本公开涉及数据处理
技术领域：
：，特别涉及一种保险核保方法、保险核保装置、计算机存储介质及电子设备。
背景技术：
：：随着计算机及互联网技术的迅速发展与进步，相关保险行业也在蓬勃发展。保险核保是指保险人对投保申请进行审核，决定是否接受承保这一风险，并在接受承保风险的情况下，确定保险费率的过程。在核保过程中，核保人员会按标的物的不同风险类别给予不同的费率，保证业务质量，保证保险经营的稳定性。核保是保险公司控制风险、提高保险资产质量最为关键的一个步骤。目前，保险公司的核保业务主要是人工实现的，从收集资料、人工录入、得出核保结论等，都由人工介入。一方面，人工采集核保资料的成本较高，时效较低。另一方面，相关核保人员需要长期培训才能胜任。进一步的，核保人员不具备专业全面的医学知识，因而，核保的智能化程度较低，核保风险较高。因此，本领域亟需一种新的保险核保方法。需要说明的是，上述
背景技术：
：部分公开的信息仅用于加强对本公开的背景的理解。技术实现要素：本公开的目的在于提供一种保险核保方法、保险核保装置、计算机存储介质及电子设备，进而至少在一定程度上避免了现有技术中通过人工核保而导致的智能化程度较低且风险较高的缺陷。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的第一方面，提供一种保险核保方法，包括：对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型；对所述用户体检数据中包含的文本信息进行识别，得到识别结果；基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息；对所述拼接信息进行结构化处理，以得到所述结构化体检数据；对所述结构化体检数据进行特征提取，以获取核心体检数据；将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果；其中，所述核保模型为进行核保结果预测的机器学习模型。在本公开的示例性实施例中，所述对所述结构化体检数据进行特征提取，以得到核心体检数据，包括：对所述结构化体检数据进行过滤处理，得到第一数据；对所述第一数据进行数值化处理，得到第二数据；对所述第二数据进行归一化处理，以得到第三数据；对所述第三数据进行特征工程处理，以确定所述核心体检数据。在本公开的示例性实施例中，所述方法还包括：获取所述结构化体检数据中的预设目标数据；对所述预设目标数据进行过滤处理，得到剩余目标数据；将所述剩余目标数据作为所述第一数据。在本公开的示例性实施例中，所述方法还包括：将所述核心体检数据输入健康预测模型中，根据所述健康预测模型的输出，确定所述用户的健康预测结果；其中，所述健康预测模型为对所述用户的健康情况进行预测处理的机器学习模型。在本公开的示例性实施例中，所述方法还包括：将所述核心体检数据、所述核保结果与所述健康预测结果输入结果解释模型中，根据所述结果解释模型的输出，确定所述核保结果对应的解释信息；其中，所述结果解释模型为对所述核保结果进行解释分析的机器学习模型。在本公开的示例性实施例中，所述方法还包括：根据所述核保结果、所述健康预测结果与所述解释信息，确定复核结果。在本公开的示例性实施例中，所述方法还包括：当接收到核保请求时，对所述核保请求进行合法性认证；若所述合法性认证通过，则执行所述核保请求对应的核保任务。根据本公开的第二方面，提供一种保险核保装置，包括：第一识别模块，用于对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型；第二识别模块，用于对所述用户体检数据中包含的文本信息进行识别，得到识别结果；数据拼接模块，用于基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息；处理模块，用于对所述拼接信息进行结构化处理，以得到结构化体检数据；提取模块，用于对所述结构化体检数据进行特征提取，以获取核心体检数据；核保模块，用于将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果；其中，所述核保模型为进行核保结果预测的机器学习模型。根据本公开的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的保险核保方法。根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的保险核保方法。由上述技术方案可知，本公开示例性实施例中的保险核保方法、保险核保装置、计算机存储介质及电子设备至少具备以下优点和积极效果：在本公开的一些实施例所提供的技术方案中，一方面，识别用户体检数据中包含的图片以确定体检项目类型，识别用户体检数据中包含的文本信息以确定文本识别结果，并基于体检项目类型，得到识别结果对应的拼接信息，进而，对拼接信息进行结构化处理，以获得结构化体检数据，能够实现体检数据的有序化，解决杂乱无章的体检数据可能导致的数据丢失的技术问题，提高数据存储效率。进一步的，对结构化体检数据进行特征提取，以获取核心体检数据，能够筛选出与核保结果更加密切关联的重要数据，避免相关不重要的数据对后续核保结果的干扰，同时，能够减少系统在进行数据处理时的内存占有，提高系统运行速度。另一方面，将核心体检数据输入进行核保结果预测的机器学习模型中，根据核保模型的输出，确定保险的核保结果，能够解决现有技术中人工核保而导致的缺乏统一核保标准，成本较高，时效较低的技术问题，提高核保的准确率以及智能化程度，降低核保风险。本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开一示例性实施例中保险核保方法的流程示意图；图2示出本公开另一示例性实施例中保险核保方法的流程示意图；图3示出本公开再一示例性实施例中保险核保方法的流程示意图；图4示出本公开一示例性实施例中保险核保方法的整体架构示意图；图5示出本公开示例性实施例中保险核保装置的结构示意图；图6示出本公开示例性实施例中计算机存储介质的结构示意图；图7示出本公开示例性实施例中电子设备的结构示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。目前，保险公司的核保业务主要是人工实现的，从收集资料、人工录入、得出核保结论等，都由人工介入。一方面，人工采集核保资料的成本较高，时效较低。另一方面，相关核保人员需要长期培训才能胜任。进一步的，核保人员不具备专业全面的医学知识，因而，无法通过体检报告进行疾病的初步诊断，核保风险较高。因此，本领域亟需一种新的保险核保方法。在本公开的实施例中，首先提供了一种保险核保方法，至少在一定程度上克服现有技术中通过人工核保而导致的智能化程度较低且风险较高的缺陷。图1示出本公开一示例性实施例中保险核保方法的流程示意图，该保险核保方法的执行主体可以是对保险进行核保的服务器。参考图1，根据本公开的一个实施例的保险核保方法包括以下步骤：步骤s110，对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型；步骤s120，对所述用户体检数据中包含的文本信息进行识别，得到识别结果；步骤s130，基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息；步骤s140，对所述拼接信息进行结构化处理，以得到所述结构化体检数据；步骤s150，对所述结构化体检数据进行特征提取，以获取核心体检数据；步骤s160，将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果；其中，所述核保模型为进行核保结果预测的机器学习模型。在图1所示实施例所提供的技术方案中，一方面，识别用户体检数据中包含的图片以确定体检项目类型，识别用户体检数据中包含的文本信息以确定文本识别结果，并基于体检项目类型，得到识别结果对应的拼接信息，进而，对拼接信息进行结构化处理，以获得结构化体检数据，能够实现体检数据的有序化，解决杂乱无章的体检数据可能导致的数据丢失的技术问题，提高数据存储效率。进一步的，对结构化体检数据进行特征提取，以获取核心体检数据，能够筛选出与核保结果更加密切关联的重要数据，避免相关不重要的数据对后续核保结果的干扰，同时，能够减少系统在进行数据处理时的内存占有，提高系统运行速度。另一方面，将核心体检数据输入进行核保结果预测的机器学习模型中，根据核保模型的输出，确定保险的核保结果，能够解决现有技术中人工核保而导致的缺乏统一核保标准，成本较高，时效较低的技术问题，提高核保的准确率以及智能化程度，降低核保风险。以下对图1中的各个步骤的具体实现过程进行详细阐述：在本公开的示例性实施例中，可以先对接收到的核保请求进行合法性认证，若合法性认证通过，则执行上述核保请求对应的核保任务。示例性的，可以在系统中预存相关核保人员的账号作为合法账号，进而，当接收到来自客户端的保险核保请求时，可以验证发出核保请求的用户账号是否为上述预存的合法账号，若是，则验证通过，执行上述核保请求对应的核保任务，若不是预存的合法账号，则拒绝上述核保请求。从而能够避免相关非法人员对系统数据的非法修改，保证数据的安全性以及系统的安全性。进一步的，参考图1，在步骤s110中，对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型。在本公开的示例性实施例中，用户体检数据可以是用户的体检报告，体检报告是指医疗机构对用户身体进行检查，根据身体反应的数据而生成的具有一定格式的文档。体检报告有汇总分析、医生简评等多个项目。在被本公开的示例性实施例中，可以获取上述体检数据对应的文件格式，示例性的，上述体检数据对应的文件格式可以是tiff格式(tagimagefileformat，tiff，标签图像文件格式)、pdf格式(portabledocumentformat，简称：pdf，便携式文档格式)、jpeg(jointphotographicexpertsgroup，简称：jpeg，联合照片专家组)格式。在本公开的示例性实施例中，在获取到上述体检数据对应的文件格式之后，可以将上述文件格式转换为目标格式(例如：jpeg格式)。示例性的，当上述文件格式为tiff格式时，tiff是一种图像包，则可以对上述tiff格式文件进行解析，以将上述tiff文件转换为单张的jpeg格式。当上述文件格式为pdf格式时，可以对上述pdf格式的文件进行切割，将上述pdf格式的文件转换为单张的jpeg格式。通过将用户体检数据转换为目标图像格式jpeg格式，能够去除冗余的图像和彩色数据，在把文件压缩到最小的格式的同时，展现出十分丰富生动的图像，即可以用最少的磁盘空间得到较好的图像质量。在本公开的示例性实施例中，在将上述用户体检数据转换为对应的目标格式之后，可以对上述用户体检数据中包含的图片，例如：ct片(computedtomography，简称：ct，即电子计算机断层扫描生成的图片)等进行识别，以获取体检项目类型。在本公开的示例性实施例中，体检项目类型即用户检查的项目分类，示例性的，体检项目类型可以包括常规检查(例如：身高、体重、血压)、化验检查(例如：血常规检查)、b超检测(b超超声波检查)、心电检查(心电图)等类型。在步骤s120中，对所述用户体检数据中包含的文本信息进行识别，得到识别结果。在本公开的示例性实施例中，在确定上述体检项目类型之后，可以根据不同的体检项目类型，将上述用户体检数据输入不同的ocr(opticalcharacterrecognition，简称：ocr，光学字符识别)文字识别引擎中，以对上述用户体检数据中包含的文本信息进行识别，得到识别结果。示例性的，可以通过电子设备(例如扫描仪或数码相机)检查体检数据上的字符形状，然后用字符识别方法将形状翻译成计算机文字，以获取到上述识别结果，需要说明的是，通过上述ocr识别引擎还可以识别出体检数据中包含的表格中的文字信息。从而能够避免信息丢失，保证信息的全面获取。在本公开的示例性实施例中，在确定出上述识别结果之后，可以将上述识别结果以jason(javascriptobjectnotation，js对象简谱)格式存放至数据库中。jason格式是一种轻量级的数据交换格式，具有简洁和清晰的层析结构，易于人阅读和编写，同时也易于机器解析和生成，并能够有效地提升网络传输效率。在本公开的示例性实施例中，可以将与上述识别结果对应的体检数据中的图片存放在nas(networkattachedstorage：网络附属存储)中，从而能够在进行数据传输时，保证数据安全。在步骤s130中，基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息。在本公开的示例性实施例中，在确定出上述识别结果之后，可以基于上述体检项目类型，对识别结果进行拼接，以得到拼接信息。在本公开的示例性实施例中，示例性的，可以将上述体检项目类型为常规检查的识别结果拼接在一起，示例性的，可以将身高、体重、血压对应的识别结果进行拼接，得到常规检查拼接信息。还可以将化验检查对应的识别结果进行拼接，得到化验检查的拼接信息。从而，能够将大量的体检数据进行归类，提高数据有序性。在步骤s140中，对所述拼接信息进行结构化处理，以得到所述结构化体检数据。在本公开的示例性实施例中，在得到拼接信息之后，可以对拼接信息进行结构化处理，以得到上述结构化体检数据。在本公开的示例性实施例中，还可以基于预设的医学知识库(是基于医学知识的数据库，以疾病、症状、检查、药品、指南和病例报告为基础，通过整合设计，关联知识点而生成的医学知识数据库)对上述结构化体检数据进行纠错处理。从而能够对结构化体检数据中的错误信息进行更正，解决现有技术中核保人员的医学知识有所欠缺而导致的无法发现体检报告中的错误信息的技术问题，保证结构化体检数据以及后续核保结果与健康预测结果的准确性，降低了核保风险。在本公开的示例性实施例中，结构化处理即将信息有组织、有系统、有层次的存储起来，使得原本零散孤立的数据具有层次结构性的过程。示例性的，结构化处理可以是将上述拼接信息存储至kv存储引擎(即key-value存储引擎，根据关键字取值，key是关键字，value是值)中，以形成key-value结构的数据。示例性的，当拼接信息为：身高为180cm，体重为75kg，血压为128/79mmhg，则得到的结构化体检数据可以如下表1所示：keyvalue身高180cm体重75kg血压128/79mmhg表1在本公开的示例性实施例中，通过将上述拼接信息进行结构化处理，能够实现体检数据的有序化，提高数据查询效率以及存储效率，解决杂乱无章的体检数据可能导致的数据丢失的技术问题。在本公开的示例性实施例中，在得到结构化体检数据之后，还可以获取上述结构化信息中的预设目标数据，示例性的，上述预设目标数据可以是一些表示体检或诊断结论的词语，例如：正常，异常，阳性、阴性等。上述预设目标数据还可以是一些数字型的词语，例如：180cm，肿瘤直径：2cm，3个肿瘤等。在步骤s150中，对所述结构化体检数据进行特征提取，以获取核心体检数据。在本公开的示例性实施例中，在获取到上述结构化体检数据之后，可以对上述结构化体检数据进行特征提取，以确定核心体检数据。从而能够筛选出与核保结果更加密切关联的重要数据，避免相关不重要的数据对后续核保结果的干扰，同时，能够减少系统在进行数据处理时的内存占有，提高系统运行速度。在本公开的示例性实施例中，核心体检数据即从上述结构化体检数据中筛选出来的，对后续的核保结果影响较大的体检数据。在本公开的示例性实施例中，图2示意性示出本公开另一示例性实施例中保险核保方法的流程示意图，具体示出对上述结构化体检数据进行特征提取，以得到核心体检数据的流程图，以下结合图2对步骤s150进行解释。在步骤s201中，对所述结构化体检数据进行过滤处理，得到第一数据。在本公开的示例性实施例中，可以对上述结构化体检数据进行过滤处理，以确定第一数据。在本公开的示例性实施例中，示例性的，可以基于上述预设医学知识库以及相关核保规则库(根据海量核保规则构建的数据库，例如：超重则医疗险加费，延期承保；高血压则医疗险拒保)，对上述结构化体检数据中的预设目标数据进行过滤处理。在本公开的示例性实施例中，参考上述步骤s140的相关解释，可以过滤掉上述预设目标数据中对核保结果可能产生干扰的数据或者与核保结果关联程度不大的数据，例如：判定为正常的身高、体重信息，或者判定为正常的血压信息。在本公开的示例性实施例中，在对结构化体检数据中的预设目标数据进行过滤处理之后，可以得到剩余目标数据。进而，可以将剩余目标数据作为上述第一数据。在本公开的示例性实施例中，通过对上述预设目标数据进行过滤处理，能够筛选出与核保结果更加密切关联的重要数据，避免关联不大的数据对后续核保结果的干扰，同时，能够减少系统在进行数据处理时的内存占有，提高系统运行速度。在步骤s202中，对所述第一数据进行数值化处理，得到第二数据。在本公开的示例性实施例中，可以对上述第一数据进行数值化处理，以得到第二数据。在本公开的示例性实施例中，数值化处理即将非数值数据转化为数值数据的一种处理方式。示例性的，可以将上述第一数据中的非数值数据转化为数值化的特征向量。示例性的，可以将上述非数值数据“异常”转化为1024维的特征向量a，将上述非数值数据“阳性”转化为1024维的特征向量b，以确定出各第一数据对应的第二数据。在步骤s203中，对所述第二数据进行归一化处理，以得到第三数据。在本公开的示例性实施例中，可以对上述第二数据进行归一化处理，以确定第三数据。在本公开的示例性实施例中，归一化处理是一种无量纲化的处理，能够把数据限制在一定范围内，例如：把数据映射到0～1范围之内处理，以保证数据更加便捷快速的处理。通过归一化处理，能够使特征向量拥有统一的标准，便于后续相关计算分析。在本公开的示例性实施例中，示例性的，可以将上述特征向量转化为对应的单位向量，以得到上述第三数据，以三维向量[a，b，c]为例进行说明，可以将作为上述三维向量[a，b，c]归一化处理之后的第三数据。示例性的，对特征向量进行归一化处理所使用的方法还可以是线性函数转换，表达式为y＝(x-minvalue)/(maxvalue-minvalue)，其中，x，y分别为转换前后的值，maxvalue、minvalue分别为样本的最大值和最小值。对特征向量进行归一化处理所使用的方法还可以是对数函数转换，表达式为y＝log10x，即以10为底的对数函数转换，x，y分别为转换前后的值。对特征向量进行归一化处理所使用的方法还可以是反余切函数转换，表达式为y＝arctan(x)*2/π，其中，x，y分别为转换前后的值。需要说明的是，对特征向量进行归一化处理的具体实施方式可以根据实际情况自行设定，属于本公开的保护范围。在本公开的示例性实施例中，示例性的，参考上述步骤s202的相关解释，可以对上述特征向量a进行归一化处理，以得到特征向量a对应的第三数据(1024维的特征向量c)，可以对上述特征向量b进行归一化处理，以得到特征向量b对应的第三数据(1024维的特征向量d)。在步骤s204中，对所述第三数据进行特征工程处理，以确定所述核心体检数据。在本公开的示例性实施例中，特征工程处理可以包括数据预处理，特征选择，降维等。示例性的，本公开中的特征工程处理可以是降维处理(选取特征属性，将高维数据简化为低维数据)。在本公开的示例性实施例中，示例性的，可以基于rbf模型(radicalbasisfunction，径向基函数神经网络模型，简称：rbf)对上述第三数据做特征工程处理，rbf模型是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。示例性的，通过上述rbf模型对上述特征向量c进行降维处理之后，可以得到64维的核心体检数据e。对上述特征向量d进行降维处理之后，可以得到64维的核心体检数据f。从而能够从高维数据中筛选出与核保结果关联较大的低维数据，降低数据复杂度以及后续处理过程的复杂度。继续参考图1，在步骤s160中，将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果。需要说明的是，所述核保模型为进行核保结果预测的机器学习模型。在本公开的示例性实施例中，核保模型为进行核保结果预测的机器学习模型。示例性的，可以获取海量体检数据样本，将上述用户海量体检数据样本输入机器学习模型中，多次调整参数以训练上述机器学习模型，使上述机器学习模型的损失函数趋于收敛，以得到一核保模型。进而，在确定出上述核心体检数据之后，可以将上述核心体检数据(e、f)输入核保模型中，根据核保模型的输出，得到上述保险的核保结果。从而能够解决现有技术中人工核保而导致的缺乏统一核保标准，成本较高，时效较低的技术问题，提高核保的准确率以及智能化程度，降低核保风险。在本公开的示例性实施例中，示例性的，上述核保模型可以基于xgboost算法来进行核保结果的预测，xgboost是一种提升树模型，它是将许多树模型集成在一起，形成一个很强的分类器。具体的，xgboost算法可以通过不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。当训练完成得到k棵树，预测一个样本的分数其实就是根据这个样本的特征，对应每棵树的一个叶子节点，而每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值，预测值即核保模型预测出的核保结果。示例性的，还可以将对核保结果具有较多叶子分值以及较高权值的叶子项提取出来，作为支撑核保结果的数据。在本公开的示例性实施例中，示例性的，根据上述核心体检数据，上述核保模型输出的核保结果可以是：标准体(身体健康，或体检情况正常，表示可以承保)、次标准体(有糖尿病或过胖者，表示有一定承保可能)、延期(延期承保)、拒保(有某些身体疾病，例如：心脏病，羊癫疯等，拒绝承保)。在本公开的示例性实施例中，健康预测模型为对用户的健康情况进行预测处理的机器学习模型。示例性的，可以获取海量体检数据样本，将上述海量体检数据样本输入机器学习模型中，多次调整参数以训练上述机器学习模型，使上述机器学习模型的损失函数趋于收敛，以得到一健康预测模型。在得到上述健康预测模型后，可以将上述核心体检数据输入健康预测模型中，根据健康预测模型的输出，得到用户的健康预测结果。在本公开的示例性实施例中，结果解释模型为对核保结果进行解释分析的机器学习模型。示例性的，可以获取海量体检数据样本、海量核保结果样本以及海量健康预测结果样本，将上述海量体检数据样本、海量核保结果样本以及海量健康预测结果样本输入机器学习模型中，多次调整参数以训练上述机器学习模型，使上述机器学习模型的损失函数趋于收敛，以得到一结果解释模型。在得到上述结果解释模型之后，可以将上述核心体检数据，上述核保结果以及上述健康预测结果输入结果解释模型中，根据结果解释模型的输出，得到上述核保结果对应的解释信息。解释信息即得出上述核保结果的原因。示例性的，当核保结果为拒保时，对应的解释信息可以是：用户患有羊癫疯。从而，能够直观清楚的给出上述核保结果对应的解释原因，有助于后续核保人员快速掌握到核保关键信息，解决现有技术中人工核保的工作量大，效率较低的技术问题，提高核保人员的工作效率。在本公开的示例性实施例中，在获取到上述核保结果，上述健康预测信息以及上述解释信息之后，核保人员可以根据上述核保结果、上述支撑核保结果的数据、上述健康预测信息以及上述解释信息对核保结果进行复核，以生成复核结果。示例性的，当上述核保模型输出的核保结果为：次标准体(有一定承保可能)时、相关核保人员可以结合实际情况以及自身工作经验，确定最终的核保结果。从而，能够保证核保结果的准确性，降低核保风险。在本公开的示例性实施例中，图3示意性示出本公开再一示例性实施例中保险核保方法的流程示意图，具体示出本公开中保险核保方法的整体流程示意图，以下结合图3对具体的实施方式进行解释。在步骤s301中，通过客户端(应用(application，简称：app)、网页等)进入客户投保前端系统，发起核保请求，对核保请求进行合法性认证；在步骤s302中，判断所述合法性验证是否通过；在步骤s303中，若验证通过，则将核保任务加入任务队列；若验证未通过，则重新返回客户端投保前端业务系统进行合法性认证；在步骤s304中，获取用户体检数据；在步骤s305中，对用户体检数据进行切割与分类；在步骤s306中，对用户体检数据进行文字识别，得到识别结果；在步骤s307中，对识别结果进行结构化处理，得到结构化体检数据；在步骤s308中，对结构化体检数据进行纠错处理以及拼接处理；在步骤s309中，对纠错处理以及拼接处理之后的结构化体检数据进行特征提取，得到核心体检数据；在步骤s310中，将核心体检数据输入健康风险预测模型，得到健康预测结果；在步骤s311中，将核心体检数据输入核保结论预测模型，得到核保结果；在步骤s312中，将核心体检数据、健康预测结果以及核保结果输入结论解释模型中，得到解释信息；在步骤s313中，核保人员进行复核，输出复核结果。在本公开的示例性实施例中，图4示意性示出本公开一示例性实施例中保险核保方法的整体架构示意图，以下结合图4对具体的实施方式进行解释。客户投保前端业务系统401，用于向中控系统403发送投保请求；投保结论复核业务系统402，用于查询核保结论；中控系统403，用于任务管理与调度、接入控制与授权认证、业务逻辑处理等；例如：向体检报告结构化模块4041发送识别消息；向自然语言处理模块4042发送nlp请求(naturallanguageprocessing，简称：nlp，自然语言处理)；向健康预测模块4043发送预测请求；向核保结果预测模块4044发送预测请求；向授权认证系统4045发送认证请求等；体检报告结构化模块4041，用于下载用户体检数据；对体检数据进行分割与分类；对体检数据进行文字识别；并将识别结果存储至数据库中，将与识别结果对应的图片存储至nas中；自然语言处理模块4042，用于对体检数据进行kv值结构化以及数据拼接，得到结构化体检数据；并将结构化体检数据存储至数据库，并向中控系统403返回结束消息；健康风险预测模块4043，用于对结构化体检数据特征抽取；数字化以及归一化，得到核心体检数据；并根据核心体检数据进行健康风险预测结果，得到健康预测结果；将健康预测结果存储至数据库，并向中控系统403返回结束消息；核保结论预测模块4044，用于对结构化体检数据特征抽取；数字化以及归一化，得到核心体检数据；并根据核心体检数据进行核保结论预测模型，得到核保结果；将核保结果存储至数据库，并向中控系统403返回结束消息；授权认证系统4045，用于进行接入授权认证服务，并向中控系统403返回认证结果；运维管理系统4046，用于对授权、任务处理情况、日志等内容进行监控与统计分析。本公开还提供了一种保险核保装置，图5示出本公开示例性实施例中保险核保装置的结构示意图；如图5所示，保险核保装置500可以包括第一识别模块501、第二识别模块502、数据拼接模块503、处理模块504、提取模块505和核保模块506。其中：第一识别模块501，用于对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型。在本公开的示例性实施例中，第一识别模块用于对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型。第二识别模块502，用于对所述用户体检数据中包含的文本信息进行识别，得到识别结果。在本公开的示例性实施例中，第一识别模块用于对用户体检数据中包含的文本信息进行识别，得到识别结果。数据拼接模块503，用于基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息。在本公开的示例性实施例中，数据拼接模块用于基于体检项目类型，对识别结果进行拼接，以得到拼接信息。处理模块504，用于对所述拼接信息进行结构化处理，以得到结构化体检数据。在本公开的示例性实施例中，处理模块用于对拼接信息进行结构化处理，以得到结构化体检数据。提取模块505，用于对所述结构化体检数据进行特征提取，以获取核心体检数据。在本公开的示例性实施例中，提取模块用于对结构化体检数据进行特征提取，以获取核心体检数据。在本公开的示例性实施例中，提取模块用于对结构化体检数据进行过滤处理，得到第一数据；对第一数据进行数值化处理，得到第二数据；对第二数据进行归一化处理，以得到第三数据；对第三数据进行特征工程处理，以确定核心体检数据。在本公开的示例性实施例中，提取模块用于获取结构化体检数据中的预设目标数据；对预设目标数据进行过滤处理，得到剩余目标数据；将剩余目标数据作为第一数据。核保模块506，用于将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果；其中，所述核保模型为进行核保结果预测的机器学习模型。在本公开的示例性实施例中，核保模块用于当接收到核保请求时，对核保请求进行合法性认证；若合法性认证通过，则执行核保请求对应的核保任务。在本公开的示例性实施例中，核保模块用于根据核保结果、健康预测结果与解释信息，确定复核结果。在本公开的示例性实施例中，核保模块用于将核心体检数据输入健康预测模型中，根据健康预测模型的输出，确定用户的健康预测结果；其中，所述健康预测模型为对所述用户的健康情况进行预测处理的机器学习模型。在本公开的示例性实施例中，核保模块用于将核心体检数据、核保结果与健康预测结果输入结果解释模型中，根据结果解释模型的输出，确定核保结果对应的解释信息；其中，结果解释模型为对核保结果进行解释分析的机器学习模型。上述保险核保装置中各模块的具体细节已经在对应的保险核保方法中进行了详细的描述，因此此处不再赘述。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。参考图6所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。所属
技术领域：
：的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图1中所示的：步骤s110，对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型；步骤s120，对所述用户体检数据中包含的文本信息进行识别，得到识别结果；步骤s130，基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息；步骤s140，对所述拼接信息进行结构化处理，以得到所述结构化体检数据；步骤s150，对所述结构化体检数据进行特征提取，以获取核心体检数据；步骤s160，将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果；其中，所述核保模型为进行核保结果预测的机器学习模型。存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本
技术领域：
：中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。当前第1页1 2 3 当前第1页1 2 3
技术特征：
1.一种保险核保方法，其特征在于，包括：
对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型；
对所述用户体检数据中包含的文本信息进行识别，得到识别结果；
基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息；
对所述拼接信息进行结构化处理，以得到所述结构化体检数据；
对所述结构化体检数据进行特征提取，以获取核心体检数据；
将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果；
其中，所述核保模型为进行核保结果预测的机器学习模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述结构化体检数据进行特征提取，以得到核心体检数据，包括：
对所述结构化体检数据进行过滤处理，得到第一数据；
对所述第一数据进行数值化处理，得到第二数据；
对所述第二数据进行归一化处理，以得到第三数据；
对所述第三数据进行特征工程处理，以确定所述核心体检数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述结构化体检数据进行过滤处理，得到第一数据，包括：
获取所述结构化体检数据中的预设目标数据；
对所述预设目标数据进行过滤处理，得到剩余目标数据；
将所述剩余目标数据作为所述第一数据。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
将所述核心体检数据输入健康预测模型中，根据所述健康预测模型的输出，确定所述用户的健康预测结果；
其中，所述健康预测模型为对所述用户的健康情况进行预测处理的机器学习模型。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述核心体检数据、所述核保结果与所述健康预测结果输入结果解释模型中，根据所述结果解释模型的输出，确定所述核保结果对应的解释信息；
其中，所述结果解释模型为对所述核保结果进行解释分析的机器学习模型。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述核保结果、所述健康预测结果与所述解释信息，确定复核结果。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当接收到核保请求时，对所述核保请求进行合法性认证；
若所述合法性认证通过，则执行所述核保请求对应的核保任务。
8.一种保险核保装置，其特征在于，包括：
第一识别模块，用于对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型；
第二识别模块，用于对所述用户体检数据中包含的文本信息进行识别，得到识别结果；
数据拼接模块，用于基于所述体检项目类型，对所述识别结果进行拼接，以得到拼接信息；处理模块，用于对所述拼接信息进行结构化处理，以得到结构化体检数据；
提取模块，用于对所述结构化体检数据进行特征提取，以获取核心体检数据；
核保模块，用于将所述核心体检数据输入核保模型中，根据所述核保模型的输出，确定所述保险的核保结果；其中，所述核保模型为进行核保结果预测的机器学习模型。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的保险核保方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述的保险核保方法。
技术总结
本公开涉及数据处理技术领域，提供了一种保险核保方法、保险核保装置、计算机存储介质、电子设备，其中，保险核保方法包括：对获取到的用户体检数据中包含的图片进行识别，获取体检项目类型；对用户体检数据中包含的文本信息进行识别，得到识别结果；基于体检项目类型，对识别结果进行拼接，以得到拼接信息；对拼接信息进行结构化处理，以得到结构化体检数据；对结构化体检数据进行特征提取，以获取核心体检数据；将核心体检数据输入核保模型中，根据核保模型的输出，确定保险的核保结果；其中，核保模型为进行核保结果预测的机器学习模型。本公开中的保险核保方法能够提高核保准确率以及智能化程度，降低核保风险。
技术研发人员：刘岩
受保护的技术使用者：泰康保险集团股份有限公司
技术研发日：.11.04
技术公布日：.02.28
