CN117874518A - 基于人工智能的保险欺诈预测方法、装置、设备及介质 - Google Patents
基于人工智能的保险欺诈预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117874518A CN117874518A CN202410045111.8A CN202410045111A CN117874518A CN 117874518 A CN117874518 A CN 117874518A CN 202410045111 A CN202410045111 A CN 202410045111A CN 117874518 A CN117874518 A CN 117874518A
- Authority
- CN
- China
- Prior art keywords
- data
- meta
- training
- learning model
- fraud prediction
- 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 80
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 176
- 238000012545 processing Methods 0.000 claims abstract description 131
- 238000012360 testing method Methods 0.000 claims abstract description 130
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000035945 sensitivity Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning 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
- 230000000717 retained effect Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请属于人工智能领域与金融科技领域,涉及一种基于人工智能的保险欺诈预测方法,包括:基于初始理赔数据生成样本特征数据;从集成学习模型中确定出三个集成学习模型使用样本特征数据分别对三个集成学习模型进行训练预测处理,构建目标元训练集与目标元测试集使用目标元训练集与目标元测试集对初始预测模型进行训练,得到反欺诈预测模型;基于反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成对应的欺诈预测结果。本申请还提供一种基于人工智能的保险欺诈预测装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,欺诈预测结果可存储于区块链中。通过本申请能够有效地提高了对于保险理赔数据的欺诈预测的处理效率与预测准确度。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域,尤其涉及基于人工智能的保险欺诈预测方法、装置、计算机设备及存储介质。
背景技术
随着科技的发展和互联网的普及,保险行业正面临着越来越多的挑战。保险欺诈是指保险公司或客户故意制造虚假事件以获取不当利益的行为。这种行为不仅会给保险公司带来经济损失,还会破坏市场的公平竞争环境。为了有效防范和打击保险欺诈行为,保险行业需要开发出准确、高效的欺诈检测方法。传统的欺诈检测方法往往依赖于人工经验和规则,存在效率较低且容易产生误判的问题。
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保险欺诈预测方法、装置、计算机设备及存储介质,以解决现有的欺诈检测方法往往依赖于人工经验和规则,存在效率较低且容易产生误判的技术问题。
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保险欺诈预测方法,采用了如下所述的技术方案:
对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据;
对所述重要特征数据进行预处理,得到对应的样本特征数据;
将所述样本特征数据划分为训练数据与测试数据;
从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型;
基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集;
基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集;
使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型;
基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。
进一步的,所述对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据的步骤,具体包括:
基于预设的第一特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第一特征数据;
基于预设的第二特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第二特征数据;
基于所述第一特征数据与所述第二特征数据构建所述重要特征数据。
进一步的,所述基于所述第一特征数据与所述第二特征数据构建所述重要特征数据的步骤,具体包括:
对所述第一特征数据与所述第二特征数据进行组合处理,得到处理后的特征数据集;
对所述特征数据集进行特征去重处理,得到去重后的特征数据集;
将所述去重后的特征数据集作为所述重要特征数据。
进一步的,所述对所述重要特征数据进行预处理,得到对应的样本特征数据的步骤,具体包括:
对所述重要特征数据进行特征数值化处理,得到第一处理数据;
对所述第一处理数据进行归一化处理,得到第二处理数据;
对所述第二处理数据进行数据清除处理,得到第三处理数据;
将所述第三处理数据作为所述样本特征数据。
进一步的,所述从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型的步骤,具体包括:
获取各所述集成学习模型的训练速度;
从所有所述集成学习模型中筛选出训练速度大于预设的速度阈值的第一指定模型;
获取各所述第一指定模型的数据敏感度;
从所述指定模型中筛选出数据敏感度最高的三个第二指定模型;
将所述第二指定模型分别作为所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型。
进一步的,所述基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集的步骤,具体包括:
对所述第一元训练集、所述第二元训练集以及所述第三元训练集进行横向合并处理,得到对应的第一合并数据集;
将所述第一合并数据集作为所述目标元训练集;
对所述第一元测试集、所述第二元测试集以及所述第三元测试集进行横向合并处理,得到对应的第二合并数据集;
将所述第二合并数据集作为所述目标元测试集。
进一步的,所述基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果的步骤,具体包括:
获取待处理的理赔请求;其中,所述理赔请求携带理赔数据;
从所述理赔请求中提取所述理赔数据;
将所述理赔数据输入至所述反欺诈预测模型内,通过所述反欺诈预测模型对所述理赔数据进行欺诈预测处理,生成与所述理赔数据对应的欺诈预测结果。
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保险欺诈预测装置,采用了如下所述的技术方案:
提取模块,用于对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据;
第一处理模块,用于对所述重要特征数据进行预处理,得到对应的样本特征数据;
划分模块,用于将所述样本特征数据划分为训练数据与测试数据;
确定模块,用于从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型;
第二处理模块,用于基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集;
构建模块,用于基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集;
训练模块,用于使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型;
预测模块,用于基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。
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,包括存储器、处理器以及存储在存储器中并可在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基于人工智能的保险欺诈预测方法的步骤。
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,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述基于人工智能的保险欺诈预测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据;并对所述重要特征数据进行预处理,得到对应的样本特征数据;然后将所述样本特征数据划分为训练数据与测试数据;之后从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型;后续基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集;并基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集;进一步使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型;最后基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。本申请通过采用集成学习原理,将多个独立训练的基模型组合成一个强大的整体模型,可以综合多个基模型在特征处理及预测层面的优势来构建出最终的反欺诈预测模型,以提高反欺诈预测模型的准确性和鲁棒性,使得后续使用反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,以实现快速准确地生成与该理赔请求对应的欺诈预测结果,有效地提高了对于理赔请求的欺诈预测的处理效率,降低欺诈预测的误判性,保证了生成的与理赔数据对应的欺诈预测结果的准确度。
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保险欺诈预测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保险欺诈预测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保险欺诈预测方法一般由服务器/终端设备执行,相应地,基于人工智能的保险欺诈预测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保险欺诈预测方法的一个实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。本申请实施例提供的基于人工智能的保险欺诈预测方法能够应用于任意一种需要进行保险欺诈检测的场景中,则该基于人工智能的保险欺诈预测方法能够应用于这些场景的产品中,例如,金融保险领域中的保险欺诈检测。所述的基于人工智能的保险欺诈预测方法,包括以下步骤:
步骤S201,对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据。
在本实施例中,基于人工智能的保险欺诈预测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与保险欺诈相关的初始理赔数据。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。在金融保险的保险欺诈检测的业务场景下,以保险公司的车险理赔业务为例,可通过分析客户历史投保信息及理赔事件,收集与保险欺诈相关的大量数据构建对应的初始理赔数据。上述初始理赔数据至少可包括是否第三方报案、索赔金额、车龄、事故责任比例、已发生索赔次数、有无人伤、索赔类型等数据。其中,上述对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征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,对所述重要特征数据进行预处理,得到对应的样本特征数据。
在本实施例中,上述对所述重要特征数据进行预处理,得到对应的样本特征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,将所述样本特征数据划分为训练数据与测试数据。
在本实施例中,可按照预设的抽取比例从所述样本特征数据中随机抽取作为相应的数据分别作为训练数据与测试数据。具体地,将样本特征数据按照7:3分成训练数据T和测试数据C。
步骤S204,从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型。
在本实施例中,集成学习是一种将多个独立训练的子模型组合成一个强大的整体模型的方法。通过将不同的算法和技术结合起来,集成学习可以提高模型的准确性和鲁棒性,同时避免过拟合现象的发生。保险欺诈预测是一个特征因素很复杂的场景,通过单一模型去评估是否存在欺诈性的可行性较差。集成学习可弥补单一模型在预测场景上的不足,发挥多模型优势,从而实现对潜在欺诈行为的准确预测。其中,上述从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型的具体实施过程,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,基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集。
在本实施例中,为了保证构建的反欺诈预测模型的泛化能力,采用四折交叉验证法进行模型训练。具体地,将训练数据T均分成T1、T2、T3、T4四份,其中T1、T2、T3作为子训练集,T4为验证集。通过利用上述子训练集和验证集依次对基模型,即对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行四折交叉验证训练。以第一集成学习模型为例,分别用子训练集T1、T2、T3进行训练,然后用验证集T4分别进行预测可得到对应的预测集R1、R2、R3,将三个预测集纵向合并为元训练集R。利用测试数据C分别对三次训练得到的模型进行验证得到RC1、RC2、RC3,纵向合并为元测试集RC。同理,对第二集成学习模型与第三集成学习模型进行同样的训练预测,分别得到元训练集X、L,对应的元测试集为XC、LC。
步骤S206,基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集。
在本实施例中,上述基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集的具体实施过程,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。承接上例,将元训练集R、X、L横向合并为目标元训练集S,并将元测试集RC、XC、LC横向合并为目标元测试集SC。具体地,可通过将所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型三个模型作为基模型进行训练,然后将基模型的输出合并,作为后续的元模型,即初始预测模型的输入,利用元模型进行训练并预测,以构建出最终的反欺诈预测模型。
步骤S207,使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型。
在本实施例中,上述初始预测模型具体可采用SVM(支持向量机)模型,可通过将SVM模型作为元模型,使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,从而得到训练好的集成模型,并将集成模型作为上述反欺诈预测模型。
步骤S208,基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。
在本实施例中,上述基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测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。
本申请首先对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据;并对所述重要特征数据进行预处理,得到对应的样本特征数据;然后将所述样本特征数据划分为训练数据与测试数据;之后从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型;后续基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集;并基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集;进一步使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型;最后基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。本申请通过采用集成学习原理,将多个独立训练的基模型组合成一个强大的整体模型,可以综合多个基模型在特征处理及预测层面的优势来构建出最终的反欺诈预测模型,以提高反欺诈预测模型的准确性和鲁棒性,使得后续使用反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,以实现快速准确地生成与该理赔请求对应的欺诈预测结果,有效地提高了对于理赔请求的欺诈预测的处理效率,降低欺诈预测的误判性,保证了生成的与理赔数据对应的欺诈预测结果的准确度。
在一些可选的实现方式中,步骤S201包括以下步骤:
基于预设的第一特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第一特征数据。
在本实施例中,上述第一特征提取算法具体可采用信息增益算法,可通过使用所述信息增益算法对所述初始理赔数据进行特征重要性计算,得到所述初始理赔数据中包含的各个特征的重要性,进而从所有特征中提取出重要性大于预设的数值阈值的第一特征,并将该指第一特征作为上述第一特征数据。
基于预设的第二特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第二特征数据。
在本实施例中,上述第二特征提取算法具体可采用随机森林算法,可通过使用所述随机森林算法对所述初始理赔数据进行特征重要性计算,得到所述初始理赔数据中包含的各个特征的重要性,进而从所有特征中提取出重要性大于预设的数值阈值的第二特征,并将该指第二特征作为上述第二特征数据。
基于所述第一特征数据与所述第二特征数据构建所述重要特征数据。
在本实施例中,上述基于所述第一特征数据与所述第二特征数据构建所述重要特征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。
本申请通过基于预设的第一特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第一特征数据;然后基于预设的第二特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第二特征数据;后续基于所述第一特征数据与所述第二特征数据构建所述重要特征数据。本申请通过结合使用第一特征提取算法与第二特征提取算法对所述初始理赔数据进行重要特征提取,进而基于所述第一特征数据与所述第二特征数据,来实现快速准确地从初始理赔数据筛选出所需的重要特征数据,有效地保证了得到的重要特征数据的数据准确性。且后续通过使用重要特征数据进行反欺诈预测模型的模型构建,而不需要使用所有的初始理赔数据来进行反欺诈预测模型的模型构建,有效地降低了模型沟通的工作量,提高了反欺诈预测模型的构建效率,并有利于提高反欺诈预测模型的预测处理的准确性。
在本实施例的一些可选的实现方式中,所述基于所述第一特征数据与所述第二特征数据构建所述重要特征数据,包括以下步骤:
对所述第一特征数据与所述第二特征数据进行组合处理,得到处理后的特征数据集。
在本实施例中,上述特征数据集由所述第一特征数据与所述第二特征数据构成。
对所述特征数据集进行特征去重处理,得到去重后的特征数据集。
在本实施例中,可通过筛选出所述特征数据集中存在的相同的特征,并只保留相同的特征中的一个,以完成对于特征数据集的特征去重处理,从而得到去重后的特征数据集。
将所述去重后的特征数据集作为所述重要特征数据。
本申请通过对所述第一特征数据与所述第二特征数据进行组合处理,得到处理后的特征数据集;然后对所述特征数据集进行特征去重处理,得到去重后的特征数据集;后续将所述去重后的特征数据集作为所述重要特征数据。本申请通过对得到的所述第一特征数据与所述第二特征数据进行整合去重处理,可以实现快速准确地从初始理赔数据筛选出所需的重要特征数据,有效地保证了得到的重要特征数据的数据准确性。
在一些可选的实现方式中,步骤S202包括以下步骤:
对所述重要特征数据进行特征数值化处理,得到第一处理数据。
在本实施例中,上述特征数值化处理可包括将上述特征数据中的非数值的项编码为数值序列。示例性的,如果特征数据包括有无人伤、是否第三方报案、索赔类型三个特征,则可将有人伤可记为1,无人伤记为0,等等。
对所述第一处理数据进行归一化处理,得到第二处理数据。
在本实施例中,可通过利用max-min法对所述第一处理数据进行归一化处理,以得到第二处理数据。通过对特征数据进行归一化处理,可以提升后续的模型训练迭代速度。
对所述第二处理数据进行数据清除处理,得到第三处理数据。
在本实施例中,上述数据清除处理可包括异常值、缺失值处理,即将特征中某些存在异常或缺失的值去掉,以避免某个特征值异常对结果造成影响。
将所述第三处理数据作为所述样本特征数据。
本申请通过对所述重要特征数据进行特征数值化处理,得到第一处理数据;然后对所述第一处理数据进行归一化处理,得到第二处理数据;之后对所述第二处理数据进行数据清除处理,得到第三处理数据;后续将所述第三处理数据作为所述样本特征数据。本申请通过对得到的初始理赔案件数据进行特征数值化处理、归一化处理以及数据清除处理,从而实现快速准确地构建出后续的反欺诈预测模型的构建所需的样本特征数据,有效地确保了生成的样本特征数据的数据准确性与数据规范性。
在一些可选的实现方式中,步骤S204包括以下步骤:
获取各所述集成学习模型的训练速度。
在本实施例中,上述集成学习模型至少可包括RF(随机森林)、GBDT(梯度提升决策树)、XGBOOST(极端梯度提升树)、LightGBM、FTRL、LS-PLM等模型。可通过从网络资源中获取各所述集成学习模型的模型使用数据,并从该模型使用数据中查询出各所述集成学习模型的训练速度。
从所有所述集成学习模型中筛选出训练速度大于预设的速度阈值的第一指定模型。
在本实施例中,对于上述速度阈值的取值不做具体限定,可根据实际的业务使用需求进行设置。速度阈值大于速度阈值的模型,通常是指训练速度较快的模型。
获取各所述第一指定模型的数据敏感度。
在本实施例中,可通过从网络资源中获取各所述第一指定模型的模型使用数据,并从该模型使用数据中查询出各所述第一指定模型的数据敏感度。
从所述指定模型中筛选出数据敏感度最高的三个第二指定模型。
在本实施例中,可通过按照数据敏感度的数值从大到小的顺序对所有所述第一指定模型进行排序得到对应的排序结果,进而从该排序结果中取出前三位的数据敏感度的模型,以得到上述第二指定模型。
将所述第二指定模型分别作为所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型。
本申请通过获取各所述集成学习模型的训练速度;然后从所有所述集成学习模型中筛选出训练速度大于预设的速度阈值的第一指定模型;之后获取各所述第一指定模型的数据敏感度;后续从所述指定模型中筛选出数据敏感度最高的三个第二指定模型;最后将所述第二指定模型分别作为所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型。本申请通过结合集成学习模型的训练速度与数据敏感度对所有集成学习模型进行分析处理,以从所有集成学习模型中确定出最终的用于进行欺诈预测模型的模型构建所需要的第一集成学习模型、第二集成学习模型以及第三学习模型。由于得到的第一集成学习模型、第二集成学习模型以及第三学习模型具有训练速度较快以及对数据敏感度较高的优点,因而可以有效应对保险欺诈场景中复杂的数据特征,能够有效降低模型的过拟合风险,并提高对复杂数据的处理能力,有利于提高后续基于第一集成学习模型、第二集成学习模型以及第三学习模型构建的反欺诈预测模型的预测准确度。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
对所述第一元训练集、所述第二元训练集以及所述第三元训练集进行横向合并处理,得到对应的第一合并数据集。
在本实施例中,可通过将所述第一元训练集、所述第二元训练集以及所述第三元训练集进行横向合并为上述第一合并数据集。
将所述第一合并数据集作为所述目标元训练集。
对所述第一元测试集、所述第二元测试集以及所述第三元测试集进行横向合并处理,得到对应的第二合并数据集。
在本实施例中,可通过将所述第一元测试集、所述第二元测试集以及所述第三元测试集进行横向合并为上述第二合并数据集。
将所述第二合并数据集作为所述目标元测试集。
本申请通过对所述第一元训练集、所述第二元训练集以及所述第三元训练集进行横向合并处理,得到对应的第一合并数据集;然后将所述第一合并数据集作为所述目标元训练集;之后对所述第一元测试集、所述第二元测试集以及所述第三元测试集进行横向合并处理,得到对应的第二合并数据集;后续将所述第二合并数据集作为所述目标元测试集。本申请通过对所述第一元训练集、所述第二元训练集以及所述第三元训练集进行横向合并处理,可以实现快速准确地生成构建反欺诈预测模型所需的目标元训练集,提高了目标元训练集的生成效率与数据准确性。以及通过对所述第一元测试集、所述第二元测试集以及所述第三元测试集进行横向合并处理,可以实现快速准确地生成构建反欺诈预测模型所需的目标元测试集,提高了目标元测试集的生成效率与数据准确性。
在本实施例的一些可选的实现方式中,步骤S208包括以下步骤:
获取待处理的理赔请求。
在本实施例中,上述理赔请求可为保险客户触发的理赔申请对应的请求,上述所述理赔请求携带理赔数据。
从所述理赔请求中提取所述理赔数据。
在本实施例中,可通过对所述理赔请求进行信息解析,以从所述理赔请求中提取所述理赔数据。
将所述理赔数据输入至所述反欺诈预测模型内,通过所述反欺诈预测模型对所述理赔数据进行欺诈预测处理,生成与所述理赔数据对应的欺诈预测结果。
在本实施例中,在通过所述反欺诈预测模型对所述理赔数据进行欺诈预测处理后,会对应输出与理赔数据对应的欺诈预测结果。
本申请通过获取待处理的理赔请求;然后从所述理赔请求中提取所述理赔数据;后续将所述理赔数据输入至所述反欺诈预测模型内,通过所述反欺诈预测模型对所述理赔数据进行欺诈预测处理,生成与所述理赔数据对应的欺诈预测结果。本申请在获取到携带有理赔数据的理赔请求后,会通过使用训练好的反欺诈预测模型对所述理赔数据进行欺诈预测处理,以实现快速准确地生成与该理赔数据对应的欺诈预测结果,有效地提高了对于理赔请求的欺诈预测的处理效率,保证了生成的与理赔数据对应的欺诈预测结果的准确度。
应理解,上述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。
需要强调的是,为进一步保证上述产品转化数据的私密和安全性,上述产品转化数据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保险欺诈预测装置的一个实施例,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保险欺诈预测装置300包括:提取模块301、第一处理模块302、划分模块303、确定模块304、第二处理模块305、构建模块306、训练模块307以及预测模块308。其中:
提取模块301,用于对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据;
第一处理模块302,用于对所述重要特征数据进行预处理,得到对应的样本特征数据;
划分模块303,用于将所述样本特征数据划分为训练数据与测试数据;
确定模块304,用于从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型;
第二处理模块305,用于基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集;
构建模块306,用于基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集;
训练模块307,用于使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型;
预测模块308,用于基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。
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保险欺诈预测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,提取模块301包括:
第一提取子模块,用于基于预设的第一特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第一特征数据;
第二提取子模块,用于基于预设的第二特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第二特征数据;
构建子模块,用于基于所述第一特征数据与所述第二特征数据构建所述重要特征数据。
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保险欺诈预测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,构建子模块包括:
第一处理单元,用于对所述第一特征数据与所述第二特征数据进行组合处理,得到处理后的特征数据集;
第二处理单元,用于对所述特征数据集进行特征去重处理,得到去重后的特征数据集;
确定单元,用于将所述去重后的特征数据集作为所述重要特征数据。
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保险欺诈预测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:
第一处理子模块,用于对所述重要特征数据进行特征数值化处理,得到第一处理数据;
第二处理子模块,用于对所述第一处理数据进行归一化处理,得到第二处理数据;
第三处理子模块,用于对所述第二处理数据进行数据清除处理,得到第三处理数据;
第一确定子模块,用于将所述第三处理数据作为所述样本特征数据。
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保险欺诈预测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,确定模块304包括:
第一获取子模块,用于获取各所述集成学习模型的训练速度;
第一筛选子模块,用于从所有所述集成学习模型中筛选出训练速度大于预设的速度阈值的第一指定模型;
第二获取子模块,用于获取各所述第一指定模型的数据敏感度;
第二筛选子模块,用于从所述指定模型中筛选出数据敏感度最高的三个第二指定模型;
第二确定子模块,用于将所述第二指定模型分别作为所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型。
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保险欺诈预测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,构建模块306包括:
第一合并子模块,用于对所述第一元训练集、所述第二元训练集以及所述第三元训练集进行横向合并处理,得到对应的第一合并数据集;
第三确定子模块,用于将所述第一合并数据集作为所述目标元训练集;
第二合并子模块,用于对所述第一元测试集、所述第二元测试集以及所述第三元测试集进行横向合并处理,得到对应的第二合并数据集;
第四确定子模块,用于将所述第二合并数据集作为所述目标元测试集。
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保险欺诈预测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,预测模块308包括:
第三获取子模块,用于获取待处理的理赔请求;其中,所述理赔请求携带理赔数据;
第三提取子模块,用于从所述理赔请求中提取所述理赔数据;
预测子模块,用于将所述理赔数据输入至所述反欺诈预测模型内,通过所述反欺诈预测模型对所述理赔数据进行欺诈预测处理,生成与所述理赔数据对应的欺诈预测结果。
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保险欺诈预测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保险欺诈预测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保险欺诈预测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,通过采用集成学习原理,将多个独立训练的基模型组合成一个强大的整体模型,可以综合多个基模型在特征处理及预测层面的优势来构建出最终的反欺诈预测模型,以提高反欺诈预测模型的准确性和鲁棒性,使得后续使用反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,以实现快速准确地生成与该理赔请求对应的欺诈预测结果,有效地提高了对于理赔请求的欺诈预测的处理效率,降低欺诈预测的误判性,保证了生成的与理赔数据对应的欺诈预测结果的准确度。
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保险欺诈预测方法的步骤。
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,通过采用集成学习原理,将多个独立训练的基模型组合成一个强大的整体模型,可以综合多个基模型在特征处理及预测层面的优势来构建出最终的反欺诈预测模型,以提高反欺诈预测模型的准确性和鲁棒性,使得后续使用反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,以实现快速准确地生成与该理赔请求对应的欺诈预测结果,有效地提高了对于理赔请求的欺诈预测的处理效率,降低欺诈预测的误判性,保证了生成的与理赔数据对应的欺诈预测结果的准确度。
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保险欺诈预测方法,其特征在于,包括下述步骤:
对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据;
对所述重要特征数据进行预处理,得到对应的样本特征数据;
将所述样本特征数据划分为训练数据与测试数据;
从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型;
基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集;
基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集;
使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型;
基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。
2.根据权利要求1所述的基于人工智能的保险欺诈预测方法,其特征在于,所述对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据的步骤,具体包括:
基于预设的第一特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第一特征数据;
基于预设的第二特征提取算法对所述初始理赔数据进行重要特征提取,得到对应的第二特征数据;
基于所述第一特征数据与所述第二特征数据构建所述重要特征数据。
3.根据权利要求2所述的基于人工智能的保险欺诈预测方法,其特征在于,所述基于所述第一特征数据与所述第二特征数据构建所述重要特征数据的步骤,具体包括:
对所述第一特征数据与所述第二特征数据进行组合处理,得到处理后的特征数据集;
对所述特征数据集进行特征去重处理,得到去重后的特征数据集;
将所述去重后的特征数据集作为所述重要特征数据。
4.根据权利要求1所述的基于人工智能的保险欺诈预测方法,其特征在于,所述对所述重要特征数据进行预处理,得到对应的样本特征数据的步骤,具体包括:
对所述重要特征数据进行特征数值化处理,得到第一处理数据;
对所述第一处理数据进行归一化处理,得到第二处理数据;
对所述第二处理数据进行数据清除处理,得到第三处理数据;
将所述第三处理数据作为所述样本特征数据。
5.根据权利要求1所述的基于人工智能的保险欺诈预测方法,其特征在于,所述从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型的步骤,具体包括:
获取各所述集成学习模型的训练速度;
从所有所述集成学习模型中筛选出训练速度大于预设的速度阈值的第一指定模型;
获取各所述第一指定模型的数据敏感度;
从所述指定模型中筛选出数据敏感度最高的三个第二指定模型;
将所述第二指定模型分别作为所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型。
6.根据权利要求1所述的基于人工智能的保险欺诈预测方法,其特征在于,所述基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集的步骤,具体包括:
对所述第一元训练集、所述第二元训练集以及所述第三元训练集进行横向合并处理,得到对应的第一合并数据集;
将所述第一合并数据集作为所述目标元训练集;
对所述第一元测试集、所述第二元测试集以及所述第三元测试集进行横向合并处理,得到对应的第二合并数据集;
将所述第二合并数据集作为所述目标元测试集。
7.根据权利要求1所述的基于人工智能的保险欺诈预测方法,其特征在于,所述基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果的步骤,具体包括:
获取待处理的理赔请求;其中,所述理赔请求携带理赔数据;
从所述理赔请求中提取所述理赔数据;
将所述理赔数据输入至所述反欺诈预测模型内,通过所述反欺诈预测模型对所述理赔数据进行欺诈预测处理,生成与所述理赔数据对应的欺诈预测结果。
8.一种基于人工智能的保险欺诈预测装置,其特征在于,包括:
提取模块,用于对预先采集的与保险欺诈相关的初始理赔数据进行重要特征提取,得到对应的重要特征数据;
第一处理模块,用于对所述重要特征数据进行预处理,得到对应的样本特征数据;
划分模块,用于将所述样本特征数据划分为训练数据与测试数据;
确定模块,用于从预设的多个集成学习模型中确定出第一集成学习模型、第二集成学习模型以及第三学习模型;
第二处理模块,用于基于四折交叉验证法,使用所述训练数据与所述测试数据分别对所述第一集成学习模型、所述第二集成学习模型以及所述第三学习模型进行训练预测处理,得到与所述第一集成学习模型对应的第一元训练集和第一元测试集,得到与所述第二集成学习模型对应的第二元训练集和第二元测试集,以及得到与所述第三学习模型对应的第三元训练集和第三元测试集;
构建模块,用于基于所述第一元训练集、所述第二元训练集以及所述第三元训练集构建目标元训练集,以及基于所述第一元测试集、所述第二元测试集以及所述第三元测试集构建目标元测试集;
训练模块,用于使用所述目标元训练集与所述目标元测试集对预设的初始预测模型进行训练,得到训练好的反欺诈预测模型;
预测模块,用于基于所述反欺诈预测模型对待处理的理赔请求进行欺诈预测处理,生成与理赔请求对应的欺诈预测结果。
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保险欺诈预测方法的步骤。
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保险欺诈预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045111.8A CN117874518A (zh) | 2024-01-11 | 2024-01-11 | 基于人工智能的保险欺诈预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045111.8A CN117874518A (zh) | 2024-01-11 | 2024-01-11 | 基于人工智能的保险欺诈预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117874518A true CN117874518A (zh) | 2024-04-12 |
Family
ID=90591388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410045111.8A Pending CN117874518A (zh) | 2024-01-11 | 2024-01-11 | 基于人工智能的保险欺诈预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874518A (zh) |
-
2024
- 2024-01-11 CN CN202410045111.8A patent/CN117874518A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN117094729A (zh) | 请求处理方法、装置、计算机设备及存储介质 | |
CN116402625A (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN115859273A (zh) | 一种数据库异常访问的检测方法、装置、设备及存储介质 | |
CN117874518A (zh) | 基于人工智能的保险欺诈预测方法、装置、设备及介质 | |
CN116364223B (zh) | 特征处理方法、装置、计算机设备及存储介质 | |
CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
CN117114894A (zh) | 一种理赔结果预测方法、装置、设备及其存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、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 | |
CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
CN116842011A (zh) | 血缘关系分析方法、装置、计算机设备及存储介质 | |
CN118041977A (zh) | 微服务组件的处理方法、装置、计算机设备及存储介质 | |
CN116805270A (zh) | 基于人工智能的检测方法、装置、计算机设备及存储介质 | |
CN116611432A (zh) | 一种酒驾风险识别方法、装置、计算机设备及存储介质 | |
CN117290597A (zh) | 基于人工智能的信息推送方法、装置、设备及存储介质 | |
CN117453536A (zh) | 系统异常分析方法、装置、计算机设备及存储介质 | |
CN116933869A (zh) | 图谱构建方法、装置、计算机设备及存储介质 | |
CN116993516A (zh) | 一种理赔模型解释优化方法、装置、设备及其存储介质 | |
CN116822454A (zh) | 公式配置方法、装置、计算机设备及存储介质 | |
CN113706174A (zh) | 基于机器学习算法的违约预测方法、装置、设备及介质 | |
CN117314586A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN117520141A (zh) | 基于人工智能的脚本推荐方法、装置、设备及存储介质 | |
CN116663003A (zh) | 攻击检测方法、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 |