理赔事件检测方法、计算机设备和存储介质与流程

本申请涉及人工智能，特别是涉及一种理赔事件检测方法、计算机设备和存储介质。

背景技术：

1、随着集散式分布系统的普及，理赔事件数据涌现出海量级增长。从这些数据中识别理赔欺诈需要浪费大量的人力物力，并且，利用专家知识对理赔欺诈进行打标，存在主观性较强的缺点。

2、为此，相关技术提出了一种理赔事件检测方法：用一种非结构化载体存储理赔事件的数据，构建并训练词向量模型，以表征非结构化载体的单词，得到目标向量；构建并训练欺诈检测模型，将目标向量输入至欺诈检测模型进行预测，从而得到理赔事件是否属于欺诈事件的预测结果。

3、然而，目前的理赔事件检测方法，均是应用于静态同构数据，随着时间的变化，非结构化数据会呈现动态表现，既有模型无法适应动态变化的非结构化数据，导致对理赔事件的检测结果不够准确。若重新输入训练样本训练既有模型，则计算量大，时间成本高。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够准确且高效地检测理赔事件的理赔事件检测方法、计算机设备和存储介质。

2、第一方面，本申请提供了一种理赔事件检测方法，所述方法包括：

3、在图网络发生变更的情况下，更新第一节点序列，得到当前时间戳的第二节点序列，其中，所述图网络基于理赔事件的数据构建得到，所述第一节点序列通过关联所述图网络中的多个节点得到；

4、在词向量模型中，根据所述第二节点序列和涉变更节点的权重参数，对所述词向量模型进行反向迭代训练，并根据训练后的所述词向量模型得到当前时间戳的节点向量，其中，所述涉变更节点包括所述图网络中节点和/或节点之间的边发生变化的节点；

5、根据所述当前时间戳的节点向量，确定所述理赔事件是否属于目标类型事件。

6、在其中一个实施例中，所述图网络发生变更的情况包括以下至少之一：

7、在当前时间戳，新增了一个节点；

8、在当前时间戳，删除了一个节点；

9、在当前时间戳，新增了一个节点，且所新增的节点和其他节点之间形成关联关系；

10、在当前时间戳，删除了一个节点，且所删除的节点和其他节点之间解除关联关系。

11、在其中一个实施例中，所述涉变更节点的权重参数包括中心词矩阵和周围词矩阵，根据所述第二节点序列和所述涉变更节点的权重参数，对所述词向量模型进行反向迭代训练，包括：

12、根据预设编码规则对所述涉变更节点所包含的单词进行编码，得到各个涉变更节点的目标单词向量；

13、将所述目标单词向量与所述中心词矩阵相乘，得到各个涉变更节点的中心词向量，以及，将所述目标单词向量与所述周围词矩阵相乘，得到各个涉变更节点的周围词向量；

14、对所述周围词向量进行归一化处理，根据归一化后的所述周围词向量的概率，调整所述涉变更节点的中心词矩阵和周围词矩阵，以使所述词向量模型符合收敛条件。

15、在其中一个实施例中，根据训练后的所述词向量模型得到当前时间戳的节点向量，包括：

16、将符合所述收敛条件的所述词向量模型的中心词矩阵，作为当前时间戳的节点向量。

17、在其中一个实施例中，对所述周围词向量进行归一化处理，根据归一化后的所述周围词向量的概率，调整所述涉变更节点的中心词矩阵和周围词矩阵，以使所述词向量模型符合收敛条件，包括：

18、对所述词向量的初始损失函数取负对数，并将取得的值除以预设单词总数，得到新的损失函数，其中，所述初始损失函数包括极大似然函数；

19、调整所述涉变更节点的中心词矩阵和周围词矩阵，以使所述新的损失函数收敛。

20、在其中一个实施例中，根据所述当前时间戳的节点向量，确定所述理赔事件是否属于目标类型事件，包括：

21、在所述当前时间戳的节点向量中，合并属于同一个理赔事件的节点向量；

22、对合并后的节点向量进行预测，得到所述理赔事件的预测标签；

23、根据所述理赔事件的预测标签，确定所述理赔事件是否属于所述目标类型事件。

24、在其中一个实施例中，获取所述第一节点序列包括：

25、根据识别目标，在所述图网络中选择相适应的多个节点，并确定所述多个节点之间的随机游走路径，所述识别目标包括识别所述目标类型的理赔事件；

26、根据所述随机游走路径，关联所述图网络中所选择的多个节点。

27、在其中一个实施例中，每个节点的属性包括以下至少之一：时间、地点、人员信息、理赔对象标识。

28、第二方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面的理赔事件检测方法的步骤。

29、第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的步骤。

30、上述的理赔事件检测方法、计算机设备和存储介质，在图网络发生变更的情况下，更新第一节点序列，得到当前时间戳的第二节点序列，其中，图网络基于理赔事件的数据构建得到，第一节点序列通过关联图网络中的多个节点得到；在词向量模型中，根据第二节点序列和涉变更节点的权重参数，对词向量模型进行反向迭代训练，并根据训练后的词向量模型得到当前时间戳的节点向量，其中，涉变更节点包括图网络中节点和/或节点之间的边发生变化的节点；根据当前时间戳的节点向量，确定理赔事件是否属于目标类型事件，如此设置，只需要迭代更新部分节点的权重参数，减少了计算量，从而能够准确且高效地检测理赔事件。

技术特征：

1.一种理赔事件检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的理赔事件检测方法，其特征在于，所述图网络发生变更的情况包括以下至少之一：

3.根据权利要求1所述的理赔事件检测方法，其特征在于，所述涉变更节点的权重参数包括中心词矩阵和周围词矩阵，根据所述第二节点序列和所述涉变更节点的权重参数，对所述词向量模型进行反向迭代训练，包括：

4.根据权利要求3所述的理赔事件检测方法，其特征在于，根据训练后的所述词向量模型得到当前时间戳的节点向量，包括：

5.根据权利要求3所述的理赔事件检测方法，其特征在于，对所述周围词向量进行归一化处理，根据归一化后的所述周围词向量的概率，调整所述涉变更节点的中心词矩阵和周围词矩阵，以使所述词向量模型符合收敛条件，包括：

6.根据权利要求1所述的理赔事件检测方法，其特征在于，根据所述当前时间戳的节点向量，确定所述理赔事件是否属于目标类型事件，包括：

7.根据权利要求1所述的理赔事件检测方法，其特征在于，获取所述第一节点序列包括：

8.根据权利要求1所述的理赔事件检测方法，其特征在于，每个节点的属性包括以下至少之一：时间、地点、人员信息、理赔对象标识。

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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至权利要求8中任一项所述的理赔事件检测方法的步骤。

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至权利要求8中任一项所述的理赔事件检测方法的步骤。

技术总结
本申请涉及一种理赔事件检测方法、计算机设备和存储介质，在图网络发生变更的情况下，更新第一节点序列，得到当前时间戳的第二节点序列，其中，图网络基于理赔事件的数据构建得到，第一节点序列通过关联图网络中的多个节点得到；在词向量模型中，根据第二节点序列和涉变更节点的权重参数，对词向量模型进行反向迭代训练，并根据训练后的词向量模型得到当前时间戳的节点向量，其中，涉变更节点包括图网络中节点和/或节点之间的边发生变化的节点；根据当前时间戳的节点向量，确定理赔事件是否属于目标类型事件，如此设置，只需要迭代更新部分节点的权重参数，减少了计算量，从而能够准确且高效地检测理赔事件。

技术研发人员：潘怡君,那崇宁,张泷,胡汉一
受保护的技术使用者：之江实验室
技术研发日：
技术公布日：2024/1/12