[发明专利]一种基于知识图谱的车险理赔欺诈风险识别方法和系统在审
申请号: | 202111085743.X | 申请日: | 2021-09-16 |
公开(公告)号: | CN113837886A | 公开(公告)日: | 2021-12-24 |
发明(设计)人: | 张泷;那崇宁;陈奎;卢冰洁 | 申请(专利权)人: | 之江实验室 |
主分类号: | G06Q40/08 | 分类号: | G06Q40/08;G06Q10/06;G06F16/35;G06F16/36 |
代理公司: | 杭州求是专利事务所有限公司 33200 | 代理人: | 贾玉霞 |
地址: | 310023 浙江省杭州市余*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 知识 图谱 车险 理赔 欺诈 风险 识别 方法 系统 | ||
1.一种基于知识图谱的车险理赔欺诈风险识别方法,其特征在于,该方法包括如下步骤:
步骤一:将历史车险案件按照车险反欺诈本体进行分类整理,所述车险反欺诈本体包括人员本体及其属性单元、机构本体及其属性单元、保单本体及其属性单元、车辆本体及其属性单元、零部件本体及其属性单元、案件本体及其属性单元;
步骤二:根据整理后历史车险案件的数据建立知识图谱关系图;所述知识图谱关系图中包括各个实体和实体关联关系,每个实体为一个节点;
步骤三:从所述知识图谱关系图删除连接度小于预设的连接度阈值的节点,再删除那些与案件没建立连接的节点;
步骤四:以报案人和修理厂为中心,将知识图谱关系图进行划分,形成若干个关键子图,每个关键子图对应多个案件;
步骤五:根据RotatE、TransE、TransH、TransR、TransD模型将所述关键子图进行向量化,得到每个关键子图中每个案件对应的5个特征值;
步骤六:利用每个案件的对应的5个特征值和该案件在关系型数据库中存储的相关信息,以及每个车险案件是否为欺诈案件的标签,对案件间高欺诈风险筛选模型进行训练,得到训练后的案件间高欺诈风险筛选模型;
步骤七:将待识别的车险案件按照所述车险反欺诈本体进行分类整理,并将整理后的案件数据加入所述知识图谱关系图中;采用RotatE、TransE、TransH、TransR、TransD模型对待识别车险案件对应的节点和实体关联关系进行向量化,得到该案件对应的5个特征值;然后将该案件的信息和5个特征值输入训练后的案件间高欺诈风险筛选模型,模型输出待识别车险案件的风险值。
2.根据权利要求1所述的基于知识图谱的车险理赔欺诈风险识别方法,其特征在于,所述案件间高欺诈风险筛选模型为XGB模型。
3.根据权利要求1所述的基于知识图谱的车险理赔欺诈风险识别方法,其特征在于,输入到训练后的案件间高欺诈风险筛选模型中的信息需为布尔型或数字型特征。
4.根据权利要求1所述的基于知识图谱的车险理赔欺诈风险识别方法,其特征在于,所述连接度阈值为5。
5.一种基于知识图谱的车险理赔欺诈风险识别系统,其特征在于,该系统包括:
关系型数据库,用于存储车险理赔案件相关信息;
车险反欺诈本体提取模块,用于将车险理赔案件相关信息按照车险反欺诈本体进行分类整理,并根据车险理赔案件中的各个实体和实体关联关系创建知识图谱关系图,每个实体在知识图谱关系图为一个节点;所述车险反欺诈本体包括人员本体及其属性单元、机构本体及其属性单元、保单本体及其属性单元、车辆本体及其属性单元、零部件本体及其属性单元、案件本体及其属性单元;
子图关键节点筛选模块,用于删除知识图谱关系图中连接度小于连接度阈值的节点和没有连接案件的节点,并以报案人和修理厂为中心,将知识图谱关系图划分为子图,这些子图为关键子图;
图点集向量化模块,用于根据RotatE、TransE、TransH、TransR、TransD模型将所述关键子图进行向量化,得到每个关键子图中每个案件对应的5个高风险欺诈特征值;
案件间高欺诈风险筛选模型,用于根据每个案件的5个高风险欺诈特征值以及该案件在关系型数据库中存储的相关信息,输出单个案件的风险值。
6.根据权利要求5所述的基于知识图谱的车险理赔欺诈风险识别系统,其特征在于,该系统还包括关联案件返回模块,用于根据所述案件的风险值,从所述关系型数据库中调取案件,将案件的案件号和风险值返回给用户。
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之江实验室,未经之江实验室许可,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/202111085743.X/1.html,转载请声明来源钻瓜专利网。