CN114723574A - 基于人工智能的保险反欺诈识别方法、装置、设备及介质 - Google Patents
基于人工智能的保险反欺诈识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114723574A CN114723574A CN202210355496.9A CN202210355496A CN114723574A CN 114723574 A CN114723574 A CN 114723574A CN 202210355496 A CN202210355496 A CN 202210355496A CN 114723574 A CN114723574 A CN 114723574A
- Authority
- CN
- China
- Prior art keywords
- insurance
- person
- relationship
- nodes
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 230000006378 damage Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002265 prevention Effects 0.000 claims description 7
- 208000027418 Wounds and injury Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 208000014674 injury Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明适用于人工智能领域，尤其涉及一种基于人工智能的保险反欺诈识别方法、装置、设备及介质。该方法通过第一目标边和第二目标边更新保险关系网络，遍历保险关系网络中通过至少两条第一目标边进行相互连接的第一人节点和第二人节点，当遍历到第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接第二人节点时，判定所述其它关联路径上的所有人节点为疑似欺诈团伙成员，直接通过目标边遍历更新后的网络关系，确定疑似欺诈团伙成员，减少了目标节点、边和路径的遍历次数，减少了遍历时间，提高了遍历效率。
Description
技术领域
本发明涉及人工智能领域，特别涉及一种基于人工智能的保险反欺诈识别方法、装置、设备及介质。
背景技术
目前，对保险行业团伙欺诈行为的分析，主要是通过风险闭环检索的方法进行，风险闭环检索方法通常是基于图数据库，寻找图数据库中不同实体之间呈现异常环状或者放射状的网络，这些网络通常与欺诈团伙的常见作案模式相对应，能够找出其中共同的作案工具。
但是，当数据规模较大时，将业务数据导入图数据库后，得到如图1所示的图数据库，该图数据库包含数以亿记的节点，使用该方法直接遍历该图数据库检索欺诈网络，复杂度较高，且欺诈网络中包含的节点数不同，因此大量节点存在重复遍历的情况，导致遍历图数据库的时间较长，不能满足业务要求。
发明内容
基于此，有必要针对上述技术问题，提供一种基于人工智能的保险反欺诈识别方法、装置、设备及介质，以解决现有技术中直接遍历保险图数据库检索欺诈网络，遍历时间较长，不能满足业务要求的问题。
第一方面，本发明实施例提供一种基于人工智能的保险反欺诈识别方法，保险反欺诈识别方法包括：
获取保险关系网络，所述保险关系网络包括：若干个隶属于同类保险的案件节点，与每个案件节点相关联的人节点，每个案件节点及与每个案件节点相关联的人节点之间通过原始边进行连接；
通过所述案件节点和所述原始边遍历原始图数据库中的每个人节点，确定出在至少两个保险案件中具有互为利害关系的两个人节点，以及在至少两个保险案件中同时具有利害关系和相识关系的两个人节点；
将具有所述利害关系的两个人节点用设定的第一目标边进行连接，将具有所述相识关系的两个人节点用设定的第二目标边进行连接，以更新所述保险关系网络；
遍历所述保险关系网络中通过至少两条所述第一目标边进行相互连接的第一人节点和第二人节点，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接所述第二人节点时，判定所述其它关联路径上的所有人节点为疑似欺诈团伙成员。
第二方面，本发明实施例提供一种基于人工智能的保险反欺诈识别装置，所述保险反欺诈识别装置包括：
保险关系网络获取模块，用于获取保险关系网络，所述保险关系网络包括：若干个隶属于同类保险的案件节点，与每个案件节点相关联的人节点，每个案件节点及与每个案件节点相关联的人节点之间通过原始边进行连接；
保险关系网络更新模块，用于通过所述案件节点和所述原始边遍历原始图数据库中的每个人节点，确定出在至少两个保险案件中具有互为利害关系的两个人节点，以及在至少两个保险案件中同时具有利害关系和相识关系的两个人节点；将具有所述利害关系的两个人节点用设定的第一目标边进行连接，将具有所述相识关系的两个人节点用设定的第二目标边进行连接，以更新所述保险关系网络；
保险反欺诈判断模块，用于遍历所述保险关系网络中通过至少两条所述第一目标边进行相互连接的第一人节点和第二人节点，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接所述第二人节点时，判定所述其它关联路径上的所有人节点为疑似欺诈团伙成员。
第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于人工智能的保险反欺诈识别方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于人工智能的保险反欺诈识别方法。
本发明实施例与现有技术相比存在的有益效果是：本发明对保险关系网络进行预处理，提取人节点之间的信息，如利害关系和相识关系，对人节点进行目标边的连接，从而更新保险关系网络，直接通过目标边遍历更新后的网络关系，确定疑似欺诈团伙成员，减少了目标节点、边和路径的遍历次数，减少了遍历时间，提高了遍历效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术的一种图数据库中的保险关系网络示意图；
图2是本发明实施例一提供的一种保险反欺诈识别方法的一应用环境示意图；
图3是本发明实施例一提供的一种基于人工智能的保险反欺诈识别方法的流程示意图；
图4是本发明实施例一提供的保险关系网络示意图；
图5是本发明实施例一提供的保险关系网络示意图；
图6是本发明实施例二提供的一种基于人工智能的车险反欺诈识别方法的流程示意图；
图7是本发明实施例二提供的一种相撞关系示意图；
图8是本发明实施例二提供的一种相识关系示意图；
图9是本发明实施例三提供的一种基于人工智能的保险反欺诈识别装置的结构示意图；
图10是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
本发明实施例一提供的一种基于人工智能的保险反欺诈识别方法，可应用在如图2的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图3，是本发明实施例一提供的一种基于人工智能的保险反欺诈识别方法的流程示意图，上述保险反欺诈识别方法可以应用于图2中的客户端，对应的计算机设备通过互联网连接服务器，通过预设的应用程序接口(Application Programming Interface，API)连接服务器端的原始保险图数据库，获取原始保险图数据库数据。如图3所示，该保险反欺诈识别方法可以包括以下步骤：
步骤S101，获取保险关系网络，保险关系网络包括：若干个隶属于同类保险的案件节点，与每个案件节点相关联的人节点，每个案件节点及与每个案件节点相关联的人节点之间通过原始边进行连接。
其中，图数据库是一种在线数据库管理系统，具有处理图形数据模型的创建，读取，更新和删除操作，图数据库以节点、边为基础存储单元，以高效存储、查询图数据为设计原理的数据管理系统，图数据库属于非关系型数据库(NoSQL)，图数据结构直接存储节点之间的依赖关系，把数据间的关联作为数据的一部分进行存储，关联上可添加标签、方向以及属性。
本发明中，原始图数据库存储有保险关系网络，该保险关系网络包括保险案件节点、与每个案件相关的人节点和每个案件节点及与每个案件节点相关联的人节点之间相连接的边，案件节点表示具体的保险案件，人节点表示与该案件有关系的人，人与案件之间的具体关系由边表示，边可以添加标签、方向及属性，标签可以表示案件与人之间的具体关系，方向表示案件与人发生关系的方向。
例如，在一个车险的场景下，驾驶员A在案件1中撞击驾驶员B，造成驾驶员B受伤，驾驶员A在案件1中为标的车的驾驶员，在案件2中又一次撞击驾驶员B，造成驾驶员B受伤，A在案件2中也为标的车驾驶员，那么，案件1、案件2、驾驶员A和驾驶员B之间的图数据关系如图4所示，案件1、案件2、驾驶员A和驾驶员B为图数据节点，各自之间的连线为边，边上可添加标签。
由上述所有保险案件以及与每个案件相关的人构成的图数据库为原始图数据库，由计算机设备获取该原始图数据库，再进行下一步分析。
步骤S102，通过案件节点和原始边遍历原始图数据库中的每个人节点，确定出在至少两个保险案件中具有互为利害关系的两个人节点，以及在至少两个保险案件中同时具有利害关系和相识关系的两个人节点。
其中，互为利害关系应满足以下条件：两个人节点表示的当事人同时在至少两个保险案件中作为双方当事人。例如，在如图4所示的保险关系网络中，驾驶员A在案件1中撞击驾驶员B，造成驾驶员B受伤，驾驶员A在案件1中为标的车的驾驶员，在案件2中又一次撞击驾驶员B，造成驾驶员B受伤，A在案件2中也为标的车驾驶员，驾驶员A和驾驶员B在案件1和案件2中都作为双方的当事人，那么驾驶员A和驾驶员B互为利害关系。
同时具有利害关系和相识关系应满足以下条件：两个人节点表示的当事人同时在至少两个保险案件中作为双方当事人，且同一保险案件中互为第一方干系人。
例如，在如图5所示的保险关系网络中，案件1中，驾驶员A为案件1中标的车的驾驶员，驾驶员B为案件1中标的车的车主，那么驾驶员A与驾驶员B为相识关系，在此，驾驶员A和驾驶员B互为第一方干系人，如车主、投保人、被保人和驾驶人等，都为相识关系，驾驶员A和驾驶员B在案件2中为双方当事人，则驾驶员A和驾驶员B同时具有利害关系和相识关系。
本发明中，通过人工智能中的知识推理方法确定所述两个人节点之间为利害关系或相识关系，知识推理，即利用图数据结构中现有的知识，推理分析得到一些新的实体间的关系。通过原始图数据库中每个案件节点，与每个案件节点相关联的人节点之间的已知关系，推理出与每个案件节点相关联的人节点之间的隐藏关系，隐藏关系包括利害关系和相识关系，利害关系可以包括医疗保险中的被保人和受益人的关系，也可以包括在同一车险案件中同时出现的两个人之间的关系。
例如，在如图4所示的保险关系网络中，驾驶员A在案件1中撞击驾驶员B，造成驾驶员B受伤，驾驶员A在案件1中为标的车的驾驶员，在案件2中又一次撞击驾驶员B，造成驾驶员B受伤，A在案件2中也为标的车驾驶员，驾驶员A和驾驶员B在案件1和案件2中都作为双方的当事人，根据已知的驾驶员A和驾驶员B与案件1的关系以及驾驶员A和驾驶员B与案件2的关系，可推理出驾驶员A和驾驶员B之间的隐藏关系为利害关系。
例如，在如图5所示的保险关系网络中，案件1中，已知驾驶员A为案件1中标的车的驾驶员，驾驶员B为案件1中标的车的车主，那么可推理出驾驶员A与驾驶员B为相识关系，在此，驾驶员A和驾驶员B互为第一方干系人，如车主、投保人、被保人和驾驶人等，都为相识关系，驾驶员A和驾驶员B在案件2中为双方当事人，可推理出驾驶员A和驾驶员B的隐藏关系既为利害关系又为相识关系。
根据上述知识推理的方法遍历原始图数据库，可遍历出所有在至少两个保险案件中具有互为利害关系的两个人节点，以及在至少两个保险案件中同时具有利害关系和相识关系的两个人节点。
步骤S103，将具有利害关系的两个人节点用设定的第一目标边进行连接，将具有相识关系的两个人节点用设定的第二目标边进行连接，以更新保险关系网络。
本发明中，通过上述步骤得到具有利害关系的人节点和具有相识关系的人节点，将具有利害关系的两个人节点通过利害关系边进行连接，将具有相识关系的两个人节点通过相识关系边进行连接。
例如，在图5所示的保险关系网络中，根据驾驶员A和驾驶员B与案件1之间的关系，推理出驾驶员A和驾驶员B之间为相识关系，则在原始的保险关系网络中A节点和B节点之间添加相识关系边，根据驾驶员A和驾驶员B与案件2之间的关系，推理出驾驶员A和驾驶员B之间为利害关系，则在原始的保险关系网络中A节点和B节点之间再添加利害关系边，得到添加目标边的保险关系网络。
根据上述方法，对原始图数据库中所有满足利害关系的人节点添加利害关系边，对原始图数据库中所有满足相识关系的人节点添加相识关系边，得到目标图数据库。
步骤S104，遍历保险关系网络中通过至少两条所述第一目标边进行相互连接的第一人节点和第二人节点，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接第二人节点时，判定其其它关联路径上的所有人节点为疑似欺诈团伙成员。
本发明中，遍历添加目标边后的图数据库，通过互为利害关系边遍历得到第一人节点和第二人节点，依次递归全部与第一人节点直接或间接通过利害关系边和/或相识关系边关联的其它节点，如在此过程中遍历到第二人节点，说明第一人节点和第二人节点可以通过其它非互为利害关系形成关联路径，即第一人节点和第二人节点之间形成了异常网络，该关联路径下的人节点即为疑似欺诈团伙的成员，遍历所有满足上述条件的人节点，可找出所有疑似欺诈团伙成员。
本发明实施例通过知识推理的方法对保险关系网络进行预处理，推理出保险关系网络中人节点之间的利害关系或相识关系，对具有利害关系或者相识关系的人节点进行目标边连接，从而更新保险关系网络，直接通过目标边遍历更新后的网络关系，确定疑似欺诈团伙成员，减少了目标节点、边和路径的遍历次数，减少了遍历时间，提高了遍历效率。
参见图6，是本发明实施例二提供的一种基于人工智能的保险反欺诈识别方法的流程示意图，如图6所示，该保险反欺诈识别方法可以包括以下步骤：
步骤S201，获取车险关系网络，车险关系网络包括：若干个隶属于同类车险的案件节点，与每个案件节点相关联的人节点，每个案件节点及与每个案件节点相关联的人节点之间通过原始边进行连接。
其中，步骤S201与上述步骤S101不同之处在于，步骤S201中为存储有车险网络的原始图数据库，其它内容与步骤S101相同，可参考步骤S101，在此不在赘述。
步骤S202，通过案件节点和原始边遍历原始图数据库中的每个人节点，确定出在至少两个车险案件中具有互为相撞关系的两个人节点，以及在至少两个车险案件中同时具有相撞关系和相识关系的两个人节点。
其中，互为相撞关系应满足以下条件：两个人节点表示的当事人同时在至少两个车险案件中作为双方当事人，本实施例中的相撞关系属于实施例一中利害关系的一种，指在车险环境下，两个人在同一案件中发生碰撞。
例如，在如图7所示的车险关系网络中，驾驶员A在案件1中撞击驾驶员B，造成驾驶员B受伤，驾驶员A在案件1中为标的车的驾驶员，在案件2中又一次撞击驾驶员B，造成驾驶员B受伤，A在案件2中也为标的车驾驶员，驾驶员A和驾驶员B在案件1和案件2中都作为双方的当事人，那么驾驶员A和驾驶员B互为相撞关系。
同时具有相撞关系和相识关系应满足以下条件：两个人节点表示的当事人同时在至少两个车险案件中作为双方当事人，且同一保险案件中互为第一方干系人。
例如，在如图5所示的车险关系网络中，案件1中，驾驶员A为案件1中标的车的驾驶员，驾驶员B为案件1中标的车的车主，那么驾驶员A与驾驶员B为相识关系，在此，驾驶员A和驾驶员B互为第一方干系人，如车主、投保人、被保人和驾驶人等，都为相识关系，驾驶员A和驾驶员B在案件2中为双方当事人，则驾驶员A和驾驶员B同时具有相撞关系和相识关系。
本发明中，通过人工智能中的知识推理方法确定所述两个人节点之间为相撞关系或相识关系。
例如，在如图7所示的保险关系网络中，驾驶员A在案件1中撞击驾驶员B，造成驾驶员B受伤，驾驶员A在案件1中为标的车的驾驶员，在案件2中又一次撞击驾驶员B，造成驾驶员B受伤，A在案件2中也为标的车驾驶员，驾驶员A和驾驶员B在案件1和案件2中都作为双方的当事人，根据已知的驾驶员A和驾驶员B与案件1的关系以及驾驶员A和驾驶员B与案件2的关系，可推理出驾驶员A和驾驶员B之间的隐藏关系为相撞关系。
例如，在如图8所示的保险关系网络中，案件1中，已知驾驶员A为案件1中标的车的驾驶员，驾驶员B为案件1中标的车的车主，那么可推理出驾驶员A与驾驶员B为相识关系，在此，驾驶员A和驾驶员B互为第一方干系人，如车主、投保人、被保人和驾驶人等，都为相识关系，驾驶员A和驾驶员B在案件2中为双方当事人，可推理出驾驶员A和驾驶员B的隐藏关系既为相撞关系又为相识关系。
根据上述知识推理的方法遍历原始图数据库，可遍历出所有在至少两个保险案件中具有互为相撞关系的两个人节点，以及在至少两个保险案件中同时具有相撞关系和相识关系的两个人节点。
步骤S203，将具有相撞关系的两个人节用设定的第一目标边进行连接，将具有相识关系的两个人节点用设定的第二目标边进行连接，以更新车险关系网络。
其中步骤S203与上述步骤S103不同之处在于，步骤S203中将具有相撞关系的两个人节用设定的第一目标边进行连接，更新车险关系网络，其它内容与步骤S103相同，可参考步骤S103，在此不在赘述。
步骤S204，遍历车险关系网络中通过至少两条所述第一目标边进行相互连接的第一人节点和第二人节点，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接第二人节点时，判定其其它关联路径上的所有人节点为疑似欺诈团伙成员或工具。
本发明中，遍历添加目标边后的图数据库，通过互为相撞关系边遍历得到第一人节点和第二人节点，依次递归全部与第一人节点直接或间接通过相撞关系边和/或相识关系边关联的其它节点，如在此过程中遍历到第二人节点，说明第一人节点和第二人节点可以通过其它非互为相撞关系形成关联路径，即第一人节点和第二人节点之间形成了异常网络，该关联路径下的节点即为疑似欺诈团伙的成员或工具，遍历所有满足上述条件的人节点，可找出所有疑似欺诈团伙成员或工具。
本发明实施例通过知识推理的方法对车险关系网络进行预处理，推理得到同一车险案件中的两个人节点属于相撞关系或相识关系，将具有相撞关系或相识关系的人节点通过目标边进行连接，从而更新保险关系网络，直接通过目标边遍历更新后的网络关系，确定疑似欺诈团伙成员或工具，将检索节点的范围从全部节点，缩减为仅检索两个类型的极小部分节点，减少了目标节点、边、路径的遍历次数，减少了耗时，提升了遍历效率。
对于上文实施例的保险反欺诈识别方法，图9示出了本发明实施例三提供的基于人工智能的保险反欺诈识别装置的结构框图，上述保险反欺诈识别装置应用于计算机设备，对应的计算机设备通过互联网连接服务器，通过预设的应用程序接口(ApplicationProgramming Interface，API)连接服务器端的原始保险图数据库，获取原始保险图数据库数据。为了便于说明，仅示出了与本发明实施例相关的部分。
参见图9，该保险反欺诈识别装置包括：
保险网络获取模块31，用于获取保险关系网络，所述保险关系网络包括：若干个隶属于同类保险的案件节点，与每个案件节点相关联的人节点，每个案件节点及与每个案件节点相关联的人节点之间通过原始边进行连接；
保险网络更新模块32，用于通过所述案件节点和所述原始边遍历原始图数据库中的每个人节点，确定出在至少两个保险案件中具有互为利害关系的两个人节点，以及在至少两个保险案件中同时具有利害关系和相识关系的两个人节点；将具有所述利害关系的两个人节点用设定的第一目标边进行连接，将具有所述相识关系的两个人节点用设定的第二目标边进行连接，以更新所述保险关系网络；
所述保险关系网在更新之前存储在原始图数据库中，更新后的保险关系网存储在目标图数据库中。
保险反欺诈判断模块33，用于遍历所述保险关系网络中通过至少两条所述第一目标边进行相互连接的第一人节点和第二人节点，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接所述第二人节点时，判定所述其其它关联路径上的所有人节点为疑似欺诈团伙成员。
可选的，上述保险反欺诈识别装置还包括：
知识推理模块，用于通过知识推理的方法确定所述两个人节点之间为所述利害关系或所述相识关系。
所述知识推理方法为通过所述原始图数据库中每个案件节点，与每个案件节点相关联的人节点之间的已知关系，推理出与每个案件节点相关联的人节点之间的所述利害关系或所述相识关系。
可选的，上述保险反欺诈识别装置还包括：
关系确定模块，用于确定两个人节点为互为利害关系或者相识关系。
所述两个保险案件中具有互为利害关系的两个人节点满足以下条件：所述两个人节点表示的当事人同时在至少两个保险案件中作为双方当事人。
所述在至少两个保险案件中同时具有利害关系和相识关系的两个人节点满足以下条件：所述两个人节点表示的当事人同时在至少两个保险案件中作为双方当事人，且在同一保险案件中互为第一方干系人，所述第一干系人包括车主、投保人、被保人和驾驶人中的任意两个。
可选的，上述保险反欺诈识别装置还包括：
车险反欺诈判断模块，用于遍历车险关系网络，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接所述第二人节点时，判定所述其它关联路径上的所有人节点为疑似欺诈团伙成员，判定与所有人节点相关的车辆为疑似作案工具。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图10为本发明实施例四提供的一种计算机设备的结构示意图。如图10所示，该实施例的计算机设备包括：至少一个处理器(图10中仅示出一个)、存储器以及存储在存储器中并可在至少一个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上述任意各个保险反欺诈识别方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图10仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备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，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。
其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的保险反欺诈识别方法，所述方法包括：
获取保险关系网络，所述保险关系网络包括：若干个隶属于同类保险的案件节点，与每个案件节点相关联的人节点，每个案件节点及与每个案件节点相关联的人节点之间通过原始边进行连接；
通过所述案件节点和所述原始边遍历原始图数据库中的每个人节点，确定出在至少两个保险案件中具有互为利害关系的两个人节点，以及在至少两个保险案件中同时具有利害关系和相识关系的两个人节点；
将具有所述利害关系的两个人节点用设定的第一目标边进行连接，将具有所述相识关系的两个人节点用设定的第二目标边进行连接，以更新所述保险关系网络；
遍历所述保险关系网络中通过至少两条所述第一目标边进行相互连接的第一人节点和第二人节点，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接所述第二人节点时，判定所述其它关联路径上的所有人节点为疑似欺诈团伙成员。
2.根据权利要求1所述的保险反欺诈识别方法，其特征在于，所述方法包括：通过知识推理的方法确定所述两个人节点之间为所述利害关系或所述相识关系。
3.根据权利要求2所述的保险反欺诈识别方法，其特征在于，所述知识推理方法为通过所述原始图数据库中每个案件节点，与每个案件节点相关联的人节点之间的已知关系，推理出与每个案件节点相关联的人节点之间的所述利害关系或所述相识关系。
4.根据权利要求1所述的保险反欺诈识别方法，其特征在于，所述两个保险案件中具有互为利害关系的两个人节点满足以下条件：所述两个人节点表示的当事人同时在至少两个保险案件中作为双方当事人。
5.根据权利要求1所述的保险反欺诈识别方法，其特征在于，所述在至少两个保险案件中同时具有利害关系和相识关系的两个人节点满足以下条件：所述两个人节点表示的当事人同时在至少两个保险案件中作为双方当事人，且在同一保险案件中互为第一方干系人，所述第一干系人包括车主、投保人、被保人和驾驶人中的任意两个。
6.根据权利要求1所述的保险反欺诈识别方法，其特征在于，所述保险关系网在更新之前存储在原始图数据库中，更新后的保险关系网存储在目标图数据库中。
7.根据权利要求1所述的保险反欺诈识别方法，其特征在于，所述保险关系网络为车险关系网络时，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接所述第二人节点时，判定所述其它关联路径上的所有人节点为疑似欺诈团伙成员，判定与所有人节点相关的车辆为疑似作案工具。
8.一种基于人工智能的保险反欺诈识别装置，其特征在于，所述保险反欺诈识别装置包括：
保险关系网络获取模块，用于获取保险关系网络，所述保险关系网络包括：若干个隶属于同类保险的案件节点，与每个案件节点相关联的人节点，每个案件节点及与每个案件节点相关联的人节点之间通过原始边进行连接；
保险关系网络更新模块，用于通过所述案件节点和所述原始边遍历原始图数据库中的每个人节点，确定出在至少两个保险案件中具有互为利害关系的两个人节点，以及在至少两个保险案件中同时具有利害关系和相识关系的两个人节点，将具有所述利害关系的两个人节点用设定的第一目标边进行连接，将具有所述相识关系的两个人节点用设定的第二目标边进行连接，以更新所述保险关系网络；
保险反欺诈判断模块，用于遍历所述保险关系网络中通过至少两条所述第一目标边进行相互连接的第一人节点和第二人节点，当遍历到所述第一人节点通过其他关联路径上的第一目标边和/或第二目标边连接所述第二人节点时，判定所述其它关联路径上的所有人节点为疑似欺诈团伙成员。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的保险反欺诈识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述的保险反欺诈识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210355496.9A CN114723574A (zh) | 2022-04-06 | 2022-04-06 | 基于人工智能的保险反欺诈识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210355496.9A CN114723574A (zh) | 2022-04-06 | 2022-04-06 | 基于人工智能的保险反欺诈识别方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114723574A true CN114723574A (zh) | 2022-07-08 |
Family
ID=82242907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210355496.9A Pending CN114723574A (zh) | 2022-04-06 | 2022-04-06 | 基于人工智能的保险反欺诈识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114723574A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278479A1 (en) * | 2013-03-15 | 2014-09-18 | Palantir Technologies, Inc. | Fraud detection in healthcare |
| CN108460689A (zh) * | 2018-01-12 | 2018-08-28 | 中国平安人寿保险股份有限公司 | 一种保单分析方法、装置、终端设备及存储介质 |
| CN111428217A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 |
| CN112529715A (zh) * | 2019-09-18 | 2021-03-19 | 杭州联保致新科技有限公司 | 一种基于复杂拓扑网络分析的车辆理赔群体欺诈识别方法 |
| US20210319329A1 (en) * | 2020-03-30 | 2021-10-14 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating knowledge graph, method for relation mining |
| CN113642926A (zh) * | 2021-08-31 | 2021-11-12 | 上海明略人工智能(集团)有限公司 | 用于风险预警的方法及装置、电子设备、存储介质 |
-
2022
- 2022-04-06 CN CN202210355496.9A patent/CN114723574A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278479A1 (en) * | 2013-03-15 | 2014-09-18 | Palantir Technologies, Inc. | Fraud detection in healthcare |
| CN108460689A (zh) * | 2018-01-12 | 2018-08-28 | 中国平安人寿保险股份有限公司 | 一种保单分析方法、装置、终端设备及存储介质 |
| CN112529715A (zh) * | 2019-09-18 | 2021-03-19 | 杭州联保致新科技有限公司 | 一种基于复杂拓扑网络分析的车辆理赔群体欺诈识别方法 |
| US20210319329A1 (en) * | 2020-03-30 | 2021-10-14 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating knowledge graph, method for relation mining |
| CN111428217A (zh) * | 2020-04-12 | 2020-07-17 | 中信银行股份有限公司 | 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质 |
| CN113642926A (zh) * | 2021-08-31 | 2021-11-12 | 上海明略人工智能(集团)有限公司 | 用于风险预警的方法及装置、电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414987B (zh) | 账户集合的识别方法、装置和计算机系统 | |
| US8060532B2 (en) | Determining suitability of entity to provide products or services based on factors of acquisition context | |
| CN109345417B (zh) | 基于身份认证的业务人员的在线考核方法及终端设备 | |
| CN111460312A (zh) | 空壳企业识别方法、装置及计算机设备 | |
| CN114205216B (zh) | 微服务故障的根因定位方法、装置、电子设备和介质 | |
| CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
| CN110009371B (zh) | 异常行为确定方法、装置、设备及计算机可读存储介质 | |
| WO2020019489A1 (zh) | 员工离职原因的预测方法及相关装置 | |
| CN111461727B (zh) | 交易行为的监控预警方法、装置、存储介质和智能设备 | |
| EP4014179A1 (en) | Risk analysis through mapping | |
| CN108960111B (zh) | 人脸识别方法、系统及终端设备 | |
| CN114723574A (zh) | 基于人工智能的保险反欺诈识别方法、装置、设备及介质 | |
| CN111209750A (zh) | 车联网威胁情报建模方法、装置及可读存储介质 | |
| CN113254932B (zh) | 应用程序的风险检测方法、装置、电子设备和介质 | |
| CN115713248A (zh) | 对用于交易所的数据打分和评价的方法 | |
| CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN110795424B (zh) | 特征工程变量数据请求处理方法、装置及电子设备 | |
| CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
| CN114387088A (zh) | 一种基于知识图谱的贷款风险识别方法及装置 | |
| CN113935847A (zh) | 线上流程的风险处理方法、装置、服务器及介质 | |
| CN112328763A (zh) | 意图识别的方法、装置、对话方法和系统 | |
| CN116823293B (zh) | 一种电子合同追溯校验方法及系统 | |
| CN111797282A (zh) | 产品标签权重确定方法、装置、电子设备及可读存储介质 | |
| CN114707990B (zh) | 一种用户行为模式的识别方法和装置 | |
| CN113099398B (zh) | 一种信息推送方法、信息推送装置及电子设备 |
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 |