CN111861768B - 基于人工智能的业务处理方法、装置、计算机设备及介质 - Google Patents
基于人工智能的业务处理方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN111861768B CN111861768B CN202010761676.8A CN202010761676A CN111861768B CN 111861768 B CN111861768 B CN 111861768B CN 202010761676 A CN202010761676 A CN 202010761676A CN 111861768 B CN111861768 B CN 111861768B
- Authority
- CN
- China
- Prior art keywords
- target
- questionnaire
- user
- answer
- question
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,公开了一种基于人工智能的业务处理方法、装置、计算机设备及存储介质,所述方法包括:在接收到用户的业务申请数据时,获取业务申请数据中包含的健康告知信息和用户基础信息,对健康告知信息进行异常识别,若识别到健康告知信息存在异常,则通过分类树模型,结合健康告知信息和用户基础信息,生成互动问卷,基于互动问卷,采用多轮交互式问答,得到问卷调查结果,最后结合历史产品数据,对问卷调查结果进行业务评估,得到业务处理结果。本发明还涉及区块链领域,将业务申请数据和得到的业务处理结果存储于区块链网络中,本发明实现快速智能化业务处理,提高了业务处理效率。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基于人工智能的业务处理方法、装置、计算机设备及介质。
背景技术
随着民众健康意识的增强,购买健康险的客户越来越多;在客户提出健康险的购买申请后,需要进行在线核保业务处理。目前在线核保业务主要通过专业的核保人员对申请材料进行风险筛选,如果客户在健康告知中某一项疾病上具有风险,则需要再次与客户沟通,要求客户针对该项病症进行详细描述并补充病历或体检报告;核保的流程繁琐,核保时间长;同时核保操作由保险公司内部专业的核保人员主导完成,一旦核保人员的专业度不够,则导致核保结果不准确,同时,也使得核保业务的成本高、效率低。
发明内容
本发明实施例提供一种基于人工智能的业务处理方法、装置、计算机设备和存储介质,以提高业务处理效率。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的业务处理方法,包括:
在接收到用户的业务申请数据时,获取所述业务申请数据中包含的健康告知信息和用户基础信息,其中,所述健康告知信息包含用户历史健康数据;
通过将所述用户历史健康数据与预设条件进行比较,对所述健康告知信息进行异常识别,若识别到所述健康告知信息存在异常,则通过分类树模型,结合所述健康告知信息和所述用户基础信息,生成互动问卷;
基于所述互动问卷,采用多轮交互式问答,得到问卷调查结果;
结合历史产品数据,对所述问卷调查结果进行业务评估,得到业务处理结果。
可选地,所述若识别到所述健康告知信息存在异常,则通过分类树模型,结合所述健康告知信息和所述用户基础信息,生成互动问卷包括:
获取所述分类树模型的每个节点维度;
从所述健康告知信息和所述用户基础信息中,筛选出与所述节点维度对应的属性信息,作为目标信息;
使用所述分类树模型,对所述目标信息进行归类,将分类得到的终节点作为目标节点;
获取目标节点对应的问卷,作为所述互动问卷。
可选地,所述基于所述互动问卷,采用多轮交互式问答,得到问卷调查结果包括:
将向用户展示的问题作为当前问题,获取所述当前问题标识;
获取用户选取答案的答案标识,作为目标答案标识;
根据所述当前问题标识和所述目标答案标识,向用户展示下一个问题标识;
将所述下一个问题标识对应的问题作为当前问题,并返回到所述获取用户选取答案的答案标识,作为目标答案标识继续执行,直到所述互动问卷中问题不再被展示为止;
获取每个所述目标答案标识和所述目标答案标识对应的问题标识,作为所述问卷调查结果。
可选地,所述根据所述当前问题标识和所述目标答案标识,向用户展示下一个问题标识包括:
根据所述当前问题标识,确定每个跳转问题标识;
获取目标答案标识,并结合预设的触发机制,确定所述回答标识对应的跳转问题标识,将所述回答标识对应的跳转问题标识作为所述下一个问题标识;
通过预设的页面跳转脚本,向前端界面发送包含所述下一个问题标识的跳转指令,驱使前端界面显示所述下一个问题标识对应的问题。
可选地,所述结合历史产品数据,对所述问卷调查结果进行业务评估,得到业务处理结果包括:
获取所述问卷调查结果对应的每种疾病类型,作为目标类型;
结合ICD医疗库中的数据,确定每种所述目标类型对应的风险几率;
从产品规则库中,获取所述目标类型对应的历史产品数据;
基于所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,确定所述业务处理结果。
可选地,所述基于所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,确定业务处理结果包括:
从每个历史保单理赔数据中,获取历史产品数据、所述历史产品数据对应的理赔责任,以及产品赔付收益;
根据历史产品数据和所述历史产品数据对应的理赔责任,梳理基础流转分支,并将产品赔付收益,作为所述基础流转分支的分支结论;
将所述所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,与每个所述基础流转分支进行匹配,将匹配成功的基础流转分支作为目标流转分支,并将所述目标流转分支对应的分支结论作为目标分支结论;
根据所述目标分支结论,确定业务处理结果,所述业务处理结果包括标准体承保、除外责任承保、加费承保和拒保。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的业务处理装置,包括:
信息获取模块,用于在接收到用户的业务申请数据时,获取所述业务申请数据中包含的健康告知信息和用户基础信息,其中,所述健康告知信息包含用户历史健康数据;
问卷生成模块,用于通过将所述用户历史健康数据与预设条件进行比较,对所述健康告知信息进行异常识别,若识别到所述健康告知信息存在异常,则通过分类树模型,结合所述健康告知信息和所述用户基础信息,生成互动问卷;
交互问答模块,用于基于所述互动问卷,采用多轮交互式问答,得到问卷调查结果;
结果确定模块,用于结合历史产品数据,对所述问卷调查结果进行业务评估,得到业务处理结果。
可选地,所述问卷生成模块包括:
维度获取单元,用于获取所述分类树模型的每个节点维度;
信息筛选单元,用于从所述健康告知信息和所述用户基础信息中,筛选出与所述节点维度对应的属性信息,作为目标信息;
信息分类单元,用于使用所述分类树模型,对所述目标信息进行归类,将分类得到的终节点作为目标节点;
问卷确定单元,用于获取目标节点对应的问卷,作为所述互动问卷。
可选地,所述交互问答模块包括:
当前问题标识获取单元,用于将向用户展示的问题作为当前问题,获取所述当前问题标识;
目标答案标识获取单元,用于获取用户选取答案的答案标识,作为目标答案标识;
下一个问题标识确定单元,用于根据所述当前问题标识和所述目标答案标识,向用户展示下一个问题标识;
循环答题单元,用于将所述下一个问题标识对应的问题作为当前问题,并返回到所述获取用户选取答案的答案标识,作为目标答案标识继续执行,直到所述互动问卷中问题不再被展示为止;
问卷结果确定单元,用于获取每个所述目标答案标识和所述目标答案标识对应的问题标识,作为所述问卷调查结果。
可选地,所述下一个问题标识确定单元包括:
跳转标识获取子单元,用于根据所述当前问题标识,确定每个跳转问题标识;
目标标识确定子单元,用于获取目标答案标识,并结合预设的触发机制,确定所述回答标识对应的跳转问题标识,将所述回答标识对应的跳转问题标识作为所述下一个问题标识;
显示子单元,用于通过预设的页面跳转脚本,向前端界面发送包含所述下一个问题标识的跳转指令,驱使前端界面显示所述下一个问题标识对应的问题。
可选地,所述结果确定模块包括:
目标类型确定单元,用于获取所述问卷调查结果对应的每种疾病类型,作为目标类型;
风险几率获取单元,用于结合ICD医疗库中的数据,确定每种所述目标类型对应的风险几率;
历史产品数据获取单元,用于从产品规则库中,获取所述目标类型对应的历史产品数据;
业务结果确定单元,用于基于所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,确定所述业务处理结果。
可选地,所述业务结果确定单元包括:
历史数据采集子单元,用于从每个历史保单理赔数据中,获取历史产品数据、所述历史产品数据对应的理赔责任,以及产品赔付收益;
历史数据分析子单元,用于根据历史产品数据和所述历史产品数据对应的理赔责任,梳理基础流转分支,并将产品赔付收益,作为所述基础流转分支的分支结论;
分支匹配子单元,用于将所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,与每个所述基础流转分支进行匹配,将匹配成功的基础流转分支作为目标流转分支,并将所述目标流转分支对应的分支结论作为目标分支结论;
业务结果生成子单元,用于根据所述目标分支结论,确定业务处理结果,所述业务处理结果包括标准体承保、除外责任承保、加费承保和拒保。
为了解决上述技术问题,本申请实施例还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人工智能的业务处理方法的步骤。
为了解决上述技术问题,本申请实施例还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人工智能的业务处理方法的步骤。
本发明实施例提供的基于人工智能的业务处理方法、装置、计算机设备及存储介质,在接收到用户的业务申请数据时,获取业务申请数据中包含的健康告知信息和用户基础信息,对健康告知信息进行异常识别,若识别到健康告知信息存在异常,则通过分类树模型,结合健康告知信息和用户基础信息,生成互动问卷,实现根据每个用户的业务申请数据,生成个性化的问卷,提高获取用户有效信息的效率,有利于提高业务处理准确性和效率,同时,基于互动问卷,采用多轮交互式问答,得到问卷调查结果,最后结合历史产品数据,对问卷调查结果进行业务评估,得到业务处理结果,实现快速智能化业务处理,提高了业务处理效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2是本申请的基于人工智能的业务处理方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的业务处理装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture E界面显示perts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureE界面显示perts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的业务处理方法由服务器执行,相应地,基于人工智能的业务处理装置设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器,本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用***。
请参阅图2,图2示出本发明实施例提供的一种基于人工智能的业务处理方法,以该方法应用在图1中的服务端为例进行说明,详述如下:
S201:在接收到用户的业务申请数据时,获取业务申请数据中包含的健康告知信息和用户基础信息,其中,健康告知信息包含用户历史健康数据。
具体地,在用户投保之前,投保前端提供一份业务申请表给用户填写,该业务申请表包括健康告知信息和用户基础信息,比如询问用户3年内是否有过住院史,是否存在下列疾病等,用户对这些进行填写完毕后,将填写好的业务申请表通过网络传输协议发送给服务端,服务端接收到用户的业务申请数据时,获取业务申请数据中包含的健康告知信息和用户基础信息。
其中,健康告知信息包含用户历史健康数据,包括但不限于:用户的历史疾病诊断记录、家族遗传病历和慢性病等。
其中,用户基础信息包括用户的基础资料,例如,用户姓名、身份证号码、联系方式和年龄等。
S202:通过将用户历史健康数据与预设条件进行比较,对健康告知信息进行异常识别,若识别到健康告知信息存在异常,则通过分类树模型,结合健康告知信息和用户基础信息,生成互动问卷。
具体地,在获取到健康告知信息后,对用户填写的健康告知信息中的历史健康进行解析,得到解析结果,并将解析结果与预设条件进行对比,判断健康告知信息是否存在异常类型,若存在,则判断健康告知中存在异常,并通过分类树模型,根据健康告知和用户信息,生成互动问卷,其中,用户信息包括但不限于用户年龄、性别等。
需要说明的是,在本实施例中,健康告知信息,具体可以是选择题的方式进行答案勾选,也可以是以填空或者问答的方式来填写,在健康告知信息设置为选择题的填写方式时,可直接根据选择结果,结合预设条件,判断是否存在异常,在健康告知信息设置为填空或者问答的填写方式时,通过对用户填写内容进行关键字提取或者语义识别,来进行解析。
其中,关键字提取的方式包括但不限于:基于统计特征的关键词提取算法TF-IDF2、基于词图模型的关键词抽取算法PageRankTextRank算法和LDA贝叶斯模型等。
其中,语义识别具体方式包括但不限于:神经网络模型、Bert模型和Trandform模型等。
其中,预先条件具体可以是预先设置异常类型,异常类型可以根据实际需要来设置,本实施例中,根据疾病的分类分为若干异常类型,例如,将存在高血压作为慢性心脑血管病的异常类型,将颈椎病作为退行性基础病的异常类型等,此处不作具体限定。
其中,分类树模型包括但不限于:贝叶斯网络、神经网络、K最近邻(KNN,K-NearestNeighbor)分类算法、支持向量机(Support Vector Machine,SVM)和分类决策树模型等。
优选地,本实施例的分类树模型采用分类决策树模型,决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系,分类决策树又称分类树(Classification Tree),属于决策树的一种,变量所在的节点称为根节点(root node),而底部的四个节点称为叶节点(leaf node)或终节点(terminal node)。其目的是要把一个观测划分为“高风险“或“低风险”每个叶节点都是因变量的取值,而除了叶节点外的其他节点都是自变量。
值得说明的是,为提高业务处理效率,本申请的分类树模型是根据历史产品数据进行训练得到,每个终节点对应有一种类型的疾病影响因子,从问卷库中,抽取与疾病影响因子相关的问题进行关联,得到该终节点对应的调查问卷,其中,疾病影响因子具体可以是“是否抽烟”、“抽烟频率的高低”等。
在本实施例中通过分类树模型,分析各种疾病严重程度相关的因素,进而根据当前用户信息和健康告知,生成对应的互动问卷。
本实施例中,根据当前用户信息和健康告知,生成对应的互动问卷的具体实施方式,可参考后续实施例的描述,为避免重复,此处不再赘述。
S203:基于互动问卷,采用多轮交互式问答,得到问卷调查结果。
具体地,服务端预设好的每个互动问卷中,包含较多的问题,但有些问题之间不存在关联甚至相驳,为节约问答时间,提高效率,本实施例中设置触发机制,根据用户选择的答案确定下一个展示的问题,实现多轮交互式回答,进而快速得到用户的疾病史。
其中,多轮交互式问答是指根据上一轮的问答,动态进行下一个问题的确定,使得问题更具针对性,有利于避免过多无关问题影响效率和造成的数据冗余。
基于互动问卷,采用多轮交互式问答,得到问卷调查结果的具体实施方式,可参考后续实施例的描述,为避免重复,此处不再赘述。
S204:结合历史产品数据,对问卷调查结果进行业务评估,得到业务处理结果。
具体地,结合历史产品数据,根据问卷调查结果,对用户的业务申请进行评估,得到业务处理结果,具体评估方式可以是结合历史保单理赔数据进行评估,也可以参考后续实施例的具体描述,为避免重复,此处不再赘述。
其中,历史产品数据,是指历史保单理赔数据中,每种历史产品数据、理赔责任和赔付收益等。
在本实施例中,在接收到用户的业务申请数据时,获取业务申请数据中包含的健康告知信息和用户基础信息,对健康告知信息进行异常识别,若识别到健康告知信息存在异常,则通过分类树模型,结合健康告知信息和用户基础信息,生成互动问卷,实现根据每个用户的业务申请数据,生成个性化的问卷,提高获取用户有效信息的效率,有利于提高业务处理准确性和效率,同时,基于互动问卷,采用多轮交互式问答,得到问卷调查结果,最后根据问卷调查结果进行智能业务评估,得到业务处理结果,实现快速智能化业务处理,提高了业务处理效率。
在一实施例中,将业务申请数据和得到的业务处理结果存储于区块链网络节点中,通过区块链存储,实现业务申请数据和得到的业务处理结果在不同平台之间的共享,也可防止数据被篡改。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
在本实施例的一些可选的实现方式中,步骤S202中,若识别到健康告知信息存在异常,则通过分类树模型,结合健康告知信息和用户基础信息,生成互动问卷包括:
获取分类树模型的每个节点维度;
从健康告知信息和用户基础信息中,筛选出与节点维度对应的属性信息,作为目标信息;
使用分类树模型,对目标信息进行归类,将分类得到的终节点作为目标节点;
获取目标节点对应的问卷,作为互动问卷。
具体地,获取分类树模型的每个节点维度,再从健康告知信息和用户基础信息中,筛选出与节点维度对应的属性信息,作为目标信息,进而将该目标信息采用分类树模型进行分类,将该目标信息对应的终节点,作为目标节点,进而获取目标节点对应的问卷,作为互动问卷。
其中,节点维度是指分类树模型在进行每一次构建(分类)的过程中,需要用到的维度,例如,性别、年龄、是否有慢性病等。
其中,终结点也即分类树模型中最底层的叶子节点。
需要说明的是,在步骤S202中,构建分类树模型后,为分类树模型的每个终节点预先生成对应的互动问卷,在确定目标节点,也即定对应的终节点后,获取该终节点对应的问卷,作为互动问卷。
容易理解地,从健康告知信息和用户基础信息中,筛选出与节点维度对应的属性信息,作为目标信息,具体可以是通过模糊匹配的方式,也可以是通过属性标识索引的方式等,此处不作具体限制。
需要说明的是,服务端的分类树模型,为根据历史保单理赔数据中用户基础信息和用户基础信息对应的健康告知信息生成,最后依据历史保单理赔数据中这些用户基础信息对应的理赔数据,确定不同用户基础信息和健康告知结合,后续可能患病的种类以及疾病严重程度,进而生成对应的调查问卷,来对用户具体的疾病史数据进行采集,按照疾病严重程度高低分层,比如有无手术治疗、病理是良性还是恶性等作为分值方式。
易理解地,对于选用哪种问卷类型,还需要根据传入的年龄、性别来区分,针对孩童和成人、男性和女性,需要回答不同的问题也可能有所不同。
在本实施例中,通过分类树模型,结合健康告知信息和用户基础信息,生成互动问卷,使得生成的互动问卷针对性更强,有利于提高后续得到的问卷调查结果的准确性。
在本实施例的一些可选的实现方式中,步骤S203中,基于互动问卷,采用多轮交互式问答,得到问卷调查结果包括:
将向用户展示的问题作为当前问题,获取当前问题标识;
获取用户选取答案的答案标识,作为目标答案标识;
根据当前问题标识和目标答案标识,向用户展示下一个问题标识;
将下一个问题标识对应的问题作为当前问题,并返回到获取用户选取答案的答案标识,作为目标答案标识继续执行,直到互动问卷中问题不再被展示为止;
获取每个目标答案标识和目标答案标识对应的问题标识,作为问卷调查结果。
具体地,将向用户展示的问题作为当前问题,根据当前问题标识和用户选取答案的答案标识,确定向用户展示下一个问题标识,并依据用户选取的下一个问题标识继续展示问题,按上述方式进行多轮交互问答,得到最终的问卷调查结果。
其中,问题标识是指用于对问题进行唯一标识的标识符,其具体可以是数字、字符、符号和文字等中的一种或多种组合。
其中,答案标识是指用于对可选择的答案进行唯一标识的标识符,其具体可以是数字、字符、符号和文字等中的一种或多种组合。
需要说明的是,互动问卷中包含多个问题,本实施例根据问题之间的关联程度,并对每个选择答案构建与下一个问题的映射,根据用户选取的答案确定后续需要回答的问题,避免处理不必要的问题对效率的影响。
根据当前问题标识和目标答案标识,向用户展示下一个问题标识,其具体实现过程可参考后续实施例的描述,为避免重复,此处不再赘述。
在本实施例中,通过采用多轮交互式问答,减少回答问题的数量,避免不必要的问题浪费问卷调查时间,同时也可以减少数据冗余,实现快速高效得到问卷调查结果,有利于提高业务处理效率。
在本实施例的一些可选的实现方式中,根据当前问题标识和目标答案标识,向用户展示下一个问题标识包括:
根据当前问题标识,确定每个跳转问题标识;
获取目标答案标识,并结合预设的触发机制,确定回答标识对应的跳转问题标识,将回答标识对应的跳转问题标识作为下一个问题标识;
通过预设的页面跳转脚本,向前端界面发送包含下一个问题标识的跳转指令,驱使前端界面显示下一个问题标识对应的问题。
具体地,在互动问卷中,除了最后一个问题外,每个问题都对应有至少一个跳转问题标识,每个答案标识均与其中一个跳转问题标识关联,根据当前问题标识,确定每个跳转问题标识,再获取目标答案标识,结合预设的触发机制,确定回答标识对应的跳转问题标识,将回答标识对应的跳转问题标识作为下一个问题标识,并通过预设的页面跳转脚本,向前端界面发送包含下一个问题标识的跳转指令,使用跳转指令驱使前端界面显示下一个问题标识对应的问题。
其中,预设的页面跳转脚本是指用于采用跳转指令,将页面跳转到包含下一个问题标识对应的问题的页面上的脚本文件,常见的跳转指令包括但不限于:forward page、request.getRequestDispatcher、和response.sendRedirect等,在本实施例中,考虑到包含的问题比较多,采用这些常见的跳转指令,会使得页面渲染效率降低,因而,本实施例为每个问题设置一个标签Div,初始状态设置为隐藏,采用的showDiv函数来对需要显示的下一个问题标识对应的问题进行显示,避免同时加载过多问题或者频繁跳转带来的资源大量占用,节约服务器资源,有利于提高交互式问答的效率。
其中,预设的触发机制,具体可以是根据答案标识与跳转问题标识关联来作为触发条件进行触发跳转显示。
应理解,触发机制的设定,应根据各个问题之间的关联关系和前后逻辑关系进行设定,或者,根据实际需要进行设定,此处不做限制。
例如,在一具体实施方式中,问题K对应的跳转问题标识包括问题6、问题7和问题10,问题K有三个答案,答案标识分别为:答案A、答案B和答案C,其中,答案A关联的跳转问题标识为问题6,答案B关联的跳转问题标识为问题7,答案C关联的跳转问题标识为问题10,在用户选择答案B,并点击确定之后,根据预设的触发机制,跳转到问题7,并在前端界面显示问题7。
在本实施例中,根据当前问题标识和目标答案标识,确定下一个问题标识并向用户展示下一个问题标识对应的问题,避免收集过多无关问题导致的时间浪费和数据量冗余,有利于提高业务处理效率。
在本实施例的一些可选的实现方式中,步骤S204中,结合历史产品数据,对问卷调查结果进行业务评估,得到业务处理结果包括:
获取问卷调查结果对应的每种疾病类型,作为目标类型;
结合ICD医疗库中的数据,确定每种目标类型对应的风险几率;
从产品规则库中,获取目标类型对应的历史产品数据;
基于目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据,确定业务处理结果。
具体地,通过对问卷调查结果中涉及的用户回答情况,确定用户存在或者很有可能存在的疾病类型,作为目标类型,并结合ICD医疗库中的数据,确定每种目标类型对应的风险几率,同时,从产品规则库中,获取所有目标类型对应的历史产品数据,进而结合目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据,对申请的业务进行评估,确定业务处理结果。
其中,通过对问卷调查结果中涉及的用户回答情况,确定用户存在或者很有可能存在的疾病类型,具体可以采用模糊匹配的方式,服务端预先收录常见疾病名称配置到字典表中,在进行调查问卷时,从配置的字典表中,读取配置的疾病名称。在碰到一些未被收录的疾病时(如新增疾病、不明原因疾病、未确诊疾病、较少见疾病)时,允许用户进行输入,并通过智能语义识别的方式,识别用户输入,并进行引导告知和模糊匹配,实现疾病类型的快速定位和确认。
其中,ICD(International Classification of Diseases,国际疾病分类)医疗库是指依据ICD分类对各种疾病相关信息进行整理收集数据库。
其中,产品规则库是指包含各种保险产品的数据库,例如,保单金额、险种责任和理赔金额等。
在本实施例中,根据问卷调查结果,分析可能存在的疾病类型,进而结合历史数据,确定业务处理结果,有利于提高业务处理结果的准确性。
在本实施例的一些可选的实现方式中,基于目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据,确定业务处理结果包括:
从每个历史保单理赔数据中,获取历史产品数据、历史产品数据对应的理赔责任,以及产品赔付收益;
根据历史产品数据和历史产品数据对应的理赔责任,梳理基础流转分支,并将产品赔付收益,作为基础流转分支的分支结论;
将目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据,与每个基础流转分支进行匹配,将匹配成功的基础流转分支作为目标流转分支,并将目标流转分支对应的分支结论作为目标分支结论;
根据目标分支结论,确定业务处理结果,业务处理结果包括标准体承保、除外责任承保、加费承保和拒保。
具体地,通过对历史保单理赔数据中,每种历史产品数据、理赔责任和赔付收益的分析,梳理出每种目标类型可能涉及到的基础流转分支,进而将赔付收益作为基础流转分支的分支结论,再使用目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据,与每个基础流转分支进行匹配,将匹配成功的基础流转分支作为目标流转分支,并将目标流转分支对应的分支结论作为目标分支结论,再依据目标分支结论,确定业务处理结果。
其中,基础流转分支是指每种疾病类型可能涉及到的处理分支,例如,与其他疾病类型结合产生的产品数据、产品数据涉及的理赔责任和对应的赔付收益等。
在本实施例中,通过历史保单理赔数据梳理出不同的基础流转分支,进而将目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据于每个基础流转分支进行匹配,得到目标流转分支,再基于目标流转分支对应的分支结论,确定业务处理结果,使得生成的业务处理结果更为客观,有利于提高业务处理结果的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例基于人工智能的业务处理方法一一对应的基于人工智能的业务处理装置的原理框图。如图3所示,该基于人工智能的业务处理装置包括信息获取模块31、问卷生成模块32、交互问答模块33和结果确定模块34。各功能模块详细说明如下:
信息获取模块31,用于在接收到用户的业务申请数据时,获取业务申请数据中包含的健康告知信息和用户基础信息,其中,健康告知信息包含用户历史健康数据;
问卷生成模块32,用于通过将用户历史健康数据与预设条件进行比较,对健康告知信息进行异常识别,若识别到健康告知信息存在异常,则通过分类树模型,结合健康告知信息和用户基础信息,生成互动问卷;
交互问答模块33,用于基于互动问卷,采用多轮交互式问答,得到问卷调查结果;
结果确定模块34,用于结合历史产品数据,对问卷调查结果进行业务评估,得到业务处理结果。
可选地,问卷生成模块32包括:
维度获取单元,用于获取分类树模型的每个节点维度;
信息筛选单元,用于从健康告知信息和用户基础信息中,筛选出与节点维度对应的属性信息,作为目标信息;
信息分类单元,用于使用分类树模型,对目标信息进行归类,将分类得到的终节点作为目标节点;
问卷确定单元,用于获取目标节点对应的问卷,作为互动问卷。
可选地,交互问答模块33包括:
当前问题标识获取单元,用于将向用户展示的问题作为当前问题,获取当前问题标识;
目标答案标识获取单元,用于获取用户选取答案的答案标识,作为目标答案标识;
下一个问题标识确定单元,用于根据当前问题标识和目标答案标识,向用户展示下一个问题标识;
循环答题单元,用于将下一个问题标识对应的问题作为当前问题,并返回到获取用户选取答案的答案标识,作为目标答案标识继续执行,直到互动问卷中问题不再被展示为止;
问卷结果确定单元,用于获取每个目标答案标识和目标答案标识对应的问题标识,作为问卷调查结果。
可选地,下一个问题标识确定单元包括:
跳转标识获取子单元,用于根据当前问题标识,确定每个跳转问题标识;
目标标识确定子单元,用于获取目标答案标识,并结合预设的触发机制,确定回答标识对应的跳转问题标识,将回答标识对应的跳转问题标识作为下一个问题标识;
显示子单元,用于通过预设的页面跳转脚本,向前端界面发送包含下一个问题标识的跳转指令,驱使前端界面显示下一个问题标识对应的问题。
可选地,结果确定模块34包括:
目标类型确定单元,用于获取问卷调查结果对应的每种疾病类型,作为目标类型;
风险几率获取单元,用于结合ICD医疗库中的数据,确定每种目标类型对应的风险几率;
历史产品数据获取单元,用于从产品规则库中,获取目标类型对应的历史产品数据;
业务结果确定单元,用于基于目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据,确定业务处理结果。
可选地,业务结果确定单元包括:
历史数据采集子单元,用于从每个历史保单理赔数据中,获取历史产品数据、历史产品数据对应的理赔责任,以及产品赔付收益;
历史数据分析子单元,用于根据历史产品数据和历史产品数据对应的理赔责任,梳理基础流转分支,并将产品赔付收益,作为基础流转分支的分支结论;
分支匹配子单元,用于将目标类型、目标类型对应的风险几率,以及目标类型对应的历史产品数据,与每个基础流转分支进行匹配,将匹配成功的基础流转分支作为目标流转分支,并将目标流转分支对应的分支结论作为目标分支结论;
业务结果生成子单元,用于根据目标分支结论,确定业务处理结果,业务处理结果包括标准体承保、除外责任承保、加费承保和拒保。
关于基于人工智能的业务处理装置的具体限定可以参见上文中对于基于人工智能的业务处理方法的限定,在此不再赘述。上述基于人工智能的业务处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如电子文件的控制的程序代码等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据,例如运行电子文件的控制的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即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界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的业务处理方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (7)
1.一种基于人工智能的业务处理方法,应用于疾病保险的核保业务,其特征在于,所述基于人工智能的业务处理方法包括:
在接收到用户的业务申请数据时,获取所述业务申请数据中包含的健康告知信息和用户基础信息,其中,所述健康告知信息包含用户历史健康数据;
通过将所述用户历史健康数据与预设条件进行比较,对所述健康告知信息进行异常识别,若识别到所述健康告知信息存在异常,则通过分类树模型,结合所述健康告知信息和所述用户基础信息,生成互动问卷;
基于所述互动问卷,采用多轮交互式问答,得到问卷调查结果;
结合历史产品数据,对所述问卷调查结果进行业务评估,得到业务处理结果,其中,所述历史产品数据为历史保单理赔数据;
所述若识别到所述健康告知信息存在异常,则通过分类树模型,结合所述健康告知信息和所述用户基础信息,生成互动问卷包括:
获取所述分类树模型的每个节点维度;
从所述健康告知信息和所述用户基础信息中,筛选出与所述节点维度对应的属性信息,作为目标信息;
使用所述分类树模型,对所述目标信息进行归类,将分类得到的终节点作为目标节点;
获取目标节点对应的问卷,作为所述互动问卷;
所述基于所述互动问卷,采用多轮交互式问答,得到问卷调查结果包括:
将向用户展示的问题作为当前问题,获取所述当前问题标识;
获取用户选取答案的答案标识,作为目标答案标识;
根据所述当前问题标识和所述目标答案标识,向用户展示下一个问题标识;
将所述下一个问题标识对应的问题作为当前问题,并返回到所述获取用户选取答案的答案标识,作为目标答案标识继续执行,直到所述互动问卷中问题不再被展示为止;
获取每个所述目标答案标识和所述目标答案标识对应的问题标识,作为所述问卷调查结果。
2.如权利要求1所述的基于人工智能的业务处理方法,其特征在于,所述根据所述当前问题标识和所述目标答案标识,向用户展示下一个问题标识包括:
根据所述当前问题标识,确定每个跳转问题标识;
获取目标答案标识,并结合预设的触发机制,确定所述目标答案标识对应的跳转问题标识,将所述目标答案标识对应的跳转问题标识作为所述下一个问题标识;
通过预设的页面跳转脚本,向前端界面发送包含所述下一个问题标识的跳转指令,驱使前端界面显示所述下一个问题标识对应的问题。
3.如权利要求1或2所述的基于人工智能的业务处理方法,其特征在于,所述结合历史产品数据,对所述问卷调查结果进行业务评估,得到业务处理结果包括:
获取所述问卷调查结果对应的每种疾病类型,作为目标类型;
结合ICD医疗库中的数据,确定每种所述目标类型对应的风险几率;
从产品规则库中,获取所述目标类型对应的历史产品数据;
基于所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,确定所述业务处理结果。
4.如权利要求3所述的基于人工智能的业务处理方法,其特征在于,所述基于所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,确定业务处理结果包括:
从每个历史保单理赔数据中,获取历史产品数据、所述历史产品数据对应的理赔责任,以及产品赔付收益;
根据历史产品数据和所述历史产品数据对应的理赔责任,梳理基础流转分支,并将产品赔付收益,作为所述基础流转分支的分支结论;
将所述目标类型、所述目标类型对应的风险几率,以及所述目标类型对应的历史产品数据,与每个所述基础流转分支进行匹配,将匹配成功的基础流转分支作为目标流转分支,并将所述目标流转分支对应的分支结论作为目标分支结论;
根据所述目标分支结论,确定业务处理结果,所述业务处理结果包括标准体承保、除外责任承保、加费承保和拒保。
5.一种基于人工智能的业务处理装置,应用于疾病保险的核保业务,其特征在于,所述基于人工智能的业务处理装置包括:
信息获取模块,用于在接收到用户的业务申请数据时,获取所述业务申请数据中包含的健康告知信息和用户基础信息,其中,所述健康告知信息包含用户历史健康数据;
问卷生成模块,用于通过将所述用户历史健康数据与预设条件进行比较,对所述健康告知信息进行异常识别,若识别到所述健康告知信息存在异常,则通过分类树模型,结合所述健康告知信息和所述用户基础信息,生成互动问卷;
交互问答模块,用于基于所述互动问卷,采用多轮交互式问答,得到问卷调查结果;
结果确定模块,用于结合历史产品数据,对所述问卷调查结果进行业务评估,得到业务处理结果,其中,所述历史产品数据为历史保单理赔数据;
所述问卷生成模块包括:
维度获取单元,用于获取所述分类树模型的每个节点维度;
信息筛选单元,用于从所述健康告知信息和所述用户基础信息中,筛选出与所述节点维度对应的属性信息,作为目标信息;
信息分类单元,用于使用所述分类树模型,对所述目标信息进行归类,将分类得到的终节点作为目标节点;
问卷确定单元,用于获取目标节点对应的问卷,作为所述互动问卷;
交互问答模块包括:
当前问题标识获取单元,用于将向用户展示的问题作为当前问题,获取当前问题标识;
目标答案标识获取单元,用于获取用户选取答案的答案标识,作为目标答案标识;
下一个问题标识确定单元,用于根据当前问题标识和目标答案标识,向用户展示下一个问题标识;
循环答题单元,用于将下一个问题标识对应的问题作为当前问题,并返回到获取用户选取答案的答案标识,作为目标答案标识继续执行,直到互动问卷中问题不再被展示为止;
问卷结果确定单元,用于获取每个目标答案标识和目标答案标识对应的问题标识,作为问卷调查结果。
6.一种计算机设备,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4任一项所述的基于人工智能的业务处理方法。
7.一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4任一项所述的基于人工智能的业务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761676.8A CN111861768B (zh) | 2020-07-31 | 2020-07-31 | 基于人工智能的业务处理方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761676.8A CN111861768B (zh) | 2020-07-31 | 2020-07-31 | 基于人工智能的业务处理方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861768A CN111861768A (zh) | 2020-10-30 |
CN111861768B true CN111861768B (zh) | 2023-07-21 |
Family
ID=72953844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010761676.8A Active CN111861768B (zh) | 2020-07-31 | 2020-07-31 | 基于人工智能的业务处理方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861768B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231462A (zh) * | 2020-11-03 | 2021-01-15 | 支付宝(杭州)信息技术有限公司 | 数据处理方法及装置 |
CN112381658A (zh) * | 2020-11-11 | 2021-02-19 | 中国人寿保险股份有限公司 | 电子化投保时告知问卷信息的动态生成方法和*** |
CN112330472B (zh) * | 2020-11-17 | 2023-10-27 | 中国平安财产保险股份有限公司 | 业务数据处理方法、装置、计算机设备及存储介质 |
CN112632995A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 用户服务请求处理方法及装置、服务器、存储介质 |
CN113727121A (zh) * | 2020-12-18 | 2021-11-30 | 北京沃东天骏信息技术有限公司 | 网络直播方法、装置、电子设备和计算机可读介质 |
CN112700336A (zh) * | 2020-12-29 | 2021-04-23 | 中国人寿保险股份有限公司 | 一种智能保险核保方法和*** |
CN113112991A (zh) * | 2021-04-08 | 2021-07-13 | 深圳市友杰智新科技有限公司 | 健康量表的形成方法、装置、设备及存储介质 |
CN113077353B (zh) * | 2021-04-22 | 2024-02-02 | 北京十一贝科技有限公司 | 用于生成核保结论的方法、装置、电子设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679994A (zh) * | 2017-07-26 | 2018-02-09 | 平安科技(深圳)有限公司 | 核保决策树的创建方法、装置、计算机设备及存储介质 |
CN109064343A (zh) * | 2018-08-13 | 2018-12-21 | 中国平安人寿保险股份有限公司 | 风险模型建立方法、风险匹配方法、装置、设备及介质 |
CN109285076A (zh) * | 2018-02-07 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 智能核保处理方法、服务器及存储介质 |
CN109472711A (zh) * | 2018-12-14 | 2019-03-15 | 平安健康保险股份有限公司 | 健康险的核保方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030004788A1 (en) * | 2001-06-29 | 2003-01-02 | Edmundson Catherine M. | Targeted questionnaire system for healthcare |
-
2020
- 2020-07-31 CN CN202010761676.8A patent/CN111861768B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679994A (zh) * | 2017-07-26 | 2018-02-09 | 平安科技(深圳)有限公司 | 核保决策树的创建方法、装置、计算机设备及存储介质 |
CN109285076A (zh) * | 2018-02-07 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 智能核保处理方法、服务器及存储介质 |
CN109064343A (zh) * | 2018-08-13 | 2018-12-21 | 中国平安人寿保险股份有限公司 | 风险模型建立方法、风险匹配方法、装置、设备及介质 |
CN109472711A (zh) * | 2018-12-14 | 2019-03-15 | 平安健康保险股份有限公司 | 健康险的核保方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111861768A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861768B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
US11164238B1 (en) | Cross selling recommendation engine | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
US20210279612A1 (en) | Computerized System and Method of Open Account Processing | |
US9639846B2 (en) | System and method for providing targeted content | |
US20160162794A1 (en) | Decision tree data structures generated to determine metrics for child nodes | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
CN111523677A (zh) | 实现对机器学习模型的预测结果进行解释的方法及装置 | |
CN112634017A (zh) | 远程开卡激活方法、装置、电子设备及计算机存储介质 | |
US11544783B1 (en) | Heuristic credit risk assessment engine | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN111078972B (zh) | 提问行为数据的获取方法、装置和服务器 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
KR102613358B1 (ko) | 멀티 페르소나를 이용한 속성 데이터 구축 장치 및 방법 | |
CN116258579B (zh) | 用户信用评分模型的训练方法及用户信用评分方法 | |
CN114866818B (zh) | 视频推荐方法、装置、计算机设备及存储介质 | |
CN117291693A (zh) | 基于人工智能的策略生成方法、装置、设备及存储介质 | |
CN117333266A (zh) | 潜在风险行为处理方法、装置、计算机设备及存储介质 | |
CN117422523A (zh) | 产品上线方法、装置、计算机设备及存储介质 | |
CN116860944A (zh) | 对话生成方法、装置、电子设备及介质 | |
CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
CN114612225A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |