一种保险行业理赔反欺诈识别方法及装置制造方法及图纸

本说明书一个或多个实施例提供一种保险行业理赔反欺诈识别方法及装置，通过获取待测保单的数据，利用反欺诈分析模型对数据进行评估分析，判断待测保单是否为高风险保单，对于高风险保单，将其可疑点与理赔欺诈手段知识库进行比对，从而输出认定的风险点，不仅可以评估出待测保单的欺诈风险大小，还可以给出评估为欺诈的具体原因，即导致该保单存在高风险的风险点，方便后续调查取证工作的展开，规范整个作业流程，提高作业智能化水平，节省人工工作量。作量。作量。

【技术实现步骤摘要】
一种保险行业理赔反欺诈识别方法及装置


[0001]本说明书一个或多个实施例涉及金融保险
，尤其涉及一种保险行业理赔反欺诈识别方法及装置。

技术介绍

[0002]保险理赔是保险经营的一项重要的经营环节，近些年随着保险业务量的增长，通过保险理赔进行金融欺诈的现象也日渐增多，这就对保险理赔反欺诈带来更大的压力；
[0003]近些年，针对理赔反欺诈，建立了各种机器学习或深度学习的算法模型，用于识别评估理赔申请的欺诈风险。然而，由于机器学习和深度学习等算法的黑盒属性，欺诈风险识别模型只能评估出欺诈风险相对大小，无法给出评估为欺诈的具体原因，即风险评估结果难以解释，这就对评估结果的可信度产生了严重影响，进一步影响后续调查取证工作的展开。

技术实现思路

[0004]有鉴于此，本说明书一个或多个实施例的目的在于提出一种保险行业理赔反欺诈识别方法及装置，以解决现有方式无法给出评估为欺诈的具体原因的问题。
[0005]基于上述目的，本说明书一个或多个实施例提供了一种保险行业理赔反欺诈识别方法，包括：
[0006]获取待测保单的数据；
[0007]获取预先生成的反欺诈分析模型基于待测保单的数据的分析结果，判断待测保单是否为高风险保单，并得到高风险保单的可疑点；
[0008]将得到的高风险保单的可疑点与预先生成的理赔欺诈手段知识库进行比对，判断高风险保单的可疑点是否属于理赔欺诈手段知识库中的高风险因子，输出符合判断条件的高风险保单的可疑点为认定的风险点。
[0009]优选地，待测保单的数据包括但不限于投保人收入、累计保费、投保人年龄。
[0010]优选地，判断待测保单是否为高风险保单包括，获取反欺诈分析模型基于待测保单的风险评估值，判断获取的风险评估值是否高于预设评估值。
[0011]优选地，预先生成理赔欺诈手段知识库的过程包括：
[0012]获取历史保单的理赔数据，并从历史保单的理赔数据中提取风险特征；
[0013]利用Shap方法对各风险特征对风险评估值的贡献程度进行量化计算，得到各风险特征的贡献值；
[0014]基于各风险特征的贡献值计算结果，将筛选出的贡献值大于预设的贡献阈值的风险特征输出为高风险因子；
[0015]将输出的高风险因子汇总，生成理赔欺诈手段知识库；
[0016]对风险特征的贡献值计算过程及高风险因子的筛选过程进行迭代，更新理赔欺诈手段知识库。
[0017]优选地，在将输出的高风险因子汇总，生成理赔欺诈手段知识库前，本方法还包括：
[0018]基于历史保单的理赔经验数据对输出的高风险因子进行验证，剔除未通过验证的高风险因子。
[0019]优选地，本方法还包括：
[0020]基于认定的风险点，从相应的外部数据库中取得与风险点相关的证据。
[0021]优选地，在从相应的外部数据库中取得与风险点相关的证据前，方法还包括：
[0022]向待测保单的客户发出授权问询，取得授权则进行下一步流程，反之终止取证。
[0023]优选地，预先生成反欺诈分析模型的过程包括：
[0024]获取历史理赔案件样本；
[0025]为每个历史理赔案件样本标定对应的风险指标值，形成样本数据集；
[0026]从样本数据集中提取特征信息；
[0027]将提取出的特征信息分为第一比例的训练集和第二比例的验证集；
[0028]利用训练集训练逻辑回归模型，得出逻辑回归模型与特征信息的关联关系；
[0029]利用验证集对得出的逻辑回归模型与特征信息的关联关系进行验证，若未通过验证，则增加历史理赔案件样本的数量，重新训练，直至通过验证，输出反欺诈分析模型。
[0030]优选地，本方法还包括：
[0031]根据待测保单所属的险种从各反欺诈分析模型中确定评估用的目标反欺诈分析模型。
[0032]本说明书还提供一种保险行业理赔反欺诈识别装置，包括：
[0033]获取模块，用于获取待测保单的数据；
[0034]分析模块，用于获取预先生成的反欺诈分析模型基于待测保单的数据的分析结果，判断待测保单是否为高风险保单，并得到高风险保单的可疑点；
[0035]输出模块，用于将得到的高风险保单的可疑点与预先生成的理赔欺诈手段知识库进行比对，判断高风险保单的可疑点是否属于理赔欺诈手段知识库中的高风险因子，输出符合判断条件的高风险保单的可疑点为认定的风险点。
[0036]从上面所述可以看出，本说明书一个或多个实施例提供的保险行业理赔反欺诈识别方法及装置，通过获取待测保单的数据，利用反欺诈分析模型对数据进行评估分析，判断待测保单是否为高风险保单，对于高风险保单，将其可疑点与理赔欺诈手段知识库进行比对，从而输出认定的风险点，不仅可以评估出待测保单的欺诈风险大小，还可以给出评估为欺诈的具体原因，即导致该保单存在高风险的风险点，方便后续调查取证工作的展开，规范整个作业流程，提高作业智能化水平，节省人工工作量。
附图说明
[0037]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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。
[0038]图1为本说明书一个或多个实施例的保险行业理赔反欺诈识别方法流程示意图；
[0039]图2为本说明书一个或多个实施例的理赔申请反欺诈取证示意图。
具体实施方式
[0040]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本公开进一步详细说明。
[0041]需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
[0042]一种保险行业理赔反欺诈识别方法，如图1所示，包括以下步骤：
[0043]S101获取待测保单的数据；
[0044]举例来说，获取的待测保单的数据包括但不限于投保人收入、累计保费、投保人年龄等。
[0045]S102获取预先生成的反欺诈分析模型基于待测保单的数据的分析结果，判断待测保单是否为高风险保单，并得到高风险保单的可疑点；
[0046]举例来说，判断待测保单是否为高风险保单包括，获取反欺诈分析模型基于待测保单的风险评估值，即将待测保单的数据代入反欺诈分析模型中，输出风险评估值，判断获取的风险评估值是否高于预设评估值，前述风险评估值可以是用数字量化的评估值，也可以是按等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种保险行业理赔反欺诈识别方法，其特征在于，包括：获取待测保单的数据；获取预先生成的反欺诈分析模型基于所述待测保单的数据的分析结果，判断待测保单是否为高风险保单，并得到高风险保单的可疑点；将得到的高风险保单的可疑点与预先生成的理赔欺诈手段知识库进行比对，判断所述高风险保单的可疑点是否属于所述理赔欺诈手段知识库中的高风险因子，输出符合判断条件的所述高风险保单的可疑点为认定的风险点。2.根据权利要求1所述的保险行业理赔反欺诈识别方法，其特征在于，所述待测保单的数据包括但不限于投保人收入、累计保费、投保人年龄。3.根据权利要求1所述的保险行业理赔反欺诈识别方法，其特征在于，所述判断待测保单是否为高风险保单包括，获取所述反欺诈分析模型基于所述待测保单的风险评估值，判断获取的所述风险评估值是否高于预设评估值。4.根据权利要求3所述的保险行业理赔反欺诈识别方法，其特征在于，预先生成所述理赔欺诈手段知识库的过程包括：获取历史保单的理赔数据，并从所述历史保单的理赔数据中提取风险特征；利用Shap方法对各所述风险特征对风险评估值的贡献程度进行量化计算，得到各所述风险特征的贡献值；基于各所述风险特征的贡献值计算结果，将筛选出的贡献值大于预设的贡献阈值的风险特征输出为高风险因子；将输出的高风险因子汇总，生成理赔欺诈手段知识库；对风险特征的贡献值计算过程及高风险因子的筛选过程进行迭代，更新理赔欺诈手段知识库。5.根据权利要求4所述的保险行业理赔反欺诈识别方法，其特征在于，在将输出的高风险因子汇总，生成理赔欺诈手段知识库前，所述方法还包括：基于历史保单的理赔经验数据对输出的高风险因子进行验证，剔除未通过验证的高风险因子。6.根据权利要求1所述的保险行业理赔反欺诈识别方...

【专利技术属性】
技术研发人员：张洪涛，鞠芳，
申请(专利权)人：中国人寿保险股份有限公司，
类型：发明
国别省市：