一种用于保险理赔的风险检测系统的制作方法

1.本发明涉及保险理赔领域，具体为一种用于保险理赔的风险检测系统。


背景技术：

2.随着保险行业竞争越来越激烈以及客户服务意识越来越强，传统理赔服务主要有人工经验进行风险管控，作业效率太低且风险案件渗漏率高，其已经无法满足客户及保险公司的需求，故，极致、快速、精准的闪赔及差异化服务需求越来越迫切。
3.当然，服务的提升必然伴随着成本的上升，而风险管控和极致、快速、精准的闪赔又是相互矛盾的关系。在这种情况下，如何平衡风险管控和保险理赔服务的关系显得尤为重要。传统的机器学习只能根据业务的不同，通过利用同一类型业务的离线历史数据，提前计算好相应的风险系数，然后通过应用程序接口与数据库进行数据交换，此种方式并不能保证风险数据的准确性和时效性。


技术实现要素：

4.本发明的目的在于提供一种用于保险理赔的风险检测系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种用于保险理赔的风险检测系统，包括基本特征获取子系统，用于获取保险理赔的基本特征数据，基本特征数据包括理赔保单、历史理赔数据；理赔等级判定子系统，用于根据基本特征数据进行理赔等级判定。
6.优选的，理赔等级判定子系统包括特征提取及计算模块与风险等级评判模块，其中特征提取及计算模块具有a项特征提取模块、b项特征提取模块、c项特征提取模块、d项特征提取模块，其分别用于获取理赔保单及历史理赔数据并进行特征提取，并计算所述理赔保单的风险评分；风险等级评判模块基于上述计算的风险评分，并进行风险等级判定。
7.优选的，本发明还提供了上述一种用于保险理赔的风险检测系统的检测判定方法，其特征在于：包括步骤：
8.s1：基于基本特征获取子系统获取理赔保单及历史理赔数据，并对理赔保单进行a项特征提取，对历史理赔数据进行b、c、d三项历史特征提取，其中a项特征提取包括步骤：a1：获取保单图片和保单文本；a2：将获取的图片和保单文本输入至训练好的图片检测模型中，利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，并提取目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；a3：利用训练好的文本语义识别模型提取保单文本的文本特征，并基于预构建的保单风险预评分表分别计算所述图片特征和文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分；
9.b项特征提取包括步骤：b1：获取保单用户的第一统计特征，第一统计特征包括平均理赔次数、历史理赔订单平均金额、历史理赔订单平均理赔时间、历史与保单经理平均电话联系时长及次数；b2：预构建的保单风险预评分表分别计算上述保单用户第一统计特征
的指标评分，根据第一统计特征的指标评分，计算所述理赔保单的风险评分；
10.c项特征提取包括步骤：c1：获取保单用户的第二统计特征，第二统计特征包括，事故或保单事务发生时间、发生位置、事故或保单事务认定书；c2：预构建的保单风险预评分表分别计算上述保单用户第二统计特征的指标评分，根据第二统计特征的指标评分，计算所述理赔保单的风险评分；
11.d项特征提取包括步骤：d1：获取保单用户的第三统计特征，第三统计特征包括，用户基础信用；d2：预构建的保单风险预评分表分别计算上述保单用户第三统计特征的指标评分，根据第三统计特征的指标评分，计算所述理赔保单的风险评分；
12.s2：根据上述各风险评分，确定所述理赔保单的风险等级。
13.优选的，上述d项中用户基础信用的获取及等级包括步骤：获取用户的用户数据；使用无监督聚类来对所述用户数据进行预处理以生成带标签数据；通过gbdt对所述带标签数据进行特征变换。
14.优选的，s2中通过将a、b、c、d四项风险评分相加，得到最终的风险评分，若该风险评分处于第一风险范围，确定所述理赔保单处于风险高等级，若该风险评分处于第二风险范围，确定所述理赔保单处于风险中等级，若该风险评分处于第三风险范围，确定所述理赔保单处于风险低等级。
15.与现有技术相比，本发明的有益效果是：
16.本发明保证了在风险管控的前提下，综合理赔保单、历史理赔数据的信息检测理赔案件信息的风险程度，提高了风险检测的准确度。
附图说明
17.图1为本发明的系统框图；
18.图2为本发明系统流程图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.请参阅图1-2，本发明提供一种技术方案：一种用于保险理赔的风险检测系统，包括基本特征获取子系统，用于获取保险理赔的基本特征数据，基本特征数据包括理赔保单、历史理赔数据；理赔等级判定子系统，用于根据基本特征数据进行理赔等级判定。
21.在本实施例中，理赔等级判定子系统包括特征提取及计算模块与风险等级评判模块，其中特征提取及计算模块具有a项特征提取模块、b项特征提取模块、c项特征提取模块、d项特征提取模块，其分别用于获取理赔保单及历史理赔数据并进行特征提取，并计算所述理赔保单的风险评分；风险等级评判模块基于上述计算的风险评分，并进行风险等级判定。
22.在本实施例中，本发明还提供了上述一种用于保险理赔的风险检测系统的检测判定方法，其特征在于：包括步骤：
23.s1：基于基本特征获取子系统获取理赔保单及历史理赔数据，并对理赔保单进行a
项特征提取，对历史理赔数据进行b、c、d三项历史特征提取，其中a项特征提取包括步骤：a1：获取保单图片和保单文本；a2：将获取的图片和保单文本输入至训练好的图片检测模型中，利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，并提取目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；a3：利用训练好的文本语义识别模型提取保单文本的文本特征，并基于预构建的保单风险预评分表分别计算所述图片特征和文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分；a2还可通过结合光学字符识别方式提取输入的图片信息，光学字符识别使用tesseract ocr引擎完成图像文本的识别和提取，并基于相似度模块处理提取的图片文本信息，即从所述文本特征中基于相关度提取关键数据，
24.相关度为其中，k(wi，wj)为数据wi与数据wj的相关度，tfid(wi)为wi的词频与逆向频率值，d为关于数据wi与数据wj关于词向量的欧式距离；
25.b项特征提取包括步骤：b1：获取保单用户的第一统计特征，第一统计特征包括平均理赔次数bz1、历史理赔订单平均金额bz2、历史理赔订单平均理赔时间bz3、历史与保单经理平均电话联系时长及次数bz4；b2：预构建的保单风险预评分表分别计算上述保单用户第一统计特征的指标评分，根据第一统计特征的指标评分，计算所述理赔保单的风险评分；
26.c项特征提取包括步骤：c1：获取保单用户的第二统计特征，第二统计特征包括：事故或保单事务发生时间cz1、发生位置cz1、事故或保单事务认定书cz1；c2：预构建的保单风险预评分表分别计算上述保单用户第二统计特征的指标评分，根据第二统计特征的指标评分，计算所述理赔保单的风险评分；
27.d项特征提取包括步骤：d1：获取保单用户的第三统计特征，第三统计特征包括，用户基础信用dz1；d2：预构建的保单风险预评分表分别计算上述保单用户第三统计特征的指标评分，根据第三统计特征的指标评分，计算所述理赔保单的风险评分；
28.s2：根据上述各风险评分，确定所述理赔保单的风险等级。
29.在本实施例中，上述d项中用户基础信用的获取及等级包括步骤：获取用户的用户数据；使用无监督聚类来对所述用户数据进行预处理以生成带标签数据；通过gbdt对所述带标签数据进行特征变换。
30.在本实施例中，s2中通过将a、b、c、d四项风险评分相加，得到最终的风险评分，若该风险评分处于第一风险范围，确定所述理赔保单处于风险高等级，若该风险评分处于第二风险范围，确定所述理赔保单处于风险中等级，若该风险评分处于第三风险范围，确定所述理赔保单处于风险低等级。
31.在本实施例中，上述还可通过采用主成分分析风险数据降维，降为n维，求解出主成分因子g(t)；t∈{bz1～bz4,cz1～cz3,dz1}；利用多元高斯分布求解发生作弊发生概率函数p(x)，其中x是主成分降维后的n维向量。通过对司机实时完成的订单进行风险检测判定，具体为：对该笔订单抽取a、b、c、d类特征，然后主成分分析降维到n维向量x；若p(x)《ε,则存在风险，拦截ε为预设风险因子。
32.在本实施例中，s2中还包括：将处于风险高等级的理赔保单返回至理赔审核人员进行人工审核，进一步地提高保单理赔的可靠性。
33.上述实施例利用训练好的图片特征提取模型及特征提取模型识别理赔保单中保
单图片的目标区域及其对应的区域类别，以获取所述保单图片的图片特征，并结合训练好的文本语义识别模型提取所述保单文本的文本特征，以将所述图片特征和文本特征作为后续理赔保单的风险评分的计算指标，通过a、b、c、d四项特征提取计算理赔保单的风险评分，风险分析准确性更高，以实现所述理赔保单的风险智能分析，提高保单理赔的风险分控准确性。
34.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。