CN116934505A - 车险理赔风险识别方法、装置、设备及存储介质 - Google Patents
车险理赔风险识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116934505A CN116934505A CN202310970693.6A CN202310970693A CN116934505A CN 116934505 A CN116934505 A CN 116934505A CN 202310970693 A CN202310970693 A CN 202310970693A CN 116934505 A CN116934505 A CN 116934505A
- Authority
- CN
- China
- Prior art keywords
- preset
- risk
- model
- risk index
- identification
- 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 50
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种车险理赔风险识别方法、装置、设备及存储介质,属于金融领域,获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对保单数据进行理赔识别处理,得到第一理赔风险指数;运行预设的第二理赔识别模型对保单数据进行理赔识别处理,得到第二理赔风险指数;对第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;运行预设的第三赔识别模型对第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数。本方案通过目标理赔风险指数能够有效地避免骗保事件的发生,提高了保险金融市场的稳定性。本申请还涉及区块链技术领域和人工智能技术领域,第一理赔识别模型、第二理赔识别模型和第三赔识别模型可存储至区块链。
Description
技术领域
本申请涉及金融技术领域,尤其涉及一种车险理赔风险识别方法、装置、设备及存储介质。
背景技术
近年来,各城市的汽车保有量逐年飞速增长,车险市场比较复杂、发展空间进一步扩大,与此同时车险改革也逐步推进,对车险结果评估和理赔的准确性提出了挑战。纵观保险业历史发展,保险欺诈直接侵害了保险消费者的合法权益和保险公司利益,间接推高了保险产品和服务的价格、扰乱了保险市场秩序。保险欺诈已成为世界各国保险业不得不面对的共同难题。
目前,保险公司的应对策略仍是更多地依赖理赔人员的自主发现来识别风险,存在人力耗费大、成本高、专业技能有限等问题,难以有效识别专业欺诈。现有技术中,也有通过人工智能和机器学习模型预测风险,但是效果并不佳,仍然存在大量的保险欺诈事件。
因此,如何准确地识别车险理赔的风险,以降低骗保事件的概率是目前亟待解决的问题。
发明内容
本申请的主要目的在于提供一种车险理赔风险识别方法、装置、设备及存储介质,旨在提高准确地识别车险理赔的风险,以降低骗保事件的概率。
第一方面,本申请提供一种车险理赔风险识别方法,所述车险理赔风险识别方法包括以下步骤:
获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对所述保单数据进行理赔识别处理,得到第一理赔风险指数;
运行预设的第二理赔识别模型对所述保单数据进行理赔识别处理,得到第二理赔风险指数,所述第二理赔识别模型是预先训练好的LightGBM模型;
对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;
运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,所述第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
第二方面,本申请还提供一种车险理赔风险识别装置,所述车险理赔风险识别装置包括获取模块和生成模块,其中:
所述获取模块,用于获取车险理赔对应保单数据;
所述生成模块,用于运行预设的第一理赔识别模型对所述保单数据进行理赔识别处理,得到第一理赔风险指数;
所述生成模块,还用于运行预设的第二理赔识别模型对所述保单数据进行理赔识别处理,得到第二理赔风险指数,所述第二理赔识别模型是预先训练好的LightGBM模型;
所述生成模块,还用于对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;
所述生成模块,还用于运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,所述第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
第三方面,本申请还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上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如上述的车险理赔风险识别方法的步骤。
第四方面,本申请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,其中所述计算机程序被处理器执行时,实现如上述的车险理赔风险识别方法的步骤。
本申请提供一种车险理赔风险识别方法、装置、设备及存储介质,本申请通过获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对保单数据进行理赔识别处理,得到第一理赔风险指数;运行预设的第二理赔识别模型对保单数据进行理赔识别处理,得到第二理赔风险指数,第二理赔识别模型是预先训练好的LightGBM模型;对第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;然后运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。通过第一理赔识别模型、第二理赔识别模型和第三赔识别模型对车险理赔对应保单数据进行处理,能够准确地得到车险理赔的目标理赔风险指数,根据该目标理赔风险指数能够有效地避免骗保事件的发生,极大地提高了保险金融市场的稳定性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例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为本申请实施例提供的一种车险理赔风险识别方法的流程示意图;
图2为本申请实施例提供的另一种车险理赔风险识别方法的流程示意图;
图3为本申请实施例提供的一种车险理赔风险识别装置的示意性框图;
图4为本申请实施例提供的另一种车险理赔风险识别装置的示意性框图;
图5为本申请实施例提供的一种计算机设备的结构示意性框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
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。
本申请实施例提供一种车险理赔风险识别方法、装置、设备及存储介质。其中,该车险理赔风险识别方法可应用于计算机设备中,该计算机设备可以手机、平板电脑、笔记本电脑、台式电脑和服务器等设备。
示例性的,该计算机设备为服务器,服务器获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对保单数据进行理赔识别处理,得到第一理赔风险指数;运行预设的第二理赔识别模型对保单数据进行理赔识别处理,得到第二理赔风险指数,该第二理赔识别模型是预先训练好的LightGBM模型;对第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;运行预设的第三赔识别模型对第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,该第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本申请的实施例提供的一种车险理赔风险识别方法的流程示意图。
如图1所示,该车险理赔风险识别方法包括步骤S101至步骤S104。
步骤S101、获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对所述保单数据进行理赔识别处理,得到第一理赔风险指数。
其中,车险理赔对应保单数据包括投保信息、车辆信息和事故信息等信息,该投保信息包括但不限于保险产品种类、投保年限、保险金额和保险联系人等信息;该车辆信息包括车主信息和车辆基本信息,该车主信息包括但不限于车主年龄、性别、疾病史和征信信息等,该车辆基本信息包括但不限于车型、车辆使用年限和车辆使用性质等信息;该事故信息包括但不限于事故责任认定书、事故图像和事故音频数据。
在一实施例中,如图2所示,步骤S101之前还包括步骤S201至步骤S204。
步骤S201、获取多个样本数据,所述样本数据包括样本保单数据和所述样本保单数据对应的标注的理赔风险指数。
其中,理赔风险指数为车险理赔存在骗保的概率值,理赔风险指数越大,车险理赔是骗保的概率值越大,该理赔风险指数对应的骗保风险可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,将理赔风险指数0-0.2确定为无骗保风险,将理赔风险指数0.2-0.5确定为存在骗保风险,将理赔风险指数0.5-0.8确定为存在较大的骗保风险,将理赔风险指数0.8-1确定为骗保风险高。
在一实施例中,获取多个样本数据,该样本保单数据和样本保单数据对应的标注的理赔风险指数。该样本数据为历史车险理赔时生成的数据,例如,当受理车险理赔事件时,获取该车险理赔事件对应的投保信息、车辆信息和事故信息,以及获取该车险理赔事件存在骗保的理赔风险指数,该理赔风险指数是对该车险理赔事件进行估算的评价分数,对该车险理赔事件进行估算的方式可以根据实际情况进行设置,本发明实施例对此不做具体限定。
需要说明的是,在获取到多个样本数据后,对各样本数据进行预处理,以得到更加准确的样本数据,其中,该预处理的方式可以根据实际情况进行选择,本发明实施例对此不做具体限定,例如,对样本数据进行数据和数据补全等操作,以使训练出来的模型更加准确。
步骤S202、从多个样本数据中选取一个样本数据作为目标样本数据,并根据所述目标样本数据对预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型进行训练,生成预测的理赔风险指数。
其中,该预设的第一理赔识别模型和预设的第三赔识别模型为神经网络模型,该神经网络模型可以根据实际情况进行选择,本发明实施例对此不做具体限定,例如,该神经网络模型可以是卷积神经网络模型和循环卷积神经网络模型。该第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型,对第一理赔识别模型进行训练的样本数据是保单数据,对第三理赔识别模型进行训练的样本数据是预设的第三理赔风险指数。
在一实施例中,从多个样本数据中选取一个样本数据作为目标样本数据,该目标样本数据用于此次模型训练,选择样本数据的方式可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,随机从多个样本数据中选取一个样本数据作为目标样本数据,或将距当前时刻点最近的生成的样本数据作为目标样本数据。通过一次从多个样本数据中确定目标样本数据,能提高模型训练的效率和准确性。
在一实施例中,将目标样本数据输入至预设的神经网络模型,生成预测的第一理赔风险指数,将目标样本数据输入至预设的LightGBM(Light Gradient BoostingMachine)模型,生成预测的第二理赔风险指数;对预测的第一理赔风险指数和预测的第二理赔风险指数进行融合,生成预测的第三理赔风险指数,将预测的第三理赔风险指数输入至预设的神经网络模型,生成预测的理赔风险指数。通过将目标样本数据输入至预设的神经网络模型和LightGBM模型,能够准确地得到预测的理赔风险指数。
在一实施例中,对预测的第一理赔风险指数和预测的第二理赔风险指数进行融合,生成预测的第三理赔风险指数的方式可以为:获取第三权重参数和第四权重参数,并对第三权重参数和预测的第一理赔风险指数进行乘法运算,生成预测的第四理赔风险指数;对第四权重参数和预测的第二理赔风险指数进行乘法运算,生成预测的第五理赔风险指数;对预测的第四理赔风险指数和预测的第五理赔风险指数进行加法运算,生成预测的第三理赔风险指数。
在一实施例中,获取第三权重参数和第四权重参数的方式可以为:获取预设的保单数据与权重参数之间的映射关系表;从映射关系表中查询样本保单数据对应的第三权重参数和第四权重参数。其中,该映射关系表是预先根据保单数据与权重参数建立的,该映射关系表可以根据实际情况进行建立,本发明实施例对此不做具体限定。通过该映射关系表能够准确地查询到第三权重参数和第四权重参数。
步骤S203、根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型是收敛。
在一实施例中,根据标注的理赔风险指数和预测的理赔风险指数,确定预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的损失值;当损失值小于或等于预设损失值时,确定预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型已收敛;当损失值大于预设损失值时,确定预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛。其中,该预设损失值可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,该损失值可以设置为0.3。通过确定损失值是否小于或等于预设损失值,能够准确地知晓模型是否收敛,极大地提高了模型训练的准确性和效率。
步骤S204、在所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛的情况下,更新所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的模型参数,并继续执行从多个样本数据中选取一个样本数据作为目标样本数据的步骤以训练得到收敛的模型。
在预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的损失值大于预设损失值的情况下,确定预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛,则更新预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的模型参数,并继续从多个样本数据中选取一个样本数据作为目标样本数据的步骤,以继续对预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型进行训练,直至损失值小于或等于预设损失值,得到收敛的第一理赔识别模型、LightGBM模型和第三赔识别模型。
在一实施例中,在得到收敛的第一理赔识别模型、LightGBM模型和第三赔识别模型后,运行第一理赔识别模型对保单数据进行理赔识别处理,得到第一理赔风险指数。通过该运行该第一理赔识别模型对保单数据进行理赔识别处理,能够准确地得到第一理赔风险指数。
步骤S102、运行预设的第二理赔识别模型对所述保单数据进行理赔识别处理,得到第二理赔风险指数,所述第二理赔识别模型是预先训练好的LightGBM模型。
在得到收敛的第一理赔识别模型、LightGBM模型和第三赔识别模型后,运行第二理赔识别模型对保单数据进行理赔识别处理,得到第二理赔风险指数。通过该运行该第二理赔识别模型对保单数据进行理赔识别处理,能够准确地得到第二理赔风险指数。
步骤S103、对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数。
在一实施例中,获取第一权重参数和第二权重参数,并对第一权重参数和第一理赔风险指数进行乘法运算,生成第四理赔风险指数;对第二权重参数和第二理赔风险指数进行乘法运算,生成第五理赔风险指数;对第四理赔风险指数和第五理赔风险指数进行加法运算,生成第三理赔风险指数。通过对第一理赔风险指数和第二理赔风险指数进行融合,能够准确地得到第三理赔风险指数。
在一实施例中,获取第一权重参数和第二权重参数的方式可以为:获取预设的保单数据与权重参数之间的映射关系表;从映射关系表中查询保单数据对应的第一权重参数和第二权重参数。其中,该映射关系表为预先根据保单数据和权重参数建立,该映射关系表可以根据实际情况进行建立,本发明实施例对此不做具体限定。通过该映射关系表能够准确地查询到第一权重参数和第二权重参数,极大地提高了确定理赔风险指数的效率。
步骤S104、运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,所述第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
其中,该理赔风险指数为车险理赔存在骗保的概率值,理赔风险指数越大,车险理赔是骗保的概率值越大。
在一实施例中,运行第三赔识别模型对第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数。通过该目标理赔风险指数能够直接地知晓车险理赔是骗保的风险指数。
在一实施例中,在目标理赔风险指数大于或等于预设理赔风险指数的情况下,输出车险理赔存在风险的提醒信息。其中,该预设理赔风险指数可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,该预设理赔风险指数可以设置为0.3。通过确定目标理赔风险指数是否大于或等于预设理赔风险指数,能够准确地知晓车险理赔是否存在风险。
该提醒信息可以根据实际情况进行设置,本发明实施例对此不做具体限定,例如,在理赔工作人员使用的终端设备中显示风险理赔弹窗和将车险理赔存在风险的信息上传至后台,以使后台工作人员干预此次车险理赔。
示例性的,车险理赔对应保单数据,该保单数据包括投保信息、车辆信息和事故信息,运行第一理赔识别模型对投保信息、车辆信息和事故信息进行理赔识别处理,得到第一理赔风险指数;运行第二理赔识别模型对投保信息、车辆信息和事故信息进行理赔识别处理,得到第二理赔风险指数;对第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;运行第三赔识别模型对投保信息、车辆信息和事故信息进行理赔识别处理,得到目标理赔风险指数为0.01,该目标理赔风险指数0.01小于预设理赔风险指数0.2,则该车险理赔为骗保的风险较低。
上述实施例提供的车险理赔风险识别方法,通过获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对保单数据进行理赔识别处理,得到第一理赔风险指数;运行预设的第二理赔识别模型对保单数据进行理赔识别处理,得到第二理赔风险指数,第二理赔识别模型是预先训练好的LightGBM模型;对第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;然后运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。通过第一理赔识别模型、第二理赔识别模型和第三赔识别模型对车险理赔对应保单数据进行处理,能够准确地得到车险理赔的目标理赔风险指数,根据该目标理赔风险指数能够有效地避免骗保事件的发生,极大地提高了保险金融市场的稳定性。
请参阅图3,图3为本申请实施例提供的一种车险理赔风险识别装置的示意性框图。
如图3所示,所述车险理赔风险识别装置300包括获取模块310和生成模块320,其中:
所述获取模块310,用于获取车险理赔对应保单数据;
所述生成模块320,用于运行预设的第一理赔识别模型对所述保单数据进行理赔识别处理,得到第一理赔风险指数;
所述生成模块320,还用于运行预设的第二理赔识别模型对所述保单数据进行理赔识别处理,得到第二理赔风险指数,所述第二理赔识别模型是预先训练好的LightGBM模型;
所述生成模块320,还用于对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;
所述生成模块320,还用于运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,所述第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
在一实施例中,所述生成模块320,还用于:
获取第一权重参数和第二权重参数,并对所述第一权重参数和第一理赔风险指数进行乘法运算,生成第四理赔风险指数;
对所述第二权重参数和第二理赔风险指数进行乘法运算,生成第五理赔风险指数;
对所述第四理赔风险指数和第五理赔风险指数进行加法运算,生成所述第三理赔风险指数。
在一实施例中,所述生成模块320,还用于:
获取预设的保单数据与权重参数之间的映射关系表;
从所述映射关系表中查询所述保单数据对应的第一权重参数和第二权重参数。
在一实施例中,如图4所示,本发明实施例提供的另一种车险理赔风险识别装置400,所述车险理赔风险识别装置400包括获取子模块410、选取模块420、生成子模块430、确定模块440、更新训练模块450,其中:
所述获取子模块410、用于获取多个样本数据,所述样本数据包括样本保单数据和所述样本保单数据对应的标注的理赔风险指数;
所述选取模块420、用于从多个样本数据中选取一个样本数据作为目标样本数据;
所述生成子模块430,用于根据所述目标样本数据对预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型进行训练,生成预测的理赔风险指数;
所述确定模块440,用于根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型是收敛;
所述更新训练模块450,用于在所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛的情况下,更新所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的模型参数,并继续执行从多个样本数据中选取一个样本数据作为目标样本数据的步骤以训练得到收敛的模型。
在一实施例中,所述确定模块440,还用于:
根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的损失值;
当所述损失值小于或等于预设损失值时,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型已收敛;
当所述损失值大于预设损失值时,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛。
在一实施例中,所述确定模块440,还用于:
获取多个历史标注的理赔风险指数和多个历史预测的理赔风险指数,所述历史标注的理赔风险指数和历史预测的理赔风险指数前次模型训练过程的数据;
对所述多个历史标注的理赔风险指数、多个历史预测的理赔风险指数、标注的理赔风险指数和预测的理赔风险指数进行均方误差计算处理,生成损失值。
在一实施例中,所述车险理赔风险识别装置300,还用于:
在所述目标理赔风险指数大于或等于预设理赔风险指数的情况下,输出所述车险理赔存在风险的提醒信息。
需要说明的是,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,上述车险理赔风险识别装置的具体工作过程,可以参考前述车险理赔风险识别方法实施例中的对应过程,在此不再赘述
请参阅图5,图5为本申请实施例提供的一种计算机设备的结构示意性框图。
如图5所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括存储介质和内存储器。
存储介质可存储计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种车险理赔风险识别方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种车险理赔风险识别方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,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 Integrated Circuit,ASIC)、现场可编程门阵列(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。其中,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。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对所述保单数据进行理赔识别处理,得到第一理赔风险指数;
运行预设的第二理赔识别模型对所述保单数据进行理赔识别处理,得到第二理赔风险指数,所述第二理赔识别模型是预先训练好的LightGBM模型;
对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;
运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,所述第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
在一个实施例中,所述处理器在实现所述对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数时,用于实现:
获取第一权重参数和第二权重参数,并对所述第一权重参数和第一理赔风险指数进行乘法运算,生成第四理赔风险指数;
对所述第二权重参数和第二理赔风险指数进行乘法运算,生成第五理赔风险指数;
对所述第四理赔风险指数和第五理赔风险指数进行加法运算,生成所述第三理赔风险指数。
在一个实施例中,所述处理器在实现所述获取第一权重参数和第二权重参数时,用于实现:
获取预设的保单数据与权重参数之间的映射关系表;
从所述映射关系表中查询所述保单数据对应的第一权重参数和第二权重参数。
在一个实施例中,所述处理器在实现所述获取保单数据之前,还用于实现:
获取多个样本数据,所述样本数据包括样本保单数据和所述样本保单数据对应的标注的理赔风险指数;
从多个样本数据中选取一个样本数据作为目标样本数据,并根据所述目标样本数据对预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型进行训练,生成预测的理赔风险指数;
根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型是收敛;
在所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛的情况下,更新所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的模型参数,并继续执行从多个样本数据中选取一个样本数据作为目标样本数据的步骤以训练得到收敛的模型。
在一个实施例中,所述处理器在实现所述根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型是收敛时,用于实现:
根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的损失值;
当所述损失值小于或等于预设损失值时,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型已收敛;
当所述损失值大于预设损失值时,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛。
在一个实施例中,所述处理器在实现所述根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的损失值时,用于实现:
获取多个历史标注的理赔风险指数和多个历史预测的理赔风险指数,所述历史标注的理赔风险指数和历史预测的理赔风险指数前次模型训练过程的数据;
对所述多个历史标注的理赔风险指数、多个历史预测的理赔风险指数、标注的理赔风险指数和预测的理赔风险指数进行均方误差计算处理,生成损失值。
在一个实施例中,所述处理器在实现所述运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数之后,还用于实现:
在所述目标理赔风险指数大于或等于预设理赔风险指数的情况下,输出所述车险理赔存在风险的提醒信息。
需要说明的是,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,上述描述计算机设备的具体工作过程,可以参考前述车险理赔风险识别方法实施例中的对应过程,在此不再赘述。
本申请实施例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,所述计算机程序中包括程序指令,所述程序指令被执行时所实现的方法可参照本申请车险理赔风险识别方法的各个实施例。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质可以是非易失性的,也可以是易失性的。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述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,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。
本发明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。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书中使用的术语“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。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种车险理赔风险识别方法,其特征在于,包括:
获取车险理赔对应保单数据,并运行预设的第一理赔识别模型对所述保单数据进行理赔识别处理,得到第一理赔风险指数;
运行预设的第二理赔识别模型对所述保单数据进行理赔识别处理,得到第二理赔风险指数,所述第二理赔识别模型是预先训练好的LightGBM模型;
对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;
运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,所述第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
2.如权利要求1所述的车险理赔风险识别方法,其特征在于,所述对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数,包括:
获取第一权重参数和第二权重参数,并对所述第一权重参数和第一理赔风险指数进行乘法运算,生成第四理赔风险指数;
对所述第二权重参数和第二理赔风险指数进行乘法运算,生成第五理赔风险指数;
对所述第四理赔风险指数和第五理赔风险指数进行加法运算,生成所述第三理赔风险指数。
3.如权利要求2所述的车险理赔风险识别方法,其特征在于,所述获取第一权重参数和第二权重参数,包括:
获取预设的保单数据与权重参数之间的映射关系表;
从所述映射关系表中查询所述保单数据对应的第一权重参数和第二权重参数。
4.如权利要求1所述的车险理赔风险识别方法,其特征在于,所述获取保单数据之前,还包括:
获取多个样本数据,所述样本数据包括样本保单数据和所述样本保单数据对应的标注的理赔风险指数;
从多个样本数据中选取一个样本数据作为目标样本数据,并根据所述目标样本数据对预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型进行训练,生成预测的理赔风险指数;
根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型是收敛;
在所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛的情况下,更新所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的模型参数,并继续执行从多个样本数据中选取一个样本数据作为目标样本数据的步骤以训练得到收敛的模型。
5.如权利要求4所述的车险理赔风险识别方法,其特征在于,所述根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型是收敛,包括:
根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的损失值;
当所述损失值小于或等于预设损失值时,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型已收敛;
当所述损失值大于预设损失值时,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型未收敛。
6.如权利要求5所述的车险理赔风险识别方法,其特征在于,所述根据所述标注的理赔风险指数和预测的理赔风险指数,确定所述预设的第一理赔识别模型、预设的LightGBM模型和预设的第三赔识别模型的损失值,包括:
获取多个历史标注的理赔风险指数和多个历史预测的理赔风险指数,所述历史标注的理赔风险指数和历史预测的理赔风险指数前次模型训练过程的数据;
对所述多个历史标注的理赔风险指数、多个历史预测的理赔风险指数、标注的理赔风险指数和预测的理赔风险指数进行均方误差计算处理,生成损失值。
7.如权利要求1所述的车险理赔风险识别方法,其特征在于,所述运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数之后,还包括:
在所述目标理赔风险指数大于或等于预设理赔风险指数的情况下,输出所述车险理赔存在风险的提醒信息。
8.一种车险理赔风险识别装置,其特征在于,所述车险理赔风险识别装置包括获取模块和生成模块,其中:
所述获取模块,用于获取车险理赔对应保单数据;
所述生成模块,用于运行预设的第一理赔识别模型对所述保单数据进行理赔识别处理,得到第一理赔风险指数;
所述生成模块,还用于运行预设的第二理赔识别模型对所述保单数据进行理赔识别处理,得到第二理赔风险指数,所述第二理赔识别模型是预先训练好的LightGBM模型;
所述生成模块,还用于对所述第一理赔风险指数和第二理赔风险指数进行融合,生成第三理赔风险指数;
所述生成模块,还用于运行预设的第三赔识别模型对所述第三理赔风险指数进行理赔识别处理,得到目标理赔风险指数,所述第一理赔识别模型和第三赔识别模型是基于不同样本数据训练得到神经网络模型。
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上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至7中任一项所述的车险理赔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程序,其中所述计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的车险理赔风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970693.6A CN116934505A (zh) | 2023-08-02 | 2023-08-02 | 车险理赔风险识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970693.6A CN116934505A (zh) | 2023-08-02 | 2023-08-02 | 车险理赔风险识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934505A true CN116934505A (zh) | 2023-10-24 |
Family
ID=88389651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310970693.6A Pending CN116934505A (zh) | 2023-08-02 | 2023-08-02 | 车险理赔风险识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934505A (zh) |
-
2023
- 2023-08-02 CN CN202310970693.6A patent/CN116934505A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022078346A1 (zh) | 文本意图识别方法、装置、电子设备及存储介质 | |
CN113657495B (zh) | 基于概率预测模型的保险产品推荐方法、装置、设备 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN111091420A (zh) | 一种电力价格的预测方法及装置 | |
CN113434542B (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
CN116843362A (zh) | 保费定价方法、装置、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 | |
CN116451125A (zh) | 一种新能源车车主识别方法、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 | |
CN116934505A (zh) | 车险理赔风险识别方法、装置、设备及存储介质 | |
CN115860889A (zh) | 一种基于人工智能的金融贷款大数据管理方法及系统 | |
CN113554184A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113064984A (zh) | 意图识别方法、装置、电子设备及可读存储介质 | |
CN113657993B (zh) | 信用风险识别方法、装置、设备及存储介质 | |
CN113657910B (zh) | 实名认证方法、装置、电子设备及可读存储介质 | |
CN117574899A (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN117408821A (zh) | 一种保险理赔核责方法、装置、计算机设备及存储介质 | |
CN117710121A (zh) | 大数据理赔渠道信息管理方法、系统及存储介质 | |
CN117252713A (zh) | 一种新能源车的风险识别方法、装置、设备及存储介质 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、装置、设备及存储介质 | |
CN116977095A (zh) | 一种动态风控预警方法、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 |