CN116777646A - 基于人工智能的风险识别方法、装置、设备及存储介质 - Google Patents
基于人工智能的风险识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116777646A CN116777646A CN202310774570.5A CN202310774570A CN116777646A CN 116777646 A CN116777646 A CN 116777646A CN 202310774570 A CN202310774570 A CN 202310774570A CN 116777646 A CN116777646 A CN 116777646A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- risk identification
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 97
- 238000006243 chemical reaction Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 239000000203 mixture Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 15
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000001419 dependent effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能领域,涉及一种基于人工智能的风险识别方法,包括:获取理赔数据;对理赔数据进行数据过滤与转化处理,得到第一理赔数据;对第一理赔数据进行缺失值处理,得到第二理赔数据;调用风险识别模型对第二理赔数据进行聚类,得到与分类类别的数量相同的多个聚类群;基于风险识别模型内的概率密度函数,对聚类群中包含的第三理赔数据进行计算,生成第三理赔数据的风险概率;基于风险概率生成第三理赔数据的欺诈风险识别结果。本申请还提供一种基于人工智能的风险识别装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,风险概率可存储于区块链中。本申请有效提高了对于理赔数据的欺诈风险识别的处理效率与识别准确度。
Description
技术领域
本申请涉及人工智能开发技术领域,尤其涉及基于人工智能的风险识别方法、装置、计算机设备及存储介质。
背景技术
目前,在金融保险领域,一些客户在办理相关保险理赔业务时,会以骗保为目的进行投保,或者提供虚假的理赔信息(例如,虚构保险事故、夸大保险事故严重程度等)。为了规避这类风险,金融保险相关企业通常会设置专门的理赔审核岗位,由理赔人员基于个人经验或者根据相关的评判规则,采用人工审核的方式对客户的理赔申请进行反欺诈识别,这种依赖规则与个人经验的处理方式会造成欺诈识别效率低,且欺诈识别结果不准确的问题。
发明内容
本申请实施例的目的在于提出一种基于人工智能的风险识别方法、装置、计算机设备及存储介质,以解决现有的依赖规则与个人经验对客户的理赔申请进行反欺诈识别的处理方式会造成欺诈识别效率低,且欺诈识别结果不准确的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的风险识别方法,采用了如下所述的技术方案:
获取待处理的理赔数据;
对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;
对所述第一理赔数据进行缺失值处理,得到第二理赔数据;
调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的;
基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;
基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
进一步的,所述对所述第一理赔数据进行缺失值处理,得到第二理赔数据的步骤,具体包括:
确定目标插补方式;
基于所述目标插补方式构建插补模型;
使用所述插补模型对所述第一理赔数据进行缺失值处理,得到所述第二理赔数据。
进一步的,所述调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群的步骤,具体包括:
构建与所述第二理赔数据对应的节点向量;
获取所述分类类别;
基于所述分类类别,使用所述风险识别模型对所述节点向量进行聚类,生成与所述分类类别的数量相同的多个聚类群。
进一步的,所述基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果的步骤,具体包括:
获取预设的概率转化评分规则;
获取第四理赔数据的指定风险概率;其中,所述第四理赔数据为所有所述第三理赔数据中的任意一个数据;
基于所述概率转化评分规则对所述指定风险概率进行转化处理,生成与所述第四理赔数据对应的指定评分;
判断所述指定评分是否大于预设的评分阈值;
若是,生成所述第四理赔数据具有欺诈风险的第一欺诈风险识别结果;
若否,生成所述第四理赔数据不具有欺诈风险的第二欺诈风险识别结果。
进一步的,所述对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据的步骤,具体包括:
基于预设的过滤规则对所述理赔数据中的无效数据进行过滤,得到第五理赔数据;
基于预设的标准格式对所述第五理赔数据进行格式转化处理,得到第六理赔数据;
将所述第六理赔数据作为所述第一理赔数据。
进一步的,在所述调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群的步骤之前,还包括:
获取历史理赔数据,以及获取与所述历史理赔数据对应的类别信息;
基于所述历史理赔数据与所述类别信息构建训练数据集;
获取预设的类别个数;
将所述训练数据集输入至高斯混合模型内进行训练,并基于期望最大算法与所述类别个数对所述高斯混合模型进行模型参数更新迭代,得到训练好的高斯混合模型;
将所述训练好的高斯混合模型作为所述风险识别模型。
进一步的,所述获取待处理的理赔数据的步骤,具体包括:
获取输入的报案号;
从预设的业务数据库中查询出与所述报案号对应的理赔案件,并获取所述理赔案件在每个处理环节的数据信息;
获取预设的维度信息;
基于所述维度信息对所述数据信息进行数据提取,得到所述理赔数据。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的风险识别装置,采用了如下所述的技术方案:
第一获取模块,用于获取待处理的理赔数据;
第一处理模块,用于对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;
第二处理模块,用于对所述第一理赔数据进行缺失值处理,得到第二理赔数据;
聚类模块,用于调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的;
计算模块,用于基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;
生成模块,用于基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
获取待处理的理赔数据;
对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;
对所述第一理赔数据进行缺失值处理,得到第二理赔数据;
调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的;
基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;
基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
获取待处理的理赔数据;
对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;
对所述第一理赔数据进行缺失值处理,得到第二理赔数据;
调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的;
基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;
基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取待处理的理赔数据;然后对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;之后对所述第一理赔数据进行缺失值处理,得到第二理赔数据;后续调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群,并基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;最后基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。本申请通过由高斯混合模型训练生成的风险识别模型对待处理的理赔数据进行欺诈风险识别,可以实现快速准确地生成理赔数据的欺诈风险识别结果,使得欺诈风险识别的过程不再依赖风险识别规则以及理赔员的个人经验,有效地提高了对于理赔数据的欺诈风险识别的处理效率,保证了生成的欺诈风险识别结的准确度。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的基于人工智能的风险识别方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的风险识别装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的风险识别方法一般由服务器/终端设备执行,相应地,基于人工智能的风险识别装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于人工智能的风险识别方法的一个实施例的流程图。所述的基于人工智能的风险识别方法,包括以下步骤:
步骤S201,获取待处理的理赔数据。
在本实施例中,基于人工智能的风险识别方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取理赔数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述获取待处理的理赔数据的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S202,对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据。
在本实施例中,上述对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,对所述第一理赔数据进行缺失值处理,得到第二理赔数据。
在本实施例中,可基于预设的插补模型对所述第一理赔数据进行缺失值处理,具体的缺失值处理的实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S204,调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的。
在本实施例中,上述分类类别包括具有欺诈风险,与不具有欺诈风险对应的2个分类类别。高斯混合模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,它是一个将事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。上述调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S205,基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率。
在本实施例中,概率密度函数具体为:
其中,p(x|μk,∑k)表示第k个分类的高斯密度,也就是第k个分类产生x的概率,αk表示第k个分类的权重,且满足的值为1,x表示理赔数据中的单个数据对象,μk为高斯模型的均值,∑k为高斯模型的方差。假设的数据样本集合一共包含K个类别。每个类别k下的样本均符合高斯分布,则在考虑不同样本的概率密度的时候,需要考虑它在不同分类下的高斯分布的概率密度,从而可以做一个加权求和来确定其最终的概率密度函数。
步骤S206,基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
在本实施例中,上述基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
本申请首先获取待处理的理赔数据;然后对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;之后对所述第一理赔数据进行缺失值处理,得到第二理赔数据;后续调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群,并基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;最后基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。本申请通过由高斯混合模型训练生成的风险识别模型对待处理的理赔数据进行欺诈风险识别,可以实现快速准确地生成理赔数据的欺诈风险识别结果,使得欺诈风险识别的过程不再依赖风险识别规则以及理赔员的个人经验,有效地提高了对于理赔数据的欺诈风险识别的处理效率,保证了生成的欺诈风险识别结的准确度。
在一些可选的实现方式中,步骤S203包括以下步骤:
确定目标插补方式。
在本实施例中,上述目标插补方式具体可采用多重插补方式。
基于所述目标插补方式构建插补模型。
在本实施例中,上述插补模型为预先构建的具有多重插补功能的处理模型。
使用所述插补模型对所述第一理赔数据进行缺失值处理,得到所述第二理赔数据。
在本实施例中,在获得了第一理赔数据后,通过搜索该第一理赔数据内缺失的数据序列,以及缺失的数据序列对应的时间序列;然后根据所述插补模型,计算所述缺失的数据序列对应的时间序列处的多个中间插补值;后续从所述多个中间插补值中获取预测误差最小的插补值序列,作为所述缺失的数据对应的目标插补值序列;在所述缺失的数据对应的时间处,使用所述目标插补值序列对所述缺失的数据序列进行替换处理,以完成对于所述第一理赔数据的缺失值处理。
本申请通过确定目标插补方式;然后基于所述目标插补方式构建插补模型;后续使用所述插补模型对所述第一理赔数据进行缺失值处理,得到所述第二理赔数据。本申请基于由目标插补方式构建的插补模型使用对第一理赔数据进行缺失值处理,可实现对第一理赔数据得到缺失数据进行合理的补值,并能实现准确地完整描述出第一理赔数据中的缺失数据。
在本实施例的一些可选的实现方式中,步骤S204包括以下步骤:
构建与所述第二理赔数据对应的节点向量。
在本实施例中,可通过获取第二理赔数据的节点,再使用图嵌入技术将所述第二理赔数据转化为对应的节点向量。
获取所述分类类别。
在本实施例中,所述分类类别包括具有欺诈风险,与不具有欺诈风险对应的2个分类类别。
基于所述分类类别,使用所述风险识别模型对所述节点向量进行聚类,生成与所述分类类别的数量相同的多个聚类群。
在本实施例中,通过使用风险识别模型获取由上述节点向量构成的混合高斯分布,再获取混合高斯分布中满足聚类过程的有限划分,从而得到与分类类别的数量相同的,且与节点向量对应的多个聚类群。
本申请通过构建与所述第二理赔数据对应的节点向量;然后获取所述分类类别;后续基于所述分类类别,使用所述风险识别模型对所述节点向量进行聚类,生成与所述分类类别的数量相同的多个聚类群。本申请通过先将理赔数据转化为节点向量的形式,进而使用风险识别模型对所述节点向量进行聚类,从而可以实现快速准确地生成所需的多个聚类群,提高了聚类群的生成智能性。
在一些可选的实现方式中,步骤S206包括以下步骤:
获取预设的概率转化评分规则。
在本实施例中,上述概率转化评分规则为预先根据实际的业务需求与业务测试结果创建生成的,概率转化评分规则内可包括概率区间与评分之间的映射关系,或者还可以包括基于概率的评分计算公式。
获取第四理赔数据的指定风险概率。
在本实施例中,所述第四理赔数据为所有所述第三理赔数据中的任意一个数据。
基于所述概率转化评分规则对所述指定风险概率进行转化处理,生成与所述第四理赔数据对应的指定评分。
判断所述指定评分是否大于预设的评分阈值。
在本实施例中,对于上述评分阈值的取值不做具体限定,可根据实际的使用需求进行设置。
若是,生成所述第四理赔数据具有欺诈风险的第一欺诈风险识别结果。
在本实施例中,如果第四理赔数据的指定评分大于预设的评分阈值,则表示该第四理赔数据中存在欺诈风险的概率极大。
若否,生成所述第四理赔数据不具有欺诈风险的第二欺诈风险识别结果。
在本实施例中,如果第四理赔数据的指定评分小于预设的评分阈值,则表示该第四理赔数据中存在欺诈风险的概率较小。
本申请通过获取预设的概率转化评分规则;然后获取第四理赔数据的指定风险概率;之后基于所述概率转化评分规则对所述指定风险概率进行转化处理,生成与所述第四理赔数据对应的指定评分;后续判断所述指定评分是否大于预设的评分阈值;若是,生成所述第四理赔数据具有欺诈风险的第一欺诈风险识别结果;若否,生成所述第四理赔数据不具有欺诈风险的第二欺诈风险识别结果。本申请基于概率转化评分规则与评分阈值对第三理赔数据的风险概率进行数据分析,可以实现快速准确地生成各个所述第三理赔数据的欺诈风险识别结果,提高了欺诈风险识别结果得到生成效率与数据准确性。
在一些可选的实现方式中,步骤S202包括以下步骤:
基于预设的过滤规则对所述理赔数据中的无效数据进行过滤,得到第五理赔数据。
在本实施例中,上述过滤规则为预先构建的包含用于校验数据的完整性与正确性的校验规则,上述无效数据是指理赔数据中包含的不符合上述校验规则的数据。
基于预设的标准格式对所述第五理赔数据进行格式转化处理,得到第六理赔数据。
在本实施例中,上述格式转化处理是指将所述第五理赔数据转化为属于该标准格式的数据。
将所述第六理赔数据作为所述第一理赔数据。
本申请通过基于预设的过滤规则对所述理赔数据中的无效数据进行过滤,得到第五理赔数据;后续基于预设的标准格式对所述第五理赔数据进行格式转化处理,得到第六理赔数据,并将所述第六理赔数据作为所述第一理赔数据。本申请基于过滤规则与预设格式的使用对理赔数据进行相应处理以得到理赔数据中标准化的有效数据,使得后续只需对该标准化的有效数据进行分析处理以得到对应的欺诈风险识别结果,有效减少了对于理赔数据的欺诈风险识别的处理工作量,有利于提高理赔数据的欺诈风险识别的处理效率。
在本实施例的一些可选的实现方式中,在步骤S204之前,上述电子设备还可以执行以下步骤:
获取历史理赔数据,以及获取与所述历史理赔数据对应的类别信息。
在本实施例中,上述历史理赔数据可包括开放的已结案的车险报案理赔数据。在获取到历史理赔数据后,还可进一步对历史理赔数据进行过滤、转化、缺失值等处理,具体的处理过程可参照前述的对于待处理的理赔数据的处理细节,在此不做过多阐述。
基于所述历史理赔数据与所述类别信息构建训练数据集。
在本实施例中,可将历史理赔数据按照其对应的类别信息划分为对应的多个类别,从而得到训练数据集。训练数据集为按照类别信息进行分类,分为多个类别。
获取预设的类别个数。
在本实施例中,所述分类类别包括具有欺诈风险,与不具有欺诈风险对应的2个分类类别。
将所述训练数据集输入至高斯混合模型内进行训练,并基于期望最大算法与所述类别个数对所述高斯混合模型进行模型参数更新迭代,得到训练好的高斯混合模型。
在本实施例中,上述期望最大算法是在最大化目标函数时,先固定一个变量使整体函数变为凸优化函数,求导得到最值,然后利用最优参数更新被固定的变量,进入下一个循环。具体到高斯混合模型的求解。具体的,期望最大算法的迭代过程如下;首先,初始随机选择各参数的值。然后,重复下述两步,直到收敛。(1)E步骤。根据当前的参数,计算每个点由某个分模型生成的概率。(2)M步骤。使用E步骤估计出的概率,来改进每个分模型的均值,方差和权重。也就是说,由于并不知道最佳的K个高斯分布的各自3个参数,也不知道每个数据点究竟是哪个高斯分布生成的。所以每次循环时,先固定当前的高斯分布不变,获得每个数据点由各个高斯分布生成的概率。然后固定该生成概率不变,根据数据点和生成概率,获得一个组更佳的高斯分布。循环往复,直到参数的不再变化,或者变化非常小时,便得到了比较合理的一组高斯分布。
将所述训练好的高斯混合模型作为所述风险识别模型。
本申请通过获取历史理赔数据,以及获取与所述历史理赔数据对应的类别信息;然后基于所述历史理赔数据与所述类别信息构建训练数据集;之后获取预设的类别个数;后续将所述训练数据集输入至高斯混合模型内进行训练,并基于期望最大算法与所述类别个数对所述高斯混合模型进行模型参数更新迭代,得到训练好的高斯混合模型,并将所述训练好的高斯混合模型作为所述风险识别模型。本申请基于预先采集的历史理赔数据以及期望最大算法的使用对高斯混合模型进行训练处理,可以实现快速准确地构建出所需的风险识别模型,有利于后续可以基于风险识别模型的使用对理赔数据进行欺诈风险预测处理,并且可以有效保证生成的欺诈风险识别结果的准确度。
在本实施例的一些可选的实现方式中,步骤S201包括以下步骤:
获取输入的报案号。
在本实施例中,上述报案号可为由用户根据个人需求输入需要进行欺诈风险识别的理赔案件的报案号,还可以为业务系统自动传入的待处理的理赔案件的报案号。
从预设的业务数据库中查询出与所述报案号对应的理赔案件,并获取所述理赔案件在每个处理环节的数据信息。
在本实施例中,上述业务数据库为预先构建的存储有多个理赔案件的案件数据的数据库。
获取预设的维度信息。
在本实施例中,上述维度信息与理赔案件相关的保单、车辆、车主的历史行为数据、车辆信息数据、事故信息数据、事故车主征信数据、事故车主社会关系数据以及保单信息等维度。
基于所述维度信息对所述数据信息进行数据提取,得到所述理赔数据。
在本实施例中,可从所述数据信息提取出与所述维度信息匹配的维度数据,以得到所述理赔数据。
本申请通过获取输入的报案号;然后从预设的业务数据库中查询出与所述报案号对应的理赔案件,并获取所述理赔案件在每个处理环节的数据信息;之后获取预设的维度信息;后续基于所述维度信息对所述数据信息进行数据提取,得到所述理赔数据。本申请基于报案号的使用可以实现快速地从业务数据库中查询出原始的理赔案件的数据信息,进而基于维度信息的使用可以实现快速准确地从数据信息提取出所需的理赔数据,有效提高了理赔数据的获取效率。
需要强调的是,为进一步保证上述风险概率的私密和安全性,上述风险概率还可以存储于一区块链的节点中。
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。
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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的风险识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于人工智能的风险识别装置300包括:第一获取模块301、第一处理模块302、第二处理模块303、聚类模块304、计算模块305以及生成模块306。其中:
第一获取模块301,用于获取待处理的理赔数据;
第一处理模块302,用于对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;
第二处理模块303,用于对所述第一理赔数据进行缺失值处理,得到第二理赔数据;
聚类模块304,用于调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的;
计算模块305,用于基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;
生成模块306,用于基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的风险识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二处理模块303包括:
第一确定子模块,用于确定目标插补方式;
第一构建子模块,用于基于所述目标插补方式构建插补模型;
第一处理子模块,用于使用所述插补模型对所述第一理赔数据进行缺失值处理,得到所述第二理赔数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的风险识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,聚类模块304包括:
第二构建子模块,用于构建与所述第二理赔数据对应的节点向量;
第一获取子模块,用于获取所述分类类别;
聚类子模块,用于基于所述分类类别,使用所述风险识别模型对所述节点向量进行聚类,生成与所述分类类别的数量相同的多个聚类群。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的风险识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,生成模块306包括:
第二获取子模块,用于获取预设的概率转化评分规则;
第三获取子模块,用于获取第四理赔数据的指定风险概率;其中,所述第四理赔数据为所有所述第三理赔数据中的任意一个数据;
转化子模块,用于基于所述概率转化评分规则对所述指定风险概率进行转化处理,生成与所述第四理赔数据对应的指定评分;
判断子模块,用于判断所述指定评分是否大于预设的评分阈值;
第一判定子模块,用于若是,生成所述第四理赔数据具有欺诈风险的第一欺诈风险识别结果;
第二判定子模块,用于若否,生成所述第四理赔数据不具有欺诈风险的第二欺诈风险识别结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的风险识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块302包括:
过滤子模块,用于基于预设的过滤规则对所述理赔数据中的无效数据进行过滤,得到第五理赔数据;
第二处理子模块,用于基于预设的标准格式对所述第五理赔数据进行格式转化处理,得到第六理赔数据;
第二确定子模块,用于将所述第六理赔数据作为所述第一理赔数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的风险识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的风险识别装置还包括:
第二获取模块,用于获取历史理赔数据,以及获取与所述历史理赔数据对应的类别信息;
构建模块,用于基于所述历史理赔数据与所述类别信息构建训练数据集;
第三获取模块,用于获取预设的类别个数;
训练模块,用于将所述训练数据集输入至高斯混合模型内进行训练,并基于期望最大算法与所述类别个数对所述高斯混合模型进行模型参数更新迭代,得到训练好的高斯混合模型;
确定模块,用于将所述训练好的高斯混合模型作为所述风险识别模型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的风险识别方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一获取模块301,包括:
第四获取子模块,用于获取输入的报案号;
第五获取子模块,用于从预设的业务数据库中查询出与所述报案号对应的理赔案件,并获取所述理赔案件在每个处理环节的数据信息;
第六获取子模块,用于获取预设的维度信息;
提取子模块,用于基于所述维度信息对所述数据信息进行数据提取,得到所述理赔数据。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的风险识别方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4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(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于人工智能的风险识别方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人工智能的风险识别方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取待处理的理赔数据;然后对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;之后对所述第一理赔数据进行缺失值处理,得到第二理赔数据;后续调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群,并基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;最后基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。本申请通过由高斯混合模型训练生成的风险识别模型对待处理的理赔数据进行欺诈风险识别,可以实现快速准确地生成理赔数据的欺诈风险识别结果,使得欺诈风险识别的过程不再依赖风险识别规则以及理赔员的个人经验,有效地提高了对于理赔数据的欺诈风险识别的处理效率,保证了生成的欺诈风险识别结的准确度。
本申请还提供了另一种实施方式,即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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的风险识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取待处理的理赔数据;然后对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;之后对所述第一理赔数据进行缺失值处理,得到第二理赔数据;后续调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群,并基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;最后基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。本申请通过由高斯混合模型训练生成的风险识别模型对待处理的理赔数据进行欺诈风险识别,可以实现快速准确地生成理赔数据的欺诈风险识别结果,使得欺诈风险识别的过程不再依赖风险识别规则以及理赔员的个人经验,有效地提高了对于理赔数据的欺诈风险识别的处理效率,保证了生成的欺诈风险识别结的准确度。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的风险识别方法,其特征在于,包括下述步骤:
获取待处理的理赔数据;
对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;
对所述第一理赔数据进行缺失值处理,得到第二理赔数据;
调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的;
基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;
基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
2.根据权利要求1所述的基于人工智能的风险识别方法,其特征在于,所述对所述第一理赔数据进行缺失值处理,得到第二理赔数据的步骤,具体包括:
确定目标插补方式;
基于所述目标插补方式构建插补模型;
使用所述插补模型对所述第一理赔数据进行缺失值处理,得到所述第二理赔数据。
3.根据权利要求1所述的基于人工智能的风险识别方法,其特征在于,所述调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群的步骤,具体包括:
构建与所述第二理赔数据对应的节点向量;
获取所述分类类别;
基于所述分类类别,使用所述风险识别模型对所述节点向量进行聚类,生成与所述分类类别的数量相同的多个聚类群。
4.根据权利要求1所述的基于人工智能的风险识别方法,其特征在于,所述基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果的步骤,具体包括:
获取预设的概率转化评分规则;
获取第四理赔数据的指定风险概率;其中,所述第四理赔数据为所有所述第三理赔数据中的任意一个数据;
基于所述概率转化评分规则对所述指定风险概率进行转化处理,生成与所述第四理赔数据对应的指定评分;
判断所述指定评分是否大于预设的评分阈值;
若是,生成所述第四理赔数据具有欺诈风险的第一欺诈风险识别结果;
若否,生成所述第四理赔数据不具有欺诈风险的第二欺诈风险识别结果。
5.根据权利要求1所述的基于人工智能的风险识别方法,其特征在于,所述对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据的步骤,具体包括:
基于预设的过滤规则对所述理赔数据中的无效数据进行过滤,得到第五理赔数据;
基于预设的标准格式对所述第五理赔数据进行格式转化处理,得到第六理赔数据;
将所述第六理赔数据作为所述第一理赔数据。
6.根据权利要求1所述的基于人工智能的风险识别方法,其特征在于,在所述调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群的步骤之前,还包括:
获取历史理赔数据,以及获取与所述历史理赔数据对应的类别信息;
基于所述历史理赔数据与所述类别信息构建训练数据集;
获取预设的类别个数;
将所述训练数据集输入至高斯混合模型内进行训练,并基于期望最大算法与所述类别个数对所述高斯混合模型进行模型参数更新迭代,得到训练好的高斯混合模型;
将所述训练好的高斯混合模型作为所述风险识别模型。
7.根据权利要求1所述的基于人工智能的风险识别方法,其特征在于,所述获取待处理的理赔数据的步骤,具体包括:
获取输入的报案号;
从预设的业务数据库中查询出与所述报案号对应的理赔案件,并获取所述理赔案件在每个处理环节的数据信息;
获取预设的维度信息;
基于所述维度信息对所述数据信息进行数据提取,得到所述理赔数据。
8.一种基于人工智能的风险识别装置,其特征在于,包括:
第一获取模块,用于获取待处理的理赔数据;
第一处理模块,用于对所述理赔数据进行数据过滤与转化处理,得到第一理赔数据;
第二处理模块,用于对所述第一理赔数据进行缺失值处理,得到第二理赔数据;
聚类模块,用于调用预先训练好的风险识别模型对所述第二理赔数据进行聚类,得到与预设的分类类别的数量相同的多个聚类群;其中,所述风险识别模型为基于预先采集的历史理赔数据对高斯混合模型进行训练生成的;
计算模块,用于基于所述风险识别模型内的概率密度函数,对所述聚类群中包含的各个第三理赔数据进行计算处理,生成各个所述第三理赔数据的风险概率;
生成模块,用于基于各个所述第三理赔数据的风险概率生成各个所述第三理赔数据的欺诈风险识别结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的风险识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310774570.5A CN116777646A (zh) | 2023-06-28 | 2023-06-28 | 基于人工智能的风险识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310774570.5A CN116777646A (zh) | 2023-06-28 | 2023-06-28 | 基于人工智能的风险识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777646A true CN116777646A (zh) | 2023-09-19 |
Family
ID=87989243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310774570.5A Pending CN116777646A (zh) | 2023-06-28 | 2023-06-28 | 基于人工智能的风险识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777646A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312804A (zh) * | 2023-11-29 | 2023-12-29 | 中国信息通信研究院 | 智能数据感知监测方法和系统 |
-
2023
- 2023-06-28 CN CN202310774570.5A patent/CN116777646A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312804A (zh) * | 2023-11-29 | 2023-12-29 | 中国信息通信研究院 | 智能数据感知监测方法和系统 |
CN117312804B (zh) * | 2023-11-29 | 2024-02-13 | 中国信息通信研究院 | 智能数据感知监测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112528025A (zh) | 基于密度的文本聚类方法、装置、设备及存储介质 | |
CN112101172A (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
CN112308173A (zh) | 基于多评价因子融合的多目标对象评价方法及其相关设备 | |
CN115099326A (zh) | 基于人工智能的行为预测方法、装置、设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN116563034A (zh) | 基于人工智能的购买预测方法、装置、设备及存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN113761375A (zh) | 基于神经网络的消息推荐方法、装置、设备及存储介质 | |
CN114048330A (zh) | 风险传导概率知识图谱生成方法、装置、设备及存储介质 | |
CN112699213A (zh) | 语音意图识别方法、装置、计算机设备及存储介质 | |
CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 | |
CN113792342B (zh) | 一种脱敏数据还原的方法、装置、计算机设备及存储介质 | |
CN117034114A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN116933869A (zh) | 图谱构建方法、装置、计算机设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN117252712A (zh) | 基于迁移学习的产品理赔方法、装置、设备及存储介质 | |
CN116842395A (zh) | 基于人工智能的数据匹配方法、装置、设备及存储介质 | |
CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
CN117407750A (zh) | 基于元数据的数据质量监控方法、装置、设备及存储介质 | |
CN116777645A (zh) | 一种车险风险预测模型增强调优方法及其相关设备 | |
CN116756539A (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
CN117252713A (zh) | 一种新能源车的风险识别方法、装置、设备及存储介质 | |
CN116777639A (zh) | 案件风险评级方法、装置、计算机设备及存储介质 |
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 |