CN113344437B - 理赔业务处理方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本发明涉及一种理赔业务处理方法方法、装置、计算机设备和存储介质，该方法包括：接收理赔请求，并根据理赔请求确定理赔数据，理赔数据包括：理赔类型、用户信息和理赔证明；根据理赔类型，从用户信息中提取相应的信用特征以及从理赔证明中提取相应的证明特征；确定证明特征是否符合理赔类型对应的理赔规则；在理赔证明符合理赔规则时，将信用特征输入理赔审核模型中，理赔审核模型输出所述理赔请求的风险程度；在风险程度小于预设阈值时，确定与理赔证明相匹配的赔付金额，以及根据风险程度，确定与理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔。上述方法可以节省人力、缩短流程，提高理赔业务的处理效率。

Description

理赔业务处理方法、装置、计算机设备和存储介质

技术领域

本发明涉及互联网应用技术领域，特别是涉及理赔业务处理方法、装置、计算机设备和存储介质。

背景技术

保险通过缴纳规定的保费，可以享受财务、人身等保障。随着社会的经济发展和人们保险意识的提高，保险业务的需求也越来越多。在用户需要理赔时，传统的理赔流程中，通常是由保险公司的人员进行理赔的受理、调查及审核等工作，因此传统的流程中一般需要涉及多个部门的人员沟通合作，理赔流程较长，效率低下，且容易出现人为因素造成的错误。基于现有技术，需要一种更高效的理赔业务处理方案。

发明内容

本申请提供了一种理赔业务处理方法、装置、计算机设备和存储介质。

第一方面提供了一种理赔业务处理方法，包括：

接收理赔请求，并根据理赔请求确定理赔数据，理赔数据包括：理赔类型、用户信息和理赔证明；

根据理赔类型，从用户信息中提取相应的信用特征以及从理赔证明中提取相应的证明特征；

确定证明特征是否符合理赔类型对应的理赔规则；

在理赔证明符合理赔规则时，将信用特征输入理赔审核模型中，理赔审核模型输出理赔请求的风险程度；

在风险程度小于预设阈值时，确定与理赔证明相匹配的赔付金额，以及根据风险程度，确定与理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔。

在一些实施例中，所述理赔审核模型包括至少两个预先训练的理赔审核子模型；

所述将所述信用特征输入理赔审核模型中，所述理赔审核模型输出所述理赔请求的风险程度，包括：

将所述信用特征分别输入所述理赔审核子模型，各所述理赔审核子模块各自输出所述理赔审核的风险程度；

使用网格搜索方法寻找所述理赔审核模型的理赔审核子模型的最优权重组合，将所述权重组合中的各权重分别与对应的理赔审核子模型输出的风险程度进行加权求和，得到最终的风险程度。

在一些实施例中，所述理赔审核子模块输出理赔审核的风险程度，包括：

根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔请求的信息；

确定与所述理赔类型一致的历史理赔请求的信息的历史风险系数；以及确定所述理赔请求的风险系数；

根据所述历史风险系数、理赔请求的风险系数及预设算法计算所述理赔请求的风险程度。

在一些实施例中，还包括：针对已完成审核的各理赔请求，确定审核结果存在错误的理赔请求的数量，并根据该数量计算所述理赔审核模型的预测准确率；

若所述预测准确率小于预设准确率阈值，以审核结果存在错误的理赔请求为负样本，优化所述理赔审核模型。

在一些实施例中，所述确定审核结果存在错误的理赔请求的数量，包括：

统计用户对审核结果发起申诉的理赔请求数量；和/或对全部或部分理赔请求进行人工复审，统计复审确定审核结果错误的理赔请求数量。

在一些实施例中，所述根据所述风险程度，确定与所述理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔，包括：

将风险程度为低的第一理赔请求通过理赔作业系统进行自动理赔；

将风险风度为中的第二理赔请求发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二理赔请求进行审核以完成对所述第二理赔请求的理赔；及

将风险程度为高的第三理赔请求发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三理赔请求进行审核以完成对所述第三理赔请求的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。

在一些实施例中，所述理赔审核子模型包括Lightgbm模型、Xgboost模型、LOF模型、IF模型、LSTM模型、GRU模型、TextRNN模型、TextCNN模型、GAN模型、SMOTE模型、JDA模型中的至少两者。

第二方面提供了一种理赔业务处理装置，包括：

接收单元，用于接收理赔请求，并根据理赔请求确定理赔数据，所述理赔数据包括：理赔类型、用户信息和理赔证明；

特征提取单元，用于根据所述理赔类型，从所述用户信息中提取相应的信用特征以及从所述理赔证明中提取相应的证明特征；

规则确认单元，用于确定所述证明特征是否符合所述理赔类型对应的理赔规则；

风险预测单元，用于在所述理赔证明符合理赔规则时，将所述信用特征输入理赔审核模型中，所述理赔审核模型输出所述理赔请求的风险程度；

理赔计算单元，用于在所述风险程度小于预设阈值时，确定与所述理赔证明相匹配的赔付金额，以及根据所述风险程度，确定与所述理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。

第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述理赔业务处理方法的步骤。

第四方面提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述理赔业务处理方法的步骤。

上述理赔业务处理方法、装置、计算机设备和存储介质，首先接收理赔请求，并根据理赔请求确定理赔数据，所述理赔数据包括：理赔类型、用户信息和理赔证明；其次根据所述理赔类型，从所述用户信息中提取相应的信用特征以及从所述理赔证明中提取相应的证明特征；再次确定所述证明特征是否符合所述理赔类型对应的理赔规则；在所述理赔证明符合理赔规则时，将所述信用特征输入理赔审核模型中，所述理赔审核模型输出所述理赔请求的风险程度；最后在所述风险程度小于预设阈值时，确定与所述理赔证明相匹配的赔付金额，以及根据所述风险程度，确定与所述理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。因此，可以根据用户理赔请求中的理赔数据，结合用户的信用数据与理赔规则，自动地对理赔是否通过进行审核，从而节省人力、缩短流程，提高理赔业务的处理效率。

附图说明

图1为一个实施例中提供的理赔业务处理方法的实施环境图；

图2为一个实施例中计算机设备的内部结构框图；

图3为一个实施例中理赔业务处理方法的流程图；

图4为一个实施例中理赔业务处理装置的结构框图。

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。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。

图1为一个实施例中提供的理赔业务处理方法的实施环境图，如图1所示，在该实施环境中，可以包括计算机设备110以及终端120。

计算机设备110为数据提供方设备，计算机设备110具有接口，例如可以为接口是API(Application Programming Interface，即应用程序接口)。终端120为理赔请求输入方，具有接口配置界面，当理赔业务处理时，用户可以通过终端120输入理赔请求，以使计算机设备110进行接下来的理赔业务处理。

需要说明的是，终端120以及计算机设备110可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。计算机设备110以及终端110可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者其他通讯连接方式进行连接，本发明在此不做限制。

图2为一个实施例中计算机设备的内部结构示意图。如图2所示，该计算机设备可以包括通过系统总线连接的处理器、存储介质、存储器和网络API接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种理赔业务处理方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种理赔业务处理方法。该计算机设备的网络API接口用于与终端连接通信。本领域技术人员可以理解，图2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，具体的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。

如图3所示，在一个实施例中，提出了一种理赔业务处理方法，该理赔业务处理方法可以应用于上述的计算机设备110中，具体可以包括以下步骤：

步骤301、接收理赔请求，并根据理赔请求确定理赔数据，理赔数据可以包括：理赔类型、用户信息和理赔证明；

可以理解的本方案可以应用于目前已有的多数险种，如用于医疗报销等的健康险，又如订单险、运费险等场景险，用户在发生保险可能可以理赔的情况时，可以通过相应的保险平台发起理赔，S101中所称的理赔申请，可以是指由用户直接发起的理赔申请，也可以指通过用户发起的理赔或其他操作，经过相应流程处理(如车险需要现场核损)后，生成的理赔申请，本说明书实施例对此不做限定的。

在一种应用场景中，首先进入数据收集模块，此模块负责收集客户的基本信息、历史理赔信息、契调相关信息、核保信息、外部投保理赔信息等。客户基本信息：学历、身高、体重等；客户行为信息：报案申请、活跃程度、忠诚度等；客户授权信息：电商、地理位置等；外部数据信息：有无其他公司理赔记录、理赔金额、理赔事项等。再进入风险欺诈规则、前置业务规则、外部规则模块的主要，其中风险欺诈模块主要通过核查用户在投保的时是否存在不实告知、是否存在恶意投保等情况，根据相应的规则映射为相应的风险欺诈倾向分数；外部规则主要是通过第三方合作方式提供的API查询其有无出险记录、历史投保机构等信息；前置业务规则主要负责将业务管控手段加工映射为相应的字段，如是否存在跨机构投保、是否存在本公司的理赔黑名单用户等。将风险欺诈模块、外部规则和前置业务规则的相关信息结构化。

步骤302、根据理赔类型，从用户信息中提取相应的信用特征以及从理赔证明中提取相应的证明特征；

步骤303、确定证明特征是否符合理赔类型对应的理赔规则；

不同险种甚至不同保单信息，对应的理赔规则可能存在区别，因此，在从理赔证明中提取证明特征时，可以针对不同的理赔规则，对应设置需提取的不同证明特征。例如，以车险为例，如果理赔规则中对车辆不同位置的损伤，规定了不同的理赔金额范围，则对应的证明特征可以为损伤部位特征，而理赔证明可以是车辆不同位置的照片，从而可以从理赔证明中提取出受损的各部位。

这里所称的保单信息对应的理赔规则，可以包括该保单所属险种对应的通用规则，例如，可以是该类险种能够理赔的场景范围，如只能够理赔门诊费用；也可以是该类险种能够理赔的金额范围，每年能够理赔的金额上限为1万元等等。此外，理赔规则也可以包括根据保单信息确定的定制规则，例如，健康险中可以根据保单信息中，被保险人的投保时年龄与已患疾病等情况，进行一些特殊的保障限定；也可以包括该份保单的历史赔付金额等等。信用数据例如，可以是该用户在保险机构或理赔平台的信用积分、或可以获得的用户在其他机构的信用积分；又如，可以是该用户在保险机构或理赔平台的历史理赔记录、或历史行为记录，如是否存在骗保行为、是否及时缴纳保费等等。

步骤304、在理赔证明符合理赔规则时，将信用特征输入理赔审核模型中，理赔审核模型输出理赔请求的风险程度；

其中，该步骤产生的相关指标+对应算法构成准入模型的输入，输出判断对应的理赔用户是否进入下一步的。如果准入模型的结论为不通过，则给予拒赔；如果准入模型的结论为通过，则进入下一步预赔付。

该步骤中，根据输入特征得到输出结果的方法可以包括：根据输入的证明特征，计算证明特征是否符合理赔规则；根据输入的信用特征，计算理赔用户是否达到预设信用要求、和/或欺诈风险是否达到预设阈值；

在一些实施例中，理赔审核模型可以包括至少两个预先训练的理赔审核子模型；

步骤304中将信用特征输入理赔审核模型中，理赔审核模型输出理赔请求的风险程度，可以包括：

步骤3041、将信用特征分别输入理赔审核子模型，各理赔审核子模块各自输出理赔审核的风险程度；

步骤3042、使用网格搜索方法寻找理赔审核模型的理赔审核子模型的最优权重组合，将权重组合中的各权重分别与对应的理赔审核子模型输出的风险程度进行加权求和，得到最终的风险程度。

理赔审核子模型可以包括Lightgbm模型、Xgboost模型、LOF模型、IF模型、LSTM模型、GRU模型、TextRNN模型、TextCNN模型、GAN模型、SMOTE模型、JDA模型中的至少两者。利用网格搜索方法分别用网格搜索法对Lightgbm、Xgboost、LOF、IF、LSTM、GRU、RNN、CNN、GAN、SMOTE、JDA等的组合进行自动调整权重，记录每个权重组合所对应的误差，按照误差从小到大的顺序进行排序，选择前K个误差最小的算法作为该特征最终预测所需的算法，并使用对应的K个最优参数对未来值进行预测，得到K个预测结果，求取K个预测结果的平均值作为最终预测结果。

在一些实施例中，步骤3041中理赔审核子模块输出理赔审核的风险程度，可以包括：

根据理赔类型从历史理赔数据库中获取与理赔类型一致的历史理赔请求的信息；

确定与理赔类型一致的历史理赔请求的信息的历史风险系数；以及确定理赔请求的风险系数；

根据历史风险系数、理赔请求的风险系数及预设算法计算理赔请求的风险程度。

进一步地，还包括训练风险系数模型的步骤，具体包括：

步骤3051、从历史理赔案件的信息中抓取风险特征因子，其中，风险特征因子通过信息价值或证据权重的方式进行抓取；

具体地，若历史理赔案件信息中某一信息的信息价值越大，则该信息即为风险特征因子。

步骤3052、通过机器学习的方法计算风险特征因子不同取值时的风险系数；

步骤3053、根据风险系数训练风险系数模型。

步骤3054、在风险程度小于预设阈值时，确定与理赔证明相匹配的赔付金额，以及根据风险程度，确定与理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔。

其中，在确定理赔申请通过的情况下，可以首先确定理赔规则中规定的赔付场景范围与赔付金额范围。例如，可以首先确定理赔保单的保额及历史赔付金额，然后根据保额与历史赔付金额的差值，计算理赔保单可赔付金额，得到可赔付金额对应的赔付金额范围

在一些实施例中，步骤105中根据风险程度，确定与理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔，可以包括：

将风险程度为低的第一理赔请求通过理赔作业系统进行自动理赔；

将风险风度为中的第二理赔请求发送至第一用户终端，以使第一用户终端的第一用户对第二理赔请求进行审核以完成对第二理赔请求的理赔；及

将风险程度为高的第三理赔请求发送至第二用户终端，以使第二用户终端的第二用户对第三理赔请求进行审核以完成对第三理赔请求的理赔，其中，第二用户终端的权限比第一用户终端的权限高。

可以理解的是，第一用户终端及第二用户终端均设置有相应的审核权限，第二用户终端的审核权限高于第一用户终端的审核权限。例如：第一用户为普通作业人员，第二用户为专家，普通作业人员对风险程度为中的案件进行书面资料核对，当核对完成时即可完成对风险程度为中的案件的审核，专家需对风险程度为高的案件进行深度调查，并在调查完成后完成对风险程度为高的案件的审核。

在一些实施例中，针对已完成审核的各理赔请求，确定审核结果存在错误的理赔请求的数量，并根据该数量计算理赔审核模型的预测准确率；

在预测准确率小于预设准确率阈值的情况下，以审核结果存在错误的理赔请求为负样本，优化理赔审核模型。

可以理解的是，理赔审核模型，所预测的审核结果并不一定完全正确，并且随着时间或社会环境的变化，该模型对于所应用场景的适应性也会发生变化，针对这一情况，可以在应用于审核理赔申请的过程中，通过已完成审核的各理赔申请，进行进一步的优化更新，从而提高预测准确率。

进一步地，确定审核结果存在错误的理赔请求的数量，可以包括：

统计用户对审核结果发起申诉的理赔请求数量；和/或对全部或部分理赔请求进行人工复审，统计复审确定审核结果错误的理赔请求数量。

在一些实施例中，理赔业务处理方法还可以包括：在确定理赔请求不通过的情况下，根据理赔审核模型的输出结果，确定理赔请求不通过的原因；原因至少可以包括：不符合理赔规则、信用未达到要求。

如图4所示，在一个实施例中，提供了一种理赔业务处理装置，该理赔业务处理装置可以集成于上述的计算机设备110中，具体可以包括：

接收单元411，用于接收理赔请求，并根据理赔请求确定理赔数据，理赔数据可以包括：理赔类型、用户信息和理赔证明；

特征提取单元412，用于根据理赔类型，从用户信息中提取相应的信用特征以及从理赔证明中提取相应的证明特征；

规则确认单元413，用于确定证明特征是否符合理赔类型对应的理赔规则；

风险预测单元414，用于在理赔证明符合理赔规则时，将信用特征输入理赔审核模型中，理赔审核模型输出理赔请求的风险程度；

理赔计算单元415，用于在风险程度小于预设阈值时，确定与理赔证明相匹配的赔付金额，以及根据风险程度，确定与理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔。

在一个实施例中，提出了一种计算机设备，计算机设备可以包括存储器、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，处理器执行计算机程序时实现以下步骤：接收理赔请求，并根据理赔请求确定理赔数据，理赔数据可以包括：理赔类型、用户信息和理赔证明；根据理赔类型，从用户信息中提取相应的信用特征以及从理赔证明中提取相应的证明特征；确定证明特征是否符合理赔类型对应的理赔规则；在理赔证明符合理赔规则时，将信用特征输入理赔审核模型中，理赔审核模型输出理赔请求的风险程度；在风险程度小于预设阈值时，确定与理赔证明相匹配的赔付金额，以及根据风险程度，确定与理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔。

在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：接收理赔请求，并根据理赔请求确定理赔数据，理赔数据可以包括：理赔类型、用户信息和理赔证明；根据理赔类型，从用户信息中提取相应的信用特征以及从理赔证明中提取相应的证明特征；确定证明特征是否符合理赔类型对应的理赔规则；在理赔证明符合理赔规则时，将信用特征输入理赔审核模型中，理赔审核模型输出理赔请求的风险程度；在风险程度小于预设阈值时，确定与理赔证明相匹配的赔付金额，以及根据风险程度，确定与理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至理赔终端，以使理赔终端根据理赔信息进行理赔。

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，该计算机程序可存储于一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，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)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。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种理赔业务处理方法，其特征在于，所述方法包括：

接收理赔请求，并根据理赔请求确定理赔数据，所述理赔数据包括：理赔类型、用户信息和理赔证明；

根据所述理赔类型，从所述用户信息中提取相应的信用特征以及从所述理赔证明中提取相应的证明特征；

确定所述证明特征是否符合所述理赔类型对应的理赔规则；

在所述理赔证明符合理赔规则时，将所述信用特征输入理赔审核模型中，所述理赔审核模型输出所述理赔请求的风险程度；

在所述风险程度小于预设阈值时，确定与所述理赔证明相匹配的赔付金额，以及根据所述风险程度，确定与所述理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔；

所述理赔审核模型包括至少两个预先训练的理赔审核子模型；理赔审核子模型包括Lightgbm模型、Xgboost模型、LOF模型、IF模型、LSTM模型、GRU模型、TextRNN模型、TextCNN模型、GAN模型、SMOTE模型、JDA模型中的至少两者；

所述将所述信用特征输入理赔审核模型中，所述理赔审核模型输出所述理赔请求的风险程度，包括：

将所述信用特征分别输入所述理赔审核子模型，各所述理赔审核子模块各自输出所述理赔申请的风险程度；

利用网格搜索法对Lightgbm模型、Xgboost模型、LOF模型、IF模型、LSTM模型、GRU模型、RNN模型、CNN模型、GAN模型、SMOTE模型、JDA模型中的至少两者的组合进行自动调整权重，记录每个权重组合所对应的误差，按照误差从小到大的顺序进行排序，选择前K个误差最小的算法作为该特征最终预测所需的算法，并使用对应的K个最优参数对未来值进行预测，得到K个预测结果，求取K个预测结果的平均值作为最终预测结果。

2.根据权利要求1所述的理赔业务处理方法，其特征在于，所述理赔审核子模块输出理赔申请的风险程度，包括：

根据所述理赔类型从历史理赔数据库中获取与所述理赔类型一致的历史理赔请求的信息；

确定与所述理赔类型一致的历史理赔请求的信息的历史风险系数；以及确定所述理赔请求的风险系数；

根据所述历史风险系数、理赔请求的风险系数及预设算法计算所述理赔请求的风险程度。

3.根据权利要求1所述的理赔业务处理方法，其特征在于，还包括：

针对已完成审核的各理赔请求，确定审核结果存在错误的理赔请求的数量，并根据该数量计算所述理赔审核模型的预测准确率；

若所述预测准确率小于预设准确率阈值，以审核结果存在错误的理赔请求为负样本，优化所述理赔审核模型。

4.根据权利要求3所述的理赔业务处理方法，其特征在于，所述确定审核结果存在错误的理赔请求的数量，包括：

统计用户对审核结果发起申诉的理赔请求数量；统计复审确定审核结果错误的理赔请求数量。

5.根据权利要求1所述的理赔业务处理方法，其特征在于，所述根据所述风险程度，确定与所述理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔，包括：

将风险程度为低的第一理赔请求通过理赔作业系统进行自动理赔；

将风险风度为中的第二理赔请求发送至第一用户终端，以使所述第一用户终端的第一用户对所述第二理赔请求进行审核以完成对所述第二理赔请求的理赔；及

将风险程度为高的第三理赔请求发送至第二用户终端，以使所述第二用户终端的第二用户对所述第三理赔请求进行审核以完成对所述第三理赔请求的理赔，其中，所述第二用户终端的权限比所述第一用户终端的权限高。

6.一种理赔业务处理装置，其特征在于，包括：

接收单元，用于接收理赔请求，并根据理赔请求确定理赔数据，所述理赔数据包括：理赔类型、用户信息和理赔证明；

特征提取单元，用于根据所述理赔类型，从所述用户信息中提取相应的信用特征以及从所述理赔证明中提取相应的证明特征；

规则确认单元，用于确定所述证明特征是否符合所述理赔类型对应的理赔规则；

风险预测单元，用于在所述理赔证明符合理赔规则时，将所述信用特征输入理赔审核模型中，所述理赔审核模型输出所述理赔请求的风险程度；

所述理赔审核模型包括至少两个预先训练的理赔审核子模型；理赔审核子模型包括Lightgbm模型、Xgboost模型、LOF模型、IF模型、LSTM模型、GRU模型、TextRNN模型、TextCNN模型、GAN模型、SMOTE模型、JDA模型中的至少两者；

所述将所述信用特征输入理赔审核模型中，所述理赔审核模型输出所述理赔请求的风险程度，包括：

将所述信用特征分别输入所述理赔审核子模型，各所述理赔审核子模块各自输出所述理赔申请的风险程度；

利用网格搜索法对Lightgbm模型、Xgboost模型、LOF模型、IF模型、LSTM模型、GRU模型、RNN模型、CNN模型、GAN模型、SMOTE模型、JDA模型中的至少两者的组合进行自动调整权重，记录每个权重组合所对应的误差，按照误差从小到大的顺序进行排序，选择前K个误差最小的算法作为该特征最终预测所需的算法，并使用对应的K个最优参数对未来值进行预测，得到K个预测结果，求取K个预测结果的平均值作为最终预测结果；

理赔计算单元，用于在所述风险程度小于预设阈值时，确定与所述理赔证明相匹配的赔付金额，以及根据所述风险程度，确定与所述理赔请求匹配的预设于理赔数据库中的预设规则，发送理赔信息至所述理赔终端，以使所述理赔终端根据所述理赔信息进行理赔。

7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项权利要求所述理赔业务处理方法的步骤。

8.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至5中任一项权利要求所述理赔业务处理方法的步骤。

Images