CN110428337A - 车险欺诈团伙的识别方法及装置 - Google Patents

车险欺诈团伙的识别方法及装置 Download PDF

Info

Publication number
CN110428337A
CN110428337A CN201910515110.4A CN201910515110A CN110428337A CN 110428337 A CN110428337 A CN 110428337A CN 201910515110 A CN201910515110 A CN 201910515110A CN 110428337 A CN110428337 A CN 110428337A
Authority
CN
China
Prior art keywords
vehicle insurance
personnel
case
cluster
clique
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.)
Granted
Application number
CN201910515110.4A
Other languages
English (en)
Other versions
CN110428337B (zh
Inventor
熊永平
杨烁
伍贵宾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Jigu Artificial Intelligence Co ltd
Original Assignee
Nanjing Functional Intelligent Technology Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Functional Intelligent Technology Research Institute Co Ltd filed Critical Nanjing Functional Intelligent Technology Research Institute Co Ltd
Priority to CN201910515110.4A priority Critical patent/CN110428337B/zh
Publication of CN110428337A publication Critical patent/CN110428337A/zh
Application granted granted Critical
Publication of CN110428337B publication Critical patent/CN110428337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种车险欺诈团伙的识别方法及装置，所述方法包括：获取所有车险案件中的参与人员，并统计每一人员所参与的车险案件；根据统计结果对所有人员进行聚类；计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙，从而提高车险欺诈团伙的识别准确度。

Description

车险欺诈团伙的识别方法及装置
技术领域
本发明涉及数据挖掘技术领域，特别是指一种车险欺诈团伙的识别方法及装置。
背景技术
近年来，我国保险行业呈现出了良好的发展态势，保险资金体量不断增大。在各种保险种类中，机动车辆保险(简称车险)已经成为我国财产保险业务中最大的险种。然而，车险欺诈案件所带来的巨额经济损失也是不可忽视的。而在各种各样的保险欺诈案件中，团伙诈骗因其规模大、案件侦破难度大，成为最具危害的保险欺诈手段。
现阶段，国内关于车险团伙欺诈的研究方法主要分为两类：一类是定性研究与策略制定为主，另一类是利用机器学习的方法，通过有监督学习，训练欺诈模型，从而进行检测工作，这两种方法存在着一定的局限性。
定性研究与策略制定的方法没有从数据分析的角度进行科学研究，无法有效对已有案件中存在的欺诈团伙进行检测，从而导致欺诈团伙的检测准确率低下。
有监督学习的方法需要大量的有标签数据来训练模型，以此来预测未被标记的数据。而在实际情况中，真实的欺诈案件样本往往较少，导致模型初始化或训练不足，从而无法保证结果的准确性。此外，模型的训练往往需要较长的时间，检测的时效性无法得到保证。
发明内容
有鉴于此，本发明的目的在于提出一种车险欺诈团伙的识别方法及装置，能够提高车险欺诈团伙的识别准确性。
基于上述目的本发明提供的车险欺诈团伙的识别方法，包括：
获取所有车险案件中的参与人员，并统计每一人员所参与的车险案件；
根据统计结果对所有人员进行聚类；
计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙。
进一步地，所述获取所有车险案件中的参与人员，具体包括：
遍历所有车险案件，提取每一车险案件中的参与人员，所述人员包括驾驶员、保险员和第三方人员。
进一步地，所述统计每一人员所参与的车险案件，具体包括：
针对每一人员，遍历所有车险案件，统计所述人员所参与的车险案件，并将所述人员参与的车险案件记为1，未参与的车险案件记为0，以构建所述人员的分布向量。
进一步地，所述根据统计结果对所有人员进行聚类，具体包括：
将所有人员的分布向量进行组合，构建分布矩阵；
设置聚类数目k，基于距离最近原则，对所述分布矩阵中的所有分布向量进行聚类，获得k个聚类；k≥1。
进一步地，所述计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙，具体包括：
统计每一聚类中1的个数，并将所述聚类中1的个数除以所述聚类中的分布向量的个数，获得所述聚类的案件参与度；
将所述案件参与度大于预设阈值的聚类识别为车险欺诈团伙。
相应地，本发明实施例还提供一种车险欺诈团伙的识别装置，包括：
获取模块，用于获取所有车险案件中的参与人员；
统计模块，用于统计每一人员所参与的车险案件；
聚类模块，用于根据统计结果对所有人员进行聚类；以及，
识别模块，用于计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙。
进一步地，所述获取模块具体用于：
遍历所有车险案件，提取每一车险案件中的参与人员，所述人员包括驾驶员、保险员和第三方人员。
进一步地，所述统计模块具体用于：
针对每一人员，遍历所有车险案件，统计所述人员所参与的车险案件，并将所述人员参与的车险案件记为1，未参与的车险案件记为0，以构建所述人员的分布向量。
进一步地，所述聚类模块具体包括：
组合单元，用于将所有人员的分布向量进行组合，构建分布矩阵；以及，
聚类单元，用于设置聚类数目k，基于距离最近原则，对所述分布矩阵中的所有分布向量进行聚类，获得k个聚类；k≥1。
进一步地，所述识别模块具体包括：
计算单元，用于统计每一聚类中1的个数，并将所述聚类中1的个数除以所述聚类中的分布向量的个数，获得所述聚类的案件参与度；以及，
识别单元，用于将所述案件参与度大于预设阈值的聚类识别为车险欺诈团伙。
从上面所述可以看出，本发明提供的车险欺诈团伙的识别方法及装置，能够获取所有车险案件中的参与人员，并统计每一人员所参与的车险案件，以对所有人员进行聚类，进而计算每一聚类的案件参与度，以根据案件参与度识别车险欺诈团伙，有效提高车险欺诈团伙的识别准确性，同时具有更好的时效性。
附图说明
图1为本发明实施例提供的车险欺诈团伙的识别方法的流程示意图；
图2为本发明实施例提供的车险欺诈团伙的识别装置的结构示意图。
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明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
参见图1，是本发明实施例提供的车险欺诈团伙的识别方法的流程示意图，所述方法包括：
S1、获取所有车险案件中的参与人员，并统计每一人员所参与的车险案件。
其中，所述获取所有车险案件中的参与人员，具体包括：
遍历所有车险案件，提取每一车险案件中的参与人员，所述人员包括驾驶员、保险员和第三方人员。
本实施例中，遍历所有车险案件，过滤掉无效信息，提取出参与到车险案件中的所有人员，例如驾驶员、保险员和第三方人员。
具体地，针对每一车险案件，提取出驾驶员、保险员和第三方人员的身份证号码作为人员标识符，保存至人员集合中，人员集合中的人员标识符具有唯一性。每提取一个人员标识符时，检查人员集合中是否具有该人员标识符，若是，则丢弃该人员标识符，即不重复保存，若否，则将该人员标识符保存到人员集合中。假设所有车险案件中提取出n个人员，则形成的人员集合为P＝{p1,p2,…,pn}。
进一步地，所述统计每一人员所参与的车险案件，具体包括：
针对每一人员，遍历所有车险案件，统计所述人员所参与的车险案件，并将所述人员参与的车险案件记为1，未参与的车险案件记为0，以构建所述人员的分布向量。
本实施例中，将所有车险案件进行排序，并针对每一人员，按照顺序再次遍历所有车险案件，根据所述人员在车险案件中的参与情况，构建所述人员的分布向量。针对某一人员和某一车险案件，若该人员参与该车险案件，则该人员的分布向量中该车险案件所对应的向量元素为1，若该人员未参与该车险案件，则该成员的分布向量中该车险案件所对应的向量元素为0。
例如，针对人员p1和车险案件c1，若在遍历过程中发现人员p1参与了车险案件c1，则人员p1的分布向量v1中车险案件c1对应的向量元素设置为1，若人员p1未参与车险案件c1，则人员p1的分布向量v1中车险案件c1对应的向量元素设置为0。遍历所有车险案件，即可获得人员p1的分布向量v1，例如v1＝[0,0,0,1,0]，即表明一共有5起车险案件，人员p1参与了第4起车险案件，而未参与第1、2、3、5起车险案件。
S2、根据统计结果对所有人员进行聚类。
本实施例中，根据所述分布向量对所有人员进行聚类。
具体地，步骤S2包括：
将所有人员的分布向量进行组合，构建分布矩阵；
设置聚类数目k，基于距离最近原则，对所述分布矩阵中的所有分布向量进行聚类，获得k个聚类；k≥1。
需要说明的是，合并所有人员的分布向量，构建所有人员和所有车险案件的分布矩阵。分布矩阵的每一行代表一个人员在所有车险案件中分布情况，因此可根据案件分布情况对不同人员进行比较。如果两个人员的案件分布相似程度较高，则可以认为他们两个人的联系“紧密”，具有成为一个“聚类”的潜在可能性，反之，如果两个人员的案件分布相似程度较低，则可以认为他们两个人联系“稀疏”，不具备成为一个“聚类”的条件。因此本发明实施例解决了车险案件中人员负载、信息不完整的问题，基于人员在车险案件中的分布情况进行数据分析，有效提高分析的准确性。
假设所有车险案件中提取出n个人员，n个人员形成的分布向量分别为v1、v2、…、vn，那么合并形成的分布矩阵为M＝[v1,v2,…,vn]T。本实施例采用分布矩阵的形式，将文字信息抽象为数字信息，以描述人员在所有车险案件中的分布情况，从而对分布矩阵进行聚类处理，即对不同人员之间的案件分布情况的相似度进行聚类分析。
具体地，设定最终的聚类数目k，对分布矩阵中的所有分布向量，按照距离最近的原则进行聚类，其中采用欧几里得距离公式进行距离计算。
本实施例中采用kmeans聚类算法进行聚类处理，其中kmeans聚类算法是一种无监督的聚类方法，其输入为样本集M＝[v1,v2,…,vn]T与最终的聚类数目k，输出为聚类的划分结果C＝{c1,c2,…,ck}。采用无监督学习的方法，对输入条件的要求远低于有监督学习的方法，同时具有更好的时效性。
例如，n＝6，v1＝[0,0,0,0,1,0,0]，v2＝[0,0,0,0,1,0,0]，v3＝[1,1,1,0,0,0,1]，v4＝[1,1,0,0,0,0,1]，v5＝[0,0,0,1,0,0,0]，v6＝[0,0,0,1,0,0,0]，则分布矩阵M为：
设定聚类数目k为3，按照距离最近的原则计算分布矩阵中分布向量间的距离，经过迭代计算后，聚类结果如下：
C1＝[
[0,0,0,0,1,0,0],
[0,0,0,0,1,0,0]
]
C2＝[
[1,1,1,0,0,0,1],
[1,1,0,0,0,0,1],
]
C3＝[
[0,0,0,1,0,0,0],
[0,0,0,1,0,0,0]
]
各个聚类中心向量分别为：
[0,0,0,0,1,0,0]
[1,1,0.5,0,0,0,1]
[0,0,0,1,0,0,0]
由聚类结果可以看出，分布矩阵形成了{v1，v2}，{v3，v4}，{v5，v6}三个簇，即v1和v2为一个聚类，v3和v4为一个聚类，v5和v6为一个聚类。
S3、计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙。
具体地，步骤S3包括：
统计每一聚类中1的个数，并将所述聚类中1的个数除以所述聚类中的分布向量的个数，获得所述聚类的案件参与度；
将所述案件参与度大于预设阈值的聚类识别为车险欺诈团伙。
本实施例中，对每一聚类中所有分布向量对应的人员参与案件的频率进行分析，即统计每一聚类中向量元素1的数量，并取平均值，作为该聚类的案件参与度。
对案件参与度较低的聚类，认为其为偶然事件的可能性较高，即所代表的案件是正常的车辆保险案件，不存在欺诈的可能性。对于案件参与度较高的团伙，认为其为偶然事件的可能性较低，即所代表的案件不是正常的车辆保险案件，存在欺诈的可能性，作为欺诈团伙进行重点标记。
因此，设置预设阈值，案件参与度小于预设阈值的聚类，识别其为不存在欺诈，所代表的案件为正常的车险案件；案件参与度大于预设阈值的聚类，识别该聚类中的所有人员为车险欺诈团伙。
本发明提供的车险欺诈团伙的识别方法，能够获取所有车险案件中的参与人员，并统计每一人员所参与的车险案件，以对所有人员进行聚类，进而计算每一聚类的案件参与度，以根据案件参与度识别车险欺诈团伙，有效提高车险欺诈团伙的识别准确性，同时具有更好的时效性。
相应地，本发明还提供一种车险欺诈团伙的识别装置，能够实现上述车险欺诈团伙的识别方法的所有流程。
参见图2，是本发明实施例提供的车险欺诈团伙的识别装置的结构示意图，该装置包括：
获取模块1，用于获取所有车险案件中的参与人员；
统计模块2，用于统计每一人员所参与的车险案件；
聚类模块3，用于根据统计结果对所有人员进行聚类；以及，
识别模块4，用于计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙。
进一步地，所述获取模块具体用于：
遍历所有车险案件，提取每一车险案件中的参与人员，所述人员包括驾驶员、保险员和第三方人员。
进一步地，所述统计模块具体用于：
针对每一人员，遍历所有车险案件，统计所述人员所参与的车险案件，并将所述人员参与的车险案件记为1，未参与的车险案件记为0，以构建所述人员的分布向量。
进一步地，所述聚类模块具体包括：
组合单元，用于将所有人员的分布向量进行组合，构建分布矩阵；以及，
聚类单元，用于设置聚类数目k，基于距离最近原则，对所述分布矩阵中的所有分布向量进行聚类，获得k个聚类；k≥1。
进一步地，所述识别模块具体包括：
计算单元，用于统计每一聚类中1的个数，并将所述聚类中1的个数除以所述聚类中的分布向量的个数，获得所述聚类的案件参与度；以及，
识别单元，用于将所述案件参与度大于预设阈值的聚类识别为车险欺诈团伙。
本发明提供的车险欺诈团伙的识别装置，能够获取所有车险案件中的参与人员，并统计每一人员所参与的车险案件，以对所有人员进行聚类，进而计算每一聚类的案件参与度，以根据案件参与度识别车险欺诈团伙，有效提高车险欺诈团伙的识别准确性，同时具有更好的时效性。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车险欺诈团伙的识别方法，其特征在于，包括：
获取所有车险案件中的参与人员，并统计每一人员所参与的车险案件；
根据统计结果对所有人员进行聚类；
计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙。
2.根据权利要求1所述的车险欺诈团伙的识别方法，其特征在于，所述获取所有车险案件中的参与人员，具体包括：
遍历所有车险案件，提取每一车险案件中的参与人员，所述人员包括驾驶员、保险员和第三方人员。
3.根据权利要求1所述的车险欺诈团伙的识别方法，其特征在于，所述统计每一人员所参与的车险案件，具体包括：
针对每一人员，遍历所有车险案件，统计所述人员所参与的车险案件，并将所述人员参与的车险案件记为1，未参与的车险案件记为0，以构建所述人员的分布向量。
4.根据权利要求3所述的车险欺诈团伙的识别方法，其特征在于，所述根据统计结果对所有人员进行聚类，具体包括：
将所有人员的分布向量进行组合，构建分布矩阵；
设置聚类数目k，基于距离最近原则，对所述分布矩阵中的所有分布向量进行聚类，获得k个聚类；k≥1。
5.根据权利要求4所述的车险欺诈团伙的识别方法，其特征在于，所述计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙，具体包括：
统计每一聚类中1的个数，并将所述聚类中1的个数除以所述聚类中的分布向量的个数，获得所述聚类的案件参与度；
将所述案件参与度大于预设阈值的聚类识别为车险欺诈团伙。
6.一种车险欺诈团伙的识别装置，其特征在于，包括：
获取模块，用于获取所有车险案件中的参与人员；
统计模块，用于统计每一人员所参与的车险案件；
聚类模块，用于根据统计结果对所有人员进行聚类；以及，
识别模块，用于计算每一聚类的案件参与度，并根据所述案件参与度识别车险欺诈团伙。
7.根据权利要求6所述的车险欺诈团伙的识别装置，其特征在于，所述获取模块具体用于：
遍历所有车险案件，提取每一车险案件中的参与人员，所述人员包括驾驶员、保险员和第三方人员。
8.根据权利要求6所述的车险欺诈团伙的识别装置，其特征在于，所述统计模块具体用于：
针对每一人员，遍历所有车险案件，统计所述人员所参与的车险案件，并将所述人员参与的车险案件记为1，未参与的车险案件记为0，以构建所述人员的分布向量。
9.根据权利要求8所述的车险欺诈团伙的识别装置，其特征在于，所述聚类模块具体包括：
组合单元，用于将所有人员的分布向量进行组合，构建分布矩阵；以及，
聚类单元，用于设置聚类数目k，基于距离最近原则，对所述分布矩阵中的所有分布向量进行聚类，获得k个聚类；k≥1。
10.根据权利要求9所述的车险欺诈团伙的识别装置，其特征在于，所述识别模块具体包括：
计算单元，用于统计每一聚类中1的个数，并将所述聚类中1的个数除以所述聚类中的分布向量的个数，获得所述聚类的案件参与度；以及，识别单元，用于将所述案件参与度大于预设阈值的聚类识别为车险欺诈团伙。
CN201910515110.4A 2019-06-14 2019-06-14 车险欺诈团伙的识别方法及装置 Active CN110428337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910515110.4A CN110428337B (zh) 2019-06-14 2019-06-14 车险欺诈团伙的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910515110.4A CN110428337B (zh) 2019-06-14 2019-06-14 车险欺诈团伙的识别方法及装置

Publications (2)

Publication Number Publication Date
CN110428337A true CN110428337A (zh) 2019-11-08
CN110428337B CN110428337B (zh) 2023-01-20

Family

ID=68407631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910515110.4A Active CN110428337B (zh) 2019-06-14 2019-06-14 车险欺诈团伙的识别方法及装置

Country Status (1)

Country Link
CN (1) CN110428337B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402065A (zh) * 2019-12-23 2020-07-10 北京明略软件系统有限公司 一种车险诈骗团伙挖掘的方法及装置、可读存储介质
CN115034918A (zh) * 2022-08-09 2022-09-09 太平金融科技服务(上海)有限公司深圳分公司 团伙案件识别方法、装置、计算机设备、存储介质和产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810637A (zh) * 2013-12-17 2014-05-21 深圳市般若计算机系统有限公司 机动车保险欺诈检测方法及系统
CN107123054A (zh) * 2017-04-07 2017-09-01 平安科技（深圳）有限公司 车险理赔数据分析方法和系统
CN108334647A (zh) * 2018-04-12 2018-07-27 阿里巴巴集团控股有限公司 保险欺诈识别的数据处理方法、装置、设备及服务器
CN108764917A (zh) * 2018-05-04 2018-11-06 阿里巴巴集团控股有限公司 一种欺诈团伙的识别方法和装置
CN109801073A (zh) * 2018-12-13 2019-05-24 中国平安财产保险股份有限公司 风险用户识别方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810637A (zh) * 2013-12-17 2014-05-21 深圳市般若计算机系统有限公司 机动车保险欺诈检测方法及系统
CN107123054A (zh) * 2017-04-07 2017-09-01 平安科技（深圳）有限公司 车险理赔数据分析方法和系统
CN108334647A (zh) * 2018-04-12 2018-07-27 阿里巴巴集团控股有限公司 保险欺诈识别的数据处理方法、装置、设备及服务器
CN108764917A (zh) * 2018-05-04 2018-11-06 阿里巴巴集团控股有限公司 一种欺诈团伙的识别方法和装置
CN109801073A (zh) * 2018-12-13 2019-05-24 中国平安财产保险股份有限公司 风险用户识别方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
喻炜等: ""机动车辆保险欺诈检测系统及团伙识别研究"", 《保险研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402065A (zh) * 2019-12-23 2020-07-10 北京明略软件系统有限公司 一种车险诈骗团伙挖掘的方法及装置、可读存储介质
CN115034918A (zh) * 2022-08-09 2022-09-09 太平金融科技服务(上海)有限公司深圳分公司 团伙案件识别方法、装置、计算机设备、存储介质和产品

Also Published As

Publication number Publication date
CN110428337B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN101567043B (zh) 基于分类识别的人脸跟踪方法
Chen et al. The application of a convolution neural network on face and license plate detection
CN103984919A (zh) 基于粗糙集与混合特征的人脸表情识别方法
WO2015078018A1 (en) Method and system for face image recognition
CN104063719A (zh) 基于深度卷积网络的行人检测方法及装置
CN106909946A (zh) 一种多模态融合的商品分类系统
CN110428337A (zh) 车险欺诈团伙的识别方法及装置
CN102360435A (zh) 基于隐含主题分析的不良图像检测方法
CN107092884A (zh) 一种快速粗精级联行人检测方法
CN106960387A (zh) 个人信用风险评估方法及系统
Li et al. DeepHSV: User-independent offline signature verification using two-channel CNN
CN106951819A (zh) 基于稀疏概率分布和多阶段类别筛选的单样本人脸识别方法
CN103927539A (zh) 离线式维吾尔文手写签名识别的一种高效的特征提取方法
Rahman et al. Cairad: A co-appearance based analysis for incorrect records and attribute-values detection
Lee et al. A prototype for brazilian bankcheck recognition
Abdelhamid et al. Automatic bank fraud detection using support vector machines
CN103440508A (zh) 基于视觉词袋模型的遥感图像目标识别方法
CN109886284A (zh) 基于层次化聚类的欺诈检测方法及系统
CN111104924B (zh) 一种识别低分辨率商品图像的处理算法
CN111709291B (zh) 一种基于融合信息的外卖人员身份识别方法
Tao et al. Local difference ternary sequences descriptor based on unsupervised min redundancy mutual information feature selection
Suen et al. Analysis of errors of handwritten digits made by a multitude of classifiers
Wang et al. A two-stream network with complementary feature fusion for pest image classification
CN101216878A (zh) 基于广义非线性判别分析的人脸识别方法
CN110598650A (zh) 车牌虚警过滤方法、装置及电子设备和存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220816

Address after: 211111 No. 12, Mazhou East Road, Mau Ling Street, Jiangning District, Nanjing, Jiangsu

Applicant after: Nanjing Jigu artificial intelligence Co.,Ltd.

Address before: No.4 jiangwangmiao, Xuanwu District, Nanjing City, Jiangsu Province, 210042

Applicant before: Nanjing functional Intelligent Technology Research Institute Co.,Ltd.

GR01 Patent grant
GR01 Patent grant