(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111432366.2 (22)申请日 2021.11.29 (71)申请人 泰康保险集团股份有限公司 地址 100031 北京市西城区复兴门内大街 156号泰康人寿大厦 申请人 泰康健康产业投资控股有限公司 (72)发明人 向正贵　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 代理人 王宁宁 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/22(2018.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种事件发生概率预测方法、 装置、 电子设 备及存储介质 (57)摘要 本申请提供了一种事件发生概率预测方法、 装置、 电子设备及存储介质， 涉及计算机技术领 域， 本申请提供了一种事件发生概率预测方法， 针对目标对象的多个待预测风险因素序列， 可以 确定各个待预测风险因素序列对应的待预测风 险因素矩阵。 再利用已训练的风险注 意力网络模 型， 确定目标对象的退住风险概率， 再按照设定 区间阈值确定退住风险概率对应的退住风险级 别。 针对现有技术中只能依据经验来根据风险因 素去预测目标对象可能退住的风险概率的问题。 本申请实施例提供的方法可以通过建立网络模 型通过待预测风险因素序列综合考虑各种风险 因素， 准确、 快速的预测出目标对象可能会退住 的退住风险概 率。 权利要求书3页 说明书21页 附图6页 CN 114118583 A 2022.03.01 CN 114118583 A 1.一种事 件发生概率预测方法， 其特 征在于， 所述方法包括： 获取目标对象的多个待预测风险因素序列， 基于预先确定的风险因素序列与风险因素 矩阵的对应关系， 确定各个所述待预测风险因素序列对应的待预测风险因素矩阵； 将各个所述待预测风险因素矩阵输入已训练 的风险注意力网络模型中， 确定各个待预 测风险因素序列中的待预测风险因素对应的权 重系数以及所述目标对象的退住风险概 率； 根据所述退住风险概率的大小， 按照设定区间阈值确定所述目标对象对应的退住风险 级别。 2.根据权利要求1所述的方法， 其特征在于， 所述获取目标对象的多个待预测风险因素 序列， 包括： 获取所述目标对象在设定时间段内的活动信息； 从预设风险因素中， 确定所述活动信息对应的待预测风险因素； 基于所述待预测风险因素， 构建待预测风险因素有向图； 从所述待预测风险因素有向图中确定所述多个待预测风险因素序列。 3.根据权利要求1所述的方法， 其特征在于， 所述风险因素序列与风险因素矩阵的对应 关系通过如下 方式确定： 基于预设风险因素构建风险因素有向图， 并确定多个风险因素序列； 将所述多个风险因素序列进行编码， 分别确定各个风险因素序列对应的编码向量， 得 到多个编码向量； 将所述多个编码向量输入到已训练 的嵌入网络模型中进行降维， 确定各个编码向量对 应的风险因素矩阵； 基于所述多个编码向量与 所述风险因素矩阵之间的对应关系， 得到所述风险因素序列 与所述风险因素矩阵之间的对应关系。 4.根据权利要求1所述的方法， 其特征在于， 所述将各个所述待预测风险因素矩阵输入 已训练的风险注意力网络模型中， 确定各个待 预测风险因素序列中的待 预测风险因素对应 的权重系数以及所述目标对象的退住风险概 率， 包括： 将各个所述待预测风险因素矩阵输入所述风险注意力网络模型的注意力网络模块中， 确定各个待预测风险因素序列中的待预测风险因素对应的权 重系数； 将所述各个待预测风险因素序列中的待预测风险因素对应的权重系数、 各个所述待预 测风险因素矩阵输入到所述风险注意力网络模 型的前馈网络模块中， 确定所述目标对象的 退住风险概 率。 5.根据权利要求4所述的方法， 其特征在于， 所述将各个所述待预测风险因素矩阵输入 所述风险注意力网络模型的注意力网络模块中， 确定各个待 预测风险因素序列中的待 预测 风险因素对应的权 重系数， 包括： 基于各个所述待预测风险因素矩阵构建多个注意力矩阵； 其中， 所述多个注意力矩阵 为根据所述待 预测风险因素矩阵以及多个权重矩阵参数相乘确定的； 所述多个权重矩阵参 数为所述注意力网络模块的网络参数； 采用归一 化函数确定各个注意力矩阵对应的注意力向量， 得到多个注意力向量； 基于所述多个注意力向量以及各个注意力向量对应的各个待预测风险因素矩阵， 确定 各个待预测风险因素序列中的待预测风险因素对应的权 重系数。权　利　要　求　书 1/3 页 2 CN 114118583 A 26.根据权利要求 4所述的方法， 其特 征在于， 所述注意力网络模块的训练过程， 包括： 获取第一风险因素矩阵训练集以及预设权重系数； 其中， 所述第一风险因素矩阵训练 集中的多个第一风险因素样本矩阵存在与多个第一风险因素序列样本的对应关系； 所述预 设权重系数是根据所述多个第一风险因素样本矩阵对应的第一风险因素序列样本中的第 一风险因素确定的； 基于所述第 一风险因素矩阵训练集以及所述预设权重系数， 对所述注意力网络模块进 行迭代训练； 其中， 一次迭代训练过程包括： 从所述第一风险因素矩阵训练集中抽取多个第 一风险因素样本矩阵， 输入所述注意力 网络模块中， 确定各个第一 风险因素序列样本中第一 风险因素的权 重系数； 基于所述各个第 一风险因素的权重系数以及所述第 一风险因素对应的预设权重系数， 确定注意力损失值； 根据所述注意力损 失值， 调整所述注意力网络模块的网络参数， 直至所述注意力损 失 值满足第一预设值， 得到已训练的注意力网络模块。 7.根据权利要求 4所述的方法， 其特 征在于， 所述前馈网络模块的训练过程， 包括： 获取第二风险因素矩阵训练集、 预设退住风险概率以及多个第 二风险因素序列样本中 第二风险因素对应的权重系 数； 其中， 所述第二风险因素矩阵训练集中的多个第二风险因 素样本矩阵存在与所述多个第二风险因素序列样本的对应关系； 所述预设退住风险概率是 根据所述多个第二风险因素样本矩阵对应的所述多个第二风险因素序列样本确定的； 所述 多个第二风险因素序列样本中的第二风险因素对应的权重系数是将所述第二风险因素样 本矩阵输入所述已训练的注意力网络模块中确定的； 基于所述第 二风险因素矩阵训练集、 所述第 二风险因素序列样本 中第二风险因素对应 的权重系 数以及所述预设退住风险概率对所述前馈网络模块进行迭代训练； 其中， 一次迭 代训练过程包括： 从所述第二风险因素矩阵训练集中抽取所述多个第 二风险因素样本矩阵， 将所述第 二 风险因素样本矩阵以及所述多个第二风险因素序列样本中第二风险因素对应的权重系数 输入所述前馈网络模块中； 采用激活函数对所述第二风险因素样本矩阵以及所述多个第二风险因素序列样本中 第二风险因素对应的权重系数进 行处理， 确定所述多个第二风险因素序列样本对应的退住 风险概率； 基于所述多个第 二风险因素序列样本对应的退住风险概率和所述预设退住风险概率， 得到前馈损失值； 根据所述前馈损 失值， 调整所述前馈网络模块的网络参数， 直至所述前馈损 失值满足 第二预设值， 得到已训练的前馈网络模块。 8.一种事 件发生概率预测装置， 其特 征在于， 所述装置包括： 获取单元， 用于获取目标对象的多个待预测风险因素序列， 基于预先确定的风险因素 序列与风险因素矩阵的对应关系， 确定各个所述待预测风险因素序列对应的待预测风险因 素矩阵； 第一确定单元， 用于将各个所述待预测风险因素矩阵输入已训练 的风险注意力网络模 型中， 确定各个待预测风险因素序列中的待 预测风险因素对应的权重系数以及所述目标对权　利　要　求　书 2/3 页 3 CN 114118583 A 3