一種物流保險保單的核保方法和裝置與流程

2023-06-01 06:23:46

本發明涉及金融服務領域，尤其涉及一種物流保險保單的核保方法和裝置。

背景技術：

隨著物流行業越來越發達，物流行業面臨的各種風險也在倍加放大。為了降低物流風險給企業帶來的巨大影響，越來越多的企業對相關的物流業務進行投保。因此，對於保險公司來說，如何高效地準確評估這類物流業務的風險就顯得極其重要。

目前，保險公司一般通過專業的核保人員對物流保險的保單進行風險評估和報價，核保人員得出的核保結果將直接影響保單風險標的的報價以及保險公司的風控管理。

然而，物流保險保單的核保準確率往往與核保人員的專業水平以及從業經驗密切相關，不同核保人員對同一件物流保險保單可能得出不同的核保結果，使得物流保險保單的核保準確率受到極大影響；另外，通過核保人員進行人工風險評估，在保證準確率的前提下往往難以提高核保效率，在面對大量的物流保險保單核保任務時，大大增加了核保成本。

技術實現要素：

本發明實施例提供了一種物流保險保單的核保方法和裝置，能夠提高物流保險保單的核保效率和準確率。

本發明實施例提供的一種物流保險保單的核保方法，包括：

獲取目標物流保險保單以及目標報價人信息；

根據所述目標物流保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物流保險保單的核保結果。

可選地，所述深度學習模型由以下步驟預先訓練得到：

獲取作為樣本的物流保險保單以及與所述物流保險保單對應的報價人信息；

根據所述物流保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物流保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物流保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。

可選地，所述風險標的信息包括風險標的的類型、運輸方式、包裝方式和運輸的起點終點信息；

所述根據所述目標物流保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運輸方式對應的第三低層調整因子；

確定與所述風險標的的包裝方式對應的第四低層調整因子；

確定與所述風險標的的運輸的起點終點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。

可選地，所述風險標的信息包括風險標的的承保範圍、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範圍對應的第一數值；

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。

可選地，所述獲取所述深度學習模型的輸出作為所述目標物流保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，則將所述目標物流保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物流保險保單的核保結果，並將所述目標物流保險保單對應的輸入和輸出確定為用於訓練所述深度學習模型的新增的正樣本。

本發明實施例提供的一種物流保險保單的核保裝置，包括：

信息獲取模塊，用於獲取目標物流保險保單以及目標報價人信息；

第一核保因子計算模塊，用於根據所述目標物流保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；

第二核保因子獲取模塊，用於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；

輸入模塊，用於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；

核保結果獲取模塊，用於獲取所述深度學習模型的輸出作為所述目標物流保險保單的核保結果。

可選地，所述深度學習模型由以下模塊預先訓練得到：

樣本獲取模塊，用於獲取作為樣本的物流保險保單以及與所述物流保險保單對應的報價人信息；

第一樣本因子計算模塊，用於根據所述物流保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；

第二樣本因子獲取模塊，用於按照預設的向量模型對所述物流保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；

學習模型訓練模塊，用於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；

隱層參數調整模塊，用於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物流保險保單的核保結果之間的誤差；

學習模型確認模塊，用於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。

可選地，所述風險標的信息包括風險標的的類型、運輸方式、包裝方式和運輸的起點終點信息；

所述第一核保因子計算模塊具體包括：

第一因子單元，用於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；

第二因子單元，用於確定與所述投保人信息對應的第二低層調整因子；

第三因子單元，用於確定與所述風險標的的運輸方式對應的第三低層調整因子；

第四因子單元，用於確定與所述風險標的的包裝方式對應的第四低層調整因子；

第五因子單元，用於確定與所述風險標的的運輸的起點終點信息對應的第五低層調整因子；

因子預處理單元，用於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。

可選地，所述風險標的信息包括風險標的的承保範圍、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；

所述第二核保因子獲取模塊具體包括：

第一數值單元，用於確定與所述風險標的的承保範圍對應的第一數值；

第二數值單元，用於確定與所述風險標的的保額對應的第二數值；

第三數值單元，用於確定與所述風險標的的歷史賠付率對應的第三數值；

第四數值單元，用於確定與所述風險標的的市場環境信息對應的第四數值；

第五數值單元，用於確定與所述風險標的的商業競爭信息對應的第五數值；

第六數值單元，用於確定與所述目標報價人的保險公司信息對應的第六數值；

向量模型導入單元，用於將所述第一數值、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。

可選地，所述核保結果獲取模塊具體包括：

輸出判斷單元，用於判斷所述深度學習模型的輸出是否滿足預設的閾值條件；

負樣本反饋單元，用於若所述深度學習模型的輸出不滿足預設的閾值條件，則將所述目標物流保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；

正樣本反饋單元，用於若所述深度學習模型的輸出滿足預設的閾值條件，則將所述目標物流保險保單對應的輸入和輸出作為正樣本反饋至所述深度學習模型，以指導所述深度學習模型的隱層參數學習；

核保結果確定單元，用於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物流保險保單的核保結果。

從以上技術方案可以看出，本發明實施例具有以下優點：

本發明實施例中，首先，獲取目標物流保險保單以及目標報價人信息；然後，根據所述目標物流保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；接著，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；最後，獲取所述深度學習模型的輸出作為所述目標物流保險保單的核保結果。在本發明實施例中，根據目標物流保險保單的相關信息和目標報價人信息計算得到第一核保因子和第二核保因子，並將這兩個因子作為預先訓練好的深度學習模型的輸入，從而將得到的深度學習模型的輸出作為核保結果，利用深度學習模型自動實現物流保險保單的核保，避免了核保結果受核保人員的專業水平以及從業經驗影響的問題，提高了物流保險保單的核保準確率；並且，在保證準確率的前提下大大提升了核保效率，在面對大量的物流保險保單核保任務時，也能快速完成核保任務，降低了核保成本。

附圖說明

圖1為本發明實施例中一種物流保險保單的核保方法一個實施例流程圖；

圖2為圖1對應實施例中一種物流保險保單的核保方法的步驟102在一個應用場景下的流程示意圖；

圖3為圖1對應實施例中一種物流保險保單的核保方法的步驟103在一個應用場景下的流程示意圖；

圖4為圖1對應實施例中一種物流保險保單的核保方法的步驟104在一個應用場景下的流程示意圖；

圖5為本發明實施例中一種物流保險保單的核保裝置一個實施例結構圖。

具體實施方式

本發明實施例提供了一種物流保險保單的核保方法和裝置，用於解決現有物流保險保單通過核保人員進行人工核保，核保準確率受到核保人員的專業水平以及從業經驗的影響以及難以提高核保效率的問題。

為使得本發明的發明目的、特徵、優點能夠更加的明顯和易懂，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，下面所描述的實施例僅僅是本發明一部分實施例，而非全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬於本發明保護的範圍。

請參閱圖1，本發明實施例中一種物流保險保單的核保方法一個實施例包括：

101、獲取目標物流保險保單以及目標報價人信息；

本實施例中，首先，可以獲取目標物流保險保單以及目標報價人信息。

可以理解的是，上述目標物流保險保單包括物流保險的風險標的信息、投保人信息等與保單相關的信息，並且，還可以通過該目標物流保險保單的保單號從資料庫中獲取到與該目標物流保險保單相關的其它信息。

報價人，一般指對某物流保險保單進行報價、承保的保險公司。上述的目標報價人信息可以包括報價的保險公司信息、核保人的偏好以及業務與核保人的偏好匹配度等相關信息。

102、根據所述目標物流保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；

在獲取到目標物流保險保單之後，可以根據所述目標物流保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。

進一步地，所述風險標的信息可以包括風險標的的類型、運輸方式、包裝方式和運輸的起點終點信息。圖2示出了圖1對應實施例中一種物流保險保單的核保方法的步驟102在一個應用場景下的流程示意圖，上述步驟102具體可以包括：

201、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；

202、確定與所述投保人信息對應的第二低層調整因子；

203、確定與所述風險標的的運輸方式對應的第三低層調整因子；

204、確定與所述風險標的的包裝方式對應的第四低層調整因子；

205、確定與所述風險標的的運輸的起點終點信息對應的第五低層調整因子；

206、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。

對於上述步驟201，所述標的類型基準損失率是保險系統或保險行業中統計得到的某類型的風險標的承保後單位保險金額的保險賠償率，其是保險公司針對某風險標的的物流保險保單進行報價和風險評估的重要參數。該風險標的類型對應的標的類型基準損失率可以通過查詢基準損失率的統計表獲得。需要說明的是，對於不同承保的保險公司來說，同一風險標的類型對應的標的類型基準損失率可能不相同，甚至風險標的的分類也不相同，具體可以根據實際應用情況進行設定。

對於上述步驟202，所述投保人信息可以包括投保人的資質和類型。報價的保險公司可以針對不同資質或類型的投保人分為若干個檔次，每個檔次的投保人對應預設一個低層調整因子。

對於上述步驟203，可以理解的是，物流保險保單的風險標的的運輸方式對保單的風險評估有著極其重要的作用，不同的運輸方式對應有不同程度的風險。報價的保險公司可以針對風險標的的不同運輸方式分為若干個檔次，每個檔次的運輸方式對應預設一個低層調整因子。

對於上述步驟204，可以理解的是，物流保險保單的風險標的的包裝方式對保單的風險評估有著極其重要的作用，不同的包裝方式對應有不同程度的風險。報價的保險公司可以針對風險標的的不同包裝方式分為若干個檔次，每個檔次的包裝方式對應預設一個低層調整因子。

對於上述步驟205，可以理解的是，物流保險保單的風險標的的起點終點信息對保單的風險評估有著極其重要的作用，不同的起點終點信息對應有不同程度的風險。例如，起點終點之間的距離越近，則風險相對越低，而起點終點之間的距離越遠，則風險相對越高。報價的保險公司可以針對風險標的的不同起點終點信息分為若干個檔次，每個檔次的起點終點信息對應預設一個低層調整因子。

需要說明的是，上述步驟201～205之間不限定先後順序，例如，步驟202可以於步驟201、203～205中任一步驟前面執行，也可以於步驟201、203～205中任一步驟後面執行，甚至可以與步驟201、203～205中任一步驟同時執行。

對於上述步驟206，在確定出第一低層調整因子、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之後，可以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。可以理解的是，具體地，可以採用X＝ψ(a1,a2,a3,a4,a5)進行預處理，其中，a1～a5分別表示第一低層調整因子、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，而ψ則為變換函數。

本實施例中，採用上述得到的第一核保因子來表示該目標物流保險保單的風險標的的基準損失率，通過將第一核保因子作為深度學習模型的輸入，利用訓練好的深度學習模型中暗含的風險標的的基準損失率與核保結果之間的內在聯繫，從而將深度學習模型的輸出儘可能靠近準確的核保結果。

103、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；

在獲取到目標物流保險保單和目標報價人信息之後，可以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。

進一步地，所述風險標的信息可以包括風險標的的承保範圍、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。圖3示出了圖1對應實施例中一種物流保險保單的核保方法的步驟103在一個應用場景下的流程示意圖，如圖3所示，上述步驟103具體可以包括：

301、確定與所述風險標的的承保範圍對應的第一數值；

302、確定與所述風險標的的保額對應的第二數值；

303、確定與所述風險標的的歷史賠付率對應的第三數值；

304、確定與所述風險標的的市場環境信息對應的第四數值；

305、確定與所述風險標的的商業競爭信息對應的第五數值；

306、確定與所述目標報價人的保險公司信息對應的第六數值；

307、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。

對於上述步驟301，所述承保範圍可以包括物流保險保單的主條款、附加條款、限額等關於保單承保範圍的信息。對於不同險種的物流保險保單而言，保險公司可以預先設定不同的第一數值對應不同的承保範圍，第一數值越大，則表示承保範圍越寬。

對於上述步驟302，可以直接採用風險標的的保額的數值作為第二數值，也可以由保險公司預先設定不同的第二數值對應不同的保額區間，當風險標的的保額落入某個保額區間時，則可以確定出該保額對應的第二數值。

對於上述步驟303，可以理解的是，對於保險公司而言，承保過的風險標的均具有對應的歷史賠付信息和歷史賠付率。可以直接確定風險標的的歷史賠付率為第三數值，例如風險標的的歷史賠付率為30％，則對應的第三數值為0.3；也可以由保險公司預先設定不同的第三數值對應不同的賠付率區間，當風險標的的歷史賠付率(可以為均值)落入某個賠付率區間時，則可以確定出該歷史賠付率對應的第三數值。

對於上述步驟304，對於同一風險標的而言，不同的市場環境同樣對風險標的的報價和風險評估造成影響。上述的市場環境信息可以是針對某類風險標的而言，該市場環境的評分。因此，可以預先對不同的市場環境信息進行調查、整理和分析，從而為不同的市場環境信息預設對應的不同的第四數值。

對於上述步驟305，同理，對於同一風險標的而言，不同的商業競爭同樣對風險標的的報價和風險評估造成影響。上述的商業競爭信息可以是針對某類風險標的而言，對商業競爭的激烈程度的評分。因此，可以預先對不同的商業競爭信息進行調查、整理和分析，從而為不同的商業競爭信息預設對應的不同的第五數值。

對於上述步驟306，可以理解的是，對於不同的報價人所處的保險公司，可以對應設置不同的第六數值作為保險公司信息的「評分」，一般來說，該第六數值與保險公司的品牌實力相關，具體地，可以是保險公司的品牌實力越強，則對應的第六數值越大，而保險公司的品牌實力越弱，則對應的第六數值越小。

需要說明的是，上述步驟301～306之間不限定先後順序，例如，步驟302可以於步驟301、303～306中任一步驟前面執行，也可以於步驟301、303～306中任一步驟後面執行，甚至可以與步驟301、303～306中任一步驟同時執行。

對於上述步驟307，預設的向量模型具體可以表示為Y＝(b1,b2,b3,b4,b5,b6)，其中，b1～b6分別表示所述第一數值、第二數值，第三數值、第四數值、第五數值和第六數值。進一步地，在將所述第一數值、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，還可以將得到的向量進行標準化處理，標準化處理後得到所述風險標的的第二核保因子。

104、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；

在得到所述第一核保因子和所述第二核保因子之後，可以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。

進一步地，如圖4所示，所述深度學習模型可以由以下步驟預先訓練得到：

401、獲取作為樣本的物流保險保單以及與所述物流保險保單對應的報價人信息；

402、根據所述物流保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；

403、按照預設的向量模型對所述物流保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；

404、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；

405、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物流保險保單的核保結果之間的誤差；

406、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。

對於上述步驟401，首先需要獲取作為樣本的物流保險保單以及與所述物流保險保單對應的報價人信息。在本實施例中，上述樣本可以是正樣本和/或負樣本，一般來說，對深度學習模型進行訓練時，可以採用大量預先標記好的樣本進行訓練。而後續正樣本和負樣本可以用於對訓練好的深度學習模型進行驗證和修正。

對於上述步驟402，在獲取到作為樣本的物流保險保單以及與所述物流保險保單對應的報價人信息之後，可以根據所述物流保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。其中該第一樣本因子的具體計算方法與上述步驟102類似，具體可以參考關於步驟102第一核保因子的具體計算過程，此處不再贅述。

對於上述步驟403，在獲取到作為樣本的物流保險保單以及與所述物流保險保單對應的報價人信息之後，可以按照預設的向量模型對所述物流保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。其中該第二樣本因子的具體計算方法與上述步驟103類似，具體可以參考關於步驟103第二核保因子的具體計算過程，此處不再贅述。

對於上述步驟404，該深度學習模型的輸出與作為樣本的第一樣本因子和第二樣本因子的輸入相對應。因此，一般來說，在深度學習模型的訓練過程中，該深度學習模型的輸出與作為樣本的物流保險保單的實際核保結果存在或多或少的出入，也即誤差。

對於上述步驟405，可以通過不斷調整所述深度學習模型的隱層參數，使得所述輸出與所述物流保險保單的核保結果之間的誤差最小化，對深度學習模型逐層進行監督學習和訓練。可以理解的是，所述深度學習模型包括N個隱層，其中N≥1，N的具體數值可以根據實際情況設定。在對深度學習模型進行訓練時，可以通過調整這N個隱層的參數，實現對當前深度學習模型的輸出的值進行調整，在調整的過程中對比其與物流保險保單的核保結果之間的誤差，儘可能使得誤差最小。誤差越小，則表示當前的深度學習模型訓練效果越好，反之，則訓練效果越差。

對於上述步驟406，可以理解的是，可以反覆執行上述步驟401～405，使用大量的樣本對深度學習模型進行訓練。訓練後，當該誤差滿足預設條件時，則可以認為當前的深度學習模型已經完成訓練。該預設條件例如可以是：採用M個樣本進行訓練，其中K個樣本對應的輸出與核保結果之間的誤差小於10％，並且K/M大於等於50％，也即滿足一定條件的誤差對應的樣本的比例超過設定的閾值，則可以認為誤差滿足預設條件。

105、獲取所述深度學習模型的輸出作為所述目標物流保險保單的核保結果。

在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之後，可以獲取到所述深度學習模型的輸出，然後將該輸出作為所述目標物流保險保單的核保結果。

進一步地，上述步驟105具體可以包括：判斷所述深度學習模型的輸出是否滿足預設的閾值條件，若否，則將所述目標物流保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，若是，則確定所述深度學習模型的輸出為所述目標物流保險保單的核保結果，並將所述目標物流保險保單對應的輸入和輸出確定為用於訓練所述深度學習模型的新增的正樣本。

可以理解的是，對於採用深度學習模型得到的輸出，可以預先對所述目標物流保險保單的核保結果進行估算，例如可以根據核保人對某一類型的物流保險保單的核保結果進行數據統計，得到這一類型的物流保險保單的核保結果均值，然後在該核保結果均值的基礎上設定上下波動的閾值範圍，比如±10％，即可形成這一類型的物流保險保單的閾值條件。當深度學習模型的輸出不滿足該閾值條件時，則認為該輸出與正常的核保結果偏差較大，然後將所述目標物流保險保單對應的輸入和輸出作為負樣本反饋至深度學習模型中，以便對深度學習模型的隱層參數進行修正。

另外，當所述深度學習模型的輸出滿足預設的閾值條件時，則不僅可以確定所述深度學習模型的輸出為所述目標物流保險保單的核保結果，而且可以將該目標物流保險保單對應的輸入和輸出確定為用於訓練所述深度學習模型的新增的正樣本，增加深度學習模型用於訓練的正樣本數量，提高深度學習模型的訓練完成度。

本實施例中，首先，獲取目標物流保險保單以及目標報價人信息；然後，根據所述目標物流保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；接著，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；最後，獲取所述深度學習模型的輸出作為所述目標物流保險保單的核保結果。在本實施例中，根據目標物流保險保單的相關信息和目標報價人信息計算得到第一核保因子和第二核保因子，並將這兩個因子作為預先訓練好的深度學習模型的輸入，從而將得到的深度學習模型的輸出作為核保結果，利用深度學習模型自動實現物流保險保單的核保，避免了核保結果受核保人員的專業水平以及從業經驗影響的問題，提高了物流保險保單的核保準確率；並且，在保證準確率的前提下大大提升了核保效率，在面對大量的物流保險保單核保任務時，也能快速完成核保任務，降低了核保成本。

上面主要描述了一種物流保險保單的核保方法，下面將對一種物流保險保單的核保裝置進行詳細描述。

圖5示出了本發明實施例中一種物流保險保單的核保裝置一個實施例結構圖。

本實施例中，一種物流保險保單的核保裝置包括：

信息獲取模塊501，用於獲取目標物流保險保單以及目標報價人信息；

第一核保因子計算模塊502，用於根據所述目標物流保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；

第二核保因子獲取模塊503，用於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；

輸入模塊504，用於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；

核保結果獲取模塊505，用於獲取所述深度學習模型的輸出作為所述目標物流保險保單的核保結果。

進一步地，所述深度學習模型可以由以下模塊預先訓練得到：

樣本獲取模塊，用於獲取作為樣本的物流保險保單以及與所述物流保險保單對應的報價人信息；

第一樣本因子計算模塊，用於根據所述物流保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；

第二樣本因子獲取模塊，用於按照預設的向量模型對所述物流保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；

學習模型訓練模塊，用於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；

隱層參數調整模塊，用於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物流保險保單的核保結果之間的誤差；

學習模型確認模塊，用於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。

進一步地，所述風險標的信息可以包括風險標的的類型、運輸方式、包裝方式和運輸的起點終點信息；

所述第一核保因子計算模塊具體可以包括：

第一因子單元，用於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；

第二因子單元，用於確定與所述投保人信息對應的第二低層調整因子；

第三因子單元，用於確定與所述風險標的的運輸方式對應的第三低層調整因子；

第四因子單元，用於確定與所述風險標的的包裝方式對應的第四低層調整因子；

第五因子單元，用於確定與所述風險標的的運輸的起點終點信息對應的第五低層調整因子；

因子預處理單元，用於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。

進一步地，所述風險標的信息可以包括風險標的的承保範圍、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可以包括目標報價人的保險公司信息；

所述第二核保因子獲取模塊具體包括：

第一數值單元，用於確定與所述風險標的的承保範圍對應的第一數值；

第二數值單元，用於確定與所述風險標的的保額對應的第二數值；

第三數值單元，用於確定與所述風險標的的歷史賠付率對應的第三數值；

第四數值單元，用於確定與所述風險標的的市場環境信息對應的第四數值；

第五數值單元，用於確定與所述風險標的的商業競爭信息對應的第五數值；

第六數值單元，用於確定與所述目標報價人的保險公司信息對應的第六數值；

向量模型導入單元，用於將所述第一數值、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。

進一步地，所述核保結果獲取模塊具體可以包括：

輸出判斷單元，用於判斷所述深度學習模型的輸出是否滿足預設的閾值條件；

負樣本反饋單元，用於若所述深度學習模型的輸出不滿足預設的閾值條件，則將所述目標物流保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；

正樣本反饋單元，用於若所述深度學習模型的輸出滿足預設的閾值條件，則將所述目標物流保險保單對應的輸入和輸出作為正樣本反饋至所述深度學習模型，以指導所述深度學習模型的隱層參數學習；

核保結果確定單元，用於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物流保險保單的核保結果。

所屬領域的技術人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統，裝置和單元的具體工作過程，可以參考前述方法實施例中的對應過程，在此不再贅述。

在本申請所提供的幾個實施例中，應該理解到，所揭露的系統，裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。

另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。

所述集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，伺服器，或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬碟、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光碟等各種可以存儲程序代碼的介質。

以上所述，以上實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明各實施例技術方案的精神和範圍。