【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种基于多标签学习的理赔方法、装置、设备及介质。
技术介绍
1、在传统的保险核保、理赔场景中，针对任一客户的保险理赔申请，主要是通过人工对客户的身份信息、保单信息和理赔信息等申请信息进行审核，来检测客户的保险理赔申请是否符合理赔标准，针对任一保险理赔申请，需要进行审核的信息量较大，且各个申请信息之间的联系错综复杂，通过人工的方式进行保险理赔申请的审核可能会出现审核错误的情况，并且当需要进行保险理赔审核的申请数量较多时，通过人工进行审核的效率较低，往往需要投入更多的人力成本。因此，如何节省保险理赔审核所投入的人力成本，并且提高保险理赔审核的准确性成为亟待解决的问题。
技术实现思路
1、基于此，提供一种基于多标签学习的理赔方法、装置、设备及介质，以解决如何节省保险理赔审核所投入的人力成本，并且提高保险理赔审核的准确性的问题。
2、第一方面，本专利技术实施例提供一种基于多标签学习的理赔方法，所述基于多标签学习的理赔方法包括以下步骤：
3、获取保险理赔案件文本，将所述保险理赔案件文本输入至训练好的目标理赔模型中，得到所述保险理赔案件文本对应的理赔结果，所述理赔结果为正常理赔或存在异常理赔的类型；
4、所述目标理赔模型的训练过程包括：
5、获取保险理赔案件文本样本，所述保险理赔案件文本样本包括对应的属性数据和候选标签，所述候选标签包括正常理赔的标签和异常理赔的类型标签；
6、针对任一保险理赔案件文本样本
7、将所述属性向量矩阵和所述标签向量输入至预设的初始保险理赔模型中进行训练，得到目标理赔模型。
8、第二方面，本专利技术实施例提供一种基于多标签学习的理赔装置，所述基于多标签学习的理赔装置包括：
9、结果输出模块，用于获取保险理赔案件文本，将所述保险理赔案件文本输入至训练好的目标理赔模型中，得到所述保险理赔案件文本对应的理赔结果，所述理赔结果为正常理赔或存在异常理赔的类型；
10、样本获取模块，用于获取保险理赔案件文本样本，所述保险理赔案件文本样本包括对应的属性数据和候选标签，所述候选标签包括正常理赔的标签和异常理赔的类型标签；
11、预处理模块，用于针对任一保险理赔案件文本样本，对所述属性数据和所述候选标签进行预处理，得到对应的属性向量矩阵和标签向量；
12、目标模型获取模块，用于将所述属性向量矩阵和所述标签向量输入至预设的初始保险理赔模型中进行训练，得到目标理赔模型。
13、第三方面，本专利技术实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于多标签学习的理赔方法的步骤。
14、第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于多标签学习的理赔方法的步骤。
15、上述基于多标签学习的理赔方法、装置、设备及介质，通过获取保险理赔案件文本，并输入至训练好的目标理赔模型中，得到对应的理赔结果，目标理赔模型的训练过程包括：获取保险理赔案件文本样本对应的属性数据和候选标签，并对属性数据和候选标签进行预处理，得到属性向量矩阵和标签向量，将属性向量矩阵和标签向量输入至预设的初始保险理赔模型中进行训练，得到目标理赔模型。
16、通过上述步骤，与传统的保险核保、理赔场景相比，本专利技术以已经进行保险理赔审核训练好的目标理赔模型来协助保险业务人员进行保险理赔案件的审核工作，输出保险理赔案件对应的正常理赔结果或多个异常理赔的类型，提高了保险理赔案件的审核效率，节省了保险行业所投入的人力成本，并且该目标理赔模型是由历史保险理赔案件文本对应的属性数据和候选标签作为训练样本进行训练所得到的模型，能够更好的预测保险理赔案件的理赔结果，提高了保险理赔审核的准确性。
本文档来自技高网...【技术保护点】
1.一种基于多标签学习的理赔方法，其特征在于，所述基于多标签学习的理赔方法包括以下步骤：
2.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述目标理赔模型的模型结构，包括：
3.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述针对任一保险理赔案件文本样本，对所述属性数据进行预处理，得到对应的属性向量矩阵，包括：
4.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述针对任一保险理赔案件文本样本，对所述候选标签进行预处理，得到对应的标签向量，包括：
5.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述目标理赔模型的训练过程，还包括：
6.如权利要求2所述的基于多标签学习的理赔方法，其特征在于，所述编码层，所述编码层用于输入所述属性向量矩阵，对所述属性向量矩阵进行处理，输出特征交叉完毕的属性向量矩阵，包括：
7.如权利要求2所述的基于多标签学习的理赔方法，其特征在于，所述案件特征与所述候选标签的融合信息的计算式如下：
8.一种基于多标签学习的理赔装置，其特
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于多标签学习的理赔方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多标签学习的理赔方法的步骤。
...【技术特征摘要】
1.一种基于多标签学习的理赔方法，其特征在于，所述基于多标签学习的理赔方法包括以下步骤：
2.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述目标理赔模型的模型结构，包括：
3.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述针对任一保险理赔案件文本样本，对所述属性数据进行预处理，得到对应的属性向量矩阵，包括：
4.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述针对任一保险理赔案件文本样本，对所述候选标签进行预处理，得到对应的标签向量，包括：
5.如权利要求1所述的基于多标签学习的理赔方法，其特征在于，所述目标理赔模型的训练过程，还包括：
6.如权利要求2所述的基于多标签学习的理赔方法，其特征在于，所述编码层，所述...
【专利技术属性】
技术研发人员：赵知纬，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。