System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能,特别是涉及一种团险理赔风险识别方法、装置、计算机设备和存储介质。
技术介绍
1、团险是指通过一个团体或组织,为其成员集体购买保险的一种保险形式,其作为保险公司创费的重要渠道,理赔欺诈案件频发且涉案金额较高,尤其是团体短险,保险期限较短,保险金比较容易被滥用。因此,识别团险异常理赔的风险并阻断有组织的欺诈有助于保险公司合理控制赔付。
2、然而,团险保单数据量大且欺诈行为关系错杂,当前多利用人工进行排查,不仅存在滞后性,很难从源头控制成本,且效率低下、很难及时进行预警管控。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高排查效率的团险理赔风险识别方法、装置、计算机设备和存储介质。
2、第一方面,本申请提供了一种团险理赔风险识别方法。该方法包括:
3、基于异常理赔行为事件获取目标风险特征项,目标风险特征项包括团险业务中不同对象分别对应的特征项;
4、获取目标对象中与目标风险特征项相匹配的第一风险特征及目标对象的关联对象中与目标风险特征项相匹配的第二风险特征;
5、基于预设的目标对象风险识别模型,对第一风险特征和第二风险特征进行识别,得到目标对象对应的目标对象风险清单,目标对象风险清单用于指示目标对象的异常理赔风险。
6、在其中一个实施例中,目标对象风险识别模型是通过如下步骤确定的:
7、获取针对目标对象风险识别模型的目标对象样本数据集,目标对象样本数据集包括至少一个
8、根据目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型。
9、在其中一个实施例中,初始的目标对象风险识别模型至少包括第一候选分类模型和第二候选分类模型,第一候选分类模型和第二候选分类模型的分类数量不同;
10、根据目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型,包括:
11、利用目标对象样本数据集对第一候选分类模型进行训练,得到训练好的第一候选分类模型;
12、利用目标对象样本数据集对第二候选分类模型进行训练,得到训练好的第二候选分类模型;
13、比较训练好的第一候选分类模型的预测效果和训练好的第二候选分类模型的预测效果,得到比较结果,并基于比较结果,确定训练好的目标对象风险识别模型。
14、在其中一个实施例中,初始的目标对象风险识别模型包括多个候选结构识别模型;
15、根据目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型,包括:
16、针对每个候选结构识别模型,利用目标对象样本数据集对候选结构识别模型进行训练,得到训练好的候选结构识别模型;
17、基于多个训练好的候选结构识别模型分别对应的预测结果,将多个训练好的候选结构识别模型进行融合,确定训练好的目标对象风险识别模型。
18、在其中一个实施例中,根据目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型,包括:
19、基于异常理赔行为事件获取目标风险行为模式,并利用目标风险行为模式,确定多个目标风险特征项的特征组合方式;
20、利用特征组合方式对目标对象样本数据集进行更新;
21、根据更新后的目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型。
22、在其中一个实施例中,根据目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型,包括:
23、针对目标对象样本数据集中原始的样本风险特征,确定不同样本风险特征之间的相关性;
24、在相关性大于预定相关阈值的情况下,判断不同样本风险特征分别关联的风险行为模式是否相同,得到判断结果,风险行为模式用于指示风险特征对理赔风险的风险暗示;
25、根据判断结果对目标对象样本数据集进行更新。
26、在其中一个实施例中,该团险理赔风险识别方法还包括:
27、获取预设的关联对象风险识别模型;
28、基于关联对象风险识别模型获得关联对象的关联对象风险清单;
29、结合关联对象风险清单和目标对象风险清单,确定目标对象的异常理赔风险。
30、第二方面,本申请还提供了一种团险理赔风险识别装置。该装置包括:
31、提炼模块,用于基于异常理赔行为事件获取目标风险特征项,目标风险特征项包括团险业务中不同对象分别对应的特征项;
32、获取模块,用于获取目标对象中与目标风险特征项相匹配的第一风险特征及目标对象的关联对象中与目标风险特征项相匹配的第二风险特征;
33、识别模块,用于基于预设的目标对象风险识别模型,对第一风险特征和第二风险特征进行识别,得到目标对象对应的目标对象风险清单,目标对象风险清单用于指示目标对象的异常理赔风险。
34、第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
35、基于异常理赔行为事件获取目标风险特征项,目标风险特征项包括团险业务中不同对象分别对应的特征项;
36、获取目标对象中与目标风险特征项相匹配的第一风险特征及目标对象的关联对象中与目标风险特征项相匹配的第二风险特征;
37、基于预设的目标对象风险识别模型,对第一风险特征和第二风险特征进行识别,得到目标对象对应的目标对象风险清单,目标对象风险清单用于指示目标对象的异常理赔风险。
38、第四方面,本申请还提供了一种计算机可读存储介质。该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时实现以下步骤:
39、基于异常理赔行为事件获取目标风险特征项,目标风险特征项包括团险业务中不同对象分别对应的特征项;
40、获取目标对象中与目标风险特征项相匹配的第一风险特征及目标对象的关联对象中与目标风险特征项相匹配的第二风险特征;
41、基于预设的目标对象风险识别模型,对第一风险特征和第二风险特征进行识别,得到目标对象对应的目标对象风险清单,目标对象风险清单用于指示目标对象的异常理赔风险。
42、第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
43、基于异常理赔行为事件获取目标风险特征项,目标风险特征项包括团险业务中不同对象分别对应的特征项;
44、获取目标对象中与目标风险特征项相匹配的第一风险特征及目标对象的关联本文档来自技高网...
【技术保护点】
1.一种团险理赔风险识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述目标对象风险识别模型是通过如下步骤确定的:
3.根据权利要求2所述的方法,其特征在于,所述初始的目标对象风险识别模型至少包括第一候选分类模型和第二候选分类模型,所述第一候选分类模型和所述第二候选分类模型的分类数量不同;
4.根据权利要求2所述的方法,其特征在于,所述初始的目标对象风险识别模型包括多个候选结构识别模型;
5.根据权利要求2所述的方法,其特征在于,根据所述目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型,包括:
6.根据权利要求2所述的方法,其特征在于,所述根据所述目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型,包括:
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
8.一种团险理赔风险识别装置,其特征在于,所述装置包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种团险理赔风险识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述目标对象风险识别模型是通过如下步骤确定的:
3.根据权利要求2所述的方法,其特征在于,所述初始的目标对象风险识别模型至少包括第一候选分类模型和第二候选分类模型,所述第一候选分类模型和所述第二候选分类模型的分类数量不同;
4.根据权利要求2所述的方法,其特征在于,所述初始的目标对象风险识别模型包括多个候选结构识别模型;
5.根据权利要求2所述的方法,其特征在于,根据所述目标对象样本数据集和初始的目标对象风险识别模型,确定训练好的目标对象风险识别模型,包括:
【专利技术属性】
技术研发人员:邢金坤,向玲,阮强,邹鹏杰,侯津京,刘册,
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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。