CN108734591A - 欺诈案件的评估方法、装置、存储介质及终端 - Google Patents

Abstract

本发明适用于通信技术领域，提供了一种欺诈案件的评估方法，包括：基于待评估的欺诈案件构建欺诈数据挖掘模型；针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签；根据所述风险概率量化所述待评估的欺诈案件的风险等级；将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员。本发明实施例通过引入挖掘模型识别欺诈案件的风险和欺诈因素，用以辅助保险公司分配案件，实现了欺诈案件的按需分配，有利于更合适的理赔人员跟进，进而有效地降低了人力支出以及赔付成本。

Description

欺诈案件的评估方法、装置、存储介质及终端

技术领域

本发明属于通信技术领域，尤其涉及一种欺诈案件的评估方法、装置、存储介质及终端。

背景技术

在现有的理赔过程中，由于无法捕捉每个理赔案件的客户和业务员的行为全貌，保险公司无法将理赔案件分配给合适的理赔人员进行跟进，从而导致很多不必要的赔付支出，增加了赔付成本。

发明内容

本发明实施例提供了一种欺诈案件的评估方法、装置、存储介质及终端，以解决在理赔时无法将案件分配给合适的理赔人员跟进、赔付成本高的问题。

本发明实施例提供了一种欺诈案件的评估方法，所述评估方法包括：

基于待评估的欺诈案件构建欺诈数据挖掘模型；

针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签；

根据所述风险概率量化所述待评估的欺诈案件的风险等级；

将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员。

进一步地，所述基于待评估的欺诈案件构建欺诈数据挖掘模型包括：

获取预设的风险标签；

获取若干个待评估的欺诈案件，以所述待评估的欺诈案件作为分析对象，获取每一案件对应的风险标签的信息值；

根据所述风险标签的信息值训练预设的逻辑回归模型，得到欺诈数据挖掘模型。

进一步地，所述预设的风险标签包括以下中的一种或者其任意组合：

客户属性标签、业务员属性标签、案件属性标签、过往行为标签、价值标签。

进一步地，所述针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签包括：

针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述欺诈案件所涉及的风险标签及其权重信息；

根据所涉及的风险标签及其权重信息计算风险概率；以及

获取权重信息大于预设权重阈值的风险标签，作为所述待评估的欺诈案件的欺诈标签。

进一步地，所述根据所述风险概率量化所述待评估的欺诈案件的风险等级包括：

对所述待评估的欺诈案件的风险概率进行归一化处理，得到风险评分；

获取评分区间及其阈值信息，将所述风险评分与所述评分区间的阈值信息进行比对，以确定所述待评估的欺诈案件落入的评分区间；

根据所述评分区间获取所述待评估的欺诈案件对应的风险等级。

进一步地，所述评估方法还包括：

若所述待评估的欺诈案件的风险等级满足预设的低风险级别时，启动自动闪评流程。

本发明实施例还提供了一种欺诈案件的评估装置，所述评估装置包括：

模型构建模块，用于基于待评估的欺诈案件构建欺诈数据挖掘模型；

评估模块，用于针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签；

量化模块，用于根据所述风险概率量化所述待评估的欺诈案件的风险等级；

分配模块，用于将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员。

进一步地，所述模型构建模块包括：

标签获取单元，用于获取预设的风险标签；

信息值获取单元，用于获取若干个待评估的欺诈案件，以所述待评估的欺诈案件作为分析对象，获取每一案件对应的风险标签的信息值；

模型训练单元，用于根据所述风险标签的信息值训练预设的逻辑回归模型，得到欺诈数据挖掘模型。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序由处理器执行时实现如上所述的欺诈案件的评估方法所述的步骤。

本发明实施例还提供了一种终端，所述终端包括存储器、处理器及存储在存储器上并可在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如上所述的欺诈案件的评估方法所述的步骤。

本发明实施例通过对待评估的欺诈案件进行建模，构建欺诈数据挖掘模型；然后针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签；并根据所述风险概率量化所述待评估的欺诈案件的风险等级；最后将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员；从而通过引入挖掘模型识别欺诈案件的风险和欺诈因素，用以辅助保险公司分配案件，实现了欺诈案件的按需分配，有利于更合适的理赔人员跟进，进而有效地降低了人力支出以及赔付成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他附图。

图1是本发明实施例提供的欺诈案件的评估方法的第一实现流程图；

图2是本发明实施例提供的欺诈案件的评估方法的第二实现流程图；

图3是本发明实施例提供的欺诈案件的评估方法的第三实现流程图；

图4是本发明实施例提供的欺诈案件的评估方法的第四实现流程图；

图5是本发明实施例提供的欺诈案件的评估装置的组成结构图；

图6是本发明实施例提供的终端的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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仅用以解释本发明，并不用于限定本发明。

图1示出了本发明实施例提供的欺诈案件的评估方法的第一实现流程。本发明实施例提供的所述欺诈案件的评估方法应用于终端，包括但不限于计算机、服务器。

参阅图1，所述欺诈案件的评估方法包括：

在步骤S101中，基于待评估的欺诈案件构建欺诈数据挖掘模型。

在本发明实施例中，所述欺诈数据挖掘模型采用逻辑回归模型。其中，逻辑回归(logistic regression)模型是指通过研究自变量的多维影响因数与目标变量之间的关系，属概率型非线性回归。本发明实施例通过预设风险标签，然后对待评估的欺诈案件的所述风险标签等进行分析，并运用统计软件来计算出各风险标签对应的权重系数取值，从而构建出所述欺诈数据挖掘模型，用以计算所述待评估的欺诈案件的风险概率。

在步骤S102中，针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签。

在这里，所述待评估的欺诈案件为未处理的实际欺诈案件，需要对所述待评估的欺诈案件分配理赔人员进行跟进。所述欺诈标签是指该待评估的欺诈案件中存在风险的信息点。

在构建欺诈数据挖掘模型之后，本发明实施例将所述待评估的欺诈案件及其相关信息输入到所述欺诈数据挖掘模型中，以在所述欺诈数据挖掘模型中对输入的欺诈案件进行匹配，挖掘每一待评估的欺诈案件触犯的风险标签。所述欺诈数据挖掘模型根据所述待评估的欺诈案件匹配的风险标签来进行加权计分，从而得到所述待处理欺诈案件的风险概率；并根据风险标签的权重来确定哪些标签风险过大，得到欺诈标签。

在步骤S103中，根据所述风险概率量化所述待评估的欺诈案件的风险等级。

在这里，本发明实施例预先根据风险概率的覆盖范围划分若干个风险等级，即风险概率与风险等级之间的对应关系。在得到风险概率后，本发明实施例根据所述风险概率及对应关系确定所述待评估的欺诈案件的风险等级。

在步骤S104中，将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员。

在本发明实施例中，不同的风险等级对应一个或多个不同经验层次的理赔人员，风险等级越高，给予的人工投入越多。本发明实施例预先设置了不同的风险等级与理赔人员之间的对应关系。示例性地，可以将风险等级划分为高档风险、中档风险、低档风险，高档风险对应经验较高的专家级理赔人员、中档风险对应经验中等的中级理赔人员、低档风险对应经验较少的初级理赔人员。在通过步骤S103得到所述待评估的欺诈案件的风险等级之后，通过查询所述对应关系，得到最适于处理该待评估的欺诈案件的理赔人员，将所述待评估的欺诈案件分配至所述风险等级对应的至少一个理赔人员。比如高档风险的欺诈案件分配给专家级理赔人员，中档风险的欺诈案件分配给中级理赔人员，低档风险的欺诈案件分配给初级理赔人员，用以辅助保险公司分配案件，从而实现了欺诈案件的统筹兼顾和按需分配，在人力资源有限的情况下找到更合适的理赔人员跟进，有效地降低了人力支出以及赔付成本。

可选地，所述评估方法还可以包括：

若所述待评估的欺诈案件的风险等级满足预设的低风险级别时，启动自动闪评流程。

在这里，所述自动闪评流程为免人力的机器审核操作。通过指定低风险级别的处理方式为自动闪评，对于风险等级低于指定低风险等级的待评估的欺诈案件走自动闪评通道，从而进一步省去了理赔人员的审核赔付操作，大大地降低了人力成本，并且提高了理赔的时效性。

进一步地，基于图1提供的欺诈案件的评估方法的第一实现流程的基础上，提出本发明实施例提供的欺诈案件的评估方法的第二实现流程。

如图2所示，是本发明实施例提供的欺诈案件的评估方法的第二实现流程示意图。在本发明实施例中，步骤S101所述的基于待评估的欺诈案件构建欺诈数据挖掘模型包括：

在步骤S1011中，获取预设的风险标签。

在本发明实施例中，所述风险标签为对理赔欺诈有影响的标签项，主要从案件反映客户和业务员行为全貌的信息项中筛选出来，包括但不限于客户属性标签、业务员属性标签、案件属性标签、过往行为标签、价值标签，每一标签下可以包括一项或多项可用于判别理赔欺诈的指标。其中，以所述客户属性标签为例，表示客户的基本信息，包括但不限于已购买保单记录、已报案案件记录等指标。所述业务员属性标签表示业务员的基本信息，包括但不限于业绩信息、所服务的欺诈对象的信息、关联客户的欺诈行为记录、案件索赔记录、与代理人的关系、与客户的关系、发票信息、历史索赔平均数等指标。所述过往行为标签表示客户的历史行为、业务员的历史行为。所述价值标签表示客户对企业存在的价值信息，包括但不限于客户的年收入、学历信息、资产信息等指标。案件属性标签表示案件的类别，包括但不限于疾病死亡类、疾病医疗类、意外死亡类、意外医疗类、重大疾病类。

在步骤S1012中，获取若干个待评估的欺诈案件，以所述待评估的欺诈案件作为分析对象，获取每一案件对应的风险标签的信息值。

如前所述，所述待评估的欺诈案件为实际欺诈案件，包括历史已处理案件中发生欺诈行为的理赔案件。本发明实施例以实际欺诈案件为目标，针对每一案件获取上述风险标签的对应取值，若无对应取值时则记为默认值，从而得到每一案件对应的风险标签的信息值。

在步骤S1013中，根据所述风险标签的信息值训练预设的逻辑回归模型，得到欺诈数据挖掘模型。

然后基于所述待评估的欺诈案件中每一风险标签对应的信息值训练预设的逻辑回归模型，得到理赔案件欺诈数据挖掘模型。在这里，逻辑回归(logistic regression)模型是指通过研究自变量(待评估的欺诈案件)的多维影响因数与目标变量(风险程度)之间的关系，输出待评估的欺诈案件的风险概率。示例性地，以所述风险标签包括客户属性标签、业务员属性标签、案件属性标签、过往行为标签、价值标签为例，所述逻辑回归模型可以为：

g(x)＝β₀+β₁x₁+β₂x₂+β₃x₃+β₄x₄+β₅x₅

在上式中，P(Y＝1|x)表示逻辑回归模型的输出值，即待评估的欺诈案件的风险概率；β₀表示截距项；x₁表示客户属性标签，β₁表示客户属性标签x₁的权重系数；x₂表示业务员属性标签，β₂表示业务员属性标签x₂的权重系数；x₃表示案件属性标签，β₃表示案件属性标签x₃的权重系数；x₄表示过往行为标签，β₄表示过往行为标签x₄的权重系数；x₅表示价值标签，β₅表示价值标签x₅的权重系数。所述权重系数为正数时，表明对应标签与风险概率成正相关，所述权重系数为负数时，表明对应标签与风险概率成负相关。从上式可知，针对每一个待评估的欺诈案件，所述欺诈数据挖掘模型是根据该待评估的理赔案件所满足的标签及其权重信息计算风险概率。

本发明实施例通过训练逻辑回归模型构建欺诈数据挖掘模型，实现风险评分计算及欺诈数据挖掘，且提高了风险评分与欺诈数据挖掘的准确性。

进一步地，基于图1提供的欺诈案件的评估方法的第一实现流程的基础上，提出本发明实施例提供的欺诈案件的评估方法的第三实现流程。

如图3所示，是本发明实施例提供的欺诈案件的评估方法的第三实现流程示意图。在本发明实施例中，步骤S102所述的针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签包括：

在步骤S1021中，针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述欺诈案件所涉及的风险标签及其权重信息。

在本发明实施例中，所述欺诈数据挖掘模型是根据该待评估的理赔案件所满足的标签及其权重信息计算风险概率。因此，在对每一待评估的欺诈案件进行评估时，首先通过所述欺诈数据挖掘模型匹配所述待评估的欺诈案件所涉及的风险标签。以风险标签包括客户属性标签、业务员属性标签、案件属性标签、过往行为标签、价值标签为例，待评估的欺诈案件A可能只涉及到客户属性标签中的已购买保单记录一个指标，待评估的欺诈案件B可能涉及到客户属性标签中的已购买保单记录、业务员属性标签中的案件索赔记录两个指标。然后通过所述欺诈数据挖掘模型获取所匹配的风险标签对应的权重信息。

在步骤S1022中，根据所涉及的风险标签及其权重信息计算风险概率。

在得到该待评估的欺诈案件所涉及的风险标签及对应的权重信息之后，求取所涉及标签与权重信息之间的乘积，将所得乘积累加，得到所述待评估的欺诈案件的风险概率。

在步骤S1023中，获取权重信息大于预设权重阈值的风险标签，作为所述待评估的欺诈案件的欺诈标签。

进一步地，本发明实施例预先为每一风险标签设置了对应的权重阈值，所述权重阈值作为判断待评估的欺诈案件涉及的该风险标签是否为欺诈标签的判断标准，以抓取出所述待评估的欺诈案件可能存在欺诈的点。在基于所述欺诈数据挖掘模型获取所涉及的标签对应的权重信息之后，将每一风险标签的权重信息与对应的权重阈值进行比对。若所述权重信息大于所述权重阈值时，表明对应的风险标签对风险概率的贡献较高，该风险标签属于欺诈标签，从而实现了对待评估的欺诈案件的风险评估及预测，有利于辅助理赔人员完成理赔跟进。

进一步地，基于图1提供的欺诈案件的评估方法的第一实现流程的基础上，提出本发明实施例提供的欺诈案件的评估方法的第四实现流程。

如图4所示，是本发明实施例提供的欺诈案件的评估方法的第四实现流程示意图。在本发明实施例中，步骤S103所述的根据所述风险概率量化所述待评估的欺诈案件的风险等级包括：

在步骤S1031中，对所述待评估的欺诈案件的风险概率进行归一化处理，得到风险评分。

在得到风险概率后，本发明实施例首先对所述风险概率进行归一化处理，比如将所述风险评分映射到0至1范围内，或者映射到0至100范围内，以将所述风险概率量化为风险分值的表示方式，进一步提高数据处理的效率。

在步骤S1032中，获取评分区间及其阈值信息，将所述风险评分与所述评分区间的阈值信息进行比对，以确定所述待评估的欺诈案件落入的评分区间。

在这里，本发明实施例预先根据风险评分的覆盖范围划分若干评分区间。每一个评分区间对应一个风险等级，代表了落入该评分区间内的欺诈案件的优先级及建议分配的理赔人员。所述阈值信息为评分区间的边界值，包括上限阈值和下限阈值。

可选地，本发明实施例还可以根据数据增量定时调整所述评分区间的划分，以进一步提高风险等级划分的准确性。

然后将归一化处理后的风险评分与所述评分区间的阈值信息进行比对，若待评估的欺诈案件的风险评分大于具体评分区间的下限阈值且小于上限阈值，则确定所述待处理欺诈案件落入的评分区间。

在步骤S1033中，根据所述评分区间获取所述待评估的欺诈案件对应的风险等级。

在这里，所述风险等级是指风险的高低程度。本发明实施例预先设置了不同的评分区间与风险等级之间的对应关系。示例性地，以0至100的风险评分范围为例，根据实际业务需求，可以将风险评分划分为0-20、20-40、40-80、80-95、95以上等五个评分区间，分别表示低级风险、中低级风险、中级风险、中高级风险、高级风险共五个风险等级。在确定待评估的欺诈案件落入的评分区间之后，通过查询该对应关系，从而可以获知所述待评估的欺诈案件的风险等级，完成对待评估的欺诈案件的风险评估；通过将风险评分与理赔人员关联起来，用以辅助保险公司分配案件，将欺诈案件分配给合适的理赔人员跟进，有利于降低赔付成本。

应理解，在上述实施例中，各步骤的序号的大小并不意味着执行顺序的先后，各步骤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

图5示出了本发明实施例提供的欺诈案件的评估装置的组成结构图，为了便于说明，仅示出了与本发明实施例相关的部分。

在本发明实施例中，所述欺诈案件的评估装置用于实现上述图1、图2、图3、图4实施例中所述的欺诈案件的评估方法，可以是内置于终端的软件单元、硬件单元或者软硬件结合的单元。

参阅图5，所述欺诈案件的评估装置包括：

模型构建模块51，用于基于待评估的欺诈案件构建欺诈数据挖掘模型；

评估模块52，用于针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签；

量化模块53，用于根据所述风险概率量化所述待评估的欺诈案件的风险等级；

分配模块54，用于将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员。

可选地，所述模型构建模块51包括：

标签获取单元511，用于获取预设的风险标签；

信息值获取单元512，用于获取若干个待评估的欺诈案件，以所述待评估的欺诈案件作为分析对象，获取每一案件对应的风险标签的信息值；

模型训练单元513，用于根据所述风险标签的信息值训练预设的逻辑回归模型，得到欺诈数据挖掘模型。

可选地，所述预设的风险标签包括以下中的一种或者其任意组合：

客户属性标签、业务员属性标签、案件属性标签、过往行为标签、价值标签。

可选地，所述评估模块52包括：

第一获取单元521，用于针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述欺诈案件所涉及的风险标签及其权重信息；

计算单元522，用于根据所涉及的风险标签及其权重信息计算风险概率；以及

第二获取单元523，用于获取权重信息大于预设权重阈值的风险标签，作为所述待评估的欺诈案件的欺诈标签。

可选地，所述量化模块53包括：

归一化处理单元531，用于对所述待评估的欺诈案件的风险概率进行归一化处理，得到风险评分；

比对单元532，用于获取评分区间及其阈值信息，将所述风险评分与所述评分区间的阈值信息进行比对，以确定所述待评估的欺诈案件落入的评分区间；

等级获取单元533，用于根据所述评分区间获取所述待评估的欺诈案件对应的风险等级。

可选地，所述评估装置还包括：

闪评模块，用于若所述待评估的欺诈案件的风险等级满足预设的低风险级别时，启动自动闪评流程。

需要说明的是，本发明实施例中的各模块/单元可以用于实现上述方法实施例中的全部技术方案，其具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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中所述的欺诈案件的评估方法，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现实施例2中所述的欺诈案件的评估装置中各模块/单元的功能，为避免重复，这里不再赘述。

实施例4

图6是本发明实施例提供的一种终端的示意图，所述终端包括但不限于服务器、移动终端。如图6所示，该实施例的终端6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述欺诈案件的评估方法实施例中的步骤，例如图1所示的步骤S101至S104，图2实施例中所述的步骤S1011至S1013，图3实施例中所述的步骤S1021至S1023，图4实施例中所述的步骤S1031至S1033；或者，所述处理器60执行所述计算机程序62时实现上述欺诈案件的评估装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端6中的执行过程。例如，所述计算机程序62可以被分割成实施例2中所述的模型构建模块51、评估模块52、量化模块53、分配模块54，各模块具体功能请参见上述实施例的叙述。

所述终端6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。所述终端可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端6的示例，并不构成对终端6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，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60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)、现场可编程门阵列(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，所述处理器是所述终端的控制中心，利用各种接口和线路连接整个终端的各个部分。

所述存储器61可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart MediaCard，SMC)、安全数字卡(Secure Digital，SD)、闪存卡(Flash Card)，至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。

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。

所述集成的模块/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，所述的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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读存储介质可以包括：能够携带所述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，所述计算机可读存储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，计算机可读存储介质不包括是电载波信号和电信信号。

以上所述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)

1.一种欺诈案件的评估方法，其特征在于，所述评估方法包括：

基于待评估的欺诈案件构建欺诈数据挖掘模型；

针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签；

根据所述风险概率量化所述待评估的欺诈案件的风险等级；

将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员。

2.如权利要求1所述的欺诈案件的评估方法，其特征在于，所述基于待评估的欺诈案件构建欺诈数据挖掘模型包括：

获取预设的风险标签；

获取若干个待评估的欺诈案件，以所述待评估的欺诈案件作为分析对象，获取每一案件对应的风险标签的信息值；

根据所述风险标签的信息值训练预设的逻辑回归模型，得到欺诈数据挖掘模型。

3.如权利要求2所述的欺诈案件的评估方法，其特征在于，所述预设的风险标签包括以下中的一种或者其任意组合：

客户属性标签、业务员属性标签、案件属性标签、过往行为标签、价值标签。

4.如权利要求1至3任一项所述的欺诈案件的评估方法，其特征在于，所述针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签包括：

针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述欺诈案件所涉及的风险标签及其权重信息；

根据所涉及的风险标签及其权重信息计算风险概率；以及

获取权重信息大于预设权重阈值的风险标签，作为所述待评估的欺诈案件的欺诈标签。

5.如权利要求1至3任一项所述的欺诈案件的评估方法，其特征在于，所述根据所述风险概率量化所述待评估的欺诈案件的风险等级包括：

对所述待评估的欺诈案件的风险概率进行归一化处理，得到风险评分；

获取评分区间及其阈值信息，将所述风险评分与所述评分区间的阈值信息进行比对，以确定所述待评估的欺诈案件落入的评分区间；

根据所述评分区间获取所述待评估的欺诈案件对应的风险等级。

6.如权利要求1至3任一项所述的欺诈案件的评估方法，其特征在于，所述评估方法还包括：

若所述待评估的欺诈案件的风险等级满足预设的低风险级别时，启动自动闪评流程。

7.一种欺诈案件的评估装置，其特征在于，所述评估装置包括：

模型构建模块，用于基于待评估的欺诈案件构建欺诈数据挖掘模型；

评估模块，用于针对每一待评估的欺诈案件，基于所述欺诈数据挖掘模型获取所述待评估的欺诈案件的风险概率和欺诈标签；

量化模块，用于根据所述风险概率量化所述待评估的欺诈案件的风险等级；

分配模块，用于将所述待评估的欺诈案件和欺诈标签发送至所述风险等级对应的至少一个理赔人员。

8.如权利要求7所述的欺诈案件的评估装置，其特征在于，所述模型构建模块包括：

标签获取单元，用于获取预设的风险标签；

信息值获取单元，用于获取若干个待评估的欺诈案件，以所述待评估的欺诈案件作为分析对象，获取每一案件对应的风险标签的信息值；

模型训练单元，用于根据所述风险标签的信息值训练预设的逻辑回归模型，得到欺诈数据挖掘模型。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序由处理器执行时实现权利要求1至6任一项所述的欺诈案件的评估方法所述的步骤。

10.一种终端，所述终端包括存储器、处理器及存储在存储器上并可在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上述权利要求1至6任一项所述的欺诈案件的评估方法所述的步骤。