保险中逆选择用户的识别方法、装置及计算机设备制造方法及图纸

本申请涉及一种保险中逆选择用户的识别方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取被保险人的网络账号对应的历史行为数据；根据所述被保险人的网络账号对应的历史行为数据获取第一行为特征数据；基于所述第一行为特征数据及逆选择预测模型确定所述被保险人为逆选择用户的概率，所述逆选择预测模型是通过对与预定网络账号集合中的各网络账号对应的第二行为特征数据进行机器学习处理获得。本申请提供的方案能够提高逆选择用户的识别准确率。

Identification Method, Device and Computer Equipment of Inverse Selection User in Insurance

【技术实现步骤摘要】
保险中逆选择用户的识别方法、装置及计算机设备
本申请涉及计算机
，特别是涉及一种保险中逆选择用户的识别方法、装置、计算机可读存储介质和计算机设备。
技术介绍
保险市场中的逆选择一般是指，被保险人在保险标的有超过正常水平概率出险或者已经出现风险的情况下，向保险公司进行投保，以获取赔偿的行为。逆选择事件的发生会损害保险公司的利益，因此保险公司在向被保险人销售保险之前，需先识别该被保险人是否为逆选择用户。传统方法是，保险公司要求被保险人向保险公司提供相关证明材料，再由核保人员基于被保险人自己提供的相关证明材料，识别该被保险人是否为逆选择用户，例如，被保险人需要购买健康险，保险公司则要求被保险人提供最近一段时间的体检报告。然而，由于被保险人和保险公司之间的信息不对称，传统方法的识别准确率低。
技术实现思路
基于此，有必要针对传统方法中识别准确率低的问题，提供一种保险中逆选择用户的识别方法、装置、计算机可读存储介质和计算机设备。一种保险中逆选择用户的识别方法，包括：获取被保险人的网络账号对应的历史行为数据；根据所述被保险人的网络账号对应的历史行为数据获取第一行为特征数据；基于所述第一行为特征数据及逆选择预测模型确定所述被保险人为逆选择用户的概率，所述逆选择预测模型是通过对与预定网络账号集合中的各网络账号对应的第二行为特征数据进行机器学习处理获得。一种保险中逆选择用户的识别装置，包括：行为数据获取模块，用于获取被保险人的网络账号对应的历史行为数据；特征数据获取模块，用于根据所述被保险人的网络账号对应的历史行为数据获取第一行为特征数据；以及，逆选择预测模块，用于基于所述第一行为特征数据及逆选择预测模型确定所述被保险人为逆选择用户的概率，所述逆选择预测模型是通过对与预定网络账号集合中的各网络账号对应的第二行为特征数据进行机器学习处理获得。一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述的保险中逆选择用户的识别方法的步骤。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述的保险中逆选择用户的识别方法的步骤。上述保险中逆选择用户的识别方法、装置、计算机可读存储介质和计算机设备，通过被保险人的网络账号对应的历史行为数据进行逆选择识别，能够更加全面且真实地了解到被保险人的个人情况，从而提高了逆选择识别的准确性。并且，根据被保险人的网络账号对应的历史行为数据获取第一行为特征数据，再基于该第一行为特征数据及通过机器学习获得的逆选择预测模型，对被保险人为逆选择用户的概率进行预测确定，能够有效减少人工核保过程中的差错，进一步提高了逆选择识别的准确性。附图说明图1为一个实施例中保险中逆选择用户的识别方法的应用环境图；图2为一个实施例中保险中逆选择用户的识别方法的流程示意图；图3为一个实施例中递归神经网络的模型示意图；图4为一个实施例中逆选择用户识别的业务模型图；图5为一个实施例中微信公众号的界面示意图；图6为另一个实施例中保险中逆选择用户的识别方法的流程示意图；图7为一个实施例中保险中逆选择用户的识别装置的结构示意图；图8为一个实施例中计算机设备的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。图1为一个实施例中保险中逆选择用户的识别方法的应用环境图。如图1所示，其工作环境一般涉及服务器110和用户终端120。该服务器110和用户终端120通过网络连接。其中，服务器110可以用独立的服务器或者是多个服务器组成的服务器集群来实现。用户终端120具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑及可穿戴式设备等中的至少一种。图2为一个实施例中的保险中逆选择用户的识别方法的流程示意图。该实施例是以该方法应用于上述图1中的服务器110为例进行说明。如图2所示，该方法具体包括如下步骤S202至步骤S206。步骤S202，获取被保险人的网络账号对应的历史行为数据。其中，被保险人指的是，根据保险合同，其财产利益或人身受保险合同保障，在保险事故发生后，享有保险金请求权的人。在一个具体的示例中，被保险人可为投保人，即购买保险的人。可以理解的是，在其他示例中，投保人也可以为他人购买保险，在此情况下，被保险人则不是投保人。网络账号可以指，登录相应的网络平台所用的账号，比如，QQ账号、微信账号、淘宝账号、支付宝账号及京东账号等等。需要说明的是，获取的被保险人的网络账号对应的历史行为数据，可以为该被保险人的一个网络账号对应的历史行为数据，例如被保险人的微信账号对应的历史行为数据。或者，也可以为该被保险人的多个网络账号对应的历史行为数据，例如一并获取被保险人的微信账号、淘宝账号和京东账号对应的历史行为数据。在实际应用中，用户可以打开安装于用户终端上的相应应用软件，并在该应用软件的登录界面输入预先注册的网络账号及账号密码，验证通过后，即可登录到相应的网络平台。登录到网络平台后，用户可以基于实际需求及该网络平台的实际功能情况，在该网络平台上进行相应的行为操作。例如，通过微信账号登录微信平台后，用户可以进行的行为操作包括但不限于：向其他微信账号发送消息、接收其他微信账号发送的消息、关注公众账号、支付及定位等。被保险人的网络账号对应的第一行为数据可以指，通过该网络账号登录相应的网络平台后，被保险人在该网络平台上进行了相应的行为操作后所生成的，且能够用于表征该行为操作的数据。相应地，进行了相应的行为操作后，用于实现网络平台的服务器，可以将获得的行为数据与相应的网络账号关联，并进行存储。可以理解的是，网络账号对应的历史行为数据指的是该网络账号以往的行为数据，如服务器中已存储的与该网络账号关联的行为数据。需要说明的是，逆选择事件的发生主要是由于保险买卖双方的信息不对称，因此若保险公司能从其他途径获取被保险人更多的信息，就有可能最大程度的降低逆选择风险。随着移动智能设备的普及和互联网的迅猛发展，用户只需简单地操作移动智能设备上的应用软件，就能够方便地实现沟通、娱乐、支付等线上活动，也可以体验各类线下活动，如O2O(OnlineToOffline，在线离线)生活服务、导航、专车等。上述活动基本覆盖了用户绝大部分的生活轨迹，由此产生出丰富的用户行为数据，这些数据中蕴含着十分有价值的信息。由此可知，基于被保险人的网络账号对应的历史行为数据，能够更全面地刻画被保险人，从而提高逆选择识别的准确性。需要说明的是，对于历史行为数据的获取，可以基于以下三个角度进行分析：被保险人、目标保险业务、被保险人与目标保险业务的关系。以健康险的购买为例，绝大部分逆选择用户都是怀疑自己存在健康问题，再去购买相应的保险，所以获取的历史行为数据可以倾向于从这个角度进行挖掘。例如，当一个逆选择用户怀疑自己存在健康问题时，则可能出现一些以前没有出现过的行为，如关注一些医疗类型的账号，或者去医院看医生，以了解自己的健康情况，或者关注一些保险类型的账号，以了解购买保险的情况。当需要获取任一网络账号对应的历史行为数据时，本文档来自技高网...

【技术保护点】
1.一种保险中逆选择用户的识别方法，其特征在于，包括：获取被保险人的网络账号对应的历史行为数据；根据所述被保险人的网络账号对应的历史行为数据获取第一行为特征数据；基于所述第一行为特征数据及逆选择预测模型确定所述被保险人为逆选择用户的概率，所述逆选择预测模型是通过对预定网络账号集合中的各网络账号对应的第二行为特征数据进行机器学习处理获得。

【技术特征摘要】
1.一种保险中逆选择用户的识别方法，其特征在于，包括：获取被保险人的网络账号对应的历史行为数据；根据所述被保险人的网络账号对应的历史行为数据获取第一行为特征数据；基于所述第一行为特征数据及逆选择预测模型确定所述被保险人为逆选择用户的概率，所述逆选择预测模型是通过对预定网络账号集合中的各网络账号对应的第二行为特征数据进行机器学习处理获得。2.根据权利要求1所述的方法，其特征在于，所述根据所述被保险人的网络账号对应的历史行为数据获取第一行为特征数据的步骤，包括下述两项中的至少一项：基于预定的运算规则对所述被保险人的网络账号对应的历史行为数据进行特征衍生，获得第一行为特征数据，所述预定的运算规则包括下述各项中的至少一项：均值运算、方差运算、峰度运算以及偏度运算；基于预定的神经网络对所述被保险人的网络账号对应的历史行为数据进行特征衍生，获得第一行为特征数据。3.根据权利要求1所述的方法，其特征在于，所述逆选择预测模型的获取方式包括：构建网络账号集合，所述网络账号集合包括逆选择用户的网络账号及非逆选择用户的网络账号；分别获取所述网络账号集合中的各网络账号对应的历史行为数据；分别根据所述网络账号集合中的各网络账号对应的历史行为数据，获取各网络账号对应的第二行为特征数据；对各所述第二行为特征数据进行逻辑回归学习处理，获得所述逆选择预测模型。4.根据权利要求1所述的方法，其特征在于，在所述基于所述第一行为特征数据及逆选择预测模型确定所述被保险人为逆选择用户的概率的步骤之后，还包括：当基于所述概率判定所述被保险人为逆选择用户时，获取所述被保险人的网络账号对应的常用登录信息；查找与所述常用登录信息关联的网络账号；将查找到的网络账号标记为逆选择高危账号。5.根据权利要求4所述的方法，其特...

【专利技术属性】
技术研发人员：刘成烽，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44