[发明专利]一种基于信用评估的保险理赔方法和系统在审
申请号: | 201910640645.4 | 申请日: | 2019-07-16 |
公开(公告)号: | CN110443717A | 公开(公告)日: | 2019-11-12 |
发明(设计)人: | 程丹妮;张泰玮 | 申请(专利权)人: | 阿里巴巴集团控股有限公司 |
主分类号: | G06Q40/08 | 分类号: | G06Q40/08 |
代理公司: | 北京国昊天诚知识产权代理有限公司 11315 | 代理人: | 许振新;朱文杰 |
地址: | 英属开曼群岛大开*** | 国省代码: | 开曼群岛;KY |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用户信用 保险服务 保险数据 信用评估 用户数据 第三方服务 保险理赔 车险理赔 理赔服务 用户提供 差异化 | ||
1.一种基于信用评估的保险理赔方法,包括:
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;
基于经变换特征通过逻辑回归模型来确定所述用户的信用等级;以及
向保险服务提供者提供所述信用等级以供其基于所述信用等级来为所述用户提供差异化理赔服务。
2.如权利要求1所述的方法,其特征在于,所述用户的用户数据来自所述保险服务提供者的保险数据以及来自第三方服务提供者的数据。
3.如权利要求2所述的方法,其特征在于,所述预处理进一步包括:
为所述用户数据确定特征维度;
针对每个特征维度选择所述用户数据中的初始变量并抽取变量子集;以及
对于每个变量子集使用聚类方法对所述用户数据进行分组并为每组数据添加标签。
4.如权利要求2所述的方法,其特征在于,所述预处理还采用监督学习算法。
5.如权利要求2所述的方法,其特征在于,所述用户的信用等级的确定还参照专家经验。
6.如权利要求2所述的方法,其特征在于,所述经变换特征在被输入到所述逻辑回归模型中时结合相应权重。
7.如权利要求2所述的方法,其特征在于,所述经变换特征的生成基于专家经验来进行补充。
8.如权利要求1所述的方法,其特征在于,所述信用等级是每天更新的。
9.如权利要求1所述的方法,其特征在于,向保险服务提供者提供所述信用等级进一步包括向所述保险服务提供者提供查询接口以供其查询所述信用等级。
10.如权利要求1所述的方法,其特征在于,为所述用户提供差异化理赔服务进一步包括在所述用户的信用等级大于或等于阈值且事故不涉及内部损伤或人伤的情况下为所述用户提供极简的理赔服务。
11.一种基于信用评估的保险理赔系统,包括:
用于获取用户的用户数据的装置;
用于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的装置;
用于通过GBDT对所述带标签数据进行特征变换的装置;
用于基于经变换特征通过逻辑回归模型来确定所述用户的信用等级的装置;以及
用于向保险服务提供者提供所述信用等级以供其基于所述信用等级来为所述用户提供差异化理赔服务的装置。
12.如权利要求11所述的系统,其特征在于,所述用户的用户数据来自所述保险服务提供者的保险数据以及来自第三方服务提供者的数据。
13.如权利要求12所述的系统,其特征在于,所述用于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的装置包括:
用于为所述用户数据确定特征维度的装置;
用于针对每个特征维度选择所述用户数据中的初始变量并抽取变量子集的装置;以及
用于对于每个变量子集使用聚类方法对所述用户数据进行分组并为每组数据添加标签的装置。
14.如权利要求12所述的系统,其特征在于,所述预处理还采用监督学习算法。
15.如权利要求12所述的系统,其特征在于,所述用户的信用等级的确定还参照专家经验。
16.如权利要求12所述的系统,其特征在于,所述经变换特征在被输入到所述逻辑回归模型中时结合相应权重。
17.如权利要求12所述的系统,其特征在于,所述经变换特征的生成基于专家经验来进行补充。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于阿里巴巴集团控股有限公司,未经阿里巴巴集团控股有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910640645.4/1.html,转载请声明来源钻瓜专利网。