代价平衡决策方法、保险理赔决策方法、装置和设备制造方法及图纸

本说明书实施例公开了一种代价平衡决策方法、保险理赔决策方法、装置和设备，在收到用户发送的针对目标代价平衡产品的代价平衡请求后，基于多个深度学习模型和请求中携带的凭证图片，确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性；并基于所述目标命名实体和所述目标命名实体的属性，构建与所述目标代价平衡产品对应的业务领域相关的事件信息；然后基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息，构建多个决策因子；最后基于目标决策树和所述多个决策因子进行代价平衡决策，其中，所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的，所述目标决策树中的决策子树基于决策因子进行决策。

【技术实现步骤摘要】
代价平衡决策方法、保险理赔决策方法、装置和设备
本文件涉及计算机
，尤其涉及一种代价平衡决策方法、保险理赔决策方法、装置和设备。
技术介绍
随着网络和终端技术的发展，越来越多的业务被搬到互联网上处理，如保险理赔决策。在保险事故发生之后的约定时间内，用户可以通过终端设备拍摄理赔材料的照片，并上传至保险公司的服务端进行报案。保险公司收到报案及理赔材料之后，会依据理赔材料进行决策。随着时间的推移，保险理赔产品的类型以及购买人数都不断攀升，使得保险理赔决策的工作量也越来越大，如何提高决策效率成为新的挑战。目前，业内虽然出现了一些智能保险理赔决策方案，但关注的理赔决策因素不够全面，没有决策的全局视角，应用于无人值守的理赔场景存在较大的缺陷。
技术实现思路
本说明书实施例提供了一种代价平衡决策方法、保险理赔决策方法、装置和设备，以关注更多的决策因素，站在全局视角进行决策，从而在无人值守场景下得到合理的决策结果。为解决上述技术问题，本说明书实施例是这样实现的：第一方面，提出了一种代价平衡决策方法，包括：...

【技术保护点】
1.一种代价平衡决策方法，包括：/n接收用户发送的针对目标代价平衡产品的代价平衡请求，其中，所述代价平衡请求中携带有请求代价平衡的凭证图片；/n基于多个深度学习模型和所述凭证图片，确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性，其中，所述目标命名实体与所述目标代价平衡产品对应的业务领域相关，所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的；/n基于所述目标命名实体和所述目标命名实体的属性，构建与所述业务领域相关的事件信息；/n基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息，构建多个决策因子；/n基于目标决策树和所述多个决策因子进行代价平衡决策，...

【技术特征摘要】
1.一种代价平衡决策方法，包括：
接收用户发送的针对目标代价平衡产品的代价平衡请求，其中，所述代价平衡请求中携带有请求代价平衡的凭证图片；
基于多个深度学习模型和所述凭证图片，确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性，其中，所述目标命名实体与所述目标代价平衡产品对应的业务领域相关，所述深度学习模型是基于与所述业务领域相关的样本凭证图片训练得到的；
基于所述目标命名实体和所述目标命名实体的属性，构建与所述业务领域相关的事件信息；
基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息，构建多个决策因子；
基于目标决策树和所述多个决策因子进行代价平衡决策，其中，所述目标决策树是基于所述目标代价平衡产品的代价平衡决策逻辑构建的，所述目标决策树中的决策子树基于决策因子进行决策。


2.根据权利要求1所述的方法，其中，所述基于多个深度学习模型和所述凭证图片，确定所述凭证图片中包含的目标命名实体和所述目标命名实体的属性，包括：
基于深度学习得到的图片分类模型和所述凭证图片，确定所述凭证图片的类型；
基于深度学习得到的关键词提取模型和所述凭证图片，提取所述凭证图片中包含的关键词信息；
基于深度学习得到的文本提取模型和所述凭证图片，提取所述凭证图片中包含的文本信息；
基于深度学习得到的命名实体识别模型和所述文本信息，识别所述凭证图片中包含的目标命名实体；
基于所述凭证图片的类型和所述凭证图片中包含的关键词信息中的至少一种，确定所述凭证图片中包含的目标命名实体的属性。


3.根据权利要求2所述的方法，
所述命名实体识别模型包括自然语言处理预训练模型。


4.根据权利要求2所述的方法，还包括：
基于深度学习得到的凭证归档模型，对所述代价平衡请求中携带的类型相同的多张凭证图片进行分组，以便于对所述多张凭证图片进行归档。


5.根据权利要求2所述的方法，在所述基于所述凭证图片的类型和所述凭证图片中包含的关键词信息，确定所述目标命名实体的属性前，所述方法还包括：
对从所述凭证图片中提取的关键词信息进行归一化。


6.根据权利要求1所述的方法，所述相关业务数据包括所述用户的报案数据和所述用户购买所述目标代价平衡产品的单据数据；
其中，所述基于针对所述目标代价平衡产品的所述用户的相关业务数据和所述事件信息，构建多个决策因子，包括如下至少之一：
基于所述报案数据构建报案信息决策因子；
基于所述单据数据构建单据决策因子；
基于所述事件信息构建事件决策因子。


7.根据权利要求1所述的方法，
所述目标决策树包含多个决策层，一个决策层包含至少一个决策子树，一个决策子树对应一种代价平衡决策策略，一种代价平衡决策策略依赖决策因子库中的至少一个决策因子，所述多个决策层具有固定的执行顺序，且执行顺序在前的决策层得出的决策结果用作执行顺序在后的决策层的决策因子，所述决策因子库中包含所述多个决策因子和执行顺序在前的决策层得出的决策结果因子。


8.根据权利要求1所述的方法，在所述基于目标决策树和所述多个决策因子进行代价平衡决策前，还包括：
基于预设规则确定目标决策因子的置信权重，其中，所述目标决策因子是所述多个决策因子中依据所述事件信息构建的决策因子；
其中，所述基于目标决策树和所述多个决策因子进行代价平衡决策，包括：
基于目标决策树、所述多个决策因子和所述目标决策因子的置信权重进行代价平衡决策。


9.根据权利要求8所述的方法，其中，所述基于预设规则确定目标决策因子的置信权重，包括：
基于目标决策因子对应的目标命名实体预设属性的值与置信权重的对应关系，确定所述目标决策因子的置信权重。


10.根据权利要求8所述的方法，其中，所述基于目标决策树、所述多个决策因子和所述目标决策因子的置信权重进行代价平衡决策，包括：
如果所述目标决策树中的决策子树决策时依赖的同一种目标决策因子有多个，则使用置信权重最高的一个目标决策因子进行决策。


11.根据权利要求8所述的方法，其中，所述基于目标决策树、所述多个决策因子和所述目标决策因子的置信权重进行代价平衡决策，包括：
基于目标决策树和置信权重高于预设值的所述目标决策因子进行代价平衡决策。


12.根据权利要求1-11任一项所述的方法，在所述基于所述目标命名实体和所述目标命名实体的属性，构建与所述业务领域相关的事件信息前，所述方法还包括：
对从所述凭证图片中识别出的目标命名实体进行归一化。


13.根据权利要求1-11中任一项所述的方法，其中，所述基于目标决策树和所述多个决策因子进行代价平衡决策，包括：
利用规则引擎执行所述目标决策树，以基于所述目标决策树的决策逻辑和所述多个决策因子进行代价平衡决策。


14.一种保险理赔决策方法，包括：
接收用户发送的针对目标医疗保险产品的理赔请求，其中，所述理赔请求中携带有理赔凭证图片；
基于多个深度学习模型和所述理赔凭证图片，确定所述理赔凭证图片中包含的目标命名实体和所述目标命名实体的属性，所述目标命名实体与医疗业务领域相关，所述深度学习模型是基于样本理赔凭证图片训练得到的；
基于所述目标命名实体和所述目标命名实体的属性，构建医疗事件信息；
基于针对所述目标医疗保险产品的所述用户的保险业务数据和所述医疗事件信息，构建多个决策因子；
基于目标决策树和所述多个决策因子进行理赔决策，其中，所述目标决策树是基于与所述目标医疗保险产品的理赔决策逻辑构建的，所述目标决策树中的决策子树基于决策因子进行决策。
<...

【专利技术属性】
技术研发人员：吴参森，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33