理赔任务预估方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供了一种理赔任务预估方法、装置、设备及存储介质，属于数据处理技术领域。该方法包括：对理赔业务的样本理赔数据进行特征提取，得到连续型特征和离散型特征；对离散嵌入矩阵进行查找操作，得到隐向量；将连续型特征输入预设神经网络进行分桶处理，得到分桶概率矩阵；对分桶概率矩阵进行统计计算，得到连续嵌入矩阵；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；将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，本申请实施例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。提高对理赔业务判断的准确性。提高对理赔业务判断的准确性。

【技术实现步骤摘要】
理赔任务预估方法、装置、设备及存储介质


[0001]本申请涉及数据处理
，尤其涉及一种理赔任务预估方法、装置、设备及存储介质。

技术介绍

[0002]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。

技术实现思路

[0003]本申请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，从而生成理赔业务本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种理赔任务预估方法，其特征在于，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；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；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；对所述分桶概率矩阵进行统计计算，得到连续嵌入矩阵；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；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。2.根据权利要求1所述的理赔任务预估方法，其特征在于，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：将所述连续型特征输入所述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；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。3.根据权利要求1所述的理赔任务预估方法，其特征在于，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：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；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；根据所述加权平均矩阵生成所述连续嵌入矩阵。4.根据权利要求1所述的理赔任务预估方法，其特征在于，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：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；根据所述分桶编码网络生成所述概率预测模型。5.根据权利要求4所述的理赔任务预估方法，其特征在于，所述根据所述分桶编码网络生成所述概率预测模型，包括：根据所述隐向量对所述离散嵌入矩阵进行计算；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...

【专利技术属性】
技术研发人员：黄海龙，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：