WO2019218751A1 - 一种保险业务风险预测的处理方法、装置及处理设备 - Google Patents

一种保险业务风险预测的处理方法、装置及处理设备 Download PDF

Info

Publication number
WO2019218751A1
WO2019218751A1 PCT/CN2019/076524 CN2019076524W WO2019218751A1 WO 2019218751 A1 WO2019218751 A1 WO 2019218751A1 CN 2019076524 W CN2019076524 W CN 2019076524W WO 2019218751 A1 WO2019218751 A1 WO 2019218751A1
Authority
WO
WIPO (PCT)
Prior art keywords
risk
data
risk prediction
training
prediction model
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.)
Ceased
Application number
PCT/CN2019/076524
Other languages
English (en)
French (fr)
Inventor
吴龙凤
陈
石秋慧
张泰玮
陈诗奕
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.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding 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 Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Publication of WO2019218751A1 publication Critical patent/WO2019218751A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the embodiment of the present specification belongs to the technical field of computer data processing for insurance business risk prediction, and particularly relates to a method, device and processing device for processing insurance business risk prediction.
  • Motor vehicle insurance that is, automobile insurance (or car insurance) refers to a type of commercial insurance that is liable for personal injury or property damage caused by natural disasters or accidents. With the development of the economy, the number of motor vehicles is increasing. At present, auto insurance has become one of the biggest insurances in China's property insurance business.
  • the generalized linear model mainly deals with linearly related data objects. For example, the Internet time is reduced by 1%, and the age is increased by 1 year.
  • the GLM model can be modeled based on the linear relationship between network age data and age data.
  • the embodiment of the present specification aims to provide a method, a device and a processing device for processing insurance risk prediction, which can implement a risk promotion prediction of insurance business data compatible with a non-linear relationship by introducing a gradient promotion decision tree in insurance business risk prediction. Improve the accuracy of insurance business risk predictions.
  • a method for processing insurance business risk prediction comprising:
  • the target risk association data is processed by using the constructed risk prediction model, and the risk prediction result of the user to be predicted is output, and the risk prediction model method includes: training the gradient promotion decision tree by using the labeled risk correlation data. Determined predictive model.
  • An insurance business risk prediction processing device includes:
  • a prediction data acquisition module configured to acquire target risk association data of the user to be predicted
  • a risk prediction module configured to process the target risk association data by using the constructed risk prediction model, and output a risk prediction result of the to-be-predicted user, where the risk prediction model method includes: using the marked risk association data pair
  • the gradient elevation decision tree performs a training-determined prediction model.
  • An insurance business risk prediction processing apparatus includes a processor and a memory for storing processor executable instructions, the processor implementing the instructions to:
  • the target risk association data is processed by using the constructed risk prediction model, and the risk prediction result of the user to be predicted is output, and the risk prediction model method includes: training the gradient promotion decision tree by using the labeled risk correlation data. Determined predictive model.
  • the processing method, device and processing device for insurance business risk prediction may construct a risk prediction model by using a gradient lifting decision tree in advance, and the risk prediction model may use the marked insurance related to the insurance business. Risk associated data is trained.
  • the risk prediction model training meets the forecasting requirements, it can be used as an online risk forecast, and the predicted users are predicted for insurance business risks, and the predicted results are output.
  • the multi-dimensional nonlinear variables in the insurance business can be applied reasonably and effectively by using the method provided in the embodiments of the present specification.
  • the risk prediction model based on the nonlinear relationship of the gradient decision tree can be well compatible with linear and nonlinear variables, compared with the traditional
  • the linear model has a significant improvement in the accuracy of the prediction results, effectively making up for the shortcomings of the traditional linear model and improving the service experience of the insurance business.
  • FIG. 1 is a schematic flow chart of an embodiment of an insurance business risk prediction processing method provided by the present specification
  • FIG. 2 is a schematic diagram of a processing procedure for constructing a risk prediction model in the method provided by the present specification
  • 3a and 3b are schematic diagrams showing a processing procedure of decision tree learning training in the method provided by the present specification
  • FIG. 4 is a hardware structural block diagram of a server for applying an insurance business risk prediction processing method provided by the present specification.
  • FIG. 5 is a block diagram showing the structure of an insurance business risk prediction processing apparatus provided by the present specification.
  • the impact of many variables on screening classifications is non-linear, such as the length of time and age of the Internet, but the correlation can be varied. For example, it can be a simple linear relationship. For example, the Internet time is reduced by 1%, and the age is increased by 1 year. It can also be a complicated relationship, such as an exponential relationship. The Internet time is reduced by 4%, and the age is increased by 2 years. It can be solved by a generalized linear model by converting certain mathematical changes into linear. In real life, in addition to some variables with basic linear relationships, there are a large number of nonlinear variables.
  • the implementation method of risk prediction in another insurance service introduces a GBDT (Gradient Boosting Decision Tree), which can be applied reasonably and effectively in risk prediction.
  • the nonlinear variable constructs a risk prediction model, which is well compatible with linear and nonlinear variables. Compared with the traditional linear model, the accuracy of the prediction results is significantly improved.
  • GBDT Gdient Boosting Decision Tree
  • the trees in GBDT are all regression trees and can be used for regression prediction.
  • the decision tree model can be constructed in advance using the labeled risk correlation data, and the parameters in the decision tree are gradually adjusted and optimized through regression machine learning (distribution iteration).
  • the model prediction result meets the accuracy requirements of the insurance business risk prediction, it can be used online to predict the risk value or the loss ratio of the user to be predicted.
  • FIG. 1 is a schematic flowchart diagram of an embodiment of a method for processing the insurance business risk prediction provided by the present specification.
  • the present specification provides method operation steps or device structures as shown in the following embodiments or figures, there may be more or partial merged fewer operational steps in the method or device based on conventional or no inventive labor. Or module unit.
  • the execution order of the steps or the module structure of the device is not limited to the execution order or the module structure shown in the embodiment or the drawings.
  • server or terminal product of the method or module structure When the device, server or terminal product of the method or module structure is applied, it may be executed sequentially or in parallel according to the method or module structure shown in the embodiment or the drawing (for example, parallel processor or multi-thread processing). Environment, even including distributed processing, server cluster implementation environment).
  • an insurance business risk prediction processing method provided by the present specification may include:
  • S2 processing the target risk association data by using the constructed risk identification algorithm, and outputting the risk prediction result of the to-be-predicted user, where the risk identification algorithm comprises: using the labeled risk association data to perform the gradient promotion decision tree Training a defined risk prediction model.
  • a GBDT-based risk prediction model may be constructed in advance.
  • the training and construction of the specific GBDT model can be based on the actual business scenario requirements and data to carry out the corresponding model structure and parameter settings, such as individual training can be carried out in a single tree, and the residual of the training continues to be trained as input to another tree; or Multi-tree multi-level connections are trained, and the residuals are trained as inputs to another multi-level connection.
  • the risk prediction process of the insurance service data based on the non-linear relationship realized by the processing algorithm of some deformation, transformation or improvement based on the GBDT algorithm may be applied, and the implementation process of the GBDT model construction is not described one by one in this specification. .
  • the training data of the risk prediction model may be determined according to the historical auto insurance policy data collection, and the training data may be marked according to the risk division or setting requirements.
  • the training data may be referred to as risk-related data, and the risk-related data is usually associated with the insurance service for sample training of the risk prediction model.
  • the risk association may be user feature data including multiple dimensions, and the user feature data associated with one user is a set of training data, and each set of risk associated data may be marked to set a corresponding risk score.
  • the risk association data may include user feature data with at least one category, the user feature data including data information of a non-linear relationship associated with the insurance service.
  • User A's risk associated data may include (A1, A2, A3..., A9) 9 dimensions of user profile data.
  • User characteristics data of different dimensions may be selected according to the demand of the automobile insurance prediction.
  • the nine dimensions of the above example may include age, gender, occupation, annual income, historical risk times, monthly average consumption, credit rating, marital status, liabilities. assets.
  • user feature data of 10 or more dimensions may be acquired in advance, and user feature data requiring model training may be selected from user feature data of multiple dimensions when determining risk association data.
  • specific risk-related data can include the following Table 1:
  • the risk-related data may further include manual data generated according to a predetermined rule, for example, risk-related data that the worker can customize the model according to the situation that the expected risk may include.
  • the required risk-related data is automatically generated by the computer after the set data generation rules.
  • the generated artificial data here is more in line with the expected risk prediction situation, while the historical auto insurance case data is closer to the real risk situation.
  • one of them can be used or combined with manual data and historical auto insurance case data.
  • the acquired risk-related data can be trained as training data in the GBDT model.
  • the threshold of the decision feature (which may be all thresholds or partial thresholds) of the decision tree branching in the risk prediction model can satisfy the model.
  • the accuracy requirements of the output (usually also require continuous and stable output to meet the accuracy requirements).
  • the GBDT used in the embodiments of the present specification is an iterative decision tree algorithm, which can be mainly divided into a decision tree (Regression Decision Tree, DT) and a gradient boost (GB).
  • Decision trees are mainly divided into two categories: classification trees and regression trees. Classification trees are often used to solve classification problems, such as user gender, whether the web page is a spam page, and whether the user is cheating.
  • the regression tree is generally used to predict real values, such as the age of the user, the probability of the user clicking, the degree of relevance of the web page, and so on.
  • the former is used to classify label papers and the latter is used to predict real values.
  • Embodiments of the present specification can utilize a regression tree to predict the auto insurance score of a car insurance, such as accumulating the results of all trees as a result of the final risk prediction.
  • the general process of the regression tree is similar to that of the classification tree.
  • the difference is that each node of the regression tree will get a predicted value. Take the age as an example.
  • the predicted value is equal to the average of the ages of all people belonging to this node.
  • each feature is exhausted to find the optimal segmentation variable and the optimal segmentation point.
  • the criterion measured in this embodiment is no longer the Gini coefficient in the classification tree, but the square error is minimized. That is, the more people are predicted to make mistakes, the larger the square error is, and the most reliable branching basis is found by minimizing the square error. Branching until each leaf node has a unique interest in the game or reaches a preset termination condition (such as the upper limit of the number of leaves). If the age of the leaf node is not unique, then everyone on the node is The average age is the predicted result of the leaf node.
  • Gradient boosting is a machine learning technique for regression, classification, and sorting tasks that is part of the Boosting family of algorithms.
  • Boosting is a family of algorithms that can promote weak learners to strong learners, and belongs to the category of ensemble learning.
  • the Boosting method is based on the idea that for a complex task, the judgment of the appropriate combination of the judgments of multiple experts is better than the judgment of any one of the experts alone. In layman's terms, it is the truth of "three smugglers top Zhuge Liang”.
  • Gradient elevation like other boosting methods, builds the final predictive model by ensemble multiple weak learners, usually decision trees.
  • the boosting method builds the model in a step-wise way. The weak learners built at each step of the iteration are designed to compensate for the deficiencies of the existing model.
  • the tree of the tree can be set during training. After the tree reaches the specified value (such as 80 trees), the training can be stopped; or the residual is small (the conditions for stopping the training are satisfied) When these two conditions satisfy a training, you can stop training.
  • the specified value such as 80 trees
  • the residual result of the node using the Nth tree is substituted into the N+1 tree for learning according to the corresponding original value
  • the risk prediction result (risk value or loss ratio) corresponding to the current leaf node is output. Specifically, all residuals can be accumulated as a final risk prediction value.
  • FIG. 2 is a schematic diagram of a processing procedure for constructing a risk prediction model provided by the present specification. As shown in FIG. 2, in another embodiment of the method provided by the present specification, the risk prediction model is trained in the following manner:
  • S20 determining a total number of decision trees, and a threshold of a decision feature used by the decision tree at each branch, the decision feature being one of the categories of the user feature data;
  • S24 Adjust a threshold of the decision feature of the corresponding decision tree by using the training result of the risk association data, and determine the risk prediction model when the adjusted threshold satisfies the prediction result output requirement of the risk prediction model.
  • the number of decision trees used for training may be determined in advance, and the threshold of the decision feature of a decision tree for branching is determined by gradient iteration. If 80 decision trees can be used, each tree in each tree learns the residuals of all previous tree conclusions. The threshold of the initial number can be set based on the empirical value. If A's true score (marking score is 80), but the first tree's age-based decision feature predicts a score of 60, a difference of 20 points, and a residual of 20. Then in the second tree (decision feature is the user's occupation), the score of A is set to 20 points to learn. If the second tree can really divide A into 20 points of the leaf node, then add two trees.
  • the conclusion is the true score of A (predicted score 60 points + residual 20 points); if the conclusion of the second tree is 18 points, then A still has 2 points residual, the third tree (decision feature is year)
  • the age of A becomes 2 points and continues to learn.
  • the residual calculation for each step is equivalent to increasing the weight of the fault event in a disguised manner, while the time that has been paired tends to zero. For example, if the age is too large or too small, the risk is greater, and the income is more The higher the risk, the smaller the risk is.
  • the threshold of the decision feature of the decision tree may be determined until the adjusted threshold satisfies the prediction result output requirement of the risk prediction model, and the determined A risk prediction model. For example, the initial set risk score is divided into 60 and 80. The threshold is whether the age is greater than 20 years old. After a large amount of data training and optimization, the decision-making feature of risk assessment from the age dimension can be adjusted to determine whether the age is greater than 24 years old to meet the true prediction results in most cases.
  • the following is a simple example of age prediction to illustrate how to implement the decision tree training using GBDT in the embodiment of the present specification.
  • the following example replaces the age with the auto insurance risk score or the loss ratio in the insurance business risk forecast of this specification, and replaces the monthly shopping consumption and the frequently asked questions with the category of the user characteristic data, wherein the threshold value corresponds to Make settings.
  • the specific implementation process may include:
  • the training set (risk-linked data) has only 4 people, A, B, C, and D, and their ages are 14, 16, 24, and 26, respectively.
  • a and B are high school and high school students respectively; C and D are fresh graduates and employees who have worked for two years. If you are training with a traditional regression decision tree. Choose to use GBDT for age prediction. Because there is too little data, we limit the number of leaf nodes to two. That is, each tree has only one branch, and only two trees are limited, as shown in Figure 3a and Figure 3b. the result of. In the branch of the first tree, because A and B are relatively similar in age, C and D are relatively similar in age, they are divided into two, and the average age is used as the predicted value.
  • the number of decision trees used by the risk prediction model when determining the number of decision trees used by the risk prediction model, it may be determined based on the number of categories corresponding to the user feature data. For example, 80 dimensions of user feature data are selected, each of which can represent the decision characteristics of a tree, so that 80 decision trees can be used to construct a nonlinear risk prediction model. In general, you can set one dimension to correspond to multiple trees. Specifically, you can set the data according to the amount of data processed by the prediction model and the processing requirements of the application scenario. Of course, in other embodiments of the present specification, the total number of specific decision trees may be determined according to the collection data, the number of branches of the tree, and the connection relationship between the upper and lower levels of the tree.
  • the embodiments provided in this specification can be applied not only to the implementation scenario of the risk insurance business risk prediction, but also to the implementation scenarios of the fund risk prediction and the medical insurance risk prediction.
  • the risk prediction model includes a vehicle risk risk prediction model based on the risk correlation data associated with the automobile insurance business;
  • the risk prediction result includes any one of a loss rate and a car risk risk score of the user to be predicted.
  • the loss ratio and the risk risk score described above are only one output representation of the nonlinear relationship risk prediction model of one or more embodiments.
  • the present specification does not limit other embodiments, and other representation manners or representation manners of the loss ratio and the risk risk score may be obtained. If the loss ratio is linearly transformed, the vehicle insurance score may be obtained. The smaller the risk (the opposite of the risk risk score, the greater the risk score, the higher the risk).
  • linear relationship generally refers to a one-time function between two variables.
  • the broad understanding of the linear relationship may mean that the relationship between two variables is clear and fixed, and in some cases, it may be expressed by a straight line or by a certain
  • the mathematical changes are converted into linear relationships (converted information loss is within a certain range).
  • the non-linear relationship mainly means that the relationship between variables is constantly changing and cannot be described by a formula. In some cases, it can only be represented by curves, surfaces or irregular lines, such as risk scores and occupations, risk points. Value and gender.
  • the processing of constructing the risk prediction model may be generated by an offline pre-built method, and the training data including the nonlinear relationship may be pre-selected for learning and training of the GBDT decision tree. Use it again online.
  • This specification does not exclude that the risk prediction model can be constructed or updated/maintained online. For example, if the computer has sufficient capacity, the risk prediction model can be constructed online, and the risk prediction model can be constructed online synchronously. The target risk associated data is processed.
  • the method for processing insurance business risk prediction may construct a risk prediction model by using a gradient lifting decision tree in advance, and the risk prediction model may use the labeled risk association data associated with the insurance service for training.
  • the risk prediction model training meets the forecasting requirements, it can be used as an online risk forecast, and the predicted users are predicted for insurance business risks, and the predicted results are output.
  • the multi-dimensional nonlinear variables in the insurance business can be applied reasonably and effectively by using the method provided in the embodiments of the present specification.
  • the risk prediction model based on the nonlinear relationship of the gradient decision tree can be well compatible with linear and nonlinear variables, compared with the traditional
  • the linear model has a significant improvement in the accuracy of the prediction results, effectively making up for the shortcomings of the traditional linear model and improving the service experience of the insurance business.
  • the method described above can be used for risk identification on the client side, such as risk assessment of insurance services provided in the payment application of the mobile terminal.
  • the client can be a PC (personal computer), a server, an industrial computer (industrial control computer), a mobile smart phone, a tablet electronic device, a portable computer (such as a laptop computer, etc.), a personal digital assistant (PDA), or a desktop.
  • Computer or smart wearable device, etc. Mobile communication terminal, handheld device, in-vehicle device, wearable device, television device, computing device. It can also be applied to a system server of an insurance company or a third-party insurance service, which may include a separate server, a server cluster, a distributed system server, or a server that processes device request data and other associated data processing systems. Server combination.
  • an implementation may include establishing an Open Data Processing Service (ODPS) platform on the Facebook Cloud.
  • ODPS Open Data Processing Service
  • a unified programming interface and interface can be provided for various data processing tasks from different user needs.
  • the system implementing the method of the embodiment of the present specification can process massive data in parallel and achieve optimal performance.
  • FIG. 4 is a hardware structural block diagram of a server for applying the insurance business risk prediction processing method provided by the present specification.
  • server 10 may include one or more (only one shown) processor 102 (processor 102 may include, but is not limited to, a processing device such as a microprocessor MCU or a programmable logic device FPGA), A memory 104 for storing data, and a transmission module 106 for communication functions. It will be understood by those skilled in the art that the structure shown in FIG.
  • server 10 may also include more or fewer components than those shown in FIG. 4, for example, may also include other processing hardware, such as a database or multi-level cache, or have a different configuration than that shown in FIG.
  • the memory 104 can be used to store software programs and modules of application software, such as program instructions/modules corresponding to the search method in the embodiment of the present invention, and the processor 102 executes various functions by running software programs and modules stored in the memory 104.
  • Application and data processing that is, a processing method for realizing the content display of the above navigation interaction interface.
  • Memory 104 may include high speed random access memory and may also include non-volatile memory such as one or more magnetic storage devices, flash memory, or other non-volatile solid state memory.
  • memory 104 may further include memory remotely located relative to processor 102, which may be coupled to computer terminal 10 via a network. Examples of such networks include, but are not limited to, the Internet, intranets, local area networks, mobile communication networks, and combinations thereof.
  • the transmission module 106 is configured to receive or transmit data via a network.
  • the network specific examples described above may include a wireless network provided by a communication provider of the computer terminal 10.
  • the transport module 106 includes a Network Interface Controller (NIC) that can be connected to other network devices through a base station to communicate with the Internet.
  • the transmission module 106 can be a Radio Frequency (RF) module for communicating with the Internet wirelessly.
  • NIC Network Interface Controller
  • RF Radio Frequency
  • the present specification also provides an insurance business risk prediction processing apparatus.
  • the apparatus may include a system (including a distributed system), software (applications), modules, components, servers, clients, etc., using the methods described in the embodiments of the present specification, in conjunction with necessary device hardware for implementing the hardware.
  • the processing device in one embodiment provided by this specification is as described in the following embodiments.
  • the apparatus described in the following embodiments is preferably implemented in software, hardware, or a combination of software and hardware, is also possible and contemplated.
  • FIG. 5 is a schematic structural diagram of a module of an insurance service risk prediction processing apparatus provided in this specification, which may include:
  • the prediction data obtaining module 201 may be configured to acquire target risk associated data of the user to be predicted
  • the risk prediction module 202 may be configured to process the target risk association data by using the constructed risk prediction model, and output the risk prediction result of the to-be-predicted user, where the risk prediction model method includes: using the marked risk association
  • the data is used to train the gradient decision tree to determine the prediction model.
  • the server or client provided by the embodiment of the present specification may be implemented by a processor executing a corresponding program instruction in a computer, such as a C++ language of a Windows operating system, implemented on a PC or a server, or other corresponding to, for example, Linux or a system. Apply the design language to the necessary hardware implementations, or to implement processing logic based on quantum computers.
  • the foregoing processing device may specifically provide a risk prediction server for an insurance server or a third-party service organization, and the server may be a separate server, a server cluster, a distributed system server, or a server that processes data requesting data and other associated data.
  • the present specification also provides an insurance business risk prediction processing device, which may specifically include a processor and a memory for storing processor-executable instructions, which when the processor executes the instructions:
  • the target risk association data is processed by using the constructed risk prediction model, and the risk prediction result of the user to be predicted is output, and the risk prediction model method includes: training the gradient promotion decision tree by using the labeled risk correlation data. Determined predictive model.
  • the risk association data includes at least one category of user feature data
  • the user feature data includes a non-in association with an insurance service.
  • the processor is trained to obtain the risk prediction model in the following manner:
  • the threshold of the decision feature of the corresponding decision tree is adjusted by the training result of the risk association data, and the risk prediction model is determined when the adjusted threshold satisfies the prediction result output requirement of the risk prediction model.
  • the total number of the decision trees is determined based on the number of categories corresponding to the user feature data.
  • the risk prediction model includes a vehicle risk risk prediction model obtained by training based on risk associated data associated with a car insurance service;
  • the risk prediction result includes any one of a loss rate of the user to be predicted and a risk risk score.
  • the above instructions may be stored in a variety of computer readable storage media.
  • the computer readable storage medium may include physical means for storing information which may be digitized and stored in a medium utilizing electrical, magnetic or optical means.
  • the computer readable storage medium of this embodiment may include: means for storing information by means of electrical energy, such as various types of memories, such as RAM, ROM, etc.; means for storing information by magnetic energy means, such as hard disk, floppy disk, magnetic tape, magnetic Core memory, bubble memory, U disk; means for optically storing information such as CD or DVD.
  • electrical energy such as various types of memories, such as RAM, ROM, etc.
  • magnetic energy means such as hard disk, floppy disk, magnetic tape, magnetic Core memory, bubble memory, U disk
  • means for optically storing information such as CD or DVD.
  • quantum memories graphene memories, and the like.
  • the processing method, device and processing device for insurance business risk prediction may construct a risk prediction model by using a gradient lifting decision tree in advance, and the risk prediction model may use the marked insurance related to the insurance business. Risk associated data is trained.
  • the risk prediction model training meets the forecasting requirements, it can be used as an online risk forecast, and the predicted users are predicted for insurance business risks, and the predicted results are output.
  • the multi-dimensional nonlinear variables in the insurance business can be applied reasonably and effectively by using the method provided in the embodiments of the present specification.
  • the risk prediction model based on the nonlinear relationship of the gradient decision tree can be well compatible with linear and nonlinear variables, compared with the traditional
  • the linear model has a significant improvement in the accuracy of the prediction results, effectively making up for the shortcomings of the traditional linear model and improving the service experience of the insurance business.
  • embodiments of the present specification refer to the definition of a linear relationship/non-linear relationship, the structure of a decision tree in GBDT, the processing process of a GBDT model algorithm, and the like, data acquisition, storage, interaction, calculation, judgment, and the like, and data description
  • embodiments of the present specification are not limited to situations that must be consistent with industry communication standards, standard GBDT model algorithm processing, communication protocols, and standard data models/templates or embodiments of the specification.
  • Certain industry standards or implementations that have been modified in a manner that uses a custom approach or an embodiment described above may also achieve the same, equivalent, or similar, or post-deformation implementation effects of the above-described embodiments.
  • Embodiments obtained by applying such modified or modified data acquisition, storage, judgment, processing, etc. may still fall within the scope of alternative embodiments of the present specification.
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • HDL Hardware Description Language
  • the controller can be implemented in any suitable manner, for example, the controller can take the form of, for example, a microprocessor or processor and a computer readable medium storing computer readable program code (eg, software or firmware) executable by the (micro)processor.
  • computer readable program code eg, software or firmware
  • examples of controllers include, but are not limited to, the following microcontrollers: ARC 625D, Atmel AT91SAM, The Microchip PIC18F26K20 and the Silicone Labs C8051F320, the memory controller can also be implemented as part of the memory's control logic.
  • the controller can be logically programmed by means of logic gates, switches, ASICs, programmable logic controllers, and embedding.
  • Such a controller can therefore be considered a hardware component, and the means for implementing various functions included therein can also be considered as a structure within the hardware component.
  • a device for implementing various functions can be considered as a software module that can be both a method of implementation and a structure within a hardware component.
  • the processing device, device, module or unit set forth in the above embodiments may be implemented by a computer chip or an entity, or by a product having a certain function.
  • a typical implementation device is a computer.
  • the computer can be, for example, a personal computer, a laptop computer, a car-mounted human-machine interaction device, a cellular phone, a camera phone, a smart phone, a personal digital assistant, a media player, a navigation device, an email device, a game console, a tablet.
  • a computer, wearable device, or a combination of any of these devices are examples of these devices.
  • the above devices are described as being separately divided into various modules by function.
  • the functions of the modules may be implemented in the same software or software, or the modules that implement the same function may be implemented by multiple sub-modules or a combination of sub-units.
  • the device embodiments described above are merely illustrative.
  • the division of the unit is only a logical function division.
  • there may be another division manner for example, multiple units or components may be combined or integrated. Go to another system, or some features can be ignored or not executed.
  • the mutual coupling or direct coupling or communication connection shown or discussed may be an indirect coupling or communication connection through some interface, device or unit, and may be in an electrical, mechanical or other form.
  • the controller can be logically programmed by means of logic gates, switches, ASICs, programmable logic controllers, and embedding.
  • the computer program instructions can also be stored in a computer readable memory that can direct a computer or other programmable data processing device to operate in a particular manner, such that the instructions stored in the computer readable memory produce an article of manufacture comprising the instruction device.
  • the apparatus implements the functions specified in one or more blocks of a flow or a flow and/or block diagram of the flowchart.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device such that a series of operational steps are performed on a computer or other programmable device to produce computer-implemented processing for execution on a computer or other programmable device.
  • the instructions provide steps for implementing the functions specified in one or more of the flow or in a block or blocks of a flow diagram.
  • a computing device includes one or more processors (CPUs), input/output interfaces, network interfaces, and memory.
  • processors CPUs
  • input/output interfaces network interfaces
  • memory volatile and non-volatile memory
  • the memory may include non-persistent memory, random access memory (RAM), and/or non-volatile memory in a computer readable medium, such as read only memory (ROM) or flash memory.
  • RAM random access memory
  • ROM read only memory
  • Memory is an example of a computer readable medium.
  • Computer readable media includes both permanent and non-persistent, removable and non-removable media.
  • Information storage can be implemented by any method or technology.
  • the information can be computer readable instructions, data structures, modules of programs, or other data.
  • Examples of computer storage media include, but are not limited to, phase change memory (PRAM), static random access memory (SRAM), dynamic random access memory (DRAM), other types of random access memory (RAM), read only memory. (ROM), electrically erasable programmable read only memory (EEPROM), flash memory or other memory technology, compact disk read only memory (CD-ROM), digital versatile disk (DVD) or other optical storage, Magnetic tape cartridges, magnetic tape storage or other magnetic storage devices or any other non-transportable media can be used to store information that can be accessed by a computing device.
  • computer readable media does not include temporary storage of computer readable media, such as modulated data signals and carrier waves.
  • embodiments of the present specification can be provided as a method, system, or computer program product.
  • embodiments of the present specification can take the form of an entirely hardware embodiment, an entirely software embodiment or a combination of software and hardware.
  • embodiments of the present specification can take the form of a computer program product embodied on one or more computer usable storage media (including but not limited to disk storage, CD-ROM, optical storage, etc.) including computer usable program code.
  • Embodiments of the present description can be described in the general context of computer-executable instructions executed by a computer, such as a program module.
  • program modules include routines, programs, objects, components, data structures, and the like that perform particular tasks or implement particular abstract data types.
  • Embodiments of the present specification can also be practiced in distributed computing environments where tasks are performed by remote processing devices that are connected through a communication network.
  • program modules can be located in both local and remote computer storage media including storage devices.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种保险业务风险预测的处理方法、装置及处理设备。可以预先使用梯度提升决策树来构建风险预测模型，该风险预测模型可以使用已打标的与保险业务相关联的风险关联数据进行训练。当风险预测模型训练达到预测要求时可以作为线上风险预测使用，对待预测用户进行保险业务风险预测，输出预测结果。可以合理有效地应用保险业务中多维度的非线性变量，基于梯度提升决策树的非线性关系的风险预测模型可以很好地兼容线性和非线性变量，相对于传统的线性模型，预测结果的准确性有着显著的提升，有效弥补传统线性模型的不足，提高保险业务服务体验。

Description

一种保险业务风险预测的处理方法、装置及处理设备 技术领域
本说明书实施例方案属于保险业务风险预测的计算机数据处理技术领域，尤其涉及一种保险业务风险预测的处理方法、装置及处理设备。
背景技术
机动车辆保险即汽车保险(或简称车险)，是指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险。随着经济的发展，机动车辆的数量不断增加，当前，车险已成为中国财产保险业务中最大的险种之一。
用户在进行车辆投保时，保险公司通常会对用户进行风险评估，风险评估的结果会直接影响到用户投保金额、优惠待遇等。通过对用户的风险评估，保险公司可以更加准确、合理的进行保险业务的处理，有效规避或减少业务风险。目前，在车险风险预测领域，基于广义线性模型(generalized linear model，GLM)的风险预测已成为业内的主流风险预测技术体系。广义线性模型主要处理的为线性相关的数据对象，如上网时长降低1个百分点，年龄增大1岁，可以基于网龄数据与年龄数据的线性关系实现GLM的建模。
但随着车险业务的不断增加，互联网数据已呈现多种类、海量数据增长，传统的GLM模型体系已越来越受到限制，例如如果“年龄”不是单纯随上网时长变化而变化，而是同时与人群的购物以及习惯等方面相关，不同消费习惯随自身变化改变年龄分布呈非线性影响的形式。GLM模型可以通过分箱将非线性变量进行分段汇总，但是会损失很多变量的精准性，难以适应当前大数据、多维度的风险预测要求。因此，业内亟需一种可以在多维度数据中更加有效和高效的进行车险业务风险预测的处理方式。
发明内容
本说明书实施例目的在于提供一种保险业务风险预测的处理方法、装置及处理设备，可以通过在保险业务风险预测中引入梯度提升决策树，实现兼容非线性关系的保险业务数据的风险预测，有效提高保险业务风险预测的准确性。
本说明书实施例提供的一种保险业务风险预测的处理方法、装置及处理设备是包 括以下方式实现的：
一种保险业务风险预测的处理方法，所述方法包括：
获取待预测用户的目标风险关联数据；
利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。
一种保险业务风险预测处理装置，包括：
预测数据获取模块，用于获取待预测用户的目标风险关联数据；
风险预测模块，用于利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。
一种保险业务风险预测处理设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取待预测用户的目标风险关联数据；
利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。
本说明书实施例提供的一种保险业务风险预测的处理方法、装置及处理设备，可以预先使用梯度提升决策树来构建风险预测模型，该风险预测模型可以使用已打标的与保险业务相关联的风险关联数据进行训练。当风险预测模型训练达到预测要求时可以作为线上风险预测使用，对待预测用户进行保险业务风险预测，输出预测结果。利用本说明书实施例提供的方法可以合理有效地应用保险业务中多维度的非线性变量，基于梯度提升决策树的非线性关系的风险预测模型可以很好地兼容线性和非线性变量，相对于传统的线性模型，预测结果的准确性有着显著的提升，有效弥补传统线性模型的不足，提高保险业务服务体验。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或 现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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是本说明书提供的一种保险业务风险预测处理方法实施例的流程示意图；
图2是本说明书提供的所述方法中一种构建风险预测模型的处理过程示意图；
图3a及图3b是本说明书提供的所述方法中决策树学习训练的处理过程示意图；
图4是本说明书提供的一种应用保险业务风险预测处理方法的服务器的硬件结构框图。
图5是本说明书提供的一种保险业务风险预测处理装置的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例保护的范围。
随着计算机互联网技术的发展，数据量飞速增长。保险业务风险预测时数据特征的分类也越来越多维度、细致化。很多变量对筛选分类的影响是以非线性存在的，例如上网时长和年龄呈现相关性，但是该相关性可以是多种多样的。例如可以是简单的线性关系，例如上网时长降低1个百分点，年龄增大1岁；也可以是比较复杂的关系，例如指数关系，上网时长降低4个百分点，年龄增大2岁，此时可以通过一定数学变化转化为线性的均可以用广义线性模型解决。现实生活中，除了一些基本线性关系的变量外，还存在大量非线性变量。例如在预测年龄时，如果“年龄”不是单纯随上网时长变化而变化，而是同时与人群的购物以及习惯等方面相关，不同消费习惯随自身变化改变年龄分布呈非线性影响的形式。因为预测“用户年龄”是目的之一，若一些GLM模型无法识别非线性关系将会大幅降低模型的预测性能。现有解决的方式中，可以通过分箱将变量进行分段汇总，但是会损失很多变量的精准性，降低预测结果。本说明书实施例提供的区别于现有常规实施方案的另一种保险业务中风险预测的实现方法，引入了GBDT(Gradient Boosting Decision Tree，梯度提升决策树)，可以在风险预测中合理有效 地应用非线性变量构建风险预测模型，该模型能很好地兼容线性和非线性变量，相对于传统的线性模型，预测结果的准确性有着显著的提升。
GBDT(Gradient Boosting Decision Tree)是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。GBDT中的树都是回归树，可以用来做回归预测。本说明书提供的保险业务风险预测的处理方法中，可以预先使用已打标的风险关联数据构建决策树模型，通过回归的机器学习(分布迭代)对决策树中的参数逐步调整优化。当模型预测结果符合保险业务风险预测的精度要求时，可以线上使用来预测待预测用户的风险数值或赔付率等。
下面以一个具体的车险业务风险预测处理的应用场景为例对本说明书实施方案进行说明。具体的，图1是本说明书提供的所述保险业务风险预测的处理方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
当然，下述车险业务风险预测的实施例的描述并不对基于本说明书的其他可扩展到的技术方案构成限制。例如其他的实施场景中，本说明书提供的实施方案同样可以应用到基金风险预测、医疗保险风险预测等的实施场景中，其他实施场景中的应用参照本说明书车险业务的实施例描述，不再进行替代性的重复描述。具体的一种实施例如图1所示，本说明书提供的一种保险业务风险预测处理方法可以包括：
S0：获取待预测用户的目标风险关联数据；
S2：利用构建的风险识别算法对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险识别算法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的风险预测模型。
本说明书的一个或多个实施例中，可以预先构建基于GBDT的风险预测模型。具体的GBDT模型的训练和构建可以根据实际业务场景需求和数据进行相应的模型结构和参数设置，如可以以单棵树进行单独训练，训练的残差作为另一个树的输入继续进行 训练；或者多棵树多级连接进行训练，训练残差再作为另一个多级连接的数的输入。当然，其他的实施例中还可以应用基于GBDT算法进行一些变形、变换或改进的处理算法实现的非线性关系的保险业务数据的风险预测处理，本说明书不再对GBDT模型构建的实现过程逐一赘述。
本实施例中可以预先根据历史车险业务保单数据采集确定风险预测模型的训练数据，根据风险划分或者设置要求对训练数据进行打标。在本实施例保险业务风险预测的实施场景中，所述的训练数据可以称为风险关联数据，这些风险关联数据通常与保险业务相关联，用于对风险预测模型的样本训练。例如风险关联可以为包括多个维度的用户特征数据，一个用户相关联的用户特征数据为一组训练数据，每组风险关联数据可以打标设置相应的风险分值。具体的，本说明书所述方法的一个实施例中，所述风险关联数据可以包括与至少一个类别的用户特征数据，所述用户特征数据包括与保险业务相关联的非线性关系的数据信息。例如一个示例中，用户A的风险关联数据可以包括(A1，A2，A3…，A9)9个维度的用户特征数据。可以根据车险预测的需求相应的选取不同维度的用户特征数据，例如上述示例的9个维度可以包括年龄，性别，职业，年收入，历史出险次数，月均消费，征信等级，婚姻状况，负债资产。或者可以预先采集获取10个或10个维度以上的用户特征数据，在确定风险关联数据时从多个维度的用户特征数据中选取需要进行模型训练的用户特征数据。例如，具体的风险关联数据可以包括如下表1所示：
表1 模型训练的风险关联数据示意表
Figure PCTCN2019076524-appb-000001
当然，其他的实施例中，所述的风险关联数据还可以包括按照预定规则生成的人工数据，例如作业人员可以根据预期的风险可能包括的情况自定义设置进行模型训练的风险关联数据。或者，在设置的数据生成规则后由计算机自动生成所需的风险关联数据。这里的生成的人工数据更加符合预期的风险预测情况，而历史车险案件数据则更接近真 实的风险情况，一些实施应用场景中，可以使用其中的一种或者，同时结合人工数据和历史车险案件数据进行风险预测模型的训练，以提高预测结果的准确性。
获取的风险关联数据可以作为训练数据在GBDT模型中进行训练，经过学习训练后风险预测模型中决策树分枝时的决策特征的阈值(可以是全部的阈值，或者部分的阈值)能满足模型最终输出结果的精度要求(通常还可以要求连续稳定的输出符合精度要求)。本说明书实施例中使用的GBDT是一种迭代的决策树算法，主要可以分为决策树(Regression Decision Tree，DT)和梯度提升(Gradient boosting，GB)。决策树主要分为两类：分类树和回归树，分类树常用来解决分类问题，比如用户性别、网页是否是垃圾页面、用户是不是作弊等。而回归树一般用来预测真实数值，比如用户的年龄、用户点击的概率、网页相关程度等等。前者用于分类标签纸，后者用于预测实数值。这里要强调的是，回归树的结果加减是有意义的，如10岁+5岁-3岁＝12岁，后者则是没有办法累加或累加结果无意义，如男+男+女＝到底是男是女。本说明书实施例可以利用回归树来预测车险的车险分值，如累加所有树的结果作为最终风险预测的结果，
回归树大致流程与分类树类似，区别在于，回归树的每一个节点都会得到一个预测值，以年龄为例，该预测值等于属于这个节点的所有人年龄的平均值。分枝时穷举每一个特征寻找最优切分变量和最优切分点，本实施例中衡量的准则不再是分类树中的基尼系数，而是平方误差最小化。也就是被预测错误的人数越多，平方误差就越大，通过最小化平方误差找到最可靠的分枝依据。分枝直到每个叶子节点上人的对游戏感兴趣都是唯一的或者达到预设的终止条件(如叶子个数上限)，若最终叶子节点上年龄不是唯一的，则以该节点上所有人的平均年龄作为该叶子节点的预测结果。
梯度提升(Gradient boosting)是一种用于回归、分类和排序任务的机器学习技术，属于Boosting算法族的一部分。Boosting是一族可将弱学习器提升为强学习器的算法，属于集成学习(ensemble learning)的范畴。Boosting方法基于这样一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比其中任何一个专家单独的判断要好。通俗地说，就是“三个臭皮匠顶个诸葛亮”的道理。梯度提升同其他boosting方法一样，通过集成(ensemble)多个弱学习器，通常是决策树，来构建最终的预测模型。boosting方法通过分步迭代(stage-wise)的方式来构建模型，在迭代的每一步构建的弱学习器都是为了弥补已有模型的不足。
例如具体的一个处理过程中，训练的时候可以设定树的棵树，树的棵树达到指定数值后(如八十棵)可以停止训练了；或者残差很小(满足停止训练的条件)的时候，这 两个条件满足一个训练就可以停止训练。
若在第N棵残差不全为0或不满足停止条件时，使用第N棵树的节点的残差结果替代相应的原值代入到第N+1棵树中进行学习；
直至第N+K颗数叶子节点的残差和预测值相等或小于阈值，输出当前叶子节点对应的风险预测结果(风险值或赔付率)。具体的可以将所有残差累加作为最终风险预测值。
图2是本说明书提供的一种构建风险预测模型的处理过程示意图。如图2所示，本说明书提供的所述方法的另一个实施例中，采用下述方式训练得到所述风险预测模型：
S20：确定决策树的总数量，以及决策树在每次分枝时所使用的决策特征的阈值，所述决策特征为所述用户特征数据的类别中的一种；
S22：当对一组风险关联数据进行训练时，若训练的决策树的棵树达到预设数值或者决策树的残差满足停止训练条件，则停止该组风险关联数据的训练，所述预设数值小于等于所述总数量；
S24：通过风险关联数据的训练结果调整相应决策树的决策特征的阈值，直至调整后的所述阈值满足风险预测模型的预测结果输出要求时，确定所述风险预测模型。
本实施例中，可以预先确定训练使用的决策树的数量，通过梯度迭代逐渐优化确定一颗决策树进行分枝时的决策特征的阈值。如可以使用80棵决策树，每棵树每一棵树学的是之前所有树结论和的残差。初始的数的阈值可以根据经验值进行设置。假如A的真实分值(打标分值为80分)，但第一棵树的根据年龄的决策特征预测分值是60分，差了20分，残差为20。那么在第二棵树(决策特征为用户的职业)里把A的分值设为20分去学习，如果第二棵树真的能把A分到20分的叶子节点，那累加两棵树的结论就是A的真实分值(预测分值60分+残差20分)；如果第二棵树的结论是18分，则A仍然存在2分残差，第三棵树(决策特征为年收入)里A的年龄就变成2分，继续学习。每一步的残差计算相当于变相地增大了分错事件的权重，而已经分对的时间则都趋向于0，如，根据年龄过大或过小，则风险越大，以及，收入越高风险越小；如果一个用户年龄过大为60岁，但被分入了风险较小的分支L1，但风险较小的分组L1上的平均年龄在20-40岁之间，则得到的残差值就会相应的增大，该用户可以通过后续的收入、婚姻状况、驾龄等逐渐将其分向靠近实际风险的叶子节点。
若训练的决策树的数量达到预定数值后，如从根节点一直到叶子节点的10棵树均 训练一遍，或者当前数的参数满足停止训练条件，如残差为0或者其他残差停止阈值，此时可以停止该组数据的训练。当每个阈值找最好的分割点，或者符合训练要求的分割点，则可以确定决策树的决策特征的阈值，直至调整后的所述阈值满足风险预测模型的预测结果输出要求时，确定所述风险预测模型。例如初始设置风险分值分为60和80的阈值为年龄是否大于20岁。经过大量数据训练优化后，最终可以将从年龄维度进行风险评估这个决策特征调整年龄是否大于24岁，以符合多数情况下的真实预测结果。
下面以一个简单的年龄预测示例来说明本说明书实施例中如何利用GBDT实现决策树的训练。下述的示例在本说明书保险业务风险预测中，将年龄替换为车险风险分值或赔付率，将月购物消费和是否经常提问相应的替换为用户特征数据的类别即可，其中的阈值相应的进行设置。具体的实施过程可以包括：
假设训练集(风险关联数据)只有4个人，A，B，C，D，他们的年龄分别是14，16，24，26。其中A、B分别是高一和高三学生；C，D分别是应届毕业生和工作两年的员工。如果是用一棵传统的回归决策树来训练。选取使用GBDT来做年龄预测，由于数据太少，我们限定叶子节点做多有两个，即每棵树都只有一个分枝，并且限定只学两棵树，可以得到图3a及图3b所示的结果。在第一棵树分枝中，由于A，B年龄较为相近，C，D年龄较为相近，他们被分为两拨，每拨用平均年龄作为预测值。此时计算残差(残差的意思就是：A的预测值+A的残差＝A的实际值)，所以A的残差就是16-15＝1(注意，A的预测值是指前面所有树累加的和，这里前面只有一棵树所以直接是15，如果还有树则需要都累加起来作为A的预测值)。进而可以分别得到A，B，C，D的残差分别为-1，1，-1，1。然后拿残差替代A，B，C，D的原值，到第二棵树去学习，如果我们的预测值和它们的残差相等，则只需把第二棵树的结论累加到第一棵树上就能得到真实年龄了。第二棵树只有两个值1和-1，直接分成两个节点。此时所有人的残差都是0，即每个人都得到了真实的预测值。
经过两棵树的处理现在A，B，C，D的预测值都和真实年龄一致了：
A：14岁高一学生，购物较少，经常问学长问题；预测年龄A＝15–1＝14；
B：16岁高三学生；购物较少，经常被学弟问问题；预测年龄B＝15+1＝16；
C：24岁应届毕业生；购物较多，经常问师兄问题；预测年龄C＝25–1＝24；
D：26岁工作两年员工；购物较多，经常被师弟问问题；预测年龄D＝25+1＝26。
另一种实施例中，确定风险预测模型使用的决策树的数量时，可以基于所述用户 特征数据对应的类别的数量确定。例如选取了80个维度的用户特征数据，每一个维度可以代表一棵树的决策特征，这样可以使用80个决策树来构建非线性的风险预测模型。一般情况，可以设置一个维度对应多棵树，具体的可以根据预测模型处理的数据量和应用场景的处理要求进行相应的设置。当然，本说明书其他的实施例中，具体决策树的总数量可以根据采集是数据、树的分支数、树的上下级连接关系等进行确定。
如前所述，本说明书提供的实施例不仅可以用于车险业务风险预测的实施场景中，还可以应用到基金风险预测、医疗保险风险预测等的实施场景中。具体的在车险业务风险预测的应用场景中，所述风险预测模型包括基于与车险业务相关联的风险关联数据进行训练得到的车险风险预测模型；
S26：所述风险预测结果包括待预测用户的赔付率、车险风险分值中的任意一种。
当然，上述所述的赔付率、车险风险分值仅仅是一种或多种实施例对非线性关系风险预测模型的一种输出表征方式。本说明书不限制其他的实施例中还可以有其他的表征方式或者所述赔付率、车险风险分值经过变形、变换的表征方式，如赔付率经过线性变换后可以得到车险分，车险分越大，风险越小(车险风险分值相反，风险分值越大，风险越高)。
需要说明的是，通常所述的线性关系是指两个变量之间存在一次方函数，本说明书实施例中所述的保险或车险中变量的线性关系可以包括y＝ax+b形式，x为自变量，y为因变量。本说明书实施例在具体的保险或车险业务应用场景中，所述的线性关系广义的理解可以是指两个变量之间的关系是明确的、固定的，一些情况下可以用直线表述或者通过一定的数学变化后转化为线性关系(转化的信息损失在一定范围内)。所述的非线性关系主要是指变量之间的关系是不断变化的，无法用公式描述，一些情况下只能用曲线、曲面或不规则的线来表示，如风险分值与职业、风险分值与性别。
本说明书一个或多个实施例中，所述的构建风险预测模型的处理，可以采用离线预先构建的方式生成，可以预先选取包含非线性关系的训练数据进行GBDT决策树的学习训练，训练完成后再在线上使用。本说明书不排除所述风险预测模型可以采用在线构建或更新/维护的方式，例如在计算机能力足够的情况下，可以在线构建出风险预测模型，构建出风险预测模型可以同步在线使用，对待预测用的目标风险关联数据进行处理。
本说明书实施例提供的一种保险业务风险预测的处理方法，可以预先使用梯度提升决策树来构建风险预测模型，该风险预测模型可以使用已打标的与保险业务相关联的 风险关联数据进行训练。当风险预测模型训练达到预测要求时可以作为线上风险预测使用，对待预测用户进行保险业务风险预测，输出预测结果。利用本说明书实施例提供的方法可以合理有效地应用保险业务中多维度的非线性变量，基于梯度提升决策树的非线性关系的风险预测模型可以很好地兼容线性和非线性变量，相对于传统的线性模型，预测结果的准确性有着显著的提升，有效弥补传统线性模型的不足，提高保险业务服务体验。
上述所述的方法可以用于客户端一侧的风险识别，如移动终端的支付应用中提供的保险业务的风险评估。所述的客户端可以为PC(personal computer)机、服务器、工控机(工业控制计算机)、移动智能电话、平板电子设备、便携式计算机(例如笔记本电脑等)、个人数字助理(PDA)、或桌面型计算机或智能穿戴设备等。移动通信终端、手持设备、车载设备、可穿戴设备、电视设备、计算设备。也可以应用在保险公司或第三方保险服务机构的系统服务器中，所述的系统服务器可以包括单独的服务器、服务器集群、分布式系统服务器或者处理设备请求数据的服务器与其他相关联数据处理的系统服务器组合。例如，一种实现中可以包括建立在阿里云开放数据处理服务(Open Data Processing Service，简称ODPS)平台上。可以为来自不同用户需求的各种数据处理任务提供统一的编程接口和界面。基于ODPS进行系统性能的保障，实施本说明书实施例方法的系统可以并行处理海量数据并达到最佳的运算性能。
如前所述，本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图4是本说明书提供的一种应用保险业务风险预测处理方法的服务器的硬件结构框图。如图4所示，服务器10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图4中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存，或者具有与图4所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的搜索方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述导航交互界面内容展示的处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁 性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。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。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
基于上述所述的设备型号识别方法，本说明书还提供一种保险业务风险预测处理装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的设备装置。基于同一创新构思，本说明书提供的一种实施例中的处理装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的处理装置的实施可以参见前述方法的实施，重复之处不再赘述。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，如图5所示，图5是本说明书提供的一种保险业务风险预测处理装置实施例的模块结构示意图，可以包括：
预测数据获取模块201，可以用于获取待预测用户的目标风险关联数据；
风险预测模块202，可以用于利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。
需要说明的是，本说明书实施例上述所述的装置和，根据相关方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。
本说明书实施例提供的服务器或客户端可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端或服务器端实现，或其他例如Linux、系统相对应的应用设计语言集合必要的硬件实现，或者基于量子计算机的处理逻辑实现等。上述的处理设备可以具体的为保险服务器或第三方服务机构提供风险预 测的服务器，所述的服务器可以为单独的服务器、服务器集群、分布式系统服务器或者处理设备请求数据的服务器与其他相关联数据处理的系统服务器组合。本说明书还提供一种保险业务风险预测处理设备，具体的可以包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
获取待预测用户的目标风险关联数据；
利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。
基于前述方式实施例所述，本说明书提供的所述处理设备的另一个实施例中，所述风险关联数据包括至少一个类别的用户特征数据，所述用户特征数据包括与保险业务相关联的非线性关系的数据信息。
基于前述方式实施例所述，本说明书提供的所述处理设备的另一个实施例中，所述处理器采用下述方式训练得到所述风险预测模型：
确定决策树的总数量，以及决策树在每次分枝时所使用的决策特征的阈值，所述决策特征为所述用户特征数据的类别中的一种；
当对一组风险关联数据进行训练时，若训练的决策树的棵树达到预设数值或者决策树的残差满足停止训练条件，则停止该组风险关联数据的训练，所述预设数值小于等于所述总数量；
通过风险关联数据的训练结果调整相应决策树的决策特征的阈值，直至调整后的所述阈值满足风险预测模型的预测结果输出要求时，确定所述风险预测模型。
基于前述方式实施例所述，本说明书提供的所述处理设备的另一个实施例中，所述决策树的总数量基于所述用户特征数据对应的类别的数量确定。
基于前述方式实施例所述，本说明书提供的所述处理设备的另一个实施例中，所述风险预测模型包括基于与车险业务相关联的风险关联数据进行训练得到的车险风险预测模型；
所述风险预测结果包括待预测用户的赔付率、车险风险分值中的任意一种。
上述的指令可以存储在多种计算机可读存储介质中。所述计算机可读存储介质可以包括用于存储信息的物理装置，可以将信息数字化后再以利用电、磁或者光学等方式 的媒体加以存储。本实施例所述的计算机可读存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。上述所述的装置或服务器或客户端或处理设备中的所涉及的指令同上描述。
需要说明的是，本说明书实施例上述所述的装置和处理设备，根据相关方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照方法实施例的描述，在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。
本说明书实施例提供的一种保险业务风险预测的处理方法、装置及处理设备，可以预先使用梯度提升决策树来构建风险预测模型，该风险预测模型可以使用已打标的与保险业务相关联的风险关联数据进行训练。当风险预测模型训练达到预测要求时可以作为线上风险预测使用，对待预测用户进行保险业务风险预测，输出预测结果。利用本说明书实施例提供的方法可以合理有效地应用保险业务中多维度的非线性变量，基于梯度提升决策树的非线性关系的风险预测模型可以很好地兼容线性和非线性变量，相对于传统的线性模型，预测结果的准确性有着显著的提升，有效弥补传统线性模型的不足，提高保险业务服务体验。
虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或系统服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
尽管本说明书实施例内容中提到线性关系/非线性关系的定义、GBDT中决策树的结构、GBDT模型算法的处理过程等之类的数据获取、存储、交互、计算、判断等操作和数据描述，但是，本说明书实施例并不局限于必须是符合行业通信标准、标准GBDT模型算法处理、通信协议和标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书的可选实施方案范围之内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器： ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的处理设备、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完 全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储 器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例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说明书实施例，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。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (11)

  1. 一种保险业务风险预测的处理方法，所述方法包括：
    获取待预测用户的目标风险关联数据；
    利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。
  2. 如权利要求1所述的方法，所述风险关联数据包括至少一个类别的用户特征数据，所述用户特征数据包括与保险业务相关联的非线性关系的数据信息。
  3. 如权利要求2所述的方法，采用下述方式训练得到所述风险预测模型：
    确定决策树的总数量，以及决策树在每次分枝时所使用的决策特征的阈值，所述决策特征为所述用户特征数据的类别中的一种；
    当对一组风险关联数据进行训练时，若训练的决策树的棵树达到预设数值或者决策树的残差满足停止训练条件，则停止该组风险关联数据的训练，输出风险关联数据对应的风险预测数值，所述预设数值小于等于所述总数量；
    通过风险关联数据的训练结果调整相应决策树的决策特征的阈值，直至调整后的所述阈值满足风险预测模型的预测结果输出要求时，确定所述风险预测模型。
  4. 如权利要求3所述的方法，所述决策树的总数量基于所述用户特征数据对应的类别的数量确定。
  5. 如权利要求1至4中任意一项所述的方法，所述风险预测模型为基于与车险业务相关联的风险关联数据进行训练得到的车险风险预测模型；
    所述风险预测结果包括待预测用户的赔付率、车险风险分值中的任意一种。
  6. 一种保险业务风险预测处理装置，包括：
    预测数据获取模块，用于获取待预测用户的目标风险关联数据；
    风险预测模块，用于利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决策树进行训练确定的预测模型。
  7. 一种保险业务风险预测处理设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现：
    获取待预测用户的目标风险关联数据；
    利用构建的风险预测模型对所述目标风险关联数据进行处理，输出所述待预测用户的风险预测结果，所述风险预测模型法包括：利用已打标的风险关联数据对梯度提升决 策树进行训练确定的预测模型。
  8. 如权利要求7所述的处理设备，所述风险关联数据包括至少一个类别的用户特征数据，所述用户特征数据包括与保险业务相关联的非线性关系的数据信息。
  9. 如权利要求8所述的处理设备，所述处理器采用下述方式训练得到所述风险预测模型：
    确定决策树的总数量，以及决策树在每次分枝时所使用的决策特征的阈值，所述决策特征为所述用户特征数据的类别中的一种；
    当对一组风险关联数据进行训练时，若训练的决策树的棵树达到预设数值或者决策树的残差满足停止训练条件，则停止该组风险关联数据的训练，所述预设数值小于等于所述总数量；
    通过风险关联数据的训练结果调整相应决策树的决策特征的阈值，直至调整后的所述阈值满足风险预测模型的预测结果输出要求时，确定所述风险预测模型。
  10. 如权利要求9所述的处理设备，所述决策树的总数量基于所述用户特征数据对应的类别的数量确定。
  11. 如权利要求7-10中任意一项所述的处理设备，所述风险预测模型包括基于与车险业务相关联的风险关联数据进行训练得到的车险风险预测模型；
    所述风险预测结果包括待预测用户的赔付率、车险风险分值中的任意一种。
PCT/CN2019/076524 2018-05-16 2019-02-28 一种保险业务风险预测的处理方法、装置及处理设备 Ceased WO2019218751A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810469782.1A CN108665175A (zh) 2018-05-16 2018-05-16 一种保险业务风险预测的处理方法、装置及处理设备
CN201810469782.1 2018-05-16

Publications (1)

Publication Number Publication Date
WO2019218751A1 true WO2019218751A1 (zh) 2019-11-21

Family

ID=63779877

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/076524 Ceased WO2019218751A1 (zh) 2018-05-16 2019-02-28 一种保险业务风险预测的处理方法、装置及处理设备

Country Status (3)

Country Link
CN (1) CN108665175A (zh)
TW (1) TW201947470A (zh)
WO (1) WO2019218751A1 (zh)

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242793A (zh) * 2020-01-16 2020-06-05 上海金仕达卫宁软件科技有限公司 医保数据异常的检测方法和装置
CN111652717A (zh) * 2020-07-07 2020-09-11 中国银行股份有限公司 畜牧业信贷风险评估方法及装置
CN111813823A (zh) * 2020-05-25 2020-10-23 泰康保险集团股份有限公司 保险服务策略调整系统、车载记录设备和服务器
CN112330476A (zh) * 2020-11-27 2021-02-05 中国人寿保险股份有限公司 一种团单保险业务预测方法及装置
CN112487475A (zh) * 2020-11-30 2021-03-12 北京京航计算通讯研究所 一种涉密载体风险分析方法及系统
CN112581259A (zh) * 2020-12-16 2021-03-30 同盾控股有限公司 账户风险识别方法及装置、存储介质、电子设备
CN112800071A (zh) * 2020-08-24 2021-05-14 支付宝(杭州)信息技术有限公司 基于区块链的业务处理方法、装置、设备及存储介质
CN112818389A (zh) * 2021-01-26 2021-05-18 支付宝(杭州)信息技术有限公司 一种基于隐私保护的数据处理方法、装置及设备
CN112884215A (zh) * 2021-02-02 2021-06-01 国网甘肃省电力公司信息通信公司 一种基于梯度增强树人口预测模型的参数优化方法
CN113570119A (zh) * 2021-07-07 2021-10-29 北京淇瑀信息科技有限公司 基于Xgboost的多任务处理方法、装置及电子设备
CN113592606A (zh) * 2021-08-10 2021-11-02 平安银行股份有限公司 基于多重决策的产品推荐方法、装置、设备及存储介质
CN113673844A (zh) * 2021-08-04 2021-11-19 支付宝(杭州)信息技术有限公司 一种信息反馈方法、装置及设备
CN113762621A (zh) * 2021-09-09 2021-12-07 南京领行科技股份有限公司 网约车司机离职预测方法及系统
CN113822435A (zh) * 2020-06-19 2021-12-21 腾讯科技（深圳）有限公司 一种用户转化率的预测方法及相关设备
CN113836581A (zh) * 2021-09-29 2021-12-24 支付宝(杭州)信息技术有限公司 一种信息的处理方法、装置及设备
CN113946965A (zh) * 2021-10-21 2022-01-18 上海浦东发展银行股份有限公司 资产数据的筛选方法、装置、设备及存储介质
CN114119219A (zh) * 2021-11-02 2022-03-01 浙江网商银行股份有限公司 一种风险监控覆盖的检测方法及装置
CN114154696A (zh) * 2021-11-19 2022-03-08 中国建设银行股份有限公司 资金流预测方法、系统、计算机设备及存储介质
CN114860905A (zh) * 2022-04-24 2022-08-05 支付宝(杭州)信息技术有限公司 意图识别方法、装置及设备
CN114925770A (zh) * 2022-05-26 2022-08-19 中国工商银行股份有限公司 场景分析方法及装置、存储介质和电子设备
CN115034888A (zh) * 2022-06-16 2022-09-09 支付宝(杭州)信息技术有限公司 信用服务提供方法及装置
CN115146725A (zh) * 2022-06-30 2022-10-04 北京百度网讯科技有限公司 对象分类模式的确定方法、对象分类方法、装置和设备
CN115688130A (zh) * 2022-10-17 2023-02-03 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN115905825A (zh) * 2022-12-26 2023-04-04 支付宝(杭州)信息技术有限公司 一种数据处理方法、装置及设备
CN115953559A (zh) * 2023-01-09 2023-04-11 支付宝(杭州)信息技术有限公司 虚拟对象处理方法及装置
CN116051296A (zh) * 2022-12-28 2023-05-02 中国银行保险信息技术管理有限公司 基于标准化保险数据的客户评价分析方法及系统
CN116049761A (zh) * 2022-12-30 2023-05-02 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN116137575A (zh) * 2023-02-17 2023-05-19 支付宝(杭州)信息技术有限公司 一种基于线上环境的风险控制策略验证方法及装置
CN116151304A (zh) * 2022-08-18 2023-05-23 马上消费金融股份有限公司 风险识别模型的训练方法、风险识别方法及装置
CN113723522B (zh) * 2021-08-31 2023-06-16 平安科技（深圳）有限公司 异常用户的识别方法、装置、电子设备以及存储介质
CN116304707A (zh) * 2022-12-02 2023-06-23 平安银行股份有限公司 模型训练、保费预测方法、电子设备及计算机存储介质
CN116301819A (zh) * 2022-09-09 2023-06-23 支付宝(杭州)信息技术有限公司 一种风控方法、装置、存储介质及电子设备
CN116582475A (zh) * 2023-05-05 2023-08-11 支付宝(杭州)信息技术有限公司 信用服务的测试处理方法及装置
WO2023231785A1 (zh) * 2022-05-31 2023-12-07 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN117273963A (zh) * 2023-11-21 2023-12-22 之江实验室 基于车险场景的风险识别方法和装置
CN117787727A (zh) * 2024-02-26 2024-03-29 百融云创科技股份有限公司 业务风险预测方法、装置、设备及存储介质
CN118467346A (zh) * 2024-04-28 2024-08-09 北京优特捷信息技术有限公司 应用风险评估方法、装置、电子设备及存储介质

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665175A (zh) * 2018-05-16 2018-10-16 阿里巴巴集团控股有限公司 一种保险业务风险预测的处理方法、装置及处理设备
CN109657696B (zh) * 2018-11-05 2023-06-30 创新先进技术有限公司 多任务监督学习模型训练、预测方法和装置
CN109543909B (zh) * 2018-11-27 2023-04-18 平安科技（深圳）有限公司 车辆案件数量的预测方法、装置和计算机设备
CN109657852B (zh) * 2018-12-12 2023-09-12 上海豹云网络信息服务有限公司 一种基于大数据的保险业务处理方法及系统
CN109377399A (zh) * 2018-12-17 2019-02-22 泰康保险集团股份有限公司 用于保险产品风控的风险分析方法、介质及电子设备
CN109816234A (zh) * 2019-01-17 2019-05-28 北京三快在线科技有限公司 服务准入方法、服务准入装置、电子设备及存储介质
CN109919783A (zh) * 2019-01-31 2019-06-21 德联易控科技(北京)有限公司 车险理赔案件的风险识别方法、装置、设备及存储介质
CN109784586B (zh) * 2019-03-07 2023-08-29 上海赢科信息技术有限公司 车险的出险情况的预测方法及系统
CN110163481A (zh) * 2019-04-19 2019-08-23 深圳壹账通智能科技有限公司 电子装置、用户风控审核系统测试方法及存储介质
CN110289098B (zh) * 2019-05-17 2022-11-25 天津科技大学 一种基于临床检验和用药干预数据的风险预测方法
CN110348684B (zh) * 2019-06-06 2023-07-18 创新先进技术有限公司 服务调用风险模型生成方法、预测方法及各自装置
CN110428137B (zh) * 2019-07-04 2023-05-12 创新先进技术有限公司 一种风险防控策略的更新方法及装置
CN110442712B (zh) * 2019-07-05 2023-08-22 创新先进技术有限公司 风险的确定方法、装置、服务器和文本审理系统
CN113449753B (zh) * 2020-03-26 2024-01-02 天翼云科技有限公司 业务风险预测方法、装置和系统
CN111612640A (zh) * 2020-05-27 2020-09-01 上海海事大学 一种数据驱动的车险欺诈识别方法
CN112330432B (zh) * 2020-11-10 2024-03-15 中国平安人寿保险股份有限公司 风险等级识别模型训练方法、识别方法、终端及存储介质
CN112785090A (zh) * 2021-03-03 2021-05-11 中国工商银行股份有限公司 模型训练方法、类型预测方法、装置和计算设备
CN113516559A (zh) * 2021-05-12 2021-10-19 中国工商银行股份有限公司 基金风险确定方法及装置
CN113393331B (zh) * 2021-06-10 2022-08-23 罗嗣扬 基于大数据的数据库和算法的保险精准风控、管理、智慧客服及营销系统
CN113469584B (zh) * 2021-09-02 2021-11-16 云账户技术(天津)有限公司 一种业务服务运营的风险管理方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447383A (zh) * 2016-08-30 2017-02-22 杭州启冠网络技术有限公司 跨时间、多维度异常数据监测的方法和系统
CN106503863A (zh) * 2016-11-10 2017-03-15 北京红马传媒文化发展有限公司 基于决策树模型的年龄特征的预测方法、系统及终端
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN108009914A (zh) * 2017-12-19 2018-05-08 马上消费金融股份有限公司 一种信用风险评估方法、系统、设备及计算机存储介质
CN108665175A (zh) * 2018-05-16 2018-10-16 阿里巴巴集团控股有限公司 一种保险业务风险预测的处理方法、装置及处理设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971343A (zh) * 2016-01-13 2017-07-21 平安科技（深圳）有限公司 保险数据的风险分析方法及系统
CN106126215B (zh) * 2016-06-17 2019-06-21 深圳市麦斯杰网络有限公司 业务规则脚本生成方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447383A (zh) * 2016-08-30 2017-02-22 杭州启冠网络技术有限公司 跨时间、多维度异常数据监测的方法和系统
CN106503863A (zh) * 2016-11-10 2017-03-15 北京红马传媒文化发展有限公司 基于决策树模型的年龄特征的预测方法、系统及终端
CN107292528A (zh) * 2017-06-30 2017-10-24 阿里巴巴集团控股有限公司 车险风险预测方法、装置及服务器
CN108009914A (zh) * 2017-12-19 2018-05-08 马上消费金融股份有限公司 一种信用风险评估方法、系统、设备及计算机存储介质
CN108665175A (zh) * 2018-05-16 2018-10-16 阿里巴巴集团控股有限公司 一种保险业务风险预测的处理方法、装置及处理设备

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242793B (zh) * 2020-01-16 2024-02-06 上海金仕达卫宁软件科技有限公司 医保数据异常的检测方法和装置
CN111242793A (zh) * 2020-01-16 2020-06-05 上海金仕达卫宁软件科技有限公司 医保数据异常的检测方法和装置
CN111813823A (zh) * 2020-05-25 2020-10-23 泰康保险集团股份有限公司 保险服务策略调整系统、车载记录设备和服务器
CN113822435A (zh) * 2020-06-19 2021-12-21 腾讯科技（深圳）有限公司 一种用户转化率的预测方法及相关设备
CN113822435B (zh) * 2020-06-19 2023-11-03 腾讯科技（深圳）有限公司 一种用户转化率的预测方法及相关设备
CN111652717A (zh) * 2020-07-07 2020-09-11 中国银行股份有限公司 畜牧业信贷风险评估方法及装置
CN112800071A (zh) * 2020-08-24 2021-05-14 支付宝(杭州)信息技术有限公司 基于区块链的业务处理方法、装置、设备及存储介质
CN112330476A (zh) * 2020-11-27 2021-02-05 中国人寿保险股份有限公司 一种团单保险业务预测方法及装置
CN112487475A (zh) * 2020-11-30 2021-03-12 北京京航计算通讯研究所 一种涉密载体风险分析方法及系统
CN112581259B (zh) * 2020-12-16 2023-09-19 同盾控股有限公司 账户风险识别方法及装置、存储介质、电子设备
CN112581259A (zh) * 2020-12-16 2021-03-30 同盾控股有限公司 账户风险识别方法及装置、存储介质、电子设备
CN112818389A (zh) * 2021-01-26 2021-05-18 支付宝(杭州)信息技术有限公司 一种基于隐私保护的数据处理方法、装置及设备
CN112818389B (zh) * 2021-01-26 2023-12-22 支付宝(杭州)信息技术有限公司 一种基于隐私保护的数据处理方法、装置及设备
CN112884215A (zh) * 2021-02-02 2021-06-01 国网甘肃省电力公司信息通信公司 一种基于梯度增强树人口预测模型的参数优化方法
CN113570119A (zh) * 2021-07-07 2021-10-29 北京淇瑀信息科技有限公司 基于Xgboost的多任务处理方法、装置及电子设备
CN113570119B (zh) * 2021-07-07 2024-06-07 北京淇瑀信息科技有限公司 基于Xgboost的多任务处理方法、装置及电子设备
CN113673844A (zh) * 2021-08-04 2021-11-19 支付宝(杭州)信息技术有限公司 一种信息反馈方法、装置及设备
CN113673844B (zh) * 2021-08-04 2024-02-23 支付宝(杭州)信息技术有限公司 一种信息反馈方法、装置及设备
CN113592606B (zh) * 2021-08-10 2023-08-22 平安银行股份有限公司 基于多重决策的产品推荐方法、装置、设备及存储介质
CN113592606A (zh) * 2021-08-10 2021-11-02 平安银行股份有限公司 基于多重决策的产品推荐方法、装置、设备及存储介质
CN113723522B (zh) * 2021-08-31 2023-06-16 平安科技（深圳）有限公司 异常用户的识别方法、装置、电子设备以及存储介质
CN113762621A (zh) * 2021-09-09 2021-12-07 南京领行科技股份有限公司 网约车司机离职预测方法及系统
CN113836581A (zh) * 2021-09-29 2021-12-24 支付宝(杭州)信息技术有限公司 一种信息的处理方法、装置及设备
CN113946965A (zh) * 2021-10-21 2022-01-18 上海浦东发展银行股份有限公司 资产数据的筛选方法、装置、设备及存储介质
CN114119219A (zh) * 2021-11-02 2022-03-01 浙江网商银行股份有限公司 一种风险监控覆盖的检测方法及装置
CN114154696A (zh) * 2021-11-19 2022-03-08 中国建设银行股份有限公司 资金流预测方法、系统、计算机设备及存储介质
CN114860905A (zh) * 2022-04-24 2022-08-05 支付宝(杭州)信息技术有限公司 意图识别方法、装置及设备
CN114925770A (zh) * 2022-05-26 2022-08-19 中国工商银行股份有限公司 场景分析方法及装置、存储介质和电子设备
WO2023231785A1 (zh) * 2022-05-31 2023-12-07 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN115034888A (zh) * 2022-06-16 2022-09-09 支付宝(杭州)信息技术有限公司 信用服务提供方法及装置
CN115146725B (zh) * 2022-06-30 2023-05-30 北京百度网讯科技有限公司 对象分类模式的确定方法、对象分类方法、装置和设备
CN115146725A (zh) * 2022-06-30 2022-10-04 北京百度网讯科技有限公司 对象分类模式的确定方法、对象分类方法、装置和设备
CN116151304A (zh) * 2022-08-18 2023-05-23 马上消费金融股份有限公司 风险识别模型的训练方法、风险识别方法及装置
CN116301819A (zh) * 2022-09-09 2023-06-23 支付宝(杭州)信息技术有限公司 一种风控方法、装置、存储介质及电子设备
CN115688130B (zh) * 2022-10-17 2023-10-20 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN115688130A (zh) * 2022-10-17 2023-02-03 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN116304707A (zh) * 2022-12-02 2023-06-23 平安银行股份有限公司 模型训练、保费预测方法、电子设备及计算机存储介质
CN115905825A (zh) * 2022-12-26 2023-04-04 支付宝(杭州)信息技术有限公司 一种数据处理方法、装置及设备
CN116051296B (zh) * 2022-12-28 2023-09-29 中国银行保险信息技术管理有限公司 基于标准化保险数据的客户评价分析方法及系统
CN116051296A (zh) * 2022-12-28 2023-05-02 中国银行保险信息技术管理有限公司 基于标准化保险数据的客户评价分析方法及系统
CN116049761A (zh) * 2022-12-30 2023-05-02 支付宝(杭州)信息技术有限公司 数据处理方法、装置及设备
CN115953559B (zh) * 2023-01-09 2024-04-12 支付宝(杭州)信息技术有限公司 虚拟对象处理方法及装置
CN115953559A (zh) * 2023-01-09 2023-04-11 支付宝(杭州)信息技术有限公司 虚拟对象处理方法及装置
CN116137575A (zh) * 2023-02-17 2023-05-19 支付宝(杭州)信息技术有限公司 一种基于线上环境的风险控制策略验证方法及装置
CN116582475A (zh) * 2023-05-05 2023-08-11 支付宝(杭州)信息技术有限公司 信用服务的测试处理方法及装置
CN117273963A (zh) * 2023-11-21 2023-12-22 之江实验室 基于车险场景的风险识别方法和装置
CN117273963B (zh) * 2023-11-21 2024-06-07 之江实验室 基于车险场景的风险识别方法和装置
CN117787727B (zh) * 2024-02-26 2024-05-31 百融云创科技股份有限公司 业务风险预测方法、装置、设备及存储介质
CN117787727A (zh) * 2024-02-26 2024-03-29 百融云创科技股份有限公司 业务风险预测方法、装置、设备及存储介质
CN118467346A (zh) * 2024-04-28 2024-08-09 北京优特捷信息技术有限公司 应用风险评估方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN108665175A (zh) 2018-10-16
TW201947470A (zh) 2019-12-16

Similar Documents

Publication Publication Date Title
WO2019218751A1 (zh) 一种保险业务风险预测的处理方法、装置及处理设备
WO2019218748A1 (zh) 一种保险业务风险预测的处理方法、装置及处理设备
AU2021232839B2 (en) Updating Attribute Data Structures to Indicate Trends in Attribute Data Provided to Automated Modelling Systems
Liu et al. Simulating land-use dynamics under planning policies by integrating artificial immune systems with cellular automata
KR102455325B1 (ko) 대량의 구조화되지 않은 데이터 필드에서 기술적 및 의미론적 신호 처리
WO2019196545A1 (zh) 保险欺诈识别的数据处理方法、装置、设备及服务器
CN114647741A (zh) 工艺自动决策和推理方法、装置、计算机设备及存储介质
CN111581945B (zh) 一种基于舆情分析的数据分析方法、装置和系统
WO2019196552A1 (zh) 保险欺诈识别的数据处理方法、装置、设备及服务器
CN113326852A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN110334881A (zh) 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法，装置及服务器
CN115422944A (zh) 语义识别方法、装置、设备及存储介质
CN113010677A (zh) 基于马尔可夫链模型的论文集体分类方法、系统和介质
CN113590807A (zh) 一种基于大数据挖掘的科技企业信用评价方法
CN113837307A (zh) 数据相似度计算方法、装置、可读介质及电子设备
CN114298679A (zh) 基于大数据的工业ai平台及其应用方法、介质及电子设备
Li et al. Piecewise convolutional neural networks with position attention and similar bag attention for distant supervision relation extraction
US20230186197A1 (en) Effective performance assessment
Wei et al. Methods for probabilistic decision making with linguistic information
Cottrell et al. Neural networks for complex data
Wang et al. Traffic flow prediction using machine learning methods
CN111259975A (zh) 分类器的生成方法及装置、文本的分类方法及装置
Zhang et al. The Application of Artificial Intelligence Decision‐Making Algorithm in Crisis Analysis and Optimization of the International Court System
Meng et al. Graph neural networks-based preference learning method for object ranking
Sheela et al. A comparative analysis of various classification trees

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19803037

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19803037

Country of ref document: EP

Kind code of ref document: A1