保险理赔的赔付检测方法、装置、电子设备及存储介质与流程

本技术涉及人工智能，尤其涉及一种保险理赔的赔付检测方法、检测装置、电子设备及存储介质。

背景技术：

1、保险理赔的自动检测任务中，是用机器自动检测客户的理赔申请，判断该理赔申请能否直接赔付。若可直接赔付，进入赔付环节；若不能直接赔付，则交由人工进行具体审核。

2、检测过程中经常需要看当前理赔案件和历史理赔案件之间的关系。例如，一个常见的检测点是客户的重复申请，有时候客户会自己申请理赔，有的时候客户通过家人、子女的帮助下申请理赔，还有很多时候客户习惯在保险业务员的帮助下申请理赔，有多个申请渠道，加上客户对理赔申请流程不熟悉，所以容易出现同一个案件出现了重复申请的情况，从而可能会导致同一客户相同的理赔申请被重复赔付。因此，如何提供一种赔付检测方法，能够提高赔付检测准确率，成为了亟待解决的技术问题。

技术实现思路

1、本技术实施例的主要目的在于提出保险理赔的赔付检测方法、检测装置、电子设备及存储介质，能够提高赔付检测准确率。

2、为实现上述目的，本技术实施例的第一方面提出了一种保险理赔的赔付检测方法，所述方法包括：

3、获取预设对象的当前理赔申请；

4、根据所述当前理赔申请获取目标理赔案件的当前案件特征；

5、对所述当前案件特征进行特征类型表示得到当前特征类型表示向量，对所述当前案件特征进行特征取值表示得到当前特征取值表示向量，对所述当前案件特征进行案件序号表示得到当前案件序号表示向量，对所述当前案件特征进行案件类型表示得到当前案件类型表示向量；其中，所述当前案件类型表示向量用于表示所述目标理赔案件属于历史案件或非历史案件；

6、将所述当前特征类型表示向量、所述当前特征取值表示向量、所述当前案件序号表示向量和所述当前案件类型表示向量进行合并，得到当前联合向量；

7、将所述当前联合向量和预设的历史联合向量输入至预设的理赔预测模型进行赔付预测，得到赔付结果；其中，所述历史联合向量用于表示所述预设对象的历史理赔案件的向量表示，所述赔付结果用于表示所述当前理赔申请属于赔付申请或者非赔付申请。

8、在一些实施例，在所述将所述当前联合向量和预设的历史联合向量输入至预设的理赔预测模型进行赔付预测，得到赔付结果之后，所述方法还包括：

9、若所述赔付结果为所述当前理赔申请属于非赔付申请，则根据所述当前联合向量和所述历史联合向量计算相似度，得到申请相似度；

10、根据所述申请相似度从所述历史联合向量筛选出选定联合向量；

11、根据所述选定联合向量从预设的历史理赔申请筛选出选定理赔申请；其中，所述选定理赔申请与所述当前理赔申请属于重复理赔申请；

12、将所述选定理赔申请或者所述当前理赔申请删除。

13、在一些实施例，所述理赔预测模型包括语义子模型和分类子模型，所述将所述当前联合向量和预设的历史联合向量输入至预设的理赔预测模型进行赔付预测，得到赔付结果，包括：

14、通过所述语义子模型对所述当前联合向量和所述历史联合向量进行语义理解，得到联合语义向量；

15、将所述联合语义向量输入所述分类子模型进行分类处理，得到所述赔付结果。

16、在一些实施例，所述语义子模型包括拼接层、注意力层和池化层，所述通过所述语义子模型对所述当前联合向量和所述历史联合向量进行语义理解，得到联合语义向量，包括：

17、通过所述拼接层对所述当前联合向量和所述历史联合向量进行向量拼接，得到初始语义向量；

18、通过所述注意力层对所述初始语义向量进行特征提取，得到上下文语义向量；

19、通过所述池化层对所述上下文向量进行池化处理，得到所述联合语义向量。

20、在一些实施例，所述注意力层包括多头注意力子层、归一化子层和前馈神经网络子层，所述通过所述注意力层对所述初始语义向量进行特征提取，得到上下文语义向量，包括：

21、通过所述多头注意力子层对所述初始语义向量进行注意力计算，得到第一注意力语义向量；

22、通过所述归一化子层对所述初始语义向量和所述第一注意力语义向量进行归一化处理，得到第二注意力语义向量；

23、通过所述前馈神经网络子层对所述第二注意力语义向量进行特征提取，得到所述上下文语义向量。

24、在一些实施例，所述对所述当前案件特征进行特征类型表示得到当前特征类型表示向量，包括：

25、对所述当前案件特征进行特征取值分类，得到特征取值类型和特征取值；

26、获取所述特征取值类型的所属类别；

27、若所述所属类别为数值特征类别，则将所述特征取值与预设的多个候选数值范围进行比对，得到选定数值范围；其中，所述选定数值范围用于表示所述特征取值所在的所述候选数值范围；

28、对所述选定数值范围进行向量化表示，得到所述当前特征取值表示向量。

29、在一些实施例，在所述将所述当前联合向量和预设的历史联合向量输入至预设的理赔预测模型进行赔付预测，得到赔付结果之前，所述方法还包括：

30、训练所述理赔预测模型，具体包括：

31、获取第一样本理赔申请的第一样本联合向量；

32、获取第二样本理赔申请的第二样本联合向量；

33、获取样本理赔标签；所述样本理赔标签用于表征所述第一样本理赔申请属于赔付申请或属于非赔付申请；

34、将所述第一样本联合向量和所述第二样本联合向量输入初始预测模型进行预测，得到样本预测结果；所述样本预测结果用于表征所述第一样本理赔申请的预测赔付概率；

35、根据所述样本理赔标签和所述样本预测结果进行交叉熵损失计算，得到损失数据；

36、根据所述损失数据对所述初始预测模型进行参数调整，得到所述理赔预测模型。

37、为实现上述目的，本技术实施例的第二方面提出了一种保险理赔的赔付检测装置，所述装置包括：

38、理赔申请获取模块，用于获取预设对象的当前理赔申请；

39、案件特征获取模块，用于根据所述当前理赔申请获取目标理赔案件的当前案件特征；

40、特征向量化模块，用于对所述当前案件特征进行特征类型表示得到当前特征类型表示向量，对所述当前案件特征进行特征取值表示得到当前特征取值表示向量，对所述当前案件特征进行案件序号表示得到当前案件序号表示向量，对所述当前案件特征进行案件类型表示得到当前案件类型表示向量；其中，所述当前案件类型表示向量用于表示所述目标理赔案件属于历史案件或非历史案件；

41、向量合并模块，用于将所述当前特征类型表示向量、所述当前特征取值表示向量、所述当前案件序号表示向量和所述当前案件类型表示向量进行合并，得到当前联合向量；

42、赔付预测模块，用于将所述当前联合向量和预设的历史联合向量输入至预设的理赔预测模型进行赔付预测，得到赔付结果；其中，所述历史联合向量用于表示所述预设对象的历史理赔案件的向量表示，所述赔付结果用于表示所述当前理赔申请属于赔付申请或者非赔付申请。

43、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子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所述的方法。

44、为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

45、本技术提出的保险理赔的赔付检测方法、赔付检测装置、电子设备及存储介质，该方法包括：通过对当前案件特征分别进行特征类型表示、特征取值表示、案件序号表示以及案件类型表示等多个维度的处理，实现对当前案件特征的多维度建模，从而得到更具语义信息的当前联合向量。理赔预测模型能够充分理解当前联合向量与历史联合向量之间蕴含的语义信息，实现深层语义交互，得到当前理赔申请的赔付结果，提高了赔付检测的准确率。