理赔任务预估方法、装置、设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种理赔任务预估方法、装置、设备及存储介质。


背景技术：

2.随着人们生活质量的提高，保险产品受到越来越多人的青睐，因此保险产品的种类也层出不穷，对保险公司来说，计算保险产品的理赔业务变得尤为重要，其中，理赔业务中存在较多连续型数值特征，当前较为成熟的深度学习方法在处理结构化数据时，往往会将离散型特征进行单词编码，然后再经过特征交叉的操作后进行最终的预测。而深度学习方法在处理连续型特征时，由于数值特征取值是无限多的，故并不能将其单词编码，从而导致数值型特征比离散型的特征表示信息丰富性低，并且如果提前将数值特征进行分桶离散化，则存在相近特征取值离散后表示不一致，不同数值特征取值离散后表示却相同等问题，从而降低对理赔业务判断的准确率，影响与理赔业务有关的点击率预估模型的准确性。


技术实现要素：

3.本技术实施例的主要目的在于提出一种理赔任务预估方法、装置、电子设备及存储介质，能够对理赔业务中连续型数值特征进行分桶操作，从而生成理赔业务的概率预测模型，提高对理赔业务判断的准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种理赔任务预估方法，所述方法包括：对理赔业务的样本理赔数据进行特征提取，得到所述样本理赔数据的连续型特征和离散型特征，其中，所述离散型特征包括离散嵌入矩阵；
5.对所述离散嵌入矩阵进行查找操作，得到与所述离散型特征对应的隐向量；
6.将所述连续型特征输入预设神经网络，对所述连续型特征进行分桶处理，得到分桶概率矩阵；
7.对所述分桶概率矩阵进行统计计算，得到连续嵌入矩阵；
8.根据所述隐向量、所述离散嵌入矩阵以及所述连续嵌入矩阵对所述预设神经网络进行训练，得到概率预测模型；
9.将所述理赔业务的理赔数据输入所述概率预测模型，得到与所述理赔业务对应的预估理赔任务。
10.在一些实施例，所述预设神经网络包括全连接层和激活层；所述将所述连续型特征输入预设神经网络，使得所述预设神经网络对所述连续型特征进行分桶处理，得到分桶概率矩阵，包括：
11.将所述连续型特征输入预设神经网络中的所述全连接层对所述连续型特征进行分类，得到分类矩阵；
12.将所述分类矩阵输入所述激活层进行映射操作，得到所述分桶概率矩阵。
13.在一些实施例，所述对所述分桶概率矩阵进行统计计算，得到连续嵌入矩阵，包
括：
14.对所述分桶概率矩阵进行查找操作，得到加权分桶矩阵，其中，所述加权分桶矩阵包括多个加权向量；
15.对所述加权分桶矩阵中的所述加权向量进行计算，得到加权平均矩阵；
16.根据所述加权平均矩阵生成所述连续嵌入矩阵。
17.在一些实施例，所述根据所述隐向量、所述离散嵌入矩阵以及所述连续嵌入矩阵对所述预设神经网络进行训练，得到概率预测模型，包括：
18.根据所述隐向量、所述离散嵌入矩阵以及所述连续嵌入矩阵对所述预设神经网络进行训练，得到分桶编码网络；
19.根据所述分桶编码网络生成所述概率预测模型。
20.在一些实施例，所述根据所述分桶编码网络生成所述概率预测模型，包括：
21.根据所述隐向量对所述离散嵌入矩阵进行计算；
22.将计算后的所述离散嵌入矩阵以及所述连续嵌入矩阵输入所述分桶编码网络，生成所述概率预测模型。
23.在一些实施例，所述离散嵌入矩阵包括多个离散向量；所述根据所述隐向量对所述离散嵌入矩阵进行计算，包括：
24.根据所述隐向量对所述离散嵌入矩阵中的所有所述离散向量进行维度处理。
25.在一些实施例，所述理赔数据携带连续字段和离散字段；所述将所述理赔业务的理赔数据输入所述概率预测模型，得到与所述理赔业务对应的预估理赔任务，包括：
26.将所述理赔数据输入所述概率预测模型，对所述连续字段和离散字段进行分桶操作，得到分桶结果；
27.根据所述分桶结果进行映射操作，得到与所述理赔业务对应的所述预估理赔任务。
28.为实现上述目的，本技术实施例的第二方面提出了一种理赔任务预估装置，所述装置包括：
29.特征提取模块，用于对理赔业务的样本理赔数据进行特征提取，得到所述理赔业务的连续型特征和离散型特征，其中，所述离散型特征包括离散嵌入矩阵；
30.特征查找模块，用于对所述离散嵌入矩阵进行查找操作，得到与所述离散型特征对应的隐向量；
31.分桶处理模块，用于将所述连续型特征输入预设神经网络，对所述连续型特征进行分桶处理，得到分桶概率矩阵；
32.矩阵计算模块，用于对所述分桶概率矩阵进行统计计算，得到连续嵌入矩阵；
33.模型训练模块，用于根据所述隐向量、所述离散嵌入矩阵以及所述连续嵌入矩阵对所述预设神经网络进行训练，得到概率预测模型；
34.模型预测模块，用于将所述理赔业务的理赔数据输入所述概率预测模型，得到与所述理赔业务对应的预估理赔任务。
35.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现
上述第一方面所述的理赔任务预估方法。
36.为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的理赔任务预估方法。
37.本技术提出的理赔任务预估方法和装置、电子设备及存储介质,首先，通过对理赔业务的样本理赔数据进行特征提取，得到样本理赔数据的连续型特征和离散型特征，并且由于离散型特征包括离散嵌入矩阵，因此通过对离散嵌入矩阵进行查找，从而得到与离散型特征对应的隐向量，便于后续的分桶处理，提高对理赔业务判断的准确性，其次，将连续型特征输入预设神经网络，从而使得预设神经网络对连续型特征进行分桶处理，得到分桶概率矩阵，再对分桶概率矩阵进行统计计算，得到连续嵌入矩阵，最后，根据隐向量、离散嵌入矩阵以及计算得到的连续嵌入矩阵对预设神经网络进行训练，得到概率预测模型，便于后续对理赔业务进行理赔任务预估，将理赔业务的理赔数据输入概率预测模型，得到与理赔业务对应的预估理赔任务，从而实现对理赔业务的精准预测。
附图说明
38.图1是本技术实施例提供的理赔任务预估方法的流程图；
39.图2是图1中的步骤s103的流程图；
40.图3是图1中的步骤s104的流程图；
41.图4是图1中的步骤s105的流程图；
42.图5是图4中的步骤s402的流程图；
43.图6是图5中的步骤s501的流程图；
44.图7是图1中的步骤s106的流程图；
45.图8是本技术实施例提供的理赔任务预估装置的结构示意图；
46.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
48.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
49.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技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
50.首先，对本技术中涉及的若干名词进行解析：
51.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人
的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
52.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
53.信息抽取(information extraction)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
54.离散特征(discrete features)：其数值只能用自然数来表示，只能用计量单位统计，如个数，人数等。
55.连续特征(continuous features)：是按测量或者计量方法得到。连续特征是指在一段长度内可以任意获得的特征，其数值是不间断。比如[0,1]之间的数，可以取n个数。
[0056]
主成分分析法(principal component analysis，pca)：是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分，在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。在很多情形下，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，将重复的变量(关系紧密的变量)删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息，设法将原来变量重新组合成一组新的互相无关的几个综合变量，同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法叫做主成分分析或称主分量分析，也是数学上用来降维的一种方法。
[0057]
狄利克雷分布法(latent dirichlet allocation，lda)：在自然语言处理领域，lda是隐含狄利克雷分布，他是一种处理文档的主题模型。我们本文只讨论线性判别分析，因此后面所有的lda均指线性判别分析，lda是一种监督学习的降维技术，而pca是无监督的降维技术，lda是在降维的基础上考虑了类别的因素，希望得到的投影类内方差最小，类与类之间的方差最大。
[0058]
潜在语义索引法(latent semantic indexing,lsi)：在传统的向量空间模型中，
文档集合中的文档被抽取成为若干个索引项，每个文档由索引项构成一个文档向量空间，而每个项在文档集合中的各个文档中的权值集合则构成了一个项向嚣空间。两者结合在一起构成了文档集合的向量空间。此模型存在两个缺陷：向量模型假设所有的索引项是独立无关的，但实际上可能存在两个索引项(如索引项“电扇”和“电风扇”)是同义的；索引项的数量有时会很多，造成向量空间过大，不利于存储和计算。
[0059]
分桶(bins)：分桶是离散化的常用方法，将连续型特征离线化为一系列0/1的离散特征，当数值特征跨越不同的数量级的时候，模型可能会只对大的特征值敏感，这种情况可以考虑分桶操作，分桶操作可以看作是对数值变量的离散化，之后通过二值化进行one-hot编码，并且分桶的数量和宽度可以根据业务领域的经验来指定。
[0060]
等距分桶(raster barrel)：每个桶的宽度是固定的，即值域范围是固定的，比如是0-99，100-199，200-299等；这种适合样本分布比较均匀的情况，避免出现有的桶的数量很少，而有的桶数量过多的情况。
[0061]
等频分桶(frequency division)：也称为分位数分桶。也就是每个桶有一样多的样本，但可能出现数值相差太大的样本放在同个桶的情况。
[0062]
模型分桶(model barrel)：使用模型找到最佳分桶，比如聚类，将特征分成多个类别，或者树模型，这种非线性模型天生具有对连续型特征切分的能力，利用特征分割点进行离散化。
[0063]
向量加权平均算法(weighted mean of vectors algorithm,info)：是一种基于群体的优化算法，用于计算搜索空间中一组向量的加权平均值。info使用三种算子来更新每一代中向量的位置。
[0064]
加权算术平均法(weighted arithmetic mean method)：利用过去若干个按照发生时间顺序排列起来的同一变量的观测值并以时间顺序数为权数，计算出观测值的加权算术平均数，以这一数字作为预测未来期间该变量预测值的一种趋势预测方法。
[0065]
高斯判别分析模型(gaussian discriminant analysis，gda)：是一个较为直观的模型，基本的假设是我们得到的数据是独立同分布的(iid)，虽然在实际中这种假设很难达到，但有时候拥有了好的假设可以得到较好的结果。在andrew ng大神的cs229 lecture notes中有一个例子：假设我们要对大象和狗分类，回归模型和感知机模型是在两类数据之间找到一个decision boundary，通过这个decision boundary来区分大象和狗。高斯判别分析提供了另外一种思路：首先我们观察大象，对大象建立一个模型来描述他的特点；在观察狗，并建立相应的模型来描述狗。当一个新的狗或者象过来时，我们首先带入象模型和狗模型，最后决定新来的的动物的类别。
[0066]
全连接层(fully connected layers，fc)：在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hw的全局卷积，hw分别为前层卷积结果的高和宽，因此，全连接的核心操作就是矩阵向量乘积y＝wx。
[0067]
激活层(activation function layers)：激活层主要利用激活函数构成，激活函数就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端，激活
函数对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。在神经元中，输入的inputs通过加权求和后，还被作用了一个函数，这个函数就是激活函数。引入激活函数是为了增加神经网络模型的非线性。没有激活函数的每层都相当于矩阵相乘。就算你叠加了若干层之后，无非还是个矩阵相乘罢了。
[0068]
基于此，本技术实施例提供了一种理赔任务预估方法和装置、电子设备及存储介质，旨在能够对理赔业务中连续型数值特征进行分桶操作，从而生成理赔业务的概率预测模型，提高对理赔业务判断的准确性。
[0069]
本技术实施例提供的理赔任务预估方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的理赔任务预估方法。
[0070]
本技术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。
[0071]
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。
[0072]
本技术实施例提供的理赔任务预估方法，涉及人工智能技术领域。本技术实施例提供的理赔任务预估方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现理赔任务预估方法的应用等，但并不局限于以上形式。
[0073]
本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术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技术，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。
[0074]
需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明
确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
[0075]
图1是本技术实施例提供的理赔任务预估方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s106。
[0076]
步骤s101，对理赔业务的样本理赔数据进行特征提取，得到样本理赔数据的连续型特征和离散型特征；
[0077]
需要说明的是，离散型特征包括离散嵌入矩阵。
[0078]
步骤s102，对离散嵌入矩阵进行查找操作，得到与离散型特征对应的隐向量；
[0079]
步骤s103，将连续型特征输入预设神经网络，对连续型特征进行分桶处理，得到分桶概率矩阵；
[0080]
步骤s104，对分桶概率矩阵进行统计计算，得到连续嵌入矩阵；
[0081]
步骤s105，根据隐向量、离散嵌入矩阵以及连续嵌入矩阵对预设神经网络进行训练，得到概率预测模型；
[0082]
步骤s106，将理赔业务的理赔数据输入概率预测模型，得到与理赔业务对应的预估理赔任务。
[0083]
本技术实施例所示意的步骤s101至步骤s106，首先，通过对理赔业务的样本理赔数据进行特征提取，得到样本理赔数据的连续型特征和离散型特征，并且由于离散型特征包括离散嵌入矩阵，因此通过对离散嵌入矩阵进行查找，从而得到与离散型特征对应的隐向量，便于后续的分桶处理，提高对理赔业务判断的准确性，其次，将连续型特征输入预设神经网络，从而使得预设神经网络对连续型特征进行分桶处理，得到分桶概率矩阵，再对分桶概率矩阵进行统计计算，得到连续嵌入矩阵，最后，根据隐向量、离散嵌入矩阵以及计算得到的连续嵌入矩阵对预设神经网络进行训练，得到概率预测模型，便于后续对理赔业务进行理赔任务预估，将理赔业务的理赔数据输入概率预测模型，得到与理赔业务对应的预估理赔任务，从而实现对理赔业务的精准预测。
[0084]
在一些实施例的步骤s101中，通过对理赔业务的样本理赔数据进行特征提取，从而得到样本理赔数据的连续型特征和离散型特征，便于后续对连续型特征以及离散型特征进行计算，从而提高概率预测模型的精准性与稳定性。
[0085]
可以理解的是，对理赔业务的样本理赔数据进行特征提取的方法可以为主成分分析法、狄利克雷分布法或者为潜在语义索引法等，样本理赔数据包括但不限于理赔业务的理赔名称、理赔类型或者理赔金额等，本实施例不做具体限制。
[0086]
在一些实施例的步骤s102中，对离散嵌入矩阵进行查找操作，从而得到与离散型特征对应的隐向量，便于后续对预设神经网络进行训练，避免出现离散型特征混淆等情况。
[0087]
需要说明的是，查找操作为对离散嵌入矩阵中的所有索引向量进行查找，从而确定与离散型特征对应的隐向量，其中，离散嵌入矩阵中的所有向量均设置有标记，便于通过标记进行索引。
[0088]
在一些实施例的步骤s103中，将连续型特征输入预设神经网络，使得预设神经网络对连续型特征进行分桶处理，从而能够得到分桶概率矩阵，便于后续得到概率预测模型。
[0089]
需要说明的是，对连续型特征进行分桶处理可以是将连续型特征按照概率进行分桶，分成多个桶，并且每个桶的取值是0-1之间的概率，从而便于后续对分桶概率矩阵的计
算，避免分桶处理的过程中出现分桶误差等情况。
[0090]
可以理解的是，分桶方法可以为等距分桶、等频分桶或者模型分桶等，本实施例不做具体限制。
[0091]
在一些实施例的步骤s104中，在得到分桶概率矩阵之后，对分桶概率矩阵进行统计计算，从而得到连续嵌入矩阵，便于后续训练预设神经网络。
[0092]
可以理解的是，分桶概率矩阵为连续型特征被分桶到每个桶的概率值矩阵。
[0093]
在一些实施例的步骤s105中，根据将隐向量、离散嵌入矩阵以及连续嵌入矩阵输入预设神经网络，从而对预设神经网络进行训练，得到理赔业务的概率预测模型，便于后续对理赔业务进行理赔任务预估，并且使用隐向量、离散嵌入矩阵以及连续嵌入矩阵等提高概率预测模型的准确性，从而实现对理赔业务的精准预估，避免出现预估偏差。
[0094]
需要说明的是，利用分桶处理后的连续嵌入矩阵训练预设神经网络，可以实现分桶处理与训练过程同时进行，实现离散嵌入矩阵、连续嵌入矩阵以及预设神经网络的同时训练，从而提高概率预测模型的准确率。
[0095]
在一些实施例的步骤s106中，将理赔业务的理赔数据输入概率预测模型，得到与理赔业务对应的预估理赔任务，提高对理赔业务预测的准确性，避免理赔金额出现错误。
[0096]
可以理解的是，理赔业务中的理赔数据包括但不限于理赔名称、理赔类型、理赔时间或者理赔金额等，本实施例不做具体限制。
[0097]
请参阅图2，在一些实施例中，步骤s103可以包括但不限于包括步骤s201至步骤s202：
[0098]
需要说明的是，预设神经网络包括但不限于全连接层和激活层。
[0099]
步骤s201，将连续型特征输入预设神经网络中的全连接层，对连续型特征进行分类，得到分类矩阵；
[0100]
步骤s202，将分类矩阵输入激活层进行映射操作，得到分桶概率矩阵。
[0101]
在一些实施例的步骤s201中，将连续型特征输入预设神经网络，使得预设神经网络中的全连接层对连续型特征进行分类，得到分类矩阵，避免出现两个类似的连续型特征混淆，从而导致预估结果出现误差。
[0102]
可以理解的是，将连续型特征输入预设神经网络中的全连接层进行分类，从而能够将连续型特征中的分布式特征映射到样本标记空间，从而得到分类矩阵。
[0103]
在一些实施例的步骤s202中，步骤s201得到的分类矩阵输入激活层进行映射操作，得到分桶概率矩阵，从而确定连续型特征被分到哪些桶的概率值，提高分桶的精确度。
[0104]
需要说明的是，将分类矩阵输入激活层进行映射，从而将分类矩阵中非线性特性引入到分桶概率矩阵中，并且利用激活函数增加了预设神经网络中的非线性。
[0105]
可以理解的是，激活函数可以为s型生长曲线激活函数(sigmoid)、线性整流激活函数(the rectified linear unit，relu)或者为双曲正切激活函数(hyperbolic tangent function，tanh)等，本实施不做具体限制。
[0106]
请参阅图3，在一些实施例中，步骤s104可以包括但不限于包括步骤s301至步骤s303：
[0107]
步骤s301，对分桶概率矩阵进行查找操作，得到加权分桶矩阵；
[0108]
需要说明的是，加权分桶矩阵包括多个加权向量。
[0109]
步骤s302，对加权分桶矩阵中的加权向量进行计算，得到加权平均矩阵；
[0110]
步骤s303，根据加权平均矩阵生成连续嵌入矩阵。
[0111]
在一些实施例的步骤s301中，对分桶概率矩阵进行查找操作，得到加权分桶矩阵，便于后续生成连续嵌入矩阵。
[0112]
需要说明的是，对分桶概率矩阵进行查找操作，由于分桶概率矩阵中的每个桶是以权重概率形式进行分配，因此得到若干个加权重过的加权向量，便于后续计算。
[0113]
在一些实施例的步骤s302中，对加权分桶矩阵中的加权向量进行计算，得到加权平均矩阵，提高对连续型特征计算的准确性。
[0114]
可以理解的是，对加权分桶矩阵中的加权向量进行求平均操作，从而得到加权平均矩阵。
[0115]
需要说明的是，对分桶概率矩阵进行计算得到加权平均矩阵的过程中，可以使用向量加权平均算法或者加权算术平均法进行计算，本实施例不做具体限制。
[0116]
在一些实施例的步骤s303中，根据计算过后的加权平均矩阵生成连续嵌入矩阵，从而提高概率预测模型中对连续型特征处理的准确性。
[0117]
请参阅图4，在一些实施例中，步骤s105可以包括但不限于包括步骤s401至步骤s402：
[0118]
步骤s401，根据隐向量、离散嵌入矩阵以及连续嵌入矩阵对预设神经网络进行训练，得到分桶编码网络；
[0119]
步骤s402，根据分桶编码网络生成概率预测模型。
[0120]
在一些实施例的步骤s401中，将计算得到的隐向量、离散嵌入矩阵以及连续嵌入矩阵输入预设神经网络进行训练，从而得到分桶编码网络，其中，分桶编码网络中可以同时进行分桶操作以及训练操作，从而保证两个相近特征值的分桶向量一致。
[0121]
请参阅图5，在一些实施例中，步骤s402还可以包括但不限于包括步骤s501至步骤s502：
[0122]
步骤s501，根据隐向量对离散嵌入矩阵进行计算；
[0123]
步骤s502，将计算后的离散嵌入矩阵以及连续嵌入矩阵输入分桶编码网络，生成概率预测模型。
[0124]
在一些实施例的步骤s501中，根据隐向量对离散嵌入矩阵进行计算，从而根据隐向量从离散嵌入矩阵中确定相同的离散向量以及区分不同的离散向量。
[0125]
在一些实施例的步骤s502中，将计算后的离散嵌入矩阵以及连续嵌入矩阵输入分桶编码网络，生成概率预测模型，从而实现对预设神经网络的训练。
[0126]
可以理解的是，经过训练的概率预测模型既能处理离散型特征，也能处理连续型特征，从而提高对理赔业务概率预测的准确性。
[0127]
请参阅图6，在一些实施例，步骤s501包括但不限于包括步骤s601：
[0128]
需要说明的是，离散嵌入矩阵包括多个离散向量。
[0129]
步骤s601，根据隐向量对离散嵌入矩阵中的所有离散向量进行维度处理。
[0130]
在一些实施例的步骤s601中，根据隐向量对所有离散向量进行维度处理，其中，每一维度表示离散型特征被分到桶中的概率值。
[0131]
需要说明的是，对离散向量进行维度处理的方法可以为为主成分分析法、狄利克
雷分布法或者为高斯判别分析模型等，本实施不做具体限制。
[0132]
请参阅图7，在一些实施例中，步骤s106可以包括但不限于包括步骤s701至步骤s702：
[0133]
需要说明的是，理赔数据携带连续字段和离散字段。
[0134]
步骤s701，将理赔数据输入概率预测模型，对连续字段和离散字段进行分桶操作，得到分桶结果；
[0135]
步骤s702，根据分桶结果进行映射操作，得到与理赔业务对应的预估理赔任务。
[0136]
在一些实施例的步骤s701中，将理赔数据输入概率预测模型，使得训练好的概率预测模型对理赔数据进行特征提取，得到理赔数据的连续字段以及离散字段，之后再对连续字段和离散字段进行分桶操作，从而得到连续字段和离散字段的分桶结果，便于后续进行映射操作。
[0137]
在一些实施例的步骤s702中，根据步骤s701得到的分桶结果进行映射操作，从而得到与理赔业务对应的预估理赔任务，提高对理赔业务概率预测的准确性。
[0138]
请参阅图8，本技术实施例还提供一种理赔任务预估装置，可以实现上述理赔任务预估方法，该装置包括：
[0139]
特征提取模块801，用于对理赔业务的样本理赔数据进行特征提取，得到理赔业务的连续型特征和离散型特征，其中，离散型特征包括离散嵌入矩阵；
[0140]
特征查找模块802，用于对离散嵌入矩阵进行查找操作，得到与离散型特征对应的隐向量；
[0141]
分桶处理模块803，用于将连续型特征输入预设神经网络，对连续型特征进行分桶处理，得到分桶概率矩阵；
[0142]
矩阵计算模块804，用于对分桶概率矩阵进行统计计算，得到连续嵌入矩阵；
[0143]
模型训练模块805，用于根据隐向量、离散嵌入矩阵以及连续嵌入矩阵对预设神经网络进行训练，得到概率预测模型；
[0144]
模型预测模块806，用于将理赔业务的理赔数据输入概率预测模型，得到与理赔业务对应的预估理赔任务。
[0145]
该理赔任务预估装置的具体实施方式与上述理赔任务预估方法的具体实施例基本相同，在此不再赘述。
[0146]
本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述理赔任务预估方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0147]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0148]
处理器901，可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specificintegrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0149]
存储器902，可以采用只读存储器(read only memory，rom)、静态存储设备、动态存储设备或者随机存取存储器(random access memory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术
方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的理赔任务预估方法；
[0150]
输入/输出接口903，用于实现信息输入及输出；
[0151]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0152]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0153]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0154]
本技术实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述理赔任务预估方法。
[0155]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0156]
本技术实施例提供的理赔任务预估方法、理赔任务预估装置、电子设备及存储介质，首先，通过对理赔业务的样本理赔数据进行特征提取，得到样本理赔数据的连续型特征和离散型特征，并且由于离散型特征包括离散嵌入矩阵，因此通过对离散嵌入矩阵进行查找，从而得到与离散型特征对应的隐向量，便于后续的分桶处理，提高对理赔业务判断的准确性，其次，将连续型特征输入预设神经网络，从而使得预设神经网络对连续型特征进行分桶处理，得到分桶概率矩阵，再对分桶概率矩阵进行统计计算，得到连续嵌入矩阵，最后，根据隐向量、离散嵌入矩阵以及计算得到的连续嵌入矩阵对预设神经网络进行训练，得到概率预测模型，便于后续对理赔业务进行理赔任务预估，将理赔业务的理赔数据输入概率预测模型，得到与理赔业务对应的预估理赔任务，从而实现对理赔业务的精准预测。
[0157]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0158]
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本技术实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0159]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0160]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0161]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的
数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0162]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0163]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，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。
[0164]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0165]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0166]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0167]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。