保险案件的重要性确认方法、装置、服务器及存储介质与流程

本申请涉及机器学习，尤其涉及一种保险案件的重要性确认方法、装置、服务器及存储介质。

背景技术：

1、现有的金融保险理赔领域中，以车险为例，大案(定损金额大于或等于一万元)的案件总体金额占比高，其具有损失金额大、出险频次低等特点。而当下对于大案事故和非大案事故主要采取无差异化服务，需要理赔员对报案端客户的险情描述及出险特征进行分析，给出案件是否大案的判断结果。从出险到确认需要较长的处理周期，响应时效慢，大大降低了用户的服务体验。而对于保险公司而言，对大案的处理周期的加快可以增加保费置换，促进成本精细化管控。

技术实现思路

1、本申请公开的一种保险案件的重要性确认方法、装置、服务器及存储介质，解决现有保险案件从出险到确认案件的重要性需要较长的处理周期，响应时效慢的问题。

2、第一方面，本申请提供了一种保险案件的重要性确认方法，包括：

3、从金融数据库中获取多个已赔付的保险案件作为训练样本，所述训练样本包括所述保险案件的预设案件系数、保单信息以及出险信息；

4、基于所述保单信息与所述出险信息获得所述保险案件的静态特征信息以及动态特征信息；

5、将所述静态特征信息与动态特征信息输入至特征抽取引擎，获取连续的第一数据和离散的第二数据；

6、基于所述第一数据、第二数据以及所述预设案件系数对待训练的决策树分类器进行训练，获取训练完成的所述决策树分类器；其中，所述决策树分类器用于确认所述保险案件的重要性。

7、第二方面，本申请提供了一种保险案件的重要性确认装置，包括：

8、样本获取模块，用于从金融数据库中获取多个已赔付的保险案件作为训练样本，所述训练样本包括所述保险案件的预设案件系数、保单信息以及出险信息；

9、特征获取模块，用于基于所述保单信息与所述出险信息获得所述保险案件的静态特征信息以及动态特征信息；

10、特征抽取模块，用于将所述静态特征信息与动态特征信息输入至特征抽取引擎，获取连续的第一数据和离散的第二数据；

11、案件确认模块，用于基于所述第一数据、第二数据以及所述预设案件系数对待训练的决策树分类器进行训练，获取训练完成的所述决策树分类器；其中，所述决策树分类器用于确认所述保险案件的重要性。

12、第三方面，本申请提供了一种服务器，所述服务器包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，所述存储器存储有策略模型，其中所述计算机程序被所述处理器执行时，实现如本申请任一项实施例所提供的保险案件的重要性确认方法。

13、第四方面，本申请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上存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如本申请任一项实施例所提供的保险案件的重要性确认方法。

14、本申请实施例提供了一种保险案件的重要性确认方法、装置、服务器及存储介质，通过从金融数据库中获取多个已赔付的保险案件作为训练样本，训练样本包括保险案件的预设案件系数、保单信息以及出险信息；基于保单信息与出险信息获得保险案件的静态特征信息与动态特征信息；将静态特征信息和动态特征信息输入至特征抽取引擎，获取连续的第一数据和离散的第二数据以完成对决策树分类器的训练，训练完成的决策树分类器用于确认保险案件的重要性。采用所提供的保险案件的重要性确认方法，通过对保单信息以及出险信息提取出静态信息以及动态信息，完成对决策树分类器的训练，经过特征工程抽取、数据挖掘建模、机器学习预测等步骤，对保险案件的重要性能进行精准前置识别，能够成功召回接近全量的大案案件，服务于后续理赔的推修流程，最终提升理赔大案资源的掌控力度，降低赔付成本，增加前置保费置换，促进理赔端的降本增效。

15、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

技术特征：

1.一种保险案件的重要性确认方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，在所述将所述第一数据和第二数据输入至待训练的决策树分类器之前，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述连续的第一数据和所述离散的第二数据进行特征工程处理，获取离散的第一特征信息和第二特征信息，包括：

4.根据权利要求1所述的方法，其特征在于，待训练的所述决策树分类器为轻量级梯度提升决策树分类器；所述基于所述第一数据、第二数据以及所述预设案件系数对待训练的决策树分类器进行训练，获取训练完成的所述决策树分类器，包括：

5.根据权利要求4所述的方法，其特征在于，所述轻量级梯度提升决策树分类器至少包括第一决策树，所述预测案件系数为所述第一数据和第二数据输入至所述第一决策树生成的；所述根据所述差值更新所述轻量级梯度提升决策树分类器，包括：

6.根据权利要求1所述的方法，其特征在于，多个所述保险案件包括第一预设数量的保险案件和第二预设数量的保险案件，所述第一预设数量的保险案件的重要性为第一等级，所述第二预设数量的保险案件的重要性为第二等级，所述第一等级的所述重要性大于所述第二等级；在所述获取训练完成的所述决策树分类器之后，所述方法还包括：

7.根据权利要求1所述的方法，其特征在于，所述从金融数据库中获取多个已赔付的保险案件作为训练样本，包括：

8.一种保险案件的重要性确认装置，其特征在于，包括：

9.一种服务器，其特征在于，所述服务器包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，所述存储器存储有策略模型，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的保险案件的重要性确认方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的保险案件的重要性确认方法。

技术总结
本申请公开了一种保险案件的重要性确认方法、装置、服务器及存储介质，用于解决现有保险案件从出险到确认案件的重要性需要较长的处理周期，响应时效慢的问题。方法包括：从金融数据库中获取多个已赔付的保险案件作为训练样本，基于训练样本中保险案件的保单信息与出险信息获得静态特征信息以及动态特征信息，用于输入至特征抽取引擎，获取连续的第一数据和离散的第二数据。基于第一数据、第二数据以及预设案件系数对待训练的决策树分类器进行训练，训练完成后获取用于确认保险案件的重要性的决策树分类器。能对保险案件的重要性进行精准前置识别，提升理赔大案资源的掌控力度，降低赔付成本，增加前置保费置换，促进理赔端的降本增效。

技术研发人员：邱谱
受保护的技术使用者：中国平安财产保险股份有限公司
技术研发日：
技术公布日：2024/1/15