基于机器学习的理赔方法和系统技术方案

本申请实施例提供一种基于机器学习的理赔方法和系统，涉及大数据分析领域，包括：根据理赔请求获取理赔案件信息，并根据理赔案件信息获取病历信息和投保信息，将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，预测结果用于指示骗保概率，将预测结果发送至理赔系统，以使理赔系统根据预测结果执行对应的理赔策略。通过设置具有两层子模型结构的理赔模型，可以充分利用案件相关的所有信息，分析理赔请求的风险等级，有效提升的模型的预测结果，不需要人工进行干预，提升了理赔系统的理赔效率。理赔效率。理赔效率。

【技术实现步骤摘要】
基于机器学习的理赔方法和系统


[0001]本申请涉及大数据分析领域，特别涉及一种基于机器学习的理赔方法和系统。

技术介绍

[0002]随着保险行业的发展和居民用户的健康保障意识的提升，用户的投保群体规模越来越大，因此，对保险公司理赔案件业务处理的时效能力以及案件欺诈风险识别能力带来了更高的挑战。
[0003]目前的理赔服务主要通过人工进行理赔以及风险管控，也有商保公司对外推出了智能理赔系统，但该智能理赔系统准确率低，经常需要人工介入，因此，导致理赔效率低，难以满足用户快速的理赔需求。

技术实现思路

[0004]本申请实施例提供一种基于机器学习的理赔方法和系统，通过分析理赔案件的当前理赔信息和历史理赔信息，采用配置的理赔模型进行风险预测，提高了对理赔案件骗保概率预测的准确度，不需要人工介入，提高了理赔系统的准确率及效率。
[0005]第一方面，本申请实施例提供一种基于机器学习的理赔方法，包括：
[0006]根据理赔请求获取理赔案件信息，并根据理赔案件信息获取病历信息和投保信息，理赔案件信息包括当前理赔信息和历史理赔信息；
[0007]将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，预测结果用于指示骗保概率，其中，理赔模型包括第一风控子模型和第二风控大模型，第一风控子模型用于根据病历信息获得风险因子系数，第二风控大模型用于根据风险因子系数和投保信息获得预测结果；
[0008]将预测结果发送至理赔系统，以使理赔系统根据预测结果执行对应的理赔策略。
[0009]可选的，根据理赔请求获取理赔案件信息，包括：
[0010]接收理赔系统发送的理赔请求，理赔请求中包括被保险人信息；根据被保险人信息获取历史理赔信息和当前理赔信息；根据当前理赔信息和历史理赔信息，得到理赔案件信息。
[0011]可选的，若理赔请求是通过线上获取的，则将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，包括：
[0012]将理赔案件信息输入至第一理赔模型，获得第一预测结果，若第一预测结果大于第一预设值，则将理赔案件信息输入至第二理赔模型，获得第二理赔模型输出的第二预测结果，第一理赔模型和第二理赔模型的结构相同，第一理赔模型的训练数据为全量训练数据，第二理赔模型的训练数据为高骗保率的训练数据，第二预测结果为发送至理赔系统的预测结果；
[0013]若第一预测结果小于第一预设值，则第一预测结果为发送至理赔系统的预测结果。
[0014]可选的，根据被保险人信息获取历史理赔信息和当前理赔信息，包括：
[0015]根据被保险人信息，从第一在线数据库中获取当前理赔信息，并从离线数据库中获取历史理赔信息，第一在线数据库用于存储线上理赔请求对应的当前理赔信息。
[0016]可选的，若理赔请求是通过线下获取的，则将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，包括：
[0017]将理赔案件信息输入至第二理赔模型，获得第二理赔模型输出的第二预测结果。
[0018]可选的，根据被保险人信息获取历史理赔信息和当前理赔信息，包括：
[0019]根据被保险人信息，从第三在线数据库中获取当前理赔信息，并从离线数据库中获取历史理赔信息，第三在线数据库用于存储线下请求对应的当前理赔信息。
[0020]可选的，根据当前理赔信息和所述历史理赔信息，得到理赔案件信息，包括：
[0021]采用实时计算引擎Flink对当前理赔信息和所述历史理赔信息进行处理，得到以结构化数据呈现的理赔案件信息；若当前理赔信息是通过线上获取的，则将理赔案件信息存储至第二在线数据库。若当前理赔信息是通过线下获取的，则将理赔案件信息存储至第四在线数据库。
[0022]第二方面，本申请实施例提供一种基于机器学习的理赔系统，包括：
[0023]获取模块，用于根据理赔请求获取理赔案件信息，并根据理赔案件信息获取病历信息和投保信息，理赔案件信息包括当前理赔信息和历史理赔信息；
[0024]计算模块，用于将理赔案件信息输入至理赔模型，获取理赔模型输出的预测结果，预测结果用于指示骗保概率，其中，理赔模型包括第一风控子模型和第二风控大模型，第一风控子模型用于根据病历信息获得风险因子系数，第二风控大模型用于根据风险因子系数和投保信息获得所述预测结果；
[0025]发送模块，用于将预测结果发送至理赔系统，以使理赔系统根据预测结果执行对应的理赔策略。
[0026]第三方面，本申请实施例提供一种电子设备，包括：存储器和处理器；
[0027]存储器用于存储计算机指令；处理器用于运行存储器存储的计算机指令实现第一方面中任一项的方法。
[0028]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现第一方面中任一项的方法。
[0029]第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项的方法。
[0030]本申请实施例提供的基于机器学习的理赔方法和系统，通过获取用户前理赔信息和历史理赔信息，通过理赔模型对理赔请求相关的案件信息进行分析，获得理赔请求对应的风险等级，理赔系统根据风险等级执行对应的理赔策略。通过设置具有两层子模型结构的理赔模型，可以充分利用案件相关的所有信息，分析理赔请求的风险等级，可以获得较为准确的预测结果，有效提升的模型的预测结果，不需要中间人工进行干预，提高了理赔系统的理赔效率。
附图说明
[0031]图1为本申请实施例提供的场景示意图；
[0032]图2为本申请实施例提供的基于机器学习的理赔方法的流程示意图；
[0033]图3为本申请实施例提供的又一基于机器学习的理赔方法的流程示意图；
[0034]图4为本申请实施例提供的基于机器学习的理赔系统的结构示意图；
[0035]图5为本申请实施例提供的又一基于机器学习的理赔系统的结构示意图；
[0036]图6为本申请实施例提供的基于机器学习的理赔电子设备的结构示意图；
具体实施方式
[0037]为了便于清楚描述本申请实施例的技术方案，以下，对本申请实施例中所涉及的部分术语和技术进行简单介绍：
[0038]1)自然语言处理(natural language processing，NLP)算法是一种人工智能算法利用计算机为工具，对书面形式或者口头形式的内容进行各种各样的处理和加工的技术。
[0039]2)医疗保险第三方管理公司(third party administrator for group medical insurance，TPA)是医疗保健行业内，向健康保险公司、或者经营医疗保险特别是医疗费用保险的保险公司提供第三方管理服务的公司，其业务包括提供新契约与保全服务、处理理赔、提供客户服务、医疗服务机构网络、安排医疗费用结算服务等。
[0040]3)Flink是一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的理赔方法，其特征在于，包括：根据理赔请求获取理赔案件信息，并根据所述理赔案件信息获取病历信息和投保信息，所述理赔案件信息包括当前理赔信息和历史理赔信息；将所述理赔案件信息输入至理赔模型，获取所述理赔模型输出的预测结果，所述预测结果用于指示骗保概率，其中，所述理赔模型包括第一风控子模型和第二风控大模型，所述第一风控子模型用于根据所述病历信息获得风险因子系数，所述第二风控大模型用于根据所述风险因子系数和所述投保信息获得所述预测结果；将所述预测结果发送至所述理赔系统，以使所述理赔系统根据所述预测结果执行对应的理赔策略。2.根据权利要求1所述的方法，其特征在于，所述根据理赔请求获取理赔案件信息，包括：接收理赔系统发送的理赔请求，所述理赔请求中包括被保险人信息；根据所述被保险人信息获取历史理赔信息和当前理赔信息；根据所述当前理赔信息和所述历史理赔信息，得到所述理赔案件信息。3.根据权利要求2所述的方法，其特征在于，若所述理赔请求是通过线上获取的，则所述将所述理赔案件信息输入至理赔模型，获取所述理赔模型输出的预测结果，包括：将所述理赔案件信息输入至第一理赔模型，获得第一预测结果；若所述第一预测结果大于第一预设值，则将所述理赔案件信息输入至第二理赔模型，获得所述第二理赔模型输出的第二预测结果，所述第一理赔模型和所述第二理赔模型的结构相同，所述第一理赔模型的训练数据为全量训练数据，所述第二理赔模型的训练数据为高骗保率的训练数据，所述第二预测结果为发送至所述理赔系统的预测结果；若所述第一预测结果小于第一预设值，则所述第一预测结果为发送至所述理赔系统的预测结果。4.根据权利要求3所述的方法，其特征在于，所述根据所述被保险人信息获取历史理赔信息和当前理赔信息，包括：根据所述被保险人信息，从第一在线数据库中获取所述当前理赔信息，并从离线数据库中获取所述历史理赔信息，所述第一在线数据库用于存储线上理赔请求对应的当前理赔信息。5.根据权利要求2所述的方法，其特征在于，若所述理赔请求是通过线下获取的，则所述将所述理赔案...

【专利技术属性】
技术研发人员：郭道虎，辛佳坤，
申请(专利权)人：众安在线财产保险股份有限公司，
类型：发明
国别省市：