一种异常理赔案件检测方法技术

本申请公开了一种异常理赔案件检测方法

【技术实现步骤摘要】
一种异常理赔案件检测方法、装置、设备及存储介质


[0001]本专利技术涉及计算机
，特别涉及一种异常理赔案件检测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]在保险理赔反欺诈应用场景中，传统统计建模方法是应用统计学方法对用户的特征属性进行分析，手工选取一定的特征及阈值，建立黑名单
、
规则或建立广义线性模型
(GLM
，
generalize linear model)、
例如
logistic
回归方法进行判定，当某一客户
、
车辆被黑名单
、
规则或模型预测结果高于模型预测阈值时即判定其为潜在异常案件，其主要原理仍然基于统计学频数统计及专家经验
。
[0003]传统反欺诈方法有以下三个缺陷：第一，黑名单
、
规则等传统方法需要人工定义用户行为特征，主要还是基于业务专家或者建模人员根据自身工作经验总结提供，然而即使拥有若干年经验丰富的业务专家提供出的特征数量也很难涵盖全部理赔信息，尤其是在当前信息技术跳跃式发展的时代，可以收集到比过去更多的车辆特征信息
、
损失特征信息，专家提供的经验总结无法涵盖收集到的全部特征信息，很可能错过一些关键特征；第二，广义线性模型，例如
logistic
等，虽然有速度快
、
可解释性强的特点，其本质仍然是线性回归器，自变量和因变量线性关系不足以完全分辨欺诈案件，其泛用性不足以对全部潜在案件进行识别；第三，欺诈案件在赔付案件中属于极小概率事件，统计样本极不平衡，传统的规则
、
统计学方法和机器学习方法极难对其进行异常检测
。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种异常理赔案件检测方法
、
装置
、
设备和存储介质，能够便于分析案件的异常行为，提升了检测的准确率
。
其具体方案如下：
[0005]第一方面，本申请公开了一种异常理赔案件检测方法，包括：
[0006]从保险理赔数据库中获取历史数据集，并将所述历史数据集转化为高维向量；所述高维向量为维度数量满足预设高维条件的向量；
[0007]将所述高维向量输入反欺诈模型进行预设异常案件检测操作，以得到目标异常案件；
[0008]将所述目标异常案件输入欺诈类型检测模型，以得到所述目标异常案件对应的目标异常类型
。
[0009]可选的，所述从保险理赔数据库中获取历史数据集之前，还包括：
[0010]从全部理赔记录中获取原始数据，并对所述原始数据执行数据预处理操作，以得到预处理数据；
[0011]基于所述预处理数据以及预先获取的用于进行数据集划分的意见集合构建所述历史数据集
。
[0012]可选的，所述将所述历史数据集转化为高维向量，包括：
[0013]获取预先训练的特征提取模型，并将所述历史数据集中的所述训练数据集输入至所述特征提取模型进行预设特征变换操作，以得到所述高维向量
。
[0014]可选的，所述将所述历史数据集中的所述训练数据集输入至所述特征提取模型进行预设特征变换操作，以得到所述高维向量，包括：
[0015]将所述历史数据集中的所述训练数据集输入至所述特征提取模型，以便基于预设变量确定规则确定所述历史数据集中的欺诈变量以及干扰变量；
[0016]通过所述预设特征变换操作将所述欺诈变量的百分比提高至预设欺诈阈值，并将所述干扰变量的百分比降低至预设干扰阈值，以得到所述高维向量
。
[0017]可选的，所述从保险理赔数据库中获取历史数据集之前，还包括：
[0018]基于所述特征提取模型
、
所述反欺诈模型以及所述欺诈类型检测模型构建目标模型；
[0019]将所述目标模型部署至容器中并进行包装，并以同步接口的形式执行所述从保险理赔数据库中获取历史数据集的步骤
。
[0020]可选的，所述将所述高维向量输入反欺诈模型进行预设异常案件检测操作，以得到目标异常案件之前，还包括：
[0021]将所述高维向量输入原始反欺诈模型，并基于所述高维向量预设参数训练方法训练所述原始反欺诈模型，得到所述反欺诈模型；其中，所述预设参数训练方法包含交叉验证以及网格搜索
。
[0022]可选的，所述将所述高维向量输入反欺诈模型进行预设异常案件检测操作，以得到目标异常案件，包括：
[0023]将所述高维向量输入所述反欺诈模型计算对应的用于表征为所述目标异常案件的概率值；
[0024]判断所述概率值是否大于或等于预设阈值，若所述概率值大于或等于所述预设阈值，则判定当前案件为所述目标异常案件并触发报警；
[0025]若所述概率值小于所述预设阈值，则判定当前案件为正常案件并结束
。
[0026]第二方面，本申请公开了一种异常理赔案件检测装置，包括：
[0027]数据集获取模块，用于从保险理赔数据库中获取历史数据集；
[0028]数据集转化模块，用于将所述历史数据集转化为高维向量；
[0029]异常案件检测模块，用于将所述高维向量输入反欺诈模型进行预设异常案件检测操作，以得到目标异常案件；
[0030]欺诈类型检测模块，用于将所述目标异常案件输入欺诈类型检测模型，以得到所述目标异常案件对应的目标异常类型
。
[0031]第三方面，本申请公开了一种电子设备，包括：
[0032]存储器，用于保存计算机程序；
[0033]处理器，用于执行所述计算机程序，以实现如前述公开的异常理赔案件检测方法的步骤
。
[0034]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如前述公开的异常理赔案件检测方法
。
[0035]可见，本申请提供了一种异常理赔案件检测方法，包括：从保险理赔数据库中获取
历史数据集，并将所述历史数据集转化为高维向量；所述高维向量为维度数量满足预设高维条件的向量；将所述高维向量输入反欺诈模型进行预设异常案件检测操作，以得到目标异常案件；将所述目标异常案件输入欺诈类型检测模型，以得到所述目标异常案件对应的目标异常类型
。
由此可见，本申请通过训练数据集生成高维向量特征集，然后利用高维特征向量集训练非线性模型生成反欺诈模型，用于潜在异常案件检测，有利于分析案件的异常行为，提升了检测的准确率
。
附图说明
[0036]为了更清楚地说明本专利技术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专利技术的实施例，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，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种异常理赔案件检测方法，其特征在于，包括：从保险理赔数据库中获取历史数据集，并将所述历史数据集转化为高维向量；所述高维向量为维度数量满足预设高维条件的向量；将所述高维向量输入反欺诈模型进行预设异常案件检测操作，以得到目标异常案件；将所述目标异常案件输入欺诈类型检测模型，以得到所述目标异常案件对应的目标异常类型
。2.
根据权利要求1所述的异常理赔案件检测方法，其特征在于，所述从保险理赔数据库中获取历史数据集之前，还包括：从全部理赔记录中获取原始数据，并对所述原始数据执行数据预处理操作，以得到预处理数据；基于所述预处理数据以及预先获取的用于进行数据集划分的意见集合构建所述历史数据集
。3.
根据权利要求1所述的异常理赔案件检测方法，其特征在于，所述将所述历史数据集转化为高维向量，包括：获取预先训练的特征提取模型，并将所述历史数据集中的所述训练数据集输入至所述特征提取模型进行预设特征变换操作，以得到所述高维向量
。4.
根据权利要求3所述的异常理赔案件检测方法，其特征在于，所述将所述历史数据集中的所述训练数据集输入至所述特征提取模型进行预设特征变换操作，以得到所述高维向量，包括：将所述历史数据集中的所述训练数据集输入至所述特征提取模型，以便基于预设变量确定规则确定所述历史数据集中的欺诈变量以及干扰变量；通过所述预设特征变换操作将所述欺诈变量的百分比提高至预设欺诈阈值，并将所述干扰变量的百分比降低至预设干扰阈值，以得到所述高维向量
。5.
根据权利要求3所述的异常理赔案件检测方法，其特征在于，还包括：基于所述特征提取模型
、
所述反欺诈模型以及所述欺诈类型检测模型构建目标模型；将所述目标模型部署至容器中并进行包装，并以同步接口的形式执行所述从保...

【专利技术属性】
技术研发人员：陈诚，马天佳，李飞龙，韩伟军，
申请(专利权)人：中国大地财产保险股份有限公司，
类型：发明
国别省市：