续保参数的处理方法、装置、设备及存储介质与流程

1.本技术涉及互联网技术领域，尤其涉及一种续保参数的处理方法、装置、设备及存储介质。


背景技术：

2.随着人们风险意识的增强，越来越多的客户选择投保保险。而投保到期后的续保条件往往因人而异，因此，当客户需要继续投保时，需要确定该客户的续保参数。
3.现有技术中，对于继续投保的客户，工作人员通过该客户的账号信息，从系统中调取该客户的保单信息。之后，工作人员根据该客户的保单信息，查看客户的年龄、是否发生过赔付等信息，通过对上述信息进行分析确定该客户的续保参数。
4.然而，发明人发现现有技术至少存在如下技术问题：工作人员在确定客户的续保参数时，需要查看客户的保单信息，通过分析才能确定客户的续保条件，导致花费的时间较长，进而导致确定续保参数的效率较低。


技术实现要素：

5.本技术提供一种续保参数的处理方法、装置、设备及存储介质，用以解决现有技术中获取签到信息的效率较低的问题。
6.第一方面，本技术提供一种续保参数的处理方法，包括：
7.获取目标客户的个人信息和保单信息，所述个人信息包括多个第一评估要素的要素信息，所述保单信息包括多个第二评估要素的要素信息；
8.基于所述多个第一评估要素的要素信息和所述多个第二评估要素的要素信息，从所述多个第一评估要素和所述多个第二评估要素中选取多个目标评估要素；
9.基于所述多个目标评估要素对应的多个要素参数，确定所述目标客户对应的分类信息；
10.将所述个人信息、所述保单信息、所述多个目标评估要素和所述分类信息输入训练好的图神经网络模型，输出所述目标客户的续保参数，所述续保参数用于表示所述目标客户的续保条件。
11.在一种可能的设计中，所述基于所述多个第一评估要素的要素信息和所述多个第二评估要素的要素信息，从所述多个第一评估要素和所述多个第二评估要素中选取多个目标评估要素，包括：
12.对于每个第一评估要素，若所述第一评估要素的要素信息表示所述第一评估要素存在要素参数，则选取所述第一评估要素为目标评估要素；对于每个第二评估要素，若所述第二评估要素的要素信息表示所述第二评估要素存在要素参数，则选取所述第二评估要素为目标评估要素。
13.在一种可能的设计中，所述基于所述多个目标评估要素对应的多个要素参数，确定所述目标客户对应的分类信息，包括：获取分类规则列表，所述分类规则列表包括多个分
类档次；确定每个分类档次的预设分类规则；基于所述每个分类档次的预设分类规则和所述多个目标评估要素对应的多个要素参数，从所述多个分类档次中确定至少一个激活分类档次；确定所述至少一个激活分类档次为所述目标客户对应的分类信息。
14.在一种可能的设计中，所述分类档次的预设分类规则包括一个预设评估要素的预设参数范围；所述基于所述每个分类档次的预设分类规则和所述多个目标评估要素对应的多个要素参数，从所述多个分类档次中确定至少一个激活分类档次，包括：对于每个分类档次，从所述多个目标评估要素对应的多个要素参数中确定与所述预设评估要素相同的第一目标评估要素对应的要素参数；若所述第一目标评估要素对应的要素参数在所述预设评估要素的预设参数范围内，则确定所述分类档次为所述激活分类档次，得到至少一个激活分类档次。
15.在一种可能的设计中，所述分类档次的预设分类规则包括多个预设评估要素的预设参数范围；所述基于所述每个分类档次的预设分类规则和所述多个目标评估要素对应的多个要素参数，从所述多个分类档次中确定至少一个激活分类档次，包括：对于每个分类档次，从所述多个目标评估要素对应的多个要素参数中确定与所述多个预设评估要素相同的多个第一目标评估要素对应的要素参数；若所述多个第一目标评估要素对应的要素参数均在所述多个预设评估要素的预设参数范围内，则确定所述分类档次为所述激活分类档次，得到至少一个激活分类档次。
16.在一种可能的设计中，所述多个评估要素包括：参保人年龄信息、参保人健康信息、保单赔付状态和保单赔付金额。
17.在一种可能的设计中，所述图神经网络模型的训练过程，包括：获取多个历史数据，所述历史数据包括历史个人信息、历史保单信息、多个历史目标评估要素、历史分类信息和历史续保参数；将所述多个历史数据输入初始图神经网络模型，输出多个测试续保参数；基于所述多个测试续保参数和所述多个历史续保参数，确定所述图神经网络模型的准确率；对所述初始图神经网络模型的参数进行调整，直至所述准确率达到预设准确率，得到训练好的图神经网络模型。
18.第二方面，本技术提供一种续保参数的处理装置，包括：
19.获取模块，用于获取目标客户的个人信息和保单信息，所述个人信息包括多个第一评估要素的要素信息，所述保单信息包括多个第二评估要素的要素信息；
20.选取模块，用于基于所述多个第一评估要素的要素信息和所述多个第二评估要素的要素信息，从所述多个第一评估要素和所述多个第二评估要素中选取多个目标评估要素；
21.确定模块，用于基于所述多个目标评估要素对应的多个要素参数，确定所述目标客户对应的分类信息；
22.模型模块，用于将所述个人信息、所述保单信息、所述多个目标评估要素和所述分类信息输入训练好的图神经网络模型，输出所述目标客户的续保参数，所述续保参数用于表示所述目标客户的续保条件。
23.第三方面，本发明提供一种电子设备，包括：至少一个处理器和存储器；
24.所述存储器存储计算机执行指令；
25.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个
处理器执行如上第一方面所述的续保参数的处理方法。
26.第四方面，本发明提供一种计算机存储介质，所述计算机存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面所述的续保参数的处理方法。
27.第五方面，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时，实现如上第一方面所述的续保参数的处理方法。
28.本技术提供的续保参数的处理方法、装置、设备及存储介质，先通过要素信息，从多个评估要素中选取多个目标评估要素，然后通过多个目标评估要素对应的多个要素参数，确定目标客户对应的分类信息，最后根据个人信息、保单信息、多个目标评估要素、分类信息以及训练好的图神经网络模型，确定目标客户的续保参数。由此可见，本发明可以自动从多个评估要素中选取与客户相关的多个目标评估要素，并且能够根据多个目标评估要素和目标客户对应的分类信息，通过图神经网络模型确定续保参数，与人工判断续保参数相比，提高了确定续保参数的效率。
附图说明
29.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
30.图1为本发明实施例的续保参数的处理方法的应用场景图；
31.图2为本发明实施例提供的续保参数的处理方法的流程图一；
32.图3为本发明实施例提供的续保参数的处理方法的流程图二；
33.图4为本发明实施例提供的深度神经网络模型的训练方法的流程图；
34.图5为本发明实施例提供的续保参数的处理装置的结构示意图；
35.图6为本发明实施例提供的电子设备的结构示意图。
36.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
37.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
38.本技术的技术方案中，所涉及的用户数据等信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
39.随着人们风险意识的增强，越来越多的客户选择投保保险。投保保险的保单的有效期一般是一年或者几年，在保险临近到期时，许多客户会选择继续投保，而投保到期后的续保条件往往因人而异。因此，当客户需要继续投保时，需要根据个人信息来确定该客户的
续保参数，续保参数用于表示客户的续保条件。示例性的，保费上浮20％续保。
40.现有技术中，对于继续投保的客户，工作人员通过该客户的账号信息，从系统中调取该客户的保单信息。之后工作人员根据该客户的保单信息，查看客户的年龄、是否发生过赔付等信息，通过对上述信息进行分析确定客户的续保条件。这样，工作人员在确定每个客户的续保参数时，均需要查看该客户的保单信息，并通过分析才能确定该客户的续保条件，导致花费的时间较长，进而导致确定续保参数的效率较低。
41.针对上述技术问题，本技术提出如下技术构思：先获取客户的个人信息和保单信息，从个人信息和保单信息中包括的多个评估要素中选取多个目标评估要素，然后通过多个目标评估要素对应的多个要素参数，确定目标客户对应的分类信息，最后根据个人信息、保单信息、多个目标评估要素、分类信息以及训练好的图神经网络模型，确定目标客户的续保参数。本发明可以自动从多个评估要素中选取与客户相关的多个目标评估要素，并且能够根据多个目标评估要素和目标客户对应的分类信息，通过图神经网络模型确定续保参数，与人工判断续保参数相比，提高了确定续保参数的效率。
42.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
43.图1为本发明实施例的续保参数的处理方法的应用场景图。如图1所示，该应用场景包括：终端101和服务器102。终端101和服务器102之间可以通过无线方式连接。终端101可以是计算机、手机、平板、面板机等。
44.客户通过终端101向服务器102发送续保申请，该续保申请携带客户的个人信息和保单信息。服务器102接收续保申请，根据客户的个人信息和保单信息，通过图神经网络模型输出该客户的续保参数。服务器102将该客户的续保参数返回终端101。终端101接收并显示该客户的续保参数。
45.本技术实施例提供了一种续保参数的处理方法。本技术实施例的方法的执行主体可以是图1中所示的服务器。图2为本发明实施例提供的续保参数的处理方法的流程图一。如图2所示，该续保参数的处理方法包括：
46.s201、获取目标客户的个人信息和保单信息，个人信息包括多个第一评估要素的要素信息，个人信息保单信息包括多个第二评估要素的要素信息。
47.在本发明实施例中，服务器内可以存储有客户标识、个人信息和保单信息之间的关联关系。客户标识可以区别不同的客户。示例性的，客户标识可以是注册账号、手机号码、身份证号码等。相应的，本步骤为：获取目标账号的客户标识，根据目标账号的客户标识，从已存储的客户标识、个人信息和保单信息之间的关联关系中，获取目标客户的个人信息和保单信息。
48.多个第一评估要素包括参保人的年龄信息和健康信息。多个第一评估要素还可以包括性别信息、职业信息等表示个人信息的要素。健康信息用于表示参保人的健康状况。示例性的，健康信息包括：参保人正在住院、参保人正在药物治疗等。第一评估要素的要素信息可以为具体的要素参数。例如，年龄信息的要素参数为：71(岁)。
49.多个第二评估要素包括保单赔付状态和保单赔付金额。多个第二评估要素还可以包括保单赔付次数，每次赔付的金额、保单累计赔付金额等表示保单信息的要素。示例性
的，保单赔付状态可以为：保单发生赔付，责任已终止、保单未发生赔付等。第二评估要素的要素信息可以为具体的要素参数。例如，保单赔付金额为：10.5(万元)。
50.需要说明的是，要素参数可以包括多种形式的数值类型，例如，整数、布尔值、浮点数等。如下表1所示，年龄信息的要素参数可以为整数。参保人正在住院的要素参数可以为布尔值；布尔值1表示参保人正在住院，布尔值0表示参保人没有住院。保单发生赔付，责任已终止的要素参数可以为布尔值；布尔值1表示保单发生赔付，责任已终止，布尔值0表示保单未发生赔付。保单赔付金额的要素参数可以为浮点数。
51.表1要素参数的数值类型
52.风险评估要素数值类型参保人的年龄信息整数参保人正在住院布尔保单发生赔付，责任已终止布尔保单累计赔付金额浮点数
53.s202、基于多个第一评估要素的要素信息和多个第二评估要素的要素信息，从多个第一评估要素和多个第二评估要素中选取多个目标评估要素。
54.在本发明实施例中，每个客户的个人信息和保单信息不同。对应目标客户，多个第一评估要素和多个第二评估要素中包括与该目标客户的续保相关的要素，也包括与该目标客户的续保不相关的要素。通过多个第一评估要素的要素信息和多个第二评估要素的要素信息，能够从多个第一评估要素和多个第二评估要素中选取多个目标评估要素。其中，多个目标评估要素均是与该与目标客户的续保相关的要素。
55.示例性的，客户a的保单状态为保单未发生赔付，则多个第二评估要素中的保单累计赔付金额是与客户a的续保无关的要素。
56.s203、基于多个目标评估要素对应的多个要素参数，确定目标客户对应的分类信息。
57.在本发明实施例中，分类信息可以包括多个分类档次。例如，在保单累计赔付金额方面，客户的分类档次包括：不超过20万；超过10万，但不超过20万；超过20万等。
58.s204、将个人信息、保单信息、多个目标评估要素和分类信息输入训练好的图神经网络模型，输出目标客户的续保参数，续保参数用于表示目标客户的续保条件。
59.在本发明实施例中，图神经网络模型可以为gnn(graph neural network，图卷积神经网络)模型。续保参数可以定义为枚举值，示例性的，续保参数包括：“允许续保”、“不允许续保”、“有条件续保”等。“有条件续保”还可以包括“保费上浮20％续保”、“保费上浮40％续保”等。
60.在本技术实施例中，先通过要素信息，从多个评估要素中选取多个目标评估要素，然后通过多个目标评估要素对应的多个要素参数，确定目标客户对应的分类信息，最后根据个人信息、保单信息、多个目标评估要素、分类信息以及训练好的图神经网络模型，确定目标客户的续保参数。由此可见，本发明可以自动从多个评估要素中选取与客户相关的多个目标评估要素，并且能够根据多个目标评估要素和目标客户对应的分类信息，通过图神经网络模型确定续保参数，与人工判断续保参数相比，提高了确定续保参数的效率。
61.在本发明实施例中，在图2提供的实施例的基础上，对s202中基于多个第一评估要
素的要素信息和多个第二评估要素的要素信息，从多个第一评估要素和多个第二评估要素中选取多个目标评估要素的具体实现方法进行了详细说明。该方法包括以下步骤s2021和s2022：
62.s2021、对于每个第一评估要素，若第一评估要素的要素信息表示第一评估要素存在要素参数，则选取第一评估要素为目标评估要素。
63.其中，第一评估要素的要素参数为第一评估要素对应的数值。示例性的，第一评估要素包括年龄信息，年龄信息可以存在要素参数，例如：71岁，也可以不存在要素参数，也即年龄信息的要素参数为空。若年龄信息存在要素参数(例如：71岁)，则选取年龄信息为目标评估要素；若年龄信息的要素参数为空，则不选取年龄信息为目标评估要素。
64.可选的，第一评估要素的要素信息包括第一评估要素名称、第一评估要素编号、要素值、要素值类型。
65.示例性的，第一评估要素的要素信息为：
66.f＝《name，id，sql，d_type》
67.其中，name表示第一评估要素名称，id表示第一评估要素编号，sql表示要素值，d_type表示要素值类型。
68.在一些实施例中，确定第一评估要素的要素信息的过程为：根据第一评估要素名称，确定第一评估要素名称的要素值，若存在要素值，则确定第一评估要素的要素信息表示第一评估要素存在要素参数，若不存在要素值，则确定第一评估要素的要素信息表示第一评估要素不存在要素参数。
69.在另一些实施例中，确定第一评估要素的要素信息的过程为：根据第一评估要素编号，确定第一评估要素名称的要素值，若存在要素值，则确定第一评估要素的要素信息表示第一评估要素存在要素参数，若不存在要素值，则确定第一评估要素的要素信息表示第一评估要素不存在要素参数。
70.s2022、对于每个第二评估要素，若第二评估要素的要素信息表示第二评估要素存在要素参数，则选取第二评估要素为目标评估要素。
71.其中，第二评估要素的要素参数为第二评估要素对应的数值。示例性的，第二评估要素包括累计赔付金额，累计赔付金额可以存在要素参数，例如：10.5万；也可以不存在要素参数，也即累计赔付金额的要素参数为空。若累计赔付金额存在要素参数(例如：10.5万)，则选取累计赔付金额为目标评估要素；若累计赔付金额的要素参数为空，则不选取累计赔付金额为目标评估要素。
72.可选的，第二评估要素的要素信息包括第二评估要素名称、第二评估要素编号、要素值、要素值类型。在一些实施例中，确定第二评估要素的要素信息的过程为：根据第二评估要素名称，确定第二评估要素名称的要素值，若存在要素值，则确定第二评估要素的要素信息表示第二评估要素存在要素参数，若不存在要素值，则确定第二评估要素的要素信息表示第二评估要素不存在要素参数。
73.在另一些实施例中，确定第二评估要素的要素信息的过程为：根据第二评估要素编号，确定第一评估要素名称的要素值，若存在要素值，则确定第二评估要素的要素信息表示第二评估要素存在要素参数，若不存在要素值，则确定第二评估要素的要素信息表示第二评估要素不存在要素参数。
74.在本技术实施例中，通过第一评估要素的要素信息和第二评估要素的要素信息，从多个第一评估要素和多个第二评估要素中选取有要素参数的多个目标评估要素，而有要数参数的目标评估要素均是与该客户的续保相关的评估要素，这样通过目标评估要素确定的续保参数的准确性较高。
75.图3为本发明实施例提供的续保参数的处理方法的流程图二。在本发明实施例中，在图2提供的实施例的基础上，对s202中基于多个目标评估要素对应的多个要素参数，确定目标客户对应的分类信息的具体实现方法进行了详细说明。如图3所示，该方法包括：
76.s301、获取分类规则列表，分类规则列表包括多个分类档次。
77.示例性的，分类规则列表为r＝{r1，r2，
…
，rn}；其中，r表示分类档次，n表示多个分类档次的数量。可选的，服务器的存储有客户标识、参保类型和分类规则列表之间的对应关系。相应的，本步骤为：根据目标客户的客户标识，从已存储的客户标识、参保类型和分类规则列表之间的对应关系中，确定分类规则列表。
78.s302、确定每个分类档次的预设分类规则。
79.可选的，每个分类档次的预设分类规则包括预设分类规则的名称、预设分类规则的编号、预设评估要素的预设参数范围、预设分类规则的类型。可选的，预设分类规则的类型为枚举值，包括“拦截”类型和“审核”类型两种。
80.示例性的，预设分类规则为：r＝《name，id，t，r_type》。其中，name表示预设分类规则的名称，id表示预设分类规则的编号，t表示预设评估要素的预设参数范围，r_type表示预设分类规则的类型。需要说明的是，预设评估要素的预设参数范围可以为一个预设评估要素的预设参数范围，也可以是多个预设评估要素的预设参数范围。示例性的，多个预设评估要素的预设参数范围为t＝{t1，t2，
…
，tn}，其中，t表示预设评估要素的预设参数范围，n表示多个预设评估要素的数量。
81.可选的，预设评估要素的预设参数范围包括预设评估要素编码、运算关系和预设值。示例性的，预设评估要素的预设参数范围为：
82.t＝《id，rel，val》
83.其中，id表示预设评估要素编码，rel表示运算关系，val表示预设值。运算关系可以包括大于、小于、等于、不等于。
84.s303、基于每个分类档次的预设分类规则和多个目标评估要素对应的多个要素参数，从多个分类档次中确定至少一个激活分类档次。
85.在一种可能的设计中，分类档次的预设分类规则包括一个预设评估要素的预设参数范围；相应的，本步骤为：对于每个分类档次，从多个目标评估要素对应的多个要素参数中确定与预设评估要素相同的第一目标评估要素对应的要素参数；若第一目标评估要素对应的要素参数在预设评估要素的预设参数范围内，则确定分类档次为激活分类档次，得到至少一个激活分类档次。示例性的，累积赔付金额的数值为10.5万元，对应的激活分类档次为“累计赔付超过10万，但不超过20万”。
86.在另一种可能的设计中，分类档次的预设分类规则包括多个预设评估要素的预设参数范围；相应的，本步骤为：对于每个分类档次，从多个目标评估要素对应的多个要素参数中确定与多个预设评估要素相同的多个第一目标评估要素对应的要素参数；若多个第一目标评估要素对应的要素参数均在多个预设评估要素的预设参数范围内，则确定分类档次
为激活分类档次，得到至少一个激活分类档次。
87.s304、确定至少一个激活分类档次为目标客户对应的分类信息。
88.在本技术实施例中，分类档次的预设分类规则包括一个或多个预设评估要素的预设参数范围，这样能够通过一个或多个预设评估要素的预设参数范围，确定目标客户的激活分类档次，增加了预设分类规则的灵活性。
89.图4为本发明实施例提供的深度神经网络模型的训练方法的流程图。本技术实施例的方法的执行主体可以是服务器。如图4所示，该深度神经网络模型的训练方法包括：
90.s401、获取多个历史数据，历史数据包括历史个人信息、历史保单信息、多个历史目标评估要素、历史分类信息和历史续保参数。
91.在本发明实施例中，对多个历史数据的数量不作具体限定。可以是1000、5000、10000等。需要说明的是，历史个人信息包括多个第一历史评估要素的要素信息，历史保单信息包括多个第二历史评估要素的要素信息。可选的，步骤s401中的多个历史目标评估要素可以从历史个人信息和历史保单信息选取。其中，选取多个历史目标评估要素的方法与步骤s202中选取多个目标评估要素的方法相同，在此不再进行赘述。
92.s402、将多个历史数据输入初始图神经网络模型，输出多个测试续保参数。
93.s403、基于多个测试续保参数和多个历史续保参数，确定图神经网络模型的准确率。
94.在本发明实施例中，一个历史数据的测试续保参数，对应一个历史续保参数，若该历史数据的测试续保参数与历史续保参数相同，则确定该历史数据测试通过。可选的，本步骤为：确定多个历史数据中测试通过的第一数量与多个历史数据的总数量的比值，将该比值作为图神经网络模型的准确率。
95.s404、对初始图神经网络模型的参数进行调整，直至准确率达到预设准确率，得到训练好的图神经网络模型。
96.在本发明实施例中，对预设准确率的数值不作具体限定。示例性的，预设准确率为80％、85％、90％等。其中，初始图神经网络模型的参数进行调整包括对模型中个人信息、保单信息、多个目标评估要素、分类信息的权重的调整，也可以对样本数据的数量的调整。
97.图5为本发明实施例提供的续保参数的处理装置的结构示意图。如图5所示，该续保参数的处理装置，包括：获取模块501、选取模块502、确定模块503和模型模块504。
98.其中，获取模块501，用于获取目标客户的个人信息和保单信息，个人信息包括多个第一评估要素的要素信息，保单信息包括多个第二评估要素的要素信息；
99.选取模块502，用于基于多个第一评估要素的要素信息和多个第二评估要素的要素信息，从多个第一评估要素和多个第二评估要素中选取多个目标评估要素；
100.确定模块503，用于基于多个目标评估要素对应的多个要素参数，确定目标客户对应的分类信息；
101.模型模块504，用于将个人信息、保单信息、多个目标评估要素和分类信息输入训练好的图神经网络模型，输出目标客户的续保参数，续保参数用于表示目标客户的续保条件。
102.在一些实施例中，选取模块502基于多个第一评估要素的要素信息和多个第二评估要素的要素信息，从多个第一评估要素和多个第二评估要素中选取多个目标评估要素，
具体包括：对于每个第一评估要素，若第一评估要素的要素信息表示第一评估要素存在要素参数，则选取第一评估要素为目标评估要素；对于每个第二评估要素，若第二评估要素的要素信息表示第二评估要素存在要素参数，则选取第二评估要素为目标评估要素。
103.在一些实施例中，确定模块503基于多个目标评估要素对应的多个要素参数，确定目标客户对应的分类信息，具体包括：获取分类规则列表，分类规则列表包括多个分类档次；确定每个分类档次的预设分类规则；基于每个分类档次的预设分类规则和多个目标评估要素对应的多个要素参数，从多个分类档次中确定至少一个激活分类档次；确定至少一个激活分类档次为目标客户对应的分类信息。
104.在一些实施例中，分类档次的预设分类规则包括一个预设评估要素的预设参数范围；确定模块503基于每个分类档次的预设分类规则和多个目标评估要素对应的多个要素参数，从多个分类档次中确定至少一个激活分类档次，包括：对于每个分类档次，从多个目标评估要素对应的多个要素参数中确定与预设评估要素相同的第一目标评估要素对应的要素参数；若第一目标评估要素对应的要素参数在预设评估要素的预设参数范围内，则确定分类档次为激活分类档次，得到至少一个激活分类档次。
105.在另一些实施例中，分类档次的预设分类规则包括多个预设评估要素的预设参数范围；确定模块503基于每个分类档次的预设分类规则和多个目标评估要素对应的多个要素参数，从多个分类档次中确定至少一个激活分类档次，包括：对于每个分类档次，从多个目标评估要素对应的多个要素参数中确定与多个预设评估要素相同的多个第一目标评估要素对应的要素参数；若多个第一目标评估要素对应的要素参数均在多个预设评估要素的预设参数范围内，则确定分类档次为激活分类档次，得到至少一个激活分类档次。
106.在一些实施例中，多个评估要素包括：参保人年龄信息、参保人健康信息、保单赔付状态和保单赔付金额。
107.在一些实施例中，该续保参数的处理装置还包括训练模块。其中，训练模块训练图神经网络模型的过程，具体包括：获取多个历史数据，历史数据包括历史个人信息、历史保单信息、多个历史目标评估要素、历史分类信息和历史续保参数；将多个历史数据输入初始图神经网络模型，输出多个测试续保参数；基于多个测试续保参数和多个历史续保参数，确定图神经网络模型的准确率；对初始图神经网络模型的参数进行调整，直至准确率达到预设准确率，得到训练好的图神经网络模型。
108.本技术实施例提供的续保参数的处理装置，可用于执行上述实施例中续保参数的处理方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
109.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，获取模块501可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上获取模块501的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路
或者软件形式的指令完成。
110.图6为本发明实施例提供的电子设备的结构示意图。如图6所示，该电子设备可以包括：收发器601、处理器602、存储器603。
111.处理器602执行存储器存储的计算机执行指令，使得处理器602执行上述实施例中的方案。处理器602可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列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。
112.存储器603通过系统总线与处理器602连接并完成相互间的通信，存储器603用于存储计算机程序指令。
113.收发器601可以用于获取待运行任务和待运行任务的配置信息。
114.系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)。
115.本技术实施例提供的电子设备，可以是上述实施例的服务器。
116.本技术实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中续保参数的处理方法的技术方案。
117.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例续保参数的处理方法的技术方案。
118.本技术实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中续保参数的处理方法的技术方案。
119.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、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技术的一般性原理并包括本技术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，本技术的真正范围和精神由下面的权利要求书指出。
120.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。