[發明專利]一種公眾責任險保單的核保方法和裝置

在審

• 申請號: 201610998922.5
• 申請日: 2016-11-09
• 公開（公告）號: CN106600419A
• 公開（公告）日: 2017-04-26
• 發明（設計）人: 龐文君;楊猛
• 申請（專利權）人: 前海企保科技（深圳）有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08
• 代理公司: 深圳中一專利商標事務所44237
• 代理人: 張全文

1.一種公眾責任險保單的核保方法，其特征在于，包括：

獲取目標公眾責任險保單以及目標報價人信息；

根據所述目標公眾責任險保單的風險標的信息和投保人信息計算風險標的的第一核保因子；

按照預設的向量模型對所述風險標的信息和所述目標報價人信息進行向量提取，得到所述風險標的的第二核保因子；

將所述第一核保因子和所述第二核保因子作為輸入投入至預先訓練好的深度學習模型；

獲取所述深度學習模型的輸出作為所述目標公眾責任險保單的核保結果。

2.根據權利要求1所述的公眾責任險保單的核保方法，其特征在于，所述深度學習模型由以下步驟預先訓練得到：

獲取作為樣本的公眾責任險保單以及與所述公眾責任險保單對應的報價人信息；

根據所述公眾責任險保單的風險標的信息和投保人信息計算風險標的的第一樣本因子；

按照預設的向量模型對所述公眾責任險保單的風險標的信息和所述報價人信息進行向量提取，得到風險標的的第二樣本因子；

將所述第一樣本因子和所述第二樣本因子作為輸入投入至所述深度學習模型，得到所述深度學習模型的輸出；

將得到的所述輸出作為目標，調整所述深度學習模型的隱層參數，以最小化得到的所述輸出與所述公眾責任險保單的核保結果之間的誤差；

若所述誤差滿足預設條件，則確定當前的所述深度學習模型為訓練好的深度學習模型。

3.根據權利要求1所述的公眾責任險保單的核保方法，其特征在于，所述風險標的信息包括風險標的的類型、地理位置信息、賠償限額和安全設施信息；

所述根據所述目標公眾責任險保單的風險標的信息和投保人信息計算風險標的的第一核保因子具體包括：

查詢所述風險標的的類型對應的標的類型基準損失率作為第一低層調整因子；

確定與所述投保人信息對應的第二低層調整因子；

確定與所述風險標的的地理位置信息對應的第三低層調整因子；

確定與所述風險標的的賠償限額對應的第四低層調整因子；

確定與所述風險標的的安全設施信息對應的第五低層調整因子；

對所述第一低層調整因子、第二低層調整因子、第三低層調整因子、第四低層調整因子和第五低層調整因子進行預處理，得到所述風險標的的第一核保因子。

4.根據權利要求1所述的公眾責任險保單的核保方法，其特征在于，所述風險標的信息包括風險標的的承保范圍、保額、歷史賠付率、市場環境信息和商業競爭信息，所述目標報價人信息包括目標報價人的保險公司信息；

所述按照預設的向量模型對所述風險標的信息和所述目標報價人信息進行向量提取，得到所述風險標的的第二核保因子具體包括：

確定與所述風險標的的承保范圍對應的第一數值；

確定與所述風險標的的保額對應的第二數值；

確定與所述風險標的的歷史賠付率對應的第三數值；

確定與所述風險標的的市場環境信息對應的第四數值；

確定與所述風險標的的商業競爭信息對應的第五數值；

確定與所述目標報價人的保險公司信息對應的第六數值；

將所述第一數值、第二數值，第三數值、第四數值、第五數值和第六數值導入預設的向量模型，得到所述風險標的的第二核保因子。

5.根據權利要求1至4中任一項所述的公眾責任險保單的核保方法，其特征在于，所述獲取所述深度學習模型的輸出作為所述目標公眾責任險保單的核保結果具體包括：

判斷所述深度學習模型的輸出是否滿足預設的閾值條件；

若所述深度學習模型的輸出不滿足預設的閾值條件，則將所述目標公眾責任險保單對應的輸入和輸出作為負樣本反饋至所述深度學習模型，以修正所述深度學習模型的隱層參數；

若所述深度學習模型的輸出滿足預設的閾值條件，則確定所述深度學習模型的輸出為所述目標公眾責任險保單的核保結果，并將所述目標公眾責任險保單對應的輸入和輸出確定為用于訓練所述深度學習模型的新增的正樣本。