CN110728582A - 信息处理的方法、装置、存储介质和处理器 - Google Patents

Abstract

本发明公开了一种信息处理的方法、装置、存储介质和处理器。其中，该方法包括：获取车险案件的案件信息；基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别，其中，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系；在重要级别大于目标阈值的情况下，推送与案件信息相关联的目标信息。本发明解决了现有技术对车险案件的案件信息进行处理的效率低的技术问题。

Description

信息处理的方法、装置、存储介质和处理器

技术领域

本发明涉及信息处理领域，具体而言，涉及一种信息处理的方法、装置、存储介质和处理器。

背景技术

目前，在对车险案件进行处理时，通常依赖于保险公司从业人员手动上报车险案件的信息，通过拆解车辆来确定受损零部件的情况，累加车辆修复所需要的配件、工时、辅料价格，进而确定其是否为大案，并且还需要通过手工填写大案呈报表、登录理赔***、邮件、OA等形式来呈报案件。

上述方法对相关人员的素质要求高，道路交通事故现场损失预判，对从业人员知识储备、经验积累等专业水平要求较高，低阶作业人员是不能胜任的；呈报时效无法保障，一方面是存在隐损案件，需要维修企业拆解损失车辆，处置时长较长，另一方面，作业人员或因未知、疏忽、蓄意等，重大案件不能及时呈报；影响经营数据，重大案件不能及时甄别，进而未决数据不能及时体现，从而影响经营数据真实性、影响前端承保政策制定；影响成本管控，重大案件不能及时甄别，便不能前置介入管控，无法前置固证，容易产生欺诈和渗漏，拉高赔付；劳动密集，案件的识别、呈报表格填写、报送等作业，均需要人力部署，从而导致对车险案件的案件信息进行处理率的效率低的问题。

针对上述现有技术中的对车险案件的案件信息进行处理的效率低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种信息处理的方法、装置、存储介质和处理器，以至少解决现有技术对车险案件的案件信息进行处理的效率低的技术问题。

根据本发明实施例的一个方面，提供了一种信息处理的方法。该方法可以包括：获取车险案件的案件信息；基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别，其中，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系；在重要级别大于目标阈值的情况下，推送与案件信息相关联的目标信息。

可选地，获取车险案件的案件信息包括：获取与车险案件关联的车辆的图像。

可选地，获取车险案件的案件信息包括：获取与车险案件关联的文本信息。

可选地，基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别包括：基于图像识别模型，对车辆的图像进行识别，得到车辆的损失数据，其中，信息识别模型包括图像识别模型，图像识别模型用于建立不同的车辆的图像与损失数据之间的映射关系，案件信息包括车辆的图像；基于文本识别模型，对车险案件关联的文本信息进行识别，得到车险案件的类型，其中，信息识别模型包括文本识别模型，文本识别模型用于建立不同的车险案件关联的文本信息与车险案件的类型之间的映射关系，案件信息包括车险案件关联的文本信息；基于案件识别模型，对车辆的损失数据和车险案件的类型进行分析，得到案件信息的重要级别，其中，信息识别模型包括案件识别模型，案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

可选地，基于图像识别模型，对车辆的图像进行识别，得到车辆的损失数据包括：通过图像识别模型中的卷积神经网络提取车辆的图像的特征；通过图像识别模型中的全连接层对车辆的图像的特征进行分类，得到车辆的损失数据。

可选地，基于文本识别模型，对车险案件关联的文本信息进行识别，得到车险案件的类型包括：从车险案件关联的文本信息中提取出关键词；通过文本识别模型的隐藏层对关键词进行分析，得到车险案件的类型。

可选地，基于案件识别模型，对车辆的损失数据和车险案件的类型进行分析，得到案件信息的重要级别包括：基于案件识别模型，对车辆的损失数据和车险案件的类型通过深度学习算法进行处理，得到案件信息的重要级别。

可选地，在推送与案件信息相关联的目标信息之后，方法还包括：获取与目标信息对应的案件识别模型的样本数据；通过样本数据对案件识别模型进行训练，得到目标案件识别模型，其中，目标案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

可选地，通过样本数据对案件识别模型进行训练，得到目标案件识别模型包括：对样本数据进行预处理，得到案件识别模型的训练集和测试集；通过训练集和测试集对案件识别模型进行训练，得到目标案件识别模型。

根据本发明实施例的另一方面，还提供了另一种信息处理的方法。该方法可以包括：在交互界面上输入并显示车险案件的案件信息；在交互界面上显示案件信息的重要级别，其中，案件信息的重要级别是基于信息识别模型，对案件信息进行分析得到，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系，与案件信息相关联的目标信息在重要级别大于目标阈值的情况下进行推送。

根据本发明实施例的另一方面，还提供了一种信息处理的装置。该装置可以包括：获取单元，用于获取车险案件的案件信息；分析单元，用于基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别，其中，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系；推送单元，用于在重要级别大于目标阈值的情况下，推送与案件信息相关联的目标信息。

根据本发明实施例的另一方面，还提供了另一种信息处理的装置。该装置可以包括：第一显示单元，用于在交互界面上输入并显示车险案件的案件信息；第二显示单元，用于在交互界面上显示案件信息的重要级别，其中，案件信息的重要级别是基于信息识别模型，对案件信息进行分析得到，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系，与案件信息相关联的目标信息在重要级别大于目标阈值的情况下进行推送。

根据本发明实施例的另一方面，还提供了一种存储介质。该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本发明实施例的信息处理的方法。

根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的信息处理的方法。

在本发明实施例中，采用获取车险案件的案件信息；基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别，其中，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系；在重要级别大于目标阈值的情况下，推送与案件信息相关联的目标信息。也就是说，本发明基于预先训练好的信息识别模型来推送车险案件的相关的目标信息，避免了依赖人工手动上报案件信息，确定是否为大案，进而解决了现有技术对车险案件的案件信息进行处理的效率低的技术问题，达到了提高对车险案件的案件信息进行处理的效率的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种信息处理的方法的流程图；

图2是根据本发明实施例的另一种信息处理的方法的流程图；

图3是根据本发明实施例的一种车险重大案件智能呈报的***的示意图；

图4是根据本发明实施例的一种AI图片识别模型的示意图；

图5是根据本发明实施例的一种NLP模型的示意图；

图6是根据本发明实施例的一种智能大案识别模型的示意图；

图7是根据本发明实施例的一种信息处理的装置的示意图；以及

图8是根据本发明实施例的另一种信息处理的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本发明实施例提供了一种信息处理的方法。

图1是根据本发明实施例的一种信息处理的方法的流程图。如图1所示，该方法包括如下步骤：

步骤S102，获取车险案件的案件信息。

在本发明上述步骤S102提供的技术方案中，在发生车险案件时，获取车险案件的案件信息，该案件信息为与车险案件相关的信息，可以为保险公司完成勘察时的信息，比如，为查勘信息、报案信息、保单信息、损失照片等信息。

步骤S104，基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别，其中，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系。

在本发明上述步骤S104提供的技术方案中，在获取车险案件的案件信息之后，可以将案件信息输入至信息识别模型中，通过信息识别模型对案件信息进行分析，得到案件信息的重要级别，该重要级别可以用于指示车险案件是否为重大案件。

该实施例的信息识别模型也即智能大案呈报模型，不同的案件信息可以为信息识别模型的输入，对应的重要级别可以为信息识别模型的输出，不同的案件信息与对应的重要级别之间的映射关系可以通过对信息识别模型进行训练来建立，这在获取车险案件的案件信息之后，可以将案件信息输入至信息识别模型中，可选地，通过模型数据输入接口将案件信息输入至信息识别模型，通过信息识别模型对案件信息进行分析，从而得到案件信息的重要级别，从而实现了对车险案件是否为重大案件的智能识别的目的，而无需人工介入。

步骤S106，在重要级别大于目标阈值的情况下，推送与案件信息相关联的目标信息。

在本发明上述步骤S106提供的技术方案中，在基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别之后，判断案件信息的重要级别是否大于目标阈值，该目标阈值可以为用于确定案件信息是否为重大案件的临界值，该临界值可以配置，也即，用于确定重大案件的标准是可以进行配置的，如果判断出案件信息的重要级别大于临界值，则推送与案件信息相关联的目标信息，该目标信息可以为报文，其内容、样式设计都是可配置的。可选地，该实施例将与案件信息相关联的目标信息通过模型报文反馈接口回传至保险公司，针对重大案件推送报文，可以自动触发大案呈报。

下面对该实施例的上述方法进行进一步介绍。

作为一种可选的实施方式，步骤S102，获取车险案件的案件信息包括：获取与车险案件关联的车辆的图像。

在该实施例中，车险案件中涉及的车辆可以为损失车辆，车险案件的案件信息可以为车辆的图像信息，从而获取车险案件的信息可以是获取与车险案件关联的车辆的图像，该车辆的图像可以为车辆的损失照片。

作为一种可选的实施方式，步骤S102，获取车险案件的案件信息包括：获取与车险案件关联的文本信息。

在该实施例中，车险案件的案件信息还可以是与车险案件关联的文本信息，该文本信息可以用于描述车险案件，可以是保险公司完成查勘时所得到的信息，比如，为查勘信息、报案信息、保单信息等。

作为一种可选的实施方式，步骤S104，基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别包括：基于图像识别模型，对车辆的图像进行识别，得到车辆的损失数据，其中，信息识别模型包括图像识别模型，图像识别模型用于建立不同的车辆的图像与损失数据之间的映射关系，案件信息包括车辆的图像；基于文本识别模型，对车险案件关联的文本信息进行识别，得到车险案件的类型，其中，信息识别模型包括文本识别模型，文本识别模型用于建立不同的车险案件关联的文本信息与车险案件的类型之间的映射关系，案件信息包括车险案件关联的文本信息；基于案件识别模型，对车辆的损失数据和车险案件的类型进行分析，得到案件信息的重要级别，其中，信息识别模型包括案件识别模型，案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

在该实施例中，信息识别模型可以包括图像识别模型，该图像识别模型可以为图片识别模型，可以运用人工智能(Artificial Intelligence，简称为AI)来建立不同的车辆的图像与对应的损失数据之间的映射关系，该实施例可以将车辆的图像作为图像识别模型的输入，基于图像识别模型自动对车辆的图像进行识别，得到车辆的损失数据，并通过图像识别模型的输出层来输出车辆的损失数据，该损失数据可以为车辆的损失部位、损失部位、配件损失数量和损失程度，从而无需人工介入。

该实施例的信息识别模型还可以包括文本识别模型，该文本识别模型可以为神经语言程序学(Neuro-Linguistic Programming，简称为NLP)模型，该模型可以运用NLP技术建立不同的车险案件关联的文本信息与车险案件的类型之间的映射关系，可以将车险案件关联的文本信息作为文本识别模型的输入，基于文本识别模型，对车险案件关联的文本信息进行识别，得到车险案件的类型，并通过文本识别模型的输出层来输出车险案件的类型，该类型可以为水淹车类型、火烧车类型等案件类型。

该实施例的信息识别模型还可以包括案件识别模型，该案件识别模型可以为智能大案识别模型，可以用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系，用于案件损失预判，比如，用于道路交通事故现场损失预判，该实施例的案件识别模型还可以用于识别车险案件是否为重大案件，并针对重大案件实时自动触发大案呈报，从而配合完成智能大案呈报处置。该实施例可以将车辆的损失数据、车险案件的类型作为案件识别模的输入，基于案件识别模型对车辆的损失数据和车险案件的类型进行分析，得到案件信息的重要级别，并通过案件识别模型的输出层来输出案件信息的重要级别。

作为一种可选的实施方式，基于图像识别模型，对车辆的图像进行识别，得到车辆的损失数据包括：通过图像识别模型中的卷积神经网络提取车辆的图像的特征；通过图像识别模型中的全连接层对车辆的图像的特征进行分类，得到车辆的损失数据。

在该实施例中，在实现对车辆的图像进行识别，得到车辆的损失数据时，可以通过图像识别模型中的卷积神经网络(Convolutional Neural Networks,简称为CNN)算法，通过多层卷积操作、池化操作来提取车辆的图像的特征，从而得到高质量的图像的特征，进而将其输入至图像识别模型的全连接层进行分类处理，得到车辆的损失部位、损失程度、配件损失数量等损失数据。

作为一种可选的实施方式，基于文本识别模型，对车险案件关联的文本信息进行识别，得到车险案件的类型包括：从车险案件关联的文本信息中提取出关键词；通过文本识别模型的隐藏层对关键词进行分析，得到车险案件的类型。

在该实施例中，在基于文本识别模型，对车险案件关联的文本信息进行识别，得到车险案件的类型时，可以从保险公司传输的文本信息中提取出关键词，该关键词可以为文本信息的核心关键词，通过文本识别模型的隐藏层对关键词进行分析，比如，依次将文本信息的关键词通过隐马尔科夫模型(Hidden Markov Model，简称为HMM)、条件随机场(Conditional Random Field，简称为CRF)、双向循环神经网络(Bi-LSTM)对关键词分析，得到车险案件的火烧车类型、水淹车类型等案件类型。

作为一种可选的实施方式，基于案件识别模型，对车辆的损失数据和车险案件的类型进行分析，得到案件信息的重要级别包括：基于案件识别模型，对车辆的损失数据和车险案件的类型通过深度学习算法进行处理，得到案件信息的重要级别。

在该实施例中，在对车辆的损失数据和车险案件的类型进行分析，得到案件信息的重要级别时，案件识别模型可以运用深度学习的多种算法来对输入的车辆的损失数据和车险案件的类型进行计算，输出案件损失预判结果，从而得到案件信息的重要级别。

该实施例的信息识别模型可以比对损失预判结果，自动判断车险案件是否大案，并将判断结果通过模型报文反馈接口回传保险公司，针对重大案件可以推送报文，自动触发大案呈报。

作为一种可选的实施方式，在步骤S106，推送与案件信息相关联的目标信息之后，该方法还包括：获取与目标信息对应的案件识别模型的样本数据；通过样本数据对案件识别模型进行训练，得到目标案件识别模型，其中，目标案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

该实施例的案件识别模型具有收数设计，可以将对目标信息进行回写的生产数据确定为案件识别模型的样本数据，可以将该样本数据通过模型报文反馈接口持续输入至案件识别模型中，优化案件识别模型，比如，优化案件识别模型的参数，从而得到目标案件识别模型，同样可以用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

该实施例的上述案件识别模型的初期准确率确保≥70％，随着模型收数持续训练得到目标案件识别模型，准确率会持续走高，从而不断提升模型的精准度。

作为一种可选的实施方式，通过样本数据对案件识别模型进行训练，得到目标案件识别模型包括：对样本数据进行预处理，得到案件识别模型的训练集和测试集；通过训练集和测试集对案件识别模型进行训练，得到目标案件识别模型。

在该实施例中，在通过样本数据对案件识别模型进行优化训练时，可以先对输入的样本数据进行预处理，比如，进行数据集打标、数据集清洗、数据集放大、数据集拆分等处理，从而得到训练集和测试集，然后通过该训练集和测试集对案件识别模型进行训练，可以先进行手动训练，比如，进行特征选择，通过训练集进行模型训练，通过测试集进行模型测试，然后进行模型评估，然后再进行自动训练，比如，进行特征选择，通过训练集进行模型训练，通过测试集进行模型测试，然后进行模型评估，其中，配置的算法可以是算法参数配置文件、第二代人工智能学习***(TensorFlow)、深度学习库(MXNet)等，其中，在自动训练中的模型评估结果可进行可用度低改进算法并进行迭代处理。在模型训练后，在模型上线时，可以形成模型调用接口(API)，该模型API可以包括GPI集群、高性能计算(HighPerformance Computing，简称为HPC)集群。

需要说明的是，该实施例的模型训练的算法、参数等，都设计为可配置的。

本发明实施例还从用户交互角度，提供了另一种信息处理的方法。

图2是根据本发明实施例的另一种信息处理的方法的流程图。如图2所示，该方法可以包括以下步骤：

步骤S202，在交互界面上输入并显示车险案件的案件信息。

在本发明上述步骤S202提供的技术方案中，在发生车险案件时，输入车险案件的案件信息，并在交互界面上显示车险案件的案件信息，该案件信息为与车险案件相关的信息，可以为保险公司完成勘察时的信息，比如，为查勘信息、报案信息、保单信息、损失照片等信息。

步骤S204，在交互界面上显示案件信息的重要级别，其中，案件信息的重要级别是基于信息识别模型，对案件信息进行分析得到。

在本发明上述步骤S204提供的技术方案中，在在交互界面上输入并显示车险案件的案件信息之后，在交互界面上显示案件信息的重要级别，其中，案件信息的重要级别是基于信息识别模型，对案件信息进行分析得到，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系，与案件信息相关联的目标信息在重要级别大于目标阈值的情况下进行推送。

该实施例的信息识别模型也即智能大案呈报模型，不同的案件信息可以为信息识别模型的输入，对应的重要级别可以为信息识别模型的输出，不同的案件信息与对应的重要级别之间的映射关系可以通过对信息识别模型进行训练来建立，这在获取车险案件的案件信息之后，可以将案件信息输入至信息识别模型中，可选地，通过模型数据输入接口将案件信息输入至信息识别模型，通过信息识别模型对案件信息进行分析，从而得到案件信息的重要级别，并在交互界面上显示案件信息的重要级别，从而实现了对车险案件是否为重大案件的智能识别的目的，而无需人工介入。

可选地，该实施例在基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别之后，判断案件信息的重要级别是否大于目标阈值，该目标阈值可以为用于确定案件信息是否为重大案件的临界值，该临界值可以配置，如果判断出案件信息的重要级别大于临界值，则推送与案件信息相关联的目标信息，该目标信息可以为报文，其内容、样式设计都是可配置的。可选地，该实施例可以将与案件信息相关联的目标信息通过模型报文反馈接口回传至保险公司，针对重大案件推送报文，可以自动触发大案呈报。

在该实施例中，采用获取车险案件的案件信息；基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别，其中，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系；在重要级别大于目标阈值的情况下，推送与案件信息相关联的目标信息。也就是说，本发明基于预先训练好的信息识别模型来推送车险案件的相关的目标信息，避免了依赖人工手动上报案件信息，确定是否为大案，进而解决了现有技术对车险案件的案件信息进行处理的效率低的技术问题，达到了提高对车险案件的案件信息进行处理的效率的技术效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例2

下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。

目前，以国内保费规模超400亿保险公司为例，标识为重大案件的车险案件件数占比11％，金额占比72％。其中，大案管控时效要求内呈报的件数占比仅23％，77％的重大案件管控缺失或不能及时介入管控，从而严重影响保险公司经营数据、成本和客户服务。

当前保险市场无相关技术手段，通常是依赖保险公司从业人员手动上报，存在劳动密集、时效无法保障、人员素质要求高等弊端。

该实施例针对上述问题，提供了一种基于AI技术实现车险重大案件智能呈报解决方案，在车险案件发生时，通过AI图片识别技术来判定损失部位、损失程度，通过NLP技术判定水淹车类型、火烧车类型，通过智能大案识别模型来预判损失、识别是否重大案件，并针对重大案件实时自动触发大案呈报。

图3是根据本发明实施例的一种车险重大案件智能呈报的***的示意图。如图3所示，保险公司完成查勘时，可以通过模型数据输入接口，将查勘信息、报案信息、保单信息、损失照片等数据传入智能大案呈报模型。

该实施例的智能大案呈报模型包括AI图片识别模型，用于图片信息识别。基于AI图片识别模型，智能识别输出车辆的损失部位、配件损失数量和损失程度，从而无需人工介入。

图4是根据本发明实施例的一种AI图片识别模型的示意图。如图4所示，该实施例的AI图片识别模型运用卷积神经网络算法，对输入的车辆的案件数据(X1、X2……Xn)通过多层(比如，大于四层)的卷积操作、池化操作来提取特征，得到一个高质量的特征图片，将其输入至全连接层进行分类处理，进而输出损失部位，损失程度等数据。

该实施例的智能大案呈报模型还包括NLP模型，用于文本信息识别。基于NLP模型可以智能识别水淹车类型、火烧车类型等案件类型。

图5是根据本发明实施例的一种NLP模型的示意图。如图5所示，运用自然语言处理技术，分析保险公司传输的文本信息，提取出文本信息的核心关键词，对核心关键词通过隐藏层(HMM、CRF、BI-LSM)进行识别，并通过输出单元输出火烧车、水淹车等后续大案识别模型在运算时所需要的数据。

该实施例的智能大案呈报模型还包括大案识别模型，用于运用深度学习的多种算法运算输入数据，输出案件损失预判结果，配合完成智能大案呈报处置，。该实施例可以基于智能大案识别模型，结合AI图片识别模型输出的车辆的损失部位、配件损失数量和损失程度，NLP模型输出的案件类型，以及保险公司传输的其它数据可以智能预判案件损失程度，并将判断结果通过模型报文反馈接口回传至保险公司，针对重大案件推送报文，其中，重大案件标准可配置，如果是重大案件，则可以对重大案件智能呈报，进行后续理赔流程，可选地，如果不进行大案呈报，则可以直接进入后续理赔流程，其中，呈报内容、呈报样式可配置。

该实施例的智能大案呈报模型有收数设计，回写的生产数据通过模型报文反馈接口持续输入大案识别模型，优化模型。

图6是根据本发明实施例的一种智能大案识别模型的示意图。如图6所示，在通过样本数据对案件识别模型进行优化训练时，可以先对输入的样本数据进行预处理，比如，进行数据集打标、数据集清洗、数据集放大、数据集拆分等处理，从而得到训练集和测试集，然后通过该训练集和测试集对案件识别模型进行训练，可以先进行手动训练，比如，进行特征选择，通过训练集进行模型训练，通过测试集进行模型测试，然后进行模型评估，然后再进行自动训练，比如，进行特征选择，通过训练集进行模型训练，通过测试集进行模型测试，然后进行模型评估，其中，配置的算法可以是算法参数配置文件、TensorFlow、MXNet等，其中，在自动训练中的模型评估结果可进行可用度低改进算法并进行迭代处理。在模型训练后，在模型上线时，可以形成模型调用接口(API)，该模型API可以包括GPI集群、高性能计算HPC集群。

需要说明的是，该实施例的模型训练算法、参数等，都设计为可配置。

该实施例的上述智能大案呈报模型初期准确率确保≥70％，随着模型收数持续训练，准确率会持续走高。

该实施例基于预先训练好的智能大案呈报模型来推送车险案件的相关的信息，避免了依赖人工手动上报案件信息，确定是否为大案，通过上述方法，使得保险公司重大案件及时呈报件数占比70％+，案件作业人力优化40％+，人员素质要求降低，未决数据***体现更及时、更准确，件数占比70％+，重大案件及时掌控，前置介入，成本可控，进而解决了现有技术对车险案件的案件信息进行处理的效率低的技术问题，达到了提高对车险案件的案件信息进行处理的效率的技术效果。

实施例3

本发明实施例还提供了一种信息处理的装置。需要说明的是，该实施例的信息处理的装置可以用于执行本发明实施例图1所示的信息处理的方法。

图7是根据本发明实施例的一种信息处理的装置的示意图。如图7所示，该信息处理的装置70可以包括：获取单元71、分析单元72和推送单元73。

获取单元71，用于获取车险案件的案件信息。

分析单元72，用于基于信息识别模型，对案件信息进行分析，得到案件信息的重要级别，其中，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系。

推送单元73，用于在重要级别大于目标阈值的情况下，推送与案件信息相关联的目标信息。

可选地，获取单元71包括：第一获取模块，用于获取与车险案件关联的车辆的图像。

可选地，获取单元71包括：第二获取模块，用于获取与车险案件关联的文本信息。

可选地，分析单元72包括：第一识别模块，用于基于图像识别模型，对车辆的图像进行识别，得到车辆的损失数据，其中，信息识别模型包括图像识别模型，图像识别模型用于建立不同的车辆的图像与损失数据之间的映射关系，案件信息包括车辆的图像；第二识别模块，用于基于文本识别模型，对车险案件关联的文本信息进行识别，得到车险案件的类型，其中，信息识别模型包括文本识别模型，文本识别模型用于建立不同的车险案件关联的文本信息与车险案件的类型之间的映射关系，案件信息包括车险案件关联的文本信息；分析模块，用于基于案件识别模型，对车辆的损失数据和车险案件的类型进行分析，得到案件信息的重要级别，其中，信息识别模型包括案件识别模型，案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

可选地，第一识别模块包括：第一提取子模块，用于通过图像识别模型中的卷积神经网络提取车辆的图像的特征；分类模块，用于通过图像识别模型中的全连接层对车辆的图像的特征进行分类，得到车辆的损失数据。

可选地，第二识别模块包括：第二提取子模块，用于从车险案件关联的文本信息中提取出关键词；分析子模块，用于通过文本识别模型的隐藏层对关键词进行分析，得到车险案件的类型。

可选地，分析模块包括：处理子模块，用于基于案件识别模型，对车辆的损失数据和车险案件的类型通过深度学习算法进行处理，得到案件信息的重要级别。

可选地，该装置还包括：第一获取单元，用于在推送与案件信息相关联的目标信息之后，获取与目标信息对应的案件识别模型的样本数据；训练单元，用于通过样本数据对案件识别模型进行训练，得到目标案件识别模型，其中，目标案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

可选地，训练单元包括：处理模块，用于对样本数据进行预处理，得到案件识别模型的训练集和测试集；训练模块，用于通过训练集和测试集对案件识别模型进行训练，得到目标案件识别模型。

本发明实施例还提供了另一种信息处理的装置的示意图。需要说明的是，该实施例的信息处理的装置可以用于执行本发明实施例图2所示的信息处理的方法。

图8是根据本发明实施例的另一种信息处理的装置的示意图。如图8所示，该信息处理的装置80可以包括：第一显示单元81和第二显示单元82。

第一显示单元81，用于在交互界面上输入并显示车险案件的案件信息。

第二显示单元82，用于在交互界面上显示案件信息的重要级别，其中，案件信息的重要级别是基于信息识别模型，对案件信息进行分析得到，信息识别模型用于建立不同的案件信息与重要级别之间的映射关系，与案件信息相关联的目标信息在重要级别大于目标阈值的情况下进行推送。

该实施例基于预先训练好的信息识别模型来推送车险案件的相关的目标信息，避免了依赖人工手动上报案件信息，确定是否为大案，进而解决了现有技术对车险案件的案件信息进行处理的效率低的技术问题，达到了提高对车险案件的案件信息进行处理的效率的技术效果。

实施例4

根据本发明实施例，还提供了一种存储介质，该存储介质包括存储的程序，其中，所述程序执行实施例1中所述的信息处理的方法。

实施例5

根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，所述程序运行时执行实施例1中所述的信息处理的方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (14)

1.一种信息处理的方法，其特征在于，包括：

获取车险案件的案件信息；

基于信息识别模型，对所述案件信息进行分析，得到所述案件信息的重要级别，其中，所述信息识别模型用于建立不同的案件信息与重要级别之间的映射关系；

在所述重要级别大于目标阈值的情况下，推送与所述案件信息相关联的目标信息。

2.根据权利要求1所述的方法，其特征在于，获取车险案件的案件信息包括：

获取与所述车险案件关联的车辆的图像。

3.根据权利要求1所述的方法，其特征在于，获取车险案件的案件信息包括：

获取与所述车险案件关联的文本信息。

4.根据权利要求1所述的方法，其特征在于，基于信息识别模型，对所述案件信息进行分析，得到所述案件信息的重要级别包括：

基于图像识别模型，对车辆的图像进行识别，得到所述车辆的损失数据，其中，所述信息识别模型包括所述图像识别模型，所述图像识别模型用于建立不同的车辆的图像与损失数据之间的映射关系，所述案件信息包括所述车辆的图像；

基于文本识别模型，对车险案件关联的文本信息进行识别，得到所述车险案件的类型，其中，所述信息识别模型包括所述文本识别模型，所述文本识别模型用于建立不同的车险案件关联的文本信息与车险案件的类型之间的映射关系，所述案件信息包括所述车险案件关联的文本信息；

基于案件识别模型，对所述车辆的损失数据和所述车险案件的类型进行分析，得到所述案件信息的重要级别，其中，所述信息识别模型包括所述案件识别模型，所述案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

5.根据权利要求4所述的方法，其特征在于，基于图像识别模型，对车辆的图像进行识别，得到所述车辆的损失数据包括：

通过所述图像识别模型中的卷积神经网络提取所述车辆的图像的特征；

通过所述图像识别模型中的全连接层对所述车辆的图像的特征进行分类，得到所述车辆的损失数据。

6.根据权利要求4所述的方法，其特征在于，基于文本识别模型，对车险案件关联的文本信息进行识别，得到所述车险案件的类型包括：

从所述车险案件关联的文本信息中提取出关键词；

通过所述文本识别模型的隐藏层对所述关键词进行分析，得到所述车险案件的类型。

7.根据权利要求4所述的方法，其特征在于，基于案件识别模型，对所述车辆的损失数据和所述车险案件的类型进行分析，得到所述案件信息的重要级别包括：

基于案件识别模型，对所述车辆的损失数据和所述车险案件的类型通过深度学习算法进行处理，得到所述案件信息的重要级别。

8.根据权利要求7所述的方法，其特征在于，在推送与所述案件信息相关联的目标信息之后，所述方法还包括：

获取与所述目标信息对应的所述案件识别模型的样本数据；

通过所述样本数据对所述案件识别模型进行训练，得到目标案件识别模型，所述目标案件识别模型用于建立不同的车辆的损失数据、车险案件的类型与案件信息的重要级别之间的映射关系。

9.根据权利要求8所述的方法，其特征在于，通过所述样本数据对所述案件识别模型进行训练，得到目标案件识别模型包括：

对所述样本数据进行预处理，得到所述案件识别模型的训练集和测试集；

通过所述训练集和所述测试集对所述案件识别模型进行训练，得到所述目标案件识别模型。

10.一种信息处理的方法，其特征在于，包括：

在交互界面上输入并显示车险案件的案件信息；

在所述交互界面上显示所述案件信息的重要级别，其中，所述案件信息的重要级别是基于信息识别模型，对所述案件信息进行分析得到，所述信息识别模型用于建立不同的案件信息与重要级别之间的映射关系，与所述案件信息相关联的目标信息在所述重要级别大于目标阈值的情况下进行推送。

11.一种信息处理的装置，其特征在于，包括：

获取单元，用于获取车险案件的案件信息；

分析单元，用于基于信息识别模型，对所述案件信息进行分析，得到所述案件信息的重要级别，其中，所述信息识别模型用于建立不同的案件信息与重要级别之间的映射关系；

推送单元，用于在所述重要级别大于目标阈值的情况下，推送与所述案件信息相关联的目标信息。

12.一种信息处理的装置，其特征在于，包括：

第一显示单元，用于在交互界面上输入并显示车险案件的案件信息；

第二显示单元，用于在所述交互界面上显示所述案件信息的重要级别，其中，所述案件信息的重要级别是基于信息识别模型，对所述案件信息进行分析得到，所述信息识别模型用于建立不同的案件信息与重要级别之间的映射关系，与所述案件信息相关联的目标信息在所述重要级别大于目标阈值的情况下进行推送。

13.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至10中任意一项所述的方法。

14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至10中任意一项所述的方法。

Images