申请/专利权人：之江实验室

申请日：2021-09-16

公开（公告）日：2024-05-31

公开（公告）号：CN113837886B

主分类号：G06F17/00

分类号：G06F17/00;G06Q40/08;G06Q10/06;G06F16/35;G06F16/36

优先权：

专利状态码：有效-授权

法律状态：2024.05.31#授权;2022.01.11#实质审查的生效;2021.12.24#公开

摘要：本发明公开了一种基于知识图谱的车险理赔欺诈风险识别方法和系统，该方法通过解析、拆分历史车险案件的结构化数据，根据车险理赔反欺诈业务场景、理赔流程设计的本体，历史案件实例化为案件知识图谱后，使用子图关键节点筛选和图点集向量化，建立多个案件间高欺诈风险筛选模型。该方法将不同时间段的车险理赔案件放于同一知识图谱中，通过分析不同时间、相似节点特征，串联关联案件，从而提示新提交车险案件风险等级。该方法对新提交车险案件进行欺诈风险评估，提供历史关联或相似案件作为风险点参考，提高车险理赔业务欺诈案件治理能力。

主权项：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；整合向量化图点集，根据不同案件属性加入索引，为案件间高欺诈风险筛选模型提供图点集向量化特征；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；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；如果在关系型数据库中存储的数据类型为类别型数据，则需要使用One-Hot编码方法将类别型数据转化为数字型特征。

全文数据：

权利要求：

百度查询： 之江实验室 一种基于知识图谱的车险理赔欺诈风险识别方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD