理赔结论识别方法和识别装置、计算机设备、存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及理赔结论识别方法和识别装置、计算机设备、存储介质。


背景技术：

2.自动理赔业务往往会根据历史理赔数据的理赔情况，人为提取具有理赔区分度的特征，并将这些特征组织成结构化的数据，目前主流的结构化的数据的分类模型主要采用特征交叉方法，使其在不介入专家经验的基础上，达到专家设计的交叉特征的效果。然而，这种方法需要假设样本之间是独立分布的，降低了自动识别理赔结论的准确率。


技术实现要素：

3.本公开实施例的主要目的在于提出理赔结论识别方法和识别装置、计算机设备、存储介质，能够提高模型识别理赔结论的准确性。
4.为实现上述目的，本公开实施例的第一方面提出了理赔结论识别方法，所述方法包括：
5.获取待检索的原始理赔样本，并对所述原始理赔样本进行样本检索，得到目标检索集；
6.对所述原始理赔样本进行特征处理，得到第一特征向量；
7.对所述目标检索集进行特征处理，得到第二特征向量；
8.根据所述第二特征向量确定标签矩阵向量；
9.对所述第二特征向量和所述标签矩阵向量分别进行注意力处理，得到注意力向量，所述注意力向量包括：所述第二特征向量对应的样本注意力向量和所述标签矩阵向量对应的标签注意力向量；
10.对所述第一特征向量、所述样本注意力向量和所述标签注意力向量进行特征交叉，得到第三特征向量；
11.将所述第三特征向量输入预设的深度预测模型，得到目标概率值；
12.根据所述目标概率值确定理赔结论。
13.在一些实施例中，所述根据所述目标概率值确定理赔结论，包括：
14.根据所述标签注意力向量确定与所述目标概率值对应的标签信息；
15.将所述目标概率值和所述标签信息进行信息链接，得到判别信息；
16.根据所述判别信息确定理赔结论。
17.在一些实施例中，所述获取待检索的原始理赔样本，并对所述原始理赔样本进行样本检索，得到目标检索集，包括：
18.获取待检索的原始理赔样本，并对所述原始理赔样本进行特征提取，得到多个样本特征；
19.对所述原始理赔样本的每个样本特征进行样本检索，得到所述原始理赔样本对应
的目标检索集。
20.在一些实施例中，所述对所述原始理赔样本的每个样本特征进行样本检索，得到所述原始理赔样本对应的目标检索集，包括：
21.对所述原始理赔样本的每个样本特征进行样本检索，得到第一检索集，所述第一检索集包括多个相似样本；
22.获取每个相似样本与所述原始理赔样本之间的相同特征数；
23.根据所述相同特征数对所述多个相似样本进行样本排序，得到第二检索集；
24.根据预设的检索样本数对所述第二检索集进行样本选取，得到目标检索集。
25.在一些实施例中，所述对所述原始理赔样本的每个样本特征进行样本检索，得到第一检索集，所述第一检索集包括多个相似样本，包括：
26.获取历史样本库；
27.对所述原始理赔样本的每个样本特征在所述历史样本库中进行样本检索，得到第一检索集，所述第一检索集包括多个相似样本。
28.在一些实施例中，所述对所述原始理赔样本进行特征处理，得到第一特征向量，包括：
29.将所述原始理赔样本中的所述多个样本特征输入预设的样本处理模型进行特征处理，得到所述每个样本特征对应的第一特征向量，其中，所述第一特征向量包括固定的向量长度。
30.在一些实施例中，所述对所述目标检索集进行特征处理，得到第二特征向量，包括：
31.将所述目标检索集中的多个相似样本输入预设的样本处理模型进行特征处理，得到所述目标检索集中每个相似样本对应的第二特征向量，所述第二特征向量包括固定的向量长度。
32.本公开实施例的第二方面提出了理赔结论识别装置，所述装置包括：
33.样本检索模块，用于获取待检索的原始理赔样本，并对所述原始理赔样本进行样本检索，得到目标检索集；
34.第一特征处理模块，用于对所述原始理赔样本进行特征处理，得到第一特征向量；
35.第二特征处理模块，用于对所述目标检索集进行特征处理，得到第二特征向量；
36.标签矩阵确定模块，用于根据所述第二特征向量确定标签矩阵向量；
37.注意力处理模块，用于对所述第二特征向量和所述标签矩阵向量分别进行注意力处理，得到注意力向量，所述注意力向量包括：所述第二特征向量对应的样本注意力向量和所述标签矩阵向量对应的标签注意力向量；
38.特征交叉模块，用于对所述第一特征向量、所述样本注意力向量和所述标签注意力向量进行特征交叉，得到第三特征向量；
39.深度预测模块，用于将所述第三特征向量输入预设的深度预测模型，得到目标概率值；
40.结论确定模块，用于根据所述目标概率值确定理赔结论。
41.本公开实施例的第三方面提出了计算机设备，所述计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，所述处
理器用于执行如本技术第一方面实施例任一项所述的理赔结论识别方法。
42.本公开实施例的第四方面提出了存储介质，所述存储介质为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，在所述计算机程序被计算机执行时，所述计算机用于执行如本技术第一方面实施例任一项所述的理赔结论识别方法。
43.本公开实施例提出的理赔结论识别方法和识别装置、计算机设备、存储介质，通过获取待检索的原始理赔样本，并对原始理赔样本进行样本检索，得到目标检索集。对原始理赔样本进行特征处理，得到第一特征向量，对目标检索集进行特征处理，得到第二特征向量。根据第二特征向量确定标签矩阵向量，对第二特征向量和所述标签矩阵向量分别进行注意力处理，得到注意力向量，该注意力向量包括：第二特征向量对应的样本注意力向量和标签矩阵向量对应的标签注意力向量。为了避免对单个样本间进行特征交叉的局限性，通过对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量，并将第三特征向量输入预设的深度预测模型，得到目标概率值。最后根据目标概率值确定理赔结论。本技术通过对样本间的特征进行特征交叉，能够提高模型识别理赔结论的准确性。
附图说明
44.图1是本公开实施例提供的理赔结论识别方法的流程图；
45.图2是图1中的步骤s180的流程图；
46.图3是图1中的步骤s110的流程图；
47.图4是图3中的步骤s320的流程图；
48.图5是图4中的步骤s410的流程图；
49.图6是本公开实施例提供的理赔结论识别装置的模块结构框图；
50.图7是本公开实施例提供的计算机设备的硬件结构示意图。
具体实施方式
51.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
52.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。
53.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技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
54.此外，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例中。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例的充分理解。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没有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方
法、装置、实现或者操作以避免模糊本公开的各方面。
55.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
56.附图中所示的流程图仅是示例性说明，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，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
57.首先，对本技术中涉及的若干名词进行解析：
58.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
59.自注意力机制(attention mechanism)：注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力，选择特定的输入，可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。
60.搜索引擎技术(search engine technology)：是指互联网上专门提供检索服务的一类网站，这些站点的服务器通过网络搜索软件或网络登录等方式，将internet上大量网站的页面信息收集到本地，经过加工处理建立信息数据库和索引数据库，从而对用户提出的各种检索作出响应，提供用户所需的信息或相关指针。
61.倒排索引(inverted index)：也被称为反向索引、置入档案或反向档案，是一种索引方法，被用来存储在全文搜索下某个单词在一个文档或者一组文档中的存储位置的映射。它是文档检索系统中最常用的数据结构。通过倒排索引，可以根据单词快速获取包含这个单词的文档列表。
62.编码(encoder)：将输入序列转化成一个固定长度的向量。
63.解码(decoder)：将之前生成的固定向量再转化成输出序列；其中，输入序列可以是文字、语音、图像、视频；输出序列可以是文字、图像。
64.嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义，比如embedding(复仇者联盟)和embedding(钢铁侠)之间的距离就会很接近，但embedding(复仇者联盟)和embedding(乱世佳人)的距离就会远一些。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给dnn，以提高效率。
65.自动理赔业务往往会根据历史理赔数据的理赔情况，人为提取具有理赔区分度的特征，并将这些特征组织成结构化的数据，目前主流的结构化的数据的分类模型主要采用特征交叉方法，使其在不介入专家经验的基础上，达到专家设计的交叉特征的效果。然而，这种方法需要假设样本之间是独立分布的，降低了自动识别理赔结论的准确率。
66.基于此，本公开实施例提出了理赔结论识别方法和识别装置、计算机设备、存储介质，通过获取待检索的原始理赔样本，并对原始理赔样本进行样本检索，得到目标检索集。对原始理赔样本进行特征处理，得到第一特征向量，对目标检索集进行特征处理，得到第二特征向量。根据第二特征向量确定标签矩阵向量，对第二特征向量和所述标签矩阵向量分别进行注意力处理，得到注意力向量，该注意力向量包括：第二特征向量对应的样本注意力向量和标签矩阵向量对应的标签注意力向量。为了避免对单个样本间进行特征交叉的局限性，通过对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量，并将第三特征向量输入预设的深度预测模型，得到目标概率值。最后根据目标概率值确定理赔结论。本技术通过对样本间的特征进行特征交叉，能够提高模型识别理赔结论的准确性。
67.本公开实施例提供了理赔结论识别方法和识别装置、计算机设备、存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的理赔结论识别方法。
68.本技术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。
69.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。
70.本公开实施例提供的理赔结论识别方法，涉及人工智能领域。本公开实施例提供的理赔结论识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现模型的训练方法的应用等，但并不局限于以上形式。
71.本公开实施例可用于众多通用或专用的计算机系统环境或配置中。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、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、包括以上任何系统或设备的分布式计算环境等等。本技术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技术，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。
72.第一方面，请参照图1，图1是本技术一些实施例提供的理赔结论识别方法的一个可选的流程图，理赔结论识别方法包括步骤s110、步骤s120、步骤s130、步骤s140、步骤s150、步骤s160、步骤s170和步骤s180，应理解，本技术实施例的理赔结论识别方法包括但不限于步骤s110至步骤s180，下面结合图1对这八个步骤进行详细介绍。
73.步骤s110，获取待检索的原始理赔样本，并对原始理赔样本进行样本检索，得到目标检索集；
74.步骤s120，对原始理赔样本进行特征处理，得到第一特征向量；
75.步骤s130，对目标检索集进行特征处理，得到第二特征向量；
76.步骤s140，根据第二特征向量确定标签矩阵向量；
77.步骤s150，对第二特征向量和标签矩阵向量分别进行注意力处理，得到注意力向量，注意力向量包括：第二特征向量对应的样本注意力向量和标签矩阵向量对应的标签注意力向量；
78.步骤s160，对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量；
79.步骤s170，将第三特征向量输入预设的深度预测模型，得到目标概率值；
80.步骤s180，根据目标概率值确定理赔结论。
81.具体地，在一些实施例的步骤s110中，获取待检索的原始理赔样本，其中，原始理赔样本是指客户提供的关于需要进行理赔的理赔数据。需要说明的是，该原始理赔数据包括被保险人的伤情报告、被保险人的历史诊断信息、被保险人的费用清单等。该被保险人的伤情报告是伤者到医院进行检查之后，由医院开具的用于描述伤者伤情的检查报告；该被保险人的历史诊断信息是医生通过结合伤者伤情以及伤情报告得到的诊断结果；被保险人的费用清单是被保险人根据治疗情况支出的费用清单。对原始理赔样本进行样本检索，得到目标检索集，该目标检索集用于快速确定与原始理赔样本相似的历史理赔结论。
82.具体地，在一些实施例的步骤s120中，由于获取到的原始理赔样本的数据是多样的，为了利用与原始理赔样本相似的历史理赔结论，从而更准确的获得原始理赔样本的理赔结论，通过对原始理赔样本进行特征处理，得到第一特征向量。需要说明的是，当将原始理赔样本的第一特征向量设置为其中，f表示原始查询样本的特征数，t表示原始查询样本中的样本编号，表示原始查询样本中第t个样本的f个特征。
83.具体地，在一些实施例的步骤s130和步骤s140中，为了有效地根据检索到的目标检索集对原始查询样本进行理赔结论预测，对目标检索集进行特征处理，得到第二特征向量。为了提高所得到的理赔结论的准确性，根据第二特征向量确定标签矩阵向量。
84.具体地，在一些实施例的步骤s150中，对第二特征向量和标签矩阵向量分别进行注意力处理，得到注意力向量，其中，该注意力向量包括：第二特征向量对应的样本注意力向量和标签矩阵向量对应的标签注意力向量。具体地，通过预设的自注意力模型对第二特征向量和标签矩阵向量分别进行注意力处理，第二特征向量对应的样本注意力向量和标签矩阵向量对应的标签注意力向量，其中，自注意力模型设置在encoder网络和decoder网络之间，用于学习特征向量需要关注的部分，从而降低模型中的迭代次数，减少得到目标概率
值的时间。
85.需要说明的是，对第二特征向量进行注意力处理，得到第二特征向量对应的样本注意力向量，即将得到的多个表示的第二特征向量合并成一个表示的样本注意力向量。对标签矩阵向量进行注意力处理，即将多个标签矩阵向量合并成一个标签注意力向量。
86.需要说明的是，自注意力模型可以为sa模块，每个sa模块可以包括一个或多个自注意力网络层，sa模块可以根据训练数据的表现选择更多的层添加，也可根据实际需求在encoder网络和decoder网络之前设置多个sa模块，本公开实施例不做具体限制。
87.具体地，在一些实施例的步骤s160中，为了利用与原始理赔样本相似的历史理赔结论及样本特征信息，从而更准确的获得原始理赔样本的理赔结论，通过对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量。
88.需要说明的是，对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉包括，对第一特征向量和样本注意力向量进行特征交叉，得到第三特征向量中的值，对样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量中的值，对第一特征向量和标签注意力向量进行特征交叉，得到第三特征向量中的值。
89.具体地，在一些实施例的步骤s170和步骤s180中，将第三特征向量输入预设的深度预测模型，得到目标概率值，其中，目标概率值表示原始理赔数据能够得到正常理赔的概率值，最后，根据目标概率值确定理赔结论。
90.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据、原始理赔样本，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关国家和地区的相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
91.本公开实施例提出的理赔结论识别方法和识别装置、计算机设备、存储介质，通过获取待检索的原始理赔样本，并对原始理赔样本进行样本检索，得到目标检索集。对原始理赔样本进行特征处理，得到第一特征向量，对目标检索集进行特征处理，得到第二特征向量。根据第二特征向量确定标签矩阵向量，对第二特征向量和所述标签矩阵向量分别进行注意力处理，得到注意力向量，该注意力向量包括：第二特征向量对应的样本注意力向量和标签矩阵向量对应的标签注意力向量。为了避免对单个样本间进行特征交叉的局限性，通过对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量，并将第三特征向量输入预设的深度预测模型，得到目标概率值。最后根据目标概率值确定理赔结论。本技术通过对样本间的特征进行特征交叉，能够提高模型识别理赔结论的准确性。
92.请参照图2，在一些实施例中，图2是本技术一些实施例的步骤s180的具体方法的流程图。在本技术的一些实施例中，步骤s180包括但不限于步骤s210、步骤s220和步骤s230，下面结合图2对这三个步骤进行详细介绍。
93.步骤s210，根据标签注意力向量确定与目标概率值对应的标签信息；
94.步骤s220，将目标概率值和标签信息进行信息链接，得到判别信息；
95.步骤s230，根据判别信息确定理赔结论。
96.具体地，在一些实施例的步骤s210至步骤s230中，为了更准确的获得原始理赔样本的理赔结论，根据标签注意力向量确定与目标概率值对应的标签信息，将目标概率值和标签信息进行信息链接，得到判别信息，即将目标概率值和标签信息共同作为对原始理赔样本进行理赔结论判别的证据，最后，根据判别信息确定理赔结论。本技术利用与原始理赔样本相似的历史理赔结论，提高了理赔结论识别的准确率，从而能够更准确的获得原始理赔样本的理赔结论。
97.请参照图3，在一些实施例中，图3是本技术一些实施例的步骤s110的具体方法的流程图。在本技术的一些实施例中，步骤s110包括但不限于步骤s310和步骤s320，下面结合图3对这两个步骤进行详细介绍。
98.步骤s310，获取待检索的原始理赔样本，并对原始理赔样本进行特征提取，得到多个样本特征；
99.步骤s320，对原始理赔样本的每个样本特征进行样本检索，得到原始理赔样本对应的目标检索集。
100.具体地，在一些实施例的步骤s310和步骤s320中，当获取待检索的原始理赔样本，对原始理赔样本进行特征提取，得到原始理赔数据的多个样本特征。利用搜索引擎技术的倒排索引方法，对原始理赔样本的每个样本特征在样本检索池中进行样本检索，得到原始理赔样本对应的目标检索集。其中，样本检索池用于表示历史样本库，该历史样本库中包括多个历史理赔数据，而历史理赔数据可以从保险公司的云服务器获取历史理赔数据，也可以从交管局的云服务器获取历史理赔数据，还可以从其它用于存储人伤理赔记录的云服务器获取的历史理赔数据。该历史理赔数据包括历史伤情报告、历史理赔费用信息以及历史诊断信息等。该历史伤情报告是伤者到医院进行检查之后，由医院开具的用于描述伤者伤情的检查报告；该历史诊断信息是医生通过结合伤者伤情以及伤情报告得到的诊断结果；理赔费用信息是理赔人员根据伤者的伤情报告、诊断信息以及治疗情况等人工测算出的理赔费用。
101.需要说明的是，历史理赔费用信息可以是一个理赔费用区间，也可以是一个具体的理赔费用值。该历史诊断信息可以是用于描述伤情级别的损伤程度等级也可以是用于指示伤者患有的疾病的诊断结果。在一实施方式中损伤程度等级从高到低可以分为重伤一级、重伤二级、轻伤一级、轻伤二级和轻微伤级别；或者，可以分为一级、二级、三级和四级。损伤程度等级可以用不同的数值进行表示，例如用数值5、4、3、2、1分别表示重伤一级、重伤二级、轻伤一级、轻伤二级和轻微伤级别。需要说明的是，对于损伤程度等级的划分，本发明实施例不作限定。则最终得到的目标概率值可以表示相似样本与原始理赔数据中对应的历史理赔费用信息匹配的概率值，进而根据目标概率值确定理赔结论。
102.请参照图4，在一些实施例中，图4是本技术一些实施例的步骤s320的具体方法的流程图。在本技术的一些实施例中，步骤s320包括但不限于步骤s410、步骤s420、步骤s430和步骤s440，下面结合图4对这四个步骤进行详细介绍。
103.步骤s410，对原始理赔样本的每个样本特征进行样本检索，得到第一检索集，第一检索集包括多个相似样本；
104.步骤s420，获取每个相似样本与原始理赔样本之间的相同特征数；
105.步骤s430，根据相同特征数对多个相似样本进行样本排序，得到第二检索集；
106.步骤s440，根据预设的检索样本数对第二检索集进行样本选取，得到目标检索集。
107.具体地，在一些实施例的步骤s410至步骤s430中，对原始理赔样本的每个样本特征进行样本检索，得到第一检索集，第一检索集包括多个相似样本。获取每个相似样本与原始理赔样本之间的相同特征数，根据相同特征数对多个相似样本进行样本排序，得到第二检索集，其中，将每个相似样本标记一个样本id号，则每个相似样本的相同特征数与其对应的相似样本之间存在索引关系。
108.具体地，在一些实施例的步骤s440中，对多个相似样本进行倒排索引方法对得到第二检索集进行样本排序，根据预设的目标检索集的检索样本数k对排序后的第二检索集进行样本选取，则第二检索集中排序的前k个相似样本构成了目标检索集(x1，x2，
…
，xk)。
109.请参照图5，在一些实施例中，图5是本技术一些实施例的步骤s410的具体方法的流程图。在本技术的一些实施例中，步骤s410包括但不限于步骤s510和步骤s520，下面结合图5对这两个步骤进行详细介绍。
110.步骤s510，获取历史样本库；
111.步骤s520，对原始理赔样本的每个样本特征在历史样本库中进行样本检索，得到第一检索集，第一检索集包括多个相似样本。
112.具体地，在一些实施例的步骤s510和步骤s520中，为了利用与原始理赔样本相似的历史理赔结论及样本特征信息，从而更准确的获得原始理赔样本的理赔结论，获取历史样本库，对原始理赔样本的每个样本特征在历史样本库中进行样本检索，得到第一检索集，第一检索集包括多个相似样本。其中，历史样本库中包括多个历史理赔数据，而历史理赔数据的具体获取方式和详细内容与上述实施例相同，在此不再一一赘述。
113.在本技术的一些实施例中，步骤s120包括：将原始理赔样本中的多个样本特征输入预设的样本处理模型进行特征处理，得到每个样本特征对应的第一特征向量，其中，第一特征向量包括固定的向量长度。
114.具体地，在一些实施例中，为了降低特征向量的维度，提高模型识别理赔结论的准确性和效率，将原始理赔样本中的多个样本特征输入预设的样本处理模型进行特征处理，即该样本处理模型为包括embedding层的预设模型，将多个样本特征通过理赔结论模型的embedding层进行特征处理，得到具有固定样本的向量长度的第一特征向量。
115.在本技术的一些实施例中，步骤s130包括：将目标检索集中的多个相似样本输入预设的样本处理模型进行特征处理，得到目标检索集中每个相似样本对应的第二特征向量，第二特征向量包括固定的向量长度。
116.具体地，在一些实施例中，为了降低特征向量的维度，提高模型识别理赔结论的准确性和效率，将目标检索集中的多个相似样本输入预设的样本处理模型进行特征处理，即将目标检索集中的多个相似样本通过理赔结论模型的embedding层进行特征处理，得到具有固定样本的向量长度的第二特征向量。
117.本公开实施例提出的理赔结论识别方法和识别装置、计算机设备、存储介质，通过获取待检索的原始理赔样本，对原始理赔样本进行特征提取，得到多个样本特征。为了利用与原始理赔样本相似的历史理赔结论及样本特征信息，获取历史样本库，对原始理赔样本的每个样本特征在历史样本库中进行样本检索，得到第一检索集，第一检索集包括多个相
似样本。获取每个相似样本与原始理赔样本之间的相同特征数，根据相同特征数对多个相似样本进行样本排序，得到第二检索集，并根据预设的检索样本数对第二检索集进行样本选取，得到目标检索集。为了降低特征向量的维度，提高模型识别理赔结论的准确性和效率，将原始理赔样本中的多个样本特征输入预设的样本处理模型进行特征处理，得到每个样本特征对应的第一特征向量，其中，第一特征向量包括固定的向量长度，并将目标检索集中的多个相似样本输入预设的样本处理模型进行特征处理，得到目标检索集中每个相似样本对应的第二特征向量，第二特征向量包括固定的向量长度。根据第二特征向量确定标签矩阵向量，对第二特征向量进行注意力处理，得到第二特征向量对应的样本注意力向量，即将得到的多个表示的第二特征向量合并成一个表示的样本注意力向量。对标签矩阵向量进行注意力处理，即将多个标签矩阵向量合并成一个标签注意力向量。对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，即对第一特征向量和样本注意力向量进行特征交叉，得到第三特征向量中的值；对样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量中的值；对第一特征向量和标签注意力向量进行特征交叉，得到第三特征向量中的值。将第三特征向量输入预设的深度预测模型，得到目标概率值，根据标签注意力向量确定与目标概率值对应的标签信息，将目标概率值和标签信息进行信息链接，得到判别信息。最后，根据判别信息确定理赔结论。本技术通过对样本间的特征进行特征交叉，能够提高模型识别理赔结论的准确性。
118.请参照图6，图6是本技术一些实施例提供的理赔结论识别装置的模块结构框图。在一些实施例中，理赔结论识别装置包括样本检索模块610、第一特征处理模块620、第二特征处理模块630、标签矩阵确定模块640、注意力处理模块650、特征交叉模块660、深度预测模块670和结论确定模块680。
119.样本检索模块610，用于获取待检索的原始理赔样本，并对原始理赔样本进行样本检索，得到目标检索集；
120.第一特征处理模块620，用于对原始理赔样本进行特征处理，得到第一特征向量；
121.第二特征处理模块630，用于对目标检索集进行特征处理，得到第二特征向量；
122.标签矩阵确定模块640，用于根据第二特征向量确定标签矩阵向量；
123.注意力处理模块650，用于对第二特征向量和标签矩阵向量分别进行注意力处理，得到注意力向量，注意力向量包括：第二特征向量对应的样本注意力向量和标签矩阵向量对应的标签注意力向量；
124.特征交叉模块660，用于对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量；
125.深度预测模块670，用于将第三特征向量输入预设的深度预测模型，得到目标概率值；
126.结论确定模块680，用于根据目标概率值确定理赔结论。
127.本技术实施例的理赔结论识别装置，通过获取待检索的原始理赔样本，对原始理赔样本进行特征提取，得到多个样本特征。为了利用与原始理赔样本相似的历史理赔结论及样本特征信息，获取历史样本库，对原始理赔样本的每个样本特征在历史样本库中进行样本检索，得到第一检索集，第一检索集包括多个相似样本。获取每个相似样本与原始理赔样本之间的相同特征数，根据相同特征数对多个相似样本进行样本排序，得到第二检索集，
并根据预设的检索样本数对第二检索集进行样本选取，得到目标检索集。为了降低特征向量的维度，提高模型识别理赔结论的准确性和效率，将原始理赔样本中的多个样本特征输入预设的样本处理模型进行特征处理，得到每个样本特征对应的第一特征向量，其中，第一特征向量包括固定的向量长度，并将目标检索集中的多个相似样本输入预设的样本处理模型进行特征处理，得到目标检索集中每个相似样本对应的第二特征向量，第二特征向量包括固定的向量长度。根据第二特征向量确定标签矩阵向量，对第二特征向量进行注意力处理，得到第二特征向量对应的样本注意力向量，即将得到的多个表示的第二特征向量合并成一个表示的样本注意力向量。对标签矩阵向量进行注意力处理，即将多个标签矩阵向量合并成一个标签注意力向量。对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，即对第一特征向量和样本注意力向量进行特征交叉，得到第三特征向量中的值；对样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量中的值；对第一特征向量和标签注意力向量进行特征交叉，得到第三特征向量中的值。将第三特征向量输入预设的深度预测模型，得到目标概率值，根据标签注意力向量确定与目标概率值对应的标签信息，将目标概率值和标签信息进行信息链接，得到判别信息。最后，根据判别信息确定理赔结论。本技术通过对样本间的特征进行特征交叉，能够提高模型识别理赔结论的准确性。
128.需要说明的是，本公开实施例的理赔结论识别装置用于执行上述实施例中的理赔结论识别方法，其具体处理过程与上述实施例中的理赔结论识别方法相同，此处不再一一赘述。
129.本公开实施例还提供了计算机设备，该计算机设备包括存储器和处理器，其中，存储器中存储有计算机程序，计算机程序被处理器执行时，处理器用于执行如本技术第一方面实施例中任一项的理赔结论识别方法。
130.本公开实施例的计算机设备，用于执行上述理赔结论识别方法，通过获取待检索的原始理赔样本，对原始理赔样本进行特征提取，得到多个样本特征。为了利用与原始理赔样本相似的历史理赔结论及样本特征信息，获取历史样本库，对原始理赔样本的每个样本特征在历史样本库中进行样本检索，得到第一检索集，第一检索集包括多个相似样本。获取每个相似样本与原始理赔样本之间的相同特征数，根据相同特征数对多个相似样本进行样本排序，得到第二检索集，并根据预设的检索样本数对第二检索集进行样本选取，得到目标检索集。为了降低特征向量的维度，提高模型识别理赔结论的准确性和效率，将原始理赔样本中的多个样本特征输入预设的样本处理模型进行特征处理，得到每个样本特征对应的第一特征向量，其中，第一特征向量包括固定的向量长度，并将目标检索集中的多个相似样本输入预设的样本处理模型进行特征处理，得到目标检索集中每个相似样本对应的第二特征向量，第二特征向量包括固定的向量长度。根据第二特征向量确定标签矩阵向量，对第二特征向量进行注意力处理，得到第二特征向量对应的样本注意力向量，即将得到的多个表示的第二特征向量合并成一个表示的样本注意力向量。对标签矩阵向量进行注意力处理，即将多个标签矩阵向量合并成一个标签注意力向量。对第一特征向量、样本注意力向量和标签注意力向量进行特征交叉，即对第一特征向量和样本注意力向量进行特征交叉，得到第三特征向量中的值；对样本注意力向量和标签注意力向量进行特征交叉，得到第三特征向量中的值；对第一特征向量和标签注意力向量进行特征交叉，得到第三特征向量中的值。将第三特征向量输入预设的深度预测模型，得到目标概率值，根据标签注意力向量确定与目
标概率值对应的标签信息，将目标概率值和标签信息进行信息链接，得到判别信息。最后，根据判别信息确定理赔结论。本技术通过对样本间的特征进行特征交叉，能够提高模型识别理赔结论的准确性。
131.下面结合图7对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器710、存储器720、输入/输出接口730、通信接口740和总线750。
132.处理器710，可以采用通用的cpu(central processin unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
133.存储器720，可以采用rom(read only memory，只读存储器)、静态存储设备、动态存储设备或者ram(random access memory，随机存取存储器)等形式实现。存储器720可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器720中，并由处理器710来调用执行本公开实施例的理赔结论识别方法；
134.输入/输出接口730，用于实现信息输入及输出；
135.通信接口740，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
136.总线750，在设备的各个组件(例如处理器710、存储器720、输入/输出接口730和通信接口740)之间传输信息；
137.其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。
138.本公开实施例还提供存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机车程序，在该计算机程序被计算机执行时，计算机用于执行本公开实施例的理赔结论识别方法。
139.存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
140.本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
141.本领域技术人员可以理解的是，图1至图6中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
142.以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
143.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
144.本技术的说明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，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
145.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
146.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
147.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
148.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
149.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，本技术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，包括多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)执行本技术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，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
150.以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。