一种车险理赔案件风险识别方法和相关产品与流程

本申请涉及人工智能领域，特别是涉及一种车险理赔案件风险识别方法和相关产品。

背景技术：

1、随着车险行业的蓬勃发展，车险理赔案件中车险骗保行为屡禁不止，车险骗保手段层出不穷。例如，标的车车主、标的车驾驶员、查勘员和修理厂等多主体中的多方可能联合进行车险骗保。传统基于保险公司积累的历史的车险理赔数据，经由专家结合个人经验识别车险理赔案件是否具有骗保风险的方法，很难全面捕捉车险理赔案件中各参与方间的关系，导致传统方法对多方串通的车险理赔案件的识别准确度较低。

技术实现思路

1、基于上述问题，本申请提供了一种车险理赔案件风险识别方法，用于高效准确地识别出多方串通的车险理赔案件，提升对多方串通的车险理赔案件的识别准确度。

2、本申请第一方面提供了一种车险理赔案件风险识别方法，包括：

3、获取车险理赔案件的目标数据；所述目标数据是各参与方共有的数据；

4、根据所述各参与方中每个参与方上与所述目标数据相关的本地数据，获取该参与方的初始特征向量集合；所述初始特征向量集合包括对应的参与方的异构图中每个节点的初始特征向量；

5、根据所述各参与方的所述初始特征向量集合和预测模型，获得所述车险理赔案件的预测结果；所述预测模型为经过训练的、用于预测所述车险理赔案件是否有风险的模型。

6、可能地，所述根据所述各参与方的所述初始特征向量集合和预测模型，获得所述车险理赔案件的预测结果，包括：

7、通过对所述初始特征向量集合中每个节点进行邻居节点信息聚合操作，获得所述各参与方中每个参与方的局部特征向量集合；

8、通过注意力机制对所述各参与方中每个参与方的局部特征向量集合进行处理，获得全局特征向量集合；

9、根据所述全局特征向量集合，获得所述车险理赔案件的预测结果。

10、可能地，根据所述各参与方的所述初始特征向量集合和预测模型，获得所述车险理赔案件的预测结果，包括：

11、针对所述各参与方中的每个参与方，将其对应的所述初始特征向量集合与其他参与方的所述初始特征向量集合进行节点信息融合，获得该参与方的第一特征向量集合；

12、通过对所述第一特征向量集合中的每个节点进行邻居节点信息聚合操作，获得所述各参与方中每个参与方的局部特征向量集合；

13、通过注意力机制对所述各参与方中每个参与方的局部特征向量集合进行处理，获得全局特征向量集合；

14、根据所述全局特征向量集合，获得所述车险理赔案件的预测结果。

15、可能地，所述通过注意力机制对所述各参与方中每个参与方的局部特征向量集合进行处理，获得全局特征向量集合，包括：

16、将所述各参与方中每个参与方的局部特征向量集合投影到同一特征空间，获得所述每个参与方的第二特征向量集合；

17、将所述每个参与方的第二特征向量集合进行求和，获得所述全局特征向量集合。

18、可能地，所述预测模型的训练过程包括：

19、根据多组训练数据对待训练模型进行训练，获得所述预测模型；所述待训练数据包括历史的车险理赔案件的历史目标数据、实际结果和所述历史目标数据对应的所述各参与方的所述初始特征向量集合。

20、可能地，所述各参与方通过联邦学习算法进行数据的交互。

21、本申请第二方面提供了一种车险理赔案件风险识别装置，包括：

22、目标数据获取装置，用于获取车险理赔案件的目标数据；所述目标数据是各参与方共有的数据；

23、初始特征向量集合获取装置，用于根据所述各参与方中每个参与方上与所述目标数据相关的本地数据，获取该参与方的初始特征向量集合；所述初始特征向量集合包括对应的参与方的异构图中每个节点的初始特征向量；

24、预测结果获取装置，用于根据所述各参与方的所述初始特征向量集合和预测模型，获得所述车险理赔案件的预测结果；所述预测模型为经过训练的、用于预测所述车险理赔案件是否有风险的模型。

25、可能地，所述预测结果获取装置，包括：

26、局部特征向量获取单元，用于通过对所述初始特征向量集合中每个节点进行邻居节点信息聚合操作，获得所述各参与方中每个参与方的局部特征向量集合；

27、全局特征向量获取单元，用于通过注意力机制对所述各参与方中每个参与方的局部特征向量集合进行处理，获得全局特征向量集合；

28、预测结果获取单元，用于根据所述全局特征向量集合，获得所述车险理赔案件的预测结果。

29、本申请第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面提供的方法的步骤。

30、本申请第四方面提供了一种电子设备，包括：

31、存储器，其上存储有计算机程序；

32、处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面提供的方法的步骤。

33、相较于现有技术，本申请具有以下有益效果：

34、本申请提供了一种车险理赔案件风险识别方法，包括获取车险理赔案件的目标数据；其中目标数据是各参与方共有的数据；根据各参与方中每个参与方上与目标数据相关的本地数据，获取该参与方的初始特征向量集合；初始特征向量集合包括对应的参与方的异构图中每个节点的初始特征向量；根据各参与方的初始特征向量集合和预测模型，获得车险理赔案件的预测结果；其中预测模型为经过训练的、用于预测所述车险理赔案件是否有风险的模型。

35、这样，本申请在识别车险理赔案件是否具有车险骗保风险的过程中，通过多方数据与预测模型相结合的方式，解决了传统方法中使用到的保险公司积累的历史的车险理赔数据的数据局限性较强，以及传统方法对多方串通的车险理赔案件识别准确度较低的问题；最终能够高效准确地识别出多方串通的车险理赔案件，提升对多方串通的车险理赔案件的识别准确度。

技术特征：

1.一种车险理赔案件风险识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述各参与方的所述初始特征向量集合和预测模型，获得所述车险理赔案件的预测结果，包括：

3.根据权利要求1所述的方法，其特征在于，根据所述各参与方的所述初始特征向量集合和预测模型，获得所述车险理赔案件的预测结果，包括：

4.根据权利要求2或3所述的方法，其特征在于，所述通过注意力机制对所述各参与方中每个参与方的局部特征向量集合进行处理，获得全局特征向量集合，包括：

5.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程包括：

6.根据权利要求1所述的方法，其特征在于，所述各参与方通过联邦学习算法进行数据的交互。

7.一种车险理赔案件风险识别装置，其特征在于，所述装置包括：

8.根据权利要求7所述的装置，其特征在于，所述预测结果获取装置，包括：

9.一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，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

技术总结
本申请公开了一种车险理赔案件风险识别方法和相关产品，涉及人工智能领域。包括获取车险理赔案件的目标数据；其中目标数据是各参与方共有的数据；根据各参与方中每个参与方上与目标数据相关的本地数据，获取该参与方的初始特征向量集合；初始特征向量集合包括对应的参与方的异构图中每个节点的初始特征向量；根据各参与方的初始特征向量集合和预测模型，获得车险理赔案件的预测结果；其中预测模型为经过训练的、用于预测所述车险理赔案件是否有风险的模型。这样，通过多方数据与预测模型相结合的方式，高效准确地识别出多方串通的车险理赔案件，提升对多方串通的车险理赔案件的识别准确度。

技术研发人员：毛琼,李苑,李沛燃
受保护的技术使用者：太保科技有限公司
技术研发日：
技术公布日：2024/1/15