CN116777641A - 模型构建方法、装置、计算机设备及存储介质 - Google Patents

模型构建方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116777641A
CN116777641A CN202310733480.1A CN202310733480A CN116777641A CN 116777641 A CN116777641 A CN 116777641A CN 202310733480 A CN202310733480 A CN 202310733480A CN 116777641 A CN116777641 A CN 116777641A
Authority
CN
China
Prior art keywords
risk
crowd
target
subdivision
business data
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
CN202310733480.1A
Other languages
English (en)
Inventor
张霖
陈志坚
崔跃
王遥
徐赛奕
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 Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co 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 Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310733480.1A priority Critical patent/CN116777641A/zh
Publication of CN116777641A publication Critical patent/CN116777641A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种模型构建方法，包括：获取与出险风险关联的影响因子；针对影响因子，使用聚类算法对历史人群进行细分人群划分得到细分人群；获取细分人群的历史风险业务数据；基于历史风险业务数据拟合得到细分人群的出险风险趋势线；获取样本风险业务数据，从细分人群中确定与样本风险业务数据匹配的目标细分人群；调用与目标细分人群对应的目标出险风险趋势线对样本风险业务数据进行处理，得到目标风险值；基于目标风险值构建出险风险预测模型。本申请还提供一种模型构建装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标风险值可存储于区块链中。本申请可以有效提升构建的出险风险预测模型的模型效果。

Description

模型构建方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能开发技术领域，尤其涉及模型构建方法、装置、计算机设备及存储介质。
背景技术
在金融科技领域中，随着汽车保险的发展，汽车保险精算的业务受到了越来越多的关注。汽车保险精算的业务通常是使用模型进行预测处理的。汽车保险精算建模，是通过数学方法对驾驶员出险风险进行建模，从而对车险客户风险预期进行分级，让优质的客户可以享受个性化的优惠和服务，从而更多的客户有意愿向优质客户转变，降低整个社会的汽车出险风险。
传统的出险风险建模，基本上都是使用了快照因子建模的方式。然而，快照因子存在着以下几个缺陷：1.快照因子识别没有办法完全识别风险：比如说年龄因子，一般会划分成几个年龄段，然后针对每个年龄段来拟合风险系数。这样处理会存在以下问题：相同的年龄段只会有一个风险系数。而现实情况是，同一个年龄段的人，存在着不同的风险系数。2.快照因子只是展现一个时间节点的静态信息：所有的因子随着时间变化会表现不出不同的风险特征，快照因子只是选取当前时间节点一个切片，没有办法表现出时间动态趋势。因此，现有的使用快照因子进行出险风险建模的方式生成的模型无法准确识别客户的风险，模型识别效果不佳。
发明内容
本申请实施例的目的在于提出一种模型构建方法、装置、计算机设备及存储介质，以解决现有的使用快照因子进行出险风险建模的方式生成的模型无法准确识别客户的风险，模型识别效果不佳的技术问题。
为了解决上述技术问题，本申请实施例提供一种模型构建方法，采用了如下所述的技术方案：
获取与出险风险关联的影响因子；
针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个；
获取与所述细分人群对应的历史风险业务数据；
基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；
获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；
调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；
基于所述目标风险值构建出险风险预测模型。
进一步的，所述针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群的步骤，具体包括：
获取对与所述影响因子相同的因子取值的人群进行初步分类得到的历史人群，并获取所述历史人群的人群特征集合；
确定所述聚类算法的算法参数；其中，所述算法参数至少包括分类个数k与最大迭代次数；
从所述人群特征集合中随机选择k个初始点作为k个类别的簇类中心；
遍历计算各个所述人群特征与所述簇类中心之间的距离；
基于所述距离，将各个所述人群特征分配至距离最近的簇类中心所在的簇中,直至完成对于所有所述人群特征的分类；
对于每一个分配好的簇，计算簇中所有点的均值，并将均值作为新的簇类中心，重复簇类中心的更新过程，直至迭代次数大于所述最大迭代次数时，停止更新簇类中心，获得最终的簇类中心与分类后的特征集合；
基于所述分类后的特征集合得到所述细分人群。
进一步的，所述基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线的步骤，具体包括：
获取所述历史风险业务数据的时间点信息；
基于所述时间点信息对所述历史风险业务数据进行排序，得到排序后的历史风险业务数据；
对所述排序后的历史风险业务数据进行曲线拟合，生成与所述细分人群对应的出险风险趋势线。
进一步的，所述从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群的步骤，具体包括：
计算所述样本风险业务数据与所述细分人群中的人群特征之间的相似度；
从所述相似度中筛选出数值最大的目标相似度；
从所有所述业务人群中筛选出与所述目标相似度对应的指定细分人群；
将所述指定细分人群作为与所述样本风险业务数据匹配的目标细分人群。
进一步的，所述调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值的步骤，具体包括：
获取与所述目标细分人群对应的目标出险风险趋势线；
获取所述样本风险业务数据的目标时间点；
从所述目标出险风险趋势线中查询出与所述目标时间点对应的风险值，得到与所述样本风险业务数据对应的目标风险值。
进一步的，在所述基于所述目标风险值构建出险风险预测模型的步骤之后，还包括：
获取待处理的目标用户的风险业务数据；
将所述风险业务数据输入至所述出险风险动态模型内；
通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值。
进一步的，在所述通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值的步骤之后，还包括：
调用预设的等级映射表；
从所述等级映射表中查询出与所述目标风险评分值匹配的评分区间；
从所述等级映射表中获取与所述评分区间对应的风险级别；
将所述风险级别作为所述目标用户的目标风险级别，并基于所述目标风险级别生成与所述目标用户对应的出险任务信息；
基于出险任务信息生成所述目标用户的出险处理任务。
为了解决上述技术问题，本申请实施例还提供一种模型构建装置，采用了如下所述的技术方案：
第一获取模块，用于获取与出险风险关联的影响因子；
划分模块，用于针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个；
第二获取模块，用于获取与所述细分人群对应的历史风险业务数据；
第一处理模块，用于基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；
确定模块，用于获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；
第二处理模块，用于调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；
构建模块，用于基于所述目标风险值构建出险风险预测模型。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取与出险风险关联的影响因子；
针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个；
获取与所述细分人群对应的历史风险业务数据；
基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；
获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；
调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；
基于所述目标风险值构建出险风险预测模型。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取与出险风险关联的影响因子；
针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个；
获取与所述细分人群对应的历史风险业务数据；
基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；
获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；
调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；
基于所述目标风险值构建出险风险预测模型。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先获取与出险风险关联的影响因子；然后针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；之后获取与所述细分人群对应的历史风险业务数据，并基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；后续获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；进一步调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；最后基于所述目标风险值构建出险风险预测模型。生成的出险风险预测模型为使用趋势因子动态建模方法构建生成的，使用该方法可以识别同一个因子在同一个时间切片下的不同风险特征，同时这个风险也正也是随便时间变化的动态趋势，从而可以有效对于客户的出险风险的预测准确性。本申请实施例针对现有的使用快照因子进行出险风险建模的静态建模方式，提出了基于上述步骤的趋势因子动态建模方式，通过对静态的快照因子取值做了细分，使得实际使用的时候，不是相同取值相同的风险，而且会针对每一个细分人群来识别风险。在使用趋势因子动态建模之后，构建得到的出险风险预测模型的识别效果相对静态因子建模，可以精准识别随时间不同客群的风险变化趋势，因此整体的模型效果有了很大提升，使得后续使用出险风险预测模型可以快速准确地对客户进行出险风险预测。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的模型构建方法的一个实施例的流程图；
图3是根据本申请的模型构建装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的模型构建方法一般由服务器/终端设备执行，相应地，模型构建装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的模型构建方法的一个实施例的流程图。所述的模型构建方法，包括以下步骤：
步骤S201，获取与出险风险关联的影响因子。
在本实施例中，模型构建方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取待查重图像。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。本申请可应用于汽车保险精算领域中的出险风险建模的业务场景，与出险风险关联的影响因子可预先由专家或业务人员进行分析生成。影响因子例如可包括年龄因子、职业因子等等。
步骤S202，针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群。
在本实施例中，静态因子的风险特征无法全部识别出来的原因，是相同因子切片取值，针对的是所有人群，因此如果要精确的识别风险，则需要对人群进行细分。其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个。另外，上述针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，获取与所述细分人群对应的历史风险业务数据。
在本实施例中，可从预先构建的客户数据库中查询出与所述细分人群对应的历史风险业务数据。上述历史风险业务数据可指细分人群在预设时间节点内的平均风险值。对于上述预设时间节点不做限定，例如可指一年。
步骤S204，基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线。
在本实施例中，针对每一个细分人群，可使用历史风险业务数据以时间为单位拟合出险风险趋势线。其中，上述基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S205，获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群。
在本实施例中，样本风险业务数据为预先采集的包括样本用户的偏好、行为特征等的数据。其中，上述从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S206，调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值。
在本实施例中，对于不同的细分人群，会预先生成与各种细分人群分别对应的出险风险趋势线。其中，上述调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S207，基于所述目标风险值构建出险风险预测模型。
在本实施例中，出险风险预测模型的构建过程可参考现有的模型构建模型。具体地，使用目标风险值进行数据建模处理，将样本风险业务数据作为模型输入，将目标风险值作为模型输出，使用所述样本风险业务数据对预设的预测模型进行训练，以学习样本风险业务数据与目标风险值之间的数据关联关系，从而得到训练好的，预测模型，并作为上述出险风险预测模型。其中，提出的基于趋势因子动态建模方式，相对静态因子的时间切片，动态因子会根据时间变化来识别风险，使得生成的出险风险预测模型的风险识别能够更为精准。
本申请首先获取与出险风险关联的影响因子；然后针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；之后获取与所述细分人群对应的历史风险业务数据，并基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；后续获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；进一步调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；最后基于所述目标风险值构建出险风险预测模型。生成的出险风险预测模型为使用趋势因子动态建模方法构建生成的，使用该方法可以识别同一个因子在同一个时间切片下的不同风险特征，同时这个风险也正也是随便时间变化的动态趋势，从而可以有效对于客户的出险风险的预测准确性。本申请针对现有的使用快照因子进行出险风险建模的静态建模方式，提出了基于上述步骤的趋势因子动态建模方式，通过对静态的快照因子取值做了细分，使得实际使用的时候，不是相同取值相同的风险，而且会针对每一个细分人群来识别风险。在使用趋势因子动态建模之后，构建得到的出险风险预测模型的识别效果相对静态因子建模，可以精准识别随时间不同客群的风险变化趋势，因此整体的模型效果有了很大提升，使得后续使用出险风险预测模型可以快速准确地对客户进行出险风险预测。
在一些可选的实现方式中，步骤S202包括以下步骤：
获取对与所述影响因子相同的因子取值的人群进行初步分类得到的历史人群，并获取所述历史人群的人群特征集合；
在本实施例中，上述人群特征集合可包括人群的偏好、行为特征等特征。
确定所述聚类算法的算法参数；其中，所述算法参数至少包括分类个数k与最大迭代次数；
在本实施例中，上述聚类算法具体可采用无监督聚类算法中的K-means算法或k-shape算法。对于上述分类个数k与最大迭代次数的取值不做具体限定，可根据实际的使用需求进行设置。
从所述人群特征集合中随机选择k个初始点作为k个类别的簇类中心；
遍历计算各个所述人群特征与所述簇类中心之间的距离；
在本实施例中，上述距离可指余弦距离、形状距离、欧几何距离等中的任意一种。
基于所述距离，将各个所述人群特征分配至距离最近的簇类中心所在的簇中,直至完成对于所有所述人群特征的分类；
对于每一个分配好的簇，计算簇中所有点的均值，并将均值作为新的簇类中心，重复簇类中心的更新过程，直至迭代次数大于所述最大迭代次数时，停止更新簇类中心，获得最终的簇类中心与分类后的特征集合；
基于所述分类后的特征集合得到所述细分人群。
在本实施例中，将所述分类后的特征集合作为上述细分后的细分人群。举例地，如果上述影响因子为职业因子，针对职业因子，使用无监督聚类算法，通过对人群特征如偏好、行为特征等进行无监督聚类，从而可以把同一个因子具有相同取值的人群划分为多个细分人群，即将因子取值为公务员的人群划分成多个细分人群。
本申请通过使用聚类算法对历史人群的人群特征集合进行无监督聚类，可以有效地对人群特征集合进行准确分析，以实现对于历史人群的细分人群划分，保证了划分得到的细分人群的准确度。
在本实施例的一些可选的实现方式中，步骤S204包括以下步骤：
获取所述历史风险业务数据的时间点信息。
在本实施例中，如果影响因子为职业因子，且影响因子的取值为公务员，则对应的历史风险业务数据的时间点信息是指用车年限。
基于所述时间点信息对所述历史风险业务数据进行排序，得到排序后的历史风险业务数据。
在本实施例中，可将时间点信息由前到后的顺序，对所述历史风险业务数据进行排序，得到排序后的历史风险业务数据。
对所述排序后的历史风险业务数据进行曲线拟合，生成与所述细分人群对应的出险风险趋势线。
在本实施例中，曲线拟合是把平面上一系列离散的点，用曲线连接起来。因为连接的曲线有无数种可能，从而有各种拟合方法，拟合的曲线一般可以用函数表示，经常使用的曲线拟合方法包括最小二乘曲线拟合法等。拟合过程可通过选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系，以使得到的拟合曲线需无限靠近已知点列。具体地，针对每一个细分人群，可以使用用车年限为X轴，每一年的平均风险作为Y轴，来拟合出一条细分人群的出险风险趋势线。其中，类似趋势线合并，同时可以对具有类似趋势的出险风险趋势线进行合并来减少过拟合。另外，还可进一步对出险风险趋势线进行动态滚动更新。具体可以使用滑动时间窗口来动态更新风险趋势线，从现有的出险风险趋势线数据分析来看，风险趋势前几年波动比较明显，一段时间后趋向平稳。因此每年可以使用最新滑动时间窗口，以动态更新出险风险趋势线，从而保证出险风险趋势线的准确性与时效性。
本申请通过获取所述历史风险业务数据的时间点信息；然后基于所述时间点信息对所述历史风险业务数据进行排序，得到排序后的历史风险业务数据；后续对所述排序后的历史风险业务数据进行曲线拟合，生成与所述细分人群对应的出险风险趋势线。本申请通过对经过时间点信息排序后的历史风险业务数据进行曲线拟合，可以实现快速准确地拟合得到与所述细分人群对应的出险风险趋势线，提高了出险风险趋势线的生成智能性与准确度。
在一些可选的实现方式中，步骤S205包括以下步骤：
计算所述样本风险业务数据与所述细分人群中的人群特征之间的相似度。
在本实施例中，可通过现有的相似度算法，例如杰卡德距离、余弦相似度等，计算所述样本风险业务数据与所述细分人群中的人群特征之间的相似度。
从所述相似度中筛选出数值最大的目标相似度。
从所有所述业务人群中筛选出与所述目标相似度对应的指定细分人群。
将所述指定细分人群作为与所述样本风险业务数据匹配的目标细分人群。
本申请通过计算所述样本风险业务数据与所述细分人群中的人群特征之间的相似度；然后从所述相似度中筛选出数值最大的目标相似度；后续从所有所述业务人群中筛选出与所述目标相似度对应的指定细分人群，并将所述指定细分人群作为与所述样本风险业务数据匹配的目标细分人群。本申请通过计算所述样本风险业务数据与所述细分人群中的人群特征之间的相似度，进而可以基于得到相似度的数值分析结果来快速准确地完成对于样本风险业务数据的细分人群的划分，保证了对于样本风险业务数据的划分准确性。
在一些可选的实现方式中，步骤S206包括以下步骤：
获取与所述目标细分人群对应的目标出险风险趋势线。
在本实施例中，对于不同的细分人群，会预先生成与各种细分人群分别对应的出险风险趋势线。可根据细分人群的类别，从所有出险风险趋势线中筛选出与该类别匹配的出险风险趋势线。
获取所述样本风险业务数据的目标时间点。
在本实施例中，如果影响因子为职业因子，且影响因子的取值为公务员，则对应的样本风险业务数据的时间点信息是指用车年限。
从所述目标出险风险趋势线中查询出与所述目标时间点对应的风险值，得到与所述样本风险业务数据对应的目标风险值。
在本实施例中，可根据该目标时间点，从所述目标出险风险趋势线中查询出与所述目标时间点对应的风险值，作为该样本风险业务数据的目标风险值。
本申请通过获取与所述目标细分人群对应的目标出险风险趋势线；然后获取所述样本风险业务数据的目标时间点；后续从所述目标出险风险趋势线中查询出与所述目标时间点对应的风险值，得到与所述样本风险业务数据对应的目标风险值。本申请基于构建的与所述目标细分人群对应的目标出险风险趋势线的使用对样本风险业务数据进行处理，可以实现快速准确地生成与样本风险业务数据对应的目标风险值。通过使用动态信息作为样本风险业务数据对应的目标风险值，相对静态因子的时间切片，动态因子会根据时间变化来识别风险，使得后续进行风险识别能够更为精准。
在本实施例的一些可选的实现方式中，在步骤S207之后，上述电子设备还可以执行以下步骤：
获取待处理的目标用户的风险业务数据。
在本实施例中，可从预先构建的客户数据库中，查询出目标用户的风险业务数据，风险业务数据可包括目标用户的偏好、行为特征等数据。
将所述风险业务数据输入至所述出险风险动态模型内。
通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值。
在本实施例中，在出险风险动态模型对所述风险业务数据进行处理后会输出与该风险业务数据对应的输出结果，该输出结果即为目标用户对应的目标风险评分值。
本申请通过获取待处理的目标用户的风险业务数据；然后将所述风险业务数据输入至所述出险风险动态模型内；后续通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值。本申请在使用趋势因子动态建模之后，构建得到的出险风险预测模型的识别效果相对静态因子建模，可以精准识别随时间不同客群的风险变化趋势，因此整体的模型效果有了很大提升，使得后续使用出险风险预测模型对待处理的目标用户的风险业务数据，可以实现准确地生成目标用户对应的目标风险评分值，保证了生成的目标风险评分值的准确度。
在本实施例的一些可选的实现方式中，在所述通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值的步骤之后，上述电子设备还可以执行以下步骤：
调用预设的等级映射表；
在本实施例中，上述等级映射表为根据实际的业务使用需求预先构建的存储有多个评分区间数据，以及与各个评分区间分别对应的风险级别数据的数据表。
从所述等级映射表中查询出与所述目标风险评分值匹配的评分区间；
从所述等级映射表中获取与所述评分区间对应的风险级别；
在本实施例中，风险级别包括风险级别高、风险级别中、风险级别低。
将所述风险级别作为所述目标用户的目标风险级别，并基于所述目标风险级别生成与所述目标用户对应的出险任务信息；
在本实施例中，上述出险任务信息可包括出险处理任务的任务缓急度。风险级别高对应的任务缓急度为高；风险级别中对应的任务缓急度为中；风险级别低对应的任务缓急度为低。
基于出险任务信息生成所述目标用户的出险处理任务。
在本实施例中，可调用预设的任务模板，将所述目标用户的用户信息与所述出险任务信息填充至该任务模板内，以生成所述目标用户的出险处理任务。其中，上述任务模板为预先根据实际的任务处理构建的模板文件，上述用户信息可包括用户姓名或用户I D。
本申请通过调用预设的等级映射表；然后从所述等级映射表中查询出与所述目标风险评分值匹配的评分区间；之后从所述等级映射表中获取与所述评分区间对应的风险级别；后续将所述风险级别作为所述目标用户的目标风险级别，并基于所述目标风险级别生成与所述目标用户对应的出险任务信息；最后基于出险任务信息生成所述目标用户的出险处理任务。本申请通过基于等级映射表的使用可以快速准确地生成目标用户的目标风险级别，保证了生成的目标风险级别的效率与准确度。另外，还会自动智能地基于该目标风险级别对应生成与该目标风险级别匹配的目标用户的出险处理任务，提高了出险处理任务的生成智能性。
需要强调的是，为进一步保证上述出险风险预测模型的私密和安全性，上述出险风险预测模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种模型构建装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的模型构建装置300包括：加载模块301、调用模块302、收集模块303、生成模块304以及处理模块305。其中：
第一获取模块301，用于获取与出险风险关联的影响因子；
划分模块302，用于针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个；
第二获取模块303，用于获取与所述细分人群对应的历史风险业务数据；
第一处理模块304，用于基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；
确定模块305，用于获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；
第二处理模块306，用于调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；构建模块307，用于基于所述目标风险值构建出险风险预测模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的模型构建方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，划分模块302包括：
第一获取子模块，用于获取对与所述影响因子相同的因子取值的人群进行初步分类得到的历史人群，并获取所述历史人群的人群特征集合；
第一确定子模块，用于确定所述聚类算法的算法参数；其中，所述算法参数至少包括分类个数k与最大迭代次数；
选择子模块，用于从所述人群特征集合中随机选择k个初始点作为k个类别的簇类中心；
第一计算子模块，用于遍历计算各个所述人群特征与所述簇类中心之间的距离；
第一处理子模块，用于基于所述距离，将各个所述人群特征分配至距离最近的簇类中心所在的簇中,直至完成对于所有所述人群特征的分类；
第二处理子模块，用于对于每一个分配好的簇，计算簇中所有点的均值，并将均值作为新的簇类中心，重复簇类中心的更新过程，直至迭代次数大于所述最大迭代次数时，停止更新簇类中心，获得最终的簇类中心与分类后的特征集合；
第一生成子模块，用于基于所述分类后的特征集合得到所述细分人群。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的模型构建方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块304包括：
第二获取子模块，用于获取所述历史风险业务数据的时间点信息；
排序子模块，用于基于所述时间点信息对所述历史风险业务数据进行排序，得到排序后的历史风险业务数据；
第二生成子模块，用于对所述排序后的历史风险业务数据进行曲线拟合，生成与所述细分人群对应的出险风险趋势线。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的模型构建方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，确定模块305包括：
第二计算子模块，用于计算所述样本风险业务数据与所述细分人群中的人群特征之间的相似度；
第一筛选子模块，用于从所述相似度中筛选出数值最大的目标相似度；
第二筛选子模块，用于从所有所述业务人群中筛选出与所述目标相似度对应的指定细分人群；
第二确定子模块，用于将所述指定细分人群作为与所述样本风险业务数据匹配的目标细分人群。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的模型构建方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二处理模块306包括：
第三获取子模块，用于获取与所述目标细分人群对应的目标出险风险趋势线；
第四获取子模块，用于获取所述样本风险业务数据的目标时间点；
查询子模块，用于从所述目标出险风险趋势线中查询出与所述目标时间点对应的风险值，得到与所述样本风险业务数据对应的目标风险值。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的模型构建方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，模型构建装置还包括：
第三获取模块，用于获取待处理的目标用户的风险业务数据；
输入模块，用于将所述风险业务数据输入至所述出险风险动态模型内；
第一生成模块，用于通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的模型构建方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，模型构建装置还包括：
调用模块，用于调用预设的等级映射表；
查询模块，用于从所述等级映射表中查询出与所述目标风险评分值匹配的评分区间；
第四获取模块，用于从所述等级映射表中获取与所述评分区间对应的风险级别；
第二生成模块，用于将所述风险级别作为所述目标用户的目标风险级别，并基于所述目标风险级别生成与所述目标用户对应的出险任务信息；
第三生成模块，用于基于出险任务信息生成所述目标用户的出险处理任务。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的模型构建方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如模型构建方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述模型构建方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取与出险风险关联的影响因子；然后针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；之后获取与所述细分人群对应的历史风险业务数据，并基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；后续获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；进一步调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；最后基于所述目标风险值构建出险风险预测模型。生成的出险风险预测模型为使用趋势因子动态建模方法构建生成的，使用该方法可以识别同一个因子在同一个时间切片下的不同风险特征，同时这个风险也正也是随便时间变化的动态趋势，从而可以有效对于客户的出险风险的预测准确性。本申请实施例针对现有的使用快照因子进行出险风险建模的静态建模方式，提出了基于上述步骤的趋势因子动态建模方式，通过对静态的快照因子取值做了细分，使得实际使用的时候，不是相同取值相同的风险，而且会针对每一个细分人群来识别风险。在使用趋势因子动态建模之后，构建得到的出险风险预测模型的识别效果相对静态因子建模，可以精准识别随时间不同客群的风险变化趋势，因此整体的模型效果有了很大提升，使得后续使用出险风险预测模型可以快速准确地对客户进行出险风险预测。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的模型构建方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取与出险风险关联的影响因子；然后针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；之后获取与所述细分人群对应的历史风险业务数据，并基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；后续获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；进一步调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；最后基于所述目标风险值构建出险风险预测模型。生成的出险风险预测模型为使用趋势因子动态建模方法构建生成的，使用该方法可以识别同一个因子在同一个时间切片下的不同风险特征，同时这个风险也正也是随便时间变化的动态趋势，从而可以有效对于客户的出险风险的预测准确性。本申请实施例针对现有的使用快照因子进行出险风险建模的静态建模方式，提出了基于上述步骤的趋势因子动态建模方式，通过对静态的快照因子取值做了细分，使得实际使用的时候，不是相同取值相同的风险，而且会针对每一个细分人群来识别风险。在使用趋势因子动态建模之后，构建得到的出险风险预测模型的识别效果相对静态因子建模，可以精准识别随时间不同客群的风险变化趋势，因此整体的模型效果有了很大提升，使得后续使用出险风险预测模型可以快速准确地对客户进行出险风险预测。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种模型构建方法，其特征在于，包括下述步骤：
获取与出险风险关联的影响因子；
针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个；
获取与所述细分人群对应的历史风险业务数据；
基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；
获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；
调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；
基于所述目标风险值构建出险风险预测模型。
2.根据权利要求1所述的模型构建方法，其特征在于，所述针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群的步骤，具体包括：
获取对与所述影响因子相同的因子取值的人群进行初步分类得到的历史人群，并获取所述历史人群的人群特征集合；
确定所述聚类算法的算法参数；其中，所述算法参数至少包括分类个数k与最大迭代次数；
从所述人群特征集合中随机选择k个初始点作为k个类别的簇类中心；
遍历计算各个所述人群特征与所述簇类中心之间的距离；
基于所述距离，将各个所述人群特征分配至距离最近的簇类中心所在的簇中,直至完成对于所有所述人群特征的分类；
对于每一个分配好的簇，计算簇中所有点的均值，并将均值作为新的簇类中心，重复簇类中心的更新过程，直至迭代次数大于所述最大迭代次数时，停止更新簇类中心，获得最终的簇类中心与分类后的特征集合；
基于所述分类后的特征集合得到所述细分人群。
3.根据权利要求1所述的模型构建方法，其特征在于，所述基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线的步骤，具体包括：
获取所述历史风险业务数据的时间点信息；
基于所述时间点信息对所述历史风险业务数据进行排序，得到排序后的历史风险业务数据；
对所述排序后的历史风险业务数据进行曲线拟合，生成与所述细分人群对应的出险风险趋势线。
4.根据权利要求1所述的模型构建方法，其特征在于，所述从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群的步骤，具体包括：
计算所述样本风险业务数据与所述细分人群中的人群特征之间的相似度；
从所述相似度中筛选出数值最大的目标相似度；
从所有所述业务人群中筛选出与所述目标相似度对应的指定细分人群；
将所述指定细分人群作为与所述样本风险业务数据匹配的目标细分人群。
5.根据权利要求1所述的模型构建方法，其特征在于，所述调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值的步骤，具体包括：
获取与所述目标细分人群对应的目标出险风险趋势线；
获取所述样本风险业务数据的目标时间点；
从所述目标出险风险趋势线中查询出与所述目标时间点对应的风险值，得到与所述样本风险业务数据对应的目标风险值。
6.根据权利要求1所述的模型构建方法，其特征在于，在所述基于所述目标风险值构建出险风险预测模型的步骤之后，还包括：
获取待处理的目标用户的风险业务数据；
将所述风险业务数据输入至所述出险风险动态模型内；
通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值。
7.根据权利要求6所述的模型构建方法，其特征在于，在所述通过所述出险风险动态模型对所述风险业务数据进行处理，生成与所述目标用户对应的目标风险评分值的步骤之后，还包括：
调用预设的等级映射表；
从所述等级映射表中查询出与所述目标风险评分值匹配的评分区间；
从所述等级映射表中获取与所述评分区间对应的风险级别；
将所述风险级别作为所述目标用户的目标风险级别，并基于所述目标风险级别生成与所述目标用户对应的出险任务信息；
基于出险任务信息生成所述目标用户的出险处理任务。
8.一种模型构建装置，其特征在于，包括：
第一获取模块，用于获取与出险风险关联的影响因子；
划分模块，用于针对所述影响因子，使用预设的聚类算法对历史人群进行细分人群划分处理，得到对应的细分人群；其中，所述历史人群为由对具有与所述影响因子相同的因子取值的人群进行初步分类得到的；所述细分人群的数量包括多个；
第二获取模块，用于获取与所述细分人群对应的历史风险业务数据；
第一处理模块，用于基于所述历史风险业务数据拟合得到与所述细分人群对应的出险风险趋势线；
确定模块，用于获取预先采集的样本风险业务数据，并从所有所述细分人群中确定出与所述样本风险业务数据匹配的目标细分人群；
第二处理模块，用于调用与所述目标细分人群对应的目标出险风险趋势线对所述样本风险业务数据进行处理，得到与所述样本风险业务数据对应的目标风险值；
构建模块，用于基于所述目标风险值构建出险风险预测模型。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的模型构建方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的模型构建方法的步骤。
CN202310733480.1A 2023-06-19 2023-06-19 模型构建方法、装置、计算机设备及存储介质 Pending CN116777641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310733480.1A CN116777641A (zh) 2023-06-19 2023-06-19 模型构建方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310733480.1A CN116777641A (zh) 2023-06-19 2023-06-19 模型构建方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116777641A true CN116777641A (zh) 2023-09-19

Family

ID=88005888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310733480.1A Pending CN116777641A (zh) 2023-06-19 2023-06-19 模型构建方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116777641A (zh)

Similar Documents

Publication Publication Date Title
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
WO2018103718A1 (zh) 应用推荐的方法、装置及服务器
CN112528025A (zh) 基于密度的文本聚类方法、装置、设备及存储介质
CN112287244A (zh) 基于联邦学习的产品推荐方法、装置、计算机设备及介质
CN112668482B (zh) 人脸识别训练方法、装置、计算机设备及存储介质
CN112417121A (zh) 客户意图识别方法、装置、计算机设备及存储介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN116402625B (zh) 客户评估方法、装置、计算机设备及存储介质
CN116796140A (zh) 基于人工智能的异常分析方法、装置、设备及存储介质
CN117235633A (zh) 机构分类方法、装置、计算机设备及存储介质
CN117217812A (zh) 一种用户行为预测方法、装置、计算机设备及存储介质
CN116703520A (zh) 基于改进K-means算法的产品推荐方法及其相关设备
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN115392361A (zh) 一种智能排序方法、装置、计算机设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN116777641A (zh) 模型构建方法、装置、计算机设备及存储介质
CN116307742B (zh) 一种细分客群的风险识别方法、装置、设备及存储介质
CN116364223B (zh) 特征处理方法、装置、计算机设备及存储介质
CN117078406A (zh) 一种客户流失预警方法、装置、计算机设备及存储介质
CN116720692A (zh) 客服派工方法、装置、计算机设备及存储介质
CN116756539A (zh) 项目推荐方法、装置、计算机设备及存储介质
CN117853202A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN116910095A (zh) 埋点处理方法、装置、计算机设备及存储介质
CN118013128A (zh) 基于人工智能的素材推荐方法、装置、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