CN108257033A - 一种保单分析方法、装置、终端设备及存储介质 - Google Patents
一种保单分析方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN108257033A CN108257033A CN201810031199.2A CN201810031199A CN108257033A CN 108257033 A CN108257033 A CN 108257033A CN 201810031199 A CN201810031199 A CN 201810031199A CN 108257033 A CN108257033 A CN 108257033A
- Authority
- CN
- China
- Prior art keywords
- declaration form
- network
- node
- relationship
- declaration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种保单分析方法、装置、终端设备及存储介质,所述方法包括:从保单数据库中获取每个保单的保单信息;根据属性信息确定待匹配参数;针对每个待匹配参数,对保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系;以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络;根据保单关系网络,分析团伙骗保风险。本发明的技术方案构建的保单关系网络体现了不同保单之间存在的关联性,通过分析该关联性能够精准高效的进行团伙骗保风险的识别和预警,从而提高团伙骗保风险的识别率。
Description
技术领域
本发明涉及金融服务技术领域,尤其涉及一种保单分析方法、装置、终端设备及存储介质。
背景技术
在保险行业,经常有犯罪分子违反保险法规,采用虚构保险标、保险事故或者制造保险事故等方法,向保险公司骗取保险金。保险公司需要通过对保单信息进行分析,识别保险欺诈案件。
但是,目前在保险行业对保单数据进行挖掘分析时,仅从单个保单的角度进行挖掘,或者通过人工方式查找保单之间存在的关系,导致对保单团伙信息的挖掘成功率低,从而造成团伙骗保风险识别率低。
发明内容
本发明实施例提供一种保单分析方法、装置、终端设备及存储介质,以解决现有技术中对团伙骗保风险的识别率低的问题。
第一方面,本发明实施例提供一种保单分析方法,包括:
从保单数据库中获取每个保单的保单信息,其中,所述保单信息包括保单标识信息和保单对象的属性信息,所述保单标识信息用于唯一标识所述保单;
根据所述属性信息确定待匹配参数;
针对每个所述待匹配参数,对所述保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,所述参数值用于标识所述直接关系;
以所述保单标识信息为网络节点,以所述待匹配参数的参数值为关系节点,将互相具有所述直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络;
根据所述保单关系网络,分析团伙骗保风险。
第二方面,本发明实施例提供一种保单分析装置,包括:
保单获取模块,用于从保单数据库中获取每个保单的保单信息,其中,保单信息包括保单标识信息和保单对象的属性信息,保单标识信息用于唯一标识保单;
参数确定模块,用于根据属性信息确定待匹配参数;
关系建立模块,用于针对每个待匹配参数,对保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,参数值用于标识直接关系;
网络构建模块,用于以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络;
风险分析模块,用于根据保单关系网络,分析团伙骗保风险。
第三方面,本发明实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述保单分析方法的步骤。
第四方面,本发明实施例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程序,所述计算机程序被处理器执行时实现所述保单分析方法的步骤。
本发明实施例与现有技术相比具有如下优点:本发明实施例所提供保单分析方法、装置、终端设备及存储介质中,通过获取保单信息,得到保单标识信息和属性信息,根据属性信息确定待匹配参数,并针对每个待匹配参数,对保单数据中的保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,然后以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络,该保单关系网络中体现了不同保单之间存在的关联性,通过分析该关联性能够精准高效的进行团伙骗保风险的识别和预警,从而提高团伙骗保风险的识别率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例1提供的保单分析方法的实现流程图;
图2是本发明实施例1提供的保单分析方法中一个由四个保单构成的保单关系网络的网络结构图的示意图;
图3是本发明实施例1提供的保单分析方法中获取终端设备号并将该终端设备号填写到保单信息的处理过程的实现流程图;
图4是本发明实施例1提供的保单分析方法中通过网络节点的图形面积标识该网络节点的重要程度的实现流程图;
图5是本发明实施例1提供的保单分析方法中另一个由四个保单构成的保单关系网络的网络结构图的示意图;
图6是本发明实施例1提供的保单分析方法中步骤S5的实现流程图;
图7是本发明实施例1提供的保单分析方法中步骤S5的另一实现流程图;
图8是本发明实施例2中提供的保单分析装置的示意图;
图9是本发明实施例4中提供的终端设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,图1示出了本实施例提供的保单分析方法的实现流程。该保单分析方法应用在保险行业。详述如下:
S1:从保单数据库中获取每个保单的保单信息,其中,该保单信息包括保单标识信息和保单对象的属性信息,该保单标识信息用于唯一标识保单。
在本发明实施例中,保单数据库为保险公司存储客户的保单的数据库,每个保单的保单信息包括保单标识信息和保单对象的属性信息。
保单标识信息用于唯一标识保单,例如,保单标识信息可以是保单号,该保单号可以由保单生成的日期加上序号生成,使得每个保单具有唯一的保单号,但并不限于此,保单标识信息可以根据应用的需要进行设置,此处不做限制。
保单对象是指保单中的保险产品涉及到的相关利益人,保单对象包括投保人、被保险人、受益人或申请人中的至少一个,其中,投保人是指与保险人订立保险合同,并按照保险合同负有支付保险费义务的人,投保人可以是自然人也可以是法人。被保险人是指根据保险合同,其财产利益或人身收保险合同保障,在保险事故发生后,享有保险金请求权的人。投保人可以与被保险人相同。受益人是指人身保险合同中由被保险人或者投保人指定的享有保险金请求权的人。投保人和被保险人均可以为受益人,如果投保人或被保险人均未指定受益人,则其法定继承人即为受益人。申请人是指保险理赔申请人,即出险时得到理赔的被保险人。
保单对象的属性信息即投保人、被保险人、受益人或申请人的属性信息,包括客户号、电话号码、终端设备号、银行卡号、身份证号码或家庭地址信息中的至少一个,但并不限于此,属性信息还可以包括其他标识保险对象的信息,此处不做限制。其中,终端设备号为登录保险应用APP或访问保险网站的终端设备的唯一设备标识码,客户号用于标识保单对象在保险公司的客户编号,当保单对象在保险公司第一次成功购买了保险产品时,该保单对象成为保险公司的客户,保险公司会为该保单对象分配一个唯一的客户号。
S2:根据保单对象的属性信息确定待匹配参数。
具体地,从步骤S1获取到的保单对象的属性信息中选取至少一项属性信息作为待匹配参数。
例如,若属性信息包括客户号、电话号码、终端设备号、银行卡号、身份证号码和家庭地址信息,则可以将全部属性信息确定为待匹配参数,即待匹配参数为对象客户号、电话号码、终端设备号、银行卡号、身份证号码和家庭地址信息,或者也可以将部分属性信息确定为待匹配参数,其具体可以根据应用的需要进行选择,此处不做限制。
S3:针对每个待匹配参数,对保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,参数值用于标识直接关系。
具体地,针对步骤S2确定的每个待匹配参数,首先从保单信息中获取该待匹配参数的所有参数值,然后根据每个参数值对保单进行遍历,将具有相同参数值的不同保单进行关联,得到不同保单之间基于该待匹配参数的直接关系。
例如,若待匹配参数为电话号码,则遍历每个保单,提取每个保单中的电话号码,将具有相同电话号码的保单进行关联,得到基于该电话号码的不同保单之间的直接关系。比如,保单A中投保人的电话号码与保单B中受益人的电话号码相同,则通过该电话号码将保单A与保单B进行关联,得到保单A与保单B之间基于该电话号码的直接关系。若待匹配参数为家庭地址信息,假设保单B中被保险人的家庭地址信息与保单C中申请人的家庭地址信息相同,则通过该家庭地址信息将保单B与保单C进行关联,得到保单B与保单C之间基于该家庭地址信息的直接关系。
进一步地,由于保单A与保单B之间具有基于电话号码的直接关系,保单B与保单C之间具有基于家庭地址信息的直接关系,且保单A与保单C之间不具有直接关系,则保单A与保单C之间具有间接关系。
需要说明的是,由于保单数据库存储了保险公司的每个客户的全部保单,其保单信息的数据量庞大,在本步骤的执行过程中,采用MapReduce进行大数据并行计算,以提高计算效率。
MapReduce是面向大数据并行处理的平台、框架和计算模型,用于大规模数据集的并行运算。它允许用市场上普通的商用服务器构成一个包含数十、数百至数千个节点的分布和并行计算集群;它还提供了一个庞大但设计精良的并行计算软件框架,能自动完成计算任务的并行化处理,自动划分计算数据和计算任务,在集群节点上自动分配和执行任务以及收集计算结果,将数据分布存储、数据通信、容错处理等并行计算涉及到的系统底层的复杂细节交由系统负责处理,大大减少了软件开发人员的负担;同时,它还提供了一种简便的并行计算模型,用Map和Reduce两个函数实现基本的并行计算任务,提供了抽象的操作和并行接口,以简单方便地完成大规模数据的计算处理。
S4:以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络。
在本发明实施例中,保单关系网络包括网络节点、关系节点,以及不同网络节点之间基于关系节点建立的直接关系。其中,网络节点为保单标识信息,用于标识保单,关系节点为待匹配参数的参数值,用于标识不同网络节点之间的直接关系。
进一步地,保单关系网络可以采用图数据的方式体现。图数据由一系列的点以及连接点的边构成。一个图G通常表示为G(V,E),其中,V表示顶点的集合,称为图G的顶点集,E是集合V*V的一个子集,即边的集合,称为图G的边集。在本发明实施例中,将保单关系网络以网络结构图的形式存储,该保单关系网络的网络节点和关系节点组成顶点集,不同网络节点之间基于关系节点建立的直接关系组成边的集合,通过顶点和边来存储保单关系网络的数据。
在网络结构图中,直接关系和间接关系的区别可以通过网络节点之间的距离远近来体现,具有间接关系的两个网络节点之间的距离大于具有直接关系的两个网络节点之间的距离。
需要说明的是,根据保单数据库中的保单信息最终构建出的保单关系网络可能存在多个,每个保单关系网络中的网络节点之间都必然存在直接关系或间接关系,而不同保单关系网络中的网络节点之间不存在直接关系和间接关系。
为了更好的理解本发明实施例中的保单关系网络,现通过一个具体的保单关系网络的网络结构图举例进行说明。详述如下:
请参阅图2,图2示出了一个由四个保单构成的保单关系网络的网络结构图。其中,网络节点包括保单标识信息1、保单标识信息2、保单标识信息3和保单标识信息4,关系节点包括身份证号1、身份证号2、客户号1、客户号2、银行卡号1和家庭地址信息1,网络节点用圆形图形表示,关系节点用椭圆形图形表示。在该网络结构图中,保单标识信息1对应的保单中投保人的身份证号1与保单标识信息2对应的保单中受益人的身份证号1相同,因此,身份证号1为保单标识信息1和保单标识信息2之间的关系节点;保单标识信息1对应的保单中被保险人的家庭地址信息1与保单标识信息2对应的保单中投保人的家庭地址信息1相同,同时保单标识信息1对应的保单中投保人的家庭地址信息1与保单标识信息3对应的保单的中受益人的家庭地址信息1相同,同时保单标识信息1对应的保单中被保险人的家庭地址信息1与保单标识信息4对应的保单中受益人的家庭地址信息1相同,因此,家庭地址信息1为保单标识信息1、保单标识信息2、保单标识信息3、保单标识信息4之间共同的关系节点。
S5:根据保单关系网络,分析团伙骗保风险。
在本发明实施例中,步骤S4构建的保单关系网络中体现了不同保单之间存在的关联性,当通过网络结构图展示该保单关系网络时,该关联性以及该关联性的复杂程度能够被更加直观地体现出来,通过分析该关联性进行团伙骗保风险的识别和预警。
例如,若网络结构图中包含的网络节点或者关系节点数量越大,或者该网络结构图中用于表示直接关系的边的数量越大,则该保单关系网络存在团伙骗保的风险越大;若网络结构图中只有一个网络节点,则可以确认该保单不存在团伙骗保风险。
在图1对应的实施例中,通过获取保单信息,得到保单标识信息和属性信息,根据属性信息确定待匹配参数,并针对每个待匹配参数,对保单数据中的保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,然后以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络,该保单关系网络中体现了不同保单之间存在的关联性,通过分析该关联性能够精准高效的进行团伙骗保风险的识别和预警,从而提高团伙骗保风险的识别率。
接下来,在图1对应的实施例的基础之上,在步骤S1提及的从保单数据库中获取每个保单的保单信息之前,若属性信息包括终端设备号,则还包括获取终端设备号并将该终端设备号填写到保单信息的处理过程,如图3所示,该保单分析方法还包括:
S6:若检测到用户在登录终端使用登录信息成功登录预设的保险应用或者预设的保险网站,则获取该登录终端的终端设备号。
在本发明实施例中,当检测到用户在登录终端对保险应用APP或者保险网站的登录操作时,若登录成功,则获取登录信息,并通过该保险应用APP或者该保险网站向该登录终端发送获取终端设备号的请求,并接收该登录终端返回的终端设备号。
S7:根据登录信息查询该登录信息对应的合法用户的保单信息。
具体地,根据登录信息在该保险应用APP或者该保险网站对应的用户信息数据库中查询到该登录信息对应的合法用户的保单标识信息,并根据该保单标识信息在保单数据库中查询该保单标识信息对应的保单信息。
需要说明的是,由于进行登录操作的用户可以使用自己的登录信息进行登录,或者使用其他合法用户的登录信息进行登录,因此,在本步骤中根据登录信息查询到的保单信息为该登录信息所对应的合法用户的保单信息。
S8:将登录终端的终端设备号填写到合法用户的保单信息中。
具体地,将步骤S6获取到的终端设备号填入到步骤S7查询到的保单信息中,从而完善保单数据库中的保单信息。
在图3对应的实施例中,若检测到用户在登录终端成功登录预设的保险应用或者预设的保险网站,则获取该登录终端的终端设备号,并将该终端设备号填写到合法用户的保单信息中,从而对保单信息进行完善,以便在建立保单关系网络时,可以将终端设备号作为待匹配参数,识别基于终端设备号的不同保单之间的之间关系,从而提高团伙保单信息的挖掘成功率,进而提高团伙骗保风险的识别率。
在图1对应的实施例的基础之上,在步骤S4提及的以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络之后,若保单关系网络以网络结构图的形式表示,在该网络结构图中,分别使用不同形状的图形表示网络节点和关系节点,并使用连接线将互相具有直接关系的网络节点与建立该直接关系的关系节点进行连接,则还可以通过网络节点的图形面积标识该网络节点的重要程度。
如图4所示,该保单分析方法还包括:
S91:在网络结构图中,计算连接线的总线数和每个网络节点的网络连接线数量。
在本发明实施例中,连接线的总线数即为该网路结构图中边的总数,网络连接线数量即为与该网络节点连接的边的数量。
以图2所示的由四个保单构成的保单关系网络的网络结构图为例,在该网络结构图中,保单标识信息1的网络连接线数量为5,保单标识信息2的网络连接线数量为4,保单标识信息3的网络连接线数量为3,保单标识信息4的网络连接线数量为5,该网络结构图中连接线的总线数为5+4+3+5=17。
S92:使用公式(1)计算每个网络节点在网络结构图中的显示面积:
其中,i为正整数,Si为第i个网络节点的网络连接线数量,S为连接线的总线数,M为预设的标准像素单位,Pi为第i个网络节点的显示面积。
具体地,标准像素单位为网络节点的标准大小。例如,标准像素单位可以设置为200,即表示网络节点的标准大小为200个像素点组成的图形,但并不限于此,标准像素单位具体可以根据实际应用的需要进行设置,此处不做限制。
需要说明的是,网络节点的显示图形通常设置为圆形,但也可以根据需要设置为其他形状的图形,此处不做限制。
为了更好的理解本发明实施例的技术方案,下面通过一个具体的保单关系网络的网络结构图举例进行说明。详述如下:
请参阅图5,图5示出了一个由四个保单构成的保单关系网络的网络结构图。其中,网络节点包括保单号1、保单号2、保单号3和保单号4,关系节点包括身份证号1、客户号1、客户号2、银行卡号1和家庭地址信息1,网络节点用圆形图形表示,关系节点用椭圆形图形表示。在该网络结构图中,连接线的总线数为11,保单号1的网络连接线数量5,保单号2的网络连接线数量为2,保单号3的网络连接线数量为1,保单号4的网络连接线数量为3。
假设标准像素单位为100,则按照公式(1)计算可得,保单号1的显示面积为100*5/11=45,保单号2的显示面积为100*2/11=18,保单号3的显示面积为100*1/11=9,保单号4的显示面积为100*3/11=27,即保单号1、保单号2、保单号3和保单号4在该网络结构图中的显示图形的大小分别为45个像素点、18个像素点、9个像素点和27个像素点组成的圆形。
可以理解的是,网络节点的关系越复杂,其网络连接线数量越大,在网络结构图中对应的显示面积就越大。通过显示面积可以直观反映网络节点在保单关系网络中的重要程度,使得相关工作人员可以直观了解到在保单关系网络中的重点保单,并能够有针对性的将重点保单作为重点关注对象进行分析。
在图4对应的实施例中,当通过网络结构图展示该保单关系网络时,该关联性以及该关联性的复杂程度能够被更加直观地体现出来,并且,根据网络节点的网络连接线数量在保单关系网络的连接线的总线数的占比,按照公式(1)计算该网络节点在网络结构图中的显示面积,可以直观反映网络节点在保单关系网络中的重要程度,使得相关工作人员可以直观掌握重点保单,并能够有针对性的将重点保单作为重点关注对象进行分析,从而提高团伙骗保风险中具体风险对象的识别效率。
在以上实施例的基础之上,下面通过一个具体的实施例来对步骤S5中所提及的根据保单关系网络,分析团伙骗保风险的具体实现方法进行详细说明。
请参阅图6,图6示出了本发明实施例提供的步骤S5的具体实现流程,详述如下:
S511:在保单关系网络中,计算网络节点的数量和关系节点的数量。
具体地,以图2所示的由四个保单构成的保单关系网络的网络结构图为例,其中,网络节点的数量为4,关系节点的数量为6。
S512:若网络节点的数量大于预设的第一数量阈值,或者关系节点的数量大于预设的第二数量阈值,则确认保单关系网络中的保单之间存在团伙骗保风险。
具体地,若步骤S511计算得到的网络节点的数量大于预设的第一数量阈值,或者步骤S511计算得到的关系节点的数量大于预设的第二数量阈值,则确认该保单关系网络中的保单之间存在团伙骗保风险。可以理解的是,当保单关系网络中的网络节点的数量和关系节点的数量越小,其团伙骗保的可能性越小,而当保单关系网络中的网络节点的数量或者关系节点的数量越大,其团伙骗保的可能性越大。
进一步地,在根据保单数据库中的保单信息最终构建出的若干个保单关系网络后,分别计算每个保单关系网络中的网络节点的数量和关系节点的数量,并将网络节点的数量大于预设的第一数量阈值,或者关系节点的数量大于预设的第二数量阈值的保单关系网络筛选出来,得到目标保单关系网络,可以理解的是,筛选出来的目标保单关系网络可以被确认为存在团伙骗保风险。
需要说明的是,预设的第一数量阈值和预设的第二数量阈值可以根据实际应用的需要进行设置,此处不做限制。
继续以图2所示的由四个保单构成的保单关系网络的网络结构图为例进行说明。在该网络结构图中,网络节点的数量为4,关系节点的数量为6,假设第一数量阈值设置为3,第二数量阈值设置为5,由于网络节点的数量大于第一数量阈值,并且关系节点的数量也大于第二数量阈值,则可以确认该网络结构图中的保单之间存在团伙骗保的风险。
在图6对应的实施例中,通过计算网络节点的数量和关系节点的数量,使用网络节点的数量和关系节点的数量分别与第一数量阈值和第二数量阈值进行比较,并根据比较结果判断团伙骗保的可能性,实现了快速准确地识别团伙骗保的风险,有效提高团伙骗保风险的识别率。
在图4对应的实施例的基础之上,下面通过另一个具体的实施例来对步骤S5中所提及的根据保单关系网络,分析团伙骗保风险的具体实现方法进行详细说明。
请参阅图7,图7示出了本发明实施例提供的步骤S5的另一具体实现流程,详述如下:
S521:在网络结构图中,计算每个关系节点的关系连接线数量。
在本发明实施例中,关系连接线数量即为与关系节点连接的边的数量。
继续以图2所示的由四个保单构成的保单关系网络的网络结构图为例,在该网络结构图中,身份证号1的关系连接线数量为2,身份证号2的关系连接线数量为3,家庭地址信息1的关系连接线数量为4,银行卡号1的关系连接线数量为2,客户号1的关系连接线数量为4,客户号2的关系连接线数量为2。
S522:针对每个网络节点,将该网络节点的网络连接线数量与连接线的总线数之间的商,作为该网络节点的第一复杂度。
具体地,根据在步骤S9计算得到连接线的总线数和每个网络节点的网络连接线数量,针对每个网络节点,计算网络连接线数量与连接线的总线数之间的商,作为该网络节点的第一复杂度。
继续以图2所示的由四个保单构成的保单关系网络的网络结构图为例,在该网络结构图中,保单标识信息1的网络连接线数量为5,保单标识信息2的网络连接线数量为4,保单标识信息3的网络连接线数量为3,保单标识信息4的网络连接线数量为5,该网络结构图中连接线的总线数为5+4+3+5=17,则保单标识信息1的第一复杂度为5/17=0.29,保单标识信息2的第一复杂度为4/17=0.24,保单标识信息3的第一复杂度为3/17=0.18,保单标识信息4的第一复杂度为5/17=0.29。
S523:针对每个关系节点,将该关系节点的关系连接线数量与连接线的总线数之间的商,作为该关系节点的第二复杂度。
具体地,根据在步骤S91计算得到连接线的总线数,以及在步骤S521计算得到的每个关系节点的关系连接线数量,针对每个关系节点,计算关系连接线数量与连接线的总线数之间的商,作为该关系节点的第二复杂度。
继续以图2所示的由四个保单构成的保单关系网络的网络结构图为例,在该网络结构图中,身份证号1的第二复杂度为2/17=0.12,身份证号2的第二复杂度为3/17=0.18,家庭地址信息1的第二复杂度为4/17=0.24,银行卡号1的第二复杂度为2/17=0.12,客户号1的第二复杂度为4/17=0.24。
S524:获取第一复杂度大于预设的第一复杂度阈值的网络节点的目标保单标识信息,以及第二复杂度大于预设的第二复杂度阈值的关系节点的目标参数值。
具体地,根据步骤S522计算得到的每个网络节点的第一复杂度和步骤S523计算得到的每个关系节点的第二复杂度,提取第一复杂度大于预设的第一复杂度阈值的目标网络节点,以及第二复杂度大于预设的第二复杂度阈值的目标关系节点,并将目标网络节点对应的保单标识信息作为目标保单标识信息,将目标关系节点对应的参数值作为目标参数值。
继续以图2所示的由四个保单构成的保单关系网络的网络结构图为例,在该网络结构图中,假设第一复杂度阈值设置为0.2,第二复杂度阈值设置为0.15,则按照本发明实施例的方法获取到的目标保单标识信息为保单标识信息1、保单标识信息2和保单标识信息4,以及目标参数值为身份证号2、家庭地址信息1和客户号1。
S525:输出目标保单标识信息对应的保单信息,以及目标参数值对应的直接关系,以便进行团伙骗保风险识别。
具体地,根据步骤S524得到的目标保单标识信息和目标参数值,在保单数据库中获取该目标保单标识信息对应的保单信息,以及获取该保单关系网络中目标参数值对应的直接关系,并输出获取到的该保单信息和该直接关系。
保单信息和直接关系的具体输出方式可以是通过邮件或者即时消息的方式发送给预设的相关工作人员,还可以是直接将保单信息和直接关系显示在显示终端上,但并不限于此,具体输出方式可以根据实际应用的需要进行设置,此处不做限制。
可以理解的是,该保单信息和直接关系涉及到的保单具有较高的团伙骗保风险。相关工作人员根据输出的保单信息和直接关系,进一步地对该保单信息和该直接关系涉及到的保单分析,分析可能存在的团伙骗保风险,从而提高团伙骗保风险的识别率。
在图7对应的实施例中,根据网络连接线数量、关系连接线数量和保单关系网络中国的连接线的总线数,分别计算网络节点和关系节点的复杂度,并根据复杂度判断具有较高团伙骗保风险的保单,输出对应的保单信息和直接关系,使得相关工作人员能够进一步有针对性的对保单进行分析,识别可能存在的团伙骗保风险,从而提高团伙骗保风险的识别率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例2
对应于实施例1中的保单分析方法,图8示出了与实施例1提供的保单分析方法一一对应的保单分析装置。为了便于说明,仅示出了与本发明实施例相关的部分。
请参阅图8,该保单分析装置包括:保单获取模块81、参数确定模块82、关系建立模块83、网络构建模块84和风险分析模块85。各功能模块详细说明如下:
保单获取模块81,用于从保单数据库中获取每个保单的保单信息,其中,保单信息包括保单标识信息和保单对象的属性信息,保单标识信息用于唯一标识保单;
参数确定模块82,用于根据保单对象的属性信息确定待匹配参数;
关系建立模块83,用于针对每个待匹配参数,对保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,参数值用于标识直接关系;
网络构建模块84,用于以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络;
风险分析模块85,用于根据保单关系网络,分析团伙骗保风险。
进一步地,保单对象的属性信息包括终端设备号,该保单分析装置还包括:
设备号获取模块86,用于若检测到用户在登录终端使用登录信息成功登录预设的保险应用或者预设的保险网站,则获取该登录终端的终端设备号;
保单查询模块87,用于根据登录信息查询该登录信息对应的合法用户的保单信息;
设备号写入模块88,用于将登录终端的终端设备号填写到合法用户的保单信息中。
进一步地,保单关系网络以网络结构图的形式表示,在该网络结构图中,分别使用不同形状的图形表示网络节点和关系节点,并使用连接线将互相具有直接关系的网络节点与建立该直接关系的关系节点进行连接,该保单分析装置还包括:
线数统计模块891,用于在网络结构图中,计算连接线的总线数和每个网络节点的网络连接线数量;
面积计算模块892,用于使用如下公式计算每个网络节点在网络结构图中的显示面积:
其中,i为正整数,Si为第i个网络节点的网络连接线数量,S为连接线的总线数,M为预设的标准像素单位,Pi为第i个网络节点的显示面积。
进一步地,风险分析模块85包括:
节点数量计算子模块851,用于在保单关系网络中,计算网络节点的数量和关系节点的数量;
第一分析子模块852,用于若网络节点的数量大于预设的第一数量阈值,或者关系节点的数量大于预设的第二数量阈值,则确认该保单关系网络中的保单之间存在团伙骗保风险。
进一步地,风险分析模块85还包括:
连接线计算子模块853,用于在网络结构图中,计算每个关系节点的关系连接线数量;
第一复杂度计算子模块854,用于针对每个网络节点,将该网络节点的网络连接线数量与连接线的总线数之间的商,作为该网络节点的第一复杂度;
第二复杂度计算子模块855,用于针对每个关系节点,将该关系节点的关系连接线数量与连接线的总线数的商,作为该关系节点的第二复杂度;
第二分析子模块856,用于获取第一复杂度大于预设的第一复杂度阈值的网络节点的目标保单标识信息,以及第二复杂度大于预设的第二复杂度阈值的关系节点的目标参数值;
输出子模块857,用于输出目标保单标识信息对应的保单的保单信息,以及目标参数值对应的直接关系,以便进行团伙骗保风险识别。
本实施例提供的一种保单分析装置中各模块实现各自功能的过程,具体可参考前述实施例1的描述,此处不再赘述。
实施例3
本实施例提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中保单分析方法,或者,该计算机程序被处理器执行时实现实施例2中保单分析装置中各模块的功能,为避免重复,这里不再赘述。
实施例4
图9是本发明一实施例提供的终端设备的示意图。如图9所示,该实施例的终端设备90包括:处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93,例如保单分析程序。处理器91执行计算机程序93时实现上述各个保单分析方法实施例中的步骤,例如图1所示的步骤S1至步骤S5。或者,处理器91执行计算机程序93时实现上述各装置实施例中各模块/子模块的功能,例如图8所示模块81至模块85的功能。
示例性的,计算机程序93可以被分割成一个或多个模块,一个或者多个模块被存储在存储器92中,并由处理器91执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序93在终端设备90中的执行过程。例如,计算机程序93可以被分割成保单获取模块、参数确定模块、关系建立模块、网络构建模块和风险分析模块。各功能模块详细说明如下:
保单获取模块,用于从保单数据库中获取每个保单的保单信息,其中,保单信息包括保单标识信息和保单对象的属性信息,保单标识信息用于唯一标识所述保单;
参数确定模块,用于根据保单对象的属性信息确定待匹配参数;
关系建立模块,用于针对每个待匹配参数,对保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,参数值用于标识直接关系;
网络构建模块,用于以保单标识信息为网络节点,以待匹配参数的参数值为关系节点,将互相具有直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络;
风险分析模块,用于根据保单关系网络,分析团伙骗保风险。
进一步地,保单对象的属性信息包括终端设备号,计算机程序93还可以被分割成:
设备号获取模块,用于若检测到用户在登录终端使用登录信息成功登录预设的保险应用或者预设的保险网站,则获取该登录终端的终端设备号;
保单查询模块,用于根据登录信息查询该登录信息对应的合法用户的保单信息;
设备号写入模块,用于将登录终端的终端设备号填写到合法用户的保单信息中。
进一步地,保单关系网络以网络结构图的形式表示,在该网络结构图中,分别使用不同形状的图形表示网络节点和关系节点,并使用连接线将互相具有直接关系的网络节点与建立该直接关系的关系节点进行连接,计算机程序93还可以被分割成:
线数统计模块,用于在网络结构图中,计算连接线的总线数和每个网络节点的网络连接线数量;
面积计算模块,用于使用如下公式计算每个网络节点在网络结构图中的显示面积:
其中,i为正整数,Si为第i个网络节点的网络连接线数量,S为连接线的总线数,M为预设的标准像素单位,Pi为第i个网络节点的显示面积。
进一步地,风险分析模块包括:
节点数量计算子模块,用于在保单关系网络中,计算网络节点的数量和关系节点的数量;
第一分析子模块,用于若网络节点的数量大于预设的第一数量阈值,或者关系节点的数量大于预设的第二数量阈值,则确认该保单关系网络中的保单之间存在团伙骗保风险。
进一步地,风险分析模块还包括:
连接线计算子模块,用于在网络结构图中,计算每个关系节点的关系连接线数量;
第一复杂度计算子模块,用于针对每个网络节点,将该网络节点的网络连接线数量与连接线的总线数之间的商,作为该网络节点的第一复杂度;
第二复杂度计算子模块,用于针对每个关系节点,将该关系节点的关系连接线数量与连接线的总线数的商,作为该关系节点的第二复杂度;
第二分析子模块,用于获取第一复杂度大于预设的第一复杂度阈值的网络节点的目标保单标识信息,以及第二复杂度大于预设的第二复杂度阈值的关系节点的目标参数值;
输出子模块,用于输出目标保单标识信息对应的保单的保单信息,以及目标参数值对应的直接关系,以便进行团伙骗保风险识别。
终端设备90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。该终端设备可包括,但不仅限于,处理器91、存储器92。本领域技术人员可以理解,图9仅仅是终端设备90的示例,并不构成对终端设备90的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备90还可以包括输入输出设备、网络接入设备、总线等。
处理器91可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器92可以是终端设备90的内部存储单元,例如终端设备90的硬盘或内存。存储器92也可以是终端设备90的外部存储设备,例如终端设备90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(Flash Card)等。进一步地,存储器92还可以既包括终端设备90的内部存储单元也包括外部存储设备。存储器92用于存储计算机程序以及终端设备所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
另外,在本发明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。
在上述集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种保单分析方法,其特征在于,包括:
从保单数据库中获取每个保单的保单信息,其中,所述保单信息包括保单标识信息和保单对象的属性信息,所述保单标识信息用于唯一标识所述保单;
根据所述属性信息确定待匹配参数;
针对每个所述待匹配参数,对所述保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,所述参数值用于标识所述直接关系;
以所述保单标识信息为网络节点,以所述待匹配参数的参数值为关系节点,将互相具有所述直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络;
根据所述保单关系网络,分析团伙骗保风险。
2.如权利要求1所述的保单分析方法,其特征在于,所述属性信息包括终端设备号,所述从保单数据库中获取每个保单的保单信息之前,所述保单分析方法还包括:
若检测到用户在登录终端使用登录信息成功登录预设的保险应用或者预设的保险网站,则获取所述登录终端的终端设备号;
根据所述登录信息查询该登录信息对应的合法用户的保单信息;
将所述登录终端的终端设备号填写到所述合法用户的保单信息中。
3.如权利要求1所述的保单分析方法,其特征在于,所述保单关系网络以网络结构图的形式表示,在所述网络结构图中,分别使用不同形状的图形表示所述网络节点和所述关系节点,并使用连接线将互相具有所述直接关系的网络节点与建立该直接关系的关系节点进行连接,所述以所述保单标识信息为网络节点,以所述待匹配参数的参数值为关系节点,将互相具有所述直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络之后,所述保单分析方法还包括:
在所述网络结构图中,计算所述连接线的总线数和每个所述网络节点的网络连接线数量;
使用如下公式计算每个所述网络节点在所述网络结构图中的显示面积:
其中,i为正整数,Si为第i个网络节点的网络连接线数量,S为所述连接线的总线数,M为预设的标准像素单位,Pi为第i个网络节点的显示面积。
4.如权利要求1至3任一项所述的保单分析方法,其特征在于,所述根据所述保单关系网络,分析团伙骗保风险包括:
在所述保单关系网络中,计算所述网络节点的数量和所述关系节点的数量;
若所述网络节点的数量大于预设的第一数量阈值,或者所述关系节点的数量大于预设的第二数量阈值,则确认所述保单关系网络中的保单之间存在团伙骗保风险。
5.如权利要求3所述的保单分析方法,其特征在于,所述根据所述保单关系网络,分析团伙骗保风险还包括:
在所述网络结构图中,计算每个所述关系节点的关系连接线数量;
针对每个所述网络节点,将该网络节点的网络连接线数量与所述连接线的总线数之间的商,作为该网络节点的第一复杂度;
针对每个所述关系节点,将该关系节点的关系连接线数量与所述连接线的总线数的商,作为该关系节点的第二复杂度;
获取所述第一复杂度大于预设的第一复杂度阈值的网络节点的目标保单标识信息,以及所述第二复杂度大于预设的第二复杂度阈值的关系节点的目标参数值;
输出所述目标保单标识信息对应的保单的保单信息,以及所述目标参数值对应的直接关系,以便进行团伙骗保风险识别。
6.一种保单分析装置,其特征在于,所述保单分析装置包括:
保单获取模块,用于从保单数据库中获取每个保单的保单信息,其中,所述保单信息包括保单标识信息和保单对象的属性信息,所述保单标识信息用于唯一标识所述保单;
参数确定模块,用于根据所述属性信息确定待匹配参数;
关系建立模块,用于针对每个所述待匹配参数,对所述保单进行遍历,在具有相同参数值的不同保单之间建立基于该待匹配参数的直接关系,所述参数值用于标识所述直接关系;
网络构建模块,用于以所述保单标识信息为网络节点,以所述待匹配参数的参数值为关系节点,将互相具有所述直接关系的网络节点与建立该直接关系的关系节点进行关联,构建保单关系网络;
风险分析模块,用于根据所述保单关系网络,分析团伙骗保风险。
7.如权利要求6所述的保单分析装置,其特征在于,所述属性信息包括终端设备号,所述保单分析装置还包括:
设备号获取模块,用于若检测到用户在登录终端使用登录信息成功登录预设的保险应用或者预设的保险网站,则获取所述登录终端的终端设备号;
保单查询模块,用于根据所述登录信息查询该登录信息对应的合法用户的保单信息;
设备号写入模块,用于将所述登录终端的终端设备号填写到所述合法用户的保单信息中。
8.如权利要求6所述的保单分析装置,其特征在于,所述保单关系网络以网络结构图的形式表示,在所述网络结构图中,分别使用不同形状的图形表示所述网络节点和所述关系节点,并使用连接线将互相具有所述直接关系的网络节点与建立该直接关系的关系节点进行连接,所述保单分析装置还包括:
线数统计模块,用于在所述网络结构图中,计算所述连接线的总线数和每个所述网络节点的网络连接线数量;
面积计算模块,用于使用如下公式计算每个所述网络节点在所述网络结构图中的显示面积;
其中,i为正整数,Si为第i个网络节点的网络连接线数量,S为所述连接线的总线数,M为预设的标准像素单位,Pi为第i个网络节点的显示面积。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述保单分析方法的步骤。
10.一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,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述保单分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031199.2A CN108257033A (zh) | 2018-01-12 | 2018-01-12 | 一种保单分析方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031199.2A CN108257033A (zh) | 2018-01-12 | 2018-01-12 | 一种保单分析方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108257033A true CN108257033A (zh) | 2018-07-06 |
Family
ID=62727216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031199.2A Pending CN108257033A (zh) | 2018-01-12 | 2018-01-12 | 一种保单分析方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257033A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985950A (zh) * | 2018-07-13 | 2018-12-11 | 平安科技(深圳)有限公司 | 电子装置、用户骗保风险预警方法及存储介质 |
CN109271418A (zh) * | 2018-08-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 可疑团伙识别方法、装置、设备及计算机可读存储介质 |
CN109766344A (zh) * | 2018-12-29 | 2019-05-17 | 重庆金链科技有限公司 | 一种保险产品信息存储方法及其数据库 |
CN109903079A (zh) * | 2019-01-21 | 2019-06-18 | 中国人民财产保险股份有限公司 | 信息处理方法、设备及存储介质 |
CN110557363A (zh) * | 2019-06-03 | 2019-12-10 | 北京城市网邻信息技术有限公司 | 一种身份校验方法、装置及存储介质 |
WO2020052168A1 (zh) * | 2018-09-10 | 2020-03-19 | 平安科技(深圳)有限公司 | 反欺诈模型的生成及应用方法、装置、设备及存储介质 |
CN112036642A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 基于人工智能的信息预测方法、装置、设备及介质 |
CN113656466A (zh) * | 2021-08-31 | 2021-11-16 | 中国平安财产保险股份有限公司 | 保单数据查询方法、装置、设备及存储介质 |
CN113779110A (zh) * | 2021-09-18 | 2021-12-10 | 中国平安人寿保险股份有限公司 | 家庭关系网络提取方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172257A1 (en) * | 2007-01-12 | 2008-07-17 | Bisker James H | Health Insurance Fraud Detection Using Social Network Analytics |
CN101324879A (zh) * | 2008-07-31 | 2008-12-17 | 崔高 | 一种实现人脉关系或人际关系共享的网站系统和方法 |
US8055519B1 (en) * | 2008-02-14 | 2011-11-08 | Prime Health Holdings, LLC | Self-sufficient healthcare coverage |
CN106034149A (zh) * | 2015-03-13 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 一种账户识别方法及装置 |
CN106850346A (zh) * | 2017-01-23 | 2017-06-13 | 北京京东金融科技控股有限公司 | 用于监控节点变化及辅助识别黑名单的方法、装置及电子设备 |
CN107230154A (zh) * | 2017-05-22 | 2017-10-03 | 中国平安人寿保险股份有限公司 | 具有团伙欺诈风险的寿险理赔案件的识别方法及装置 |
CN107403326A (zh) * | 2017-08-14 | 2017-11-28 | 云数信息科技(深圳)有限公司 | 一种基于电信数据的保险欺诈识别方法及装置 |
-
2018
- 2018-01-12 CN CN201810031199.2A patent/CN108257033A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172257A1 (en) * | 2007-01-12 | 2008-07-17 | Bisker James H | Health Insurance Fraud Detection Using Social Network Analytics |
US8055519B1 (en) * | 2008-02-14 | 2011-11-08 | Prime Health Holdings, LLC | Self-sufficient healthcare coverage |
CN101324879A (zh) * | 2008-07-31 | 2008-12-17 | 崔高 | 一种实现人脉关系或人际关系共享的网站系统和方法 |
CN106034149A (zh) * | 2015-03-13 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 一种账户识别方法及装置 |
CN106850346A (zh) * | 2017-01-23 | 2017-06-13 | 北京京东金融科技控股有限公司 | 用于监控节点变化及辅助识别黑名单的方法、装置及电子设备 |
CN107230154A (zh) * | 2017-05-22 | 2017-10-03 | 中国平安人寿保险股份有限公司 | 具有团伙欺诈风险的寿险理赔案件的识别方法及装置 |
CN107403326A (zh) * | 2017-08-14 | 2017-11-28 | 云数信息科技(深圳)有限公司 | 一种基于电信数据的保险欺诈识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
孙洁: "基于社会网络分析的欺诈侦察与防御", 《豆丁网:HTTPS://WWW.DOCIN.COM/P-1736061879.HTML》 * |
邓雄鹰: "大数据破案:让89次骗保理赔窝案现形", 《证券时报:HTTP://WWW.CHINA-INSURANCE.COM/NEWS-CENTER/NEWSLIST.ASP?ID=282011》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985950A (zh) * | 2018-07-13 | 2018-12-11 | 平安科技(深圳)有限公司 | 电子装置、用户骗保风险预警方法及存储介质 |
CN108985950B (zh) * | 2018-07-13 | 2023-04-18 | 平安科技(深圳)有限公司 | 电子装置、用户骗保风险预警方法及存储介质 |
CN109271418B (zh) * | 2018-08-14 | 2022-03-04 | 蚂蚁智安安全技术(上海)有限公司 | 可疑团伙识别方法、装置、设备及计算机可读存储介质 |
CN109271418A (zh) * | 2018-08-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 可疑团伙识别方法、装置、设备及计算机可读存储介质 |
WO2020052168A1 (zh) * | 2018-09-10 | 2020-03-19 | 平安科技(深圳)有限公司 | 反欺诈模型的生成及应用方法、装置、设备及存储介质 |
CN109766344A (zh) * | 2018-12-29 | 2019-05-17 | 重庆金链科技有限公司 | 一种保险产品信息存储方法及其数据库 |
CN109903079A (zh) * | 2019-01-21 | 2019-06-18 | 中国人民财产保险股份有限公司 | 信息处理方法、设备及存储介质 |
CN109903079B (zh) * | 2019-01-21 | 2021-07-06 | 中国人民财产保险股份有限公司 | 信息处理方法、设备及存储介质 |
CN110557363A (zh) * | 2019-06-03 | 2019-12-10 | 北京城市网邻信息技术有限公司 | 一种身份校验方法、装置及存储介质 |
CN112036642A (zh) * | 2020-08-31 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 基于人工智能的信息预测方法、装置、设备及介质 |
CN113656466A (zh) * | 2021-08-31 | 2021-11-16 | 中国平安财产保险股份有限公司 | 保单数据查询方法、装置、设备及存储介质 |
CN113656466B (zh) * | 2021-08-31 | 2023-06-06 | 中国平安财产保险股份有限公司 | 保单数据查询方法、装置、设备及存储介质 |
CN113779110A (zh) * | 2021-09-18 | 2021-12-10 | 中国平安人寿保险股份有限公司 | 家庭关系网络提取方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108257033A (zh) | 一种保单分析方法、装置、终端设备及存储介质 | |
CN109784934A (zh) | 一种交易风险控制方法、装置以及相关设备和介质 | |
CN108364233A (zh) | 一种保单风险评估方法、装置、终端设备及存储介质 | |
US20170140302A1 (en) | Predictive modeling and data analysis in a secure shared system | |
CN108460689A (zh) | 一种保单分析方法、装置、终端设备及存储介质 | |
CN108932614B (zh) | 一种支付通道路由方法及系统 | |
CN110335138A (zh) | 一种预测客群资质变化的风险预警方法、装置和电子设备 | |
CN110349013A (zh) | 风险控制方法及装置 | |
CN112037038A (zh) | 银行信贷风险预测方法及装置 | |
CN111666346A (zh) | 信息归并方法、交易查询方法、装置、计算机及存储介质 | |
CN109582550A (zh) | 一种获取全量业务场景故障集合的方法、装置及服务器 | |
CN110798709A (zh) | 视频处理方法和装置、存储介质及电子装置 | |
CN110348208A (zh) | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 | |
CN111861716A (zh) | 一种基于软件系统的贷中监控预警等级生成方法 | |
CN111612616A (zh) | 区块链账户评估方法、装置、终端设备及计算机可读介质 | |
CN112734418A (zh) | 一种基于区块链的股权资产购买和转赠系统 | |
CN109636627B (zh) | 基于区块链的保险产品管理方法、装置、介质及电子设备 | |
CN109919414A (zh) | P2p网络借贷平台风险分析方法、装置及存储介质 | |
CN110363394A (zh) | 一种基于云平台的风控服务方法、装置和电子设备 | |
CN113592529B (zh) | 债券产品的潜在客户推荐方法和装置 | |
JP2023007389A (ja) | ブロックチェーンに基づくサイト選択方法、装置、機器および記憶媒体 | |
CN115545088A (zh) | 模型构建方法、分类方法、装置和电子设备 | |
CN113379533A (zh) | 一种循环贷款提额方法、装置、设备及存储介质 | |
CN110349006A (zh) | 基于活跃度来度量交易风险的方法、装置和电子设备 | |
CN114880369A (zh) | 一种基于弱数据技术的风险授信方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |