CN110288488A - 医疗险欺诈预测方法、装置、设备和可读存储介质 - Google Patents
医疗险欺诈预测方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN110288488A CN110288488A CN201910549948.5A CN201910549948A CN110288488A CN 110288488 A CN110288488 A CN 110288488A CN 201910549948 A CN201910549948 A CN 201910549948A CN 110288488 A CN110288488 A CN 110288488A
- Authority
- CN
- China
- Prior art keywords
- medical insurance
- fraud
- user identifier
- historical information
- block chain
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Abstract
本发明提供一种医疗险欺诈预测方法、装置、设备和可读存储介质，通过接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果，以区块链网络存储第二类型医疗险历史信息，提高了数据的可靠性，据此对可能出现的第一类型医疗险诈骗进行预测，提高了对第一类型医疗险诈骗的识别准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种医疗险欺诈预测方法、装置、设备和可读存储介质。
背景技术
在保险行业，经常有不法分子违反保险法规采用虚构保险事故、假冒发票等方式，向保险机构骗取费用型医疗险的保险金。保险机构需要通过对保单信息进行分析，识别各类保险欺诈行为。
现有的相关方案中，通常是对保单信息例如是发票信息进行验证，从而对费用型医疗险的欺诈进行识别。
然而，例如津贴型医疗险的一些保险类型，在理赔时不用提供原始发票，因此在信息不透明的情况下很容易发生超额甚至巨额投保，通过住院不当获利的情况。而且在欺诈发生之后也存在维权难的问题。现有技术对津贴型医疗险欺诈难以提前进行准确的识别。
发明内容
本发明实施例提供一种医疗险欺诈预测方法、装置、设备和可读存储介质，以区块链网络存储第二类型医疗险历史信息，提高了数据的可靠性，据此对可能出现的第一类型医疗险诈骗进行预测，提高了对第一类型医疗险诈骗的识别准确性。
本发明实施例的第一方面，提供一种医疗险欺诈预测方法，包括：
接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；
从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；
以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果。
可选地，在所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果之前，还包括：
从所述区块链网络中获取预存储的第一类型医疗险欺诈记录信息；
在所述区块链网络存储的第二类型医疗险历史信息中，将与所述第一类型医疗险欺诈记录信息对应的第二类型医疗险历史信息确定为欺诈类样本数据，将剩余的第二类型医疗险历史信息确定为正常类样本数据；
根据所述第二类型医疗险历史信息确定输入矩阵和输出矩阵，其中，所述输入矩阵包含所述欺诈类样本数据的欺诈特征数据和所述正常类样本数据的正常特征数据，所述输出矩阵包含与所述输入矩阵一一对应的标签信息；
以所述输入矩阵作为预设初始模型的输入，并以所述输出矩阵为输出，对所述初始模型进行模型训练，得到欺诈预测模型。
可选地，所述根据所述第二类型医疗险历史信息确定输入矩阵和输出矩阵，包括：
根据所述欺诈类样本数据获取欺诈特征数据，所述欺诈特征数据与第一类标签对应；
根据所述正常类样本数据获取正常特征数据，所述正常特征数据与第二类标签对应；
以所述欺诈特征数据和所述正常特征数据作为矩阵项构建所述输入矩阵；
将与所述输入矩阵中各矩阵项对应的所述第一类标签或所述第二类标签作为矩阵项，构建与所述输入矩阵对应的输出矩阵。
可选地，所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果，包括：
根据与所述用户标识对应的所述第二类型医疗险历史信息，获取待测特征数据；
以预设的欺诈预测模型对所述待测特征数据进行处理，得到与所述用户标识对应的欺诈预测结果。
可选地，所述欺诈预测模型为逻辑回归模型。
可选地，所述从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息之前，还包括：
将多个保险服务器、多个医疗机构服务器分别配置为区块链节点；
在各所述区块链节点之间建立智能合约，形成区块链网络；
各所述区块链节点基于所述智能合约将保险历史信息存储在区块链网络中，其中，所述保险历史信息包括第二类型医疗险历史信息和第一类型医疗险欺诈记录信息。
可选地，所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果之后，还包括：
若所述欺诈预测结果指示具有欺诈风险，则发出预警提示信息。
本发明实施例的第二方面，提供一种医疗险欺诈预测装置，包括：
接收模块，用于接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；
查询模块，用于从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；
处理模块，用于以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果。
本发明实施例的第三方面，提供一种设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能设计的所述方法。
本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明实施例提供的一种医疗险欺诈预测方法、装置、设备和可读存储介质，通过接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果，以区块链网络存储第二类型医疗险历史信息，提高了数据的可靠性，据此对可能出现的第一类型医疗险诈骗进行预测，提高了对第一类型医疗险诈骗的识别准确性。
附图说明
图1是本发明实施例提供的一种医疗险欺诈预测方法流程示意图；
图2是本发明实施例提供的一种模型训练方法流程示意图；
图3是本发明实施例提供的一种医疗险欺诈预测装置结构示意图；
图4是本发明实施例提供的另一种医疗险欺诈预测装置结构示意图；
图5是本发明实施例提供的一种设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程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。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
下面实施例中第一类型医疗险例如可以是津贴型医疗险，第二类型医疗险例如可以是费用型医疗险。中国保险法规定的费用型医疗险的报销额度不能超过实现发生的费用，而津贴型医疗险不受此限制。津贴型医疗险是保险机构按照合同规定的补贴标准，向被保险人支付保险金的医疗保险。津贴型医疗险的给付方式可以按次、按日或者按项目。因为津贴型医疗险的理赔与实际发生的医疗费用无关，所以不必提供发票。因此在信息不通畅的情况下，津贴型医疗险很容易产生超额甚至巨额投保保单，通过住院不当获利的情况。为了解决现有技术中存在的问题，本发明结合区块链技术和大数据分析技术，建立可靠的数据存储体系和识别准确性高的欺诈预测模型，提高了对第一类型医疗险诈骗的识别准确性，并在投保人进行第一类型医疗险投保申请之初，对其进行欺诈预测，降低了第一类型医疗险欺诈发生的可能性。
参见图1，是本发明实施例提供的一种医疗险欺诈预测方法流程示意图，图1所示方法的执行主体可以是软件和/或硬件装置，为了描述方便，下面以保险机构的服务器为执行主体作为举例说明。图1所示方法包括步骤S101至步骤S103，具体如下：
S101，接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识。
投保人向保险机构提出第一类型医疗险投保申请，例如可以是投保人在其手机终端应用或保险机构提供的自助终端上输入投保申请信息。第一类型医疗险投保申请例如可以包含投保人的姓名、身份证号码、性别、住址等信息。服务器在接收到投保人上传的第一类型医疗险投保申请时，可以从该投保申请中生成用户标识。用户标识例如是投保人的姓名或者身份证号码，也可以是根据姓名、身份证号码、性别、住址等信息生成的具有唯一性的标识。
可以理解为，在接收到第一类型医疗险投保申请时，触发服务器对该投保人的医疗险欺诈预测，以便尽早地对判断该投保人是否可能产生欺诈行为。本实施例的过程，可以是在投保人信息审核过程中实现的，如果预测该投保人具有欺诈风险，则可以执行审核不通过，或者提高该投保人的风险等级等操作。
S102，从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息。
本实施例中服务器可以是建立在预设的区块链网络中的，例如是区块链网络中的一个区块链节点，从而可以与区块链网络中其他区块链节点之间实现一定程度的信息透明，并利用区块链网络存储信息的可追溯、不易篡改、公开透明等特性，提高历史信息的可靠性。
假设服务器作为区块链节点，存储有所有历史信息的区块链，那么根据S101中获取到的用户标识，可以在区块链中查询到与所述用户标识对应的第二类型医疗险历史信息。这种查询操作可以是基于服务器参与的智能合约进行的查询操作。
在一些实施例中，在步骤S102(从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息)之前，还可以包括区块链网络构建的过程。具体地，服务器将多个保险服务器、多个医疗机构服务器分别配置为区块链节点，然后在各所述区块链节点之间建立智能合约，形成区块链网络。智能合约由多个区块链节点共同参与制定，约定了各区块链节点的权利和义务，用于用户之间的任何交易行为。在区块链网络构建好之后，先进行数据的存储：各所述区块链节点基于所述智能合约将保险历史信息存储在区块链网络中，其中，所述保险历史信息包括第二类型医疗险历史信息和第一类型医疗险欺诈记录信息。第二类型医疗险历史信息例如是，第二类型医疗险的报销案例、住院时间、住院地点、住院类型、医生诊断意见、医疗费用明细、相关保险购买记录等信息，这些信息里可以包含有证明相关材料的音频、视频、图像等相关材料。第一类型医疗险欺诈记录信息可以理解为是发生过的、已确定的第一类型医疗险欺诈案件的记录。
S103，以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果。
具体地，可以将与所述用户标识对应的所述第二类型医疗险历史信息输入欺诈预测模型，欺诈预测模型对其进行分析处理，最后将输出的模型预测结果作为与所述用户标识对应的欺诈预测结果。例如输出1，则与所述用户标识对应的欺诈预测结果指示具有欺诈风险，输出0，则与所述用户标识对应的欺诈预测结果指示不具有欺诈风险。
步骤S103之后，还可以包括后处理步骤：若所述欺诈预测结果指示具有欺诈风险，则发出预警提示信息。例如向用户发出预警提示信息，提示用户是哪一个投保人申请的第一类型医疗险具有欺诈风险，以便用户根据预警提示信息决定是否对该投保人的申请审批通过。又或者，若所述欺诈预测结果指示不具有欺诈风险，则发出无风险提示信息。以便用户根据无风险提示信息预测该投保人没有欺诈风险。
在一些实施例中，为了提高欺诈预测模型的预测准确性，在步骤S103(以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果)之前，还可以包括模型训练的过程。参见图2，是本发明实施例提供的一种模型训练方法流程示意图，图2包含以下步骤S201至S204可以作为一种模型训练的举例。
S201，从所述区块链网络中获取预存储的第一类型医疗险欺诈记录信息。
第一类型医疗险欺诈记录信息可以理解为是发生过的、已确定的第一类型医疗险欺诈案件的记录。这种记录可以是简单的案件特征记录，也可以是具体第一类型医疗险的保单和理赔信息记录。而本实施例中获取到的第一类型医疗险欺诈记录信息，应当包含能够与相关第二类型医疗险历史信息进行关联的信息，例如用户标识或者案件关联编号等，以便在下一步骤中据此获得相关的第二类型医疗险历史信息。
S202，在所述区块链网络存储的第二类型医疗险历史信息中，将与所述第一类型医疗险欺诈记录信息对应的第二类型医疗险历史信息确定为欺诈类样本数据，将剩余的第二类型医疗险历史信息确定为正常类样本数据。
例如，一个第一类型医疗险欺诈记录信息可以对应一个或多个第二类型医疗险历史信息，例如一个投保人曾经投保过3份第二类型医疗险，以及1份第一类型医疗险，而这份第一类型医疗险在理赔后被确定为出现了欺诈行为，则这份第一类型医疗险则可以作为一个第一类型医疗险欺诈记录信息，而与其同一投保人的3分第二类型医疗险则可以作为与该第一类型医疗险欺诈记录信息对应的第二类型医疗险历史信息。
S203，根据所述第二类型医疗险历史信息确定输入矩阵和输出矩阵，其中，所述输入矩阵包含所述欺诈类样本数据的欺诈特征数据和所述正常类样本数据的正常特征数据，所述输出矩阵包含与所述输入矩阵一一对应的标签信息。
具体地，可以是服务器根据所述欺诈类样本数据获取欺诈特征数据，所述欺诈特征数据与第一类标签对应；根据所述正常类样本数据获取正常特征数据，所述正常特征数据与第二类标签对应。可理解为，在所有的第二类型医疗险历史信息中，一部分是欺诈类样本数据，可以提取出与第一类标签对应的欺诈特征数据；另一部分则是正常特征数据，可以提取出与第二类标签对应正常特征数据。然后，以所述欺诈特征数据和所述正常特征数据作为矩阵项构建所述输入矩阵。例如，第一类标签为1，第二类标签为0。提取每个第二类型医疗险历史信息中投保人住院时长x1，住院地点x2，住院类型x3，医生诊断意见x4，医疗费用x5，其他保险购买记录x6等特征，对第i个第二类型医疗险历史信息可以组成一个具有至少6个特征的特征向量Xi＝[x1,x2,...,x6]，对n个第二类型医疗险历史信息，可以构建输入矩阵M＝[X1；X2；...；Xn]。最后，服务器将与所述输入矩阵中各矩阵项对应的所述第一类标签或所述第二类标签作为矩阵项，构建与所述输入矩阵对应的输出矩阵。例如，与特征向量Xi一一对应的标签，可以构建输出矩阵L＝[L1；L2；...；Ln]，每一个标签Li都与M中的相应位置的Xi对应，Li的取值为1(第一类标签)或0(第二类标签)。
在上述模型训练的实施例基础上，S103(以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果)具体可以包括：
根据与所述用户标识对应的所述第二类型医疗险历史信息，获取待测特征数据。服务器获取待测特征数据的具体方式，可以是与预设的欺诈预测模型训练中获取欺诈特征数据和正常特征数据的方式一致。例如从用户标识对应的所述第二类型医疗险历史信息中，提取投保人住院时长x1，住院地点x2，住院类型x3，医生诊断意见x4，医疗费用x5，其他保险购买记录x6等至少6个特征构建特征向量，作为所述待测特征数据。再以预设的欺诈预测模型对所述待测特征数据进行处理，得到与所述用户标识对应的欺诈预测结果。通过采用与模型训练相同的数据预处理方式，提高了欺诈预测模型预测的准确性。
S204，以所述输入矩阵作为预设初始模型的输入，并以所述输出矩阵为输出，对所述初始模型进行模型训练，得到欺诈预测模型。
在一些实施例中，所述欺诈预测模型可以选择为逻辑回归模型。以输入矩阵M作为初始模型的输入，以对应的输出矩阵L作为初始模型的输出，对初始模型进行训练并学习模型参数，由此可以得到符合欺诈分类规律的欺诈预测模型。对于待识别的第一类型医疗险投保申请，从区块链网络中提取该投保人的第二类型医疗险历史信息，输入步骤S204训练得到的欺诈预测模型。欺诈预测模型例如是一个逻辑回归分类器，那么逻辑回归分类器的输出即为所述用户标识对应的欺诈预测结果。若模型识别出有欺诈风险，则将向有关部门的终端发出预警信息。
上述步骤S201至S204所示的模型训练过程，可以是在每次医疗险欺诈预测的步骤S103之前，其中作为模型训练样本的第二类型医疗险历史信息可以包含有每次医疗险欺诈预测之前的所有历史信息。可以理解为，随着区块链网络中第二类型医疗险历史信息不断增加，作为模型训练的欺诈类样本数据和正常类样本也不断增加，将之前训练的欺诈预测模型作为初始模型继续进行训练，由此实现欺诈预测模型的不断优化。
本实施例提供的一种医疗险欺诈预测方法，通过接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果，以区块链网络存储第二类型医疗险历史信息，提高了数据的可靠性，据此对可能出现的第一类型医疗险诈骗进行预测，提高了对第一类型医疗险诈骗的识别准确性。
参见图3，是本发明实施例提供的一种医疗险欺诈预测装置结构示意图。如图3所示的医疗险欺诈预测装置30可以包括：
接收模块31，用于接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识。
查询模块32，用于从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息。
处理模块33，用于以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果。
图3所示实施例的终端对应地可用于执行图1所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
可选地，所述处理模块33，还用于在所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果之前，从所述区块链网络中获取预存储的第一类型医疗险欺诈记录信息；在所述区块链网络存储的第二类型医疗险历史信息中，将与所述第一类型医疗险欺诈记录信息对应的第二类型医疗险历史信息确定为欺诈类样本数据，将剩余的第二类型医疗险历史信息确定为正常类样本数据；根据所述第二类型医疗险历史信息确定输入矩阵和输出矩阵，其中，所述输入矩阵包含所述欺诈类样本数据的欺诈特征数据和所述正常类样本数据的正常特征数据，所述输出矩阵包含与所述输入矩阵一一对应的标签信息；以所述输入矩阵作为预设初始模型的输入，并以所述输出矩阵为输出，对所述初始模型进行模型训练，得到欺诈预测模型。
可选地，所述处理模块33，用于根据所述欺诈类样本数据获取欺诈特征数据，所述欺诈特征数据与第一类标签对应；根据所述正常类样本数据获取正常特征数据，所述正常特征数据与第二类标签对应；以所述欺诈特征数据和所述正常特征数据作为矩阵项构建所述输入矩阵；将与所述输入矩阵中各矩阵项对应的所述第一类标签或所述第二类标签作为矩阵项，构建与所述输入矩阵对应的输出矩阵。
可选地，所述处理模块33，用于根据与所述用户标识对应的所述第二类型医疗险历史信息，获取待测特征数据；以预设的欺诈预测模型对所述待测特征数据进行处理，得到与所述用户标识对应的欺诈预测结果。
可选地，所述欺诈预测模型为逻辑回归模型。
参见图4，是本发明实施例提供的另一种医疗险欺诈预测装置结构示意图。如图4所示的医疗险欺诈预测装置30还可以包括：
区块链构建模块34，用于在所述处理模块从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息之前，将多个保险服务器、多个医疗机构服务器分别配置为区块链节点；在各所述区块链节点之间建立智能合约，形成区块链网络；各所述区块链节点基于所述智能合约将保险历史信息存储在区块链网络中，其中，所述保险历史信息包括第二类型医疗险历史信息和第一类型医疗险欺诈记录信息。
可选地，所述处理模块33，还用于在所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果之后，若所述欺诈预测结果指示具有欺诈风险，则发出预警提示信息。
本实施例提供的一种医疗险欺诈预测装置，通过接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果，以区块链网络存储第二类型医疗险历史信息，提高了数据的可靠性，据此对可能出现的第一类型医疗险诈骗进行预测，提高了对第一类型医疗险诈骗的识别准确性。
参见图5，是本发明实施例提供的一种设备的硬件结构示意图，该设备50包括：处理器51、存储器52和计算机程序；其中
存储器52，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器51，用于执行所述存储器存储的计算机程序，以实现上述医疗险欺诈预测方法中服务器执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器52既可以是独立的，也可以跟处理器51集成在一起。
当所述存储器52是独立于处理器51之外的器件时，所述设备还可以包括：
总线53，用于连接所述存储器52和处理器51。
本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的医疗险欺诈预测方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (10)
1.一种医疗险欺诈预测方法，其特征在于，包括：
接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；
从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；
以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果。
2.根据权利要求1所述的方法，其特征在于，在所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果之前，还包括：
从所述区块链网络中获取预存储的第一类型医疗险欺诈记录信息；
在所述区块链网络存储的第二类型医疗险历史信息中，将与所述第一类型医疗险欺诈记录信息对应的第二类型医疗险历史信息确定为欺诈类样本数据，将剩余的第二类型医疗险历史信息确定为正常类样本数据；
根据所述第二类型医疗险历史信息确定输入矩阵和输出矩阵，其中，所述输入矩阵包含所述欺诈类样本数据的欺诈特征数据和所述正常类样本数据的正常特征数据，所述输出矩阵包含与所述输入矩阵一一对应的标签信息；
以所述输入矩阵作为预设初始模型的输入，并以所述输出矩阵为输出，对所述初始模型进行模型训练，得到欺诈预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第二类型医疗险历史信息确定输入矩阵和输出矩阵，包括：
根据所述欺诈类样本数据获取欺诈特征数据，所述欺诈特征数据与第一类标签对应；
根据所述正常类样本数据获取正常特征数据，所述正常特征数据与第二类标签对应；
以所述欺诈特征数据和所述正常特征数据作为矩阵项构建所述输入矩阵；
将与所述输入矩阵中各矩阵项对应的所述第一类标签或所述第二类标签作为矩阵项，构建与所述输入矩阵对应的输出矩阵。
4.根据权利要求3所述的方法，其特征在于，所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果，包括：
根据与所述用户标识对应的所述第二类型医疗险历史信息，获取待测特征数据；
以预设的欺诈预测模型对所述待测特征数据进行处理，得到与所述用户标识对应的欺诈预测结果。
5.根据权利要求1至4任一所述的方法，其特征在于，所述欺诈预测模型为逻辑回归模型。
6.根据权利要求1至4任一所述的方法，其特征在于，所述从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息之前，还包括：
将多个保险服务器、多个医疗机构服务器分别配置为区块链节点；
在各所述区块链节点之间建立智能合约，形成区块链网络；
各所述区块链节点基于所述智能合约将保险历史信息存储在区块链网络中，其中，所述保险历史信息包括第二类型医疗险历史信息和第一类型医疗险欺诈记录信息。
7.根据权利要求1至4任一所述的方法，其特征在于，所述以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果之后，还包括：
若所述欺诈预测结果指示具有欺诈风险，则发出预警提示信息。
8.一种医疗险欺诈预测装置，其特征在于，包括：
接收模块，用于接收到投保人上传的第一类型医疗险投保申请时，获取该投保人的用户标识；
查询模块，用于从预设的区块链网络中，获取与所述用户标识对应的第二类型医疗险历史信息；
处理模块，用于以预设的欺诈预测模型对与所述用户标识对应的所述第二类型医疗险历史信息进行处理，得到与所述用户标识对应的欺诈预测结果。
9.一种电子设备，其特征在于，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1至7任一所述的医疗险欺诈预测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至7任一所述的医疗险欺诈预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910549948.5A CN110288488A (zh) | 2019-06-24 | 2019-06-24 | 医疗险欺诈预测方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910549948.5A CN110288488A (zh) | 2019-06-24 | 2019-06-24 | 医疗险欺诈预测方法、装置、设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288488A true CN110288488A (zh) | 2019-09-27 |
Family
ID=68004712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910549948.5A Pending CN110288488A (zh) | 2019-06-24 | 2019-06-24 | 医疗险欺诈预测方法、装置、设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288488A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275546A (zh) * | 2020-02-24 | 2020-06-12 | 中国工商银行股份有限公司 | 金融客户欺诈风险识别方法及装置 |
| CN112463923A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技（深圳）有限公司 | 用户欺诈行为检测方法、装置、设备及存储介质 |
| CN112669057A (zh) * | 2020-12-17 | 2021-04-16 | 北京五八信息技术有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070294104A1 (en) * | 2006-06-15 | 2007-12-20 | Carmeli Boaz | System, Method, and Means, to Detect and Prevent Fraudulent Medical Insurance Claims |
| US20160110818A1 (en) * | 2014-10-21 | 2016-04-21 | Hartford Fire Insurance Company | System for dynamic fraud detection |
| CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
| CN108830732A (zh) * | 2018-04-28 | 2018-11-16 | 厦门快商通信息技术有限公司 | 一种基于区块链技术的预防保险欺诈的方法及系统 |
| CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技（深圳）有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
| CN109658222A (zh) * | 2018-10-16 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 风险分析方法、装置、设备及计算机可读存储介质 |
| CN109670974A (zh) * | 2018-12-14 | 2019-04-23 | 中国平安人寿保险股份有限公司 | 一种风险监控方法及装置、电子终端 |
| CN109801176A (zh) * | 2019-02-22 | 2019-05-24 | 中科软科技股份有限公司 | 识别保险欺诈的方法、系统、电子设备及存储介质 |
| CN109859060A (zh) * | 2019-01-31 | 2019-06-07 | 泰康保险集团股份有限公司 | 风险确定方法、装置、介质及电子设备 |
-
2019
- 2019-06-24 CN CN201910549948.5A patent/CN110288488A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070294104A1 (en) * | 2006-06-15 | 2007-12-20 | Carmeli Boaz | System, Method, and Means, to Detect and Prevent Fraudulent Medical Insurance Claims |
| US20160110818A1 (en) * | 2014-10-21 | 2016-04-21 | Hartford Fire Insurance Company | System for dynamic fraud detection |
| CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
| CN108830732A (zh) * | 2018-04-28 | 2018-11-16 | 厦门快商通信息技术有限公司 | 一种基于区块链技术的预防保险欺诈的方法及系统 |
| CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技（深圳）有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
| CN109658222A (zh) * | 2018-10-16 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 风险分析方法、装置、设备及计算机可读存储介质 |
| CN109670974A (zh) * | 2018-12-14 | 2019-04-23 | 中国平安人寿保险股份有限公司 | 一种风险监控方法及装置、电子终端 |
| CN109859060A (zh) * | 2019-01-31 | 2019-06-07 | 泰康保险集团股份有限公司 | 风险确定方法、装置、介质及电子设备 |
| CN109801176A (zh) * | 2019-02-22 | 2019-05-24 | 中科软科技股份有限公司 | 识别保险欺诈的方法、系统、电子设备及存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275546A (zh) * | 2020-02-24 | 2020-06-12 | 中国工商银行股份有限公司 | 金融客户欺诈风险识别方法及装置 |
| CN111275546B (zh) * | 2020-02-24 | 2023-08-18 | 中国工商银行股份有限公司 | 金融客户欺诈风险识别方法及装置 |
| CN112463923A (zh) * | 2020-11-25 | 2021-03-09 | 平安科技（深圳）有限公司 | 用户欺诈行为检测方法、装置、设备及存储介质 |
| CN112463923B (zh) * | 2020-11-25 | 2023-04-28 | 平安科技（深圳）有限公司 | 用户欺诈行为检测方法、装置、设备及存储介质 |
| CN112669057A (zh) * | 2020-12-17 | 2021-04-16 | 北京五八信息技术有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
| CN112669057B (zh) * | 2020-12-17 | 2022-07-08 | 北京五八信息技术有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019196546A1 (zh) | 确定业务请求事件的风险概率的方法及装置 | |
| CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
| WO2021068601A1 (zh) | 病历检测方法、装置、设备及存储介质 | |
| Luo et al. | Examining multi-dimensional trust and multi-faceted risk in initial acceptance of emerging technologies: An empirical study of mobile banking services | |
| CN109615454A (zh) | 确定用户金融违约风险的方法及装置 | |
| CN109829776A (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
| CN110163618A (zh) | 异常交易的检测方法、装置、设备及计算机可读存储介质 | |
| CN106875110A (zh) | 业务指标分层计算方法及装置、分布式计算方法及系统 | |
| TW202004636A (zh) | 保險服務優化方法、系統及電腦程式產品 | |
| CN110288488A (zh) | 医疗险欺诈预测方法、装置、设备和可读存储介质 | |
| CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
| CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
| CN111553701A (zh) | 一种基于会话的风险交易确定方法和装置 | |
| Kemboi | Effect of financial technology on the financial performance of commercial banks in Kenya | |
| CN111144899B (zh) | 识别虚假交易的方法及装置和电子设备 | |
| CN108846292A (zh) | 脱敏处理方法及装置 | |
| CN108595579A (zh) | 联系人亲密度估算方法、装置、计算机设备和存储介质 | |
| CN110264368A (zh) | 目标加密货币的情绪指数的生成方法及装置 | |
| CN112702410B (zh) | 一种基于区块链网络的评估系统、方法及相关设备 | |
| CN106875595A (zh) | 一种pos终端使用地点的确定方法及装置 | |
| CN111340574B (zh) | 风险用户的识别方法、装置和电子设备 | |
| CN110033357A (zh) | 信贷产品推荐方法及系统 | |
| CN107871213B (zh) | 一种交易行为评价方法、装置、服务器以及存储介质 | |
| US20230080680A1 (en) | Model-based analysis of intellectual property collateral | |
| CN110852762B (zh) | 商户识别方法及装置、电子设备、存储介质 |
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: 20190927 |