一种基于逻辑张量网络的保险核保智能决策方法和系统与流程
本发明涉及人工智能与保险核保交叉,具体涉及一种基于逻辑张量网络的保险核保智能决策方法和系统。
背景技术:
1、保险核保是保险业务的核心环节之一,其目的是评估投保申请的风险状况并据此决定是否承保、以何种条件承保。核保决策的准确性、合规性与可解释性直接影响保险公司的风险敞口与监管合规水平。
2、目前主流的核保技术方案包括三类:第一类为传统人工核保规则引擎,其通过预设的业务规则如年龄阈值、身体质量指数区间、既往病史等进行机械式判别,能够严格符合监管要求,但缺乏对数据中潜在风险模式的挖掘能力,且规则需要由核保专家持续维护,难以适应新型风险特征的出现。第二类为基于通用机器学习的核保模型,其使用随机森林、深度神经网络等模型从历史核保数据中学习风险模式,具备较强的自适应能力;但此类模型属于典型的“黑箱”模型,难以满足保险监管对决策可解释性的严格要求,且在数据分布偏移时性能下降明显。第三类为基于大语言模型的核保,随着大语言模型的兴起,近期出现使用大语言模型进行核保判别的探索,但其输出的不确定性、稳定性与合规可追溯性仍存在较大争议,难以满足核保业务的工程化部署要求。
3、上述三类方法各有缺陷:纯规则引擎缺乏学习能力;纯机器学习缺乏可解释性;纯大语言模型缺乏稳定性与可追溯性。理想的核保智能决策系统应同时具备:(1)数据驱动的自适应学习能力;(2)符号规则的严格合规能力;(3)决策过程的可解释能力;(4)监管要求的强制转人工能力。
4、逻辑张量网络(logic tensor networks,ltn)是一种将模糊逻辑与神经网络结合的可微逻辑框架,其核心理念是把逻辑谓词的真值从布尔域{0, 1}扩展到实数域[0, 1],并通过可微t-范数(t-norm)实现逻辑运算的反向传播,从而允许在端到端可微计算图中联合训练神经网络与逻辑约束,为符号-神经融合(neuro-symbolic integration)提供了一条工程化路径。
5、现有技术中,ltn主要应用于知识图谱补全、情感分析、语义图像分割等任务。然而,将ltn直接应用于保险核保领域存在以下不足:不足一,多模态数据融合未充分设计,保险核保涉及结构化字段、文本、医学影像等多模态数据,通用ltn框架未对这些异构输入的编码与融合做针对性设计。不足二,硬约束不可微问题未针对性解决,保险核保中存在不可违反的监管规定如对特定疾病的拒保规则、对特定年龄段的拒保规则,这类硬约束的真值必须严格等于1,不允许模糊化处理,而通用ltn在硬约束违反时缺乏有效的工程化处理路径。不足三,缺乏针对核保不确定性的动态融合机制,纯神经网络的概率预测与纯逻辑推理的结果在保险核保场景下常存在不一致例如神经网络预测“心血管中等风险”但硬约束要求“心血管高风险拒保”,如何根据数据完整性与预测置信度动态决定两者权重,是通用ltn框架未涉及的工程问题。不足四,缺乏端到端训练与可解释输出的一体化设计,核保决策不仅需要准确率,还需要向监管机构、客户、复审员提供自然语言形式的推理路径,现有ltn方案多停留在“逻辑一致性损失”层面,未将“自然语言推理链生成”作为可微推理过程的端到端输出。不足五,缺乏核保场景下序列生成模型的领域适配设计,通用序列生成模型虽可生成自然语言,但无法保证生成术语与一阶逻辑谓词的语义一致性。
6、此外,近年来业内出现的“保险大模型”方案虽然在用户交互体验上有所提升,但仍以黑箱调用为主,缺乏可追溯的决策依据,且模型推理成本高,难以在生产环境的核保api网关中经济部署。
7、因此,迫切需要本领域技术人员提供一种能够同时解决上述技术问题、且符合保险核保业务特点的智能决策方案。
技术实现思路
1、基于此,为了解决现有核保方案中存在的上述至少一个技术问题,本技术实施例提出了一种基于逻辑张量网络的保险核保智能决策方法和系统。
2、本发明实施例提供了一种基于逻辑张量网络的保险核保智能决策方法,包括:
3、获取投保申请的多模态数据,其中,所述多模态数据包括:结构化字段数据、ocr文本数据和医学影像数据;对所述多模态数据进行特征提取,生成融合特征向量;将所述融合特征向量输入神经网络预测层,输出各风险类别的概率分布;将保险核保规则编码为一阶逻辑公式集,其中,所述一阶逻辑公式集包含硬约束公式和软约束公式,所述软约束公式关联可学习的软约束权重;将所述概率分布作为逻辑谓词的软真值输入逻辑张量网络,基于所述一阶逻辑公式集执行可微推理,计算逻辑一致性损失,其中,所述可微推理采用可微t-范数实现一阶逻辑运算,并在所述硬约束公式的真值不等于1时触发合规告警;根据所述逻辑一致性损失通过反向传播同时更新所述神经网络预测模块的参数和所述可学习的软约束权重;根据所述概率分布和所述逻辑张量网络的推理结果,通过可学习融合算子生成核保决策及自然语言推理路径。
4、本发明实施例还提供了一种基于逻辑张量网络的保险核保智能决策系统,包括:
5、多模态特征提取模块,用于获取投保申请的多模态数据,对投保申请的多模态数据进行特征编码,生成融合特征向量;其中,所述多模态数据包括:结构化字段数据、ocr文本数据和医学影像数据;神经网络预测模块,用于根据所述融合特征向量输出各风险类别的概率分布;符号规则编码模块,用于将保险核保规则编码为一阶逻辑公式集,所述一阶逻辑公式集包含硬约束公式和软约束公式,所述软约束公式关联可学习的软约束权重;逻辑张量网络推理模块,用于将所述概率分布作为逻辑谓词的软真值,基于所述一阶逻辑公式集执行可微推理,输出逻辑一致性损失和推理结果,所述可微推理采用可微t-范数实现一阶逻辑运算,并在所述硬约束公式的真值不等于1时触发合规告警;模型训练模块,用于根据所述逻辑一致性损失通过反向传播同时更新所述神经网络预测模块的参数和所述可学习的软约束权重;可学习融合决策模块,用于根据所述概率分布和所述逻辑张量网络的推理结果,通过可学习融合算子生成核保决策及自然语言推理路径。
6、本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,执行本发明中的任意一种基于逻辑张量网络的保险核保智能决策方法。
7、本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,当所述计算机程序指令被一个或多个处理器执行时,使得所述一个或多个处理器执行本发明中的任意一种基于逻辑张量网络的保险核保智能决策方法。
8、本发明实施例还提供了一种计算机程序产品,包括计算机程序/指令,当所述计算机程序/指令被一个或多个处理器执行时,实现发明中的任意一种基于逻辑张量网络的保险核保智能决策方法。
9、通过上述方案,本发明将神经网络预测层与基于ltn的符号推理层在统一的可微计算图中联合训练,通过双向梯度回传即神经网络参数与软约束权重实现“知识蒸馏”式对齐,并通过可学习融合算子动态决策;同时通过硬约束检查与自然语言推理路径生成满足保险监管对决策可解释性和合规可追溯性的要求。
10、与现有技术相比,本发明具有以下有益效果:
11、第一:同时具备数据自适应与规则严格合规。神经网络层从历史数据中学习风险模式,具备自适应能力;ltn层将核保规则编码为一阶逻辑公式集,并通过硬约束公式实现监管要求的强制执行,具备严格合规能力。
12、第二,实现端到端可微训练。基于可微t-范数实现一阶逻辑运算的反向传播,使得神经网络预测层与符号推理层能够通过统一的梯度反向传播联合训练,规避了逻辑运算不可微导致无法端到端训练的传统难题。
13、第三,以动态融合机制应对预测不确定性。可学习融合算子的融合门控权重由输入数据的不确定性、各模态数据完整性和神经网络预测置信度动态决定,能够在数据缺失场景下自动提高逻辑推理结果的权重,在数据充分场景下充分利用神经网络的预测能力。
14、第四,实现硬约束不可微问题的工程化处理。硬约束公式的真值在可微推理中保持严格等于1,一旦违反即触发合规告警并强制转人工核保,规避了通用ltn在硬约束处理上的局限性。
15、第五,可解释输出满足监管要求。自然语言推理路径不仅包含触发的规则列表、各规则的匹配真值、风险评分与最终决策依据,还通过transformer、t5或bart等序列生成模型微调于核保推理路径语料,并附加核保领域术语约束,使生成的推理链与一阶逻辑谓词保持语义一致,为复审员与监管提供可追溯的决策依据。
16、第六,训练方法与推理方法分离,保护主题更清晰。通过拆分训练阶段与推理阶段,能够清晰地区分模型开发权与模型使用权,便于在软件许可与部署场景中灵活设置保护范围。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com