保险理赔的反欺诈识别方法及装置与流程

文档序号:11217243阅读:1119来源:国知局
保险理赔的反欺诈识别方法及装置与流程

本发明涉及金融保险技术领域,尤其涉及一种保险理赔的反欺诈识别方法及装置。



背景技术:

目前,在金融保险领域(例如在寿险领域),有些客户在办理相关保险理赔业务时,会以骗保为目的进行投保,或者提供虚假的理赔信息(例如,虚构保险事故、夸大保险事故严重程度等)。为了规避这类风险,金融保险相关企业通常会设置专门的理赔审核岗位,采用人工审核的方式对客户的理赔申请基于专业经验进行反欺诈识别,反欺诈识别效率低,且由于各审核人员的专业水平不一,因此可能有部分案件对隐含风险的识别力度不足。



技术实现要素:

本发明的目的在于提供一种保险理赔的反欺诈识别方法及装置,旨在以反欺诈识别模型对理赔申请进行统一审核,提高反欺诈识别的效率,加强隐含风险识别的力度。

为实现上述目的,本发明提供一种保险理赔的反欺诈识别方法,所述保险理赔的反欺诈识别方法包括:

s1,理赔反欺诈系统在接收到携带理赔信息的理赔申请后,确定所述理赔申请对应的理赔案件类型,根据预定的理赔案件类型与反欺诈识别模型的关联关系获取所述理赔申请对应的预先训练生成的反欺诈识别模型;

s2,基于预定的反欺诈识别模型与风险因子的关联关系获取所述理赔申请对应的反欺诈识别模型的风险因子,从预定的金融系统中获取所述理赔申请对应的反欺诈识别模型的风险因子的信息;

s3,将所述理赔申请对应的反欺诈识别模型的风险因子的信息输入至该反欺诈识别模型中,以通过该反欺诈识别模型输出所述理赔申请对应的风险指标值;

s4,基于所述风险指标值及预设的风险处理规则确定所述理赔申请对应的风险处理方式,并基于所述风险处理方式对所述理赔申请进行风险处理。

优选地,所述理赔案件类型包括意外身故类理赔案件、疾病身故类理赔案件、重大疾病类理赔案件及意外医疗类理赔案件。

优选地,所述预设风险处理规则为:

若所述理赔申请对应的风险指标值大于预设的风险指标阈值,则将风险指标值大于预设的风险指标阈值的理赔申请作为人工反欺诈识别处理的案件;

若所述理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,则对预设数量的理赔申请按预设的抽检比例进行抽检,以所抽检的理赔申请作为人工反欺诈识别处理的案件。

优选地,所述反欺诈识别模型为逻辑回归模型,所述步骤s1之前包括:

s01,根据预定的理赔案件类型与全量因子的映射关系,确定选择的理赔案件类型对应的全量因子作为样本数据集的变量;

s02,为各理赔案件类型准备预设数量的样本数据,为每个样本数据标定对应的风险指标值,形成样本数据集;

s03,从选择的理赔案件类型对应的样本数据中提取出所确定的各全量因子的信息;

s04,将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集;

s05,利用选择的理赔案件类型对应的训练集训练对应的逻辑回归模型,得出该理赔案件类型对应的逻辑回归模型与风险因子的关联关系;

s06,利用选择的理赔案件类型对应的验证集验证所述逻辑回归模型的命中率、覆盖率、准确率,若所述命中率、覆盖率及准确率分别对应大于等于预设的命中率、覆盖率及准确率,则训练结束,否则,增加训练集的样本数据的数量并重新进行训练。

优选地,所述步骤s04进一步包括:将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集及第三比例的测试集,所述步骤s06之后还包括:

对训练结束的逻辑回归模型使用选择的理赔案件类型对应的测试集进行测试,并生成测试报告。

为实现上述目的,本发明还提供一种保险理赔的反欺诈识别装置,所述保险理赔的反欺诈识别装置包括:

第一确定模块,用于在接收到携带理赔信息的理赔申请后,确定所述理赔申请对应的理赔案件类型,根据预定的理赔案件类型与反欺诈识别模型的关联关系获取所述理赔申请对应的预先训练生成的反欺诈识别模型;

获取模块,用于基于预定的反欺诈识别模型与风险因子的关联关系获取所述理赔申请对应的反欺诈识别模型的风险因子,从预定的金融系统中获取所述理赔申请对应的反欺诈识别模型的风险因子的信息;

输出模块,用于将所述理赔申请对应的反欺诈识别模型的风险因子的信息输入至该反欺诈识别模型中,以通过该反欺诈识别模型输出所述理赔申请对应的风险指标值;

处理模块,用于基于所述风险指标值及预设的风险处理规则确定所述理赔申请对应的风险处理方式,并基于所述风险处理方式对所述理赔申请进行风险处理。

优选地,所述理赔案件类型包括意外身故类理赔案件、疾病身故类理赔案件、重大疾病类理赔案件及意外医疗类理赔案件。

优选地,所述预设风险处理规则为:

若所述理赔申请对应的风险指标值大于预设的风险指标阈值,则将风险指标值大于预设的风险指标阈值的理赔申请作为人工反欺诈识别处理的案件;若所述理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,则对预设数量的理赔申请按预设的抽检比例进行抽检,以所抽检的理赔申请作为人工反欺诈识别处理的案件。

优选地,所述保险理赔的处理装置还包括:

第二确定模块,用于根据预定的理赔案件类型与全量因子的映射关系,确定选择的理赔案件类型对应的全量因子作为样本数据集的变量;

标定模块,用于为各理赔案件类型准备预设数量的样本数据,为每个样本数据标定对应的风险指标值,形成样本数据集;

提取模块,用于从选择的理赔案件类型对应的样本数据中提取出所确定的各全量因子的信息;

划分模块,用于将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集;

训练模块,用于利用选择的理赔案件类型对应的训练集训练对应的逻辑回归模型,得出该理赔案件类型对应的逻辑回归模型与风险因子的关联关系;

验证模块,用于利用选择的理赔案件类型对应的验证集验证所述逻辑回归模型的命中率、覆盖率、准确率,若所述命中率、覆盖率及准确率分别对应大于等于预设的命中率、覆盖率及准确率,则训练结束,否则,增加训练集的样本数据的数量并重新进行训练。

优选地,所述划分模块进一步用于将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集及第三比例的测试集;

所述保险理赔的处理装置还包括:测试模块,用于对训练结束的逻辑回归模型使用选择的理赔案件类型对应的测试集进行测试,并生成测试报告。

本发明的有益效果是:由于反欺诈识别模型为预先采用大数据进行训练生成的,因此能够在最大程度上识别隐含的欺诈风险,加强隐含风险识别的力度;另外,采用反欺诈识别模型得到风险指标值,以对理赔申请进行处理,可以快速地进行批量的理赔申请的处理,提高反欺诈识别的效率。

附图说明

图1为本发明保险理赔的反欺诈识别方法第一实施例的流程示意图;

图2为本发明保险理赔的反欺诈识别方法第二实施例的流程示意图;

图3为本发明保险理赔的反欺诈识别装置第一实施例的结构示意图;

图4为本发明保险理赔的反欺诈识别装置第二实施例的结构示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。

如图1所示,图1为本发明保险理赔的反欺诈识别方法一实施例的流程示意图,该保险理赔的反欺诈识别方法包括以下步骤:

步骤s1,理赔反欺诈系统在接收到携带理赔信息的理赔申请后,确定所述理赔申请对应的理赔案件类型,根据预定的理赔案件类型与反欺诈识别模型的关联关系获取所述理赔申请对应的预先训练生成的反欺诈识别模型;

本实施例中,理赔反欺诈系统安装于保险理赔的反欺诈识别装置中,客户可以在保险理赔的反欺诈识别装置上进行操作,登陆理赔反欺诈系统,以发起理赔申请,该保险理赔的反欺诈识别装置可以是手机或者计算机等任意适用的设备。

理赔反欺诈系统在接收到客户的理赔申请后,根据理赔申请中携带的理赔信息(例如理赔案件类型信息、投被保人的客户信息等)确定该理赔申请对应的理赔案件类型,理赔案件类型包括但不限定于意外身故类理赔案件、疾病身故类理赔案件、重大疾病类理赔案件及意外医疗类理赔案件。

本实施例中,理赔反欺诈系统中预先训练生成多个反欺诈识别模型并保存,反欺诈识别模型例如是:与意外身故类理赔案件对应的第一反欺诈识别模型、与疾病身故类理赔案件对应的第二反欺诈识别模型、与重大疾病类理赔案件对应的第三反欺诈识别模型以及与意外医疗类理赔案件对应的第四反欺诈识别模型。每一理赔案件类型关联对应一反欺诈识别模型,理赔反欺诈系统中保存有赔案件类型与反欺诈识别模型的一一关联对应关系,在确定该理赔申请对应的理赔案件类型后,可以得到理赔申请对应的预先训练生成的反欺诈识别模型。

优选地,结合图2,反欺诈识别模型的训练过程包括:

s01,根据预定的理赔案件类型与全量因子的映射关系,确定选择的理赔案件类型对应的全量因子作为样本数据集的变量;全量因子是为建模而准备的与对应理赔申请的理赔案件类型相关的所有数据因子,风险因子为全量因子的子集。

s02,为各理赔案件类型准备预设数量的样本数据(例如10万份样本数据),为每个样本数据标定对应的风险指标值,形成样本数据集。

s03,从选择的理赔案件类型对应的样本数据中提取出所确定的各全量因子的信息;例如从选择的理赔案件类型对应的样本数据中提取出投被保险人的客户信息(例如包括姓名、年龄、年收入信息等)、疾病与治疗情况(例如所患何种疾病、进行治疗的时长及治疗的费用等)、理赔案件出险时长(例如为1个月)、投保人贷款情况(例如包括有无贷款、贷款日期及金额等)与逾期信息(例如为贷款未还款逾期5天)等。

s04,将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集,例如对于每一理赔案件类型对应的样本数据,以50%比例的样本数据作为训练集,以25%比例的样本数据作为验证集。

s05,利用选择的理赔案件类型对应的训练集训练对应的逻辑回归模型,得出该理赔案件类型对应的逻辑回归模型与风险因子的关联关系;其中,在首次训练时,逻辑回归模型的参数为默认的参数,随着训练的进行,参数不断进行调整;风险因子为对应的逻辑回归模型选择的特定部分的全量因子;另外,在训练过程中,不同的全量因子对风险指标值有不同程度的影响,可将影响程度较大的一些全量因子作为风险因子,然后将这些风险因子与逻辑回归模型进行关联。

s06,利用选择的理赔案件类型对应的验证集验证所述逻辑回归模型的命中率、覆盖率、准确率,若所述命中率、覆盖率及准确率分别对应大于等于预设的命中率、覆盖率及准确率,预设的命中率、覆盖率及准确率例如分别为0.98、0.99及0.98,则训练结束;如果验证逻辑回归模型的所得的命中率小于预设的命中率,或者验证逻辑回归模型的所得的覆盖率小于预设的覆盖率,或者验证逻辑回归模型的所得的准确率小于预设的准确率,则需要增加训练集的样本数据的数量,并重新进行训练,直至训练结束后,进行验证所得命中率、覆盖率及准确率分别对应大于等于预设的命中率、覆盖率及准确率,以训练结束后得到的逻辑回归模型作为待使用的反欺诈识别模型。

另外,反欺诈识别模型优选地为逻辑回归模型(逻辑回归模型在识别理赔申请的欺诈风险的可解释性方面更强、应用场景更广),当然反欺诈识别模型也可以是其他的模型,例如神经网络模型、决策树模型等,此处不做过多限定。

优选地,上述步骤s04进一步包括:将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集及第三比例的测试集,所述步骤s06之后还包括:对训练结束的逻辑回归模型使用选择的理赔案件类型对应的测试集进行测试,并生成测试报告,例如,进行测试后生成的测试报告包括测试命中率、覆盖率、准确率等内容。

步骤s2,基于预定的反欺诈识别模型与风险因子的关联关系获取所述理赔申请对应的反欺诈识别模型的风险因子,从预定的金融系统中获取所述理赔申请对应的反欺诈识别模型的风险因子的信息;

本实施例中,风险因子包括但不限于投被保险人的客户信息、疾病信息、治疗信息、理赔案件出险时长、投保人贷款信息与逾期信息。

在理赔反欺诈系统中,每一反欺诈识别模型具有关联对应的至少一个风险因子,例如与意外身故类理赔案件对应的第一反欺诈识别模型,其风险因子包括投被保险人的客户信息、理赔案件出险时长、投保人贷款信息与逾期信息等。基于反欺诈识别模型与风险因子的关联关系可以确定理赔申请对应的反欺诈识别模型的风险因子。

然后从预定的金融系统中获取理赔申请对应的反欺诈识别模型的风险因子的信息,预定的金融系统包括但不限于寿险投保系统、理赔系统等公司内部系统以及对接的外部信息系统;风险因子的信息例如是投被保险人的客户信息(例如包括姓名、年龄、年收入信息等)、疾病与治疗情况(例如所患何种疾病、进行治疗的时长及治疗的费用等)、理赔案件出险时长(例如为1个月)、投保人贷款情况(例如包括有无贷款、贷款日期及金额等)与逾期信息(例如为贷款未还款逾期5天)等。

步骤s3,将所述理赔申请对应的反欺诈识别模型的风险因子的信息输入至该反欺诈识别模型中,以通过该反欺诈识别模型输出所述理赔申请对应的风险指标值;

步骤s4,基于所述风险指标值及预设的风险处理规则确定所述理赔申请对应的风险处理方式,并基于所述风险处理方式对所述理赔申请进行风险处理。

本实施例中,在获取理赔申请对应的反欺诈识别模型的风险因子的信息后,将所获取的风险因子的信息输入至该理赔申请对应的反欺诈识别模型中,然后输出该理赔申请对应的风险指标值,风险指标值用于评价进行理赔申请的客户存在欺诈的程度。

然后,基于风险指标值确定理赔申请对应的风险处理方式,以对客户的理赔申请进行处理,例如如果风险指标值较高,则可以对理赔申请进一步进行人工审核,或者如果风险指标值较低,则可以不对理赔申请进行任何处理。

与现有技术相比,由于本实施例的反欺诈识别模型为预先采用大数据进行训练生成的,因此能够在最大程度上识别隐含的欺诈风险,加强隐含风险识别的力度;另外,采用反欺诈识别模型得到风险指标值,以对理赔申请进行处理,可以快速地进行批量的理赔申请的处理,提高反欺诈识别的效率。

在一优选的实施例中,在上述图1的实施例的基础上,上述的预设风险处理规则为:若所述理赔申请对应的风险指标值大于预设的风险指标阈值,则将风险指标值大于预设的风险指标阈值的理赔申请作为人工反欺诈识别处理的案件;若所述理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,则对预设数量的理赔申请按预设的抽检比例进行抽检,以所抽检的理赔申请作为人工反欺诈识别处理的案件。

本实施例中,预设的风险指标阈值大于预设的安全阈值,例如预设的风险指标阈值为6,预设的安全阈值为3。

如果有理赔申请对应的风险指标值大于预设的风险指标阈值,例如理赔申请对应的风险指标值为8,则该风险指标值为8对应的理赔申请作为人工反欺诈识别处理的案件;如果有理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,例如理赔申请对应的风险指标值为5,则该理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,则该风险指标值为5对应的理赔申请加入至待抽检的案件中,然后再在待抽检的案件中按照预设的抽检比例进行抽检,例如在待抽检的案件中按照50%的比例进行抽检,所抽检的理赔申请作为人工反欺诈识别处理的案件;另外,对于风险指标值小于预设的安全阈值的理赔申请,则可以不对其进行任何的处理。

另外预设风险处理规则还可以是:对各个理赔申请按照对应的风险指标值从大到小的顺序进行排序;确定所有理赔申请中预设风险比例的对应的第一案件数量(例如,10个理赔申请中50%的风险比例对应的理赔申请案件数量为5);确定所有理赔申请中预设安全比例的对应的第二案件数量(例如,10个理赔申请中10%的安全比例对应的理赔申请案件数量为1);以风险指标值最大的第一案件数量的理赔申请作为人工反欺诈识别处理的案件,对风险指标值最小的第二案件数量的理赔申请不作处理,对剩余的理赔申请进行抽检,然后对所抽检的理赔申请进行人工反欺诈识别处理。

本实施例对于风险指标值最大的一部分理赔申请进行人工反欺诈识别处理,对于风险指标值较大的一部分理赔申请进行抽检,然后对所抽检的理赔申请进行人工反欺诈识别处理,对于风险指标值最小的一部分理赔申请不进行任何处理,这样对不同风险指标值的理赔申请采用不同的处理方式,能够提高反欺诈识别的效率。

如图3所示,图3为本发明保险理赔的反欺诈识别装置一实施例的结构示意图,该保险理赔的反欺诈识别装置包括:

第一确定模块101,用于在接收到携带理赔信息的理赔申请后,确定所述理赔申请对应的理赔案件类型,根据预定的理赔案件类型与反欺诈识别模型的关联关系获取所述理赔申请对应的预先训练生成的反欺诈识别模型;

本实施例中,理赔反欺诈系统安装于保险理赔的反欺诈识别装置中,客户可以在保险理赔的反欺诈识别装置上进行操作,登陆理赔反欺诈系统,以发起理赔申请,该保险理赔的反欺诈识别装置可以是手机或者计算机等任意适用的设备。

理赔反欺诈系统在接收到客户的理赔申请后,根据理赔申请中携带的理赔信息(例如理赔案件类型信息、投被保人的客户信息等)确定该理赔申请对应的理赔案件类型,理赔案件类型包括但不限定于意外身故类理赔案件、疾病身故类理赔案件、重大疾病类理赔案件及意外医疗类理赔案件。

本实施例中,理赔反欺诈系统中预先训练生成多个反欺诈识别模型并保存,反欺诈识别模型例如是:与意外身故类理赔案件对应的第一反欺诈识别模型、与疾病身故类理赔案件对应的第二反欺诈识别模型、与重大疾病类理赔案件对应的第三反欺诈识别模型以及与意外医疗类理赔案件对应的第四反欺诈识别模型。每一理赔案件类型关联对应一反欺诈识别模型,理赔反欺诈系统中保存有赔案件类型与反欺诈识别模型的一一关联对应关系,在确定该理赔申请对应的理赔案件类型后,可以得到理赔申请对应的预先训练生成的反欺诈识别模型。

优选地,结合参阅图4,保险理赔的处理装置还包括:

第二确定模块011,用于根据预定的理赔案件类型与全量因子的映射关系,确定选择的理赔案件类型对应的全量因子作为样本数据集的变量;全量因子是为建模而准备的与对应理赔申请的理赔案件类型相关的所有数据因子,风险因子为全量因子的子集。

标定模块012,用于为各理赔案件类型准备预设数量的样本数据(例如10万份样本数据),为每个样本数据标定对应的风险指标值,形成样本数据集;

提取模块013,用于从选择的理赔案件类型对应的样本数据中提取出所确定的各全量因子的信息;例如从选择的理赔案件类型对应的样本数据中提取出投被保险人的客户信息(例如包括姓名、年龄、年收入信息等)、疾病与治疗情况(例如所患何种疾病、进行治疗的时长及治疗的费用等)、理赔案件出险时长(例如为1个月)、投保人贷款情况(例如包括有无贷款、贷款日期及金额等)与逾期信息(例如为贷款未还款逾期5天)等。

划分模块014,用于将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集;例如对于每一理赔案件类型对应的样本数据,以50%比例的样本数据作为训练集,以25%比例的样本数据作为验证集。

训练模块015,用于利用选择的理赔案件类型对应的训练集训练对应的逻辑回归模型,得出该理赔案件类型对应的逻辑回归模型与风险因子的关联关系;其中,在首次训练时,逻辑回归模型的参数为默认的参数,随着训练的进行,参数不断进行调整;风险因子为对应的逻辑回归模型选择的特定部分的全量因子。另外,在训练过程中,不同的全量因子对风险指标值有不同程度的影响,可将影响程度较大的一些全量因子作为风险因子,然后将这些风险因子与逻辑回归模型进行关联。

验证模块016,用于利用选择的理赔案件类型对应的验证集验证所述逻辑回归模型的命中率、覆盖率、准确率,若所述命中率、覆盖率及准确率分别对应大于等于预设的命中率、覆盖率及准确率,预设的命中率、覆盖率及准确率例如分别为0.98、0.99及0.98,则训练结束;如果验证逻辑回归模型的所得的命中率小于预设的命中率,或者验证逻辑回归模型的所得的覆盖率小于预设的覆盖率,或者验证逻辑回归模型的所得的准确率小于预设的准确率,则需要增加训练集的样本数据的数量,并重新进行训练,直至训练结束后,进行验证所得命中率、覆盖率及准确率分别对应大于等于预设的命中率、覆盖率及准确率,以训练结束后得到的逻辑回归模型作为待使用的反欺诈识别模型。

另外,反欺诈识别模型优选地为逻辑回归模型(逻辑回归模型在识别理赔申请的欺诈风险的可解释性方面更强、应用场景更广),当然反欺诈识别模型也可以是其他的模型,例如神经网络模型、决策树模型等,此处不做过多限定。

优选地,划分模块014进一步用于将选择的理赔案件类型对应的样本数据的全量因子的信息分为第一比例的训练集、第二比例的验证集及第三比例的测试集;所述保险理赔的处理装置还包括:测试模块,用于对训练结束的逻辑回归模型使用选择的理赔案件类型对应的测试集进行测试,并生成测试报告,例如,进行测试后生成的测试报告包括测试命中率、覆盖率、准确率等内容。

获取模块102,用于基于预定的反欺诈识别模型与风险因子的关联关系获取所述理赔申请对应的反欺诈识别模型的风险因子,从预定的金融系统中获取所述理赔申请对应的反欺诈识别模型的风险因子的信息;

本实施例中,风险因子包括但不限于投被保险人的客户信息、疾病信息、治疗信息、理赔案件出险时长、投保人贷款信息与逾期信息。

在理赔反欺诈系统中,每一反欺诈识别模型具有关联对应的至少一个风险因子,例如与意外身故类理赔案件对应的第一反欺诈识别模型,其风险因子包括投被保险人的客户信息、理赔案件出险时长、投保人贷款信息与逾期信息等。基于反欺诈识别模型与风险因子的关联关系可以确定理赔申请对应的反欺诈识别模型的风险因子。

然后从预定的金融系统中获取理赔申请对应的反欺诈识别模型的风险因子的信息,预定的金融系统包括但不限于寿险投保系统、理赔系统等公司内部系统以及对接的外部信息系统;风险因子的信息例如是投被保险人的客户信息(例如包括姓名、年龄、年收入信息等)、疾病与治疗情况(例如所患何种疾病、进行治疗的时长及治疗的费用等)、理赔案件出险时长(例如为1个月)、投保人贷款情况(例如包括有无贷款、贷款日期及金额等)与逾期信息(例如为贷款未还款逾期5天)等。

输出模块103,用于将所述理赔申请对应的反欺诈识别模型的风险因子的信息输入至该反欺诈识别模型中,以通过该反欺诈识别模型输出所述理赔申请对应的风险指标值;

处理模块104,用于基于所述风险指标值及预设的风险处理规则确定所述理赔申请对应的风险处理方式,并基于所述风险处理方式对所述理赔申请进行风险处理。

本实施例中,在获取理赔申请对应的反欺诈识别模型的风险因子的信息后,将所获取的风险因子的信息输入至该理赔申请对应的反欺诈识别模型中,然后输出该理赔申请对应的风险指标值,风险指标值用于评价进行理赔申请的客户存在欺诈的程度。

然后,基于风险指标值确定理赔申请对应的风险处理方式,以对客户的理赔申请进行处理,例如如果风险指标值较高,则可以对理赔申请进一步进行人工审核,或者如果风险指标值较低,则可以不对理赔申请进行任何处理。

与现有技术相比,由于本实施例的反欺诈识别模型为预先采用大数据进行训练生成的,因此能够在最大程度上识别隐含的欺诈风险;另外,采用反欺诈识别模型得到风险指标值以对理赔申请进行处理,可以快速地进行批量的理赔申请的处理,提高反欺诈识别的效率。

在一优选的实施例中,在上述图3的实施例的基础上,所述预设风险处理规则为:若所述理赔申请对应的风险指标值大于预设的风险指标阈值,则将风险指标值大于预设的风险指标阈值的理赔申请作为人工反欺诈识别处理的案件;若所述理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,则对预设数量的理赔申请按预设的抽检比例进行抽检,以所抽检的理赔申请作为人工反欺诈识别处理的案件。

本实施例中,预设的风险指标阈值大于预设的安全阈值,例如预设的风险指标阈值为6,预设的安全阈值为3。

如果有理赔申请对应的风险指标值大于预设的风险指标阈值,例如理赔申请对应的风险指标值为8,则该风险指标值为8对应的理赔申请作为人工反欺诈识别处理的案件;如果有理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,例如理赔申请对应的风险指标值为5,则该理赔申请对应的风险指标值小于等于预设的风险指标阈值且大于等于预设的安全阈值,则该风险指标值为5对应的理赔申请加入至待抽检的案件中,然后再在待抽检的案件中按照预设的抽检比例进行抽检,例如在待抽检的案件中按照50%的比例进行抽检,所抽检的理赔申请作为人工反欺诈识别处理的案件;另外,对于风险指标值小于预设的安全阈值的理赔申请,则可以不对其进行任何的处理。

另外预设风险处理规则还可以是:对各个理赔申请按照对应的风险指标值从大到小的顺序进行排序;确定所有理赔申请中预设风险比例的对应的第一案件数量(例如,10个理赔申请中50%的风险比例对应的理赔申请案件数量为5);确定所有理赔申请中预设安全比例的对应的第二案件数量(例如,10个理赔申请中10%的安全比例对应的理赔申请案件数量为1);以风险指标值最大的第一案件数量的理赔申请作为人工反欺诈识别处理的案件,对风险指标值最小的第二案件数量的理赔申请不作处理,对剩余的理赔申请进行抽检,然后对所抽检的理赔申请进行人工反欺诈识别处理。

本实施例对于风险指标值最大的一部分理赔申请进行人工反欺诈识别处理,对于风险指标值较大的一部分理赔申请进行抽检,然后对所抽检的理赔申请进行人工反欺诈识别处理,对于风险指标值最小的一部分理赔申请不进行任何处理,这样对不同风险指标值的理赔申请采用不同的处理方式,能够提高反欺诈识别的效率。

以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1