CN115222549A - 风险评估处理方法、装置、计算机设备及存储介质 - Google Patents
风险评估处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115222549A CN115222549A CN202210933814.5A CN202210933814A CN115222549A CN 115222549 A CN115222549 A CN 115222549A CN 202210933814 A CN202210933814 A CN 202210933814A CN 115222549 A CN115222549 A CN 115222549A
- Authority
- CN
- China
- Prior art keywords
- risk
- case
- risk index
- settlement
- index
- 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
- 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
Abstract
本申请涉及人工智能技术,提供一种风险评估处理方法、装置、计算机设备与存储介质,包括:获取风险指标集;建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值;解析案件理赔请求,得到案件理赔信息;获取风险指标集中每一风险指标对应的预设风险指标计算模型,并调用预设风险指标计算模型处理案件理赔信息,得到风险指标对应的风险指标值;比较每一风险指标对应的风险指标值与风险指标阈值,并确定风险指标值超过风险指标阈值的风险指标的数量;当数量超过目标数量时,确定案件理赔请求对应的案件为风险案件。本申请能够提高风险评估处理准确性,促进智慧城市的快速发展。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种风险评估处理方法、装置、计算机设备及存储介质。
背景技术
随着互联网金融和电子商务的发展,人们利用网络进行交易、支付和借贷,通常在借贷和支付的过程中,风险评估处理就显得非常关键。以案件理赔为例,可能存在理赔用户误报和虚报案件进行骗保,甚至对理赔案件进行虚高的定损和赔款,导致公司的风控难以得到保障,进而影响公司收益。
在实现本申请的过程中,申请人发现现有技术存在如下技术问题:现阶段主要使用常规理赔数据进行案件风险评估,而常规理赔数据比较泛型,往往只能描述一个理赔现象,导致风险案件与非风险案件的得分差异不大,且由于泛型的常规理赔数据中不带有相关业务逻辑,导致在风险评估时缺失与业务逻辑相关的高维数据,无法保证风险评估处理的准确性。
因此,有必要提供一种风险评估处理方法,能够提高风险评估处理的准确性。
发明内容
鉴于以上内容,有必要提出一种风险评估处理方法、风险评估处理装置、计算机设备及存储介质,能够提高指标数据处理的准确性。
本申请实施例第一方面还提供一种风险评估处理方法,所述风险评估处理方法包括:
获取风险指标集;
建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值;
当接收到案件理赔请求时,解析所述案件理赔请求,得到案件理赔信息;
获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型,并调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值;
比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量;
当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件。
进一步地,在本申请实施例提供的上述风险评估处理方法中,所述获取风险指标集,包括:
获取历史风险案件对应的初始历史理赔数据;
预处理所述初始历史理赔数据,得到目标历史理赔数据;
基于所述目标历史理赔数据确定风险类别信息,并提取每一所述风险类别信息下的所述目标历史理赔数据的数据特征作为风险指标;
组合所述风险指标,得到风险指标集。
进一步地,在本申请实施例提供的上述风险评估处理方法中,所述建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值,包括:
步骤1,设定高斯过程为所述风险指标的目标函数;
步骤2,选取初始风险指标阈值,并将所述初始风险指标阈值输入至所述目标函数中,得到所述初始风险指标阈值对应的风险评估准确度;
步骤3,根据所述初始风险指标阈值与所述风险评估准确度更新所述目标函数,得到后验分布;
重复步骤2至步骤3,当所述目标函数达到最大迭代次数时,得到所述风险指标对应的风险指标阈值。
进一步地,在本申请实施例提供的上述风险评估处理方法中,所述解析所述案件理赔请求,得到案件理赔信息,包括:
检测所述案件理赔请求中是否携带理赔关键词;
当检测结果为所述案件理赔请求中携带所述理赔关键词,提取所述理赔关键词以及所述理赔关键词对应的理赔关键内容;
按照预设数据格式组合所述理赔关键词与所述理赔关键内容,得到案件理赔信息。
进一步地,在本申请实施例提供的上述风险评估处理方法中,所述获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型包括:
获取所述风险指标对应的逻辑定义;
根据所述逻辑定义确定目标案件理赔维度集以及所述目标案件理赔维度集中目标案件理赔维度间的数学关系;
根据所述数学关系构建所述风险指标对应的预设风险指标计算模型。
进一步地,在本申请实施例提供的上述风险评估处理方法中,所述调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值,包括:
获取所述预设风险指标计算模型对应的目标案件理赔维度集;
从所述案件理赔信息中选取与所述目标案件理赔维度集中每一目标案件理赔维度对应的目标维度;
提取所述目标维度对应的数据为目标案件理赔信息,并输入所述目标案件理赔信息至所述风险指标计算模型中,得到所述风险指标对应的风险指标值。
进一步地,在本申请实施例提供的上述风险评估处理方法中,当所述数量未超过目标数量时,所述方法还包括:
确定所述案件理赔请求对应的案件为待理赔案件;
根据所述待理赔案件的案件理赔信息进行案件理赔。
本申请实施例第二方面还提供一种风险评估处理装置,所述风险评估处理装置包括:
风险获取模块,用于获取风险指标集;
函数建立模块,用于建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值;
请求解析模块,用于当接收到案件理赔请求时,解析所述案件理赔请求,得到案件理赔信息;
模型获取模块,用于获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型,并调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值;
指标比较模块,用于比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量;
风险确定模块,用于当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件。
本申请实施例第三方面还提供一种计算机设备,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述风险评估处理方法。
本申请实施例第四方面还提供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,所述计算机程序被处理器执行时实现上述任意一项所述风险评估处理方法。
本申请实施例提供的上述风险评估处理方法、风险评估处理装置、计算机设备以及计算机可读存储介质,通过建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值,继而比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值从而确定风险案件。本申请能够对包含业务逻辑的案件理赔信息进行处理,增强风险案件与非风险案件间的数据分离度,提高风险指标阈值的准确性,继而提高风险评估处理的准确性。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中,比如智慧政务的风险评估处理模块等,能够促进智慧城市的快速发展。
附图说明
图1是本申请实施例一提供的风险评估处理方法的流程图。
图2是本申请实施例二提供的风险评估处理装置的结构图。
图3是本申请实施例三提供的计算机设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
本申请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。
本发明实施例提供的风险评估处理方法由计算机设备执行,相应地,风险评估处理装置运行于计算机设备中。图1是本申请实施例一提供的风险评估处理方法的流程图。如图1所示,所述风险评估处理方法可以包括如下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略:
S11,获取风险指标集。
在本申请的至少一实施例中,所述风险指标集是指由若干风险指标组成的集合,所述风险指标集中所述风险指标的数量可以为1个,也可以为多个,在此不做限制。本申请以所述风险指标的数量为多个为例。所述风险指标可以是指用于标识风险案件对应业务逻辑的指标,所述风险案件可以是指存在理赔欺诈风险的案件,所述业务逻辑可以是指所述风险案件的相关业务定义。例如,所述风险指标可以是截留赔款指标、虚假出险指标、故意出险指标以及倒签单指标。其中,所述截留赔款指标对应的业务逻辑可以是指被保险人在预设时间段内理赔大量轻伤相关的赔案;所述虚假出险指标对应的业务逻辑可以是指同一雇主名下不同雇员以同一种出险原因的出险次数;所述故意出险指标对应的业务逻辑可以是指同一个员工在预设时间段内的出险次数;所述倒签单指标对应的业务逻辑可以是指先出险后批改的理赔案件。
可选地,所述获取风险指标集包括:
获取历史风险案件对应的初始历史理赔数据;
预处理所述初始历史理赔数据,得到目标历史理赔数据;
基于所述目标历史理赔数据确定风险类别信息,并提取每一所述风险类别信息下的所述目标历史理赔数据的数据特征作为风险指标;
组合所述风险指标,得到风险指标集。
其中,所述历史风险案件是指历史发生的存在欺诈理赔的案件,所述历史风险案件及对应的初始历史理赔数据存储于预设数据库中,考虑到数据存储的可靠性与隐私性,所述预设数据库可以是区块链上的目标节点。所述初始历史理赔数据可以包括保险保单号、保险保额、保险保费、保险日期或者出险日期等至少一项信息。在一实施例中,所述初始历史理赔数据为车牌号、车险保额、车险日期、车险保单号、车险出险地和车险出险日期等。在一实施例中,在进行风险类别信息分析之前,需对所述初始历史理赔数据进行预处理,以便降低类别分析难度。在一实施例中,所述预处理可以包括:利用注释符进行识别并移除对类别解析没有用处的注释行;将所述初始历史理赔数据中的所有换行符替换为空格;对所述初始历史理赔数据中的特殊语法及关键字进行标准化处理,以降低类别分析解析的难度。
其中,对所述目标历史理赔数据进行风险类别分析,得到风险类别信息,并提取每一所述风险类别信息下的所述目标历史理赔数据的数据特征作为风险指标。所述风险类别信息可以包括被保险人在预设时间段内理赔大量轻伤相关的赔案、同一雇主名下不同雇员同一种出险原因多次出险、同一个员工在预设时间段内多次出险以及先出险后批改等类别。以所述风险类别信息为同一雇主名下不同雇员同一种出险原因多次出险为例,该风险类别信息下的目标历史理赔数据的数据特征为同一雇主名下不同雇员同一种出险原因多次出险,则对应的风险指标可以为虚假出险指标。
本申请通过对理赔案件的风险指标进行分析,能够确定理赔案件是否存在风险,且由于风险指标中添加了业务逻辑,能够增强风险案件与非风险案件间的数据分离度,继而提高风险评估处理的准确性。
S12,建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值。
在本申请的至少一实施例中,对所述风险指标集中每一所述风险指标建立目标函数,并调用贝叶斯优化算法处理所述目标函数,得到所述风险指标对应的风险指标阈值。其中,所述贝叶斯优化算法是一种利用贝叶斯定理来指导搜索以找到所述目标函数的最小值或最大值的方法,也即在每次迭代时,利用之前观测到的历史信息(先验知识)来进行下一次优化。
可选地,所述建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值,包括:
步骤1,设定高斯过程为所述风险指标的目标函数;
步骤2,选取初始风险指标阈值,并将所述初始风险指标阈值输入至所述目标函数中,得到所述初始风险指标阈值对应的风险评估准确度;
步骤3,根据所述初始风险指标阈值与所述风险评估准确度更新所述目标函数,得到后验分布;
重复步骤2至步骤3,当所述目标函数达到最大迭代次数时,得到所述风险指标对应的风险指标阈值。
其中,所述高斯过程是概率论和数理统计中随机过程的一种,是一系列服从正态分布的随机变量在一指数集内的组合。所述初始风险指标阈值可以为随机选取的,也可以是系统人员根据经验选取的。所述风险评估准确度是指对历史风险案件进行风险确认的准确值。
S13,当接收到案件理赔请求时,解析所述案件理赔请求,得到案件理赔信息。
在本申请的至少一实施例中,所述案件理赔请求可以是由客户端发起的对当前案件进行理赔的请求。具体地,用户通过客户端输入对应的指令或信息来触发该案件理赔请求。客户端将该案件理赔请求发送至服务端,服务端即获取到案件理赔请求。
可选地,所述解析所述案件理赔请求,得到案件理赔信息,包括:
检测所述案件理赔请求中是否携带理赔关键词;
当检测结果为所述案件理赔请求中携带所述理赔关键词,提取所述理赔关键词以及所述理赔关键词对应的理赔关键内容;
按照预设数据格式组合所述理赔关键词与所述理赔关键内容,得到案件理赔信息。其中,所述案件理赔请求中携带若干理赔关键词,所述理赔关键词可以为保险保单号、保险保额、保险保费、保险日期或者出险日期等关键词。所述预设数据格式是指预先设置的组合所述理赔关键词与所述理赔关键内容的格式。
S14,获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型,并调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值。
在本申请的至少一实施例中,对于所述风险指标集中每一所述风险指标,均构建对应的预设风险指标计算模型,所述预设风险指标计算模型用于根据案件理赔信息得到各个风险指标对应的风险指标值。
可选地,所述获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型包括:
获取所述风险指标对应的逻辑定义;
根据所述逻辑定义确定目标案件理赔维度集以及所述目标案件理赔维度集中目标案件理赔维度间的数学关系;
根据所述数学关系构建所述风险指标对应的预设风险指标计算模型。
其中,所述逻辑定义是指所述风险指标对应的数学含义,以所述风险指标为截留赔款指标为例,其对应的逻辑定义为“被保险人在预设时间段理赔轻伤相关的赔案的数量”。所述风险指标与所述逻辑定义间存在映射关系,通过遍历所述映射关系,能够得到所述风险指标对应的所述逻辑定义。所述目标案件理赔维度集中可以包含1个或多个目标案件理赔维度。以所述风险指标为截留赔款指标为例,所述目标案件理赔维度可以包括出险日期、保险保额、保险保费维度信息。
可选地,所述调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值包括:
获取所述预设风险指标计算模型对应的目标案件理赔维度集;
从所述案件理赔信息中选取与所述目标案件理赔维度集中每一目标案件理赔维度对应的目标维度;
提取所述目标维度对应的数据为目标案件理赔信息,并输入所述目标案件理赔信息至所述风险指标计算模型中,得到所述风险指标对应的风险指标值。
本申请通过获取所述预设风险指标计算模型对应的目标案件理赔维度集,并从所述案件理赔信息中选取与所述目标案件理赔维度集中每一目标案件理赔维度对应的目标维度计算风险指标值,能够避免不相干维度数据对计算过程的干扰,从而提高风险指标值的计算效率与准确性。
S15,比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量。
在本申请的至少一实施例中,比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量。
S16,当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件。
在本申请的至少一实施例中,当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件,即该案件理赔存在较大风险,可以将所述案件理赔请求发送给服务端进行审核,保证理赔的安全性,提高案件理赔的风险管控能力。
可选地,当所述数量未超过目标数量时,所述方法还包括:
确定所述案件理赔请求对应的案件为待理赔案件;
根据所述待理赔案件的案件理赔信息进行案件理赔。
本申请实施例提供的上述风险评估处理方法,通过建立所述风险指标集中每一所述风险指标对应的目标函数,并调用贝叶斯优化算法处理所述目标函数,得到所述风险指标对应的风险指标阈值,继而比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值从而确定风险案件。基于贝叶斯优化算法能够对包含业务逻辑的案件理赔信息进行处理,增强风险案件与非风险案件间的数据分离度,提高风险指标阈值的准确性,继而提高风险评估处理的准确性。本申请可应用于智慧政务、智慧交通等智慧城市的各个功能模块中,比如智慧政务的风险评估处理模块等,能够促进智慧城市的快速发展。
图2是本申请实施例二提供的风险评估处理装置的结构图。
在一些实施例中,所述风险评估处理装置20可以包括多个由计算机程序段所组成的功能模块。所述风险评估处理装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)风险评估处理的功能。
本实施例中,所述风险评估处理装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:风险获取模块201、函数建立模块202、请求解析模块203、模型获取模块204、指标比较模块205以及风险确定模块206本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述风险获取模块201可以用于获取风险指标集。
在本申请的至少一实施例中,所述风险指标集是指由若干风险指标组成的集合,所述风险指标集中所述风险指标的数量可以为1个,也可以为多个,在此不做限制。本申请以所述风险指标的数量为多个为例。所述风险指标可以是指用于标识风险案件对应业务逻辑的指标,所述风险案件可以是指存在理赔欺诈风险的案件,所述业务逻辑可以是指所述风险案件的相关业务定义。例如,所述风险指标可以是截留赔款指标、虚假出险指标、故意出险指标以及倒签单指标。其中,所述截留赔款指标对应的业务逻辑可以是指被保险人在预设时间段内理赔大量轻伤相关的赔案;所述虚假出险指标对应的业务逻辑可以是指同一雇主名下不同雇员以同一种出险原因的出险次数;所述故意出险指标对应的业务逻辑可以是指同一个员工在预设时间段内的出险次数;所述倒签单指标对应的业务逻辑可以是指先出险后批改的理赔案件。
可选地,所述获取风险指标集包括:
获取历史风险案件对应的初始历史理赔数据;
预处理所述初始历史理赔数据,得到目标历史理赔数据;
基于所述目标历史理赔数据确定风险类别信息,并提取每一所述风险类别信息下的所述目标历史理赔数据的数据特征作为风险指标;
组合所述风险指标,得到风险指标集。
其中,所述历史风险案件是指历史发生的存在欺诈理赔的案件,所述历史风险案件及对应的初始历史理赔数据存储于预设数据库中,考虑到数据存储的可靠性与隐私性,所述预设数据库可以是区块链上的目标节点。所述初始历史理赔数据可以包括保险保单号、保险保额、保险保费、保险日期或者出险日期等至少一项信息。在一实施例中,所述初始历史理赔数据为车牌号、车险保额、车险日期、车险保单号、车险出险地和车险出险日期等。在一实施例中,在进行风险类别信息分析之前,需对所述初始历史理赔数据进行预处理,以便降低类别分析难度。在一实施例中,所述预处理可以包括:利用注释符进行识别并移除对类别解析没有用处的注释行;将所述初始历史理赔数据中的所有换行符替换为空格;对所述初始历史理赔数据中的特殊语法及关键字进行标准化处理,以降低类别分析解析的难度。
其中,对所述目标历史理赔数据进行风险类别分析,得到风险类别信息,并提取每一所述风险类别信息下的所述目标历史理赔数据的数据特征作为风险指标。所述风险类别信息可以包括被保险人在预设时间段内理赔大量轻伤相关的赔案、同一雇主名下不同雇员同一种出险原因多次出险、同一个员工在预设时间段内多次出险以及先出险后批改等类别。以所述风险类别信息为同一雇主名下不同雇员同一种出险原因多次出险为例,该风险类别信息下的目标历史理赔数据的数据特征为同一雇主名下不同雇员同一种出险原因多次出险,则对应的风险指标可以为虚假出险指标。
本申请通过对理赔案件的风险指标进行分析,能够确定理赔案件是否存在风险,且由于风险指标中添加了业务逻辑,能够增强风险案件与非风险案件间的数据分离度,继而提高风险评估处理的准确性。
所述函数建立模块202可以用于建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值。
在本申请的至少一实施例中,对所述风险指标集中每一所述风险指标建立目标函数,并调用贝叶斯优化算法处理所述目标函数,得到所述风险指标对应的风险指标阈值。其中,所述贝叶斯优化算法是一种利用贝叶斯定理来指导搜索以找到所述目标函数的最小值或最大值的方法,也即在每次迭代时,利用之前观测到的历史信息(先验知识)来进行下一次优化。
可选地,所述建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值,包括:
步骤1,设定高斯过程为所述风险指标的目标函数;
步骤2,选取初始风险指标阈值,并将所述初始风险指标阈值输入至所述目标函数中,得到所述初始风险指标阈值对应的风险评估准确度;
步骤3,根据所述初始风险指标阈值与所述风险评估准确度更新所述目标函数,得到后验分布;
重复步骤2至步骤3,当所述目标函数达到最大迭代次数时,得到所述风险指标对应的风险指标阈值。
其中,所述高斯过程是概率论和数理统计中随机过程的一种,是一系列服从正态分布的随机变量在一指数集内的组合。所述初始风险指标阈值可以为随机选取的,也可以是系统人员根据经验选取的。所述风险评估准确度是指对历史风险案件进行风险确认的准确值。
所述请求解析模块203可以用于当接收到案件理赔请求时,解析所述案件理赔请求,得到案件理赔信息。
在本申请的至少一实施例中,所述案件理赔请求可以是由客户端发起的对当前案件进行理赔的请求。具体地,用户通过客户端输入对应的指令或信息来触发该案件理赔请求。客户端将该案件理赔请求发送至服务端,服务端即获取到案件理赔请求。
可选地,所述解析所述案件理赔请求,得到案件理赔信息,包括:
检测所述案件理赔请求中是否携带理赔关键词;
当检测结果为所述案件理赔请求中携带所述理赔关键词,提取所述理赔关键词以及所述理赔关键词对应的理赔关键内容;
按照预设数据格式组合所述理赔关键词与所述理赔关键内容,得到案件理赔信息。其中,所述案件理赔请求中携带若干理赔关键词,所述理赔关键词可以为保险保单号、保险保额、保险保费、保险日期或者出险日期等关键词。所述预设数据格式是指预先设置的组合所述理赔关键词与所述理赔关键内容的格式。
所述模型获取模块204可以用于获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型,并调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值。
在本申请的至少一实施例中,对于所述风险指标集中每一所述风险指标,均构建对应的预设风险指标计算模型,所述预设风险指标计算模型用于根据案件理赔信息得到各个风险指标对应的风险指标值。
可选地,所述获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型包括:
获取所述风险指标对应的逻辑定义;
根据所述逻辑定义确定目标案件理赔维度集以及所述目标案件理赔维度集中目标案件理赔维度间的数学关系;
根据所述数学关系构建所述风险指标对应的预设风险指标计算模型。
其中,所述逻辑定义是指所述风险指标对应的数学含义,以所述风险指标为截留赔款指标为例,其对应的逻辑定义为“被保险人在预设时间段理赔轻伤相关的赔案的数量”。所述风险指标与所述逻辑定义间存在映射关系,通过遍历所述映射关系,能够得到所述风险指标对应的所述逻辑定义。所述目标案件理赔维度集中可以包含1个或多个目标案件理赔维度。以所述风险指标为截留赔款指标为例,所述目标案件理赔维度可以包括出险日期、保险保额、保险保费维度信息。
可选地,所述调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值包括:
获取所述预设风险指标计算模型对应的目标案件理赔维度集;
从所述案件理赔信息中选取与所述目标案件理赔维度集中每一目标案件理赔维度对应的目标维度;
提取所述目标维度对应的数据为目标案件理赔信息,并输入所述目标案件理赔信息至所述风险指标计算模型中,得到所述风险指标对应的风险指标值。
本申请通过获取所述预设风险指标计算模型对应的目标案件理赔维度集,并从所述案件理赔信息中选取与所述目标案件理赔维度集中每一目标案件理赔维度对应的目标维度计算风险指标值,能够避免不相干维度数据对计算过程的干扰,从而提高风险指标值的计算效率与准确性。
所述指标比较模块205可以用于比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量。
在本申请的至少一实施例中,比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量。
所述风险确定模块206可以用于当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件。
在本申请的至少一实施例中,当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件,即该案件理赔存在较大风险,可以将所述案件理赔请求发送给服务端进行审核,保证理赔的安全性,提高案件理赔的风险管控能力。
可选地,当所述数量未超过目标数量时,所述方法还包括:
确定所述案件理赔请求对应的案件为待理赔案件;
根据所述待理赔案件的案件理赔信息进行案件理赔。
参阅图3所示,为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中,所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的计算机设备的结构并不构成本申请实施例的限定,既可以是总线型结构,也可以是星形结构,所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述计算机设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述计算机设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本申请,也应包含在本申请的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31中存储有计算机程序,所述计算机程序被所述至少一个处理器32执行时实现如所述的风险评估处理方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中,所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit),利用各种接口和线路连接整个计算机设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行计算机设备3的各种功能和处理数据。例如,所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的风险评估处理方法的全部或者部分步骤;或者实现风险评估处理装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述计算机设备3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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,计算机设备,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,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模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种风险评估处理方法,其特征在于,所述风险评估处理方法包括:
获取风险指标集;
建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值;
当接收到案件理赔请求时,解析所述案件理赔请求,得到案件理赔信息;
获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型,并调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值;
比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量;
当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件。
2.根据权利要求1所述的风险评估处理方法,其特征在于,所述获取风险指标集,包括:
获取历史风险案件对应的初始历史理赔数据;
预处理所述初始历史理赔数据,得到目标历史理赔数据;
基于所述目标历史理赔数据确定风险类别信息,并提取每一所述风险类别信息下的所述目标历史理赔数据的数据特征作为风险指标;
组合所述风险指标,得到风险指标集。
3.根据权利要求1所述的风险评估处理方法,其特征在于,所述建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值,包括:
步骤1,设定高斯过程为所述风险指标的目标函数;
步骤2,选取初始风险指标阈值,并将所述初始风险指标阈值输入至所述目标函数中,得到所述初始风险指标阈值对应的风险评估准确度;
步骤3,根据所述初始风险指标阈值与所述风险评估准确度更新所述目标函数,得到后验分布;
重复步骤2至步骤3,当所述目标函数达到最大迭代次数时,得到所述风险指标对应的风险指标阈值。
4.根据权利要求1所述的风险评估处理方法,其特征在于,所述解析所述案件理赔请求,得到案件理赔信息,包括:
检测所述案件理赔请求中是否携带理赔关键词;
当检测结果为所述案件理赔请求中携带所述理赔关键词,提取所述理赔关键词以及所述理赔关键词对应的理赔关键内容;
按照预设数据格式组合所述理赔关键词与所述理赔关键内容,得到案件理赔信息。
5.根据权利要求1所述的风险评估处理方法,其特征在于,所述获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型包括:
获取所述风险指标对应的逻辑定义;
根据所述逻辑定义确定目标案件理赔维度集以及所述目标案件理赔维度集中目标案件理赔维度间的数学关系;
根据所述数学关系构建所述风险指标对应的预设风险指标计算模型。
6.根据权利要求5所述的风险评估处理方法,其特征在于,所述调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值,包括:
获取所述预设风险指标计算模型对应的目标案件理赔维度集;
从所述案件理赔信息中选取与所述目标案件理赔维度集中每一目标案件理赔维度对应的目标维度;
提取所述目标维度对应的数据为目标案件理赔信息,并输入所述目标案件理赔信息至所述风险指标计算模型中,得到所述风险指标对应的风险指标值。
7.根据权利要求1所述的风险评估处理方法,其特征在于,当所述数量未超过目标数量时,所述方法还包括:
确定所述案件理赔请求对应的案件为待理赔案件;
根据所述待理赔案件的案件理赔信息进行案件理赔。
8.一种风险评估处理装置,其特征在于,所述风险评估处理装置包括:
风险获取模块,用于获取风险指标集;
函数建立模块,用于建立并处理所述风险指标集中每一所述风险指标对应的目标函数,得到所述风险指标对应的风险指标阈值;
请求解析模块,用于当接收到案件理赔请求时,解析所述案件理赔请求,得到案件理赔信息;
模型获取模块,用于获取所述风险指标集中每一所述风险指标对应的预设风险指标计算模型,并调用预设风险指标计算模型处理所述案件理赔信息,得到所述风险指标对应的风险指标值;
指标比较模块,用于比较每一所述风险指标对应的所述风险指标值与所述风险指标阈值,并确定所述风险指标值超过所述风险指标阈值的风险指标的数量;
风险确定模块,用于当所述数量超过目标数量时,确定所述案件理赔请求对应的案件为风险案件。
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,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的风险评估处理方法。
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至7中任意一项所述的风险评估处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933814.5A CN115222549A (zh) | 2022-08-04 | 2022-08-04 | 风险评估处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933814.5A CN115222549A (zh) | 2022-08-04 | 2022-08-04 | 风险评估处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222549A true CN115222549A (zh) | 2022-10-21 |
Family
ID=83616437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210933814.5A Pending CN115222549A (zh) | 2022-08-04 | 2022-08-04 | 风险评估处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222549A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342300A (zh) * | 2023-05-26 | 2023-06-27 | 凯泰铭科技(北京)有限公司 | 一种保险理赔人员特征分析方法、装置和设备 |
-
2022
- 2022-08-04 CN CN202210933814.5A patent/CN115222549A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116342300A (zh) * | 2023-05-26 | 2023-06-27 | 凯泰铭科技(北京)有限公司 | 一种保险理赔人员特征分析方法、装置和设备 |
CN116342300B (zh) * | 2023-05-26 | 2023-08-01 | 凯泰铭科技(北京)有限公司 | 一种保险理赔人员特征分析方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
CN112598513B (zh) | 识别股东风险交易行为的方法及装置 | |
CN110147540B (zh) | 业务安全需求文档生成方法及系统 | |
CN112101311A (zh) | 基于人工智能的双录质检方法、装置、计算机设备及介质 | |
CN115936886B (zh) | 异构证券交易系统的失效检测方法、装置、设备及介质 | |
CN111950625A (zh) | 基于人工智能的风险识别方法、装置、计算机设备及介质 | |
CN113590824A (zh) | 因果事理图谱的构建方法、装置及相关设备 | |
CN112948275A (zh) | 测试数据生成方法、装置、设备及存储介质 | |
CN115222549A (zh) | 风险评估处理方法、装置、计算机设备及存储介质 | |
CN111242779B (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN116501610B (zh) | 做市交易系统的测试方法、装置、设备及介质 | |
CN112927064A (zh) | 延期还款数据处理方法、装置、电子设备及存储介质 | |
CN112634017A (zh) | 远程开卡激活方法、装置、电子设备及计算机存储介质 | |
CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
CN116562894A (zh) | 车险理赔欺诈风险识别方法、装置、电子设备及存储介质 | |
CN111429085A (zh) | 合同数据生成方法、装置、电子设备及存储介质 | |
CN113191146B (zh) | 诉求数据的分配方法、装置、计算机设备和存储介质 | |
CN115577983A (zh) | 基于区块链的企业任务匹配方法、服务器及存储介质 | |
CN116166999A (zh) | 异常交易数据识别方法、装置、计算机设备及存储介质 | |
CN115510219A (zh) | 话术推荐方法、装置、电子设备及存储介质 | |
CN114372892A (zh) | 支付数据监控方法、装置、设备及介质 | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114662095A (zh) | 基于操作数据的安全监测方法、装置、设备及存储介质 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 |
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 |