基于迁移学习的产品理赔方法技术

本申请公开一种基于迁移学习的产品理赔方法

【技术实现步骤摘要】
基于迁移学习的产品理赔方法、装置、设备及存储介质


[0001]本申请属于人工智能
和产险金融领域，具体涉及一种基于迁移学习的产品理赔方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]产品理赔是指在保险领域中，当保险产品所约定的风险事件发生后，被保险人向保险公司提出索赔请求并获得相应赔付的过程
。
简单来说，产品理赔是指根据保险合同的约定，当被保险人遭受意外损失或符合保险条款规定的风险事件发生时，可以向保险公司提出申请，以获得经济上的赔偿或其他相关的保险服务
。
[0003]目前在产品理赔过程中，常常使用一些提前训练好的产品理赔预测模型来实现智能理赔，以提高理赔效率，但是产品理赔预测模型的准确度受训练样本数量的影响较大，训练样本数量较少的产品，其产品理赔预测模型的准确度较低
。
例如，汽车类产品的理赔数据的数据量较大，因此车险产品的理赔预测模型给出的理赔预测结果的准确度较高，而一些非汽车类产品，如林业
、
畜牧养殖业等产品的理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于迁移学习的产品理赔方法，其特征在于，包括：获取第一产品数据，并基于所述第一产品数据训练第一理赔预测模型；获取所述第一理赔预测模型的隐藏层参数，并基于所述隐藏层参数构建特征提取器；使用所述特征提取器替换预设初始预测模型的隐藏层，得到新的预测模型；获取第二产品数据，并基于所述第二产品数据训练所述新的预测模型，得到第二理赔预测模型，其中，所述第二产品数据的数据量小于所述第一产品数据的数据量，在训练所述新的预测模型时，冻结所述新的预测模型的隐藏层参数；接收理赔指令，获取待理赔产品的产品数据，将所述待理赔产品的产品数据导入到训练好的所述第二理赔预测模型，输出所述待理赔产品的理赔结果
。2.
如权利要求1所述基于迁移学习的产品理赔方法，其特征在于，获取所述第一理赔预测模型的隐藏层参数，并基于所述隐藏层参数构建特征提取器，具体包括：获取所述第一产品数据和所述第二产品数据的关联产品特征；确定所述第一理赔预测模型中与所述关联产品特征关联的隐藏层参数，得到关联参数；基于所述关联参数构建所述特征提取器
。3.
如权利要求2所述基于迁移学习的产品理赔方法，其特征在于，所述新的预测模型包括输入层
、
隐藏层和输出层，获取第二产品数据，并基于所述第二产品数据训练所述新的预测模型，得到第二理赔预测模型，具体包括：冻结新的预测模型隐藏层参数中的关联参数，并确定新的预测模型隐藏层参数中的非关联参数；基于所述第二产品数据训练所述新的预测模型，得到第二产品的理赔预测结果；比对所述第二产品的理赔预测结果和预设的第二产品标准处理结果，获取第二产品理赔预测误差；基于所述第二产品理赔预测误差对输入层参数
、
隐藏层参数中的非关联参数和输出层参数进行调优，直至模型拟合，得到所述第二理赔预测模型
。4.
如权利要求3所述基于迁移学习的产品理赔方法，其特征在于，基于所述第二产品数据训练所述新的预测模型，得到第二产品的理赔预测结果，具体包括：获取第二产品数据，并对所述第二产品数据进行预处理；对预处理后的第二产品数据进行数据划分，得到第二产品数据训练集和第二产品数据验证集；基于所述第二产品数据训练集对所述新的预测模型进行训练，得到所述第二产品的理赔预测结果；基于所述第二产品数据训练集对所述新的预测模型进行训练，得到所述第二产品的理赔预测结果，具体包括：通过所述输入层依次接收所述第二产品数据训练集中的训练数据，并将所述训练数据依次传递给所述新的预测模型的隐藏层；通过所述隐藏层对所述训练数据进行特征提取，得到所述训练数据对应的特征表示；通过所述输出层中的激活函数对所述训练数据对应的特征表示进行特征转化，得到所述第二产品的理赔预测结果
。
5.
如权利要求3所述基于迁移学习的产品理赔方法，其特征在于，基于所述第二产品理赔预测误差对输入层参数
、
隐藏层参数中的非关联参数和输出层参数进行调优，直至模型拟合，得到所述第二理赔预测模型，具体包括：在所述输出层
、
所述隐藏层和所述输出层中传递所述第二产品理赔预测误差；分别获取输入层误差
、
隐藏层误差和输出层误差，并将所述输入层误差
、
所述隐藏层误差和所述输出层误差分别与预设标准第二产品误差阈值进行比对；当所述新的预测模型中存在任意一个网络层的误差大于预设标准第二产品误差阈值时，持续调整所述新的预测模型中的输入层参数
、
隐藏层参数中的非关联参数和输出层参数，直至所有网络层的误差都小于或等于预设标准第二产品误差阈值为止，得到完成训练的所述第二理赔预测...

【专利技术属性】
技术研发人员：徐振博，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：