一种分类识别系统的构建方法及其相关设备

技术领域

本申请属于人工智能技术领域和金融科技领域，具体涉及一种分类识别系统的构建方法及其相关设备。

背景技术

在保险业务中，原始保险人是指直接与被保险人签订保险合同、承担风险的保险公司。然而，有时原始保险人可能面临巨大的风险暴露，例如自然灾害引起的大规模损失或高额赔偿案件，为了减轻这种风险负担并确保财务稳定，原始保险人可以选择将部分风险转移给再保险人。

再保险人可以是再保险公司、保险公司的再保险部门、专门的再保险机构或个人投资者，再保险人从其他保险公司购买再保险来转移和分散承担原始保险人的风险，再保险人作为再保险业务的提供者，与原始保险人（承担风险的保险公司）签订再保险合同，承担一定比例的风险责任。

为了便于再保险业务的开展，通常需要保险公司或者保险机构收集各个再保险人的信息，并根据收集到的信息对再保险人进行标签化管理，即根据收集到的再保险人信息为每一个再保险人生成再保险人表标签，根据再保险人表标签对再保险人进行分类、归档处理。但是，通过标签化管理生成的再保险人表标签没有充分考虑到各种信息数据之间的关系，如时序关系和关联关系，这导致最终分类识别结果准确度较差，影响用户的使用体验。

发明内容

本申请实施例的目的在于提出一种分类识别系统的构建方法、装置、计算机设备及存储介质，以解决目前的再保险人分类识别系统充分考虑到各种信息数据之间的关系，导致分类识别结果准确度较差，影响用户的使用体验的技术问题。

为了解决上述技术问题，本申请实施例提供一种分类识别系统的构建方法，采用了如下所述的技术方案：

一种分类识别系统的构建方法，包括：

获取预先收集的历史再保险人数据；

对历史再保险人数据进行特征提取，得到历史再保险人特征；

对历史再保险人数据进行时间序列分析，并基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列；

对历史再保险人数据进行数据关联分析，并基于数据关联分析结果对历史再保险人特征进行排序，构建第二再保险人特征序列；

基于第一再保险人特征序列和第二再保险人特征序列构建数据特征集合；

利用数据特征集合训练预设的初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。

进一步地，基于第一再保险人特征序列和第二再保险人特征序列构建数据特征集合的步骤，具体包括：

使用预设的第一滑动窗口在第一再保险人特征序列上进行滑动，生成第一子特征序列；

使用预设的第二滑动窗口在第二再保险人特征序列上进行滑动，生成第二子特征序列；

对第一子特征序列和第二子特征序列进行配对，得到子特征序列对；

基于子特征序列对构建数据特征集合，其中，数据特征集合包括训练数据特征集和验证数据特征集。

进一步地，初始预测模型为深度卷积神经网络，初始预测模型包括输入层、卷积层和输出层，利用数据特征集合训练预设的初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统的步骤，具体包括：

通过输入层对训练数据特征集中的子特征序列对进行标准化处理，得到标准化的子特征序列对；

通过卷积层对标准化的子特征序列对进行卷积运算，得到卷积特征表示；

通过输出层对卷积特征表示进行特征映射，基于特征映射结果确定初始预测结果；

基于初始预测结果对初始预测模型进行迭代，直至模型拟合，得到分类识别模型；

使用验证数据特征集对分类识别模型进行模型验证，当通过模型验证时，输出再保险人分类识别模型；

将再保险人分类识别模型部署到预设的再保险业务系统中，得到再保险人分类识别系统。

进一步地，对历史再保险人数据进行时间序列分析，并基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列的步骤，具体包括：

获取历史再保险人数据对应的时间戳；

基于时间戳对匹配的历史再保险人特征进行标记；

将完成时间标记后的历史再保险人特征导入预设的时间序列分析模型，得到时间序列分析结果，其中，时间序列分析模型为自回归滑动平均模型或长短期记忆网络；

基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列。

进一步地，对历史再保险人数据进行数据关联分析，并基于数据关联分析结果对历史再保险人特征进行排序，构建第二再保险人特征序列的步骤，具体包括：

获取与历史再保险人数据匹配的关联规则引擎；

基于关联规则引擎对历史再保险人数据进行数据关联分析，得到数据关联分析结果；

基于基于数据关联分析结果对历史再保险人特征进行第二排序，构建第二再保险人特征序列。

进一步地，在获取与历史再保险人数据匹配的关联规则引擎的步骤之前，还包括：

扫描历史再保险人数据，基于预设识别算法识别历史再保险人数据中的频繁项集，其中，频繁项集是指在数据集中经常同时出现的项的集合；

基于频繁项集在预设的规则库中筛选匹配的关联规则；

组合匹配的关联规则，构建与历史再保险人数据匹配的关联规则引擎。

进一步地，预设识别算法为Apriori算法，扫描历史再保险人数据，基于预设识别算法识别历史再保险人数据中的频繁项集的步骤，具体包括：

扫描历史再保险人数据，构建候选项集；

计算候选项集的支持度，并基于候选项集的支持度使用剪枝方式处理候选项集，得到频繁项集；或

预设识别算法为FP-Growth算法，扫描历史再保险人数据，基于预设识别算法识别历史再保险人数据中的频繁项集的步骤，具体包括：

扫描历史再保险人数据，并基于扫描结果构建FP树；

通过FP树递归挖掘历史再保险人数据中的频繁项集。

为了解决上述技术问题，本申请实施例还提供一种分类识别系统的构建装置，采用了如下所述的技术方案：

一种分类识别系统的构建装置，包括：

数据获取模块，用于获取预先收集的历史再保险人数据；

特征提取模块，用于对历史再保险人数据进行特征提取，得到历史再保险人特征；

第一排序模块，用于对历史再保险人数据进行时间序列分析，并基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列；

第二排序模块，用于对历史再保险人数据进行数据关联分析，并基于数据关联分析结果对历史再保险人特征进行排序，构建第二再保险人特征序列；

特征集合模块，用于基于第一再保险人特征序列和第二再保险人特征序列构建数据特征集合；

系统构建模块，用于利用数据特征集合训练预设的初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的分类识别系统的构建方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的分类识别系统的构建方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请公开一种分类识别系统的构建方法及其相关设备，属于人工智能技术领域和金融科技领域。本申请通过获取历史再保险人数据，提取历史再保险人特征，对历史再保险人数据进行时序分析，并基于时序分析结果进行特征排序，得到时序特征序列，对历史再保险人数据进行数据关联分析，并基于关联分析结果进行特征排序，构建关联关系特征序列，基于上述两个特征序列构建数据特征集合，利用数据特征集合训练初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。本申请利用时间序列分析和数据关联分析对特征排序，深度挖掘再保险人数据之间的关联关系，使得训练出来的再保险人分类识别模型能够充分学习到数据的多维特征，提高再保险人分类识别系统的准确度，提升用户使用体验。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。

图1示出了本申请可以应用于其中的示例性系统架构图；

图2 示出了根据本申请的分类识别系统的构建方法的一个实施例的流程图；

图3示出了根据本申请的分类识别系统的构建装置的一个实施例的结构示意图；

图4示出了根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

需要说明的是，本申请实施例所提供的分类识别系统的构建方法一般由服务器执行，相应地，分类识别系统的构建装置一般设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的分类识别系统的构建方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

目前，随着大数据技术的发展，市面上的分类识别系统已经实现再保险人的自动化、智能化分类，但是目前的再保险人分类识别系统仅仅能够对收集各个再保险人的信息进行简单分析和分类，没有充分考虑到各种信息数据之间的关系，导致分类识别结果准确度较差，影响用户的使用体验。

本申请公开一种分类识别系统的构建方法及其相关设备，属于人工智能技术领域和金融科技领域，本申请利用时间序列分析和数据关联分析对特征排序，深度挖掘再保险人数据之间的关联关系，使得训练出来的再保险人分类识别模型能够充分学习到数据的多维特征，提高再保险人分类识别系统的准确度，提升用户使用体验。

所述的分类识别系统的构建方法，包括以下步骤：

S201，获取预先收集的历史再保险人数据。

在本实施例中，首先需要收集历史再保险人数据，其中，再保险人类型包括再保险公司、保险公司的再保险部门、专门的再保险机构或个人投资者等，历史再保险人数据包括再保险人基本数据、再保险业务数据、财务数据、历史赔付数据和风险管理数据。收集历史再保险人数据的目的是为了获取再保险人的多维度数据，为后续再保险人分类提供数据基础。

对再保险人进行分类时，需要先分析和处理以下数据：

再保险人基本数据包括再保险公司的股东结构、管理团队的经验和专业能力。

再保险业务数据包括再保险公司的业务规模、产品组合、分布地区等，以评估其业务多样性、地理分散程度和市场竞争力。

财务数据包括再保险公司的财务报表、资产负债表、利润表、现金流量表等，以评估其财务健康状况、盈利能力和偿付能力。

历史赔付数据分析再保险公司过去的索赔记录，包括索赔金额、频率、种类等，以评估其承担风险的经验和赔付能力。

风险管理数据包括再保险公司的风险管理政策、流程和控制措施，以及再保险公司的监管报告、审计报告、合规情况等，以评估其符合监管要求和合规性，以评估其风险管理能力、控制风险的有效性、符合监管要求和合规性。

这些数据的分析和处理将帮助评估再保险公司的风险状况、财务实力、风险管理能力、赔付能力以及整体业务运营情况，以便后续根据这些数据的特征对再保险人进行分类。

S202，对历史再保险人数据进行特征提取，得到历史再保险人特征。

在本实施例中，对历史再保险人数据进行预处理，包括数据清洗、缺失值处理、异常值处理等，同时进行特征工程处理，提取有用的特征，以减少数据噪声和提高后续预测模型的预测能力。

特征工程（Feature Engineering）是机器学习和数据分析中的一种重要数据处理方式，特征工程是指在构建机器学习模型之前，对原始数据进行转换、选择、创建和处理的过程，其目的是提取有意义的特征，以改善模型的性能，提高模型的准确性和泛化能力。

S203，对历史再保险人数据进行时间序列分析，并基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列。

再保险人数据具有高维复杂性和高度时变性的特点，再保险人的数据涵盖多个方面，包括财务、风险管理、索赔、业务等多个维度，而且数据之间可能存在复杂的关联关系，再保险人数据具有时间上的变化和趋势，需要考虑时间序列分析和预测方法。

在本实施例中，针对再保险人数据的高度时变性特点，需要对历史再保险人数据进行时间序列分析，包括趋势分析、季节性分析等，以了解数据的时间演变规律，为后续特征排序提供依据。对历史再保险人数据进行时间序列分析，并基于时间序列分析结果对历史再保险人特征进行第一排序，得到第一再保险人特征序列，可以基于时间序列角度确定哪些特征对再保险人分类起到更重要的作用。

对具有时变性的数据进行时间序列分析，探索数据的趋势、周期性和季节性变化，以及预测未来的趋势和风险情况。例如，可以使用ARIMA（自回归滑动平均模型）或LSTM（长短期记忆网络）等方法进行时间序列建模和预测。

S204，对历史再保险人数据进行数据关联分析，并基于数据关联分析结果对历史再保险人特征进行排序，构建第二再保险人特征序列。

在本实施例中，针对再保险人数据的高维复杂性特点，需要对历史再保险人数据进行数据关联分析，包括相关性分析、关联规则挖掘等，以了解不同特征之间的关联关系，为后续特征排序提供依据。通过对历史再保险人数据进行数据关联分析，并基于数据关联分析结果对历史再保险人特征进行第二排序，构建第二再保险人特征序列，可以基于关联关系角度确定哪些特征对再保险人分类起到更重要的作用。

S205，基于第一再保险人特征序列和第二再保险人特征序列构建数据特征集合。

在本实施例中，基于第一再保险人特征序列和第二再保险人特征序列，构建训练数据特征集合，训练数据特征集合用于训练模型，以获得一个能够准确进行再保险人分类的预测识别模型。

S206，利用数据特征集合训练预设的初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。

在本实施例中，利用训练数据特征集合训练预设的初始预测模型，得到训练完成的再保险人分类识别模型，并将再保险人分类识别模型部署到再保险业务系统的开发环境中，以构建再保险人分类识别系统。再保险人分类识别模型可以使用各种机器学习和统计模型进行建模，例如，逻辑回归模型、决策树模型、神经网络等等。实际应用中，可以根据具体问题和数据的特点选择适合的模型或进行模型的组合，以获得更准确和可靠的再保险人分类识别结果。

在上述实施例中，本申请利用时间序列分析和数据关联分析对特征排序，深度挖掘再保险人数据之间的关联关系，使得训练出来的再保险人分类识别模型能够充分学习到数据的多维特征，提高再保险人分类识别系统的准确度，提升用户使用体验。

进一步地，基于第一再保险人特征序列和第二再保险人特征序列构建数据特征集合的步骤，具体包括：

使用预设的第一滑动窗口在第一再保险人特征序列上进行滑动，生成第一子特征序列；

使用预设的第二滑动窗口在第二再保险人特征序列上进行滑动，生成第二子特征序列；

对第一子特征序列和第二子特征序列进行配对，得到子特征序列对；

基于子特征序列对构建数据特征集合，其中，数据特征集合包括训练数据特征集和验证数据特征集。

在本实施例中，使用预设的第一滑动窗口在第一再保险人特征序列上进行滑动，生成第一子特征序列，滑动窗口是一种将序列分成多个子序列的方法，通过滑动窗口在第一再保险人特征序列上滑动，可以生成多个长度相同的第一子特征序列。

使用预设的第二滑动窗口在第二再保险人特征序列上进行滑动，生成第二子特征序列，同样地，通过滑动窗口在第二再保险人特征序列上滑动，可以生成多个长度相同的第二子特征序列。

将第一子特征序列和第二子特征序列按照相同的位置进行配对，得到一组组的子特征序列对，每个子特征序列对由一个第一子特征序列和一个对应的第二子特征序列组成。将子特征序列对组合起来，构建数据特征集合，数据特征集合包括训练数据特征集和验证数据特征集，用于后续的模型训练和验证。

通过这个步骤，可以将第一再保险人特征序列和第二再保险人特征序列进行配对，构建数据特征集合，为后续的模型训练和验证提供基础。

进一步地，初始预测模型为深度卷积神经网络，初始预测模型包括输入层、卷积层和输出层，利用数据特征集合训练预设的初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统的步骤，具体包括：

通过输入层对训练数据特征集中的子特征序列对进行标准化处理，得到标准化的子特征序列对；

通过卷积层对标准化的子特征序列对进行卷积运算，得到卷积特征表示；

通过输出层对卷积特征表示进行特征映射，基于特征映射结果确定初始预测结果；

基于初始预测结果对初始预测模型进行迭代，直至模型拟合，得到分类识别模型；

使用验证数据特征集对分类识别模型进行模型验证，当通过模型验证时，输出再保险人分类识别模型；

将再保险人分类识别模型部署到预设的再保险业务系统中，得到再保险人分类识别系统。

在本实施例中，首先，使用输入层对训练数据特征集中的子特征序列对进行标准化处理，这有助于确保数据在相同的尺度上进行处理，避免不同特征之间的差异对模型的影响。接下来，通过卷积层对标准化的子特征序列对进行卷积运算，得到卷积特征表示，卷积层可以有效地提取数据中的局部特征，有助于捕捉数据的空间结构信息。随后，通过输出层对卷积特征表示进行特征映射，基于特征映射结果确定初始预测结果，将卷积层提取的特征映射到最终的输出层，得到模型的预测结果。

然后基于初始预测结果对初始预测模型进行迭代，直至模型拟合，得到分类识别模型。模型迭代包括对模型参数的调整和优化，以使模型能够更好地拟合训练数据，可以使用方向传播算法对初始预测模型进行迭代。最后使用验证数据特征集对分类识别模型进行模型验证。当模型通过验证时，输出再保险人分类识别模型，以评估模型的泛化能力和准确性，并在模型通过验证后将再保险人分类识别模型部署到预设的再保险业务系统中，得到再保险人分类识别系统，再保险人分类识别系统可以在实际的再保险业务中进行应用，用于识别再保险人并支持业务决策。

需要说明的是，对于分类任务，输出层需要将特征表示映射到类别概率。通常输出层会应用一种激活函数（如Softmax）来将特征表示转换为概率分布，Softmax函数对每个类别的特征表示进行指数化，并将它们归一化为概率值，使得所有类别的概率之和为1。这样输出层的每个节点可以表示预测为相应类别的概率。

进一步地，对历史再保险人数据进行时间序列分析，并基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列的步骤，具体包括：

获取历史再保险人数据对应的时间戳；

基于时间戳对匹配的历史再保险人特征进行标记；

将完成时间标记后的历史再保险人特征导入预设的时间序列分析模型，得到时间序列分析结果，其中，时间序列分析模型为自回归滑动平均模型或长短期记忆网络；

基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列。

在本实施例中，获取历史再保险人数据对应的时间戳，将历史再保险人数据中与时间戳匹配的特征进行标记，以便后续进行时间序列分析。将完成时间标记后的历史再保险人特征导入预设的时间序列分析模型，进行时间序列分析，以确定历史再保险人特征的重要性和影响因素。根据时间序列分析结果，对历史再保险人特征进行第一排序，以确定历史再保险人特征的重要性和影响因素，并得到第一再保险人特征序列。

通过这个步骤，可以在时序维度上确定历史再保险人数据中对再保险人风险评估影响最大的特征，为后续的再保险人分类识别提供依据。

时间序列分析是一种用于分析和预测时间相关数据的方法，针对具有时序特征的数据，如股票价格、天气数据、销售数据等，通过探索数据的趋势、周期性和季节性变化，以及预测未来的趋势和风险情况。

在本实施例中，时间序列分析模型为自回归滑动平均模型或长短期记忆网络。时间序列建模和预测方法可以获取历史再保险人数据的时序变化规律。

ARIMA模型是一种经典的时间序列建模和预测方法，基于时间序列的自相关和移动平均性质，通过建立自回归（AR）和滑动平均（MA）的组合来描述数据的特征。ARIMA模型可以捕捉数据的长期趋势、季节性变化和随机波动，并用于预测未来的数值。例如，可以使用ARIMA模型分析过去几年的股票价格数据，探索其趋势和季节性波动，并预测未来几个月的股票价格走势。

LSTM是一种基于循环神经网络（RNN）的深度学习模型，特别适用于处理时间序列数据。LSTM模型能够捕捉到数据中的长期依赖关系，并具有记忆单元来处理序列中的长期信息，可以学习数据中的复杂动态模式和非线性关系，并用于时间序列的建模和预测。例如，可以使用LSTM模型对气象数据进行分析，探索天气的季节性变化和趋势，然后预测未来几天的温度或降雨量。

进一步地，对历史再保险人数据进行数据关联分析，并基于数据关联分析结果对历史再保险人特征进行排序，构建第二再保险人特征序列的步骤，具体包括：

获取与历史再保险人数据匹配的关联规则引擎；

基于关联规则引擎对历史再保险人数据进行数据关联分析，得到数据关联分析结果；

基于基于数据关联分析结果对历史再保险人特征进行第二排序，构建第二再保险人特征序列。

在本实施例中，获取一个适用于历史再保险人数据的关联规则引擎，以便后续进行数据关联分析，将历史再保险人数据导入关联规则引擎，进行数据关联分析，以确定历史再保险人特征之间的关联关系和相互影响程度。根据数据关联分析结果，对历史再保险人特征进行第二排序，以确定历史再保险人特征之间的重要性和相互影响程度，并构建第二再保险人特征序列。

通过这个步骤，可以在数据关联关系维度上确定历史再保险人数据中再保险人特征之间的关联关系和相互影响程度，为后续的再保险人分类识别提供依据。

进一步地，在获取与历史再保险人数据匹配的关联规则引擎的步骤之前，还包括：

扫描历史再保险人数据，基于预设识别算法识别历史再保险人数据中的频繁项集，其中，频繁项集是指在数据集中经常同时出现的项的集合；

基于频繁项集在预设的规则库中筛选匹配的关联规则；

组合匹配的关联规则，构建与历史再保险人数据匹配的关联规则引擎。

在本实施例中，通过扫描历史再保险人数据，使用预设的识别算法，识别出数据中经常同时出现的项的集合，即频繁项集，将识别出的频繁项集与预设的规则库进行比对，筛选出与频繁项集匹配的关联规则，将匹配的关联规则组合起来，构建一个与历史再保险人数据匹配的关联规则引擎，以便后续进行数据关联分析。

通过这个步骤，可以从历史再保险人数据中提取出频繁项集，并基于预设的规则库筛选出匹配的关联规则，最终构建一个与历史再保险人数据匹配的关联规则引擎，为后续的数据关联分析提供基础。

进一步地，预设识别算法为Apriori算法，扫描历史再保险人数据，基于预设识别算法识别历史再保险人数据中的频繁项集的步骤，具体包括：

扫描历史再保险人数据，构建候选项集；

计算候选项集的支持度，并基于候选项集的支持度使用剪枝方式处理候选项集，得到频繁项集；或

预设识别算法为FP-Growth算法，扫描历史再保险人数据，基于预设识别算法识别历史再保险人数据中的频繁项集的步骤，具体包括：

扫描历史再保险人数据，并基于扫描结果构建FP树；

通过FP树递归挖掘历史再保险人数据中的频繁项集。

在本申请一种具体的实施例中，预设识别算法为Apriori算法，Apriori算法是一种基于迭代的算法，它通过生成候选项集、计算支持度并剪枝的方式来逐步构建频繁项集。Apriori算法的基本思想是利用"先验原理"，即如果一个项集是频繁的，那么它的所有子集也是频繁的。

将历史再保险人数据扫描一遍，找出所有可能的项集作为候选项集，候选项集是指在数据集中出现的项的组合，可以是单个项、两个项、三个项等。通过统计候选项集在历史再保险人数据中出现的次数，计算出每个候选项集的支持度，支持度是指一个项集在数据集中出现的频率，是评估项集重要性的指标。根据预设的最小支持度阈值，将支持度低于阈值的候选项集剪枝，只保留支持度高于或等于阈值的候选项集，得到频繁项集，频繁项集是指在数据集中出现频率较高的项的集合。

通过这个步骤，基于Apriori算法可以从历史再保险人数据中识别出频繁项集，即在数据集中经常同时出现的项的集合，为后续的关联规则挖掘提供基础。

在本申请另一种具体的实施例中，预设识别算法为FP-Growth算法，FP-Growth算法是一种基于前缀树（FP树）的算法，通过构建FP树来发现频繁项集，FP树是一种紧凑的数据结构，可以高效地存储和处理频繁项集。

首先，使用事务数据库构建FP树，遍历每个历史再保险人数据并对其中的项按照支持度进行排序，创建一个空的FP树。对于每个历史再保险人数据，按照排序后的顺序插入FP树中，如果树中已存在相同的路径，则增加该路径上的计数。对于每个频繁项，构建其条件模式基，条件模式基是指以频繁项结尾的路径集合，从FP树的叶子节点开始，向上遍历树的每条路径，将路径上的节点作为条件模式基的一部分。

对每个频繁项，通过递归地构建条件FP树和条件模式基，继续挖掘频繁项集，对于每个频繁项，构建其条件FP树，并在条件FP树上递归地进行挖掘，直到无法再生成频繁项为止。在递归挖掘频繁项集的过程中，将每个频繁项与其条件模式基中的频繁项结合，形成更大的频繁项集，可以逐步生成包含多个项的频繁项集，重复上面的步骤，直到无法再生成更大的频繁项集为止，就可以得到所有的频繁项集。

通过这个步骤，使用FP树算法挖掘频繁项集的优点是它可以减少数据集扫描的次数，从而提高挖掘的效率，通过FP树，可以利用树的结构和条件模式基的信息，更快地发现频繁项集，使用FP-Growth算法从历史再保险人数据中识别出频繁项集，即在数据集中经常同时出现的项的集合，为后续的关联规则挖掘提供基础。

在本实施例中，分类识别系统的构建方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或者获取数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB( ultra wideband )连接、以及其他现在已知或将来开发的无线连接方式。

需要强调的是，为进一步保证上述历史再保险人数据的私密和安全性，上述历史再保险人数据还可以存储于一区块链的节点中。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种分类识别系统的构建装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的分类识别系统的构建装置300，包括：

数据获取模块301，用于获取预先收集的历史再保险人数据；

特征提取模块302，用于对历史再保险人数据进行特征提取，得到历史再保险人特征；

第一排序模块303，用于对历史再保险人数据进行时间序列分析，并基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列；

第二排序模块304，用于对历史再保险人数据进行数据关联分析，并基于数据关联分析结果对历史再保险人特征进行排序，构建第二再保险人特征序列；

特征集合模块305，用于基于第一再保险人特征序列和第二再保险人特征序列构建数据特征集合；

系统构建模块306，用于利用数据特征集合训练预设的初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。

进一步地，特征集合模块305具体包括：

第一滑动单元，用于使用预设的第一滑动窗口在第一再保险人特征序列上进行滑动，生成第一子特征序列；

第二滑动单元，用于使用预设的第二滑动窗口在第二再保险人特征序列上进行滑动，生成第二子特征序列；

序列配对单元，用于对第一子特征序列和第二子特征序列进行配对，得到子特征序列对；

特征集合单元，用于基于子特征序列对构建数据特征集合，其中，数据特征集合包括训练数据特征集和验证数据特征集。

进一步地，初始预测模型为深度卷积神经网络，初始预测模型包括输入层、卷积层和输出层，系统构建模块306具体包括：

标准化单元，用于通过输入层对训练数据特征集中的子特征序列对进行标准化处理，得到标准化的子特征序列对；

卷积运算单元，用于通过卷积层对标准化的子特征序列对进行卷积运算，得到卷积特征表示；

特征映射单元，用于通过输出层对卷积特征表示进行特征映射，基于特征映射结果确定初始预测结果；

模型迭代单元，用于基于初始预测结果对初始预测模型进行迭代，直至模型拟合，得到分类识别模型；

模型验证单元，用于使用验证数据特征集对分类识别模型进行模型验证，当通过模型验证时，输出再保险人分类识别模型；

模型部署单元，用于将再保险人分类识别模型部署到预设的再保险业务系统中，得到再保险人分类识别系统。

进一步地，第一排序模块303具体包括：

时间戳获取单元，用于获取历史再保险人数据对应的时间戳；

特征标记单元，用于基于时间戳对匹配的历史再保险人特征进行标记；

时序分析单元，用于将完成时间标记后的历史再保险人特征导入预设的时间序列分析模型，得到时间序列分析结果，其中，时间序列分析模型为自回归滑动平均模型或长短期记忆网络；

第一排序单元，用于基于时间序列分析结果对历史再保险人特征进行排序，得到第一再保险人特征序列。

进一步地，第二排序模块304具体包括：

引擎获取单元，用于获取与历史再保险人数据匹配的关联规则引擎；

关联分析单元，用于基于关联规则引擎对历史再保险人数据进行数据关联分析，得到数据关联分析结果；

第二排序单元，用于基于基于数据关联分析结果对历史再保险人特征进行第二排序，构建第二再保险人特征序列。

进一步地，分类识别系统的构建装置300还包括：

频繁项集模块，用于扫描历史再保险人数据，基于预设识别算法识别历史再保险人数据中的频繁项集，其中，频繁项集是指在数据集中经常同时出现的项的集合；

关联规则模块，用于基于频繁项集在预设的规则库中筛选匹配的关联规则；

引擎构建模块，用于组合匹配的关联规则，构建与历史再保险人数据匹配的关联规则引擎。

进一步地，预设识别算法为Apriori算法，频繁项集模块具体包括：

第一扫描单元，用于扫描历史再保险人数据，构建候选项集；

剪枝处理单元，用于计算候选项集的支持度，并基于候选项集的支持度使用剪枝方式处理候选项集，得到频繁项集；或

预设识别算法为FP-Growth算法，频繁项集模块具体包括：

第二扫描单元，用于扫描历史再保险人数据，并基于扫描结果构建FP树；

递归挖掘单元，用于通过FP树递归挖掘历史再保险人数据中的频繁项集。

在上述实施例中，本申请公开一种分类识别系统的构建装置，属于人工智能技术领域和金融科技领域。本申请通过获取历史再保险人数据，提取历史再保险人特征，对历史再保险人数据进行时序分析，并基于时序分析结果进行特征排序，得到时序特征序列，对历史再保险人数据进行数据关联分析，并基于关联分析结果进行特征排序，构建关联关系特征序列，基于上述两个特征序列构建数据特征集合，利用数据特征集合训练初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。本申请利用时间序列分析和数据关联分析对特征排序，深度挖掘再保险人数据之间的关联关系，使得训练出来的再保险人分类识别模型能够充分学习到数据的多维特征，提高再保险人分类识别系统的准确度，提升用户使用体验。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（FlashCard）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如分类识别系统的构建方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述分类识别系统的构建方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

在上述实施例中，本申请公开一种计算机设备，属于人工智能技术领域和金融科技领域。本申请通过获取历史再保险人数据，提取历史再保险人特征，对历史再保险人数据进行时序分析，并基于时序分析结果进行特征排序，得到时序特征序列，对历史再保险人数据进行数据关联分析，并基于关联分析结果进行特征排序，构建关联关系特征序列，基于上述两个特征序列构建数据特征集合，利用数据特征集合训练初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。本申请利用时间序列分析和数据关联分析对特征排序，深度挖掘再保险人数据之间的关联关系，使得训练出来的再保险人分类识别模型能够充分学习到数据的多维特征，提高再保险人分类识别系统的准确度，提升用户使用体验。

本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的分类识别系统的构建方法的步骤。

在上述实施例中，本申请公开一种计算机可读存储介质，属于人工智能技术领域和金融科技领域。本申请通过获取历史再保险人数据，提取历史再保险人特征，对历史再保险人数据进行时序分析，并基于时序分析结果进行特征排序，得到时序特征序列，对历史再保险人数据进行数据关联分析，并基于关联分析结果进行特征排序，构建关联关系特征序列，基于上述两个特征序列构建数据特征集合，利用数据特征集合训练初始预测模型，得到再保险人分类识别模型，基于再保险人分类识别模型搭建再保险人分类识别系统。本申请利用时间序列分析和数据关联分析对特征排序，深度挖掘再保险人数据之间的关联关系，使得训练出来的再保险人分类识别模型能够充分学习到数据的多维特征，提高再保险人分类识别系统的准确度，提升用户使用体验。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。