CN117252712A - 基于迁移学习的产品理赔方法、装置、设备及存储介质 - Google Patents
基于迁移学习的产品理赔方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117252712A CN117252712A CN202311160060.5A CN202311160060A CN117252712A CN 117252712 A CN117252712 A CN 117252712A CN 202311160060 A CN202311160060 A CN 202311160060A CN 117252712 A CN117252712 A CN 117252712A
- Authority
- CN
- China
- Prior art keywords
- product
- prediction model
- data
- product data
- settlement
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013526 transfer learning Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 157
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 15
- 238000013524 data verification Methods 0.000 claims description 12
- 230000008014 freezing Effects 0.000 claims description 10
- 238000007710 freezing Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 31
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000005012 migration Effects 0.000 description 9
- 238000013508 migration Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 244000144972 livestock Species 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开一种基于迁移学习的产品理赔方法、装置、设备及存储介质,属于人工智能技术领域和产险金融领域。本申请通过基于第一产品数据训练第一理赔预测模型,获取模型隐藏层参数来构建特征提取器,使用特征提取器替新的预测模型的隐藏层,基于第二产品数据训练新的预测模型,其中,第二产品数据的数据量小于第一产品数据的数据量,在训练新的预测模型时,冻结新的预测模型的隐藏层参数,获取待理赔产品,将待理赔产品导入到训练好的第二理赔预测模型,输出理赔结果。本申请还涉及区块链技术领域,产品数据可以存储在区块链节点上。本申请加快了产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证模型的预测准确度。
Description
技术领域
本申请属于人工智能技术领域和产险金融领域,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。
背景技术
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。
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赔数据的数据量很少,因此直接使用这些产品的理赔数据训练出来的理赔预测模型准确度较低,输出的理赔预测结果几乎不具备参考价值。
发明内容
本申请实施例的目的在于提出一种基于迁移学习的产品理赔方法、装置、设备及存储介质,以解决针对训练样本数量较少的理赔产品,其产品理赔预测模型的准确度较低的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于迁移学习的产品理赔方法,采用了如下所述的技术方案:
一种基于迁移学习的产品理赔方法,包括:
获取第一产品数据,并基于第一产品数据训练第一理赔预测模型;
获取第一理赔预测模型的隐藏层参数,并基于隐藏层参数构建特征提取器;
使用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,并基于第二产品数据训练新的预测模型,得到第二理赔预测模型,其中,第二产品数据的数据量小于第一产品数据的数据量,在训练新的预测模型时,冻结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,将待理赔产品的产品数据导入到训练好的第二理赔预测模型,输出待理赔产品的理赔结果。
进一步地,获取第一理赔预测模型的隐藏层参数,并基于隐藏层参数构建特征提取器,具体包括:
获取第一产品数据和第二产品数据的关联产品特征;
确定第一理赔预测模型中与关联产品特征关联的隐藏层参数,得到关联参数;
基于关联参数构建特征提取器。
进一步地,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,并基于第二产品数据训练新的预测模型,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;
基于第二产品数据训练新的预测模型,得到第二产品的理赔预测结果;
比对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,得到第二理赔预测模型。
进一步地,基于第二产品数据训练新的预测模型,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;
基于第二产品数据训练集对新的预测模型进行训练,得到第二产品的理赔预测结果;
基于第二产品数据训练集对新的预测模型进行训练,得到第二产品的理赔预测结果,具体包括:
通过输入层依次接收第二产品数据训练集中的训练数据,并将训练数据依次传递给新的预测模型的隐藏层;
通过隐藏层对训练数据进行特征提取,得到训练数据对应的特征表示;
通过输出层中的激活函数对训练数据对应的特征表示进行特征转化,得到第二产品的理赔预测结果。
进一步地,基于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,得到第二理赔预测模型,具体包括:
在输出层、隐藏层和输出层中传递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,并将输入层误差、隐藏层误差和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,得到完成训练的第二理赔预测模型。
进一步地,第一理赔预测模型包括数据输入层、特征隐藏层和预测输出层,获取第一产品数据,并基于第一产品数据训练第一理赔预测模型,具体包括:
获取第一产品数据,对第一产品数据进行预处理,并对预处理后的第一产品数据进行数据划分,得到第一产品数据训练集和第一产品数据验证集;
基于第一产品数据训练集对第一理赔预测模型进行训练;
基于第一产品数据验证集对完成训练的第一理赔预测模型进行验证,并输出通过验证的第一理赔预测模型;
基于第一产品数据训练集对第一理赔预测模型进行训练,具体包括:
将第一产品数据训练集导入第一理赔预测模型;
通过数据输入层依次接收第一产品数据训练集中的产品数据,并将产品数据依次传递给特征隐藏层;
通过特征隐藏层对产品数据进行特征处理,得到产品数据对应的特征表示;
通过输出层的激活函数对产品数据对应的特征表示进行特征转化,得到第一产品的理赔预测结果;
基于第一产品的理赔预测结果和预设的第一产品标准处理结果对第一理赔预测模型进行迭代更新,直至模型拟合,得到完成训练的第一理赔预测模型。
进一步地,基于第一产品的理赔预测结果和预设的第一产品标准处理结果对第一理赔预测模型进行迭代更新,直至模型拟合,得到完成训练的第一理赔预测模型,具体包括:
比对第一产品的理赔预测结果和预设的第一产品标准处理结果,获取第一产品理赔预测误差;
在数据输出层、特征隐藏层和预测输出层中传递第一产品理赔预测误差;
分别获取数据输入层误差、特征隐藏层误差和预测输出层误差,并将预测输入层误差、特征隐藏层误差和预测输出层误差分别与预设标准第一产品误差阈值进行比对;
当第一理赔预测模型中存在任意一个网络层的误差大于预设标准第一产品误差阈值时,持续调整第一理赔预测模型的模型参数,直至第一理赔预测模型中所有网络层的误差都小于或等于预设标准第一产品误差阈值为止,得到完成训练的第一理赔预测模型。
为了解决上述技术问题,本申请实施例还提供一种基于迁移学习的产品理赔装置,采用了如下所述的技术方案:
一种基于迁移学习的产品理赔装置,包括:
第一理赔预测模块,用于获取第一产品数据,并基于第一产品数据训练第一理赔预测模型;
特征提取器构建模块,用于获取第一理赔预测模型的隐藏层参数,并基于隐藏层参数构建特征提取器;
隐藏层替换模块,用于使用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;
第二理赔预测模块,用于获取第二产品数据,并基于第二产品数据训练新的预测模型,得到第二理赔预测模型,其中,第二产品数据的数据量小于第一产品数据的数据量,在训练新的预测模型时,冻结新的预测模型的隐藏层参数;
产品理赔模块,用于接收理赔指令,获取待理赔产品的产品数据,将待理赔产品的产品数据导入到训练好的第二理赔预测模型,输出待理赔产品的理赔结果。
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,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的基于迁移学习的产品理赔方法的步骤。
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,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的基于迁移学习的产品理赔方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开一种基于迁移学习的产品理赔方法、装置、设备及存储介质,属于人工智能技术领域和产险金融领域。本申请针对数据量较少的第二产品数据,在进行第二产品的理赔预测模型训练时,通过迁移学习的方式来实现模型训练,先通过第一产品数据训练第一理赔预测模型,其中,第一产品数据为理赔数据的数据量较大的产品数据,然后使用第一理赔预测模型的隐藏层参数构建特征提取器,并使用特征提取器替换第二理赔预测模型的隐藏层,在训练第二理赔预测模型时,冻结第二理赔预测模型的隐藏层参数,仅需要对模型中其他网络层的参数进行调优,本申请可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性***架构图;
图2示出了根据本申请的基于迁移学习的产品理赔方法的一个实施例的流程图;
图3示出了根据本申请的基于迁移学习的产品理赔装置的一个实施例的结构示意图;
图4示出了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。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
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上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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 ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts 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,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的基于迁移学习的产品理赔方法一般由服务器执行,相应地,基于迁移学习的产品理赔装置一般设置于服务器中。
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。
继续参考图2,示出了根据本申请的基于迁移学习的产品理赔方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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赔数据的数据量很少,因此直接使用这些产品的理赔数据训练出来的理赔预测模型准确度较低,输出的理赔预测结果几乎不具备参考价值。
为了解决上述技术问题,本申请公开一种基于迁移学习的产品理赔方法、装置、设备及存储介质,属于人工智能技术领域和产险金融领域,本申请通过迁移学习的方式来实现模型训练,本申请可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
所述的基于迁移学习的产品理赔方法,包括以下步骤:
S201,获取第一产品数据,并基于第一产品数据训练第一理赔预测模型。
在本实施例中,第一产品为拥有较大理赔数据量的产品。例如,在本申请一种具体的实施例中,第一产品是指汽车理赔产品,第一产品数据为车险理赔数据,这些理赔数据被用来训练第一产品预测模型,即车险产品的理赔预测模型,该模型可以对汽车产品的理赔结果进行预测。
S202,获取第一理赔预测模型的隐藏层参数,并基于隐藏层参数构建特征提取器。
在本实施例中,第一产品预测模型包括输入层、隐藏层和输出层,隐藏层的参数包括权重和偏置,本申请通过迁移学习的方式来实现模型训练。具体来说,将隐藏层的模型参数单独提取出来,并基于这个参数构建特征提取器,用于后续实现第二产品数据的特征处理,隐藏层将作为一个独立的组件,负责从输入数据中提取有用的特征。
在第二产品预测模型构建时,通过迁移学习的方式从第一产品模型中获取隐藏层的模型参数来构建特征提取器。迁移学习是一种机器学习方法,旨在将在一个任务上学到的知识和经验应用于解决另一个相关任务,通过将在源领域(已有任务)中学到的知识转移到目标领域(新任务)中,从而改善目标任务的学习性能,这种转移可以是从源领域中的特征、模型参数、神经网络层等方面进行。迁移学习的优势在于可以利用已有任务的数据和知识,减少对大量标记数据的依赖,加快模型训练过程,提高目标任务的准确度和泛化能力。
在上述实施例中,本申请在进行模型训练时,通过迁移学习的方式获取第一理赔预测模型的隐藏层参数,并基于隐藏层参数构建特征提取器,在保证模型预测准确度的同时,加快模型训练过程。
S203,使用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;
在本实施例中,获取预设的新的预测模型,并使用特征提取器替换预设初始预测模型的隐藏层,并且在进行新的预测模型训练时,冻结新的预测模型的隐藏层参数,使得第二产品数据只用于完成预测任务的训练,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
在上述实施例中,由于非汽车产品的理赔数据集通常比汽车产品的理赔数据集少很多,而汽车产品预测模型在汽车产品数据上已经进行了充分的训练,其中的参数已经学习到了与车险理赔相关的特征表示。在后续第二产品预测模型构建时,通过使用从第一产品模型中获取中间层的模型参数来构建特征提取器,可以利用车险产品的理赔预测模型对车险理赔任务的先验知识,将这些有用的特征表示迁移到非汽车产品的理赔任务中,从而提高非汽车产品预测模型的性能,使得在进行第二理赔预测模型训练时,第二产品数据只用于完成预测任务的训练,减少模型训练过程中对产品数据的依赖。
S204,获取第二产品数据,并基于第二产品数据训练新的预测模型,得到第二理赔预测模型,其中,第二产品数据的数据量小于第一产品数据的数据量,在训练新的预测模型时,冻结新的预测模型的隐藏层参数。
其中,第一产品预测模型和第二产品预测模型可以基于机器学习算法或深度学习算法构建。
在本实施例中,第二产品为仅存在少量理赔数据的产品。例如,在本申请一种具体的实施例中,第二产品指的是一些非汽车类产品,如与林业、畜牧养殖业等相关的理赔产品,第二产品数据为与林业、畜牧养殖业等相关的理赔产品的理赔数据,这些理赔数据被用来训练第二产品预测模型,第二产品预测模型通过迁移学习从第一产品模型的特征表示,通过迁移学习获得的特征表示来对非汽车产品的理赔数据进行特征处理,以便预测非汽车产品的理赔结果。
S205,接收理赔指令,获取待理赔产品的产品数据,将待理赔产品的产品数据导入到训练好的第二理赔预测模型,输出待理赔产品的理赔结果。
在本实施例中,当收到理赔指令时,获取待理赔产品的产品数据,并将其输入到训练好的第二产品预测模型中,第二产品预测模型将通过迁移学习获得的特征表示方式来对待理赔产品的产品数据进行特征处理,进而第二产品预测基于待理赔产品的产品数据进行特征处理结果进行理赔结果预测,并输出相应的理赔结果。
在上述实施例中,本申请通过迁移学习的方式来实现模型训练,本申请可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
进一步地,第一理赔预测模型包括数据输入层、特征隐藏层和预测输出层,获取第一产品数据,并基于第一产品数据训练第一理赔预测模型,具体包括:
获取第一产品数据,对第一产品数据进行预处理,并对预处理后的第一产品数据进行数据划分,得到第一产品数据训练集和第一产品数据验证集;
基于第一产品数据训练集对第一理赔预测模型进行训练;
基于第一产品数据验证集对完成训练的第一理赔预测模型进行验证,并输出通过验证的第一理赔预测模型;
基于第一产品数据训练集对第一理赔预测模型进行训练,具体包括:
将第一产品数据训练集导入第一理赔预测模型;
通过数据输入层依次接收第一产品数据训练集中的产品数据,并将产品数据依次传递给特征隐藏层;
通过特征隐藏层对产品数据进行特征处理,得到产品数据对应的特征表示;
通过输出层的激活函数对产品数据对应的特征表示进行特征转化,得到第一产品的理赔预测结果;
基于第一产品的理赔预测结果和预设的第一产品标准处理结果对第一理赔预测模型进行迭代更新,直至模型拟合,得到完成训练的第一理赔预测模型。
在本申请具体的实施例中,第一产品预测模型为车险产品的理赔预测模型,在进行车险产品的理赔预测模型训练时,通过获取车险数据集,其中,车险数据集包括保单信息、车辆属性和历史理赔记录,对车险数据集进行预处理,预处理包括去重、缺失值填充、数据归一化等等,然后对预处理后的车险数据集进行数据划分,得到第一训练数据集和第一验证数据集,基于第一训练数据集对车险产品的理赔预测模型进行训练,基于第一验证数据集对完成训练的车险产品的理赔预测模型进行验证,并输出通过验证的车险产品的理赔预测模型。
第一理赔预测模型包括数据输入层、特征隐藏层和预测输出层。数据输入层的作用是将数据转化为模型可以处理的格式,并将信息传递给隐藏层进行特征提取和表示学习。特征隐藏层是位于输入层和输出层之间的一系列网络层,每个隐藏层都包含多个神经元或节点,通过学习数据中的复杂模式和特征表示来进行计算,隐藏层的作用是从输入数据中提取更高级别的特征表示,使模型能够更好地理解和捕捉数据的内在结构和模式。预测输出层接收隐藏层的输出,并将最终的预测结果生成为模型的输出,输出层的神经元的数量取决于预测的类别数或需要预测的目标维度,输出层通过激活函数(如softmax函数、sigmoid函数等)将模型的输出转化为概率分布或适当的数值范围,以便对结果进行解释或后续处理。
在上述实施例中,输入层负责接收原始数据或特征,隐藏层负责从输入数据中提取抽象特征,输出层负责生成最终的预测结果,这些网络层的组合和协同工作,使得车险产品的理赔预测模型能够对输入数据进行有效的学习和预测。
进一步地,基于第一产品的理赔预测结果和预设的第一产品标准处理结果对第一理赔预测模型进行迭代更新,直至模型拟合,得到完成训练的第一理赔预测模型,具体包括:
比对第一产品的理赔预测结果和预设的第一产品标准处理结果,获取第一产品理赔预测误差;
在数据输出层、特征隐藏层和预测输出层中传递第一产品理赔预测误差;
分别获取数据输入层误差、特征隐藏层误差和预测输出层误差,并将预测输入层误差、特征隐藏层误差和预测输出层误差分别与预设标准第一产品误差阈值进行比对;
当第一理赔预测模型中存在任意一个网络层的误差大于预设标准第一产品误差阈值时,持续调整第一理赔预测模型的模型参数,直至第一理赔预测模型中所有网络层的误差都小于或等于预设标准第一产品误差阈值为止,得到完成训练的第一理赔预测模型。
在本施例中,本申请通过反向传播算法来对车险产品的理赔预测模型进行迭代更新,首先获取第一理赔预测模型的损失函数,通过获取的损失函数计算第一产品的理赔预测结果和第一产品标准处理结果之间的误差,其中,第一产品标准处理结果为预设的针对第一训练数据集中的训练数据进行标注时产生的数据标注结果。然后通过方向误差传递和误差比对确定模型各个网络层的误差是否大于预设第一误差阈值,如果存在网络层的误差大于预设第一误差阈值,则需要对第一理赔预测模型的全网络层参数进行调优,直至所有网络层的预测误差都小于或等于第一误差阈值为止,此时模型拟合,得到完成训练的车险产品的理赔预测模型。
进一步地,获取第一理赔预测模型的隐藏层参数,并基于隐藏层参数构建特征提取器,具体包括:
获取第一产品数据和第二产品数据的关联产品特征;
确定第一理赔预测模型中与关联产品特征关联的隐藏层参数,得到关联参数;
基于关联参数构建特征提取器。
在本施例中,本申请通过迁移学习的方式从第一产品模型中获取隐藏层的模型参数来构建特征提取器,使用特征提取器替换新的产品预测模型的隐藏层,得到第二产品预测模型。具体来说,可以通过分析第一产品数据和第二产品数据的关联产品特征,关联产品特征包括两个产品可能具有相同的特征或属性,如相同的业务类型、相同的处理方式等等。然后通过确定第一理赔预测模型中与关联产品特征关联的隐藏层参数,可以在第二产品预测模型训练的过程中,通过监控隐藏层参数的变化和调整,来判断哪些参数与关联产品特征相关,得到关联参数,隐藏层参数包括权重、偏置、学习率等等,基于关联参数构建特征提取器。
在上述具体的实施例中,在迁移学习时,车险产品的理赔预测模型的隐藏层参数被用作特征提取器的构建,而车险产品的理赔预测模型在车险理赔任务上进行了训练,并且已经学到了与车险理赔相关的特征表示,这些特征表示可以被认为是车险产品的理赔预测模型具备的“知识”,通过迁移学习,将构建特征提取器也能够获得这些特征表示对应的“知识”,这些特征表示随后被应用到第二产品预测模型的训练和预测任务上,因此,第二产品预测模型在一定程度上利用了车险产品的理赔预测模型的“知识”和特征表示。
在上述实施例中,本申请通过迁移学习的方式构建特征提取器,并使用特征提取器替换新的产品预测模型的隐藏层,得到第二产品预测模型,可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
进一步地,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,并基于第二产品数据训练新的预测模型,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;
基于第二产品数据训练新的预测模型,得到第二产品的理赔预测结果;
比对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,得到第二理赔预测模型。
进一步地,基于第二产品数据训练新的预测模型,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;
基于第二产品数据训练集对新的预测模型进行训练,得到第二产品的理赔预测结果;
基于第二产品数据训练集对新的预测模型进行训练,得到第二产品的理赔预测结果,具体包括:
通过输入层依次接收第二产品数据训练集中的训练数据,并将训练数据依次传递给新的预测模型的隐藏层;
通过隐藏层对训练数据进行特征提取,得到训练数据对应的特征表示;
通过输出层中的激活函数对训练数据对应的特征表示进行特征转化,得到第二产品的理赔预测结果。
在本施例中,在使用特征提取器替换新的产品预测模型的隐藏层,得到第二产品预测模型后,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,使用第二产品数据训练第二理赔预测模型,以获得一个针对第二产品的理赔预测模型。需要额外说明的是,在第二理赔预测模型训练过程中,在进行模型参数调优时,已冻结的隐藏层参数中的关联参数不会发生变化,进调整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。
进一步地,基于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,得到第二理赔预测模型,具体包括:
在输出层、隐藏层和输出层中传递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,并将输入层误差、隐藏层误差和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,得到完成训练的第二理赔预测模型。
在本施例中,在进行第二理赔预测模型训练时,根据第二理赔预测模型中各个网络层的误差与标准第二产品误差阈值的大小来进行第二产品预测模型的调参,需要说明的是,在训练开始之前,需要冻结隐藏层参数中的关联参数,以保证关联参数不会发生变化,以保持模型特征提取的能力,防止隐藏层过度拟合,同时可以减少模型训练过程中对产品数据的依赖,加速模型训练过程。在调参时,可以针对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进行调优,使得模型拟合,得到完成训练的第二理赔预测模型。
在上述实施例中,本申请公开一种基于迁移学习的产品理赔方法,属于人工智能技术领域和产险金融领域。本申请针对数据量较少的第二产品数据,在进行第二产品的理赔预测模型训练时,通过迁移学习的方式来实现模型训练,先通过第一产品数据训练第一理赔预测模型,其中,第一产品数据为理赔数据的数据量较大的产品数据,然后使用第一理赔预测模型的隐藏层参数构建特征提取器,并使用特征提取器替换第二理赔预测模型的隐藏层,在训练第二理赔预测模型时,冻结第二理赔预测模型的隐藏层参数,仅需要对模型中其他网络层的参数进行调优,本申请可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
在本实施例中,基于迁移学习的产品理赔方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或者获取数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述汽车产品数据和非汽车产品数据的私密和安全性,上述汽车产品数据和非汽车产品数据还可以存储于一区块链的节点中。
本申请所指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等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于迁移学习的产品理赔装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于迁移学习的产品理赔装置300,包括:
第一理赔预测模块301,用于获取第一产品数据,并基于第一产品数据训练第一理赔预测模型;
特征提取器构建模块302,用于获取第一理赔预测模型的隐藏层参数,并基于隐藏层参数构建特征提取器;
隐藏层替换模块303,用于使用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;
第二理赔预测模块304,用于获取第二产品数据,并基于第二产品数据训练新的预测模型,得到第二理赔预测模型,其中,第二产品数据的数据量小于第一产品数据的数据量,在训练新的预测模型时,冻结新的预测模型的隐藏层参数;
产品理赔模块305,用于接收理赔指令,获取待理赔产品的产品数据,将待理赔产品的产品数据导入到训练好的第二理赔预测模型,输出待理赔产品的理赔结果。
进一步地,特征提取器构建模块302具体包括:
关联产品特征子模块,用于获取第一产品数据和第二产品数据的关联产品特征;
关联参数获取子模块,用于确定第一理赔预测模型中与关联产品特征关联的隐藏层参数,得到关联参数;
特征提取器构建子模块,用于基于关联参数构建特征提取器。
进一步地,新的预测模型包括输入层、隐藏层和输出层,第二理赔预测模块304具体包括:
参数冻结子模块,用于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;
模型训练子模块,用于基于第二产品数据训练新的预测模型,得到第二产品的理赔预测结果;
预测误差子模块,用于比对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;
模型迭代子模块,用于基于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,得到第二理赔预测模型。
进一步地,模型训练子模块具体包括:
预处理单元,用于获取第二产品数据,并对第二产品数据进行预处理;
数据划分单元,用于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;
模型训练单元,用于基于第二产品数据训练集对新的预测模型进行训练,得到第二产品的理赔预测结果;
模型训练单元具体包括:
数据传递子单元,用于通过输入层依次接收第二产品数据训练集中的训练数据,并将训练数据依次传递给新的预测模型的隐藏层;
特征提取子单元,用于通过隐藏层对训练数据进行特征提取,得到训练数据对应的特征表示;
特征转化子单元,用于通过输出层中的激活函数对训练数据对应的特征表示进行特征转化,得到第二产品的理赔预测结果。
进一步地,模型迭代子模块具体包括:
误差计算单元,用于在输出层、隐藏层和输出层中传递第二产品理赔预测误差;
误差比对单元,用于分别获取输入层误差、隐藏层误差和输出层误差,并将输入层误差、隐藏层误差和输出层误差分别与预设标准第二产品误差阈值进行比对;
参数调优单元,用于当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,得到完成训练的第二理赔预测模型。
进一步地,第一理赔预测模型包括数据输入层、特征隐藏层和预测输出层,第一理赔预测模块301具体包括:
第一产品数据划分子模块,用于获取第一产品数据,对第一产品数据进行预处理,并对预处理后的第一产品数据进行数据划分,得到第一产品数据训练集和第一产品数据验证集;
第一理赔预测模型训练子模块,用于基于第一产品数据训练集对第一理赔预测模型进行训练;
第一理赔预测模型验证子模块,用于基于第一产品数据验证集对完成训练的第一理赔预测模型进行验证,并输出通过验证的第一理赔预测模型;
第一理赔预测模型训练子模块具体包括:
第一产品数据导入单元,用于将第一产品数据训练集导入第一理赔预测模型;
产品数据传递单元,用于通过数据输入层依次接收第一产品数据训练集中的产品数据,并将产品数据依次传递给特征隐藏层;
产品数据特征处理单元,用于通过特征隐藏层对产品数据进行特征处理,得到产品数据对应的特征表示;
产品数据特征转化单元,用于通过输出层的激活函数对产品数据对应的特征表示进行特征转化,得到第一产品的理赔预测结果;
第一理赔预测模迭代更新单元,用于基于第一产品的理赔预测结果和预设的第一产品标准处理结果对第一理赔预测模型进行迭代更新,直至模型拟合,得到完成训练的第一理赔预测模型。
进一步地,第一理赔预测模迭代更新单元具体包括:
第一产品理赔预测误差计算子单元,用于比对第一产品的理赔预测结果和预设的第一产品标准处理结果,获取第一产品理赔预测误差;
第一产品理赔预测误差传递子单元,用于在数据输出层、特征隐藏层和预测输出层中传递第一产品理赔预测误差;
第一产品理赔预测误差比对子单元,用于分别获取数据输入层误差、特征隐藏层误差和预测输出层误差,并将预测输入层误差、特征隐藏层误差和预测输出层误差分别与预设标准第一产品误差阈值进行比对;
第一理赔预测模型参数调优子单元,用于当第一理赔预测模型中存在任意一个网络层的误差大于预设标准第一产品误差阈值时,持续调整第一理赔预测模型的模型参数,直至第一理赔预测模型中所有网络层的误差都小于或等于预设标准第一产品误差阈值为止,得到完成训练的第一理赔预测模型。
在上述实施例中,本申请公开一种基于迁移学习的产品理赔装置,属于人工智能技术领域和产险金融领域。本申请针对数据量较少的第二产品数据,在进行第二产品的理赔预测模型训练时,通过迁移学习的方式来实现模型训练,先通过第一产品数据训练第一理赔预测模型,其中,第一产品数据为理赔数据的数据量较大的产品数据,然后使用第一理赔预测模型的隐藏层参数构建特征提取器,并使用特征提取器替换第二理赔预测模型的隐藏层,在训练第二理赔预测模型时,冻结第二理赔预测模型的隐藏层参数,仅需要对模型中其他网络层的参数进行调优,本申请可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
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41-43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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,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DX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(FlashCard)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,例如基于迁移学习的产品理赔方法的计算机可读指令等。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中存储的计算机可读指令或者处理数据,例如运行所述基于迁移学习的产品理赔方法的计算机可读指令。
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。
在上述实施例中,本申请公开一种计算机设备,属于人工智能技术领域和产险金融领域。本申请针对数据量较少的第二产品数据,在进行第二产品的理赔预测模型训练时,通过迁移学习的方式来实现模型训练,先通过第一产品数据训练第一理赔预测模型,其中,第一产品数据为理赔数据的数据量较大的产品数据,然后使用第一理赔预测模型的隐藏层参数构建特征提取器,并使用特征提取器替换第二理赔预测模型的隐藏层,在训练第二理赔预测模型时,冻结第二理赔预测模型的隐藏层参数,仅需要对模型中其他网络层的参数进行调优,本申请可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
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计算机可读指令,所述计算机可读指令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迁移学习的产品理赔方法的步骤。
在上述实施例中,本申请公开一种计算机可读存储介质,属于人工智能技术领域和产险金融领域。本申请针对数据量较少的第二产品数据,在进行第二产品的理赔预测模型训练时,通过迁移学习的方式来实现模型训练,先通过第一产品数据训练第一理赔预测模型,其中,第一产品数据为理赔数据的数据量较大的产品数据,然后使用第一理赔预测模型的隐藏层参数构建特征提取器,并使用特征提取器替换第二理赔预测模型的隐藏层,在训练第二理赔预测模型时,冻结第二理赔预测模型的隐藏层参数,仅需要对模型中其他网络层的参数进行调优,本申请可以加快训练样本数量较少的产品理赔预测模型的训练过程,减少模型训练过程中对产品数据的依赖,同时保证产品理赔预测模型在新任务上的准确度和泛化能力。
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。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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 (10)
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模型。
6.如权利要求1至5任意一项所述基于迁移学习的产品理赔方法,其特征在于,所述第一理赔预测模型包括数据输入层、特征隐藏层和预测输出层,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,具体包括:
获取第一产品数据,对所述第一产品数据进行预处理,并对预处理后的所述第一产品数据进行数据划分,得到第一产品数据训练集和第一产品数据验证集;
基于所述第一产品数据训练集对所述第一理赔预测模型进行训练;
基于所述第一产品数据验证集对完成训练的所述第一理赔预测模型进行验证,并输出通过验证的所述第一理赔预测模型;
基于所述第一产品数据训练集对所述第一理赔预测模型进行训练,具体包括:
将所述第一产品数据训练集导入所述第一理赔预测模型;
通过所述数据输入层依次接收所述第一产品数据训练集中的产品数据,并将所述产品数据依次传递给特征隐藏层;
通过所述特征隐藏层对所述产品数据进行特征处理,得到所述产品数据对应的特征表示;
通过所述输出层的激活函数对所述产品数据对应的特征表示进行特征转化,得到第一产品的理赔预测结果;
基于所述第一产品的理赔预测结果和预设的第一产品标准处理结果对所述第一理赔预测模型进行迭代更新,直至模型拟合,得到完成训练的所述第一理赔预测模型。
7.如权利要求6所述基于迁移学习的产品理赔方法,其特征在于,基于所述第一产品的理赔预测结果和预设的第一产品标准处理结果对所述第一理赔预测模型进行迭代更新,直至模型拟合,得到完成训练的所述第一理赔预测模型,具体包括:
比对所述第一产品的理赔预测结果和预设的第一产品标准处理结果,获取第一产品理赔预测误差;
在所述数据输出层、所述特征隐藏层和所述预测输出层中传递所述第一产品理赔预测误差;
分别获取数据输入层误差、特征隐藏层误差和预测输出层误差,并将所述预测输入层误差、所述特征隐藏层误差和所述预测输出层误差分别与预设标准第一产品误差阈值进行比对;
当所述第一理赔预测模型中存在任意一个网络层的误差大于预设标准第一产品误差阈值时,持续调整所述第一理赔预测模型的模型参数,直至所述第一理赔预测模型中所有网络层的误差都小于或等于预设标准第一产品误差阈值为止,得到完成训练的所述第一理赔预测模型。
8.一种基于迁移学习的产品理赔装置,其特征在于,包括:
第一理赔预测模块,用于获取第一产品数据,并基于所述第一产品数据训练第一理赔预测模型;
特征提取器构建模块,用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;
隐藏层替换模块,用于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;
第二理赔预测模块,用于获取第二产品数据,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;
产品理赔模块,用于接收理赔指令,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。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于迁移学习的产品理赔方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于迁移学习的产品理赔方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160060.5A CN117252712A (zh) | 2023-09-08 | 2023-09-08 | 基于迁移学习的产品理赔方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160060.5A CN117252712A (zh) | 2023-09-08 | 2023-09-08 | 基于迁移学习的产品理赔方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117252712A true CN117252712A (zh) | 2023-12-19 |
Family
ID=89132316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311160060.5A Pending CN117252712A (zh) | 2023-09-08 | 2023-09-08 | 基于迁移学习的产品理赔方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252712A (zh) |
-
2023
- 2023-09-08 CN CN202311160060.5A patent/CN117252712A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120677A1 (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
CN115329876A (zh) | 一种设备故障处理方法、装置、计算机设备及存储介质 | |
CN116777642A (zh) | 基于集成学习模型的车险风险参数预测方法及装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN116578774A (zh) | 一种预估排序方法、装置、计算机设备及存储介质 | |
CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
CN117252712A (zh) | 基于迁移学习的产品理赔方法、装置、设备及存储介质 | |
CN113792342B (zh) | 一种脱敏数据还原的方法、装置、计算机设备及存储介质 | |
CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN117252713A (zh) | 一种新能源车的风险识别方法、装置、设备及存储介质 | |
CN117236707A (zh) | 一种资产优化配置方法、装置、计算机设备及存储介质 | |
CN116756147A (zh) | 一种数据归类方法、装置、计算机设备及存储介质 | |
CN117611352A (zh) | 一种车险理赔处理方法、装置、计算机设备及存储介质 | |
CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN116775776A (zh) | 一种多标签文本分类方法、装置、计算机设备及存储介质 | |
CN116977095A (zh) | 一种动态风控预警方法、装置、计算机设备及存储介质 | |
CN115344564A (zh) | 一种数据核验方法、装置、计算机设备及存储介质 | |
CN116934506A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 | |
CN116824600A (zh) | 一种公司***识别方法及其相关设备 |
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 |