赔付策略的构建方法、装置、设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种赔付策略的构建方法、装置、设备及存储介质。


背景技术：

2.对于交通事故车的理赔方案，保险公司的业务人员需要根据公司的赔付政策，差异化地为每个汽车修理厂制定赔付策略，当出现交通事故理赔需求时，则根据相应的赔付策略对顾客进行理赔，若制定的赔付策略不准确，易造成赔付金额渗漏。
3.现有对于赔付策略的构建方法，是通过传统的手工配置进行的，效率低下。


技术实现要素：

4.本发明的主要目的在于解决现有赔付策略的构建方法效率低下的问题。
5.本发明第一方面提供了一种赔付策略的构建方法，包括：
6.获取多个汽车修理厂的历史保费因子数据，并根据每个所述汽车修理厂的历史保费因子数据，构建历史保费因子数据集；
7.基于所述历史保费因子数据集，对预设的神经网络模型进行训练，得到修理厂预测模型；
8.根据预设的业务需求，生成风险评分模型；
9.调用所述修理厂预测模型和所述风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若所述目标风险评分大于预设的阈值，则根据所述目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出所述标准赔付策略。
10.可选的，在本发明第一方面的第一种实现方式中，在所述获取多个汽车修理厂的历史保费因子数据，并根据每个所述汽车修理厂的历史保费因子数据，构建历史保费因子数据集之后，在所述基于所述历史保费因子数据集，对预设的神经网络模型进行训练，得到修理厂预测模型之前，还包括：
11.基于预设的修理厂类型，对每个汽车修理厂的历史保费因子数据集进行分类；
12.根据分类结果，并基于预设的数据标注工具，对历史保费因子数据集中的每条数据添加数据标签。
13.可选的，在本发明第一方面的第二种实现方式中，所述基于所述历史保费因子数据集，对预设的神经网络模型进行训练，得到修理厂预测模型包括：
14.调用所述神经网络模型中的输入层网络，对所述历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量；
15.调用所述神经网络模型中的隐藏层网络，对所述历史保费特征向量进行特征学习，得到多条历史保费隐含向量和每条历史保费隐含向量的权重；
16.调用所述神经网络模型中的输出层网络，并根据所述历史保费隐含向量和每条历
史保费隐含向量的权重，计算所述历史保费因子数据集中每条数据与所述数据标签之间的匹配概率，得到多分类匹配概率分布；
17.根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值，并根据所述损失值，调节所述神经网络模型的网络参数，得到修理厂预测模型。
18.可选的，在本发明第一方面的第三种实现方式中，所述输入层网络中包括词嵌入网络、多层自注意力网络以及多层前馈神经网络，所述调用所述神经网络模型中的输入层网络，对所述历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量包括：
19.基于所述词嵌入网络，对所述历史保费因子数据集中的每条数据进行编码，得到多个词向量；
20.基于所述多层自注意力网络，对所述词向量进行上下文编码，得到多条编码序列；
21.基于所述多层前馈神经网络，对每条编码序列进行非线性变换，得到多个历史保费特征向量。
22.可选的，在本发明第一方面的第四种实现方式中，在所述调用所述神经网络模型中的输入层网络，对所述历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量之后，在所述调用所述神经网络模型中的隐藏层网络，对所述历史保费特征向量进行特征学习，得到多条历史保费隐含向量和每条历史保费隐含向量的权重之前，还包括：
23.调用预设的卷积核，对每个历史保费特征向量进行卷积，得到多个低维且稠密的历史保费特征向量。
24.可选的，在本发明第一方面的第五种实现方式中，所述调用所述神经网络模型中的输出层网络，并根据所述历史保费隐含向量和每条历史保费隐含向量的权重，计算所述历史保费因子数据集中每条数据与所述数据标签之间的匹配概率，得到多分类匹配概率分布包括：
25.调用所述输出层网络中的多分类器，对所述历史保费隐含向量进行平均，得到平均向量，并通过每条历史保费隐含向量的权重和预设的得分函数，计算所述平均向量对应的多个初始分类得分；
26.基于预设的扩散函数，对每个初始分类得分进行值扩散，得到多个目标分类得分；
27.对每个目标分类得分进行归一化处理，得到多分类匹配概率分布，其中，所述多分类匹配概率分布用于表示所述历史保费因子数据集中每条数据与所述数据标签之间的匹配概率。
28.可选的，在本发明第一方面的第六种实现方式中，所述根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值，并根据所述损失值，调节所述神经网络模型的网络参数，得到修理厂预测模型包括：
29.根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值，并将所述多分类匹配概率分布对应的损失值输入至所述神经网络模型；
30.根据所述多分类匹配概率分布对应的损失值和随机梯度下降算法，对所述神经网络模型的网络参数进行迭代更新，直至所述神经网络模型收敛时，确定当前所述神经网络模型的网络参数为目标参数，得到修理厂预测模型。
31.本发明第二方面提供了一种赔付策略的构建装置，包括：
32.数据集构建模块，用于获取多个汽车修理厂的历史保费因子数据，并根据每个所述汽车修理厂的历史保费因子数据，构建历史保费因子数据集；
33.模型训练模块，用于基于所述历史保费因子数据集，对预设的神经网络模型进行训练，得到修理厂预测模型；
34.评分模型构建模块，用于根据预设的业务需求，生成风险评分模型；
35.赔付策略生成模块，用于调用所述修理厂预测模型和所述风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若所述目标风险评分大于预设的阈值，则根据所述目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出所述标准赔付策略。
36.可选的，在本发明第二方面的第一种实现方式中，所述模型训练模块具体包括：
37.数据编码单元，用于调用所述神经网络模型中的输入层网络，对所述历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量；
38.特征学习单元，用于调用所述神经网络模型中的隐藏层网络，对所述历史保费特征向量进行特征学习，得到多条历史保费隐含向量和每条历史保费隐含向量的权重；
39.概率计算单元，用于调用所述神经网络模型中的输出层网络，并根据所述历史保费隐含向量和每条历史保费隐含向量的权重，计算所述历史保费因子数据集中每条数据与所述数据标签之间的匹配概率，得到多分类匹配概率分布；
40.参数调节单元，用于根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值，并根据所述损失值，调节所述神经网络模型的网络参数，得到修理厂预测模型。
41.可选的，在本发明第二方面的第二种实现方式中，所述数据编码单元具体用于：
42.基于所述词嵌入网络，对所述历史保费因子数据集中的每条数据进行编码，得到多个词向量；
43.基于所述多层自注意力网络，对所述词向量进行上下文编码，得到多条编码序列；
44.基于所述多层前馈神经网络，对每条编码序列进行非线性变换，得到多个历史保费特征向量。
45.可选的，在本发明第二方面的第三种实现方式中，所述概率计算单元具体用于：
46.调用所述输出层网络中的多分类器，对所述历史保费隐含向量进行平均，得到平均向量，并通过每条历史保费隐含向量的权重和预设的得分函数，计算所述平均向量对应的多个初始分类得分；
47.基于预设的扩散函数，对每个初始分类得分进行值扩散，得到多个目标分类得分；
48.对每个目标分类得分进行归一化处理，得到多分类匹配概率分布，其中，所述多分类匹配概率分布用于表示所述历史保费因子数据集中每条数据与所述数据标签之间的匹配概率。
49.可选的，在本发明第二方面的第四种实现方式中，所述参数调节单元具体用于：
50.根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值，并将所述多分类匹配概率分布对应的损失值输入至所述神经网络模型；
51.根据所述多分类匹配概率分布对应的损失值和随机梯度下降算法，对所述神经网络模型的网络参数进行迭代更新，直至所述神经网络模型收敛时，确定当前所述神经网络模型的网络参数为目标参数，得到修理厂预测模型。
52.本发明第三方面提供了一种赔付策略的构建设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述赔付策略的构建设备执行上述的赔付策略的构建方法。
53.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的赔付策略的构建方法。
54.本发明提供的技术方案中，通过多个汽车修理厂的历史保费因子数据构成的数据集对预设模型进行训练，从而得到修理厂预测模型，并基于业务需求构建风险评分模型，这两个模型分别执行两项任务，其一预测修理厂的类型，其二根据预测的修理厂类型，按照评分模型中该修理厂类型对应风险评分计算规则，得到相应的风险评分，若该风险评分达到预设阈值，则匹配相应的标准赔付策略。本发明通过构建修理厂预测模型从而准确得到修理厂的类型，进而计算相应的风险平分和匹配相应的赔付策略，准确且高效。
附图说明
55.图1为本发明实施例中赔付策略的构建方法的第一个实施例示意图；
56.图2为本发明实施例中赔付策略的构建方法的第二个实施例示意图；
57.图3为本发明实施例中赔付策略的构建方法的第三个实施例示意图；
58.图4为本发明实施例中赔付策略的构建方法的第四个实施例示意图；
59.图5为本发明实施例中赔付策略的构建装置的一个实施例示意图；
60.图6为本发明实施例中赔付策略的构建装置的另一个实施例示意图；
61.图7为本发明实施例中赔付策略的构建设备的一个实施例示意图。
具体实施方式
62.本发明实施例提供了一种赔付策略的构建方法、装置、设备及存储介质，监控效率更高。
63.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”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、系统、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。
64.本发明中的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、技术及应用系统。
65.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/交互系统、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。
66.应当理解的是，本发明中的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。
67.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中赔付策略的构建方法的一个实施例包括：
68.101、获取多个汽车修理厂的历史保费因子数据，并根据每个汽车修理厂的历史保费因子数据，构建历史保费因子数据集；
69.可以理解的是，历史保费因子数据为汽车修理厂在当前月份之前的一段时间内产生的各项保费因子数据。保费因子数据是保险公司与修理厂签订的赔付协议中定义的一些用于量化保险风险的指标量，例如产值保费比、月均保费、满期赔付率等。
70.102、基于历史保费因子数据集，对预设的神经网络模型进行训练，得到修理厂预测模型；
71.可以理解的是，预设的神经网络模型可以为lenet、alexnet、vgg等，本实施例中对其并不做限定。本实施例中通过真实的数据集，对神经网络模型进行分类训练。具体的，服务器调用该神经网络模型，学习输入数据的数据特征，并根据这些数据特征，将输入数据按照给定的数据标签进行分类，然后将分类结果与真实结果进行比对后，调整模型的网络参数，直至模型能够达到一个较为良好的分类效果时，结束对模型的训练，得到修理厂预测模型，即一个分类模型。
72.103、根据预设的业务需求，生成风险评分模型；
73.可以理解的是，修理厂风险评分模型是一种数据计算模型，其定义了修理厂风险评分s的计算方式，例如存在修理厂的三种保费因子数据：产值保费比a、月均保费b、满期赔付率c，风险评分s＝20％*a 30％*b 40％*c。当服务器将保费因子数据输入该风险评分模型后，按照该模型中预设的计算规则，对输入的保费因子数据进行计算，从而得到相应的风险得分，用于评估该修理厂是否存在理赔策略上的风险。
74.104、调用修理厂预测模型和风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若目标风险评分大于预设的阈值，则根据目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出该标准赔付策略。
75.可以理解的是，修理厂预测模型用于预测输入数据对应的修理厂类型，风险评分模型用于计算输入数据(即某个修理厂)对应的风险评分。本月保费因子数据为某一个汽车修理厂在当前月份中产生的各项保费因子数据，也就是待检测的数据。例如某条本月保费因子数据输入修理厂预测模型处理后得到修理厂的类型为a，再将其输入风险评分模型计算得到对应的风险评分为85分，若预设的阈值为60分，则在数据库中匹配修理厂为a类型的数据记录，并将该条数据记录中存储的标准赔付策略进行输出(即a类型修理厂统一标准的赔付策略)。
76.本实施例中，本发明通过构建修理厂预测模型和风险评分模型从而准确得到修理厂的类型和该修理厂类型对应风险评分，进而匹配相应的赔付策略，准确且高效。
77.请参阅图2，本发明实施例中赔付策略的构建方法的第二个实施例包括：
78.201、获取多个汽车修理厂的历史保费因子数据，并根据每个汽车修理厂的历史保
费因子数据，构建历史保费因子数据集；
79.其中，步骤201与上述步骤101的执行步骤类似，具体此处不再赘述。
80.202、基于预设的修理厂类型，对每个汽车修理厂的历史保费因子数据集进行分类，并根据分类结果和预设的数据标注工具，对历史保费因子数据集中的每条数据添加数据标签；
81.可以理解的是，修理厂类型可以根据业务性质进行分类，也可以按照修理厂的名称进行分类，本实施例中对其并不做限定，对于每一类的修理厂，存在唯一对应的一项标准赔付策略。数据标注工具用于对数据进行贴标，可采用如doccano等工具。每个数据标签即表示历史保费因子数据集中每条数据对应的修理厂类型，例如按照修理厂的名称进行分类时，该数据标签则对应修理厂的名称。
82.203、调用预设神经网络模型中的输入层网络，对历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量；
83.可以理解的是，输入层网络中主要包括多层翻译网络(transformer)，transformer在结构上包括编码器(encoder)和解码器(decoder)，分别用于编码和解码，服务器将数据输入该预测模型的输入层，并调用输入层中的transformer网络，对样本数据进行快速编码(包括字嵌入、段落嵌入、位置编码等)，从而将文本数据翻译为模型能够识别的特征向量。
84.可选的，为了提升模型的计算处理效率，在模型的输入层和隐藏层之间还引入一个嵌入层，服务器通过调用该嵌入层中的卷积核(例如1*1大小)，对每个历史保费特征向量进行卷积，从而将其压缩为稠密的低维向量。
85.204、调用预设神经网络模型中的隐藏层网络，对历史保费特征向量进行特征学习，得到多条历史保费隐含向量和每条历史保费隐含向量的权重；
86.可以理解的是，隐藏层网络中至少包括一个卷积网络和一个全局池化网络，服务器通过对历史保费特征向量进行至少一次卷积处理，从而从无规律的数据分布中提取到规律性的隐含特征(即隐含向量)以及提取其权重，并且通过全局池化网络对隐含向量进行池化处理，以提升向量的感受野，从而提升模型的计算处理速度。
87.205、调用预设神经网络模型中的输出层网络，并根据历史保费隐含向量和每条历史保费隐含向量的权重，计算历史保费因子数据集中每条数据与数据标签之间的匹配概率，得到多分类匹配概率分布；
88.可以理解的是，服务器将历史保费隐含向量及其权重输入至模型的输出层网络(全连接网络)中，并基于一个多分类器(如softmax)，将其映射到(0,1)数值区间内，即一个多分类的匹配概率分布。
89.206、根据预设的损失函数，计算多分类匹配概率分布对应的损失值，并根据该损失值，调节预设神经网络模型的网络参数，得到修理厂预测模型；
90.可以理解的是，该损失值用于表示预测结果与实际结果之间的损失值，当损失值越小时，则表示预测结果越接近实际结果。服务器根据该损失值得大小，迭代调整模型的网络参数，然后再次进行训练及计算对应的损失值，直至模型收敛时，确定效果最优的网络参数，从而得到修理厂预测模型。
91.207、根据预设的业务需求，生成风险评分模型；
92.208、调用修理厂预测模型和风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若目标风险评分大于预设的阈值，则根据目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出该标准赔付策略。
93.其中，步骤207
‑
208与上述步骤103
‑
104的执行步骤类似，具体此处不再赘述。
94.本实施例中，详细描述了模型训练的过程，通过对数据进行特征学习后，根据特征学习的结果预测数据与每种数据标签之间的匹配概率，最后通过计算损失值来迭代调整模型的网络参数，从而让修理厂预测模型的预测结果更加准确。
95.请参阅图3，本发明实施例中赔付策略的构建方法的第三个实施例包括：
96.301、获取多个汽车修理厂的历史保费因子数据，并根据每个汽车修理厂的历史保费因子数据，构建历史保费因子数据集；
97.302、基于预设的修理厂类型，对每个汽车修理厂的历史保费因子数据集进行分类，并根据分类结果和预设的数据标注工具，对历史保费因子数据集中的每条数据添加数据标签；
98.303、调用预设神经网络模型中的输入层网络，对历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量；
99.304、调用预设神经网络模型中的隐藏层网络，对历史保费特征向量进行特征学习，得到多条历史保费隐含向量和每条历史保费隐含向量的权重；
100.其中，步骤301
‑
304与上述步骤201
‑
204的执行步骤类似，具体此处不再赘述。
101.305、调用输出层网络中的多分类器，对历史保费隐含向量进行平均，得到平均向量，并通过每条历史保费隐含向量的权重和预设的得分函数，计算平均向量对应的多个初始分类得分；
102.应当理解的是，本实施例中采用的多分类器为softmax分类器，服务器首先将历史保费隐含向量求和后，计算对应的平均向量；其次，根据分类器中预设的得分函数，计算该平均向量在不同情况下(多个分类标签，此处为修理厂类型的标签)的多个初始分类得分(即修理厂类型标签—初始分类得分之间的分布t)，例如t＝[a:3.2，b:5.1，c:
‑
1.7]，其中，a、b、c为三种不同的修理厂类型。
[0103]
306、基于预设的扩散函数，对每个初始分类得分进行值扩散，得到多个目标分类得分；
[0104]
可以理解的是，平均向量对应的多个初始分类得分之间的数据离散度较小，服务器通过预设的扩散函数，例如exp函数(求初始分类得分的e的x幂，e为欧拉数，即一个无限不循环小数，x为该初始分类得分)将其进行值扩散(数值的扩大)，当得分越大时，其数据离散度越大，结果愈加明显，例如将分布t进行值扩散，得到分布x＝[a:e
3.2
，b:e
5.1
，c:e
‑
1.7
]，即x＝[a:24.5，b:164.0，c:0.18]。
[0105]
307、对每个目标分类得分进行归一化处理，得到多分类匹配概率分布，其中，多分类匹配概率分布用于表示历史保费因子数据集中每条数据与数据标签之间的匹配概率；
[0106]
可以理解的是，归一化处理(normalize)的目的在于将数据映射为0至1之间的小数(即一个概率)，例如对分布x进行归一处理，通过将分布x中的每个目标分类得分进行求和，得到总得分，然后计算每个分类得分与总得分之间的比例，得到多分类概率分布z＝[a:0.13，b:0.87，c:0.00]。
[0107]
308、根据预设的损失函数，计算多分类匹配概率分布对应的损失值，并根据该损失值，调节预设神经网络模型的网络参数，得到修理厂预测模型；
[0108]
309、根据预设的业务需求，生成风险评分模型；
[0109]
310、调用修理厂预测模型和风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若目标风险评分大于预设的阈值，则根据目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出该标准赔付策略。
[0110]
其中，步骤308
‑
310与上述步骤206
‑
208的执行步骤类似，具体此处不再赘述。
[0111]
本实施例中，详细描述了多分类概率分布的计算过程，通过计算值扩散和归一化处理，从而得到数据与标签之间匹配概率，并根据匹配概率确定数据对应的修理厂类型，通过对数据进行量化计算，从而提高预测的准确性。
[0112]
请参阅图4，本发明实施例中赔付策略的构建方法的第四个实施例包括：
[0113]
401、获取多个汽车修理厂的历史保费因子数据，并根据每个汽车修理厂的历史保费因子数据，构建历史保费因子数据集；
[0114]
402、基于预设的修理厂类型，对每个汽车修理厂的历史保费因子数据集进行分类，并根据分类结果和预设的数据标注工具，对历史保费因子数据集中的每条数据添加数据标签；
[0115]
403、调用预设神经网络模型中的输入层网络，对历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量；
[0116]
404、调用预设神经网络模型中的隐藏层网络，对历史保费特征向量进行特征学习，得到多条历史保费隐含向量和每条历史保费隐含向量的权重；
[0117]
405、调用预设神经网络模型中的输出层网络，并根据历史保费隐含向量和每条历史保费隐含向量的权重，计算历史保费因子数据集中每条数据与数据标签之间的匹配概率，得到多分类匹配概率分布；
[0118]
其中，步骤401
‑
405与上述步骤201
‑
205的执行步骤类似，具体此处不再赘述。
[0119]
406、根据预设的损失函数，计算多分类匹配概率分布对应的损失值，并将多分类匹配概率分布对应的损失值输入至预设神经网络模型；
[0120]
可以理解的是，服务器将损失值从该神经网络模型的输出层向隐藏层反向传播，直至传播到该预测模型的输入层，以更新输入层和隐藏层中的向量权重。
[0121]
407、根据多分类匹配概率分布对应的损失值和随机梯度下降算法，对预设神经网络模型的网络参数进行迭代更新，直至预设神经网络模型收敛时，确定当前预设神经网络模型的网络参数为目标参数，得到修理厂预测模型；
[0122]
可以理解的是，在反向传播的过程中，根据损失值，随机选取一个点方向作梯度下降，并根据梯度下降的结果，对模型输入层和隐藏层中特征向量的权重进行迭代更新，每一次权重更新后重新计算对应的多分类匹配概率分布及其损失值，直至模型收敛时，例如当损失值小于预设的阈值时，确定当前网络参数为目标参数，得到修理厂预测模型。
[0123]
408、根据预设的业务需求，生成风险评分模型；
[0124]
409、调用修理厂预测模型和风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若目标风险评分大于预设的阈值，则根据目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出该标准赔付策略。
[0125]
其中，步骤408
‑
409与上述步骤103
‑
104的执行步骤类似，具体此处不再赘述。
[0126]
本实施例中，详细描述根据损失值迭代调整模型参数的过程，通过计算损失值，并在模型中反向传播该损失值后随机梯度下降模型的网络参数，从而找到局部最优的网络参数，进而提升模型预测的准确性。
[0127]
上面对本发明实施例中赔付策略的构建方法进行了描述，下面对本发明实施例中赔付策略的构建装置进行描述，请参阅图5，本发明实施例中赔付策略的构建装置的一个实施例包括：
[0128]
数据集构建模块501，用于获取多个汽车修理厂的历史保费因子数据，并根据每个所述汽车修理厂的历史保费因子数据，构建历史保费因子数据集；
[0129]
模型训练模块502，用于基于所述历史保费因子数据集，对预设的神经网络模型进行训练，得到修理厂预测模型；
[0130]
评分模型构建模块503，用于根据预设的业务需求，生成风险评分模型；
[0131]
赔付策略生成模块504，用于调用所述修理厂预测模型和所述风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若所述目标风险评分大于预设的阈值，则根据所述目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出所述标准赔付策略。
[0132]
本实施例中，本发明通过构建修理厂预测模型从而准确得到修理厂的类型，进而计算相应的风险平分和匹配相应的赔付策略，准确且高效。
[0133]
参阅图6，本发明实施例中赔付策略的构建装置的另一个实施例包括：
[0134]
数据集构建模块501，用于获取多个汽车修理厂的历史保费因子数据，并根据每个所述汽车修理厂的历史保费因子数据，构建历史保费因子数据集；
[0135]
模型训练模块502，用于基于所述历史保费因子数据集，对预设的神经网络模型进行训练，得到修理厂预测模型；
[0136]
评分模型构建模块503，用于根据预设的业务需求，生成风险评分模型；
[0137]
赔付策略生成模块504，用于调用所述修理厂预测模型和所述风险评分模型，分别对待检测的本月保费因子数据进行处理，得到目标修理厂类型和目标风险评分，若所述目标风险评分大于预设的阈值，则根据所述目标修理厂类型，在预设的数据库中匹配相应的标准赔付策略，并输出所述标准赔付策略。
[0138]
具体的，模型训练模块502具体包括：
[0139]
数据编码单元5021，用于调用所述神经网络模型中的输入层网络，对所述历史保费因子数据集中的每条数据进行编码，得到多个历史保费特征向量；
[0140]
特征学习单元5022，用于调用所述神经网络模型中的隐藏层网络，对所述历史保费特征向量进行特征学习，得到多条历史保费隐含向量和每条历史保费隐含向量的权重；
[0141]
概率计算单元5023，用于调用所述神经网络模型中的输出层网络，并根据所述历史保费隐含向量和每条历史保费隐含向量的权重，计算所述历史保费因子数据集中每条数据与所述数据标签之间的匹配概率，得到多分类匹配概率分布；
[0142]
参数调节单元5024，用于根据预设的损失函数，计算所述多分类匹配概率分布对应的损失值，并根据所述损失值，调节所述神经网络模型的网络参数，得到修理厂预测模型。
[0143]
本发明实施例中，模块化的设计让赔付策略的构建装置各部位的硬件专注于某一功能的实现，最大化实现了硬件的性能，同时模块化的设计也降低了装置的模块之间的耦合性，更加方便维护。
[0144]
上面图5和图6从模块化功能实体的角度对本发明实施例中的赔付策略的构建装置进行详细描述，下面从硬件处理的角度对本发明实施例中赔付策略的构建设备进行详细描述。
[0145]
图7是本发明实施例提供的一种赔付策略的构建设备的结构示意图，该赔付策略的构建设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对赔付策略的构建设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在赔付策略的构建设备700上执行存储介质730中的一系列指令操作。
[0146]
赔付策略的构建设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图7示出的赔付策略的构建设备结构并不构成对赔付策略的构建设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0147]
本发明还提供一种赔付策略的构建设备，所述赔付策略的构建设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述赔付策略的构建方法的步骤。
[0148]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述赔付策略的构建方法的步骤。
[0149]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0150]
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(可以是个人计算机，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、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0151]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些
修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。