风险等级评估方法、装置、电子设备及存储介质与流程

1.本发明涉及风险评估技术领域，尤其涉及一种风险等级评估方法、装置、电子设备及存储介质。


背景技术：

2.随着医疗行业的快速发展，为了保证用户的身体健康，往往会对用户的健康信息进行评定，进而可以在用户的健康信息不正常时及时提示用户存在健康风险。
3.但是，现有方法是通过人工的方式对用户的健康信息进行现场评定，但是由于现场评定的方法容易收到外界因素影响，无法保证评定的正确性和准确性，并且现场评定需要用户亲自到场，降低了用户的体验。


技术实现要素：

4.本发明提供一种风险等级评估方法、装置、电子设备及存储介质，通过目标行为数据对待训练风险评估模型进行训练得到风险评估模型，进而基于风险评估模型得到风险等级，提升了风险等级评估的准确度。
5.第一方面，本发明实施例提供了一种风险等级评估方法，该方法包括：
6.获取目标数据源中所存储的与各用户相对应的行为数据；其中，所述行为数据包括基础行为数据和操作行为数据；
7.对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，并基于与所述当前类型相对应的预测模型对所述待使用行为数据进行处理，得到预测结果；
8.对于各类型行为数据，基于所述当前类型的预测结果和相应的实际结果，从所述待使用行为数据中筛选出待应用行为数据；
9.基于各类型行为数据所对应的待应用行为数据，确定目标行为数据；
10.基于所述目标行为数据对待训练风险评估模型进行训练处理，以得到目标风险评估模型，以基于所述目标风险评估模型确定相应用户的风险等级。
11.第二方面，本发明实施例还提供了一种风险等级评估装置，该装置包括：
12.数据获取模块，用于获取目标数据源中所存储的与各用户相对应的行为数据；其中，所述行为数据包括基础行为数据和操作行为数据；
13.预测结果获取模块，用于对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，并基于与所述当前类型相对应的预测模型对所述待使用行为数据进行处理，得到预测结果；
14.筛选模块，用于对于各类型行为数据，基于所述当前类型的预测结果和相应的实际结果，从所述待使用行为数据中筛选出待应用行为数据；
15.目标行为数据确定模块，用于基于各类型行为数据所对应的待应用行为数据，确定目标行为数据；
16.评估模块，用于基于所述目标行为数据对待训练风险评估模型进行训练处理，以
得到目标风险评估模型，以基于所述目标风险评估模型确定相应用户的风险等级。
17.第三方面，本发明实施例还提供了一种电子设备，所述设备包括：
18.一个或多个处理器；以及
19.与所述至少一个处理器通信连接的存储器；其中，
20.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的风险等级评估方法。
21.第四方面，本发明实施例还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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风险等级评估方法。
22.本发明实施例的技术方案，通过获取目标数据源中所存储的与各用户相对应的行为数据，并且对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，并基于与当前类型相对应的预测模型对待使用行为数据进行处理，得到预测结果，进而对于各类型行为数据，基于当前类型的预测结果和相应的实际结果，从待使用行为数据中筛选出待应用行为数据，基于各类型行为数据所对应的待应用行为数据，确定目标行为数据，最终可以基于目标行为数据对待训练风险评估模型进行训练处理，以得到目标风险评估模型，以基于目标风险评估模型确定相应用户的风险等级。基于上述技术方案，提高了风险等级评估的准确度，进而达到了提高用户体验的效果。
23.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
24.为了更加清楚地说明本发明实施例中的技术方案，下面对描述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，下面描述中的附图仅仅是本发明的一些实施例，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。
25.图1为本发明实施例提供的一种风险等级评估方法的流程示意图；
26.图2为本发明实施例提供的风险等级评估方法的流程图；
27.图3为本发明实施例提供的一种风险等级评估装置的结构框图；
28.图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
29.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
30.需要说明的是，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”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。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本发明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。
31.可以理解的是，在使用本发明各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本发明所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
32.例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本发明技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
33.作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
34.可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本发明的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
35.可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
36.实施例一
37.图1为本发明实施例提供的一种风险等级评估方法的流程示意图，本实施例可适用于对行为数据进行筛选得到目标行为数据，并基于目标行为数据对待训练风险评估模型进行训练，进而基于风险评估模型进行风险评估的情况，该方法可以由风险等级评估装置来执行，该风险等级评估装置可以采用硬件/或软件的形式实现，该装置可配置于电子设备中，该电子设备可以是pc端或服务端等。
38.如图1所示，该方法包括：
39.s110、获取目标数据源中所存储的与各用户相对应的行为数据。
40.其中，所述行为数据包括基础行为数据和操作行为数据。目标数据源可以是用于存储行为数据的数据库，例如mysql数据、oracle数据库等。行为数据可以理解为基于用户的行为所产生的数据，例如用户的操作行为数据行为可以是浏览网页、使用app、通话数据、sim卡行程等行为产生的数据，基础数据可以是用户的基础属性构成的数据，例如套餐数据、性别数据等。
41.具体的，可以通过选择对应的目标数据源，通过读取目标数据源内存储的与各用户相对应的行为数据，例如用户可以指定运营商存储的数据作为目标数据源，进而读取该目标数据源内和用户相对应的行为数据，需要说明的是，可以根据行为数据的属性将数据划分为基础行为数据和操作行为数据，基础行为数据可以是基于用户的基础信息产生的行为数据，相应的，操作行为数据则是根据用户的操作行为产生的行为数据。例如，a用户的性别为女性，则基于该基础属性产生的数据为基础行为数据，若a用户每天的入网时长为6小
时，则基于该操作行为产生的数据则为操作行为数据。
42.在上述技术方案的基础上，在获取目标数据源中所存储的与各用户相对应的行为数据之前，包括：读取预先存储的就诊数据和诊疗数据，并对所述就诊数据和所述诊疗数据进行分析得到至少一个量化结果；基于所述至少一个量化结果以及和各用户对应的就诊数据和诊疗数据确定对应的风险等级信息，并将所述风险等级信息进行存储。
43.其中，就诊数据可以是用户的就诊次数数据，例如用户在一定时间内的就诊次数，相应的，诊疗数据可以理解为用户累计诊疗开支。量化结果可以理解为用于判断用户的风险等级的结果，例如可以是对就诊数据和诊疗数据进行综合分析，进而得到和就诊数据和诊疗数据相对应的量化结果，基于量化结果确定对应的风险等级。风险等级信息可以用于表征用户当前的风险等级。
44.具体的，读取预先存储的就诊数据和诊疗数据，并对就诊数据和诊疗数据进行分析得到至少一个量化结果，根据至少一个量化结果，以及和各用户对应的就诊数据和诊疗数据确定各个用户的风险等级信息，并将该风险等级信息进行存储。例如，可以通过读取预先存储的就诊数据和诊疗数据，并对就诊数据和诊疗数据进行分析得到对应的量化结果，可以是由人工对就诊数据和诊疗数据进行分析以得到量化结果，需要说明的是，量化结果用于表征就诊数据和诊疗数据和风险等级的对应关系，例如若当前用户无就诊数据和诊疗数据，当前用户的风险等级为0级，若当前用户就诊数据小于5时，当前用户的风险等级为1级，若当前用户的就诊数据大于等于5时，当前用户的风险等级为2级，若当前用户的诊疗数据小于三万时，当前用户的风险等级为3级，若当前用户的诊疗数据大于等于三万时，当前用户的风险等级为4级，进而在得到量化结果后，可以理解的是，就诊数据可以是在一定时间内用户的就诊次数，诊疗数据可以是用户在一定时间内的诊疗费用，进而基于用户的就诊数据、诊疗数据以及量化结果可以确定各个用户对应的风险等级信息。
45.s120、对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，并基于与所述当前类型相对应的预测模型对所述待使用行为数据进行处理，得到预测结果。
46.其中，待使用行为数据可以是需要使用的行为数据，需要说明的是，由于行为数据的类型不同，需要针对不同类型的行为数据确定出对应的待使用行为数据。预测模型可以是预先设置用于进行得到初步预测结果的模型。预测结果可以是将待使用行为数据输入到预测模型中后，预测模型输出的和待使用行为数据相对应的结果。
47.具体的，针对各个不同类型的行为数据，可以是从当前类型的行为数据中确定出需要使用的行为数据，并将其作为待使用行为数据，例如可以由用户自行选定需要使用的行为数据，在得到待使用数据之后，可以将该待使用数据输入到和当前的类型相对应的预测模型中，进而得到和该待使用数据相对应的预测结果。需要说明的是，由于本发明实施例的技术方案是对风险等级进行评估，因此所有的预测模型均是基于输入输出相应的风险等级预测结果。
48.在上述技术方案的基础上，所述对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，包括：确定与所述各类型行为数据对应的中值信息，并基于所述中值信息确定和所述各类型行为数据对应的中值绝对差；根据所述中值绝对差和预设差值信息对所述各类型行为数据进行过滤得到所述待使用行为数据。
49.其中，中值信息可以是与行为数据相对应的中值，例如可以是对当前类型行为数
据进行排序，根据排序结果选取中间位置的数据并将其作为中值。相应的，中值绝对差则可以理解为基于中值和各行为数据得到的差值信息。预设差值信息可以是预先设定差值阈值。
50.具体的，将各类型行为数据按照数据的大小进行排序，并且得到对应的排序结果，根据排序结果确定对应的中值信息，进而基于中值信息和各类型行为数据确定出对应的中值绝对差，进而基于预先差值信息和中值绝对差对各类型行为数据进行过滤，得到待使用行为数据。需要说明的是，中值绝对差可以是将各个数据与中值作差得到对应的差值，并将所有的差值求和后除以数据的总数，进而根据预设差值信息和中值绝对差对各类型行为数据进行过滤得到待使用行为数据。例如，若预设差值信息为0，则可以将中值绝对差不为0的类型的行为数据进行保留，并将其作为待使用行为数据。
51.本公开实施例的技术方案，通过采用中值绝对差和预设差值信息对各类型行为数据进行过滤得到待使用行为数据，进而可以对各类型行为数据进行弹性处理，大大减少异常值对于数据集的影响。
52.s130、对于各待使用行为数据，基于所述当前类型的预测结果和相应的实际结果，从所述待使用行为数据中筛选出待应用行为数据。
53.其中，实际结果可以是与当前行为数据相对应的用户的风险等级信息，需要说明的是，该实际结果可以是在读取行为数据之前产生的，可以是由人工确定的方式确定出的风险等级信息。待应用行为数据可以理解为进行筛选后得到的行为数据。
54.具体的，得到和待使用行为数据相对应的预测结果后，基于根据预先存储的实际结果以及预测结果待使用行为数据进行筛选得到待应用行为数据。例如可以是统计各待使用行为数据产生预测结果和实际结果的匹配数据量，进而根据匹配数量确定出匹配率，进而根据待应用行为的预测结果和实际结果的匹配率确定出待应用行为数据。.
55.在上述技术方案的基础上，所述对于各待使用行为数据，基于所述当前类型的预测结果和相应的实际结果，从所述待使用行为数据中筛选出待应用行为数据，包括：基于所述当前类型的预测结果和相应的实际结果确定和当前类型相对应的工作特征曲线；基于所述工作特征曲线确定与当前类型相对应的一致性参数，并基于所述一致性参数和预设参数阈值对所述待使用行为数据进行筛选得到所述待应用行为数据。
56.其中，工作特征曲线可以理解为基于实际结果和预测结构构成的曲线，需要说明的是，工作特征曲线可以是roc曲线(receiver operating characteristic curve，roc)，是以被试在不同判断标准下所得的虚报概率p(y/n)为横坐标，以击中概率p(y/sn)为纵坐标，画得的各点的连线。一致性参数可以是基于工作特征曲线得到的参数，用于表征当前类型的行为数据和预测模型的匹配程度。预设参数阈值可以理解为预先设置的参数值。
57.具体的，根据当前类型的预测结果以及对应的实际结果确定和当前类型相对应的工作特征曲线，进而基于该工作特征曲线确定出当前类型对应的一致性参数，进而根据预设参数阈值和一致性参数对待使用行为数据进行再次筛选得到待应用行为数据。例如，可以是预先设置参数阈值为0.58，将各待使用行为数据对应的一致性参数和预设参数阈值进行比较将一致性参数大于0.58的待使用行为数据保留作为待应用行为数据。
58.s140、基于各类型行为数据所对应的待应用行为数据，确定目标行为数据。
59.其中，目标行为数据可以是从待应用行为数据中筛选得到的行为数据。
60.具体的，根据各类型行为数据所对应的待应用行为数据，可以由用户确定最终的目标行为数据，例如用户可以根据当前类型的待应用行为数据和风险评估是否相关来确定目标行为数据，也即将与风险评估无关的数据进行删除，保留和风险评估相关联的数据，还可以是将各个数据输入到随机森林模型中，基于随机模型的特性为各个数据进行重要度排序得到对应的重要度排序结果，进而根据可以改排序结果选取重要程度最高的数据作为目标行为数据。
61.在上述技术方案的基础上，所述基于各类型行为数据所对应的待应用行为数据，确定目标行为数据，包括：确定所述各类型行为数据所对应的待应用行为数据之间的相关系数；基于所述相关系数和预设相关阈值对所述各类型行为数据所对应的待应用行为数据进行筛选得到所述目标行为数据。
62.其中，相关系数可以用于表征各类型数据之间的相关程度，例如若a类型的数据和b类型的数据之间的相关系数为1，则证明a类型的数据和b类型的数据线性相关。预设相关阈值可以是预先设置的相关系数值。
63.具体的，针对各类型行为数据对应的待应用行为数据，可以确定不同类型的待应用行为数据之间的相关系数，并根据该相关系数以及预设相关阈值对待应用行为数据进行过滤得到目标行为数据，例如，若预设相关阈值为0.9，且a类型的待应用行为数据和b类型的待应用行为数据之间的相关系数为0.91，也即是说a类型的待应用行为数据和b类型的待应用行为数据为模型提供的预测价值是近似的，只需要保留其中一个即可。
64.本公开实施例的技术方案，通过计算不同类型的待应用行为数据之间的相关系数，并基于预设相关阈值和相关系数对待应用行为数据进行过滤得到目标行为数据，进而可以去除高度相关的的待应用行为数据，进一步降低数据的维度。
65.s150、基于所述目标行为数据对待训练风险评估模型进行训练处理，以得到目标风险评估模型，以基于所述目标风险评估模型确定相应用户的风险等级。
66.其中，待训练风险评估模型可以理解为没有经过训练的模型，相应的目标风险评估模型可以是对待训练风险评估模型进行训练后得到的风险评估模型。
67.具体的，可以是以目标行为数据为样本，将其输入到待训练风险评估模型中得到和目标行为数据相对应的实际风险等级，进而根据实际风险等级和对应的理论风险等级对模型的参数进行修正，需要说明的是，理论风险等级可以是在读取行为数据之前确定出的风险等级信息。例如，可以是根据实际结果和理论结果之间的匹配率确定模型是否训练完成，若检测到匹配率达到预设的阈值，则确定模型训练完成，若检测到匹配率未达到预设的阈值，则继续对模型进行训练，以得到满足用户需求的风险评估模型。
68.在上述技术方案的基础上，所述基于所述目标行为数据对待训练风险评估模型进行训练处理，以得到目标风险评估模型，包括：将所述目标行为数据按照预设比例划分为训练数据和测试数据，基于所述测试数据对所述待训练风险评估模型进行训练得到所述目标风险评估模型；将所述测试数据输入到所述目标风险评估模型中得到测试结果，基于所述测试结果评估所述目标风险评估模型的性能。
69.其中，预设比例可以是预先设置的分割比例。训练数据可以理解为用于对模型进行训练的数据，相应的，测试数据可以理解为用于对模型进行测试的数据。测试结果可以是检测数据输入到目标风险评估模型得到的预测结果。
70.具体的，按照预设比例将目标行为数据进行划分得到训练数据和测试数据，基于测试数据对待训练风险评估模型进行训练得到目标风险评估模型，在得到目标风险评估模型之后，可以将测试数据输入到目标风险评估模型中得到对应的测试结果，根据测试结果对目标风险评估模型的性能进行评估。例如，预设比例可以是4:1，也即将目标行为数据划分为5份，其中四份为训练数据，一份为测试数据。
71.在上述技术方案的基础上，所述将所述测试数据输入到所述目标风险评估模型中得到测试结果，基于所述测试结果评估所述目标风险评估模型的性能，包括：根据所述测试结果确定混淆矩阵，基于所述混淆矩阵确定出与所述目标风险评估模型相对应的评分属性；基于所述评分属性和预设评分属性确定所述目标风险评估模型是否满足性能指标；如果所述目标风险评估模型不满足所述性能指标，则继续对所述目标风险评估模型进行训练处理。
72.其中，混淆矩阵可以是用于评价模型的预测精度的矩阵，需要说明的是，混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。评分属性可以理解为目标风险评估模型的性能得分。预设评分属性可以是预先设置的评分阈值。性能指标可以理解为用户需要目标风险评估模型达到的性能。
73.具体的，可以通过统计测试数据对应的测试结果，根据测试结果确定对应的混淆矩阵，并且根据混淆矩阵确定目标风险评估模型相对应的评分属性，并将评分属性和预设评分属性确定模型是否满足用户的性能指标，若不满足则继续对模型进行训练。例如，可以将各种结果设置为(真阳性)tp：被模型预测为正的正样本，也即将正类预测为正类；(假阳性)fp：被模型预测为正的负样本，将负类预测为正类；(假阴性)fn：被模型预测为负的正样本，将正类预测为负类；(真阴性)tn：被模型预测为负的负样本，将负类预测为负类；并计算模型对应的精确率(precision)和召回率(recall)，进而基于精确率和召回率计算模型的f1评分，并将f1评分作为模型的评分属性。
74.在上述技术方案的基础上，可以结合图2对本实施例提供的技术方案进行进一步的说明，如图2所示：
75.读取行为数据，并建立量化指标：具体的，读取目标数据源中预先存储的和用户对应的行为数据，并读取预先存储的就诊数据和诊疗数据，并对就诊数据和诊疗数据进行分析得到对应的量化指标。
76.中值绝对差筛选：具体的，计算每种行为数据对应的中值绝对偏差，筛选包含预测信息的特征。需要说明的是，由于中值绝对偏差描述了该特征在样本中的变异程度，中值绝对偏差为0表示该行为数据在所有行为数据中的特征值是十分接近的，从而无法对预测模型提供信息，因此将中值绝对差为0的行为数据删除得到待使用行为数据。
77.一致性参数筛选：具体的，对上一步筛选保留的不同类型的待使用行为数据，我们分别使用和数据类型相对应的预测模型对其进行预测得到对应的预测结果，根据预测结果和真实结果绘制受试者工作特征(roc)曲线，根据roc曲线计算一致性参数。由于一致性参数描述了该特征对模型的预测能力，一致性指数较低的特征对模型的预测能力较差，从而不具有预测价值，因此将一致性参数低于0.58的数据删除，得到待应用行为数据。
78.删除高度相关的行为数据：具体的，在上一步筛选结果的基础上，计算各类型的待
应用行为数据之间的相关系数，去除高度相关的行为数据进一步降低行为数据的维数。对于相关系数大于≥0.90的特征对，可以保留更具有预测价值的行为数据，将另一行为数据删除，进而得到目标行为数据。
79.数据划分：具体的，将目标行为数据以4:1的比例随机分为训练数据和测试数据，然后使用训练数据优化模型参数。在对模型进行训练之前，还可以随机选择25％的训练数据来形成验证队列，以指导模型的超参数选择。
80.模型构建：具体的，在诊断模型构建阶段，我们采用随机森林分类器构建多分类模型。随机森林(rf)是利用多棵决策树对样本进行训练并预测的一种分类器。从直观角度来解释，每棵决策树都是一个分类器，那么对于一个输入样本，n棵树会产生n个分类结果，而rf集成了所有决策树的分类投票结果，将投票次数最多的类别指定为最终的输出。rf的优点是可以用于样本量大，变量维数大的数据集，同时可以避免过拟合。此外，rf还可以评估各个预测变量在分类任务上的重要性。
81.模型测试：具体的，使用训练数据对模型及超参数进行调优，使用测试数据进行模型测试。通过将5类预估正确记为1、否则为0来计算混淆矩阵，计算真阳、假阴和假阳的数量，最后计算f1得分来评估模型性能。
82.本发明实施例的技术方案，通过获取目标数据源中所存储的与各用户相对应的行为数据，并且对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，并基于与当前类型相对应的预测模型对待使用行为数据进行处理，得到预测结果，进而对于各类型行为数据，基于当前类型的预测结果和相应的实际结果，从待使用行为数据中筛选出待应用行为数据，基于各类型行为数据所对应的待应用行为数据，确定目标行为数据，最终可以基于目标行为数据对待训练风险评估模型进行训练处理，以得到目标风险评估模型，以基于目标风险评估模型确定相应用户的风险等级。基于上述技术方案，提高了风险等级评估的准确度，进而达到了提高用户体验的效果
83.实施例二
84.图3为本公开实施例提供的一种风险等级评估装置的结构框图。该装置包括：数据获取模块310、预测结果获取模块320、筛选模块330、目标行为数据确定模块340、以及评估模块350。
85.数据获取模块310，用于获取目标数据源中所存储的与各用户相对应的行为数据；其中，所述行为数据包括基础行为数据和操作行为数据；
86.预测结果获取模块320，用于对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，并基于与所述当前类型相对应的预测模型对所述待使用行为数据进行处理，得到预测结果；
87.筛选模块330，用于对于各待使用行为数据，基于所述当前类型的预测结果和相应的实际结果，从所述待使用行为数据中筛选出待应用行为数据；
88.目标行为数据确定模块340，用于基于各类型行为数据所对应的待应用行为数据，确定目标行为数据；
89.评估模块350，用于基于所述目标行为数据对待训练风险评估模型进行训练处理，以得到目标风险评估模型，以基于所述目标风险评估模型确定相应用户的风险等级。
90.在上述技术方案的基础上，所述装置还包括：
91.风险等级信息确定模块，用于读取预先存储的就诊数据和诊疗数据，并对所述就诊数据和所述诊疗数据进行分析得到至少一个量化结果；基于所述至少一个量化结果以及和各用户对应的就诊数据和诊疗数据确定对应的风险等级信息，并将所述风险等级信息进行存储。
92.在上述技术方案的基础上，所述预测结果获取模块包括：
93.待使用行为数据获取单元，用于确定与所述各类型行为数据对应的中值信息，并基于所述中值信息确定和所述各类型行为数据对应的中值绝对差；根据所述中值绝对差和预设差值信息对所述各类型行为数据进行过滤得到所述待使用行为数据。
94.在上述技术方案的基础上，所述筛选模块具体用于基于所述当前类型的预测结果和相应的实际结果确定和当前类型相对应的工作特征曲线；基于所述工作特征曲线确定与当前类型相对应的一致性参数，并基于所述一致性参数和预设参数阈值对所述待使用行为数据进行筛选得到待应用行为数据。
95.在上述技术方案的基础上，所述目标行为数据确定模块用于确定所述各类型行为数据所对应的待应用行为数据之间的相关系数；基于所述相关系数和预设相关阈值对所述各类型行为数据所对应的待应用行为数据进行筛选得到所述目标行为数据。
96.在上述技术方案的基础上，所述评估模块还包括：
97.数据划分单元，用于将所述目标行为数据按照预设比例划分为训练数据和测试数据，基于所述测试数据对所述待训练风险评估模型进行训练得到所述目标风险评估模型；
98.测试单元，用于将所述测试数据输入到所述目标风险评估模型中得到测试结果，基于所述测试结果评估所述目标风险评估模型的性能。
99.在上述技术方案的基础上，所述测试单元具体用于根据所述测试结果确定混淆矩阵，基于所述混淆矩阵确定出与所述目标风险评估模型相对应的评分属性；基于所述评分属性和预设评分属性确定所述目标风险评估模型是否满足性能指标；如果所述目标风险评估模型不满足所述性能指标，则继续对所述目标风险评估模型进行训练处理。
100.本发明实施例的技术方案，通过获取目标数据源中所存储的与各用户相对应的行为数据，并且对于各类型行为数据，从当前类型的行为数据中确定出待使用行为数据，并基于与当前类型相对应的预测模型对待使用行为数据进行处理，得到预测结果，进而对于各类型行为数据，基于当前类型的预测结果和相应的实际结果，从待使用行为数据中筛选出待应用行为数据，基于各类型行为数据所对应的待应用行为数据，确定目标行为数据，最终可以基于目标行为数据对待训练风险评估模型进行训练处理，以得到目标风险评估模型，以基于目标风险评估模型确定相应用户的风险等级。基于上述技术方案，提高了风险等级评估的准确度，进而达到了提高用户体验的效果
101.本发明实施例所提供的风险等级评估装置可执行本发明任意实施例所提供的风险等级评估方法，具备执行方法相应的功能模块和有益效果。
102.值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
103.实施例三
104.图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备
旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
105.如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
106.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
107.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风险等级评估方法。
108.在一些实施例中，风险等级评估方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的风险等级评估方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风险等级评估方法。
109.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
110.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
111.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
112.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
113.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
114.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
115.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
116.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。