[发明专利]基于人工智能的目标数据检测方法、装置、设备及介质

说明书

本发明涉及人工智能，提供一种基于人工智能的目标数据检测方法、装置、设备及介质，能够对目标数据集进行扩展，使模型更加准确，将扩展数据集输入至自编码器，输出衍生特征，以支持海量数据且耗时短，满足更多预测场景下对于特征的要求，以衍生特征训练预设神经网络得到检测模型进行检测，整合检测结果为目标的数据作为目标数据，进而能够以人工智能的方式自动进行目标数据的检测及筛选，解决了筛选效率低、出错率高，且可靠性欠佳的问题，同时也解决了传统的分类模型无法处理海量数据，特征提取困难且耗时较长，以及难易寻找时间序列或者多数据集的联合特征的问题。本发明还涉及区块链技术，检测模型及目标数据可存储于区块链。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的目标数据检测方法、装置、设备及介质。

背景技术

目前，随着保险行业的飞速发展，代理人的队伍也日渐壮大，部分代理人存在代做或者代刷数据的情况(如：利用他人的设备做题等)，进而产生大量虚假数据，这些虚假数据会造成较大的数据噪声，降低数据质量，进而由于真实性较低而影响数据的可用性，因此，如何进行快速且准确地目标数据检测成为了亟待解决的问题。针对上述情况，业内通常采用的解决方式是以预先设置的规则进行数据的筛选，例如：人为设置筛选原则，保留符合该原则的数据，并删除不符合该原则的数据。该方式仅依赖于人为定义的规则进行数据统计，不仅筛选效率低，且极易出错，导致最终的检测结果可靠性欠佳。

另外，只利用传统的分类模型进行筛选会受限于分类模型自身的特点，进而可能导致无法处理海量数据，特征提取困难且耗时较长，以及难易寻找时间序列或者多数据集的联合特征等问题。

发明内容

鉴于以上内容，有必要提供一种基于人工智能的目标数据检测方法、装置、设备及介质，能够以人工智能的方式自动进行目标数据的检测及筛选，解决了筛选效率低、出错率高，且可靠性欠佳的问题，同时还解决了传统的分类模型无法处理海量数据，特征提取困难且耗时较长，以及难易寻找时间序列或者多数据集的联合特征等问题。

一种基于人工智能的目标数据检测方法，所述基于人工智能的目标数据检测方法包括：

响应于接收到的目标数据检测指令，确定目标标签；

获取与待检测用户对应的待检测数据；

根据所述目标标签从所述待检测数据中选择数据构建目标数据集；

对所述目标数据集进行扩展处理，得到扩展数据集；

将所述扩展数据集输入至预先训练的自编码器，输出衍生特征；

以所述衍生特征训练预设神经网络，得到检测模型；

将所述待检测数据输入至所述检测模型，输出检测结果，其中，所述检测结果包括目标及非目标；

整合检测结果为目标的数据作为目标数据。

根据本发明优选实施例，所述确定目标标签包括以下一种或者多种方式的组合：

解析所述目标数据检测指令的方法体，得到所述目标数据检测指令所携带的数据，获取预设标签，以所述预设标签在所述目标数据检测指令所携带的数据中进行匹配，并将匹配的数据确定为所述目标标签；或者

获取历史目标数据，识别所述历史目标数据的关键字作为第一关键字，并计算所述第一关键字的出现频率，获取出现频率最高的第一关键字作为所述目标标签。

根据本发明优选实施例，所述根据所述目标标签从所述待检测数据中选择数据构建目标数据集包括：

识别所述待检测数据中每个数据的关键字作为第二关键字；

将所述待检测数据中带有相同的第二关键字的数据划分为一类，并以所述相同的第二关键字命名每个类别；