[發明專利]基于聯合訓練模型的事故車判別方法和裝置

在審

• 申請號: 202110039388.6
• 申請日: 2021-01-12
• 公開（公告）號: CN112651493A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 王寶祥;章水鑫
• 申請（專利權）人: 南京三百云信息科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F16/2458;G06F16/33;G06F40/211;G06F40/216;G06F40/284
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 張萌

1.一種基于聯合訓練模型的事故車判別方法，其特征在于，聯合訓練模型包括線性模型和深度學習模型，所述方法包括：

獲取當前車輛的預先處理的保險維修記錄；

基于所述預先處理的保險維修記錄獲得車輛結構化數據；

將所述車輛結構化數據輸入所述線性模型并將所述預先處理的保險維修記錄作為車輛非結構化數據輸入所述深度學習模型，判別出所述當前車輛是否為事故車；

若是，則根據所述車輛結構化數據識別事故原因。

2.根據權利要求1所述的基于聯合訓練模型的事故車判別方法，其特征在于，所述車輛結構化數據包括動詞名詞組合和車輛數據，基于所述預先處理的保險維修記錄獲得車輛結構化數據的步驟，包括：

基于概率上下文無關文法將所述預先處理的保險維修記錄生成動詞名詞組合；

從所述預先處理的保險維修記錄中抽取車輛數據。

3.根據權利要求2所述的基于聯合訓練模型的事故車判別方法，其特征在于，所述線性模型包括第一線性模型和第二線性模型，將所述車輛結構化數據輸入所述線性模型的步驟，包括：

將所述動詞名詞組合對應的數據源、所述動詞名詞組合和所述當前車輛的車型輸入所述第一線性模型，將所述車輛數據輸入第二線性模型。

4.根據權利要求1所述的基于聯合訓練模型的事故車判別方法，其特征在于，在獲取當前車輛的預先處理的保險維修記錄的步驟之前，還包括：

建立車輛的汽車零件詞庫，所述詞庫中包括車輛的所有零件；

根據事故分析師的標注，劃分為零件主要汽車零件詞庫與非主要汽車零件詞庫；

通過正則表達式對當前車輛的保險維修記錄進行過濾處理操作；

通過詞語處理工具對過濾處理后的保險維修記錄進行分詞處理以及去除停用詞操作；

將去除停用詞后的保險維修記錄與所述非主要汽車零件詞庫進行模糊匹配處理，去除非主要汽車零件詞組。

5.根據權利要求4所述的基于聯合訓練模型的事故車判別方法，其特征在于，根據所述車輛結構化數據識別事故原因的步驟，包括：

判斷所述事故車是否具有動詞名詞組合；

若有，則根據所述動詞名詞組合識別出事故原因；

若無，則根據所述事故車的零件主要汽車零件識別出事故原因。

6.根據權利要求2所述的基于聯合訓練模型的事故車判別方法，其特征在于，將所述車輛結構化數據輸入所述線性模型并將所述預先處理的保險維修記錄作為車輛非結構化數據輸入所述深度學習模型，判別出所述當前車輛是否為事故車的步驟，包括：

根據以下公式判別所述當前車輛是否為事故車：

其中，x_d為包括所述動詞名詞組合的離散變量，為包括所述車輛數據的連續變量，為包括所述非結構化數據的文本特征。

7.根據權利要求1所述的基于聯合訓練模型的事故車判別方法，其特征在于，所述聯合訓練模型通過預先標注的保險維修記錄數據、從所述預先標注的保險維修記錄數據中提取的車輛結構化數據以及所述預先標注的保險維修記錄數據對應的保險維修記錄訓練而成。

8.一種基于聯合訓練模型的事故車判別裝置，其特征在于，聯合訓練模型包括線性模型和深度學習模型，所述裝置包括：

第一獲取模塊，獲取當前車輛的預先處理的保險維修記錄；

第二獲取模塊，基于所述預先處理的保險維修記錄獲得車輛結構化數據；

判別模塊，將所述車輛結構化數據輸入所述線性模型并將所述預先處理的保險維修記錄作為車輛非結構化數據輸入所述深度學習模型，判別出所述當前車輛是否為事故車；

若是，則識別模塊根據所述車輛結構化數據識別事故原因。

9.一種電子設備，其特征在于，包括存儲器、處理器及存儲在所述存儲器上并且能夠在所述處理器上運行的程序，所述處理器執行所述程序時實現如權利要求1至7中任一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，所述可讀存儲介質中存儲有計算機程序，所述計算機程序被執行時實現權利要求1-7中任意一項所述的方法。