CN111242315A - 车险人伤反欺诈方法、装置、计算机设备及存储介质 - Google Patents
车险人伤反欺诈方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111242315A CN111242315A CN202010019296.7A CN202010019296A CN111242315A CN 111242315 A CN111242315 A CN 111242315A CN 202010019296 A CN202010019296 A CN 202010019296A CN 111242315 A CN111242315 A CN 111242315A
- Authority
- CN
- China
- Prior art keywords
- fraud
- information
- case
- rule
- rule base
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种车险人伤反欺诈方法,该方法包括:接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;对理赔案件对应的信息进行特征提取,得到信息特征;根据信息特征确定目标反欺诈规则库;根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;对反欺诈规则组合进行计算,得到计算结果;根据计算结果对理赔案件进行相应的风险提示。根据案件的信息来动态选择规则组合,满足不同案件的需求,排除了部分干扰,提高了计算结果的精度,提高了反欺诈效果。此外,本发明还提供一种车险人伤反欺诈装置、计算机设备及存储介质。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种车险人伤反欺诈方法、装置、设备及存储介质。
背景技术
随着社会的发展,保险行业的规模愈加庞大,涉及的业务也十分繁多,在保险理赔,尤其是车险人伤理赔,容易出现欺诈,恶意骗保等问题,传统方法中根据业务专家经验编制规则,实现风险检测的功能。
但是传统的方法通过业务专家编制规则,人力成本过高,效率低;此外对于规则执行缺乏根据案例动态选择规则的能力。
发明内容
基于此,有必要针对上述问题,提供一种车险人伤反欺诈方法、装置、设备及存储介质。
第一方面,本发明实施例提供一种车险人伤反欺诈方法,该方法包括:
接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;
对理赔案件对应的信息进行特征提取,得到信息特征;
根据信息特征确定目标反欺诈规则库;
根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;
对反欺诈规则组合进行计算,得到计算结果;
根据计算结果对理赔案件进行相应的风险提示。
在一个实施例中,根据信息特征确定目标反欺诈规则库,包括:
将信息特征输入欺诈识别模型中,得到输出的第一规则集合;
将第一规则集合作为目标反欺诈规则库。
在一个实施例中,欺诈识别模型由以下步骤进行训练:
获取训练样本集,样本集中包含有多个训练样本,训练样本包括:训练信息特征、训练反欺诈规则集合;
将训练信息特征作为输入,将训练反欺诈规则集合作为输出,训练欺诈识别模型,得到训练好的欺诈识别模型。
在一个实施例中,根据信息特征确定目标反欺诈规则库,还包括:
将信息特征进行显示,接收用户的选择规则指令;
基于用户选择指令确定第二规则集合;
将第一规则集合作为目标反欺诈规则库,包括:
将第一规则集合和第二规则集合合并,得到第三规则集合,将第三规则集合作为目标反欺诈规则库。
在一个实施例中,根据理赔案件对应的信息和目标反欺诈规则库确定反欺诈规则组合,包括:
提取理赔案件对应的信息中的基础信息,基础信息包括案件类型、案件地域中的至少一种;
根据基础信息在目标反欺诈规则库中选择对应的反欺诈规则组合。
在一个实施例中,上述方法还包括:
统计多个所述理赔案件的风险提示情况并进行分析,得到分析结果;
根据分析结果对相关参数进行调整,相关参数包括用于特征提取的参数、用于反欺诈规则库确定的参数中的至少一种。
在一个实施例中,在根据计算结果对理赔案件进行相应的风险提示的步骤之后,还包括:
接收用户对存在风险的理赔案件选择相应服务的指令;
根据选择的服务向服务系统发送请求服务指令,以使服务系统根据请求服务指令确定相应的风险解决方案。
第二方面,在一个实施例中,本发明提供一种车险人伤反欺诈装置,该装置包括:
信息接收模块,用于接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;
特征提取模块,用于对理赔案件对应的信息进行特征提取,得到信息特征;
规则库确定模块,用于根据信息特征确定目标反欺诈规则库;
规则组合确定模块,用于根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;
规则计算模块,用于对反欺诈规则组合进行计算,得到计算结果;
风险提示模块,用于根据计算结果对理赔案件进行相应的风险提示。
第三方面,在一个实施例中,本发明提供一种计算机设备,包括存储器和处理器,存储器中储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:
接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;
对理赔案件对应的信息进行特征提取,得到信息特征;
根据信息特征确定目标反欺诈规则库;
根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;
对反欺诈规则组合进行计算,得到计算结果;
根据计算结果对理赔案件进行相应的风险提示。
第四方面,在一个实施例中,本发明提供一种存储介质,储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:
接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;
对理赔案件对应的信息进行特征提取,得到信息特征;
根据信息特征确定目标反欺诈规则库;
根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;
对反欺诈规则组合进行计算,得到计算结果;
根据计算结果对理赔案件进行相应的风险提示。
通过上述车险人伤反欺诈方法、装置、计算机设备及存储介质,根据理赔案件的信息提取其中的特征,基于特征确定目标反欺诈规则库,不需要人工进行确定,节省了时间和人力成本。此外进一步的根据案件的信息来动态选择规则组合,满足不同案件的需求,排除了部分干扰,提高了计算结果的精度,提高了反欺诈效果。
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的附图。
其中:
图1为一个实施例中车险人伤反欺诈方法的流程图;
图2为一个实施例中得到规则库的具体流程图;
图3为另一个实施例中得到规则库的具体流程图;
图4为一个实施例中统计结果并分析的流程图;
图5为一个实施例中如何进行风险解决的流程图;
图6为第一个实施例中车险人伤反欺诈装置的结构示意图;
图7为第二个实施例中车险人伤反欺诈装置的结构示意图;
图8为第三个实施例中车险人伤反欺诈装置的结构示意图;
图9为一个实施例中计算机设备的内部结构示意图。
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。
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。
如图1所示,在一个实施例中,提出一种车险人伤反欺诈方法,该方法包括:
步骤102,接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种。
其中,该方法应用于车险人伤反欺诈系统或引擎,通过该系统或引擎,能够提供某个理赔案件的风险提示等。首先,接收理赔案件对应的信息,理赔案件是指保险合同约定的理赔条款发生后,被保险人基于合同约定条款向保险人进行索赔,从而保险人进行理赔的该事件。每个理赔案件中会涉及各种信息,比如,伤残类别、伤者年龄、护理时长、医疗费、护理费、起保时间、赔偿年限、误工时间等,因此进行反欺诈时需要接受该案件的全面信息,以便于后续分析和计算。
步骤104,对理赔案件对应的信息进行特征提取,得到信息特征。
其中,信息特征是表示信息且能够进行计算的信息表现形式,理赔案件对应的信息是繁多的且不可直接计算的,因此需提取信息中的关键部分转换为信息特征,排除其他不参与计算和分析的信息。例如,信息为数值的就直接转换为对应数值信息特征,若某个类别的信息缺失时,则转换为空值信息特征。
步骤106,根据信息特征确定目标反欺诈规则库。
其中,反欺诈规则是指用于反欺诈风险计算的计算规则,已知信息特征后,对信息特征进行检测和匹配,确定与之对应的预设反欺诈规则,比如根据伤者的受伤程度、预计康复时间等,则可以确定这些信息特征对应的规则为‘住院护理费大于1800元and后续治疗费用小于400元’,预设规则根据需求和场景进行设置。将所有信息特征对应的反欺诈规则确定以后,将该反欺诈规则的集合作为目标反欺诈规则库。
步骤108,根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合。
根据上述信息特征得到的反欺诈规则是数量多的,且每个信息特征可能对应于多个反欺诈规则,因此需要根据特定信息进行筛选,选出符合要求的反欺诈规则集合。
步骤110,对反欺诈规则组合进行计算,得到计算结果。
其中,得到具体的反欺诈规则组合后,对反欺诈规则组合进行计算。例如,反欺诈规则为‘伤者年龄为60岁’,据此可以依据80岁为高龄计算出该伤者应按照20年进行赔偿。当然,该举例是为了理解方案,实际计算还包括其他很多。
步骤112,根据计算结果对理赔案件进行相应的风险提示。
其中,当实际超出计算结果,则进行风险提示,例如,若计算所得应按20年进行赔偿,但实际却为30年,则提示‘请核实赔偿年龄’。
通过上述车险人伤反欺诈方法,根据理赔案件的信息提取其中的特征,基于特征确定目标反欺诈规则库,不需要人工进行确定,节省了时间和人力成本。此外进一步的根据案件的信息来动态选择规则组合,满足不同案件的需求,排除了部分干扰,提高了计算结果的精度,提高了反欺诈效果。
如图2所示,在一个实施例中,根据信息特征确定目标反欺诈规则库,包括:
步骤106A,将信息特征输入欺诈识别模型中,得到输出的第一规则集合。
其中,欺诈识别模型是基于机器学习并训练好的,用于将信息特征输入,输出对应的反欺诈规则的虚拟模块。将信息特征输入该欺诈识别模型中,可得到对应的规则集合。
步骤106B,将第一规则集合作为目标反欺诈规则库。
其中,在该实施例中,将欺诈识别模型输出的规则集合直接作为目标反欺诈规则库。
通过欺诈识别模型直接输出对应的反欺诈规则集合,使得得到目标反欺诈规则库的速度大幅提升,进而使得实现反欺诈目的效率提高。
在一个实施例中,上述欺诈识别模型由以下步骤进行训练:
获取训练样本集,样本集中包含有多个训练样本,训练样本包括:训练信息特征、训练反欺诈规则集合;将训练信息特征作为输入,将训练反欺诈规则组合作为输出,训练欺诈识别模型,得到训练好的欺诈识别模型。
其中,该欺诈识别模型采用的算法包括Xgboost(GradientTree Boosting)算法以及其他算法。训练信息特征是基于大数据中车险人伤理赔案件的信息提取特征得到的,训练反欺诈规则集合则是通过人工针对每个案件的训练信息特征确定的反欺诈规则集合。将训练信息特征作为模型的输入,将对应的训练反欺诈规则组合作为期望输出,通过输入和期望输出不断的训练该模型,并且根据实际输出和期望输出的差值来调整模型的权重参数,最终在满足预设条件时完成训练,得到训练好的欺诈识别模型。
通过使用大数据中的训练样本来训练欺诈识别模型,从而得到一个较为优越的模型,使得在使用阶段输出的结果更精准,提高了整个反欺诈的效果。
如图3所示,在一个实施例中,根据信息特征确定目标反欺诈规则库,还包括:
步骤106a,将信息特征进行显示,接收用户的选择规则指令。
其中,在根据信息特征确定对应的反欺诈规则时,除通过欺诈识别器进行输出外,还可根据保司专业人员的经验判断进行确定。在一个实施例中,可以死对信息特征进行预计算,经过预计算后呈现给用户,使得用户根据预计算的结果凭专业经验选择相应的反欺诈规则。
步骤106b,基于用户选择指令确定第二规则集合。
其中,将用户对于信息特征而选择的反欺诈规则确定目标反欺诈规则库中的组成部分。
步骤106c,将第一规则集合和第二规则集合合并,得到第三规则集合,将第三规则集合作为目标反欺诈规则库。
其中,将欺诈识别模型输出的反欺诈规则集合和专业人员凭经验选择的反欺诈规则集合作为一个整体确定为目标反欺诈规则库。
通过整合欺诈识别模型输出的反欺诈规则和专业人员选择的反欺诈规则,相互补充,完善了反欺诈规则库,为后续计算提供更全面的反欺诈规则组合,使得反欺诈的效果更好。
在一个实施例中,根据理赔案件对应的信息和目标反欺诈规则库确定反欺诈规则组合,包括:
提取理赔案件对应的信息中的基础信息,基础信息包括案件类型、案件地域中的至少一种;根据基础信息在目标反欺诈规则库中选择对应的反欺诈规则组合。
其中,根据理赔案件中的信息提取部分信息,如案件类型、案件地域等,通过该条件来筛选出符合条件的反欺诈规则组合。因为反欺诈规则库中包含有能够匹配信息特征的所有反欺诈规则,但有些不同地域、不同保司、不同类型的反欺诈规则不太能适用,因此需要通过设定条件进行筛选。
通过预设条件,筛选反欺诈规则组合,提高了反欺诈的效果。
如图4所示,在一个实施例中,上述方法还包括:
步骤402,统计多个所述理赔案件的风险提示情况并进行分析,得到分析结果。
其中,统计一段时间内的风险提示情况,分析可能误判或者遗漏的点,追查是数据问题还是业务发生了变化等等。
步骤404,根据分析结果对相关参数进行调整,相关参数包括用于特征提取的参数、用于反欺诈规则库确定的参数中的至少一种。
其中,基于这些分析结果,调整相关参数。具体的,调整特征提取参数,使得特征提取更加准确和针对性;调整欺诈识别模型的权重参数,使得输出的反欺诈集合更准确。
通过分析结果,从而优化整个流程,使得反欺诈的效果更好。
如图5所示,在一个实施例中,在根据计算结果对理赔案件进行相应的风险提示的步骤之后,还包括:
步骤502,接收用户对存在风险的理赔案件选择相应服务的指令。
其中,根据计算结果判定该理赔案件存在风险时,针对该风险提供相应的服务选择,用户可以根据自身的需求进行相应的选择,如请求帮助调查、请求案件分析等。
步骤504,根据选择的服务向服务系统发送请求服务指令,以使服务系统根据请求服务指令确定相应的风险解决方案。
其中,当用户进行了选择后,将该请求发送给服务系统,服务系统进行派单,进而对该理赔案件的存在风险进行解决。
通过引入服务系统接入,当用户需要后续服务时,发送给服务系统进行派单,从而及时的让第三方介入进行服务。帮助保司提高理赔案件风险处理的效率。
如图6所示,在一个实施例中,本发明提供一种车险人伤反欺诈装置,该装置包括:
信息接收模块602,用于接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;
特征提取模块604,用于对理赔案件对应的信息进行特征提取,得到信息特征;
规则库确定模块606,用于根据信息特征确定目标反欺诈规则库;
规则组合确定模块608,用于根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;
规则计算模块610,用于对反欺诈规则组合进行计算,得到计算结果;
风险提示模块612,用于根据计算结果对理赔案件进行相应的风险提示。
在一个实施例中,规则库确定模块还用于将信息特征输入欺诈识别模型中,得到输出的第一规则集合;将第一规则集合作为目标反欺诈规则库。
在一个实施例中,规则库确定模块还用于训练欺诈识别模型,具体的,获取训练样本集,样本集中包含有多个训练样本,训练样本包括:训练信息特征、训练反欺诈规则集合;将训练信息特征作为输入,将训练反欺诈规则集合作为输出,训练欺诈识别模型,得到训练好的欺诈识别模型。
在一个实施例中,规则库确定模块还用于将信息特征进行显示,接收用户的选择规则指令;基于用户选择指令确定第二规则集合;将第一规则集合和第二规则集合合并,得到第三规则集合,将第三规则集合作为目标反欺诈规则库。
在一个实施例中,规则组合确定模块还用于提取理赔案件对应的信息中的基础信息,基础信息包括案件类型、案件地域中的至少一种;根据基础信息在目标反欺诈规则库中选择对应的反欺诈规则组合。
如图7所示,在一个实施例中,上述装置还包括:
监控分析模块702,用于统计多个所述理赔案件的风险提示情况并进行分析,得到分析结果;根据分析结果对相关参数进行调整,相关参数包括用于特征提取的参数、用于反欺诈规则库确定的参数中的至少一种。
如图8所示,在一个实施例中,上述装置还包括:
风险解决模块802,用于接收用户对存在风险的理赔案件选择相应服务的指令;根据选择的服务向服务系统发送请求服务指令,以使服务系统根据请求服务指令确定相应的风险解决方案。
在一个实施例中,本发明提供一种计算机设备,该计算机设备的内部结构图如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器车险人伤反欺诈方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行车险人伤反欺诈方法。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供的一种车险人伤反欺诈方法可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成一种车险人伤反欺诈装置的各个程序模块。比如,信息接收模块602、特征提取模块604、规则库确定模块606、规则组合确定模块608、规则计算模块610、风险提示模块612。
一种计算机设备,包括处理器和存储器,存储器中储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;对理赔案件对应的信息进行特征提取,得到信息特征;根据信息特征确定目标反欺诈规则库;根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;对反欺诈规则组合进行计算,得到计算结果;根据计算结果对理赔案件进行相应的风险提示。
在一个实施例中,根据信息特征确定目标反欺诈规则库,包括:将信息特征输入欺诈识别模型中,得到输出的第一规则集合;将第一规则集合作为目标反欺诈规则库。
在一个实施例中,欺诈识别模型由以下步骤进行训练:获取训练样本集,样本集中包含有多个训练样本,训练样本包括:训练信息特征、训练反欺诈规则集合;将训练信息特征作为输入,将训练反欺诈规则集合作为输出,训练欺诈识别模型,得到训练好的欺诈识别模型。
在一个实施例中,根据信息特征确定目标反欺诈规则库,还包括:将信息特征进行显示,接收用户的选择规则指令;基于用户选择指令确定第二规则集合;
将第一规则集合作为目标反欺诈规则库,包括:将第一规则集合和第二规则集合合并,得到第三规则集合,将第三规则集合作为目标反欺诈规则库。
在一个实施例中,根据理赔案件对应的信息和目标反欺诈规则库确定反欺诈规则组合,包括:提取理赔案件对应的信息中的基础信息,基础信息包括案件类型、案件地域中的至少一种;根据基础信息在目标反欺诈规则库中选择对应的反欺诈规则组合。
在一个实施例中,计算机程序被处理器执行时,使得处理器还执行如下步骤:统计多个所述理赔案件的风险提示情况并进行分析,得到分析结果;根据分析结果对相关参数进行调整,相关参数包括用于特征提取的参数、用于反欺诈规则库确定的参数中的至少一种。
在一个实施例中,在根据计算结果对理赔案件进行相应的风险提示的步骤之后,计算机程序被处理器执行时,使得处理器还执行如下步骤:接收用户对存在风险的理赔案件选择相应服务的指令;根据选择的服务向服务系统发送请求服务指令,以使服务系统根据请求服务指令确定相应的风险解决方案。
在一个实施例中,本发明提供一种存储介质,储存有计算机程序,计算机程序被处理器执行时,使得处理器执行如下步骤:接收理赔案件对应的信息,信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;对理赔案件对应的信息进行特征提取,得到信息特征;根据信息特征确定目标反欺诈规则库;根据理赔案件对应的信息和反欺诈规则库确定反欺诈规则组合;对反欺诈规则组合进行计算,得到计算结果;根据计算结果对理赔案件进行相应的风险提示。
在一个实施例中,根据信息特征确定目标反欺诈规则库,包括:将信息特征输入欺诈识别模型中,得到输出的第一规则集合;将第一规则集合作为目标反欺诈规则库。
在一个实施例中,欺诈识别模型由以下步骤进行训练:获取训练样本集,样本集中包含有多个训练样本,训练样本包括:训练信息特征、训练反欺诈规则集合;将训练信息特征作为输入,将训练反欺诈规则集合作为输出,训练欺诈识别模型,得到训练好的欺诈识别模型。
在一个实施例中,根据信息特征确定目标反欺诈规则库,还包括:将信息特征进行显示,接收用户的选择规则指令;基于用户选择指令确定第二规则集合;
将第一规则集合作为目标反欺诈规则库,包括:将第一规则集合和第二规则集合合并,得到第三规则集合,将第三规则集合作为目标反欺诈规则库。
在一个实施例中,根据理赔案件对应的信息和目标反欺诈规则库确定反欺诈规则组合,包括:提取理赔案件对应的信息中的基础信息,基础信息包括案件类型、案件地域中的至少一种;根据基础信息在目标反欺诈规则库中选择对应的反欺诈规则组合。
在一个实施例中,计算机程序被处理器执行时,使得处理器还执行如下步骤:统计多个所述理赔案件的风险提示情况并进行分析,得到分析结果;根据分析结果对相关参数进行调整,相关参数包括用于特征提取的参数、用于反欺诈规则库确定的参数中的至少一种。
在一个实施例中,在根据计算结果对理赔案件进行相应的风险提示的步骤之后,计算机程序被处理器执行时,使得处理器还执行如下步骤:接收用户对存在风险的理赔案件选择相应服务的指令;根据选择的服务向服务系统发送请求服务指令,以使服务系统根据请求服务指令确定相应的风险解决方案。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (10)
1.一种车险人伤反欺诈方法,其特征在于,所述方法包括:
接收理赔案件对应的信息,所述信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;
对所述理赔案件对应的信息进行特征提取,得到信息特征;
根据所述信息特征确定目标反欺诈规则库;
根据所述理赔案件对应的信息和所述反欺诈规则库确定反欺诈规则组合;
对所述反欺诈规则组合进行计算,得到计算结果;
根据计算结果对所述理赔案件进行相应的风险提示。
2.根据权利要求1所述的方法,其特征在于,所述根据所述信息特征确定目标反欺诈规则库,包括:
将所述信息特征输入欺诈识别模型中,得到输出的第一规则集合;
将所述第一规则集合作为所述目标反欺诈规则库。
3.根据权利要求2所述的方法,其特征在于,所述欺诈识别模型由以下步骤进行训练:
获取训练样本集,所述样本集中包含有多个训练样本,所述训练样本包括:训练信息特征、训练反欺诈规则集合;
将所述训练信息特征作为输入,将所述训练反欺诈规则集合作为输出,训练所述欺诈识别模型,得到训练好的所述欺诈识别模型。
4.根据权利要求2所述的方法,其特征在于,所述根据所述信息特征确定目标反欺诈规则库,还包括:
将所述信息特征进行显示,接收用户的选择规则指令;
基于用户选择指令确定第二规则集合;
所述将所述第一规则集合作为所述目标反欺诈规则库,包括:
将所述第一规则集合和所述第二规则集合合并,得到第三规则集合,将所述第三规则集合作为所述目标反欺诈规则库。
5.根据权利要求1所述的方法,其特征在于,所述根据所述理赔案件对应的信息和所述目标反欺诈规则库确定反欺诈规则组合,包括:
提取所述理赔案件对应的信息中的基础信息,所述基础信息包括案件类型、案件地域中的至少一种;
根据所述基础信息在所述目标反欺诈规则库中选择对应的反欺诈规则组合。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
统计多个所述理赔案件的风险提示情况并进行分析,得到分析结果;
根据所述分析结果对相关参数进行调整,所述相关参数包括用于特征提取的参数、用于反欺诈规则库确定的参数中的至少一种。
7.根据权利要求1所述的方法,其特征在于,在所述根据计算结果对所述理赔案件进行相应的风险提示的步骤之后,还包括:
接收用户对存在风险的所述理赔案件选择相应服务的指令;
根据选择的服务向服务系统发送请求服务指令,以使所述服务系统根据所述请求服务指令确定相应的风险解决方案。
8.一种车险人伤反欺诈装置,其特征在于,所述装置包括:
信息接收模块,用于接收理赔案件对应的信息,所述信息包括案件伤残类别、伤者年龄、出险时间、起保时间中的至少一种;
特征提取模块,用于对所述理赔案件对应的信息进行特征提取,得到信息特征;
规则库确定模块,用于根据所述信息特征确定目标反欺诈规则库;
规则组合确定模块,用于根据所述理赔案件对应的信息和所述反欺诈规则库确定反欺诈规则组合;
规则计算模块,用于对所述反欺诈规则组合进行计算,得到计算结果;
风险提示模块,用于根据计算结果对所述理赔案件进行相应的风险提示。
9.一种计算机设备,包括存储器和处理器,所述存储器中储存有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7所述任一种方法的步骤。
10.一种存储介质,储存有计算机程序,其特征在于,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-7所述任一种方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010019296.7A CN111242315A (zh) | 2020-01-08 | 2020-01-08 | 车险人伤反欺诈方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010019296.7A CN111242315A (zh) | 2020-01-08 | 2020-01-08 | 车险人伤反欺诈方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111242315A true CN111242315A (zh) | 2020-06-05 |
Family
ID=70874336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010019296.7A Pending CN111242315A (zh) | 2020-01-08 | 2020-01-08 | 车险人伤反欺诈方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242315A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232971A (zh) * | 2020-10-14 | 2021-01-15 | 太平金融科技服务(上海)有限公司 | 反欺诈检测方法、装置、计算机设备和存储介质 |
CN112668843A (zh) * | 2020-12-16 | 2021-04-16 | 中国汽车技术研究中心有限公司 | 车险理赔风险管控方法及系统、电子设备、介质 |
CN113837886A (zh) * | 2021-09-16 | 2021-12-24 | 之江实验室 | 一种基于知识图谱的车险理赔欺诈风险识别方法和系统 |
CN115730233A (zh) * | 2022-10-28 | 2023-03-03 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、可读存储介质以及电子设备 |
CN116503182A (zh) * | 2023-06-25 | 2023-07-28 | 凯泰铭科技(北京)有限公司 | 基于规则引擎实现动态采集车险人伤数据方法和装置 |
CN116934350A (zh) * | 2023-06-25 | 2023-10-24 | 深圳民太安智能科技有限公司 | 一种车辆保险欺诈风险控制方法及系统 |
CN117273963A (zh) * | 2023-11-21 | 2023-12-22 | 之江实验室 | 基于车险场景的风险识别方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657047A (zh) * | 2017-10-10 | 2018-02-02 | 民太安财产保险公估股份有限公司 | 保险欺诈侦测方法及系统 |
CN108182515A (zh) * | 2017-12-13 | 2018-06-19 | 中国平安财产保险股份有限公司 | 智能规则引擎规则输出方法、设备及计算机可读存储介质 |
CN110348472A (zh) * | 2019-05-24 | 2019-10-18 | 中国平安财产保险股份有限公司 | 数据检测规则生成方法、装置、计算机设备及存储介质 |
-
2020
- 2020-01-08 CN CN202010019296.7A patent/CN111242315A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657047A (zh) * | 2017-10-10 | 2018-02-02 | 民太安财产保险公估股份有限公司 | 保险欺诈侦测方法及系统 |
CN108182515A (zh) * | 2017-12-13 | 2018-06-19 | 中国平安财产保险股份有限公司 | 智能规则引擎规则输出方法、设备及计算机可读存储介质 |
CN110348472A (zh) * | 2019-05-24 | 2019-10-18 | 中国平安财产保险股份有限公司 | 数据检测规则生成方法、装置、计算机设备及存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232971A (zh) * | 2020-10-14 | 2021-01-15 | 太平金融科技服务(上海)有限公司 | 反欺诈检测方法、装置、计算机设备和存储介质 |
CN112668843A (zh) * | 2020-12-16 | 2021-04-16 | 中国汽车技术研究中心有限公司 | 车险理赔风险管控方法及系统、电子设备、介质 |
CN113837886A (zh) * | 2021-09-16 | 2021-12-24 | 之江实验室 | 一种基于知识图谱的车险理赔欺诈风险识别方法和系统 |
CN113837886B (zh) * | 2021-09-16 | 2024-05-31 | 之江实验室 | 一种基于知识图谱的车险理赔欺诈风险识别方法和系统 |
CN115730233A (zh) * | 2022-10-28 | 2023-03-03 | 支付宝(杭州)信息技术有限公司 | 一种数据处理方法、装置、可读存储介质以及电子设备 |
CN116503182A (zh) * | 2023-06-25 | 2023-07-28 | 凯泰铭科技(北京)有限公司 | 基于规则引擎实现动态采集车险人伤数据方法和装置 |
CN116503182B (zh) * | 2023-06-25 | 2023-09-01 | 凯泰铭科技(北京)有限公司 | 基于规则引擎实现动态采集车险人伤数据方法和装置 |
CN116934350A (zh) * | 2023-06-25 | 2023-10-24 | 深圳民太安智能科技有限公司 | 一种车辆保险欺诈风险控制方法及系统 |
CN117273963A (zh) * | 2023-11-21 | 2023-12-22 | 之江实验室 | 基于车险场景的风险识别方法和装置 |
CN117273963B (zh) * | 2023-11-21 | 2024-06-07 | 之江实验室 | 基于车险场景的风险识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242315A (zh) | 车险人伤反欺诈方法、装置、计算机设备及存储介质 | |
CN108876636B (zh) | 理赔智能风控方法、系统、计算机设备及存储介质 | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN110910976A (zh) | 病历检测方法、装置、设备和存储介质 | |
CN109815803B (zh) | 面审风险控制方法、装置、计算机设备和存储介质 | |
CN109934723B (zh) | 一种医保欺诈行为识别方法、装置及设备 | |
CN113343961B (zh) | 一种用户行为监控方法、系统和计算机设备 | |
CN113240661B (zh) | 基于深度学习的腰椎骨分析方法、装置、设备及存储介质 | |
CN111835561A (zh) | 基于用户行为数据的异常用户群体检测方法、装置、设备 | |
CN111291131A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
CN110301892B (zh) | 一种基于静脉识别的检测方法及相关产品 | |
Fedushko | Adequacy of Personal Medical Profiles Data in Medical Information Decision-Making Support System. | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN111506798A (zh) | 用户筛选方法、装置、设备及存储介质 | |
CN112241127A (zh) | 自动驾驶安全评分方法、装置、计算机设备和存储介质 | |
CN111063359B (zh) | 电话回访有效性判别方法、装置、计算机设备和介质 | |
CN110415779B (zh) | 保温措施有效性检测方法、装置、设备及存储介质 | |
CN111695874B (zh) | 一种司法判决辅助系统以及方法、设备、可存储介质 | |
CN116350203A (zh) | 一种体质测试数据处理方法及系统 | |
CN116313086A (zh) | 一种亚健康预测模型构建方法、装置、设备及存储介质 | |
CN111147441A (zh) | 网络购票的舞弊行为自动检测方法、设备及可读存储介质 | |
AU2018204929A1 (en) | Method for checking the data of a database relating to persons | |
CN114240679A (zh) | 医疗理赔的风险评估方法、装置、设备和存储介质 | |
CN113642881A (zh) | 舆情数据的风险识别方法、装置、计算机设备及存储介质 |
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 |