核保问题的解答方法、解答装置、设备及存储介质与流程

1.本技术涉及金融科技技术领域，尤其涉及一种核保问题的解答方法、核保问题的解答装置、计算机设备及计算机可读存储介质。


背景技术：

2.随着用户对保险产品的认可程度提高，国内保险业务单量呈现剧增的趋势，所有大型保险公司都将流程自动化的提高作为重要目标。从核保人及用户的体验来说，对核保服务提出了更快、更高效、更准确的要求。
3.由于保险公司通常有大量的核保政策，因此核保人在面对海量的核保政策时通常会出现对于某些政策不清晰的情况，进而出现解答错误，甚至导致后期保单因无法承保或者承保后产生纠纷的问题出现。


技术实现要素：

4.本技术提供了一种核保问题的解答方法、核保问题的解答装置、计算机设备及计算机可读存储介质，旨在通过目标深度学习模型对基于核保政策提出的核保问题进行分析，从而输出得到对应的核保结果，实现了减少核保人答疑的工作量以及沟通成本，避免了核保人对于核保政策了解不透彻或不全面引起的解答错误的情况出现。
5.为实现上述目的，本技术提供一种核保问题的解答方法，所述方法包括：
6.获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；
7.将所述基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子；
8.通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果。
9.为实现上述目的，本技术还提供一种核保问题的解答装置，包括：
10.获取模块，所述获取模块用于获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；
11.特征提取模块，所述特征提取模块用于将所述基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子；
12.输出模块，所述输出模块用于通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果。
13.此外，为实现上述目的，本技术还提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述的计算机程序并在执行所述的计算机程序时实现本技术实施例提供的任一项所述的核保问题的解答方法的步骤。
14.此外，为实现上述目的，本技术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使所述处理器实现本技术实
施例提供的任一项所述的核保问题的解答方法的步骤。
15.本技术实施例公开的核保问题的解答方法、核保问题的解答装置、计算机设备及计算机可读存储介质，能够获取待解答的目标核保问题以及目标深度学习模型，其中，目标核保问题包括基于核保政策提出的核保问题。进一步的，可将基于核保政策提出的核保问题进行特征提取操作，从而得到对应的若干特征因子。如此，可通过目标深度学习模型对每一特征因子进行分析，并输出得到核保问题对应的核保结果。本技术旨在通过目标深度学习模型对基于核保政策提出的核保问题进行分析，从而输出得到较为精确的核保结果。相较于现有技术基于核保人的经验给出对应的核保结果，本技术通过该方法实现了减少核保人答疑的工作量以及沟通成本，避免了核保人对于核保政策了解不透彻或不全面引起的解答错误的情况出现。
附图说明
16.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
17.图1是本技术实施例提供的一种核保问题的解答方法的场景示意图；
18.图2是本技术实施例提供的一种核保问题的解答方法的流程示意图；
19.图3是本技术实施例提供的一种获取目标深度学习模型的流程示意图；
20.图4是本技术实施例提供的另一种获取目标深度学习模型的流程示意图；
21.图5是本技术实施例提供的一种核保问题的解答装置的示意性框图；
22.图6是本技术实施例提供的一种计算机设备的示意性框图。
具体实施方式
23.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
24.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。另外，虽然在装置示意图中进行了功能模块的划分，但是在某些情况下，可以以不同于装置示意图中的模块划分。
25.在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
26.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
27.如图1所示，本技术实施例提供的核保问题的解答方法，可以应用于如图1所示的应用环境中。该应用环境中包含有终端设备110和服务器120，其中，终端设备110可以通过网络与服务器120进行通信。具体地，服务器120能够获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；将所述基于核
保政策提出的核保问题进行特征提取操作，得到若干特征因子；进而通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果，并将核保结果发送至终端设备110。其中，服务器120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。终端设备110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
28.请参阅图2，图2是本技术实施例提供的一种核保问题的解答方法的流程示意图。其中，该核保问题的解答方法可以应用在计算机设备中，由此实现对核保问题进行解答，并得到核保结果。
29.如图2所示，该核保问题的解答方法包括步骤s11至步骤s13。
30.步骤s11：获取待解答的目标核保问题，获取目标深度学习模型，其中，目标核保问题包括基于核保政策提出的核保问题。
31.其中，核保政策指的是核保过程中的核保原理及规则。在保险的核保过程中，需要根据当前的核保政策进行核保。
32.可以理解的，由于核保政策较多，且核保政策通常不断的更新。因此受保人会基于当前的核保政策提出相关的问题，以用于确定其对应的保单是否能够承保。
33.进一步的，本技术对于目标深度学习模型的类型不加以限定，例如可以包括逻辑回归模型、随机森林模型、决策树模型等。
34.在本技术实施例中，可获取待解答的目标核保问题，以及目标深度学习模型，目的基于目标深度学习模型对目标核保问题进行解答。
35.步骤s12：将基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子。
36.需要说明的是，特征提取是指从图像或者文本中抽取出特征向量用以表示文本信息。本技术对于对核保问题进行特征提取的方法不加以限定，例如可以通过tf-idf、词频方法、文本频次方法、互信息等方法实现对核保问题进行特征提取操作等。本技术以核保问题特征提取的方法为互信息的方法为例进行说明。
37.互信息是信息论中的一个概念，用于表示信息之间的关系，是两个随机变量统计相关性的数值表现。使用互信息理论进行特征提取是基于这样的假设：在某个特定类别出现频率高，但在其他类别出现频率比较低的词条与该类的互信息比较大。特征项和类别的互信息体现了特征项与类别的相关程度，是一种广泛用于建立词关联统计模型的标准。因此对于每一主题来讲，特征的互信息越大，说明它与该主题的共现概率越大，因此以互信息可以作为提取特征的评价时应选互信息最大的若干个特征。
38.进一步的，特征因子用于表示受保人的待核保关键信息，例如在核保问题为健康险类型的问题时，特征因子可以包括性别、年龄、既往病史、遗产病史等，本技术对此不加以限定。
39.在本技术实施例中，可通过互信息的方式对核保问题进行特征提取操作，以得到能够表示核保问题的若干特征因子，以用于后续对核保问题进行解答。
40.步骤s13：通过目标深度学习模型对每一特征因子进行分析，输出得到对应的目标答案，其中，目标答案包括核保问题对应的核保结果。
41.具体的，可将表示核保问题的每一特征因子输入至目标深度学习模型，进而输出得到核保问题对应的核保结果，该核保结果至少表示受保人提出的核保问题是否能被承保。
42.在本技术实施例中，可通过目标深度学习模型对每一特征因子进行分析，进而输出得到核保问题对应的核保结果。相较于现有技术基于核保人的经验给出对应的核保结果，通过目标深度学习实现核保问题的解答能够实现减少核保人答疑的工作量以及沟通成本，避免了核保人对于核保政策了解不透彻或不全面引起的解答错误的情况出现。
43.本技术实施例公开的核保问题的解答方法、核保问题的解答装置、计算机设备及计算机可读存储介质，能够获取待解答的目标核保问题以及目标深度学习模型，其中，目标核保问题包括基于核保政策提出的核保问题。进一步的，可将基于核保政策提出的核保问题进行特征提取操作，从而得到对应的若干特征因子。如此，可通过目标深度学习模型对每一特征因子进行分析，并输出得到核保问题对应的核保结果。本技术旨在通过目标深度学习模型对基于核保政策提出的核保问题进行分析，从而输出得到较为精确的核保结果。相较于现有技术基于核保人的经验给出对应的核保结果，本技术通过该方法实现了减少核保人答疑的工作量以及沟通成本，避免了核保人对于核保政策了解不透彻或不全面引起的解答错误的情况出现。
44.请参阅图3，图3是本技术实施例提供的一种获取目标深度学习模型的流程示意图。如图3所示，可通过步骤s111至步骤s114实现获取目标深度学习模型。
45.步骤s111：获取样本数据，并对样本数据进行特征提取操作，得到若干特征向量。
46.其中，样本数据包括核保政策数据、历史出单数据、历史理赔数据、规则执行结果数据等，本技术对此不加以限定，
47.具体的，可获取上述样本数据，进而将其进行特征提取操作，抽取得到对应的高频关键词，并将其作为特征向量，以用于对模型的训练。
48.可选地，样本数据包括核保政策数据、历史出单数据、历史理赔数据中的至少一种数据，获取样本数据，并对样本数据进行特征提取操作，得到若干特征向量，包括：获取核保政策数据、历史出单数据以及历史理赔数据中的至少一种数据，并对至少一种数据进行特征提取操作，得到对应的第一特征向量、第二特征向量以及第三特征向量。
49.其中，第一特征向量包括核保政策数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；第二特征向量包括历史出单数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；第三特征向量包括历史理赔数据对应的影响承保的数据特征向量。
50.具体的，对于样本数据为核保政策数据，可将其进行结构化特征提取，抽取出高频关键词，并得到能够承保的数据特征向量以及无法承保的数据特征向量；对于样本数据为历史出单数据，可将其对应的数据进行特征提取，从而得到的能够承保的数据特征向量以及无法承保的数据特征向量；对于样本数据为历史理赔数据，可将其进行结构化特征提取，从而得到影响承保的数据特征向量，其中，影响承保的数据特征向量可以为风险因子值、高空作业人数等，本技术对此不加以限定。
51.可选地，若特征提取的数据有脏数据或者数据为空的值，可对其进行求众数填充、求平均数填充、经验填充等操作，以实现数据的清洗及缺失值填充。
52.可选地，还可以对获取的数据进行归一化处理以及标准化处理，以用于防止出现训练时数据之间因单位不统一导致的梯度下降抖动和模型难以收敛的情况出现。
53.在本技术实施例中，可获取核保政策数据、历史出单数据以及历史理赔数据等样本数据，并将其进行特征提取操作，以用于实现目标深度学习模型的训练。
54.步骤s112：对每一特征向量进行特征分析操作，得到特征分析结果。
55.具体的，可对上述得到的特征向量进行分析，得到对应的特征分析结果。
56.可选地，在上述实施例的基础上，对每一特征向量进行特征分析操作，得到特征分析结果，包括：对第一特征向量、第二特征向量以及第三特征向量进行特征分析操作，得到特征分析结果。
57.其中，特征分析结果包括每一无法承保的数据特征向量对应的相关度，以及每一影响承保的数据特征向量对应的相关度。
58.具体的，可分别对第一特征向量、第二特征向量以及第三特征向量进行特征分析操作，得到第一特征向量以及第二特征向量中每一无法承保的数据特征向量对应的相关度，以及第三特征向量中每一影响承保的数据特征向量对应的相关度。
59.在本技术实施例中，可分别对第一特征向量、第二特征向量以及第三特征向量进行特征分析，从而得到对应的特征分析结果。
60.步骤s113：基于特征分析结果确定初始深度学习模型对应的训练集、验证集。
61.需要说明的是，训练集是机器学习模型用于训练和学习的数据集。通常情况下，训练集是原始数据集的一部分，用于训练模型的参数。模型通过训练集来学习数据的特征，并产生一个模型，以便在之后的预测中使用。
62.验证集是用于评估模型性能的数据集，其通常是从原始数据集中划分出来的，用于在训练过程中调整模型的参数和超参数，以提高模型的性能。验证集的作用是帮助开发人员调整模型，避免模型过拟合或欠拟合。
63.具体的，可基于特征分析结果，剔除相关度低于第一预设阈值的无法承保的数据特征向量以及相关度低于第二预设阈值的影响承保的数据特征向量，并将其他的特征向量作为最终用于训练的特征向量。进一步的，可将用于训练的特征向量按照一定的比例进行划分，进而得到训练集和验证集。
64.可选地，基于特征分析结果确定初始深度学习模型对应的训练集、验证集，包括：基于特征分析结果确定第一特征向量以及第二特征向量中相关度高于第一预设阈值的无法承保的数据特征向量，并将其确定为第四特征向量；以及，基于特征分析结果确定第三特征向量中相关度高于第二预设阈值的影响承保的数据特征向量，并将其确定为第五特征向量；将第一特征向量以及第二特征向量中能够承保的数据特征向量确定为第六特征向量；将第四特征向量、第五特征向量以及第六特征向量基于预设比例进行切分，得到训练集以及验证集。
65.需要说明的是，本技术对于第一预设阈值以及第二预设阈值不加以限定，例如第一预设阈值以及第二预设阈值可以都为80％。进一步的，本技术对于预设比例不加以限定，例如预设比例为9:1。
66.具体的，可确定第一特征向量以及第二特征向量中相关度高于80％的无法承保的数据特征向量，并进一步将其确定为第四特征向量。以及，确定第三特征向量中相关度高于80％的影响承保的数据特征向量，并将其确定为第五特征向量。并将第一特征向量以及第二特征向量中能够承保的数据特征向量确定为第六特征向量。如此，可将第四特征向量、第五特征向量以及第六特征向量进行合并，并按照9:1的比例进行划分，得到训练集和验证集。
67.在本技术实施例中，可基于特征分析结果确定第四特征向量、第五特征向量以及第六特征向量，进而基于第四特征向量、第五特征向量以及第六特征向量确定初始深度学习模型对应的训练集、验证集，以用于对模型的训练。
68.步骤s114：通过训练集以及验证集对初始深度学习模型进行训练，得到目标深度学习模型。
69.具体的，可通过训练集对初始深度学习模型进行训练，并通过验证集对初始深度学习模型进行验证，进而不断的调整初始深度学习模型的参数，从而实现得到目标深度学习模型。
70.在本技术实施例中，可通过训练集以及验证集对初始深度学习模型进行训练，进而实现得到目标深度学习模型，从而可用于基于目标深度学习模型实现对核保问题的解答。
71.请继续参阅图4，图4是本技术实施例提供的另一种获取目标深度学习模型的流程示意图。如图4所示，初始深度学习模型包括逻辑回归模型、随机森林模型、决策树模型中的至少一种模型，还可通过步骤s1141至步骤s1143实现通过训练集以及验证集对初始深度学习模型进行训练，得到目标深度学习模型。
72.步骤s1141：通过训练集对逻辑回归模型、随机森林模型、决策树模型中的至少一种模型分别进行训练，得到对应的训练后的模型。
73.需要说明的是，逻辑回归模型称作logistic回归分析模型，是一种广义的线性回归分析模型，其属于机器学习中的监督学习。逻辑回归模型的推导过程与计算方式类似于回归的过程，但实际上主要是用来解决二分类问题(也可以解决多分类问题)。可通过给定的n组数据来训练模型，并在训练结束后基于逻辑回归模型实现对给定的一组或多组数据进行分类。
74.随机森林模型是集群分类模型中的一种，随机森林模型是用随机的方式建立一个森林，森林由很多的决策树组成，且每一棵决策树之间是没有关联的。得到随机森林模型后，当新样本进入时，随机森林中的每一棵决策树可对其分别进行判断，得到最多票数类别或者类别之一为最终模型的输出。
75.决策树(decision tree)模型是一种常见的机器学习方法，可用于分类和回归问题。决策树模型由结点和有向边组成，其中结点包括内部节点(表示一个特征或属性)和叶节点(表示一个分好的类)。决策树学习的目标是根据给定的训练数据集构建一个模型，使得与训练数据矛盾较小且存在较好的泛化能力。在决策树学习中，利用损失函数(通常是正则化的极大似然函数)来表述这一目标，最终的策略就是以损失函数为目标函数的最小化。
76.在本技术实施例中，可通过训练集对逻辑回归模型、随机森林模型、决策树模型中的至少一种模型分别进行训练，得到对应的训练后的模型。
77.步骤s1142：通过验证集对训练后的模型进行验证，得到验证结果，其中，验证结果包括验证误差值。
78.步骤s1143：将验证误差值最低的训练后的模型确定为目标深度学习模型。
79.具体的，可通过验证集对训练后的模型进行验证，得到每一模型对应的验证误差值。
80.可选地，还可以通过验证集以及训练集对模型进行多轮交叉验证，以减少模型的过拟合现象，提高模型的泛化能力。
81.进一步的，还可以将验证误差值最低的训练后的模型确定为目标深度学习模型，以实现基于目标深度学习模型输出较为准确的答案。
82.可选地，将验证误差值最低的训练后的模型确定为目标深度学习模型之后，还包括：获取目标深度学习模型的默认参数；基于目标深度学习模型对应的验证误差值对默认参数进行调整，得到调整后的目标深度学习模型。
83.在本技术实施例中，可通过验证集对训练后的模型进行验证，得到验证结果，并将验证误差值最低的训练后的模型确定为目标深度学习模型。此外，还可以基于目标深度学习模型对应的验证误差值对默认参数进行调整，得到调整后的目标深度学习模型，从而实现目标深度学习模型进行优化，以输出得到较为准确的核保问题对应的答案。
84.请参阅图5，图5是本技术实施例提供的一种核保问题的解答装置的示意性框图。该核保问题的解答装置可以配置于服务器中，用于执行前述的核保问题的解答方法。
85.如图5所示，该核保问题的解答装置200包括：获取模块201、特征提取模块202、输出模块203。
86.获取模块201，用于获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；
87.特征提取模块202，用于将所述基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子；
88.输出模块203，用于通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果。
89.获取模块201，还用于获取所述样本数据，并对所述样本数据进行特征提取操作，得到若干特征向量；对每一所述特征向量进行特征分析操作，得到特征分析结果；基于所述特征分析结果确定所述初始深度学习模型对应的训练集、验证集；通过所述训练集以及所述验证集对所述初始深度学习模型进行训练，得到所述目标深度学习模型。
90.获取模块201，还用于获取所述核保政策数据、所述历史出单数据以及所述历史理赔数据中的至少一种数据，并对至少一种所述数据进行特征提取操作，得到对应的第一特征向量、第二特征向量以及第三特征向量，其中，所述第一特征向量包括所述核保政策数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；所述第二特征向量包括所述历史出单数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；所述第三特征向量包括所述历史理赔数据对应的影响承保的数据特征向量。
91.获取模块201，还用于对所述第一特征向量、所述第二特征向量以及所述第三特征向量进行特征分析操作，得到特征分析结果，其中，所述特征分析结果包括每一所述无法承保的数据特征向量对应的相关度，以及每一所述影响承保的数据特征向量对应的相关度。
92.获取模块201，还用于基于所述特征分析结果确定所述第一特征向量以及所述第二特征向量中相关度高于第一预设阈值的无法承保的数据特征向量，并将其确定为第四特征向量；以及，基于所述特征分析结果确定所述第三特征向量中相关度高于第二预设阈值的影响承保的数据特征向量，并将其确定为第五特征向量；将所述第一特征向量以及所述第二特征向量中能够承保的数据特征向量确定为第六特征向量；将所述第四特征向量、所述第五特征向量以及所述第六特征向量基于预设比例进行切分，得到所述训练集以及所述验证集。
93.获取模块201，还用于通过所述训练集对所述逻辑回归模型、所述随机森林模型、所述决策树模型中的至少一种模型分别进行训练，得到对应的训练后的模型；通过所述验证集对所述训练后的模型进行验证，得到验证结果，其中，所述验证结果包括验证误差值；将所述验证误差值最低的所述训练后的模型确定为所述目标深度学习模型。
94.获取模块201，还用于获取所述目标深度学习模型的默认参数；基于所述目标深度学习模型对应的验证误差值对所述默认参数进行调整，得到调整后的所述目标深度学习模型。
95.需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块、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。
96.本技术的方法、装置可用于众多通用或专用的计算系统环境或配置中。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、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费终端设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
97.示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。
98.请参阅图6，图6是本技术实施例提供的一种计算机设备的示意图。该计算机设备可以是服务器。
99.如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括易失性存储介质、非易失性存储介质和内存储器。
100.非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种核保问题的解答方法。
101.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
102.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种核保问题的解答方法。
103.该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
104.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列
(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
105.其中，在一些实施方式中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；将所述基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子；通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果。
106.在一些实施方式中，所述处理器还用于获取所述样本数据，并对所述样本数据进行特征提取操作，得到若干特征向量；对每一所述特征向量进行特征分析操作，得到特征分析结果；基于所述特征分析结果确定所述初始深度学习模型对应的训练集、验证集；通过所述训练集以及所述验证集对所述初始深度学习模型进行训练，得到所述目标深度学习模型。
107.在一些实施方式中，所述处理器还用于获取所述核保政策数据、所述历史出单数据以及所述历史理赔数据中的至少一种数据，并对至少一种所述数据进行特征提取操作，得到对应的第一特征向量、第二特征向量以及第三特征向量，其中，所述第一特征向量包括所述核保政策数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；所述第二特征向量包括所述历史出单数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；所述第三特征向量包括所述历史理赔数据对应的影响承保的数据特征向量。
108.在一些实施方式中，所述处理器还用于对所述第一特征向量、所述第二特征向量以及所述第三特征向量进行特征分析操作，得到特征分析结果，其中，所述特征分析结果包括每一所述无法承保的数据特征向量对应的相关度，以及每一所述影响承保的数据特征向量对应的相关度。
109.在一些实施方式中，所述处理器还用于基于所述特征分析结果确定所述第一特征向量以及所述第二特征向量中相关度高于第一预设阈值的无法承保的数据特征向量，并将其确定为第四特征向量；以及，基于所述特征分析结果确定所述第三特征向量中相关度高于第二预设阈值的影响承保的数据特征向量，并将其确定为第五特征向量；将所述第一特征向量以及所述第二特征向量中能够承保的数据特征向量确定为第六特征向量；将所述第四特征向量、所述第五特征向量以及所述第六特征向量基于预设比例进行切分，得到所述训练集以及所述验证集。
110.在一些实施方式中，所述处理器还用于通过所述训练集对所述逻辑回归模型、所述随机森林模型、所述决策树模型中的至少一种模型分别进行训练，得到对应的训练后的模型；通过所述验证集对所述训练后的模型进行验证，得到验证结果，其中，所述验证结果包括验证误差值；将所述验证误差值最低的所述训练后的模型确定为所述目标深度学习模型。
111.在一些实施方式中，所述处理器还用于获取所述目标深度学习模型的默认参数；基于所述目标深度学习模型对应的验证误差值对所述默认参数进行调整，得到调整后的所述目标深度学习模型。
112.本技术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上存储
有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时实现本技术实施例提供的任一种核保问题的解答方法。
113.其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备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。
114.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等。
115.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种核保问题的解答方法，其特征在于，所述方法包括：获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；将所述基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子；通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果。2.根据权利要求1所述的方法，其特征在于，所述获取目标深度学习模型，包括：获取所述样本数据，并对所述样本数据进行特征提取操作，得到若干特征向量；对每一所述特征向量进行特征分析操作，得到特征分析结果；基于所述特征分析结果确定所述初始深度学习模型对应的训练集、验证集；通过所述训练集以及所述验证集对所述初始深度学习模型进行训练，得到所述目标深度学习模型。3.根据权利要求2所述的方法，其特征在于，所述样本数据包括核保政策数据、历史出单数据以及历史理赔数据中的至少一种数据，所述获取所述样本数据，并对所述样本数据进行特征提取操作，得到若干特征向量，包括：获取所述核保政策数据、所述历史出单数据以及所述历史理赔数据中的至少一种数据，并对至少一种所述数据进行特征提取操作，得到对应的第一特征向量、第二特征向量以及第三特征向量，其中，所述第一特征向量包括所述核保政策数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；所述第二特征向量包括所述历史出单数据对应的能够承保的数据特征向量以及无法承保的数据特征向量；所述第三特征向量包括所述历史理赔数据对应的影响承保的数据特征向量。4.根据权利要求3所述的方法，其特征在于，所述对每一所述特征向量进行特征分析操作，得到特征分析结果，包括：对所述第一特征向量、所述第二特征向量以及所述第三特征向量进行特征分析操作，得到特征分析结果，其中，所述特征分析结果包括每一所述无法承保的数据特征向量对应的相关度，以及每一所述影响承保的数据特征向量对应的相关度。5.根据权利要求4所述的方法，其特征在于，所述基于所述特征分析结果确定所述初始深度学习模型对应的训练集、验证集，包括：基于所述特征分析结果确定所述第一特征向量以及所述第二特征向量中相关度高于第一预设阈值的无法承保的数据特征向量，并将其确定为第四特征向量；以及，基于所述特征分析结果确定所述第三特征向量中相关度高于第二预设阈值的影响承保的数据特征向量，并将其确定为第五特征向量；将所述第一特征向量以及所述第二特征向量中能够承保的数据特征向量确定为第六特征向量；将所述第四特征向量、所述第五特征向量以及所述第六特征向量基于预设比例进行切分，得到所述训练集以及所述验证集。6.根据权利要求2所述的方法，其特征在于，所述初始深度学习模型包括逻辑回归模型、随机森林模型、决策树模型中的至少一种模型，所述通过所述训练集以及所述验证集对
所述初始深度学习模型进行训练，得到所述目标深度学习模型，包括：通过所述训练集对所述逻辑回归模型、所述随机森林模型、所述决策树模型中的至少一种模型分别进行训练，得到对应的训练后的模型；通过所述验证集对所述训练后的模型进行验证，得到验证结果，其中，所述验证结果包括验证误差值；将所述验证误差值最低的所述训练后的模型确定为所述目标深度学习模型。7.根据权利要求6所述的方法，其特征在于，所述将所述验证误差值最低的所述训练后的模型确定为所述目标深度学习模型之后，还包括：获取所述目标深度学习模型的默认参数；基于所述目标深度学习模型对应的验证误差值对所述默认参数进行调整，得到调整后的所述目标深度学习模型。8.一种核保问题的解答装置，其特征在于，所述核保问题的解答装置包括：获取模块，所述获取模块用于获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；特征提取模块，所述特征提取模块用于将所述基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子；输出模块，所述输出模块用于通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果。9.一种计算机设备，其特征在于，包括：存储器和处理器；其中，所述存储器与所述处理器连接，用于存储程序所述处理器用于通过运行所述存储器中存储的程序，实现如权利要求1-7中任一项所述的核保问题的解答方法的步骤。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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1-7中任一项所述的核保问题的解答方法的步骤。

技术总结
本发明实施例提供一种核保问题的解答方法、装置、设备及存储介质。方法包括：获取待解答的目标核保问题，获取目标深度学习模型，其中，所述目标核保问题包括基于核保政策提出的核保问题；将所述基于核保政策提出的核保问题进行特征提取操作，得到若干特征因子；通过目标深度学习模型对每一所述特征因子进行分析，输出得到对应的目标答案，其中，所述目标答案包括所述核保问题对应的核保结果。本申请实施例旨在通过目标深度学习模型对基于核保政策提出的核保问题进行分析，从而输出得到对应的核保结果，实现了减少核保人答疑的工作量以及沟通成本，避免了核保人对于核保政策了解不透彻或不全面引起的解答错误的情况出现。彻或不全面引起的解答错误的情况出现。彻或不全面引起的解答错误的情况出现。


技术研发人员：袁欢
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：2023.06.29
技术公布日：2023/10/7