一种保险业务风险预测的处理方法、装置及处理设备制造方法及图纸

本说明书实施例公开了一种保险业务风险预测的处理方法、装置及处理设备。利用本说明书实施例，可以通过在保险业务风险预测中引入演算梯度提升决策树，不仅兼容保险业务中非线性关系的保险业务数据的风险预测处理，还可以输出风险预测后的相对风险大小关系，排序后的风险预测结果表征的是不同用户之间风险的相对大小，可以提供另一种更加可靠的保险业务的风险预测实施方案。

【技术实现步骤摘要】
一种保险业务风险预测的处理方法、装置及处理设备
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
，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。
技术介绍
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(generalizedlinearmodel，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。
技术实现思路
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演算梯度提升决策树，不仅兼容保险业务中非线性关系的保险业务数据的风险预测处理，还可以输出风险预测后的相对风险大小关系，排序后的风险预测结果表征的是不同用户之间风险的相对大小，可以提供另一种更加可靠的保险业务的风险预测实施方案。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；利用构建的风险排序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相对值，所述风险排序模型包括：利用已打标的风险关联数据对演算梯度提升决策树进行训练确定的排序模型。一种保险业务风险预测的处理方法，包括：取待预测用户的目标风险关联数据；利用构建的风险排序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相对值，所述风险相对值表征在指定用户集合中用户之间的相对风险大小关系。一种保险业务风险预测处理装置，包括：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排序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相对值，所述风险排序模型包括：利用已打标的风险关联数据对演算梯度提升决策树进行训练确定的排序模型。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；利用构建的风险排序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相对值，所述风险排序模型包括：利用已打标的风险关联数据对演算梯度提升决策树进行训练确定的排序模型。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；利用构建的风险排序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相对值，所述风险相对值表征在指定用户集合中用户之间的相对风险大小关系。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，可以获取待预测用户的目标风险关联数据，然后利用利用构建的风险排序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在风险相对值，所述风险排序模型包括：利用已打标的风险关联数据对演算梯度提升决策树进行训练确定的排序模型。利用本说明书实施例提供的方法，可以通过在保险业务风险预测中引入演算梯度提升决策树，不仅兼容保险业务中非线性关系的保险业务数据的风险预测处理，还可以输出风险预测后的相对风险大小关系，排序后的风险预测结果表征的是不同用户之间风险的相对大小，可以提供另一种更加可靠的保险业务的风险预测实施方案。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性的前提下，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LambdaMART模型处理过程示意图；图3是本说明书提供的另一种保险业务风险预测处理方法实施例的流程示意图；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
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，若一些线性关系预测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LambdaMART(LambdaMultipleAdditiveRegressionTree，λ演算梯度提升决策树，或λ-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排序模型，该模型能很好地兼容线性和非线性变量，并且可以综合风险关系，直接模型输出同一用户集合中用户相对风险高低关系，使其尽可能接近真实情况，预测结果可靠性有着显著的提升。需要注意本文档来自技高网...

【技术保护点】
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；利用构建的风险排序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相对值，所述风险排序模型包括：利用已打标的风险关联数据对演算梯度提升决策树进行训练确定的排序模型。

【技术特征摘要】
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；利用构建的风险排序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相对值，所述风险排序模型包括：利用已打标的风险关联数据对演算梯度提升决策树进行训练确定的排序模型。2.如权利要求1所述的方法，所述风险排序模型在训练过程中使用的风险关联数据包括：将用户归属标签相同的用户特征数据构造为一个样本训练集合，所述用户特征数据中包括与保险业务相关联的非线性关系的数据信息；相应的，所述进行训练包括：输入第一样本训练集合中第一用户的特征数据，输出所述第一用户在第一用户集合中的风险相对值，所述第一用户集合为在所述第一样本训练集合中所包括的用户。3.如权利要求2所述的方法，所述方法还包括：基于所风险相对值，确定指定用户集合中用户之间的相对风险大小关系；输出所述相对风险大小关系的数据信息。4.如权利要求3中所述的方法，所述风险排序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排序模型；所述风险相对值包括所述待预测用户对应的赔付率的相对风险大小。5.一种保险业务风险预测的处理方法，包括：获取待预测用户的目标风险关联数据；利用构建的风险排序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相对值，所述风险相对值表征在指定用户集合中用户之间相对风险大小的关系。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排序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相对值，所述风险排序模型包括：利用...

【专利技术属性】
技术研发人员：吴龙凤，陈，石秋慧，张泰玮，陈诗奕，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY