CN110223182A - 一种理赔风控方法、装置及计算机可读存储介质 - Google Patents
一种理赔风控方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110223182A CN110223182A CN201910356582.XA CN201910356582A CN110223182A CN 110223182 A CN110223182 A CN 110223182A CN 201910356582 A CN201910356582 A CN 201910356582A CN 110223182 A CN110223182 A CN 110223182A
- Authority
- CN
- China
- Prior art keywords
- resolution request
- resolution
- air control
- risk
- request
- 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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种理赔风控方法、装置及计算机可读存储介质,属于保险理赔领域,方法包括:在接收到理赔请求后,根据预设的风控规则判断理赔请求是否为正常请求;若理赔请求为正常请求,则从理赔请求携带的信息中提取若干特征;将若干特征输入预先训练得到的风控模型进行预测,以获取理赔请求的风险概率;至少基于理赔请求的风险概率,评估理赔请求的风险等级。本发明实施例能够提高对理赔案件的风险控制精确度,提高风控成本的可控性,有效地助力互联网保险公司降低损失,提高理赔效率。
Description
技术领域
本发明涉及保险理赔领域,特别涉及一种理赔风控方法、装置及计算机可读存储介质。
背景技术
随着互联网技术的不断发展,传统险企和互联网巨头纷纷布局互联网保险。互联网保险在用户投保时无需保险代理人参与,依靠用户提交的资料进行核保,在提升用户体验感的同时,保险公司也引入了较大风险,理赔风控是保险公司业务发展中必不可少的环节。
目前保险公司在处理保险理赔时面临的问题可达三十余种,比如:等待期出险、重复申请理赔、提交资料不全、科室为特需或者外宾以及保险欺诈等。大部分保险公司采用的方法多为风控规则结合人工评审的方式,这种理赔风控方法存在一定缺陷。首先,受限于保险产品、用户疾病、就诊医院、花费金额等因素多样性,组合起来的情况非常错综复杂,无论是人为审核还是规则定义都容易出现纰漏。其次,在判定金额异常、住院天数等异常情况时,传统的核赔方式在设定异常阈值上较为粗放,多来自于理赔人员的经验得到,不同的理赔人员因各自经验、核赔标准等不同,带有主观性。再者,风控规则结合人工评审的方式使保险理赔员工作效率较低,工作量大,影响保险服务的质量。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一,为此本发明提供了一种理赔风控方法、装置及计算机可读存储介质。
本发明实施例提供的具体技术方案如下:
第一方面,提供了一种理赔风控方法,所述方法包括:
在接收到理赔请求后,根据预设的风控规则判断所述理赔请求是否为正常请求;
若所述理赔请求为正常请求,则从所述理赔请求携带的信息中提取若干特征;
将所述若干特征输入预先训练得到的风控模型进行预测,以获取所述理赔请求的风险概率;
至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级。
在一个示例中,根据预设的风控规则判断所述理赔请求是否为正常请求步骤之前,所述方法还包括:
对所述理赔请求携带的信息进行预检测;
若预检测的结果为通过,则根据预设的风控规则判断所述理赔请求是否为正常请求;
若预检测的结果为不通过,则对所述理赔请求进行拦截。
在一个示例中,所述理赔请求携带的信息包含多个图像,所述对所述理赔请求携带的信息进行预检测包括:
从所述多个图像中识别出票据图像,对所述票据图像进行重复性检测;以及
对所述多个图像进行异常图像检测,所述异常图像检测至少包括检测图像清晰度是否符合预设阈值、检测图像类别是否属于预设图像类别。
在一个示例中,所述风控模型的数量为多个,多个所述风控模型均不同,所述将所述若干特征输入预先训练得到的风控模型进行预测,以获取所述理赔请求的风险概率,包括:
将所述若干特征分别作为多个所述风控模型的输入参数,得到多个风险概率;
对所述多个风险概率进行融合,并将融合得到的评分作为所述理赔请求的风险概率。
在一个示例中,所述对所述多个风险概率进行融合,包括:
基于预先分配给各个所述风控模型的权重,对所述多个风险概率进行加权求和,其中,各个所述风控模型的权重之和为1。
在一个示例中,所述风控模型通过如下过程得到:
将脱敏后的历史保单信息以及历史理赔信息拼接形成宽表,并对所述宽表进行数据预处理;
基于特征相关性,从预处理后的所述宽表中选取多个维度特征;
利用选取的所述多个维度特征训练预先构建的机器学习模型,得到所述风控模型。
在一个示例中,所述至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级步骤之前,所述方法还包括:
采用第一判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第一预设公式计算所述理赔请求的第一风险评分;和/或
采用第二判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第二预设公式计算所述理赔请求的第二风险评分;
所述至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级包括:
基于所述第一风险评分和/或所述第二风险评分、以及所述理赔请求的风险概率,评估所述理赔请求的风险等级。
在一个示例中,所述若干特征中包括疾病信息以及治疗方式信息,所述采用第一判断策略判断所述若干特征中是否包含异常特征,包括:
根据预先建立的疾病与治疗方式的映射表,判断所述疾病信息与所述治疗方式信息是否具有映射关系;
若具有,则判定所述若干特征中未包含异常特征;
若不具有,则判定所述若干特征中包含异常特征。
在一个示例中,所述第一预设公式为:
R1=o*α;
其中,R1为治疗方式异常的风险评分,o为异常特征的个数,α为可调系数,1≤α≤5。
在一个示例中,所述若干特征中包括用户维度特征和/或疾病维度特征,所述采用第二判断策略判断所述若干特征中是否包含异常特征,包括:
针对所述若干特征中的每一个特征,确定所述特征的特征值,并将所述特征的特征值与对应的特征参考值进行比较;
若比较的结果均为通过,则判定所述若干特征中未包含异常特征,否则,判定所述若干特征中包含异常特征。
在一个示例中,所述第二预设公式为:
其中,R2为第二风险评分,k为异常特征的个数,R2i为各个异常特征的特征值,S2i为各个异常特征对应的特征参考值,β为可调系数,1≤β≤5。
第二方面,提供了一种理赔风控装置,所述装置包括:
规则判断模块,用于在接收到理赔请求后,根据预设的风控规则判断所述理赔请求是否为正常请求;
特征提取模块,用于若所述理赔请求为正常请求,则从所述理赔请求携带的信息中提取若干特征;
评分预测模块,用于将所述若干特征输入预先训练得到的风控模型进行预测,以获取所述理赔请求的风险概率;
等级评估模块,用于至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级。
在一个示例中,装置还包括预检测模块和拦截模块,其中:
所述预检测模块,用于对所述理赔请求携带的信息进行预检测;
所述规则判断模块,用于若预检测的结果为通过,则根据预设的风控规则判断所述理赔请求是否为正常请求;
所述拦截模块,用于若预检测的结果为不通过,则对所述理赔请求进行拦截。
在一个示例中,所述理赔请求携带的信息包含多个图像,所述预检测模块包括:
第一预检测单元,用于从所述多个图像中识别出票据图像,对所述票据图像进行重复性检测;以及
第二预检测单元,用于对所述多个图像进行异常图像检测,所述异常图像检测至少包括检测图像清晰度是否符合预设阈值、检测图像类别是否属于预设图像类别。
在一个示例中,所述风控模型的数量为多个,多个所述风控模型均不同,所述评分预测模块包括:
评分预测单元,用于将所述若干特征分别作为多个所述风控模型的输入参数,得到多个风险概率;
评分融合单元,用于对所述多个风险概率进行融合,并将融合得到的评分作为所述理赔请求的风险概率。
在一个示例中,所述评分融合单元具体用于:
基于预先分配给各个所述风控模型的权重,对所述多个风险概率进行加权求和,其中,各个所述风控模型的权重之和为1。
在一个示例中,所述装置还包括模型训练模块,所述模型训练模块具体用于:
从若干理赔请求样本携带的信息中分别提取样本特征信息,其中,所述若干理赔请求样本均被标记有基于对应的理赔结果生成的样本标签;
基于所述样本特征信息征和对应的样本标签,训练预先构建的机器学习模型,得到所述风控模型。
在一个示例中,所述装置还包括风控模型训练模块,所述风控模型训练模块具体用于:
将脱敏后的历史保单信息以及历史理赔信息拼接形成宽表,并对所述宽表进行数据预处理;
基于特征相关性,从预处理后的所述宽表中选取多个维度特征;
利用选取的所述多个维度特征训练预先构建的机器学习模型,得到所述风控模型。
在一个示例中,所述装置还包括:
第一评分模块,用于采用第一判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第一预设公式计算所述理赔请求的第一风险评分;
第二评分模块,用于采用第二判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第二预设公式计算所述理赔请求的第二风险评分;
所述等级评估模块,还用于基于所述第一风险评分和/或所述第二风险评分、以及所述理赔请求的风险概率,评估所述理赔请求的风险等级。
在一个示例中,所述若干特征中包括疾病信息以及治疗方式信息,所述第一评分模块具体用于:
根据预先建立的疾病与治疗方式的映射表,判断所述疾病信息与所述治疗方式信息是否具有映射关系;
若具有,则判定所述若干特征中未包含异常特征;
若不具有,则判定所述若干特征中包含异常特征。
在一个示例中,所述第一预设公式为:
R1=o*α;
其中,R1为治疗方式异常的风险评分,o为异常特征的个数,α为可调系数,1≤α≤5。
在一个示例中,所述若干特征中包括用户维度特征和/或疾病维度特征,所述第二评分模块具体用于:
针对所述若干特征中的每一个特征,确定所述特征的特征值,并将所述特征的特征值与对应的特征参考值进行比较;
若比较的结果均为通过,则判定所述若干特征中未包含异常特征,否则,判定所述若干特征中包含异常特征。
在一个示例中,所述第二预设公式为:
其中,R2为第二风险评分,k为异常特征的个数,R2i为各个异常特征的特征值,S2i为各个异常特征对应的特征参考值,β为可调系数,1≤β≤5。
第三方面,提供了一种理赔风控装置,包括:
一个或者多个处理器;
存储器;
所述存储在所述存储器中的程序,当被所述一个或者多个处理器执行时,所述程序使所述处理器执行如第一方面任意一项所述的方法的步骤。
第四方面,提供了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程序,当所述程序被处理器执行时,使得所述处理器执行如第一方面任意一项所述的方法的步骤。
本发明实施例提供的技术方案带来的有益效果是:
1、通过根据预设的风控规则判断理赔请求是否为正常请求,能够有效地提高风险控制的时效性;
2、通过在理赔请求为正常请求时,从理赔请求携带的信息中提取若干特征,并将若干特征输入预先训练得到的风控模型进行预测,以获取理赔请求的风险概率,由此能够提高对理赔案件的风险控制精确度,提高风控成本的可控性;
3、通过至少基于理赔请求的风险概率,评估理赔请求的风险等级,由此使得保险理赔员可以根据理赔请求的风险等级来对理赔案件进行核保,从而有效地助力互联网保险公司降低损失、提高理赔效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的附图。
图1示出了本明实施例提供的方法的应用场景示意图;
图2示出了本发明实施例提供的一种理赔风控方法的流程图;
图3示出了图2中的步骤S23的流程图;
图4示出了本发明实施例提供的一种理赔风控方法的流程图;
图5示出了图4中的步骤S41的流程图;
图6示出了本发明实施例提供的一种理赔风控装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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,所描述的实施例仅仅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做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。
应当理解,在本发明的描述中,除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
还应当理解,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参照图1所示,图1示出了本明实施例提供的方法的应用场景示意图,其中,终端102通过网络与服务器104进行通信,服务器104接收终端102发送的理赔请求,并基于理赔请求携带的信息执行理赔风控方法。该理赔风控方法适用于保险理赔案件,保险理赔案件可以是车辆保险、医疗保险以及财产保险等案件。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
请参照图2所示,图2示出了本发明实施例提供的一种理赔风控方法的流程图,该方法以应用于图1中的服务器为例进行说明,该方法可以包括以下步骤:
S21、在接收到理赔请求后,根据预设的风控规则判断理赔请求是否为正常请求。
本实施例中,理赔请求所请求的保险理赔案件以医疗保险为例说明。
服务器在接收到终端提交的理赔请求时,同时获取理赔请求携带的信息,该信息具体可以是终端上传的身份图像、票据图像、病史病历图像等,并识别身份图像、票据图像、病史病历图像中的特征信息(如,用户性别、年龄、疾病信息、药品信息、诊疗信息、材料信息,票据账单信息等)。用户可以通过拍照、选择本地图像、扫描图像的方式进行上传图像。
具体地,服务器接到理赔请求后,可以从数据库获取提起该理赔请求的用户的保单数据,根据预设的风控规则,判断理赔请求携带的信息是否满足该保单数据,若满足,则确定理赔请求为正常请求,则执行后续步骤,若不满足,则确定理赔请求为异常请求,对理赔请求进行拦截。
其中,服务器可以基于历史保险数据中的拒赔原因生成风控规则。这里,拒赔原因可以包括但不限于等待期拒赔、非指定医院就诊拒赔、已达年度保额拒赔、特需、外宾等拒赔。
针对等待期拒赔,获取理赔请求对应的保险数据,根据保险数据,判断用户保单生效日以及出险时间是否在等待期内,以确定理赔请求是否为正常请求,若在等待期内,则确定理赔请求为正常请求,若在等待期外,则确定理赔请求为异常请求。
针对非指定医院就诊拒赔,获取理赔请求对应的保险数据中的指定医院条件,判断理赔请求是否满足指定医院条件,若满足,则确定理赔请求为正常请求,否则,确定理赔请求为异常请求。
针对已达年度保额拒赔,获取理赔请求对应的保险数据中用户剩余的保额,若保额的值大于0,则确定理赔请求为正常请求,若保额的值等于0,则确定理赔请求为异常请求。
针对特需、外宾等拒赔,获取理赔请求对应的保险数据中的指定就诊科室条件,判断理赔请求是否满足指定就诊科室条件,若满足,则确定理赔请求为正常请求,否则,确定理赔请求为异常请求。
本实施例中,通过根据预设的风控规则判断理赔请求是否为正常请求,在理赔请求为异常请求,对理赔请求进行拦截,能够有效地提高风险控制的时效性。
S22、当理赔请求为正常请求时,从理赔请求携带的信息中提取若干特征。
其中,若干特征包括以下中的一个或多个:疾病信息、药品信息、诊疗信息、材料信息,账单信息、用户性别、年龄等。
具体地,对理赔请求携带的信息包含的各个图像分别通过图像文字识别方法,提取到多个特征。本发明实施例对具体的提取过程不作具体限定。
S23、将若干特征输入预先训练得到的风控模型进行预测,以获取理赔请求的风险概率。
具体地,风控模型是预先通过神经网络方法预先建立并存储在服务器中的。服务器在从理赔请求携带的信息中提取若干特征后,将若干特征作为风控模型的输入参数输入到风控模型中进行处理,得到对应的风险概率。其中,风控模型输出的风险概率的范围为0~1,风险概率大于0.5时为风险案件,且评分值越靠近1风险越大。
在一个示例中,风控模型的数量为多个,多个风控模型均不同,如图3所示,步骤S23的实现过程可以包括:
S231、将若干特征分别作为多个风控模型的输入参数,得到多个风险概率。
其中,该多个风控模型可以是通过调整不同的模型参数以及选择多个不同的机器学习模型训练得到的。该多个机器学习模型可以采用Xgboost、Randomforest、GBDT等模型。
S232、对多个风险概率进行融合,并将融合得到的评分作为理赔请求的风险概率。
其中,对多个风险概率进行融合,该过程可以包括:
基于预先分配给各个风控模型的权重,对多个风险概率进行加权求和,其中,各个风控模型的权重之和为1。
具体地,使用公式P=α1·P1+α2·P2+α3·P3+…+αn·Pm,对多个风险概率进行加权求和,其中,P为融合得到的风险概率,α1,α2…αn为n个风控模型的权重,P1,P2…Pn为n个风控模型输出的风险概率。
本实施例中,通过在理赔风控过程中使用多个风控模型预测得到多个风险概率,并对多个风险概率进行融合,将融合得到的评分作为理赔请求的风险概率,由此能够使得后续理赔结果评估更具有客观性、准确性。
在一个示例中,风控模型通过如下过程得到:
a、将脱敏后的历史保单信息以及历史理赔信息拼接形成宽表,并对宽表进行数据预处理。
其中,脱敏后的历史保单信息以及历史理赔信息至少包括投保类型、投保金额、疾病名称、账单金额、治疗方式、出险时间等、是否赔付等数据。
具体地,对疾病名称、账单金额、治疗方式、出险时间、是否赔付等数据进行拼接形成一张宽表,并对宽表中的数据进行预处理,包括数据清洗转换、异常值剔除和离散数据编码。通过数据清洗转换,可以使各个维度的数据格式统一。例如,对于日期:2018.2.3、2018年2月3日、2018-2-3等不同格式的日期进行统一到同一种记录格式。
b、基于特征相关性,从预处理后的宽表中选取多个维度特征。
本实施例中,对于数据预处理后的宽表,可以结合业务知识从该宽表中初步筛选出多个维度特征,该多个维度特征可以包括账单金额、疾病名称、出险时间等。对初步筛选出的多个维度特征进行相关强弱度分析,进一步筛选得到多个取维度特征。
其中,对初步筛选出的多个维度特征进行相关强弱度分析,进一步筛选得到多个取维度特征,可以包括:
使用皮尔森相关系数法计算各维度特征之间的相关性大小,对各维度特征之间的相关性大小的绝对值进行排序,将特征相关性大小的绝对值大于预设阈值的维度特征删除其中一个。其中,特征相关系数γ的计算公式为:
其中,X、Y为任意两个特征向量,xi、yi为特征X、Y第i个训练数据点,n为样本个数,为特征X的特征均值,为特征Y的特征均值,γ为任意两个特征X、Y之间的相关性大小,δx、δy分别是xi、yi样本方差。γ的取值范围在-1到1之间,若γ>0,表明两个特征是正相关,若γ<0,表明两个维度特征是负相关,γ的绝对值越大表明相关性越强。
c、利用选取的多个维度特征训练预先构建的机器学习模型,得到风控模型。
本实施例中,预先构建的机器学习模型包括输入层、第一隐藏层、第二隐藏层和输出层,其中:
输入层包含M个神经元,与特征信息的数量保持一致;
第一隐藏层包含C1个神经元与输入层进行全连接,BN(Batch Normalize)批归一化层,激活函数可以采用线性整流函数(Rectified Linear Unit,ReLU),并将Dropout的参数设置为0.5;
第二隐藏层包含C2个神经元,与第一隐藏层进行全联接,激活函数采用线性整流函数(Rectified Linear Unit,ReLU);
输出层包含一个神经元,采用Sigmoid激活函数,输出0~1的风险概率。
风险概率大于0.5时为风险案件,且风险概率越靠近1风险越大。
其中,可以使用线性回归、随机森林、决策树、xgboost等方法预先构建机器学习模型,本发明对此不加以限定。
使用选取的多个维度特征训练及其学习模块得到风控模型,并将风控模型进行离线存储,以供后续调用。
本实施例中,将从理赔请求携带的信息中提取的若干特征输入预先训练得到的风控模型进行预测,以获取理赔请求的风险概率,由此提高了理赔风控的精确度,提高了风控成本的可控性。
S24、至少基于理赔请求的风险概率,评估理赔请求的风险等级。
具体地,该过程可以包括:
根据理赔请求的风险概率,采用计算公式计算理赔请求的风险评分,P为理赔请求的风险概率,R0为理赔请求的风险评分;
在多个阈值范围中,确定风险评分所属的阈值范围,并根据阈值范围与风险等级的对应关系,确定理赔请求对应的风险等级。其中,每个阈值范围对应一个风险等级。
示例性地,多个阈值范围包括:低于120、介于120与160之间、高于160,高于160对应高风险案件,低于120对应低风险案件,介于120与160之间则对应中风险。假如,理赔请求的风险评分R0高于160,则评估为高风险案件,人工复核时应当重点审核;理赔请求的风险评分R0低于120,此评估为低风险案件,人工复核时对关键信息进行核查。通过风险评分,可以对于案件分类处理,将注意力着重放置在风险更高的案件。若人工复核结果为正常请求,则按正常案件对该理赔请求进行核保,若人工复核结果为异常请求,则对该理赔请求作为问题案件进行拦截。
本发明实施例提供一种理赔风控方法,该方法通过根据预设的风控规则判断理赔请求是否为正常请求,能够有效地提高理赔风险的控制能力;通过在理赔请求为正常请求时,从理赔请求携带的信息中提取若干特征,并将若干特征输入预先训练得到的风控模型进行预测,以获取理赔请求的风险概率,由此提高了对理赔案件的风险控制精确度,提高了风控成本的可控性;通过至少基于理赔请求的风险概率,评估理赔请求的风险等级,由此使得保险理赔员根据理赔请求的风险等级来对理赔案件进行核保,有效地助力互联网保险公司降低损失、提高理赔效率。
请参照图4所示,图4示出了本发明实施例提供的一种理赔风控方法的流程图,以该方法应用于图1中的服务器为例进行说明,请参照图4所示,该方法可以包括以下步骤:
S41、在接收到理赔请求后,对理赔请求携带的信息进行预检测。
本实施例中,理赔请求所请求的保险理赔案件以医疗保险为例说明。
服务器在接收到终端提交的理赔请求时,同时获取理赔请求携带的信息,该信息具体可以是终端上传的身份图像、票据图像、病史病历图像等,并识别身份图像、票据图像、病史病历图像中的特征信息(如,用户性别、年龄、疾病信息、药品信息、诊疗信息、材料信息,票据账单信息等)。用户可以通过拍照、选择本地图像、扫描图像的方式进行上传图像。
在一个示例中,如图5所示,步骤S41的实现过程可以包括:
S411、从多个图像中识别出票据图像,对票据图像进行重复性检测。
具体地,服务器可以通过各种图像识别技术对各个图像进行识别,例如通过光学字符识别技术从多个图像中识别出票据图像,将识别出的票据图像与数据库记录的图像进行匹配,其中,数据库记录的图像包含已经理赔的票据图像,判断数据库中是否存在与该票据图像相同或相似的图像,若不存在,则确定重复性检测的结果为通过,若存在,则确定该票据图像为已经理赔的票据图像,并确定重复性检测的结果为不通过。
由于在处理用户理赔过程中,会存在许多操作性的问题,比如重复提交同一单据,本实施例通过从多个图像中识别出票据图像,对票据图像进行重复性检测,可以自动判断用户提交的票据图像是否为已经理赔的票据图像,从而可以有效地识别出欺诈行为,并可以大幅度降低人工审核成本。
S412、对多个图像进行异常图像检测,异常图像检测至少包括检测图像清晰度是否符合预设阈值、检测图像类别是否属于预设图像类别。
其中,检测图像清晰度是否符合预设阈值,该过程可以包括:
基于深度学习的图像分类方法对各个图像进行清晰度分类,得到各个图像的清晰度分类结果,根据清晰度分类结果,判断多个图像的图像清晰度是否符合阈值,若符合,则确定图像清晰度检测的结果为通过,若不符合,则确定图像清晰度检测的结果为不通过。
此外,检测图像清晰度是否符合预设阈值,该过程还可以包括:
计算各个图像的图像清晰度,判断各个图像的图像清晰度是否符合预设阈值,若符合,则确定图像清晰度检测的结果为通过,若不符合,则确定图像清晰度检测的结果为不通过。
其中,计算图像的图像清晰度的过程可以包括:
先对图像进行灰度化处理,得到灰度图像,然后利用梯度函数(例如Brenner、Tenengrad梯度函数),计算得到图像的图像清晰度。
其中,检测图像类别是否属于预设图像类别,该过程可以包括:
基于深度学习的图像分类方法对各个图像进行图像分类,得到各个图像的图像分类结果,根据图像分类结果,判断多个图像的图像类型是否属于预设图像类别,若属于,则确定图像类别检测的结果为通过,若不属于,则确定图像类别检测的结果为不通过。
值得注意的是,本发明实施例步骤S411与步骤S412的执行顺序不作具体限定,以同时执行步骤S411与步骤S412作为优选方案,以提高理赔风控的效率。
需要说明的是,本实施例中,只有当重复性检测的结果和异常图像检测的结果均为通过时,预检测的结果为通过,则执行后续的步骤S42,否则,预检测的结果为不通过;而当预检测的结果为不通过时,对理赔请求进行拦截。
由于在处理用户理赔过程中,会存在许多操作性的问题,比如提交的理赔材料不齐全或不清晰,本实施例通过对理赔请求携带的信息包含的多个图像进行异常图像检测,自动判断用户提交的多个图像是否存在不齐全或不清晰的情况,从而能够避免人工在处理操作性的问题时花费较多时间,大幅度降低了人工理赔审核成本,进而可以进一步风险控制的时效性。
S42、若预检测的结果为通过,则根据预设的风控规则判断理赔请求是否为正常请求。
具体地,该步骤S42可以参照上述步骤S21的描述,在此不予赘述。
S43、当理赔请求为正常请求时,从理赔请求携带的信息中提取若干特征。
具体地,该步骤S43可以参照上述步骤S22的描述,在此不予赘述。
S44、采用第一判断策略判断若干特征中是否包含异常特征,若包含,则根据第一预设公式计算理赔请求的第一风险评分。
由于传统的理赔风控中,对于疾病以及用于治疗该疾病的药品、诊疗、材料之间的合理性判断往往依赖于理赔员的经验,尽管部分的风控规则也加入了合理性的判断,但是因疾病、药品、诊疗、材料的种类繁多,比如药品包括注射剂、注射液、咀嚼片、滴剂等数十种类别,材料包括探针、金属探子、取石匙、推结器等数十种类别,诊疗包括普通门诊中医辨证论治、急症中医辨证论治等多种类别,很难通过人工经验建立起完善的关系,使得理赔风险的控制能力较低。
因此为了进一步提高理赔风险的控制能力,可以通过挖掘疾病与药品、诊疗、材料之间的关系,建立用于理赔风控的建立疾病与治疗方式的映射关系。
在一个示例中,建立疾病与治疗方式的映射关系,可以包括:
将疾病对应的药品、诊疗、材料形成三张关系表,每张表中,疾病与药、诊、材的关系为1:N;聚合疾病与药品、诊疗、材料的信息,并且统计药品、诊疗、材料各自的出现次数,并按照出现次数由高到低排序;选择与疾病相关的出现次数排序前K的药品、诊疗、材料作为常用治疗方式,其中,K为松紧度阈值,可以根据实际理赔情况进行调整。
以疾病与药品为例,形成如下形式:
[
{疾病名称1:[{药品1:次数},{药品2:次数}…{药品n:次数}]},
{疾病名称2:[{药品1:次数},{药品2:次数}…{药品n:次数}]},
……
{疾病名称n:[{药品1:次数},{药品2:次数}…{药品n:次数}]}
]
在一个示例中,若干特征中包括疾病信息以及治疗方式信息,采用第一判断策略判断若干特征中是否包含异常特征,该过程可以包括:
根据预先建立的疾病与治疗方式的映射表,判断疾病信息与治疗方式信息是否具有映射关系,若具有,则判定若干特征中未包含异常特征,若不具有,则判定若干特征中包含异常特征。
其中,治疗方式信息包括药品信息、诊疗信息、材料信息。如果用户治疗疾病采用的治疗方式没有在该疾病的常用治疗方式内,则在药品信息、诊疗信息、材料信息中确定出异常特征。
当判定若干特征中包含异常特征时,将如下公式作为第一预设公式,以用于计算理赔请求的第一风险评分:
R1=o*α;
其中,R1为治疗方式异常的风险评分,o为异常特征的个数,α为可调系数,1≤α≤5。优选地,α取值为2。
S45、采用第二判断策略判断若干特征中是否包含异常特征,若包含,则根据第二预设公式计算理赔请求的第二风险评分。
其中,若干特征中包括用户维度特征和/或疾病维度特征。其中,用户维度特征为与用户相关的特征,包括但不限于用户性别、年龄、保费、保额、账单金额、门诊次数、住院次数;其中,疾病维度特征为与疾病相关的特征,包括但不限于疾病出现频率、疾病治疗费用、疾病住院天数、疾病的药费、治疗费占比。
具体地,采用第二判断策略判断若干特征中是否包含异常特征,可以包括:
针对若干特征中的每一个特征,确定特征的特征值,并将特征的特征值与对应的特征参考值进行比较;若比较的结果均为通过,则判定若干特征中未包含异常特征,否则,判定若干特征中包含异常特征。
其中,各特征的特征参考值为预先统计得到的,例如,账单金额的参考值为年均账单金额、门诊次数的参考值为年均门诊次数。
其中,将如下公式作为第二预设公式,以用于计算理赔请求的第二风险评分:
其中,R2为第二风险评分,k为异常特征的个数,R2i为各个异常特征的特征值,S2i为各个异常特征对应的特征参考值,β为可调系数,1≤β≤5。
优选地,β取值为3。
示例性地,若性别为男、年龄为30岁的用户,其理赔请求的疾病费用为1000元,而30岁男性平均疾病费用为500元,则对应的异常贡献值为
1000/500*3=6;对于用户理赔请求的“咳嗽”疾病花费500元,而“咳嗽”件均赔付为100元,则对应的异常贡献值为500/100*3=15。
S46、将若干特征输入预先训练得到的风控模型进行预测,以获取理赔请求的风险概率。
具体地,该步骤S46可以参照上述步骤S23的描述,在此不予赘述。
需要说明的是,为了进一步提高对理赔案件的风险控制精确度,进一步提高风控成本的可控性,本发明实施例可以执行步骤S44至步骤S46中的每一个步骤,在执行的过程中,对步骤S44至步骤S46不作具体限定,以同时步骤S44至步骤S46作为优选方案。
此外,还需要说明的是,本发明实施例在执行步骤S44至步骤S46时,也可以跳过执行步骤S44或步骤S45,当跳过执行步骤S44(即不执行步骤S44)时,以同时执行步骤S44和步骤S46为优选方案,当跳过执行步骤S45(即不执行步骤S45)时,以同时执行步骤S45和步骤S46为优选方案。
S47、基于第一风险评分和/或第二风险评分、以及风险概率,评估理赔请求的风险等级。
具体地,该过程可以包括:
根据理赔请求的风险概率,按照计算公式计算理赔请求的第三风险评分,其中,P为理赔请求的风险概率。
对第一风险评分、第二风险评分和/或第三风险评分进行求和,得到风险评分总和,在多个阈值范围中,确定风险评分总和所属的阈值范围;
根据阈值范围与风险等级的对应关系,确定理赔请求对应的风险等级。其中,每个阈值范围对应一个风险等级。
示例性地,多个阈值范围包括:低于120、介于120与160之间、高于160,高于160对应高风险案件,低于120对应低风险案件,介于120与160之间则对应中风险。假如,风险评分总和为200,则评估为高风险案件,人工复核时应当重点审核;风险评分总和为64,此评估为低风险案件,人工复核时对关键信息进行核查。通过此风险评分,可以对于案件分类处理,将注意力着重放置在风险更高的案件。若人工复核结果为正常请求,则按正常案件对该理赔请求进行核保,若人工复核结果为异常请求,则对该理赔请求作为问题案件进行拦截。
本发明实施例提供一种理赔风控方法,该方法包括将对理赔请求携带的信息进行预检测,能够避免人工在处理操作性的问题时花费较多时间,从而提高了风险控制的时效性;通过在预检测的结果为通过时,根据预设的风控规则判断理赔请求是否为正常请求,能够有效地提高理赔风险的控制能力;通过在理赔请求为正常请求时,从理赔请求携带的信息中提取若干特征,并将若干特征输入预先训练得到的风控模型进行预测,以获取理赔请求的风险概率,以及采用第一判断策略判断若干特征中是否包含异常特征,若包含,则根据第一预设公式计算理赔请求的第一风险评分;和/或用第二判断策略判断若干特征中是否包含异常特征,若包含,则根据第二预设公式计算理赔请求的第二风险评分,通过至少基于理赔请求的风险概率、以及第一风险评分和/或第二风险评分评估理赔请求的风险等级,由此能够进一步地提高对理赔案件的风险控制精确度,进一步地提高了风控成本的可控性,使得保险理赔员根据理赔请求的风险等级来对理赔案件进行核保,有效地助力互联网保险公司降低损失、提高理赔效率。
请参照图6所示,图6示出了本发明实施例提供的一种理赔风控装置的结构框图,该装置包括:
规则判断模块,用于在接收到理赔请求后,根据预设的风控规则判断所述理赔请求是否为正常请求;
特征提取模块,用于若所述理赔请求为正常请求,则从所述理赔请求携带的信息中提取若干特征;
评分预测模块,用于将所述若干特征输入预先训练得到的风控模型进行预测,以获取所述理赔请求的风险概率;
等级评估模块,用于至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级。
在一个示例中,装置还包括预检测模块和拦截模块,其中:
预检测模块,用于对理赔请求携带的信息进行预检测;
规则判断模块,用于若预检测的结果为通过,则根据预设的风控规则判断理赔请求是否为正常请求;
拦截模块,用于若预检测的结果为不通过,则对理赔请求进行拦截。
在一个示例中,理赔请求携带的信息包含多个图像,预检测模块包括:
第一预检测单元,用于从多个图像中识别出票据图像,对票据图像进行重复性检测;以及
第二预检测单元,用于对多个图像进行异常图像检测,异常图像检测至少包括检测图像清晰度是否符合预设阈值、检测图像类别是否属于预设图像类别。
在一个示例中,风控模型的数量为多个,多个风控模型均不同,评分预测模块包括:
评分预测单元,用于将若干特征分别作为多个风控模型的输入参数,得到多个风险概率;
评分融合单元,用于对多个风险概率进行融合,并将融合得到的评分作为理赔请求的风险概率。
在一个示例中,评分融合单元具体用于:
基于预先分配给各个风控模型的权重,对多个风险概率进行加权求和,其中,各个风控模型的权重之和为1。
在一个示例中,装置还包括风控模型训练模块,风控模型训练模块具体用于:
将脱敏后的历史保单信息以及历史理赔信息拼接形成宽表,并对宽表进行数据预处理;
基于特征相关性,从预处理后的宽表中选取多个维度特征;
利用选取的多个维度特征训练预先构建的机器学习模型,得到风控模型。
在一个示例中,装置还包括:
第一评分模块,用于采用第一判断策略判断若干特征中是否包含异常特征,若包含,则根据第一预设公式计算理赔请求的第一风险评分;
第二评分模块,用于采用第二判断策略判断若干特征中是否包含异常特征,若包含,则根据第二预设公式计算理赔请求的第二风险评分;
等级评估模块,还用于基于第一风险评分和/或第二风险评分、以及理赔请求的风险概率,评估理赔请求的风险等级。
在一个示例中,若干特征中包括疾病信息以及治疗方式信息,第一评分模块具体用于:
根据预先建立的疾病与治疗方式的映射表,判断疾病信息与治疗方式信息是否具有映射关系;
若具有,则判定若干特征中未包含异常特征;
若不具有,则判定若干特征中包含异常特征。
在一个示例中,第一预设公式为:
其中,R1为治疗方式异常的风险评分,o为异常特征的个数,α为可调系数,1≤α≤5。
在一个示例中,若干特征中包括用户维度特征和/或疾病维度特征,第二评分模块具体用于:
针对若干特征中的每一个特征,确定特征的特征值,并将特征的特征值与对应的特征参考值进行比较;
若比较的结果均为通过,则判定若干特征中未包含异常特征,否则,判定若干特征中包含异常特征。
在一个示例中,第二预设公式为:
其中,R2为风险评分,k为异常特征的个数,R2i为各个异常特征的特征值,S2i为各个异常特征对应的特征参考值,β为可调系数,1≤β≤5。
本实施例提供的理赔风控装置,与本发明实施例所提供的理赔风控方法属于同一发明构思,可执行本发明任意实施例所提供的理赔风控方法,具备执行理赔风控方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例提供的理赔风控方法,此处不再加以赘述。
此外,本发明另一实施例还提供了一种理赔风控装置,包括:
一个或者多个处理器;
存储器;
存储在存储器中的程序,当被一个或者多个处理器执行时,程序使处理器执行如上述实施例的方法的步骤。
此外,本发明另一实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有程序,当程序被处理器执行时,使得处理器执行如上述实施例的方法。
本领域内的技术人员应明白,本发明实施例中的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明实施例中实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (19)
1.一种理赔风控方法,其特征在于,所述方法包括:
在接收到理赔请求后,根据预设的风控规则判断所述理赔请求是否为正常请求;
若所述理赔请求为正常请求,则从所述理赔请求携带的信息中提取若干特征;
将所述若干特征输入预先训练得到的风控模型进行预测,以获取所述理赔请求的风险概率;
至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的风控规则判断所述理赔请求是否为正常请求步骤之前,所述方法还包括:
对所述理赔请求携带的信息进行预检测;
若预检测的结果为通过,则根据预设的风控规则判断所述理赔请求是否为正常请求;
若预检测的结果为不通过,则对所述理赔请求进行拦截。
3.根据权利要求2所述的方法,其特征在于,所述理赔请求携带的信息包含多个图像,所述对所述理赔请求携带的信息进行预检测包括:
从所述多个图像中识别出票据图像,对所述票据图像进行重复性检测;以及
对所述多个图像进行异常图像检测,所述异常图像检测至少包括检测图像清晰度是否符合预设阈值、检测图像类别是否属于预设图像类别。
4.根据权利要求1所述的方法,其特征在于,所述风控模型的数量为多个,多个所述风控模型均不同,所述将所述若干特征输入预先训练得到的风控模型进行预测,以获取所述理赔请求的风险概率,包括:
将所述若干特征分别作为多个所述风控模型的输入参数,得到多个风险概率;
对所述多个风险概率进行融合,并将融合得到的评分作为所述理赔请求的风险概率。
5.根据权利要求4所述的方法,其特征在于,所述对所述多个风险概率进行融合,包括:
基于预先分配给各个所述风控模型的权重,对所述多个风险概率进行加权求和,其中,各个所述风控模型的权重之和为1。
6.根据权利要求1所述的方法,其特征在于,所述风控模型通过如下过程得到:
将脱敏后的历史保单信息以及历史理赔信息拼接形成宽表,并对所述宽表进行数据预处理;
基于特征相关性,从预处理后的所述宽表中选取多个维度特征;
利用选取的所述多个维度特征训练预先构建的机器学习模型,得到所述风控模型。
7.根据权利要求1至6任意一项所述的方法,其特征在于,所述至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级步骤之前,所述方法还包括:
采用第一判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第一预设公式计算所述理赔请求的第一风险评分;和/或
采用第二判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第二预设公式计算所述理赔请求的第二风险评分;
所述至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级包括:
基于所述第一风险评分和/或所述第二风险评分、以及所述理赔请求的风险概率,评估所述理赔请求的风险等级。
8.根据权利要求7所述的方法,其特征在于,所述若干特征包括疾病信息以及治疗方式信息,所述采用第一判断策略判断所述若干特征中是否包含异常特征,包括:
根据预先建立的疾病与治疗方式的映射表,判断所述疾病信息与所述治疗方式信息是否具有映射关系;
若具有,则判定所述若干特征中未包含异常特征;
若不具有,则判定所述若干特征中包含异常特征。
9.根据权利要求7所述的方法,其特征在于,所述若干特征中包括用户维度特征和/或疾病维度特征,所述采用第二判断策略判断所述若干特征中是否包含异常特征,包括:
针对所述若干特征中的每一个特征,确定所述特征的特征值,并将所述特征的特征值与对应的特征参考值进行比较;
若比较的结果均为通过,则判定所述若干特征中未包含异常特征,否则,判定所述若干特征中包含异常特征。
10.一种理赔风控装置,其特征在于,所述装置包括:
规则判断模块,用于在接收到理赔请求后,根据预设的风控规则判断所述理赔请求是否为正常请求;
特征提取模块,用于若所述理赔请求为正常请求,则从所述理赔请求携带的信息中提取若干特征;
评分预测模块,用于将所述若干特征输入预先训练得到的风控模型进行预测,以获取所述理赔请求的风险概率;
等级评估模块,用于至少基于所述理赔请求的风险概率,评估所述理赔请求的风险等级。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括预检测模块和拦截模块,其中:
所述预检测模块,用于对所述理赔请求携带的信息进行预检测;
所述规则判断模块,用于若预检测的结果为通过,则根据预设的风控规则判断所述理赔请求是否为正常请求;
所述拦截模块,用于若预检测的结果为不通过,则对所述理赔请求进行拦截。
12.根据权利要求11所述的装置,其特征在于,所述理赔请求携带的信息包含多个图像,所述预检测模块包括:
第一预检测单元,用于从所述多个图像中识别出票据图像,对所述票据图像进行重复性检测;以及
第二预检测单元,用于对所述多个图像进行异常图像检测,所述异常图像检测至少包括检测图像清晰度是否符合预设阈值、检测图像类别是否属于预设图像类别。
13.根据权利要求10所述的装置,其特征在于,所述风控模型的数量为多个,多个所述风控模型均不同,所述评分预测模块包括:
评分预测单元,用于将所述若干特征分别作为多个所述风控模型的输入参数,得到多个风险概率;
评分融合单元,用于对所述多个风险概率进行融合,并将融合得到的评分作为所述理赔请求的风险概率。
14.根据权利要求10所述的装置,其特征在于,所述装置还包括风控模型训练模块,所述风控模型训练模块具体用于:
将脱敏后的历史保单信息以及历史理赔信息拼接形成宽表,并对所述宽表进行数据预处理;
基于特征相关性,从预处理后的所述宽表中选取多个维度特征;
利用选取的所述多个维度特征训练预先构建的机器学习模型,得到所述风控模型。
15.根据权利要求10至14任意一项所述的装置,其特征在于,所述装置还包括:
第一评分模块,用于采用第一判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第一预设公式计算所述理赔请求的第一风险评分;
第二评分模块,用于采用第二判断策略判断所述若干特征中是否包含异常特征,若包含,则根据第二预设公式计算所述理赔请求的第二风险评分;
所述等级评估模块,还用于基于所述第一风险评分和/或所述第二风险评分、以及所述理赔请求的风险概率,评估所述理赔请求的风险等级。
16.根据权利要求15所述的装置,其特征在于,所述若干特征包括疾病信息以及治疗方式信息,所述第一评分模块具体用于:
根据预先建立的疾病与治疗方式的映射表,判断所述疾病信息与所述治疗方式信息是否具有映射关系;
若具有,则判定所述若干特征中未包含异常特征;
若不具有,则判定所述若干特征中包含异常特征。
17.根据权利要求15所述的装置,其特征在于,所述若干特征中包括用户维度特征和/或疾病维度特征,所述第二评分模块具体用于:
针对所述若干特征中的每一个特征,确定所述特征的特征值,并将所述特征的特征值与对应的特征参考值进行比较;
若比较的结果均为通过,则判定所述若干特征中未包含异常特征,否则,判定所述若干特征中包含异常特征。
18.一种理赔风控装置,其特征在于,包括:
一个或者多个处理器;
存储器;
所述存储在所述存储器中的程序,当被所述一个或者多个处理器执行时,所述程序使所述处理器执行如权利要求1至9任意一项所述的方法的步骤。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序,当所述程序被处理器执行时,使得所述处理器执行如权利要求1至9任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356582.XA CN110223182A (zh) | 2019-04-29 | 2019-04-29 | 一种理赔风控方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356582.XA CN110223182A (zh) | 2019-04-29 | 2019-04-29 | 一种理赔风控方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110223182A true CN110223182A (zh) | 2019-09-10 |
Family
ID=67820526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910356582.XA Pending CN110223182A (zh) | 2019-04-29 | 2019-04-29 | 一种理赔风控方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223182A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827157A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 数据处理方法与装置、存储介质、电子设备 |
CN112634064A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 理赔智能审核方法及装置、系统、存储介质 |
CN113344437A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
CN115965478A (zh) * | 2023-03-17 | 2023-04-14 | 北京鲸鹳科技有限公司 | 一种理赔案件的自动核赔方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015053942A1 (en) * | 2013-10-11 | 2015-04-16 | G2 Web Services | System and methods for global boarding of merchants |
US20170220964A1 (en) * | 2011-10-14 | 2017-08-03 | Albeado, Inc. | Pervasive, domain and situational-aware, adaptive, automated, and coordinated big data analysis, contextual learning and predictive control of business and operational risks and security |
CN108256720A (zh) * | 2017-11-07 | 2018-07-06 | 中国平安财产保险股份有限公司 | 一种保险理赔风险评估方法及终端设备 |
CN108734591A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 欺诈案件的评估方法、装置、存储介质及终端 |
CN109472705A (zh) * | 2018-09-26 | 2019-03-15 | 平安健康保险股份有限公司 | 理赔方法、系统、计算机设备以及存储介质 |
CN109670835A (zh) * | 2018-09-25 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于业务节点的风控方法、装置、设备及可读存储介质 |
-
2019
- 2019-04-29 CN CN201910356582.XA patent/CN110223182A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170220964A1 (en) * | 2011-10-14 | 2017-08-03 | Albeado, Inc. | Pervasive, domain and situational-aware, adaptive, automated, and coordinated big data analysis, contextual learning and predictive control of business and operational risks and security |
WO2015053942A1 (en) * | 2013-10-11 | 2015-04-16 | G2 Web Services | System and methods for global boarding of merchants |
CN108256720A (zh) * | 2017-11-07 | 2018-07-06 | 中国平安财产保险股份有限公司 | 一种保险理赔风险评估方法及终端设备 |
CN108734591A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 欺诈案件的评估方法、装置、存储介质及终端 |
CN109670835A (zh) * | 2018-09-25 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于业务节点的风控方法、装置、设备及可读存储介质 |
CN109472705A (zh) * | 2018-09-26 | 2019-03-15 | 平安健康保险股份有限公司 | 理赔方法、系统、计算机设备以及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827157A (zh) * | 2019-11-05 | 2020-02-21 | 泰康保险集团股份有限公司 | 数据处理方法与装置、存储介质、电子设备 |
CN110827157B (zh) * | 2019-11-05 | 2023-04-07 | 泰康保险集团股份有限公司 | 数据处理方法与装置、存储介质、电子设备 |
CN112634064A (zh) * | 2020-12-02 | 2021-04-09 | 北京健康之家科技有限公司 | 理赔智能审核方法及装置、系统、存储介质 |
CN113344437A (zh) * | 2021-06-29 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 理赔业务处理方法、装置、计算机设备和存储介质 |
CN115965478A (zh) * | 2023-03-17 | 2023-04-14 | 北京鲸鹳科技有限公司 | 一种理赔案件的自动核赔方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11568400B2 (en) | Anomaly and fraud detection with fake event detection using machine learning | |
WO2019196546A1 (zh) | 确定业务请求事件的风险概率的方法及装置 | |
CN110223182A (zh) | 一种理赔风控方法、装置及计算机可读存储介质 | |
CN107851097B (zh) | 数据分析系统、数据分析方法、数据分析程序及存储介质 | |
US20130054259A1 (en) | Rule-based Prediction of Medical Claims' Payments | |
US20100169252A1 (en) | System and method for scalable cost-sensitive learning | |
US11875409B1 (en) | Systems and methods for identifying and curing anomalies in insurance claims | |
CN112150298B (zh) | 数据处理方法、系统、设备及可读介质 | |
CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
US11308492B2 (en) | Anomaly and fraud detection with fake event detection using pixel intensity testing | |
CN112712429A (zh) | 汇款业务审核方法、装置、计算机设备和存储介质 | |
US11282078B2 (en) | Transaction auditing using token extraction and model matching | |
Kelley et al. | Antidiscrimination laws, artificial intelligence, and gender bias: A case study in nonmortgage fintech lending | |
AU2019101158A4 (en) | A method of analyzing customer churn of credit cards by using logistics regression | |
CN116468273A (zh) | 客户风险识别方法及装置 | |
CN113762973A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
WO2020253353A1 (zh) | 预设用户的资源获取资质生成方法及相关设备 | |
WO2022249927A1 (ja) | 分類システム | |
WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
US20220164374A1 (en) | Method of scoring and valuing data for exchange | |
US20220058658A1 (en) | Method of scoring and valuing data for exchange | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
Breger | Criteria for algorithmic fairness metric selection under different supervised classification scenarios | |
Acharya et al. | Hybrid deep neural network for automatic detection of COVID‐19 using chest x‐ray images | |
US20240176992A1 (en) | Method, apparatus and device for explaining model and computer storage medium |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |