CN114187125A - 理赔案件分流方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术，公开了一种理赔案件分流方法、装置、设备及存储介质，该方法包括：基于历史理赔保单的历史保单数据、历史理赔数和风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并输入风险评分模型中，得到第一风险评分，案件信息包括场景标签信息和保险数据；基于场景标签信息从规则引擎中匹配对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。本方法在构建风险评分模型后，配合规则引擎，避免理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

Description

理赔案件分流方法、装置、设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种理赔案件分流方法、装置、设备及存储介质。

背景技术

随着经济的发展和人民生活水平的提高，保险业得到了蓬勃的发展，尤其是车险市场，吸引着众多保险公司的涌入。与此同时，保险理赔问题也越来越受到大众的关注，关于保险理赔的投诉不断、理赔中体现的理赔难、保险欺诈问题也屡见不鲜，如何缩短理赔时效、提升理赔服务水平、提高客户满意度、提升保险品牌忠诚度成为众多保险公司首要考虑的问题。传统的保险理赔需要经历客户报案、查勘、定损、核价核损、单证收集、支付结案阶段，其中体现的繁琐、低效的流程降低了赔付速度，所以受到广泛的“诟病”。然而随着保险行业数字化转型的深入运用，理赔流程也发生了巨大改变，依托互联网技术，关于车险理赔管控已经取得了一定成果，但是在实际应用中还是存在一些问题，无法有效适应市场环境，管理流程的漏洞、法律的空子等都在一定程度上增加了理赔道德风险，因此对于理赔案件风险的识别和管控至关重要。

在现有技术中，通过历史数据构建模型后对当前的理赔案件进行风险识别可以达到较好的结果，但前提条件是，历史数据包括的维度和数据量要求较高，然而，在一个理赔场景刚出现的阶段，历史的高风险案件比较少，信息不充分，容易导致构建的风险模型的准确度降低，对理赔案件的管控能力较差。

发明内容

本发明的主要目的在于解决现有的风险模型在理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

本发明第一方面提供了一种理赔案件分流方法，包括：获取历史理赔保单的历史保单数据和历史理赔数据，以及所述历史理赔保单的历史风险评分；将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并将所述当前保险案件输入所述风险评分模型中，得到所述当前保险案件的第一风险评分，其中，所述案件信息包括场景标签信息和保险数据；基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子；基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流。

可选的，在本发明第一方面的第一种实现方式中，所述将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型包括：根据预设的分类维度，将所述历史保单数据和所述历史理赔数据划分为N个特征群，其中，所述N为大于或等于二的自然数；通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子，其中，所述M为大于或等于二的自然数；基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型。

可选的，在本发明第一方面的第二种实现方式中，所述数据挖掘方法包括相关性分析和主成分分析，所述通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子包括：对所述特征群中所有特征进行相关性分析，得到所有特征的第一特征权重；对所述特征群中所有特征进行归因分析，得到所有特征的第二特征权重；基于所述第一特征权重和第二特征权重，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子。

可选的，在本发明第一方面的第三种实现方式中，所述基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型包括：将所述风险因子分为训练集和测试集，并基于所述训练集和对应的历史风险评分根据LightGBM回归算法构建初始风险模型；将所述测试集输入所述初始风险模型中进行测试，得到所述初始风险模型的预测风险评分；基于所述历史风险评分和所述预测风险评分计算预设的损失函数，得到损失函数值；判断所述损失函数值是否小于预设阈值；若否，则基于所述损失函数值调整所述初始风险模型的模型参数，并基于所述训练集和对应的初始风险模型重新进行模型训练，直至所述损失函数值小于预设阈值；若是，则将所述初始风险模型作为风险评分模型。

可选的，在本发明第一方面的第四种实现方式中，所述基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子包括：基于所述场景标签信息确定所述当前保险案件对应的规则场景；基于所述规则场景从预设的规则引擎中调用对应的决策规则；将所述保险数据输入的决策规则对应的RETE网络，将所述保险数据与所述RETE网络中的节点进行匹配，得到节点匹配结果；基于所述节点匹配结果，计算所述当前保险案件对应的风险调整因子。

可选的，在本发明第一方面的第五种实现方式中，所述基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流包括：基于所述历史理赔保单的案件量，分别计算所述风控调整因子和所述第一风险评分的权重系数；基于所述风控调整因子和所述第一风险评分以及分别对应的权重系数，对所述第一风险评分进行调整，得到第二风险评分；根据所述第二风险评分对所述当前保险案件进行案件分流。

可选的，在本发明第一方面的第六种实现方式中，所述根据所述第二风险评分对所述当前保险案件进行案件分流包括：将所述第二风险评分与预设的风险阈值进行比较，并根据比较结果，判断所述当前保险案件的风险类别；若所述当前保险案件的风险类别为低风险案件，则对所述当前保险案件添加流程加速标记，所述流程加速标记用于提醒对应的工作人员加快所述当前保险案件的理赔流程；若所述当前保险案件的风险类别为高风险案件，则将所述当前保险案件发送至对应的工作人员。

本发明第二方面提供了一种理赔案件分流装置，包括：历史数据获取模块，用于获取历史理赔保单的历史保单数据和历史理赔数据，以及所述历史理赔保单的历史风险评分；模型训练模块，用于将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型；评分模块，用于获取当前保险案件的对应的案件信息，并将所述当前保险案件输入所述风险评分模型中，得到所述当前保险案件的第一风险评分，其中，所述案件信息包括场景标签信息和保险数据；规则引擎模块，用于基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子；分流模块，用于基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流。

可选的，在本发明第二方面的第一种实现方式中，所述模型训练模块具体包括：划分特征单元，用于根据预设的分类维度，将所述历史保单数据和所述历史理赔数据划分为N个特征群，其中，所述N为大于或等于二的自然数；数据挖掘单元，用于通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子，其中，所述M为大于或等于二的自然数；模型构建单元，用于基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型。

可选的，在本发明第二方面的第二种实现方式中，所述数据挖掘单元具体用于：对所述特征群中所有特征进行相关性分析，得到所有特征的第一特征权重；对所述特征群中所有特征进行归因分析，得到所有特征的第二特征权重；基于所述第一特征权重和第二特征权重，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子。

可选的，在本发明第二方面的第三种实现方式中，所述模型构建单元具体用于：将所述风险因子分为训练集和测试集，并基于所述训练集和对应的历史风险评分根据LightGBM回归算法构建初始风险模型；将所述测试集输入所述初始风险模型中进行测试，得到所述初始风险模型的预测风险评分；基于所述历史风险评分和所述预测风险评分计算预设的损失函数，得到损失函数值；判断所述损失函数值是否小于预设阈值；若否，则基于所述损失函数值调整所述初始风险模型的模型参数，并基于所述训练集和对应的初始风险模型重新进行模型训练，直至所述损失函数值小于预设阈值；若是，则将所述初始风险模型作为风险评分模型。

可选的，在本发明第二方面的第四种实现方式中，所述规则引擎模块具体用于：基于所述场景标签信息确定所述当前保险案件对应的规则场景；基于所述规则场景从预设的规则引擎中调用对应的决策规则；将所述保险数据输入的决策规则对应的RETE网络，将所述保险数据与所述RETE网络中的节点进行匹配，得到节点匹配结果；基于所述节点匹配结果，计算所述当前保险案件对应的风险调整因子。

可选的，在本发明第二方面的第五种实现方式中，所述分流模块具体包括：计算单元，用于基于所述历史理赔保单的案件量，分别计算所述风控调整因子和所述第一风险评分的权重系数；调整单元，用于基于所述风控调整因子和所述第一风险评分以及分别对应的权重系数，对所述第一风险评分进行调整，得到第二风险评分；案件分流单元，用于根据所述第二风险评分对所述当前保险案件进行案件分流。

可选的，在本发明第二方面的第六种实现方式中，所述案件分流单元具体用于：将所述第二风险评分与预设的风险阈值进行比较，并根据比较结果，判断所述当前保险案件的风险类别；若所述当前保险案件的风险类别为低风险案件，则对所述当前保险案件添加流程加速标记，所述流程加速标记用于提醒对应的工作人员加快所述当前保险案件的理赔流程；若所述当前保险案件的风险类别为高风险案件，则将所述当前保险案件发送至对应的工作人员。

本发明第三方面提供了一种理赔案件分流设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述理赔案件分流设备执行上述的理赔案件分流方法的步骤。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的理赔案件分流方法的步骤。

本发明的技术方案中，通过获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；将历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和历史风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；基于场景标签信息从预设的规则引擎中匹配当前保险案件对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。本方法针基于多视角建模和规则引擎的理赔案件风险评分模型，将理赔数据和保单数据进行整合，从多个视角构建特征群，并通过相关性分析和主成分分析等方法，挖掘与理赔案件风险大小有关的主要因素，作为多元回归模型的自变量，并且在构建风险评分模型时将规则引擎加入其中，避免理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

附图说明

图1为本发明实施例中理赔案件分流方法的第一个实施例示意图；

图2为本发明实施例中理赔案件分流方法的第二个实施例示意图；

图3为本发明实施例中理赔案件分流方法的第三个实施例示意图；

图4为本发明实施例中理赔案件分流方法的第四个实施例示意图；

图5为本发明实施例中理赔案件分流装置的一个实施例示意图；

图6为本发明实施例中理赔案件分流装置的另一个实施例示意图；

图7为本发明实施例中理赔案件分流设备的一个实施例示意图。

具体实施方式

本发明的技术方案中，通过获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；将历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和历史风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；基于场景标签信息从预设的规则引擎中匹配当前保险案件对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。本方法针基于多视角建模和规则引擎的理赔案件风险评分模型，将理赔数据和保单数据进行整合，从多个视角构建特征群，并通过相关性分析和主成分分析等方法，挖掘与理赔案件风险大小有关的主要因素，作为多元回归模型的自变量，并且在构建风险评分模型时将规则引擎加入其中，避免理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

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”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中理赔案件分流方法的第一个实施例包括：

101、获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；

可以理解的是，本发明的执行主体可以为理赔案件分流装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

在本实施例中，基于历史理赔保单的理赔数据和保单数据进行模型训练，其中，历史理赔保单可以是已经进行赔付的保单，这部分保单通过工作人员理赔结束后进行风险评估，给出风险评分，也可以是工作人员基于人工对未赔付的保单进行风险评分的。

在本实施例中，对于未进行赔付的历史理赔保单，可以更新其中的保单数据和理赔数据，得到保单数据和理赔数据的每日的更新值，然后按照时间维度对保单数据和理赔数据的每个指标数据的每日的更新值，上述历史理赔保单可以指保险公司针对不同客户情况制定的保险类别，每个保险类别中包含多种历史理赔保单。

102、将历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和历史风险评分进行模型训练得到风险评分模型；

在本实施例中，对历史的理赔数据和保单数据进行数据预处理，主要是对历史的理赔数据和保单数据进行特征选择，从多个维度围绕保单信息、历史信息和案件信息构建3个特征群。

在本实施例中，基于3个特征群，通过相关性分析、归因分析和主成分分析法(PCA)识别出影响理赔案件风险大小(主要是保险欺诈风险)的主要因素。在本实施例中可以选择理赔额(过高的理赔额更有可能面临保险欺诈风险)、理赔原因(理赔原因越严重，保险欺诈的可能性越小)、理赔申请人就业状况(无业人员更有可能夸大损失)、理赔申请人教育程度(教育水平较高的客户，造假的可能性比较小)、理赔申请人历史信用(一直保持良好的信用评级，造假的可能性也会很小)这五个维度作为理赔案件的风险因子。

在本实施例中，将五个风险因子作为自变量，案件的风险评分作为因变量，使用LightGBM回归算法构建多元回归模型，通过不断的参数调整(num_leaves、max_depth、learning_rate等参数)来降低均方误差(rmse)，找到最优的模型参数，完成风险评分模型的构建。

103、获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；

在实际应用中，当历史理赔保单对应的应用场景刚构建，或者对应的理财产品刚刚发行，历史理赔保单中的高风险案件较少，构建的风险评分模型输出的风险评分并不能准确的评估当前保险案件的风险水平，对输出的风险评分进行调整。

104、基于场景标签信息从预设的规则引擎中匹配当前保险案件对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；

在实际应用中，规则引擎是根据一些算法执行规则的一些列软件系统。规则引擎整合了传入系统的Fact集合和规则集合，从而去触发一个或多个业务操作。其中，Fact是指规则执行所需要的数据，用于规则的条件的匹配也就是本提案中的历史保单数据和历史理赔数据。规则通常以声明式的方式在业务代码中实现，在本实施例中，所述规则引擎可以是包括Drools、OpenL Tablets、Easy Rules、RuleBook中的至少一种。

在本实施例中，所述规则引擎还可以设置在所述风险评分模型的模型训练过程中，通过规则引擎，对训练集输出的风险评分进行修正，在已有模型的基础上增加规则引擎进行适当修正，能够直接提高风险评分模型的准确度，规则引擎包含理赔人员、查勘人员根据历史经验制定的规则，有助于完善模型。

105、基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。

在本实施例中，可以预设风险调整的公式，基于历史保单数据和历史理赔数据的数据量和维度设置第一风险评分的权重，当历史保单数据和历史理赔数据的数据量和纬度均较大时，说明构建的风险评分模型的准确度较高，只需要规则引擎进行细微调整，甚至当风险评分模型的准确度到达一定水平时，可以将规则引擎的权重设置为零，而第一风险评分的权重设置较大，当历史保单数据和历史理赔数据的数据量和纬度均较小时，说明构建的风险评分模型的准确度较小，风险评分主要依靠规则引擎进行细微调整，甚至当风险评分模型还没有历史保单数据和历史理赔数据进行模型训练时，可以将规则引擎的权重设置为最大，而第一风险评分的权重设置较小。

在本实施例中，当积累了一些新的理赔数据和保单数据后，可以使用这些新数据对风险评分模型加以改进，增强案件风险识别的准确度和高风险客户的识别。

在本实施例中，通过获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；将历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和历史风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；基于场景标签信息从预设的规则引擎中匹配当前保险案件对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。本方法针基于多视角建模和规则引擎的理赔案件风险评分模型，将理赔数据和保单数据进行整合，从多个视角构建特征群，并通过相关性分析和主成分分析等方法，挖掘与理赔案件风险大小有关的主要因素，作为多元回归模型的自变量，并且在构建风险评分模型时将规则引擎加入其中，避免理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

请参阅图2，本发明实施例中理赔案件分流方法的第二个实施例包括：

201、获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；

202、根据预设的分类维度，将历史保单数据和历史理赔数据划分为N个特征群，其中，N为大于或等于二的自然数；

在本实施例中，对历史的理赔数据和保单数据进行特征选择，从多个维度围绕保单信息、历史信息和案件信息构建3个特征群，用多种特征类型对客户的风险高低进行刻画。对于保单信息特征群，主要考虑保单起始/终止日期、车辆信息、投保人信息、保费信息和批改历史等特征；对于历史信息特征群，主要考虑历史出险信息、历史理赔信息和个人信用信息等特征；对于案件信息特征群，主要从案件发生的时间、地点、原因、人/车等方面进行特征的构建。

203、对特征群中所有特征进行相关性分析，得到所有特征的第一特征权重；

204、对特征群中所有特征进行归因分析，得到所有特征的第二特征权重；

205、基于第一特征权重和第二特征权重，从特征群中筛选M个特征，并将M个特征作为历史理赔保单的风险因子；

在本实施例中，所述数据挖掘方法包括相关性分析、归因分析和主成分分析法(PCA)中的一种或多种，本发明不做限定，其中，主成分分析是在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，将重复的变量(关系紧密的变量)删去多余，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。

在实际应用中，所述数据挖掘方法包括相关性分析、归因分析和主成分分析法(PCA)中的一种或多种，在本实施例中，以数据挖掘方法包括相关性分析和主成分分析为例，其中，相关分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个因素的相关密切程度，相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析，通过相关性分析和归因分析，计算出各特征的第一特征权重和第二特征权重，从中选择第一特征权重和第二特征权重综合最大的预设数量的特征作为历史理赔保单的风险因子。

206、将风险因子分为训练集和测试集，并基于训练集和对应的历史风险评分根据LightGBM回归算法构建初始风险模型；

在本实施例中，LightGBM是一个梯度提升框架，使用基于树的学习算法。它是对于XGB提升性能的版本，相对于其他GBM来说具有相近的准确率而且是其训练速度20倍，回归指研究一组随机变量(Y1，Y2，…，Yi)和另一组(X1，X2，…，Xk)变量之间关系的统计分析方法，又称多重回归分析。通常Y1，Y2，…，Yi是因变量，X1、X2，…，Xk是自变量。

207、将测试集输入初始风险模型中进行测试，得到初始风险模型的预测风险评分；

208、基于历史风险评分和预测风险评分计算预设的损失函数，得到损失函数值；

209、判断损失函数值是否小于预设阈值；

210、若否，则基于损失函数值调整初始风险模型的模型参数，并基于训练集和对应的初始风险模型重新进行模型训练，直至损失函数值小于预设阈值；

211、若是，则将初始风险模型作为风险评分模型；

在实际应用中，LightGBM回归算法是微软出的新的boosting框架，基本原理与XGBoost一样，使用基于学习算法的决策树，只是在框架上做了一优化(重点在模型的训练速度的优化)。最主要的是LightGBM使用了基于直方图的决策树算法，基本思想是先把连续的浮点特征值离散化成k个整数，同时构造一个宽度为k的直方图。在遍历数据的时候，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点。

212、获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；

213、基于场景标签信息从预设的规则引擎中匹配当前保险案件对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；

214、基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。

本实施例在上一实施例的基础上，详细描述了将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型的过程，通过根据预设的分类维度，将所述历史保单数据和所述历史理赔数据划分为N个特征群；通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子；基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型。本实施例将理赔数据和保单数据进行整合，从多个视角构建特征群，并通过相关性分析和主成分分析等方法，挖掘与理赔案件风险大小有关的主要因素，作为多元回归模型的自变量。这里选取的自变量之间具有一定的互斥性，而且对因变量(案件的风险评分)有着显著的影响，这样就能排除由于自变量的相关性造成的模型偏差，增强了风险评分模型的准确度。

请参阅图3，本发明实施例中理赔案件分流方法的第三个实施例包括：

301、获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；

302、将历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和历史风险评分进行模型训练得到风险评分模型；

303、获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；

304、基于场景标签信息确定当前保险案件对应的规则场景；

305、基于规则场景从预设的规则引擎中调用对应的决策规则；

306、将保险数据输入的决策规则对应的RETE网络，将保险数据与RETE网络中的节点进行匹配，得到节点匹配结果；

307、基于节点匹配结果，计算当前保险案件对应的风险调整因子；

在实际应用中，Rete算法是一种高效的模式匹配算法用来实现产生式规则系统，通过缓存避免了相同条件多次评估的情况Rete算法是一种前向规则快速匹配算法，其匹配速度与规则数目无关。Rete是拉丁文，对应英文是net，也就是网络。Rete算法通过形成一个rete网络进行模式匹配，利用基于规则的系统的两个特征，即时间冗余性(Temporalredundancy)和结构相似性(structural similarity)，提高系统模式匹配效率，在本实施例中，以Rete算法为核心构建规则引擎，将将所述保险数据输入的决策规则对应的RETE网络，快速得到节点匹配结果，基于所述节点匹配结果，计算所述当前保险案件对应的风险调整因子，例如，当前保险案件的保险数据匹配到当前保险案件适用于某一套理赔规则，该理赔规则有对应的风险公式，基于该风险公式，计算所述当前保险案件对应的风险调整因子。

308、基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。

本实施例在前实施例的基础上，详细描述了基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子的过程，通过基于所述场景标签信息确定所述当前保险案件对应的规则场景；基于所述规则场景从预设的规则引擎中调用对应的决策规则；将所述保险数据输入的决策规则对应的RETE网络，将所述保险数据与所述RETE网络中的节点进行匹配，得到节点匹配结果；基于所述节点匹配结果，计算所述当前保险案件对应的风险调整因子。本实施例考虑到高风险案件出现次数少、有些信息不充分等因素，在构建风险评分模型时将规则引擎加入其中，增加了模型的适用性。

请参阅图4，本发明实施例中理赔案件分流方法的第四个实施例包括：

401、获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；

402、将历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和历史风险评分进行模型训练得到风险评分模型；

403、获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；

404、基于场景标签信息从预设的规则引擎中匹配当前保险案件对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；

405、基于历史理赔保单的案件量，分别计算风控调整因子和第一风险评分的权重系数；

406、基于风控调整因子和第一风险评分以及分别对应的权重系数，对第一风险评分进行调整，得到第二风险评分；

在本实施例中，可以预设风险调整的公式，基于历史保单数据和历史理赔数据的数据量和维度设置第一风险评分的权重，当历史保单数据和历史理赔数据的数据量和纬度均较大时，说明构建的风险评分模型的准确度较高，只需要规则引擎进行细微调整，甚至当风险评分模型的准确度到达一定水平时，可以将规则引擎的权重设置为零，而第一风险评分的权重设置较大，当历史保单数据和历史理赔数据的数据量和纬度均较小时，说明构建的风险评分模型的准确度较小，风险评分主要依靠规则引擎进行细微调整，甚至当风险评分模型还没有历史保单数据和历史理赔数据进行模型训练时，可以将规则引擎的权重设置为最大，而第一风险评分的权重设置较小，基于公式，即可计算得到第二风险评分。

407、将第二风险评分与预设的风险阈值进行比较，并根据比较结果，判断当前保险案件的风险类别；

在本实施例中，事先设置有风险阈值，当当前保险案件的风险评分大于风险阈值时，则当前保险案件为高风险案件，当当前保险案件的风险评分小于或等于风险阈值时，则当前保险案件为低风险案件。

408、若当前保险案件的风险类别为低风险案件，则将当前保险案件进行流程加速标记，流程加速标记用于提醒对应的工作人员加快当前保险案件的理赔流程；

409、若当前保险案件的风险类别为高风险案件，则将当前保险案件发送至对应的工作人员。

在本实施例中，当有新的理赔案件发生时，实时调用风险评分模型，对案件进行分流，低风险的案件加快理赔流程，高风险的案件及时提示给理赔操作人员和调查人员，帮助识别高风险名单，降低骗赔事件发生的可能性。

本实施例在前实施例的基础上，详细描述了基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流的过程，通过基于所述历史理赔保单的案件量，分别计算所述风控调整因子和所述第一风险评分的权重系数；基于所述风控调整因子和所述第一风险评分以及分别对应的权重系数，对所述第一风险评分进行调整，得到第二风险评分；根据所述第二风险评分对所述当前保险案件进行案件分流。本实施例通过将保险案件分流成低风险案件或高风险案件，便于加快理赔流程，提高理赔效率。

上面对本发明实施例中理赔案件分流方法进行了描述，下面对本发明实施例中理赔案件分流装置进行描述，请参阅图5，本发明实施例中理赔案件分流装置一个实施例包括：

历史数据获取模块501，用于获取历史理赔保单的历史保单数据和历史理赔数据，以及所述历史理赔保单的历史风险评分；

模型训练模块502，用于将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型；

评分模块503，用于获取当前保险案件的对应的案件信息，并将所述当前保险案件输入所述风险评分模型中，得到所述当前保险案件的第一风险评分，其中，所述案件信息包括场景标签信息和保险数据；

规则引擎模块504，用于基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子；

分流模块505，用于基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流。

本发明实施例中，所述理赔案件分流装置运行上述理赔案件分流方法，所述理赔案件分流装置通过获取历史理赔保单的历史保单数据和历史理赔数据，以及历史理赔保单的历史风险评分；将历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和历史风险评分进行模型训练得到风险评分模型；获取当前保险案件的对应的案件信息，并将当前保险案件输入风险评分模型中，得到当前保险案件的第一风险评分，其中，案件信息包括场景标签信息和保险数据；基于场景标签信息从预设的规则引擎中匹配当前保险案件对应的决策规则，并将保险数据输入的决策规则中，得到风控调整因子；基于风控调整因子对第一风险评分进行调整，得到第二风险评分，并根据第二风险评分对当前保险案件进行案件分流。本方法针基于多视角建模和规则引擎的理赔案件风险评分模型，将理赔数据和保单数据进行整合，从多个视角构建特征群，并通过相关性分析和主成分分析等方法，挖掘与理赔案件风险大小有关的主要因素，作为多元回归模型的自变量，并且在构建风险评分模型时将规则引擎加入其中，避免理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

请参阅图6，本发明实施例中理赔案件分流装置的第二个实施例包括：

历史数据获取模块501，用于获取历史理赔保单的历史保单数据和历史理赔数据，以及所述历史理赔保单的历史风险评分；

模型训练模块502，用于将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型；

评分模块503，用于获取当前保险案件的对应的案件信息，并将所述当前保险案件输入所述风险评分模型中，得到所述当前保险案件的第一风险评分，其中，所述案件信息包括场景标签信息和保险数据；

规则引擎模块504，用于基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子；

分流模块505，用于基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流。

在本实施例中，所述模型训练模块502具体包括：划分特征单元5021，用于根据预设的分类维度，将所述历史保单数据和所述历史理赔数据划分为N个特征群，其中，所述N为大于或等于二的自然数；数据挖掘单元5022，用于通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子，其中，所述M为大于或等于二的自然数；模型构建单元5023，用于基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型。

在本实施例中，所述数据挖掘单元5022具体用于：对所述特征群中所有特征进行相关性分析，得到所有特征的第一特征权重；对所述特征群中所有特征进行归因分析，得到所有特征的第二特征权重；基于所述第一特征权重和第二特征权重，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子。

在本实施例中，所述模型构建单元5023具体用于：将所述风险因子分为训练集和测试集，并基于所述训练集和对应的历史风险评分根据LightGBM回归算法构建初始风险模型；将所述测试集输入所述初始风险模型中进行测试，得到所述初始风险模型的预测风险评分；基于所述历史风险评分和所述预测风险评分计算预设的损失函数，得到损失函数值；判断所述损失函数值是否小于预设阈值；若否，则基于所述损失函数值调整所述初始风险模型的模型参数，并基于所述训练集和对应的初始风险模型重新进行模型训练，直至所述损失函数值小于预设阈值；若是，则将所述初始风险模型作为风险评分模型。

在本实施例中，所述规则引擎模块504具体用于：基于所述场景标签信息确定所述当前保险案件对应的规则场景；基于所述规则场景从预设的规则引擎中调用对应的决策规则；将所述保险数据输入的决策规则对应的RETE网络，将所述保险数据与所述RETE网络中的节点进行匹配，得到节点匹配结果；基于所述节点匹配结果，计算所述当前保险案件对应的风险调整因子。

在本实施例中，所述分流模块505具体包括：计算单元5051，用于基于所述历史理赔保单的案件量，分别计算所述风控调整因子和所述第一风险评分的权重系数；调整单元5052，用于基于所述风控调整因子和所述第一风险评分以及分别对应的权重系数，对所述第一风险评分进行调整，得到第二风险评分；案件分流单元5053，用于根据所述第二风险评分对所述当前保险案件进行案件分流。

在本实施例中，所述案件分流单元5053具体用于：将所述第二风险评分与预设的风险阈值进行比较，并根据比较结果，判断所述当前保险案件的风险类别；若所述当前保险案件的风险类别为低风险案件，则对所述当前保险案件添加流程加速标记，所述流程加速标记用于提醒对应的工作人员加快所述当前保险案件的理赔流程；若所述当前保险案件的风险类别为高风险案件，则将所述当前保险案件发送至对应的工作人员。

本实施例在上一实施例的基础上，详细描述了各个模块的具体功能以及部分模块的单元构成，基于多视角建模和规则引擎的理赔案件风险评分模型，将理赔数据和保单数据进行整合，从多个视角构建特征群，并通过相关性分析和主成分分析等方法，挖掘与理赔案件风险大小有关的主要因素，作为多元回归模型的自变量，并且在构建风险评分模型时将规则引擎加入其中，避免理赔场景刚出现时案件数据量和纬度较少导致风险模型的预测准确度较低的技术问题。

上面图5和图6从模块化功能实体的角度对本发明实施例中的中理赔案件分流装置进行详细描述，下面从硬件处理的角度对本发明实施例中理赔案件分流设备进行详细描述。

图7是本发明实施例提供的一种理赔案件分流设备的结构示意图，该理赔案件分流设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对理赔案件分流设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在理赔案件分流设备700上执行存储介质730中的一系列指令操作，以实现上述理赔案件分流方法的步骤。

理赔案件分流设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的理赔案件分流设备结构并不构成对本申请提供的理赔案件分流设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述理赔案件分流方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上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精神和范围。

Claims (10)

1.一种理赔案件分流方法，其特征在于，所述理赔案件分流方法包括：

获取历史理赔保单的历史保单数据和历史理赔数据，以及所述历史理赔保单的历史风险评分；

将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型；

获取当前保险案件的对应的案件信息，并将所述当前保险案件输入所述风险评分模型中，得到所述当前保险案件的第一风险评分，其中，所述案件信息包括场景标签信息和保险数据；

基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子；

基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流。

2.根据权利要求1所述的理赔案件分流方法，其特征在于，所述将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型包括：

根据预设的分类维度，将所述历史保单数据和所述历史理赔数据划分为N个特征群，其中，所述N为大于或等于二的自然数；

通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子，其中，所述M为大于或等于二的自然数；

基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型。

3.根据权利要求2所述的理赔案件分流方法，其特征在于，所述数据挖掘方法包括相关性分析和主成分分析，所述通过预设的数据挖掘方法，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子包括：

对所述特征群中所有特征进行相关性分析，得到所有特征的第一特征权重；

对所述特征群中所有特征进行归因分析，得到所有特征的第二特征权重；

基于所述第一特征权重和第二特征权重，从所述特征群中筛选M个特征，并将所述M个特征作为所述历史理赔保单的风险因子。

4.根据权利要求3所述的理赔案件分流方法，其特征在于，所述基于LightGBM回归算法将所述风险因子作为自变量，将所述历史风险评分作为因变量构建风险评分模型包括：

将所述风险因子分为训练集和测试集，并基于所述训练集和对应的历史风险评分根据LightGBM回归算法构建初始风险模型；

将所述测试集输入所述初始风险模型中进行测试，得到所述初始风险模型的预测风险评分；

基于所述历史风险评分和所述预测风险评分计算预设的损失函数，得到损失函数值；

判断所述损失函数值是否小于预设阈值；

若否，则基于所述损失函数值调整所述初始风险模型的模型参数，并基于所述训练集和对应的初始风险模型重新进行模型训练，直至所述损失函数值小于预设阈值；

若是，则将所述初始风险模型作为风险评分模型。

5.根据权利要求1所述的理赔案件分流方法，其特征在于，所述基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子包括：

基于所述场景标签信息确定所述当前保险案件对应的规则场景；

基于所述规则场景从预设的规则引擎中调用对应的决策规则；

将所述保险数据输入的决策规则对应的RETE网络，将所述保险数据与所述RETE网络中的节点进行匹配，得到节点匹配结果；

基于所述节点匹配结果，计算所述当前保险案件对应的风险调整因子。

6.根据权利要求1-5中任一项所述的理赔案件分流方法，其特征在于，所述基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流包括：

基于所述历史理赔保单的案件量，分别计算所述风控调整因子和所述第一风险评分的权重系数；

基于所述风控调整因子和所述第一风险评分以及分别对应的权重系数，对所述第一风险评分进行调整，得到第二风险评分；

根据所述第二风险评分对所述当前保险案件进行案件分流。

7.根据权利要求6所述的理赔案件分流方法，其特征在于，所述根据所述第二风险评分对所述当前保险案件进行案件分流包括：

将所述第二风险评分与预设的风险阈值进行比较，并根据比较结果，判断所述当前保险案件的风险类别；

若所述当前保险案件的风险类别为低风险案件，则对所述当前保险案件添加流程加速标记，所述流程加速标记用于提醒对应的工作人员加快所述当前保险案件的理赔流程；

若所述当前保险案件的风险类别为高风险案件，则将所述当前保险案件发送至对应的工作人员。

8.一种理赔案件分流装置，其特征在于，所述理赔案件分流装置包括：

历史数据获取模块，用于获取历史理赔保单的历史保单数据和历史理赔数据，以及所述历史理赔保单的历史风险评分；

模型训练模块，用于将所述历史保单数据和历史理赔数据进行数据预处理，并基于数据预处理后的历史保单数据和历史理赔数据和所述历史风险评分进行模型训练得到风险评分模型；

评分模块，用于获取当前保险案件的对应的案件信息，并将所述当前保险案件输入所述风险评分模型中，得到所述当前保险案件的第一风险评分，其中，所述案件信息包括场景标签信息和保险数据；

规则引擎模块，用于基于所述场景标签信息从预设的规则引擎中匹配所述当前保险案件对应的决策规则，并将所述保险数据输入的决策规则中，得到风控调整因子；

分流模块，用于基于所述风控调整因子对所述第一风险评分进行调整，得到第二风险评分，并根据所述第二风险评分对所述当前保险案件进行案件分流。

9.一种理赔案件分流设备，其特征在于，所述理赔案件分流设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述理赔案件分流设备执行如权利要求1-7任一项所述的理赔案件分流方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的理赔案件分流方法的步骤。

Images