CN114170030B - 用于车辆远程定损的方法、装置、电子设备和介质 - Google Patents

用于车辆远程定损的方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN114170030B
CN114170030B CN202111492460.7A CN202111492460A CN114170030B CN 114170030 B CN114170030 B CN 114170030B CN 202111492460 A CN202111492460 A CN 202111492460A CN 114170030 B CN114170030 B CN 114170030B
Authority
CN
China
Prior art keywords
target vehicle
fraud probability
information
fraud
probability
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.)
Active
Application number
CN202111492460.7A
Other languages
English (en)
Other versions
CN114170030A (zh
Inventor
冯博豪
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111492460.7A priority Critical patent/CN114170030B/zh
Publication of CN114170030A publication Critical patent/CN114170030A/zh
Priority to EP22201249.4A priority patent/EP4113422A3/en
Priority to US17/967,761 priority patent/US20230038645A1/en
Application granted granted Critical
Publication of CN114170030B publication Critical patent/CN114170030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Technology Law (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本公开提供了一种用于车辆远程定损的方法，涉及人工智能技术领域，尤其涉及图像与文本识别技术领域。实现方案为：对目标车辆进行数据采集以确定目标车辆的受损信息；获取针对目标车辆的报险电话的通话内容，并从通话内容中提取事故相关信息，其中，事故相关信息包括通话内容中的命名实体以及命名实体之间的关联关系；以及至少基于受损信息和事故相关信息，确定目标车辆对应的第一欺诈概率。

Description

用于车辆远程定损的方法、装置、电子设备和介质
技术领域
本公开涉及人工智能技术领域，尤其涉及图像与文本识别技术领域，具体涉及一种用于车辆远程定损的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术。人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
机动车辆保险的理赔工作中的勘查定损是对损失情况进行调查和勘验，对损失的程度进行客观和专业的描述和记录，对修复的可能性进行判断。对于可以修复的，应对修复的方式以及费用进行确定。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于车辆远程定损的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种用于车辆远程定损的方法，包括：对目标车辆进行数据采集以确定所述目标车辆的受损信息；获取针对所述目标车辆的报险电话的通话内容，并从所述通话内容中提取事故相关信息，其中，所述事故相关信息包括所述通话内容中的命名实体以及所述命名实体之间的关联关系；以及至少基于所述受损信息和所述事故相关信息，确定所述目标车辆对应的第一欺诈概率。
根据本公开的另一方面，提供了一种用于车辆远程定损的装置，包括：采集模块，被配置为对目标车辆进行数据采集以确定所述目标车辆的受损信息；获取模块，被配置为获取针对所述目标车辆的报险电话的通话内容，并从所述通话内容中提取事故相关信息，其中，所述事故相关信息包括所述通话内容中的命名实体以及所述命名实体之间的关联关系；以及第一确定模块，被配置为至少基于所述受损信息和所述事故相关信息，确定所述目标车辆对应的第一欺诈概率。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行用于车辆远程定损的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行用于车辆远程定损的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现用于车辆远程定损的方法。
根据本公开的一个或多个实施例，可以通过远程采集的数据确定车辆的受损信息，并与通话内容中用户的描述进行比对，以判断欺诈概率，从而减少了现场勘查的人力资源，并能够降低远程定损欺诈案例发生的概率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的用于车辆远程定损的方法的流程图；
图2示出了根据本公开的实施例的确定目标车辆的受损信息的方法的流程图；
图3示出了根据本公开的实施例的确定目标车辆对应的第一欺诈概率的方法的流程图；
图4示出了根据本公开的实施例的用于车辆远程定损的装置的结构框图；
图5示出了根据本公开的实施例的确定目标车辆的受损信息的采集模块的结构框图；
图6示出了根据本公开的实施例的确定目标车辆对应的第一欺诈概率的第一确定模块的结构框图；以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中，在车辆发生事故后，需要专职的勘查人员进行事故现场的车辆定损查勘，但由于事故频率较高，发生的位置分散，当现场勘查任务产生时，可能无法在最短的时间内确定距离现场最近的勘查人员的状况并加以调配，这就势必大大增加了客户现场等待的时间。另一方面，车险理赔中出现了不少欺诈行为。比如，车辆受损部位还有多处“旧伤”,与此次事故造成的剐蹭相互重叠，可车主却声称近期未出现过事故，夸大损失情况，而现场的勘查人员由于短时间内无法收集到事故车辆的全部数据而无法判断欺诈行为。
为解决上述问题，本公开通过远程采集的数据确定车辆的受损信息，并与通话内容中用户的描述进行比对，以判断欺诈概率。从而减少了现场勘查的人力资源，并能够降低远程定损欺诈案例发生的概率。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例的用于车辆远程定损的方法的流程图。如图1所示，用于车辆远程定损的方法100包括：步骤S101、对目标车辆进行数据采集以确定所述目标车辆的受损信息；步骤S102、获取针对所述目标车辆的报险电话的通话内容，并从所述通话内容中提取事故相关信息，其中，所述事故相关信息包括所述通话内容中的命名实体以及所述命名实体之间的关联关系；以及步骤S103、至少基于所述受损信息和所述事故相关信息，确定所述目标车辆对应的第一欺诈概率。
由此，通过远程采集的目标车辆的事故现场数据来确定车辆的受损信息，并与报险电话中用户的描述进行比对，以判断所采集的事故现场数据与用户的描述是否存在矛盾。其中，在通话内容中提取得到包括命名实体以及命名实体之间的关联关系的事故相关信息，排除了通话内容中的无关信息以及多余信息，可以更快速地判断出用户描述的内容的真实性，再基于此判断欺诈概率以确定在描述车辆的受损信息方面用户是否存在欺诈。从而减少了现场勘查的人力资源，并能够降低远程定损欺诈案例发生的概率。
根据一些实施例，命名实体是某一个概念的具体实例，是构建句子的主要成分。例如，“汽车品牌”是一种概念，相应地，“A品牌”与“B品牌”为这一概念下的两个命名实体。示例性的，当通话内容为“刚刚我的A品牌轿车与一辆B品牌轿车相撞了”时，可以将该句子中两个命名实体“A品牌”与“B品牌”以及两个命名实体之间的关联关系“相撞”提取出来，以得到“A品牌-B品牌-相撞”这一事故相关信息，从而排除了通话内容中的多余信息，以提升后续对通话内容真实性地判断的效率。图2示出了根据本公开的实施例的确定目标车辆的受损信息的方法的流程图。如图2所示，确定目标车辆的受损信息的方法S101包括：步骤S201、对所述目标车辆进行图像数据的采集，并基于所采集的所述图像数据，确定针对所述目标车辆的事故类型；和/或步骤S202、对所述目标车辆进行视频数据的采集，并基于所述视频数据中的多个视频帧，确定所述目标车辆的损伤部位和损伤类型。
示例性的，所述图像数据和视频数据可以由用户在事故现场拍摄得到，以用于确定目标车辆的受损信息。具体地，可以利用图像分类模型基于所采集的图像数据来确定针对目标车辆的事故类型，事故的类型分类例如可以包括追尾事故、人车相撞、弯道事故、变道事故等。可以对所采集的视频数据进行多个关键帧的抽取等预处理操作，并基于所抽取的多个关键帧的图像信息以及帧间的变化情况获取目标车辆的受损信息。
在一个示例中，可以利用Yolo-v5算法来检测多个关键帧中目标车辆的总体上的损伤部位，并利用图像语义分割模型来进一步确定目标车辆的更为具体的损伤部位和损伤类型，损伤类型例如可以包括划痕、凹陷、撕裂。具体地，图像语义分割模型可以包括Deeplab V3+模型和Img2txt模型，Deeplab V3+模型经过前期的样本预训练后，可以识别出多个关键帧中目标车辆的损伤部位和损伤类型，再由Img2txt模型将Deeplab V3+所输出的图像中的损伤信息转化为文字信息，以得到目标车辆的受损信息。由此，通过结合Yolo-v5算法和图像语义分割模型，可以更快速、精细地定位目标车辆的损伤部位和损伤类型。
可以理解的是，在目标车辆发生事故后，用户将通过电话向保险公司报险，因此，可以将报险电话的通话内容的事故相关信息提取出来与上述受损信息进行比对以更快速地判断用户是否存在谎报或夸大损失的情况。
根据一些实施例，在步骤S102中，可以利用BERT模型与条件随机场(ConditionalRandom Field,CRF)模型相结合来提取通话内容中的命名实体，其中，BERT模型能够获取得到命名实体的开始位置和结束位置，在BERT模型的输出层加上一个CRF模型，使得模型考虑类标签之间的相关性，进而提高命名实体抽取的准确性。在提取得到一系列离散的命名实体后，可以利用Piece-Wise-CNN(PCNN)模型从通话内容中提取出命名实体之间的关联关系，通过关联关系将实体联系起来，形成网状的知识结构，以得到语义信息。
在一个示例中，利用PCNN模型提取出命名实体之间的关联关系的步骤包括：数据预处理，对文本数据进行位置编码，将通话内容中的各个句子中各个词离命名实体的距离进行编码；切分句子，将通话内容中的各个句子按照命名实体进行切分；将位置特征和文本特征拼接之后，然后将数据分别通过CNN模型来提取特征；将提取出来的特征通过Softmax函数，完成关系的分类。通过以上过程，可以对通话内容的关键信息进行抽取，能够去除冗余的信息，完成核心要点的抽取。
图3示出了根据本公开的实施例的确定目标车辆对应的第一欺诈概率的方法的流程图。如图3所示，确定目标车辆对应的第一欺诈概率的方法S103包括：步骤S301、从所述受损信息中提取与所述通话内容中的预设问题相对应的第一答案；步骤S302、将所述第一答案与所述事故相关信息进行比对以确定第五欺诈概率；步骤S303、响应于所述第五欺诈概率小于第二阈值，基于所述第五欺诈概率确定所述目标车辆对应的第一欺诈概率；或者步骤S304、响应于所述第五欺诈概率大于或等于第二阈值，将所述第一答案与所述通话内容进行比对以确定第六欺诈概率，并基于所述第五欺诈概率和所述第六欺诈概率确定所述目标车辆对应的第一欺诈概率。
可以理解的是，在与报险用户通话时，工作人员会询问预设的一系列问题，例如目标车辆的车型、具体的受损部位、受损情况以及事故地点等，以了解事故现场的情况。
根据一些实施例，可以利用机器阅读理解模型(Retrospective Reader forMachine Reading Comprehension,RRMRC)从经由采集的图像数据或视频数据中获取得到的受损信息中提取与上述预设问题相对应的答案，并与事故相关信息中用户的回答进行比对，以判断二者之间是否有冲突或矛盾以确定第五欺诈概率。由于事故相关信息是从通话内容中提取得到的排除冗余信息的关键信息，因而使得上述判断的速度得以提升。当第五欺诈概率小于第二阈值时，表示目标车辆对应的用户在描述目标车辆的受损信息这一方面存在欺诈的可能性较小，因而可以将第五欺诈概率直接作为目标车辆对应的第一欺诈概率并用于综合欺诈概率的计算。当第五欺诈概率大于第二阈值时，表示目标车辆对应的用户在描述目标车辆的受损信息这一方面存在欺诈的可能性较大，需要将第一答案与完整的通话内容进行比对以更全面、准确地确定用户在描述目标车辆的受损信息的过程中是否存在谎报、夸大的情况，进而确定第六欺诈概率，并基于第五欺诈概率和第六欺诈概率来确定目标车辆对应的第一欺诈概率以用于综合欺诈概率的计算。这样的计算方式使得在欺诈概率低于阈值时，计算数据数量更少以提升计算速度，而在欺诈概率高于阈值时，更全面地比对使得计算结果更为准确。
示例性的，从受损信息中提取到的与上述预设问题相对应的第一答案例如可以是“B品牌轿车，前后立柱撞穿，柱体凹陷变形部分达到柱体20％”，报险电话的通话内容为：“问:请问，你的是什么车？答：我的是B品牌轿车。问:遇到了什么问题？答：今天发生车祸，立柱撞断了。”通话内容的关键信息：B品牌轿车-车祸，B品牌轿车-立柱撞断。当预设问题为“遇到什么问题？”时，PRMRC模型可以从受损信息中提取对应的答案为“前后立柱撞穿”，并基于上述三方面的信息利用文本相似度模型来进行比对，以确定第五欺诈率或第六欺诈率。
根据一些实施例，所述用于车辆远程定损的方法还包括：基于所述第一欺诈概率，确定用于指示所述事故是否涉及欺诈的综合欺诈概率。可以理解的是，第一欺诈概率可以用于量化用户在描述车辆受损信息这一方面存在欺诈的概率，这一概率可以作为欺诈的一个方面用于确认用户存在欺诈行为的综合欺诈概率。
根据一些实施例，基于所述第一欺诈概率，确定用于指示所述事故是否涉及欺诈的综合欺诈概率包括：基于所述第一欺诈概率和下列中的至少一者，确定所述综合欺诈概率：基于报险时所述目标车辆的地理位置信息确定的第二欺诈概率；基于所述目标车辆对应的用户信息和所述通话内容确定的第三欺诈概率；和基于所述报险电话对应的来电人员的人物图谱确定的第四欺诈概率。
根据实际需求，综合欺诈概率的计算可以基于多个方面的欺诈概率的计算。除上述目标车辆受损信息的描述之外，还可以考虑用户是否在地理位置信息、用户信息等方面存在欺诈的行为。
根据一些实施例，第三欺诈概率可以表示目标车辆对应的用户在通话时是否在用户信息方面存在欺诈。从数据库中获取用户信息，并从通话内容中提取出用户的基本信息，然后将二者进行对比，判断用户是否存在欺诈行为。比如，通话内容中用户自称21岁，而数据库中记录的出生时间是2014年。由此，可以获取到用信息的第三欺诈概率。
根据一些实施例，第四欺诈概率表示目标车辆对应的团伙欺诈概率。在一些欺诈案例中，每起事故中都有一辆相同的车辆，并且是被追尾的无责任车，在多张保险公司定损的照片中都有同一个人在场，该欺诈团伙以该人为首，合伙多人向保险公司投保，并交替更换投保人、报案人、被保险人、驾驶员等角色。由此可见，车险中，欺诈团伙的发现异常重要。可以利用社区检测算法infomap，基于报险电话对应的来电人员的人物图谱，快速有效地完成作案团伙的检测，并输出来电人员处于欺诈团伙中的第四欺诈概率。
根据一些实施例，在所述综合欺诈概率是至少基于所述第二欺诈概率确定的情况下，所述第二欺诈概率是通过如下方式确定的：基于所述地理位置信息与预设风险区域的关系，确定第七欺诈概率；提取所述通话内容中的位置信息并与所述地理位置信息进行比对，确定第八欺诈概率；以及基于所述第七欺诈概率与所述第八欺诈概率，确定所述目标车辆对应的第二欺诈概率。
目标车辆对应的地理位置信息的第二欺诈概率可以基于两个方面进行计算：一是通过判断目标车辆是否处于风险区域并得到表示目标车辆可能处于风险区域概率的第七欺诈概率，其中，风险区域是指根据历史数据，得到的欺诈发生的高概率区域；而是通过比对通话内容中的位置信息与目标车辆所在地理位置信息来确定第八欺诈概率，二者距离越远，第八欺诈概率越大。
根据一些实施例，所述方法还包括：响应于所述综合欺诈概率小于第一阈值，基于所述受损信息确定针对所述目标车辆的维修方式。
当综合欺诈概率小于第一阈值时，目标车辆存在欺诈的可能性较低，应继续对目标车辆定损的流程。定损过程可以包括三部分：信息查询，维修方式分类，受损零件维修价格查询。
对于信息查询，当车辆发生事故时，客户进行车险报案。车险报案信息包括车辆基本信息、出险原因、出险地点等。其中，车辆基本信息包括事故车辆的车牌号和车架号。可以根据用户提供的车架号或者通过OCR识别获得的车架号，检索信息库，获得目标车辆的详细信息。目标车辆的详细信息包括车型车系，购买时间，车龄等信息。对于维修方式分类，可以利用文本分类模型，根据受损信息以及目标车辆的详细信息，判断是对部件进行修复还是更换。如果分类结果为修复，还会给出修复的方式(如钣金，喷漆等)。例如，当受损信息为：“前后立柱撞穿，柱体凹陷变形部分达到柱体20％”时，文本分类模型会得到损伤处理建议为“更换”。对于受损零件维修价格查询，可以根据目标车辆的详细信息以及受损部件，询信息库中保存的对应配件的信息，并由此得到受损车辆的维修价格。
相应地，在综合欺诈概率大于第一阈值时，表示目标车辆存在欺诈的可能性较高，报案人存在欺诈嫌疑，系统会出现预警信息，保险公司和勘查人员都会特别关注该报案人。可以利用语音合成技术回电报案人，向其讲述了此案的疑点，同时说明了故意制造虚假事故进行骗赔的法律后果。根据报案人的回应，进行后续处理。
根据本公开的另一方面，提供了一种用于车辆远程定损的装置。如图4所示，用于车辆远程定损的装置400包括：采集模块401，被配置为对目标车辆进行数据采集以确定所述目标车辆的受损信息；获取模块402，被配置为获取针对所述目标车辆的报险电话的通话内容，并从所述通话内容中提取事故相关信息，其中，所述事故相关信息包括所述通话内容中的命名实体以及所述命名实体之间的关联关系；以及第一确定模块403，被配置为至少基于所述受损信息和所述事故相关信息，确定所述目标车辆对应的第一欺诈概率。
用于车辆远程定损的装置400的模块401-403的操作与前述描述的步骤S101-步骤S103的操作类似，在此不作赘述。
由此，通过采集模块401远程采集的目标车辆的事故现场数据来确定车辆的受损信息，并与报险电话中用户的描述进行比对，以判断所采集的事故现场数据与用户的描述是否存在矛盾。其中，获取模块402在通话内容中提取得到包括命名实体以及命名实体之间的关联关系的事故相关信息，排除了通话内容中的无关信息以及多余信息，可以使得第一确定模块403更快速地判断出用户描述的内容的真实性，并判断欺诈概率以确定用户在描述车辆受损信息这一方面是否存在欺诈。从而减少了现场勘查的人力资源，并能够降低远程定损欺诈案例发生的概率。
图5示出了根据本公开的实施例的确定目标车辆的受损信息的采集模块的结构框图。如图5所示，所述采集模块401包括：第一确定单元501，被配置为对所述目标车辆进行图像数据的采集，并基于所采集的所述图像数据，确定针对所述目标车辆的事故类型；和/或，第二确定单元502，被配置为对所述目标车辆进行视频数据的采集，并基于所述视频数据中的多个视频帧，确定所述目标车辆的损伤部位和损伤类型。
示例性的，所述图像数据和视频数据的采集可以由第一确定单元501和第二确定单元502利用用户在事故现场进行拍摄，以用于确定目标车辆的受损信息。具体地，第一确定单元501可以利用图像分类模型基于所采集的图像数据来确定针对目标车辆的事故类型，事故的类型分类例如可以包括追尾事故、人车相撞、弯道事故、变道事故等。第二确定单元502可以对所采集的视频数据进行多个关键帧的抽取等预处理操作，并基于所抽取的多个关键帧的图像信息以及帧间的变化情况获取目标车辆的受损信息。
在一个示例中，第二确定单元502可以利用Yolo-v5算法来检测多个关键帧中目标车辆的总体上的损伤部位，并利用图像语义分割模型来进一步确定目标车辆的更为具体的损伤部位和损伤类型，损伤类型例如可以包括划痕、凹陷、撕裂。具体地，图像语义分割模型可以包括Deeplab V3+模型和Img2txt模型，Deeplab V3+模型经过前期的样本预训练后，可以识别出多个关键帧中目标车辆的损伤部位和损伤类型，再由Img2txt模型将Deeplab V3+所输出的图像中的损伤信息转化为文字信息，以得到目标车辆的受损信息。由此，通过结合Yolo-v5算法和图像语义分割模型，可以更快速、精细地定位目标车辆的损伤部位和损伤类型。
可以理解的是，在目标车辆发生事故后，用户将通过电话向保险公司报险，因此，获取模块402可以将报险电话的通话内容的事故相关信息提取出来与上述受损信息进行比对以更快速地判断用户是否存在谎报或夸大损失的情况。
根据一些实施例，获取模块402可以利用BERT模型与条件随机场(ConditionalRandom Field,CRF)模型相结合来提取通话内容中的命名实体，其中，BERT模型能够获取得到命名实体的开始位置和结束位置，在BERT模型的输出层加上一个CRF模型，使得模型考虑类标签之间的相关性，进而提高命名实体抽取的准确性。在提取得到一系列离散的命名实体后，可以利用Piece-Wise-CNN(PCNN)模型从通话内容中提取出命名实体之间的关联关系，通过关联关系将实体联系起来，形成网状的知识结构，以得到语义信息。
在一个示例中，获取模块402利用PCNN模型提取出命名实体之间的关联关系的步骤包括：数据预处理，对文本数据进行位置编码，将通话内容中的各个句子中各个词离命名实体的距离进行编码；切分句子，将通话内容中的各个句子按照命名实体进行切分；将位置特征和文本特征拼接之后，然后将数据分别通过CNN模型来提取特征；将提取出来的特征通过Softmax函数，完成关系的分类。通过以上过程，可以将通话内容的关键信息进行抽取，能够去除冗余的信息，完成核心要点的抽取。
图6示出了根据本公开的实施例的确定目标车辆对应的第一欺诈概率的第一确定模块的结构框图。如图6所示，所述第一确定模块403包括：提取单元601，被配置为从所述受损信息中提取与所述通话内容中的预设问题相对应的第一答案；第三确定单元602，被配置为将所述第一答案与所述事故相关信息进行比对以确定第五欺诈概率；第四确定单元603，被配置为响应于所述第五欺诈概率小于第二阈值，基于所述第五欺诈概率确定所述目标车辆对应的第一欺诈概率；或者，第五确定单元604，被配置为响应于所述第五欺诈概率大于或等于第二阈值，将所述第一答案与所述通话内容进行比对以确定第六欺诈概率，并基于所述第五欺诈概率和所述第六欺诈概率确定所述目标车辆对应的第一欺诈概率。
根据一些实施例，提取单元601可以利用机器阅读理解模型(RetrospectiveReader for Machine Reading Comprehension,RRMRC)从经由采集的图像数据或视频数据中获取得到的受损信息中提取与上述预设问题相对应的答案，并由第三确定单元602与事故相关信息中用户的回答进行比对，以判断二者之间是否有冲突或矛盾以确定第五欺诈概率。由于事故相关信息是从通话内容中提取得到的排除冗余信息的关键信息，因而使得上述判断的速度得以提升。当第五欺诈概率小于第二阈值时，表示目标车辆对应的用户在描述目标车辆的受损信息这一方面存在欺诈的可能性较小，因而可以将第五欺诈概率直接作为目标车辆对应的第一欺诈概率并用于综合欺诈概率的计算。当第五欺诈概率大于第二阈值时，表示目标车辆对应的用户在描述目标车辆的受损信息这一方面存在欺诈的可能性较大，需要将第一答案与完整的通话内容进行比对以更全面、准确的确定用户在描述目标车辆的受损信息的过程中是否存在谎报、夸大的情况，进而确定第六欺诈概率，并基于第五欺诈概率和第六欺诈概率来确定目标车辆对应的第一欺诈概率以用于综合欺诈概率的计算。这样的计算方式使得在欺诈概率低于阈值时，计算数据数量更少以提升计算速度，而在欺诈概率高于阈值时，更全面地比对使得计算结果更为准确。
示例性的，提取单元601从受损信息中提取到的与上述预设问题相对应的第一答案例如可以是“B品牌轿车，前后立柱撞穿，柱体凹陷变形部分达到柱体20％”，报险电话的通话内容为：“问:请问，你的是什么车？答：我的是B品牌轿车。问:遇到了什么问题？答：今天发生车祸，立柱撞断了。”通话内容的关键信息：B品牌轿车-车祸，B品牌轿车-立柱撞断。当预设问题为“遇到什么问题？”时，PRMRC模型可以从受损信息中提取对应的答案为“前后立柱撞穿”，并基于上述三方面的信息利用文本相似度模型来进行比对，以确定第五欺诈率或第六欺诈率。
根据一些实施例，所述用于车辆远程定损的装置还包括：第二确定模块，被配置为基于所述第一欺诈概率，确定用于指示所述事故是否涉及欺诈的综合欺诈概率。可以理解的是，第一欺诈概率可以用于量化用户在描述车辆受损信息这一方面存在欺诈的概率，这一概率可以作为欺诈的一个方面用于确认用户存在欺诈行为的综合欺诈概率。
根据一些实施例，第二确定模块还被配置为：基于所述第一欺诈概率和下列中的至少一者，确定所述综合欺诈概率：基于报险时所述目标车辆的地理位置信息确定的第二欺诈概率；基于所述目标车辆对应的用户信息和所述通话内容确定的第三欺诈概率；和基于所述报险电话对应的来电人员的人物图谱确定的第四欺诈概率。
根据实际需求，综合欺诈概率的计算可以基于多个方面的欺诈概率的计算。除上述目标车辆受损信息的描述之外，还可以考虑用户是否在地理位置信息、用户信息等方面存在欺诈的行为。
根据一些实施例，第三欺诈概率可以表示目标车辆对应的用户在通话时是否在用户信息方面存在欺诈。从数据库中获取用户信息，并从通话内容中提取出用户的基本信息，然后将二者进行对比，判断用户是否存在欺诈行为。比如，通话内容中用户说他21岁，而数据库中记录的出生时间是2014年。由此，可以获取到用信息的第三欺诈概率。
根据一些实施例，第四欺诈概率表示目标车辆对应的团伙欺诈概率。在一些欺诈案例中，每起事故中都有一辆相同的车辆，并且是被追尾的无责任车，在多张保险公司定损的照片中都有同一个人在场，该欺诈团伙以该人为首，合伙多人向保险公司投保，交替更换投保人、报案人、被保险人、驾驶员等角色。由此可见，车险中，欺诈团伙的发现异常重要。可以利用社区检测算法infomap，基于报险电话对应的来电人员的人物图谱，快速有效地完成作案团伙的检测，并输出来电人员处于欺诈团伙中的第四欺诈概率。
根据一些实施例，在所述第二确定模块被配置为至少基于所述第二欺诈概率确定所述综合欺诈概率的情况下，所述第二确定模块包括以下单元以确定所述第二欺诈概率：第六确定单元，被配置为基于所述地理位置信息与预设风险区域的关系，确定第七欺诈概率；第七确定单元，被配置为提取所述通话内容中的位置信息并与所述地理位置信息进行比对，确定第八欺诈概率；以及第八确定单元，被配置为基于所述第七欺诈概率与所述第八欺诈概率，确定所述目标车辆对应的第二欺诈概率。
目标车辆对应的地理位置信息的第二欺诈概率可以基于两个方面进行计算：一是通过判断目标车辆是否处于风险区域并得到表示目标车辆可能处于风险区域概率的第七欺诈概率，其中，风险区域是指根据历史数据，得到的欺诈发生的高概率区域；而是通过比对通话内容中的位置信息与目标车辆所在地理位置信息来确定第八欺诈概率，二者距离越远，第八欺诈概率越大。
根据一些实施例，所述装置还包括：第三确定模块，被配置为响应于所述综合欺诈概率小于第一阈值，基于所述受损信息确定针对所述目标车辆的维修方式。
根据一些实施例，所述装置还包括：存储模块，以将拍摄的图像数据、视频数据以及用户的通话内容进行记录。同时存储系统中包含了大量的用户信息和车辆信息，用于车辆定损。存储模块的信息库由二部分组成，第一部分为用户信息以及保险信息，第二部分为汽车信息以及汽车图谱。第一部分包括被保险人的身份信息，保险购买日期，投保金额，投保险种等。第二部分为汽车信息以及汽车图谱。这里的汽车信息与车架号一一对应，包括车龄，里程，排量等信息。汽车图谱的中心节点为品牌，品牌向外扩展的节点为汽车的车型车系，车型车系往外延展得到的节点是零配件。而与零配件相联系的是配件适用的汽车车型。每个节点本身包含自身的特征。比如节点奔驰C200，其属性值包括车身长度，排量，发动机型号等。如果节点为配件，则其属性值为配件名称，配件价格，配件的图像数据等。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如用于车辆远程定损的方法。例如，在一些实施例中，用于车辆远程定损的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的用于车辆远程定损的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于车辆远程定损的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (14)

1.一种用于车辆远程定损的方法，包括：
对目标车辆进行数据采集以确定所述目标车辆的受损信息；
获取针对所述目标车辆的报险电话的通话内容，并从所述通话内容中提取事故相关信息，其中，所述事故相关信息是从所述通话内容中提取得到的排除冗余信息的关键信息，并且所述事故相关信息包括所述通话内容中的命名实体以及所述命名实体之间的关联关系；以及
至少基于所述受损信息和所述事故相关信息中的所述命名实体和所述关联关系，确定所述目标车辆对应的第一欺诈概率，包括：
从所述受损信息中提取与所述通话内容中的预设问题相对应的第一答案；
将所述第一答案与所述事故相关信息中的所述命名实体和所述关联关系进行比对以确定第五欺诈概率；
响应于所述第五欺诈概率大于或等于第二阈值，确定所述目标车辆对应的用户在描述所述目标车辆的受损信息时存在欺诈的可能性大，并将所述第一答案与完整的通话内容进行比对以确定第六欺诈概率，并基于所述第五欺诈概率和所述第六欺诈概率确定所述目标车辆对应的第一欺诈概率。
2.根据权利要求1所述的方法，还包括：
基于所述第一欺诈概率，确定用于指示所述事故是否涉及欺诈的综合欺诈概率。
3.根据权利要求2所述的方法，其中，基于所述第一欺诈概率，确定所述综合欺诈概率包括：
基于所述第一欺诈概率和下列中的至少一者，确定所述综合欺诈概率：
基于报险时所述目标车辆的地理位置信息确定的第二欺诈概率；
基于所述目标车辆对应的用户信息和所述通话内容确定的第三欺诈概率；和
基于所述报险电话对应的来电人员的人物图谱确定的第四欺诈概率。
4.根据权利要求2或3所述的方法，还包括：
响应于所述综合欺诈概率小于第一阈值，基于所述受损信息确定针对所述目标车辆的维修方式。
5.根据权利要求1所述的方法，其中，对目标车辆进行数据采集以确定所述目标车辆的受损信息包括：
对所述目标车辆进行图像数据的采集，并基于所采集的所述图像数据，确定针对所述目标车辆的事故类型；和/或，
对所述目标车辆进行视频数据的采集，并基于所述视频数据中的多个视频帧，确定所述目标车辆的损伤部位和损伤类型。
6.根据权利要求3所述的方法，其中，在所述综合欺诈概率是至少基于所述第二欺诈概率确定的情况下，所述第二欺诈概率是通过如下方式确定的：
基于所述地理位置信息与预设风险区域的关系，确定第七欺诈概率；
提取所述通话内容中的位置信息并与所述地理位置信息进行比对，确定第八欺诈概率；以及
基于所述第七欺诈概率与所述第八欺诈概率，确定所述目标车辆对应的第二欺诈概率。
7.一种用于车辆远程定损的装置，包括：
采集模块，被配置为对目标车辆进行数据采集以确定所述目标车辆的受损信息；
获取模块，被配置为获取针对所述目标车辆的报险电话的通话内容，并从所述通话内容中提取事故相关信息，其中，所述事故相关信息是从所述通话内容中提取得到的排除冗余信息的关键信息，并且所述事故相关信息包括所述通话内容中的命名实体以及所述命名实体之间的关联关系；以及
第一确定模块，被配置为至少基于所述受损信息和所述事故相关信息，确定所述目标车辆对应的第一欺诈概率，其中，所述第一确定模块包括：
提取单元，被配置为从所述受损信息中提取与所述通话内容中的预设问题相对应的第一答案；
第三确定单元，被配置为将所述第一答案与所述事故相关信息进行比对以确定第五欺诈概率；
第五确定单元，被配置为响应于所述第五欺诈概率大于或等于第二阈值，确定所述目标车辆对应的用户在描述所述目标车辆的受损信息时存在欺诈的可能性大，并将所述第一答案与完整的通话内容进行比对以确定第六欺诈概率，并基于所述第五欺诈概率和所述第六欺诈概率确定所述目标车辆对应的第一欺诈概率。
8.根据权利要求7所述的装置，还包括：
第二确定模块，被配置为基于所述第一欺诈概率，确定用于指示所述事故是否涉及欺诈的综合欺诈概率。
9.根据权利要求8所述的装置，其中，所述第二确定模块还被配置为：
基于所述第一欺诈概率和下列中的至少一者，确定所述综合欺诈概率：
基于报险时所述目标车辆的地理位置信息确定的第二欺诈概率；
基于所述目标车辆对应的用户信息和所述通话内容确定的第三欺诈概率；和
基于所述报险电话对应的来电人员的人物图谱确定的第四欺诈概率。
10.根据权利要求8或9所述的装置，还包括：
第三确定模块，被配置为响应于所述综合欺诈概率小于第一阈值，基于所述受损信息确定针对所述目标车辆的维修方式。
11.根据权利要求7所述的装置，其中，所述采集模块包括：
第一确定单元，被配置为对所述目标车辆进行图像数据的采集，并基于所采集的所述图像数据，确定针对所述目标车辆的事故类型；和/或，
第二确定单元，被配置为对所述目标车辆进行视频数据的采集，并基于所述视频数据中的多个视频帧，确定所述目标车辆的损伤部位和损伤类型。
12.根据权利要求9所述的装置，其中，在所述第二确定模块被配置为至少基于所述第二欺诈概率确定所述综合欺诈概率的情况下，所述第二确定模块包括以下单元以确定所述第二欺诈概率：
第六确定单元，被配置为基于所述地理位置信息与预设风险区域的关系，确定第七欺诈概率；
第七确定单元，被配置为提取所述通话内容中的位置信息并与所述地理位置信息进行比对，确定第八欺诈概率；以及
第八确定单元，被配置为基于所述第七欺诈概率与所述第八欺诈概率，确定所述目标车辆对应的第二欺诈概率。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
CN202111492460.7A 2021-12-08 2021-12-08 用于车辆远程定损的方法、装置、电子设备和介质 Active CN114170030B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111492460.7A CN114170030B (zh) 2021-12-08 2021-12-08 用于车辆远程定损的方法、装置、电子设备和介质
EP22201249.4A EP4113422A3 (en) 2021-12-08 2022-10-13 Method and apparatus for remote damage assessment of a vehicle, electronic device and medium
US17/967,761 US20230038645A1 (en) 2021-12-08 2022-10-17 Method, electronic device and storage medium for remote damage assessment of vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111492460.7A CN114170030B (zh) 2021-12-08 2021-12-08 用于车辆远程定损的方法、装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN114170030A CN114170030A (zh) 2022-03-11
CN114170030B true CN114170030B (zh) 2023-09-26

Family

ID=80484265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111492460.7A Active CN114170030B (zh) 2021-12-08 2021-12-08 用于车辆远程定损的方法、装置、电子设备和介质

Country Status (3)

Country Link
US (1) US20230038645A1 (zh)
EP (1) EP4113422A3 (zh)
CN (1) CN114170030B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104427079A (zh) * 2013-09-09 2015-03-18 中兴通讯股份有限公司 用户语音通话预警方法及装置
CN107403326A (zh) * 2017-08-14 2017-11-28 云数信息科技（深圳）有限公司 一种基于电信数据的保险欺诈识别方法及装置
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
CN109784170A (zh) * 2018-12-13 2019-05-21 平安科技（深圳）有限公司 基于图像识别的车险定损方法、装置、设备及存储介质
CN110175928A (zh) * 2019-05-14 2019-08-27 安泰保险科技(深圳)有限公司 一种识别故意制造车辆互碰保险事故的保险反欺诈方法
CN110458718A (zh) * 2019-08-09 2019-11-15 泰康保险集团股份有限公司 车险欺诈识别方法、装置、介质及电子设备
CN111507848A (zh) * 2020-03-23 2020-08-07 南京金盾公共安全技术研究院有限公司 一种基于大数据的车辆保险反欺诈检测方法
CN112416979A (zh) * 2020-11-24 2021-02-26 平安普惠企业管理有限公司 基于地理位置的反欺诈方法、装置、设备及存储介质
WO2021051607A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 视频数据的欺诈检测方法、装置、计算机设备和存储介质
CN112667854A (zh) * 2020-12-28 2021-04-16 深圳壹账通智能科技有限公司 虚假保险报案处理方法、装置、计算机设备及存储介质
CN112800272A (zh) * 2021-01-18 2021-05-14 德联易控科技(北京)有限公司 识别保险理赔欺诈行为的方法及装置
CN113726942A (zh) * 2021-08-31 2021-11-30 深圳壹账通智能科技有限公司 一种智能电话接听方法、系统、介质及电子终端

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10628890B2 (en) * 2017-02-23 2020-04-21 International Business Machines Corporation Visual analytics based vehicle insurance anti-fraud detection
CN107862614B (zh) * 2017-11-08 2021-12-14 广东翼卡车联网服务有限公司 一种防止车险骗保的方法、存储设备及车载终端
CN108734479A (zh) * 2018-04-12 2018-11-02 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
WO2021136940A1 (en) * 2020-01-03 2021-07-08 Tractable Ltd Method of determining damage to auxiliary parts of a vehicle

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104427079A (zh) * 2013-09-09 2015-03-18 中兴通讯股份有限公司 用户语音通话预警方法及装置
CN107403326A (zh) * 2017-08-14 2017-11-28 云数信息科技（深圳）有限公司 一种基于电信数据的保险欺诈识别方法及装置
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
CN109784170A (zh) * 2018-12-13 2019-05-21 平安科技（深圳）有限公司 基于图像识别的车险定损方法、装置、设备及存储介质
CN110175928A (zh) * 2019-05-14 2019-08-27 安泰保险科技(深圳)有限公司 一种识别故意制造车辆互碰保险事故的保险反欺诈方法
CN110458718A (zh) * 2019-08-09 2019-11-15 泰康保险集团股份有限公司 车险欺诈识别方法、装置、介质及电子设备
WO2021051607A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 视频数据的欺诈检测方法、装置、计算机设备和存储介质
CN111507848A (zh) * 2020-03-23 2020-08-07 南京金盾公共安全技术研究院有限公司 一种基于大数据的车辆保险反欺诈检测方法
CN112416979A (zh) * 2020-11-24 2021-02-26 平安普惠企业管理有限公司 基于地理位置的反欺诈方法、装置、设备及存储介质
CN112667854A (zh) * 2020-12-28 2021-04-16 深圳壹账通智能科技有限公司 虚假保险报案处理方法、装置、计算机设备及存储介质
CN112800272A (zh) * 2021-01-18 2021-05-14 德联易控科技(北京)有限公司 识别保险理赔欺诈行为的方法及装置
CN113726942A (zh) * 2021-08-31 2021-11-30 深圳壹账通智能科技有限公司 一种智能电话接听方法、系统、介质及电子终端

Also Published As

Publication number Publication date
EP4113422A3 (en) 2023-05-17
EP4113422A2 (en) 2023-01-04
US20230038645A1 (en) 2023-02-09
CN114170030A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN110334241B (zh) 客服录音的质检方法、装置、设备及计算机可读存储介质
CN109767787B (zh) 情绪识别方法、设备及可读存储介质
TW202025060A (zh) 車險自動賠付方法和系統
CN110110038B (zh) 话务预测方法、装置、服务器及存储介质
CN111260102A (zh) 一种用户满意度预测方法、装置、电子设备及存储介质
CN112468659B (zh) 应用于电话客服的质量评价方法、装置、设备及存储介质
CN111523932A (zh) 一种网约车服务的评分方法、装置、系统及存储介质
CN111754982A (zh) 语音通话的噪声消除方法、装置、电子设备及存储介质
CN109242700A (zh) 智能车险报案方法、系统、计算机设备及存储介质
CN112071309A (zh) 网约车安全监测装置及系统
CN115249481A (zh) 基于情绪识别的催收方法和系统、计算机设备、存储介质
CN111241262A (zh) 基于人工智能的贷款资质审核方法及相关设备
CN105869631B (zh) 语音预测的方法和装置
CN114170030B (zh) 用于车辆远程定损的方法、装置、电子设备和介质
CN110705523B (zh) 一种基于神经网络的创业者路演能力测评方法及其测评系统
CN112651493A (zh) 基于联合训练模型的事故车判别方法和装置
CN115631002B (zh) 基于计算机视觉的车险智能定损方法及系统
CN113051958A (zh) 基于深度学习的驾驶员状态检测方法、系统、设备及介质
CN116246287A (zh) 目标对象识别方法、训练方法、装置以及存储介质
CN115909651A (zh) 车内人身安全保护方法、装置、设备及存储介质
CN110689150A (zh) 基于机器学习的订单预测方法、预测装置及计算机设备
CN110782061A (zh) 一种恶性事件的预测方法及系统
CN111368590B (zh) 一种情绪识别方法、装置、电子设备及存储介质
CN110717377B (zh) 人脸驾驶风险预测模型训练及其预测方法及相关设备
CN114493896A (zh) 基于机器学习的数据评估方法、装置、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
GR01 Patent grant
GR01 Patent grant