理赔处理方法和装置、电子设备及存储介质

技术领域

本申请涉及金融科技领域，尤其涉及一种理赔处理方法和装置、电子设备及存储介质。

背景技术

在保险领域中，保险理赔往往会涉及大量复杂材料。相关技术中的理赔流程中存在多个环节，需要进行人工审核、调查、理赔等操作，这些操作需要耗费较长时间。例如，在提交理赔申请后，通常需要向保险公司提供各种证明材料，保险公司也要对这些材料进行审核和判断，并根据保险条款进行理赔处理。这些操作都需要时间，使得理赔处理时间相对较长。其次，在理赔处理的过程中，常常存在信息不对称或者信息缺失等情况，需要通过相关人员核对等方式收集信息，这些操作也会增加理赔处理的复杂性和时间成本。另外人工核保的方式也会存在一定的误差风险，这一系列问题往往会导致理赔处理的效率和理赔准确率低下。

发明内容

本申请实施例的主要目的在于提出一种理赔处理方法、理赔处理装置、电子设备及存储介质，旨在提高理赔处理的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种理赔处理方法，所述方法包括：

获取待理赔的保单文本数据、保险条款文本；

基于预设的理赔处理模型的文本理解网络对所述保险条款文本进行内容理解，得到所述保险条款文本所适用的保险类型、以及所述保险条款文本的理赔约束内容，其中，所述理赔处理模型还包括特征提取网络、理赔预测网络；

基于所述特征提取网络对所述保单文本数据进行内容提取，得到关键理赔内容；

通过所述保险类型和所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行理赔预测，得到所述保单文本数据的理赔策略信息。

在一些实施例，所述基于预设的理赔处理模型的文本理解网络对所述保险条款文本进行内容理解，得到所述保险条款文本所适用的保险类型、以及所述保险条款文本的理赔约束内容，包括：

对所述保险条款文本进行分词处理，得到多个保险条款词组；

将所述保险条款词组进行向量化，得到保险条款词向量；

基于所述文本理解网络对所述保险条款词向量进行分类，得到所述保险类型；

基于所述文本理解网络对所述保险条款词向量进行语义分析，得到所述理赔约束内容。

在一些实施例，所述基于所述特征提取网络对所述保单文本数据进行内容提取，得到关键理赔内容，包括：

基于所述特征提取网络对所述保单文本数据进行分词，得到保单文本词组；

从多个所述保单文本词组中筛选出关键文本词组；

对多个所述关键文本词组进行内容整合，得到所述关键理赔内容。

在一些实施例，所述通过所述保险类型和所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行理赔预测，得到所述保单文本数据的理赔策略信息，包括：

通过所述保险类型和所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行分类，得到所述保单文本数据的理赔类型；

通过所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行内容检测，得到内容评分数据；

如果确定所述内容评分数据满足预设条件，则基于所述理赔类型和所述理赔约束内容对所述关键理赔内容进行策略生成，得到所述理赔策略信息。

在一些实施例，所述通过所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行内容检测，得到内容评分数据，包括：

通过所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行内容完整性检测，得到所述保单文本数据的内容完整性评分；

通过所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行内容异常检测，得到所述保单文本数据的异常理赔评分；

基于所述内容完整性评分和所述异常理赔评分，得到所述内容评分数据。

在一些实施例，所述理赔处理模型的文本理解网络通过以下方式训练出：

获取原始保险条款文本；

对所述原始保险条款文本进行数据清洗，得到样本保险条款文本；

基于预设的标注规则对所述样本保险条款文本进行标注处理，得到标注保险条款文本，所述标注保险条款文本具有保险类别标签和关键内容标签；

对所述标注保险条款文本进行数据切分，得到训练保险条款文本；

将所述训练保险条款文本输入至预设的神经网络，得到文本检测结果；

基于所述保险类别标签和所述文本检测结果的比对、以及所述关键内容标签和所述文本检测结果的比对，对所述神经网络进行调整，得到所述文本理解网络。

在一些实施例，所述基于所述保险类别标签和所述文本检测结果的比对、以及所述关键内容标签和所述文本检测结果的比对，对所述神经网络进行调整，得到所述文本理解网络，包括：

基于所述保险类别标签和所述文本检测结果中的预测保险类别，计算第一损失函数；

基于所述关键内容标签和所述文本检测结果中的预测条款内容，计算第二损失函数；

基于所述第一损失函数和所述第二损失函数对所述神经网络进行参数调整，得到所述文本理解网络。

为实现上述目的，本申请实施例的第二方面提出了一种理赔处理装置，所述装置包括：

文本获取模块，用于获取待理赔的保单文本数据、保险条款文本；

内容理解模块，用于基于预设的理赔处理模型的文本理解网络对所述保险条款文本进行内容理解，得到所述保险条款文本所适用的保险类型、以及所述保险条款文本的理赔约束内容，其中，所述理赔处理模型还包括特征提取网络、理赔预测网络；

内容提取模块，用于基于所述特征提取网络对所述保单文本数据进行内容提取，得到关键理赔内容；

理赔预测模块，用于通过所述保险类型和所述理赔约束内容，基于所述理赔预测网络对所述关键理赔内容进行理赔预测，得到所述保单文本数据的理赔策略信息。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了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程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

本申请提出的理赔处理方法、理赔处理装置、电子设备及存储介质，其通过获取待理赔的保单文本数据、保险条款文本；基于预设的理赔处理模型的文本理解网络对保险条款文本进行内容理解，得到保险条款文本所适用的保险类型、以及保险条款文本的理赔约束内容，其中，理赔处理模型还包括特征提取网络、理赔预测网络，能够精简保险条款文本中的有效内容，缩短保险条款的查询时间。进一步地，基于特征提取网络对保单文本数据进行内容提取，得到关键理赔内容，能够较为准确性提取保单的关键内容，消除其他无效信息、冗余信息的干扰；通过保险类型和理赔约束内容，基于理赔预测网络对关键理赔内容进行理赔预测，得到保单文本数据的理赔策略信息，能够实现自动化理赔，依据保险类型、保险条款文本的约束条件来判断保单文本数据的理赔内容是否符合要求，相较于相关技术中的人工理赔方式，能够提高理赔处理效率和准确性。

附图说明

图1是本申请实施例提供的理赔处理方法的流程图；

图2是图1中的步骤S102的流程图；

图3是图1中的步骤S103的流程图；

图4是图1中的步骤S104的流程图；

图5是图4中的步骤S402的流程图；

图6是本申请实施例提供的理赔处理方法的另一流程图；

图7是图6中的步骤S606的流程图；

图8是本申请实施例提供的理赔处理装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

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。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

在保险领域中，保险理赔往往会涉及大量复杂材料。相关技术中的理赔流程中存在多个环节，需要进行人工审核、调查、理赔等操作，这些操作需要耗费较长时间。例如，在提交理赔申请后，通常需要向保险公司提供各种证明材料，保险公司也要对这些材料进行审核和判断，并根据保险条款进行理赔处理。这些操作都需要时间，使得理赔处理时间相对较长。其次，在理赔处理的过程中，常常存在信息不对称或者信息缺失等情况，需要通过相关人员核对等方式收集信息，这些操作也会增加理赔处理的复杂性和时间成本。另外人工核保的方式也会存在一定的误差风险，这一系列问题往往会导致理赔处理的效率和理赔准确率低下。

基于此，本申请实施例提供了一种理赔处理方法、理赔处理装置、电子设备及存储介质，旨在提高理赔处理的准确性和效率。

本申请实施例提供的理赔处理方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的理赔处理方法。

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。

本申请实施例提供的理赔处理方法，涉及数字医疗技术领域。本申请实施例提供的理赔处理方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现理赔处理方法的应用等，但并不局限于以上形式。

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。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据对象信息、对象行为数据，对象历史数据以及对象位置信息等与对象身份或特性相关的数据进行相关处理时，都会先获得对象的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取对象的个人信息时，会通过弹窗或者跳转到确认页面等方式获得对象的单独许可或者单独同意，在明确获得对象的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的对象相关数据。

图1是本申请实施例提供的理赔处理方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S104。

步骤S101，获取待理赔的保单文本数据、保险条款文本；

步骤S102，基于预设的理赔处理模型的文本理解网络对保险条款文本进行内容理解，得到保险条款文本所适用的保险类型、以及保险条款文本的理赔约束内容，其中，理赔处理模型还包括特征提取网络、理赔预测网络；

步骤S103，基于特征提取网络对保单文本数据进行内容提取，得到关键理赔内容；

步骤S104，通过保险类型和理赔约束内容，基于理赔预测网络对关键理赔内容进行理赔预测，得到保单文本数据的理赔策略信息。

本申请实施例所示意的步骤S101至步骤S104，通过获取待理赔的保单文本数据、保险条款文本；基于预设的理赔处理模型的文本理解网络对保险条款文本进行内容理解，得到保险条款文本所适用的保险类型、以及保险条款文本的理赔约束内容，其中，理赔处理模型还包括特征提取网络、理赔预测网络，能够精简保险条款文本中的有效内容，缩短保险条款的查询时间。进一步地，基于特征提取网络对保单文本数据进行内容提取，得到关键理赔内容，能够较为准确性提取保单的关键内容，消除其他无效信息、冗余信息的干扰；通过保险类型和理赔约束内容，基于理赔预测网络对关键理赔内容进行理赔预测，得到保单文本数据的理赔策略信息，能够实现自动化理赔，依据保险类型、保险条款文本的约束条件来判断保单文本数据的理赔内容是否符合要求，相较于相关技术中的人工理赔方式，能够提高理赔处理效率和准确性。

在一些实施例的步骤S101中，从保险公司的数据系统中获取完整的保险条款文本，包括所有保险产品的保险条款，从而得到保险条款文本。接着，根据对此在保险处理系统上提交的理赔申请，调取相关数据，从而得到待理赔的保单文本数据。其中，对象指的是投保人员等。保单文本数据包括被保人、投保人信息、具体理赔内容及相关证明材料等。

请参阅图2，在一些实施例中，步骤S102可以包括但不限于包括步骤S201至步骤S204：

步骤S201，对保险条款文本进行分词处理，得到多个保险条款词组；

步骤S202，将保险条款词组进行向量化，得到保险条款词向量；

步骤S203，基于文本理解网络对保险条款词向量进行分类，得到保险类型；

步骤S204，基于文本理解网络对保险条款词向量进行语义分析，得到理赔约束内容。

下面对步骤S201至步骤S204进行详细描述。

在一些实施例的步骤S201中，在对保险条款文本进行分词处理时，可以利用jieba分词器对保险条款文本进行分词，得到多个保险条款词组。

在一些实施例的步骤S202中，将保险条款词组映射到预设的向量空间，得到保险条款词向量。

在一些实施例的步骤S203中，基于文本理解网络的softmax函数对保险条款词向量进行分类，得到保险条款词向量在各个候选保险类别的概率分布，将概率最高的候选保险类别作为保险条款文本所适用的保险类型。

在一些实施例的步骤S204中，基于文本理解网络对保险条款词向量进行卷积处理，提取保险条款词向量的关键语义信息，进而将提取到的关键语义信息进行解码，得到文本序列，将解码的文本序列作为理赔约束内容。

通过上述步骤S201至步骤S204能够较为方便地对每个保险条款文本的句子进行拆分，得到多个保险条款词组，进而将保险条款词组转换成向量表现形式，得到保险条款词向量。进一步地，在向量维度来确定保险条款文本适用的保险类型、以及各个保险条款文本的具体内容，能够提高保险条款文本的文本理解准确性和效率。

请参阅图3，在一些实施例中，步骤S103可以包括但不限于包括步骤S301至步骤S303：

步骤S301，基于特征提取网络对保单文本数据进行分词，得到保单文本词组；

步骤S302，从多个保单文本词组中筛选出关键文本词组；

步骤S303，对多个关键文本词组进行内容整合，得到关键理赔内容。

下面对步骤S301至步骤S303进行详细描述。

在一些实施例的步骤S301中，在基于特征提取网络对保单文本数据进行分词时，可以利用特征提取网络中的jieba分词器对保单文本数据进行分词，得到保单文本词组。

在一些实施例的步骤S302中，基于TF-IDF算法从多个保单文本词组中筛选出关键文本词组。

在一些实施例的步骤S303中，按照关键词文本词组在保单文本数据的先后顺序，对多个关键文本词组进行内容拼接，得到关键理赔内容。

通过上述步骤S301至步骤S303能够较为准确地提取到保单文本数据的主要内容，消除无关内容的干扰，进而提高理赔处理效率。

请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S403：

步骤S401，通过保险类型和理赔约束内容，基于理赔预测网络对关键理赔内容进行分类，得到保单文本数据的理赔类型；

步骤S402，通过理赔约束内容，基于理赔预测网络对关键理赔内容进行内容检测，得到内容评分数据；

步骤S403，如果确定内容评分数据满足预设条件，则基于理赔类型和理赔约束内容对关键理赔内容进行策略生成，得到理赔策略信息。

下面对步骤S401至步骤S403进行详细描述。

在一些实施例的步骤S401中，根据保险条款的保险类型和理赔约束内容，确定理赔申请的分类类别，例如，分类类别包含医疗费用报销、车辆损失赔偿、意外伤害赔偿等。理赔预测网络可以利用softmax函数对关键理赔内容进行分类，得到保单文本的理赔类型。进而根据不同的理赔类型，可以针对性地进行相应的处理和判断。

在一些实施例的步骤S402中，通过理赔约束内容，基于理赔预测网络对关键理赔内容进行内容完整性检测，得到保单文本数据的内容完整性评分，同时，对关键理赔内容进行内容异常检测，得到保单文本数据的异常理赔评分，最后，将内容完整性评分、异常理赔评分整合成内容评分数据。

在一些实施例的步骤S403中，如果内容评分数据高于分数阈值，则确定内容评分数据满足预设条件，基于此，基于理赔类型和理赔约束内容对关键理赔内容进行策略生成，确定出符合保险条款的理赔策略信息，其中理赔策略信息包含保单文本涉及到的保险条款、以及保单文本的赔付方式和金额等内容。

通过上述步骤S401至步骤S403能够较为方便地依据保险条款文本对保单文本进行智能化的理赔，提高生成理赔策略信息的效率，还能提高理赔策略信息的合理性和准确性。

请参阅图5，在一些实施例中，步骤S402可以包括但不限于包括步骤S501至步骤S503：

步骤S501，通过理赔约束内容，基于理赔预测网络对关键理赔内容进行内容完整性检测，得到保单文本数据的内容完整性评分；

步骤S502，通过理赔约束内容，基于理赔预测网络对关键理赔内容进行内容异常检测，得到保单文本数据的异常理赔评分；

步骤S503，基于内容完整性评分和异常理赔评分，得到内容评分数据。

下面对步骤S501至步骤S503进行详细描述。

在一些实施例的步骤S501中，基于理赔约束内容对理赔申请所要提供的资料进行约束和计分，理赔预测网络会检测关键理赔内容中的各个资料信息是否符合要求，根据关键理赔内容中所包含的符合要求的资料赋予一系列分数，最后，对分数求和，得到内容完整性评分。

例如，根据保险条款要求的理赔约束内容和理赔申请表格，系统可以判断理赔申请所提供的资料是否完整、符合要求。例如，理赔预测网络检查是否提供了必要的证明、照片、报告等。如果理赔预测网络检查到照片符合要求，则赋予10分，报告符合要求，则赋予20分。

在一些实施例的步骤S502中，理赔预测网络通过对理赔约束内容中涉及的保险条款、历史案例，对关键理赔内容进行数据分析，识别出关键理赔内容中潜在的异常赔付行为和风险，从而输出异常理赔评分。例如，理赔预测网络根据申请人的历史记录、异常行为和与理赔约束内容中的其他案例的比对，赋予保单文本一个异常理赔评分，当异常理赔评分高于阈值，则可以确定保单文本数据所对应的是存在异常和风险的理赔申请。

在一些实施例的步骤S503中，对异常理赔分数上限与异常理赔评分的差、和内容完整性评分进行加权和运算，得到内容评分数据。

通过上述步骤S501至步骤S503能够较为方便地判断保单文本的关键理赔内容是否完整、以及是否存在异常内容，能够提高保单文本的质量、减少非正常赔付造成的资源浪费，还能提高理赔安全性。

请参阅图6，在一些实施例中，理赔处理模型的文本理解网络通过以下步骤S601至步骤S606训练出：

步骤S601，获取原始保险条款文本；

步骤S602，对原始保险条款文本进行数据清洗，得到样本保险条款文本；

步骤S603，基于预设的标注规则对样本保险条款文本进行标注处理，得到标注保险条款文本，标注保险条款文本具有保险类别标签和关键内容标签；

步骤S604，对标注保险条款文本进行数据切分，得到训练保险条款文本；

步骤S605，将训练保险条款文本输入至预设的神经网络，得到文本检测结果；

步骤S606，基于保险类别标签和文本检测结果的比对、以及关键内容标签和文本检测结果的比对，对神经网络进行调整，得到文本理解网络。

下面对步骤S601至步骤S606进行详细描述。

在一些实施例的步骤S601中，从保险公司的数据系统中获取完整的保险条款文本，包括所有产品的保险条款，从而得到原始保险条款文本。

在一些实施例的步骤S602中，对原始保险条款文本进行数据清洗指的是采用Python语言，使用pandas和numpy等数据库对原始保险条款文本进行去重、去噪、去掉HTML标签等一系列处理，从而得到样本保险条款文本。

在一些实施例的步骤S603中，首先针对不同适用于保险类型的样本保险条款文本，制定相应的标注规则。接着，基于预设的标注规则对样本保险条款文本进行标注处理，得到标注保险条款文本。

例如，针对医疗保险和车辆保险分别制定标注规则。

针对医疗保险：

标注规则1：识别保险单中的医院名称和地址。例如，对于医院名称，可以使用正则表达式或关键词匹配的方法，找到医院相关的信息。对于地址，可以使用NLP(自然语言处理)技术中的命名实体识别(NER)来提取地址信息。

标注规则2：确定保险单中的疾病名称和治疗费用。通过NLP技术，可以使用疾病识别算法来抽取出疾病名称。对于治疗费用，可以使用关键词匹配或者基于规则的方法，识别数字和货币单位相关的信息。

针对车辆保险：

标注规则1：提取保险单中的车辆信息。可以使用NLP技术中的实体识别和关系抽取方法，识别并提取车辆品牌、型号、车牌号等相关信息。

标注规则2：解析事故描述和赔付金额。对于事故描述，可以使用NLP技术中的文本分类和信息抽取方法，将事故描述分为不同的类别(如交通事故、碰撞等)。对于赔付金额，可以使用关键词匹配或基于规则的方法，找到与金额相关的信息。

在一些实施例的步骤S604中，对标注保险条款文本进行数据切分时，按照一定的比例将标注保险条款文本分成训练集、验证集和测试集；将训练集作为训练保险条件文本，用于模型训练。验证集和测试集则用于对训练得到的模型进行性能验证和测试，以评估训练得到的模型是否符合预定要求。

在一些实施例的步骤S605中，将训练保险条款文本输入至预设的神经网络，得到文本检测结果的具体实现过程与上述步骤S102的具体实现过程类似，为节省篇幅，不再赘述。

在一些实施例的步骤S606中，首先基于保险类别标签和文本检测结果中的预测保险类别，计算第一损失函数；接着，基于关键内容标签和文本检测结果中的预测条款内容，计算第二损失函数；最后，基于第一损失函数和第二损失函数对神经网络进行参数调整，得到文本理解网络。

为节省篇幅，步骤S606的具体实现过程将在下文中详细描述，此处不再赘述。

通过上述步骤S601至步骤S606能够针对不同保险产品的保险条款文本使用不同的标注规则进行标注，以提高标注准确性，进一步地，基于保险类别标签和文本检测结果的比对、以及关键内容标签和文本检测结果的比对，对神经网络进行调整，利用有监督学习的方式进行模型训练，能够提高模型的训练效率和训练效果。另外，采用深度学习技术和词向量模型，来优化神经网络，使得理赔处理模型的文本理解网络能够更好地理解保险条款中的条件和约束，进而提高理赔处理的精度和效果。

请参阅图7，在一些实施例中，步骤S606可以包括但不限于包括步骤S701至步骤S703：

步骤S701，基于保险类别标签和文本检测结果中的预测保险类别，计算第一损失函数；

步骤S702，基于关键内容标签和文本检测结果中的预测条款内容，计算第二损失函数；

步骤S703，基于第一损失函数和第二损失函数对神经网络进行参数调整，得到文本理解网络。

下面对步骤S701至步骤S703进行详细描述。

在一些实施例的步骤S701中，第一损失函数是交叉熵损失函数，第一损失函数用于衡量保险类别标签和文本检测结果中的预测保险类别之间的差异程度。具体地，由于文本检测结果的预测保险类别是所有候选保险类别中预测概率最高的，其他候选保险类别的预测概率也是已知的。所以针对每个训练保险条款文本的保险类别标签记为1，将与保险类别标签一致的候选保险类别的预测概率取负对数。将所有训练保险条款文本的负对数累加，得到第一损失函数。

在一些实施例的步骤S702中，第二损失函数是交叉熵损失函数，第二损失函数用于衡量关键内容标签和文本检测结果中的预测条款内容之间的差异程度。其中，步骤S702的具体实现过程与上述的步骤S701的具体实现过程类似。为节省篇幅，不再赘述。

在一些实施例的步骤S703中，首先确定第一权重和第二权重，其中，第一权重和第二权重的和为1。接着，将第一权重乘以第一损失函数，得到第一加权函数；将第二权重乘以第二损失函数，得到第二加权函数。进一步地，将第一加权函数和第二加权函数相加，得到总损失函数。最后，在每个迭代训练轮次计算总损失函数的输出结果，将输出结果和预设的损失阈值进行比较。如果输出结果大于损失阈值，则继续调整神经网络的参数，继续训练，直至某个迭代轮次的输出结果等于或者小于损失阈值，停止训练，将这个迭代轮次的神经网络作为文本理解网络。

通过上述步骤S701至步骤S703，基于保险类别标签和文本检测结果中的预测保险类别之间的差异大小，以及关键内容标签和文本检测结果中的预测条款内容之间的差异大小来构建出损失函数，并基于第一损失函数和第二损失函数来对神经网络的模型参数进行优化，能够提高神经网络有针对性地对保险条款所适用的保险类型，以及各个保险条款的关键内容进行学习，有利于提高神经网络的学习能力，提高理赔处理模型的文本理解网络对保险条款中的条件和约束的理解能力，进而提高理赔处理准确性。

此外，为了提高本申请实施例的理赔处理方法的适用性，还可以将包含这一理赔处理方法的智能理赔系统使用自动化测试工具进行严格的测试和验证，确保智能理赔系统的稳定性和准确性。同时，采用云部署和容器化等技术，保证智能理赔系统可以灵活地部署到不同的环境中，并且可以随时根据业务需求进行升级和维护。

进一步地，云部署和容器化可以通过选择云服务提供商、创建虚拟机或容器集群、安装配置环境、构建容器镜像、部署和配置应用程序、网络配置和安全设置、和自动化等步骤来完成。这些步骤可以根据具体系统的需求和实际情况进行调整和扩展，以实现高效、可扩展和安全的智能理赔系统部署。

进一步地，本申请实施例的自动化测试工具可以是Selenium自动化测试工具，通过自动化测试工具对智能理赔系统进行自动化测试，以便在保证测试覆盖率的同时，提高效率、缩短测试时间。

本申请实施例的理赔处理方法，其通过获取待理赔的保单文本数据、保险条款文本；基于预设的理赔处理模型的文本理解网络对保险条款文本进行内容理解，得到保险条款文本所适用的保险类型、以及保险条款文本的理赔约束内容，其中，理赔处理模型还包括特征提取网络、理赔预测网络，能够精简保险条款文本中的有效内容，缩短保险条款的查询时间。进一步地，基于特征提取网络对保单文本数据进行内容提取，得到关键理赔内容，能够较为准确性提取保单的关键内容，消除其他无效信息、冗余信息的干扰；通过保险类型和理赔约束内容，基于理赔预测网络对关键理赔内容进行理赔预测，得到保单文本数据的理赔策略信息，能够实现自动化理赔，依据保险类型、保险条款文本的约束条件来判断保单文本数据的理赔内容是否符合要求，相较于相关技术中的人工理赔方式，能够提高理赔处理效率和准确性。

请参阅图8，本申请实施例还提供一种理赔处理装置，可以实现上述理赔处理方法，该装置包括：

文本获取模块801，用于获取待理赔的保单文本数据、保险条款文本；

内容理解模块802，用于基于预设的理赔处理模型的文本理解网络对保险条款文本进行内容理解，得到保险条款文本所适用的保险类型、以及保险条款文本的理赔约束内容，其中，理赔处理模型还包括特征提取网络、理赔预测网络；

内容提取模块803，用于基于特征提取网络对保单文本数据进行内容提取，得到关键理赔内容；

理赔预测模块804，用于通过保险类型和理赔约束内容，基于理赔预测网络对关键理赔内容进行理赔预测，得到保单文本数据的理赔策略信息。

该理赔处理装置的具体实施方式与上述理赔处理方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述理赔处理方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的理赔处理方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述理赔处理方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的理赔处理方法、理赔处理装置、电子设备及计算机可读存储介质，其通过获取待理赔的保单文本数据、保险条款文本；基于预设的理赔处理模型的文本理解网络对保险条款文本进行内容理解，得到保险条款文本所适用的保险类型、以及保险条款文本的理赔约束内容，其中，理赔处理模型还包括特征提取网络、理赔预测网络，能够精简保险条款文本中的有效内容，缩短保险条款的查询时间。进一步地，基于特征提取网络对保单文本数据进行内容提取，得到关键理赔内容，能够较为准确性提取保单的关键内容，消除其他无效信息、冗余信息的干扰；通过保险类型和理赔约束内容，基于理赔预测网络对关键理赔内容进行理赔预测，得到保单文本数据的理赔策略信息，能够实现自动化理赔，依据保险类型、保险条款文本的约束条件来判断保单文本数据的理赔内容是否符合要求，相较于相关技术中的人工理赔方式，能够提高理赔处理效率和准确性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。