程包括:获取第一训练样本集,第一训练样本集包括多个标注有分类标签的正样本和负样本,分类标签用于表征样本是否为目标类型保单,正样本和负样本通过预设的关系网络得到,对第一训练样本集中的样本数据进行特征提取,得到第一特征数据,基于第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。本申请实施例根据关系网络得到用于训练保单分类模型的正样本和负样本,并通过有监督学习后的保单分类模型预测待识别保单是否为目标类型保单,能够自动识别保单中是否存在隐形的客户关系。
附图说明
图1是本申请实施例提供的一种基于关系网络的保单识别方法的流程示意图;
图2是本申请实施例提供的一种保单分类模型的训练过程示意图;
图3是本申请实施例提供的一种第一训练样本集的获取过程示意图;
图4是图3中步骤S330的子步骤流程示意图;
图5是图2中步骤S230的子步骤流程示意图;
图6是图5中步骤S530的子步骤流程示意图;
图7是图6中步骤S640的子步骤流程示意图;
图8是本申请实施例提供的一种关系对数据的结构示意图;
图9是本申请实施例提供的一种关系网络的结构示意图;
图10是本申请实施例提供的一种基于关系网络的保单识别装置的结构示意图;
图11是本申请实施例提供的一种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,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。
在保险领域中的许多业务应用场景下,需要通过人工核查保单上的各种信息,并根据核查结果对保单进行分类,以进一步执行相应的业务操作。
然而,当需要客户关系等人工方式较难核查的保单信息时,相应的业务操作便难以执行。例如隐形自保件,隐形自保件是指在职销售人员拉拢家人或亲属进行投保的保险合同,识别隐形自保件就需要排查海量保单数据以确定保单中是否存在否隐形的客户关系。
基于此,本申请实施例提供了一种基于关系网络的保单识别方法、装置、电子设备及计算机可读存储介质,能够自动识别保单中是否存在隐形的客户关系。
首先描述本申请实施例中的基于关系网络的保单识别方法:
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基于关系网络的保单识别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;软件可以是实现基于关系网络的保单识别方法的应用等,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。
请参见图1,图1示出了本申请实施例提供的一种基于关系网络的保单识别方法的流程示意图,如图1所示,该基于关系网络的保单识别方法包括但不限于步骤S110至步骤S130:
步骤S110,获取待识别保单;
步骤S120,将所述待识别保单输入至训练好的保单分类模型,得到所述待识别保单对应的目标预测概率,所述目标预测概率表征所述待识别保单为目标类型保单的概率;
步骤S130,根据所述目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单;
请参见图2,图2示出了本申请实施例提供的一种保单分类模型的训练过程示意图,如图2所示,所述保单分类模型的训练过程包括但不限于步骤S210至步骤S230:
步骤S210,获取第一训练样本集,所述第一训练样本集包括多个标注有分类标签的正样本和负样本,所述分类标签用于标注样本是否为目标类型保单,所述正样本和所述负样本通过预设的关系网络得到;
步骤S220,对所述第一训练样本集中的样本数据进行特征提取,得到第一特征数据;
步骤S230,基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。
需要说明的是,通过预设的宽表标签,对第一训练样本集中的样本数据进行特征提取。以识别隐形自保件为例,其宽表可以从“投保客户”、“保单”、“代理人”等维度处理,“投保客户”维度对应的特征可以是年龄、婚姻状态、性别、是否孤儿单、是否新客、近N年是否有投诉、是否有理赔纠纷等;“保单”维度对应的特征可以是险种分类、保费、是否异地单、是否月末单等;“代理人”维度对应的特征可以是司龄、职级、近N年时候有被投诉、近N月出勤率等。
可以理解的是,针对保单分类模型,可以选择lightGBM、Xgboost模型,也可以结合资源以及数据量选择深度神经网络(Deep Neural Network,DNN)模型。
应能理解的是,在模型的训练阶段,通过关系网络获取用于模型训练的正样本和负样本,其中,正样本即为目标类型保单,也就是存在隐形客户关系的保单。通过正样本和负样本对保单分类模型进行有监督训练,以使模型能够对目标类型保单进行识别分类,既能提高保单分类模型对目标类型保单的分类性能,又能减少因人工和核查正样本和负样本而造成人力资源消耗。
还需要说明的是,保单分类模型输出待识别保单为目标类型保单的概率,之后根据预设的分类阈值再进一步确定待识别保单是否为目标类型保单。示例性的,预设的分类阈值为0.6,若待识别保单的目标预测概率小于0.6时,也就是待识别保单为目标类型保单的概率低于0.6,则认为待识别保单不是目标类型保单;反之,若待识别保单的目标预测概率大于或等于0.6时,也就是待识别保单为目标类型保单的概率大于或等于0.6,则认为待识别保单是目标类型保单。
在一些实施例中,请参见图3,图3示出了本申请实施例提供的一种第一训练样本集的获取过程示意图,如图3所示,所述第一训练样本集的获取过程包括步骤S310至步骤S340:
步骤S310,从业务系统中抽取预设时间长度内的多个保单数据作为第一训练样本集;
步骤S320,对所述第一训练样本集进行关系提取,得到多个关系对数据;
步骤S330,对所述关系对数据进行遍历,生成所述第一训练样本集对应的关系网络;
步骤S340,根据所述关系网络得到所述第一训练样本集中的目标类型保单样本,并将所述目标类型保单样本作为所述第一训练样本集的正样本,将除所述目标类型保单样本以外的其他保单数据作为所述第一训练样本集的负样本。
可以理解的是,从业务系统中抽取预设时间长度的多个保单数据作为第一训练样本集,例如从业务系统取时间窗2021年1月至2021年6月的保单数据作为第一训练样本集。
对第一训练样本集进行关系提取,得到多个关系对数据,以识别隐形自保件为例,首先确定保单中的投保人、被保人以及受益人,之后从业务角度以及实际数据出发,确定用于识别个人的主键,通过客户号定义个人(一个客户号为1个人)。若存在一个人对应有多个客户号的情况,则通过姓名、身份证号码等信息辅助,在提取出关系对数据时,只取一个客户号。
由此,可以提取得到投保人-被保人,被保人-受益人的关系对数据,请参见图8,图8是本申请实施例提供的一种关系对数据的结构示意图,如图8所示,第一训练样本集中包括保单1、保单2、保单3、保单4以及保单5,其中,从保单1中提取得到关系对数据:{客户B(男、50岁),客户A(男、30岁),父子};从保单2中提取得到关系对数据:{客户B(男、50岁),客户C(男、35岁),父子};从保单3中提取得到关系对数据:{客户D(女、33岁),客户C(男、35岁),夫妻};从保单4中提取得到关系对数据:{客户D(女、33岁),客户E(男、55岁),父女};从保单5中提取得到关系对数据:{客户F(男、29岁),客户E(男、55岁),父子}。
因此,保单1以及保单2通过客户B把客户A、客户C三个人关联在一起;保单2和保单3通过客户C把客户B、客户D三个人关联在一起;保单3和保单4通过客户D把客户C、客户E三个人关联在一起;保单4和保单5通过客户E把客户D、客户F三个人关联在一起,且通过年龄和性别,关系对数据两两之间的关系可以得到如图9所示的关系网络。通过该关系网络,若客户A为在职保险销售人员,则当客户E通过客户A进行投保时,则该保单可能是目标保单类型,也就是隐形自保件。
在一些实施例中,请参见图4,图4是图3中步骤S330的子步骤流程示意图,如图4所示,所述对所述关系对数据进行遍历,生成所述第一训练样本集对应的关系网络,包括但不限于步骤S410至步骤S440:
步骤S410,从所述关系对数据中选取一个客户作为第一目标客户,并基于所述第一目标客户对所述关系对数据进行遍历,得到第一客户关系数据;
步骤S420,根据所述第一客户关系数据构建以所述第一目标客户为首节点的第一无向连通图,并将所述第一无向连通图作为关系网络中的一个连通子图;
步骤S430,从所述关系对数据中选取除所述关系网络之外的一个客户作为第二目标客户,并基于所述第二目标客户对所述关系对数据进行遍历,得到第二客户关系数据;
步骤S440,根据所述第二客户关系数据构建以所述第二目标客户为首节点的第二无向连通图,并将所述第二无向连通图作为关系网络中的一个连通子图;
直至所述关系网络包含了所述关系对数据中的所有客户。
需要说明的是,针对关系网络的构建过程,首先从关系对数据中随机选取一个客户作为第一目标客户,以第一目标客户为起始点遍历所有关系对:
以广度优先遍历为例,起始点为客户A,则遍历关系对数据找出与客户A有关系的所有客户:客户B、客户C以及客户D,接着分别在关系对数据中找出和客户B、客户C以及客户D有关系的所有客户……,直至找不到新的有关系的客户,最后将遍历得到的客户视为第一目标客户对应的第一客户关系数据,并根据该第一客户关系数据构建以第一目标客户为首节点的第一无向连通图;
以深度优先遍历为例,起始点为客户A,则遍历关系对数据找出与客户A有关系的一个客户:客户B,接着在关系对数据中找出和客户B有关系的一个客户:客户C,若客户C在关系对数据中不存在有关系的客户,则返回到客户B,在关系对数据中找出和客户B有关系的另一个客户:客户D……,直至找不到新的有关系的客户,最后将遍历得到的客户视为第一目标客户对应的第一客户关系数据,并根据该第一客户关系数据构建以第一目标客户为首节点的第一无向连通图。
在构建以第一目标客户为首节点的第一无向连通图之后,从关系对数据中选择不在第一连通子图的客户作为第二目标客户,按照上述的遍历算法得到第二目标客户对应的第二客户关系数据,并根据第二客户关系数据构建以第二目标客户为首节点的第二无向连通图,循环上述操作,直至所有客户都被分到不同的无向连通图中,应了解,可能存在只有一个客户的无向连通图。
在一些实施例中,请参见图5,图5是图2中步骤S230的子步骤流程示意图,如图5所示,所述基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型,包括但不限于步骤S510至步骤S530:
步骤S510,将所述第一特征数据输入至所述保单分类模型,得到所述第一训练样本集对应的第一预测概率;
步骤S520,根据所述第一预测概率以及所述分类标签对所述保单分类模型进行损失评估,得到所述保单分类模型的模型损失值;
步骤S530,基于所述模型损失值对所述保单分类模型进行训练,直至满足预设的训练结束条件,得到训练好的所述保单分类模型。
应能理解的是,在模型的有监督学习过程中,通过将样本的特征输入至保单分类模型,得到第一训练样本集中样本数据对应的第一预测概率,该第一预测概率表征样本为目标类型保单的概率,之后根据样本对应的第一预测概率、标注的分类标签以及预设的损失函数,确定模型损失值,基于该损失值对保单分类模型进行训练,直至满足预设的训练结束条件,得到训练好的保单分类模型。具体的,该训练结束条件可以是模型损失值小于预设阈值。
在一些实施例中,请参见图6,图6是图5中步骤S530的子步骤流程示意图,如图6所示,所述基于所述模型损失值对所述保单分类模型进行训练,直至满足预设的训练结束条件,得到训练好的所述保单分类模型,包括但不限于步骤S610至步骤S640:
步骤S610,根据所述模型损失值对所述保单分类模型的模型参数进行梯度更新,得到更新后的所述保单分类模型;
步骤S620,将所述第一特征数据输入至更新后的所述保单分类模型,得到所述第一训练样本集对应的第二预测概率;
步骤S630,基于所述第二预测概率对所述保单分类模型进行性能评估,得到所述保单分类模型的性能数据;
步骤S640,若所述模型性能数据未满足预设的训练结束条件,则继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型。
可以理解的是,在模型的有监督学习过程中,利用模型损失值对保单分类模型的模型参数进行梯度更新,针对更新后的保单分类模型,基于保单分类模型输出的预测概率对模型进行性能评估,得到保单分类模型的性能数据,具体的,该性能数据可以是AUC、召回率、提升度、精确率等指标数据。
其中,召回率和精确率是一对矛盾指标,若关注识别准确度,则将高精确度和低召回率作为训练结束条件,若关注覆盖程度,则将低精确度和高召回率作为训练结束条件,从而得到训练好的、适用于实际应用场景的保单分类模型。
在一些实施例中,请参见图7,图7是图6中步骤S640的子步骤流程示意图,如图7所示,所述若所述模型性能数据未满足预设的训练结束条件,则继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型,包括但不限于步骤S710至步骤S720:
步骤S710,若所述模型性能数据未满足预设的训练结束条件,则根据预设的区间分位点以及所述模型性能数据从所述第一训练样本集中选取多个样本数据作为第二训练样本集;
步骤S720,基于所述第二训练样本集继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型。
示例性的,如表1所示,将样本对应的预测概率从高到低排序,并按照2%的样本量为一个区间,总样本量为1000000,则2%即对应20000个样本。
表1
分位点 | 样本量 | 正样本累计占比 | 累计召回率 |
2% | 20,000 | 0.20% | 15.92% |
4% | 40,000 | 0.15% | 19.17% |
6% | 60,000 | 0.09% | 25.50% |
… | … | … | … |
44% | 440,000 | 0.04% | 79.17% |
… | … | … | … |
100% | 1,000,000 | 0.02% | 100.00% |
其中,正样本累计占比(即精确率)=预测为目标类型保单且实际也为目标类型保单的样本数量/预测为目标类型保单的样本数量;
累计召回率=预测为目标类型保单且实际也为目标类型保单的样本数量/目标类型保单的样本数量。
若关注召回率,则选取召回率相对较高的样本区间的样本数据作为第二样本数据集;若关注精确率,则选取精确率相对较高的样本区间的样本数据作为第二样本数据集,之后根据第二样本数据集对模型进行训练,以提高模型性能。
在一些实施例中,在所述根据所述目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单之后,所述方法还包括:
若所述待识别保单为目标类型保单,则将所述待识别保单作为所述第一训练样本集中的目标类型保单样本,以用于优化所述保单分类模型。
可以理解的是,在确定待识别保单为真实的目标类型保单之后,将该待识别保单作为所述第一训练样本集中的目标类型保单样本,进一步扩充训练样本集中的样本数据,从而能够基于该扩充后的训练样本集进一步优化保单分类模型,提高模型预测准确性。
本申请提出一种基于关系网络的保单识别方法,该方法包括获取待识别保单,将待识别保单输入至训练好的保单分类模型,得到待识别保单对应的目标预测概率,目标预测概率表征待识别保单为目标类型保单的概率,之后根据目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单,其中,保单分类模型的训练过程包括:获取第一训练样本集,第一训练样本集包括多个标注有分类标签的正样本和负样本,分类标签用于表征样本是否为目标类型保单,正样本和负样本通过预设的关系网络得到,对第一训练样本集中的样本数据进行特征提取,得到第一特征数据,基于第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。本申请实施例根据关系网络得到用于训练保单分类模型的正样本和负样本,并通过有监督学习后的保单分类模型预测待识别保单是否为目标类型保单,能够自动识别保单中是否存在隐形的客户关系。
请参见图10,本申请实施例还提供了一种基于关系网络的保单识别装置100,该基于关系网络的保单识别装置100包括:
获取模块110,用于获取待识别的待识别保单;
预测模块120,用于将所述待识别保单输入至训练好的保单分类模型,得到所述待识别保单对应的目标预测概率,所述目标预测概率表征所述待识别保单为目标类型保单的概率;
识别模块130,用于根据所述目标预测概率以及预设的分类阈值所述待识别保单确定是否为目标类型保单;
其中,所述保单分类模型的训练过程包括以下步骤:
获取第一训练样本集,所述第一训练样本集包括多个标注有分类标签的正样本和负样本,所述分类标签用于标注样本是否为目标类型保单,所述正样本和所述负样本通过预设的关系网络得到;
对所述第一训练样本集中的样本数据进行特征提取,得到第一特征数据;
基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。
需要说明的是,上述装置的模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
本申请提出一种基于关系网络的保单识别装置,该装置通过获取模块获取待识别保单,通过预测模块将待识别保单输入至训练好的保单分类模型,得到待识别保单对应的目标预测概率,目标预测概率表征待识别保单为目标类型保单的概率,之后通过识别模块根据目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单,其中,保单分类模型的训练过程包括:获取第一训练样本集,第一训练样本集包括多个标注有分类标签的正样本和负样本,分类标签用于表征样本是否为目标类型保单,正样本和负样本通过预设的关系网络得到,对第一训练样本集中的样本数据进行特征提取,得到第一特征数据,基于第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。本申请实施例根据关系网络得到用于训练保单分类模型的正样本和负样本,并通过有监督学习后的保单分类模型预测待识别保单是否为目标类型保单,能够自动识别保单中是否存在隐形的客户关系。
请参见图11,图11示出本申请实施例提供的一种电子设备的硬件结构,电子设备包括:
处理器210,可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集合成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集合成电路等方式实现,用于执行相关计算机程序,以实现本申请实施例所提供的技术方案;
存储器220,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器220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220中,并由处理器210来调用执行本申请实施例的基于关系网络的保单识别方法;
输入/输出接口230,用于实现信息输入及输出;
通信接口240,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、WI F I、蓝牙等)实现通信;和总线250,在设备的每个组件(例如处理器210、存储器220、输入/输出接口230和通信接口240)之间传输信息;
其中处理器210、存储器220、输入/输出接口230和通信接口240通过总线250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计算机程序,一个或者多个计算机程序可被一个或者多个处理器执行,以实现上述基于关系网络的保单识别方法。
存储器作为一种计算机可读存储介质,可用于存储软件程序以及计算机可执行程序。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。
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。
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或记载的部分,可以参见其它实施例的相关描述。
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合成到另一个系统,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,在本申请每个实施例中的各功能单元可以集合成在一个处理单元中,也可以是每个单元单独物理存在,也可以两个或两个以上单元集合成在一个单元中。上述集合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。
集合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)执行本申请每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)
1.一种基于关系网络的保单识别方法,其特征在于,所述方法包括:
获取待识别保单;
将所述待识别保单输入至训练好的保单分类模型,得到所述待识别保单对应的目标预测概率,所述目标预测概率表征所述待识别保单为目标类型保单的概率;
根据所述目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单;
其中,所述保单分类模型的训练过程包括以下步骤:
获取第一训练样本集,所述第一训练样本集包括多个标注有分类标签的正样本和负样本,所述分类标签用于标注样本是否为目标类型保单,所述正样本和所述负样本通过预设的关系网络得到;
对所述第一训练样本集中的样本数据进行特征提取,得到第一特征数据;
基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。
2.根据权利要求1所述的方法,其特征在于,所述第一训练样本集的获取过程包括以下步骤:
从业务系统中抽取预设时间长度内的多个保单数据作为第一训练样本集;
对所述第一训练样本集进行关系提取,得到多个关系对数据;
对所述关系对数据进行遍历,生成所述第一训练样本集对应的关系网络;
根据所述关系网络得到所述第一训练样本集中的目标类型保单样本,并将所述目标类型保单样本作为所述第一训练样本集的正样本,将除所述目标类型保单样本以外的其他保单数据作为所述第一训练样本集的负样本。
3.根据权利要求2所述的方法,其特征在于,所述对所述关系对数据进行遍历,生成所述第一训练样本集对应的关系网络,包括:
从所述关系对数据中选取一个客户作为第一目标客户,并基于所述第一目标客户对所述关系对数据进行遍历,得到第一客户关系数据;
根据所述第一客户关系数据构建以所述第一目标客户为首节点的第一无向连通图,并将所述第一无向连通图作为关系网络中的一个连通子图;
从所述关系对数据中选取除所述关系网络之外的一个客户作为第二目标客户,并基于所述第二目标客户对所述关系对数据进行遍历,得到第二客户关系数据;
根据所述第二客户关系数据构建以所述第二目标客户为首节点的第二无向连通图,并将所述第二无向连通图作为关系网络中的一个连通子图;
直至所述关系网络包含了所述关系对数据中的所有客户。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型,包括:
将所述第一特征数据输入至所述保单分类模型,得到所述第一训练样本集对应的第一预测概率;
根据所述第一预测概率以及所述分类标签对所述保单分类模型进行损失评估,得到所述保单分类模型的模型损失值;
基于所述模型损失值对所述保单分类模型进行训练,直至满足预设的训练结束条件,得到训练好的所述保单分类模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述模型损失值对所述保单分类模型进行训练,直至满足预设的训练结束条件,得到训练好的所述保单分类模型,包括:
根据所述模型损失值对所述保单分类模型的模型参数进行梯度更新,得到更新后的所述保单分类模型;
将所述第一特征数据输入至更新后的所述保单分类模型,得到所述第一训练样本集对应的第二预测概率;
基于所述第二预测概率对所述保单分类模型进行性能评估,得到所述保单分类模型的性能数据;
若所述模型性能数据未满足预设的训练结束条件,则继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型。
6.根据权利要求5所述的方法,其特征在于,所述若所述模型性能数据未满足预设的训练结束条件,则继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型,包括:
若所述模型性能数据未满足预设的训练结束条件,则根据预设的区间分位点以及所述模型性能数据从所述第一训练样本集中选取多个样本数据作为第二训练样本集;
基于所述第二训练样本集继续训练所述保单分类模型,直至所述模型性能数据满足所述训练结束条件,得到训练好的所述保单分类模型。
7.根据权利要求1所述的方法,其特征在于,在所述根据所述目标预测概率以及预设的分类阈值确定所述待识别保单是否为目标类型保单之后,所述方法还包括:
若所述待识别保单为目标类型保单,则将所述待识别保单作为所述第一训练样本集中的目标类型保单样本,以用于优化所述保单分类模型。
8.一种基于关系网络的保单识别装置,其特征在于,所述装置包括:
获取模块,用于获取待识别的待识别保单;
预测模块,用于将所述待识别保单输入至训练好的保单分类模型,得到所述待识别保单对应的目标预测概率,所述目标预测概率表征所述待识别保单为目标类型保单的概率;
识别模块,用于根据所述目标预测概率以及预设的分类阈值所述待识别保单确定是否为目标类型保单;
其中,所述保单分类模型的训练过程包括以下步骤:
获取第一训练样本集,所述第一训练样本集包括多个标注有分类标签的正样本和负样本,所述分类标签用于标注样本是否为目标类型保单,所述正样本和所述负样本通过预设的关系网络得到;
对所述第一训练样本集中的样本数据进行特征提取,得到第一特征数据;
基于所述第一特征数据对所述保单分类模型进行训练,得到训练好的保单分类模型。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于关系网络的保单识别方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于关系网络的保单识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834550.2A CN116703619A (zh) | 2023-07-07 | 2023-07-07 | 基于关系网络的保单识别方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834550.2A CN116703619A (zh) | 2023-07-07 | 2023-07-07 | 基于关系网络的保单识别方法以及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703619A true CN116703619A (zh) | 2023-09-05 |
Family
ID=87837477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310834550.2A Pending CN116703619A (zh) | 2023-07-07 | 2023-07-07 | 基于关系网络的保单识别方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703619A (zh) |
-
2023
- 2023-07-07 CN CN202310834550.2A patent/CN116703619A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7302022B2 (ja) | テキスト分類方法、装置、コンピュータ読み取り可能な記憶媒体及びテキスト分類プログラム。 | |
CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
US10824816B2 (en) | Semantic parsing method and apparatus | |
CN109992653A (zh) | 信息处理方法和处理系统 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN116561538A (zh) | 问答评分方法、问答评分装置、电子设备及存储介质 | |
CN113704420A (zh) | 文本中的角色识别方法、装置、电子设备及存储介质 | |
CN117271736A (zh) | 一种问答对的生成方法和系统、电子设备及存储介质 | |
CN116719683A (zh) | 异常检测方法、异常检测装置、电子设备及存储介质 | |
CN115730597A (zh) | 多级语义意图识别方法及其相关设备 | |
CN115036022A (zh) | 健康风险评估方法和评估系统、计算机设备、存储介质 | |
CN116775875A (zh) | 问题语料库构建方法和装置、问答方法、设备及存储介质 | |
CN116701604A (zh) | 问答语料库的构建方法和装置、问答方法、设备及介质 | |
CN116543798A (zh) | 基于多分类器的情感识别方法和装置、电子设备、介质 | |
CN114491076B (zh) | 基于领域知识图谱的数据增强方法、装置、设备及介质 | |
CN116127066A (zh) | 文本聚类方法、文本聚类装置、电子设备及存储介质 | |
CN115795007A (zh) | 智能问答方法、智能问答装置、电子设备及存储介质 | |
CN113536087B (zh) | 作弊站点的识别方法、装置、设备、存储介质及程序产品 | |
CN115270746A (zh) | 问题样本生成方法和装置、电子设备及存储介质 | |
CN116703619A (zh) | 基于关系网络的保单识别方法以及相关设备 | |
CN114398903A (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN117313695B (zh) | 文本敏感性检测方法、装置、电子设备及可读存储介质 | |
CN113342934B (zh) | 一种词向量的确定方法、装置、存储介质和电子装置 | |
CN114897038B (zh) | 目标词语的检测方法、装置、电子设备及存储介质 | |
CN116467455A (zh) | 情绪识别方法、情绪识别装置、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 |