CN114202768A - 保单理赔风险评估方法、装置、电子设备及存储介质 - Google Patents
保单理赔风险评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114202768A CN114202768A CN202111519120.9A CN202111519120A CN114202768A CN 114202768 A CN114202768 A CN 114202768A CN 202111519120 A CN202111519120 A CN 202111519120A CN 114202768 A CN114202768 A CN 114202768A
- Authority
- CN
- China
- Prior art keywords
- policy
- picture
- text
- features
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012502 risk assessment Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 230000006870 function Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及人工智能领域，揭露一种保单理赔风险评估方法，包括：获取理赔保单，其中，理赔保单包括保单图片和保单文本；将保单图片输入至图片检测模型，以通过图片检测模型中的区域检测网络检测保单图片的目标区域，利用图片检测模型中的区域分类网络识别目标区域的区域类别，提取目标区域的结构化信息，将区域类别和结构化信息作为保单图片的图片特征；利用文本语义识别模型提取保单文本的文本特征；利用保单风险评分表分别计算图片特征和文本特征的指标评分，以计算理赔保单的风险评分，根据风险评分，确定理赔保单的风险等级。此外，本发明还涉及区块链技术，所述理赔保单可存储区块链中。本发明可以提高保单理赔的风控准确性。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种保单理赔风险评估方法、装置、电子设备及计算机可读存储介质。
背景技术
保险欺诈，一直是保险风控理赔的重要内容，常见的如车险欺诈，由于部分客户法制观念淡薄，保险企业的欺诈风险防范不到位，导致了在正常保险理赔的过程中存在有大量欺诈案件，从而出现多赔、错赔的现象，因此，保险理赔反欺诈显得愈发重要，所述保险理赔反欺诈是指各保险公司针对在其公司所投保标、且在保单有效期内发生有责事故理赔情况进行分析的行为。
目前，保险理赔的风控通常是采用规则引擎和统计模型实现，所述规则引擎是指通过理赔专家利用业务经验编写具体的理赔规则进行理赔保单风控，但每个理赔专家的业务经验不同，导致编写的理赔规则会出现差异，从而会影响理赔保单的风控准确性，所述统计模型是指根据历史理赔案件的特征构建反欺诈模型进行理赔保单风控，但该方法采用传统的数理统计方法，导致数据处理能力有限，从而也会影响理赔保单的风控准确性。
发明内容
本发明提供一种保单理赔风险评估方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高保单理赔的风控准确性。
为实现上述目的，本发明提供的一种保单理赔风险评估方法，包括：
获取理赔保单，其中，所述理赔保单包括保单图片和保单文本；
将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；
利用训练好的文本语义识别模型提取所述保单文本的文本特征；
利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
可选地，所述通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，包括：
利用所述区域检测网络中的卷积层对所述保单图片进行图像特征提取，得到特征图像；
利用所述区域检测网络中的批标准化层对所述特征图像进行标准化操作，得到标准图像；
利用所述区域检测网络中的融合层将所述保单图片的底层特征与所述标准图像进行融合，得到融合图像；
利用所述区域检测网络中的激活函数输出所述融合图像的检测结果；
根据所述检测结果，利用所述区域检测网络中的输出层输出所述保单图片的目标区域。
可选地，所述利用所述区域检测网络中的批标准化层对所述特征图像进行标准化操作，得到标准图像，包括：
利用下述公式对所述特征图像进行标准化操作：
其中，x′i表示标准图像，xi表示特征图像，μ表示特征图像的均值，σ2表示特征图像的方差，ε表示随机数。
可选地，所述利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，包括：
利用所述区域分类网络中的采样层对所述目标区域进行上采样，得到采样区域；
利用所述区域分类网络中的卷积层对所述采样区域进行卷积操作，得到卷积区域；
利用所述区域分类网络中的激活函数计算所述卷积区域的区域类别概率；
根据所述区域类别概率，利用所述区域分类网络中的全连接层输出所述目标区域的区域类别。
可选地，所述利用训练好的文本语义识别模型提取所述保单文本的文本特征，包括：
通过所述文本语义识别模型中的输入门计算所述保单文本的状态值；
通过所述文本语义识别模型中的遗忘门计算所述保单文本的激活值；
根据所述状态值和激活值计算所述保单文本的状态更新值；
利用所述文本语义识别模型中的输出门计算所述状态更新值的特征位置序列；
根据所述特征位置序列，利用所述文本语义识别模型中的前馈神经网络输出所述保单文本的文本特征。
可选地，所述利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，包括：
分别将所述图片特征和所述文本特征与所述预构建的保单风险评分表中的保单特征进行匹配，将匹配成功的所述保单特征的特征评分作为所述图片特征和所述文本特征的指标评分。
可选地，所述根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，包括：
利用下述公式计算所述理赔保单的风险评分：
其中，Score表示理赔保单的风险评分，n表示图片特征的数量，X表示图片特征，X_predict表示图片特征的指标评分，m表示文本特征的数量，Y表示文本特征，Y_predict表示文本特征的指标评分，map()表示均值函数。
为了解决上述问题，本发明还提供一种保单理赔风险评估装置，所述装置包括：
理赔保单获取模块，用于获取理赔保单，其中，所述理赔保单包括保单图片和保单文本；
图片特征生成模块，用于将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；
文本特征提取模块，用于利用训练好的文本语义识别模型提取所述保单文本的文本特征；
保单风险分析模块，用于利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的保单理赔风险评估方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的保单理赔风险评估方法。
可以看出，本发明实施例通过利用训练好的图片特征提取模型识别理赔保单中保单图片的目标区域及其对应的区域类别，以获取所述保单图片的图片特征，并结合训练好的文本语义识别模型提取所述保单文本的文本特征，以将所述图片特征和文本特征作为后续理赔保单的风险评分的计算指标，保障所述保单文本的风险分析准确性，及根据所述图片特征和所述文本特征，计算所述理赔保单的风险评分，以确定所述理赔保单的风险等级，实现所述理赔保单的风险智能分析，提高保单理赔的风险分控准确性。因此，本发明实施例提出的一种保单理赔风险评估方法、装置、电子设备及计算机可读存储介质可以提高保单理赔的风险分控准确性。
附图说明
图1为本发明一实施例提供的保单理赔风险评估方法的流程示意图；
图2为本发明一实施例提供的保单理赔风险评估装置的模块示意图；
图3为本发明一实施例提供的实现保单理赔风险评估方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种保单理赔风险评估方法。所述保单理赔风险评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述保单理赔风险评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的保单理赔风险评估方法的流程示意图。在本发明实施例中，所述保单理赔风险评估方法包括：
S1、获取理赔保单，其中，所述理赔保单包括保单图片和保单文本。
本发明实施例中，所述理赔保单是指在发生事故进行理赔时所形成的依据报告，常见的如车险理赔保单、意外险理赔保单以及人身险理赔保单等，进一步地，本发明实施例中所述理赔保单包括保单图片和保单文本，其中，所述保单图片是指拍摄的事故现场照片，所述保单文本是指通过理赔员记录理赔人员的理赔内容所形成的文本，其包括理赔类型、理赔金额以及事故描述信息等。
进一步地，为保障所述理赔保单的隐私性和安全性，所述理赔保单还可存储于一区块链节点中。
S2、将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征。
本发明实施例中，所述图片检测模型包括区域检测网络和区域分类网络，所述区域检测网络用于检测所述保单图片中的目标区域，所述区域分类网络用于识别所述区域检测网络检测出的目标区域的区域类别，其中，所述目标区域是指用于表征所述保单图片中的特征信息区域，如对于车险保单图片，车辆碰撞位置区域即为所述车险保单图片的目标区域，所述区域类别用于表征所述目标区域的类别信息，其基于不同的业务场景设置，如对于车险理赔场景，设置所述类别信息为异常、严重、擦伤/刮伤以及正常等。进一步地，本发明实施例中，所述区域检测网络包括YOLO3经网络，所述区域分类网络包括卷积神经网络。
进一步地，本发明一可选实施例中，所述通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，包括：利用所述区域检测网络中的卷积层对所述保单图片进行图像特征提取，得到特征图像；利用所述区域检测网络中的批标准化层对所述特征图像进行标准化操作，得到标准图像；利用所述区域检测网络中的融合层将所述保单图片的底层特征与所述标准图像进行融合，得到融合图像；利用所述区域检测网络中的激活函数输出所述融合图像的检测结果；根据所述检测结果，利用所述区域检测网络中的输出层输出所述保单图片的目标区域。
进一步地，本发明又一可选实施例中，所述图像特征提取通过所述卷积层中卷积核实现。
进一步地，本发明又一可选实施例中，利用下述公式对所述特征图像进行标准化操作：
其中，xi ′表示标准图像，xi表示特征图像，μ表示特征图像的均值，σ2表示特征图像的方差，ε表示随机数。
进一步地，本发明又一可选实施例中，所述底层特征指的是所述保单图片的基本特征，例如、颜色、长度、宽度等，所述底层特征与所述标准图像的融合通过所述融合层中的CSP(Cross-Stage-Partial-connections，跨阶段部分连接)模块实现。
进一步地，本发明又一可选实施例中，所述激活函数包括：
其中，s′表示激活后的融合图像，s表示融合图像，e表示无限不循环小数。
进一步地，本发明又一可选实施例中，所述检测结果包括：x、y、高、宽以及类型等，其中，x、y表示目标图像的中心点，类型表示目标图像是否为目标区域，即类别0表示不是目标区域，类别1表示预测区域是目标区域，于是，本发明实施例选取类别为1的目标图像作为目标区域。
进一步地，本发明一可选实施例中，所述利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，包括：利用所述区域分类网络中的采样层对所述目标区域进行上采样，得到采样区域，利用所述区域分类网络中的卷积层对所述采样区域进行卷积操作，得到卷积区域，利用所述区域分类网络中的激活函数计算所述卷积区域的区域类别概率，根据所述区域类别概率，利用所述区域分类网络中的全连接层输出所述目标区域的区域类别。
其中，所述上采样用于增强对所述目标区域的信息描述，保障所述目标区域的类别检测准确率，所述采样区域的卷积操作通过对所述采样区域进行张量提取实现，所述激活函数包括softmax函数。
进一步地，本发明实施例通过识别所述目标区域的结构化信息，以将其和所述区域类别作为所述保单图片的图片特征，提高后续理赔保单风险的分析准确率，其中，所述结构化信息包括所述目标区域的面积、高度、长度、颜色、文字以及类型等。
S3、利用训练好的文本语义识别模型提取所述保单文本的文本特征。
本发明实施例中，所述文本语义识别模型包括长短期记忆网络(Long Short-TermMemory，LSTM)模型，所述LSTM模型是一种时间循环神经网络，在本发明中，所述LSTM模型用于识别出所述保单文本的文本特征信息，以获取所述保单文本的特征信息，从而作为后续理赔保单的风险评分计算指标，保障所述保单文本的风险分析准确性。
作为本发明的一个实施例，所述利用训练好的文本语义识别模型提取所述保单文本的文本特征，包括：通过所述文本语义识别模型中的输入门计算所述保单文本的状态值；通过所述文本语义识别模型中的遗忘门计算所述保单文本的激活值；根据所述状态值和激活值计算所述保单文本的状态更新值；利用所述文本语义识别模型中的输出门计算所述状态更新值的特征位置序列，根据所述特征位置序列，利用所述文本语义识别模型中的前馈神经网络输出所述保单文本的文本特征。
其中，需要说明的是，本发明实施例在利用所述文本语义识别模型对所述保单文本进行处理之前，还包括：将所述保单文本进行字符分割后转换成向量形式，以保障所述文本语义模型的正常处理。
一个可选实施例中，所述状态值的计算方法包括：
其中，it表示状态值，
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示保单文本在输入门t-1时刻的峰值，xt表示在t时刻保单文本，bi表示输入门中细胞单元的权重。
一个可选实施例中，所述激活值的计算方法包括：
其中，ft表示激活值，
表示遗忘门中细胞单元的偏置，wf表示遗忘门的激活因子，
表示保单文本在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的保单文本，bf表示遗忘门中细胞单元的权重。
一个可选实施例中，所述状态更新值的计算方法包括：
其中，ct表示状态更新值，ht-1表示保单文本在输入门t-1时刻的峰值，
表示保单文本在遗忘门t-1时刻的峰值。
一个可选实施例中，所述特征位置序列的计算方法包括：
ot＝tanh(ct)
其中，ot表示特征位置序列，tanh表示输出门的激活函数，ct表示状态更新值。
S4、利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
本发明实施例中，所述预构建的保单风险评分表是指保单特征和对应风险评分的数据表，其基于不同的业务场景设置，如设置保单特征的区域类别的指标评分为“异常8分、严重6分、擦伤/刮伤4分以及正常0分”。
作为本发明的一个实施例，所述利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，包括：分别将所述图片特征和所述文本特征与所述预构建的保单风险评分表中的保单特征进行匹配，将匹配成功的所述保单特征的特征评分作为所述图片特征和所述文本特征的指标评分。
进一步地，本发明一可选实施例中，利用下述公式计算所述理赔保单的风险评分：
其中，Score表示理赔保单的风险评分，n表示图片特征的数量，X表示图片特征，X_predict表示图片特征的指标评分，m表示文本特征的数量，Y表示文本特征，Y_predict表示文本特征的指标评分，map()表示均值函数。
例如，存在图片特征的数量为3分别对应ABC，其中，A指标评分为6，B指标评分为7以及C指标评分为8，文本特征的数量为2分别对应ab，其中，a指标评分为6，b指标评分为4，通过均值函数map计算该图片特征的均值评分为7，该文本特征的均值评分为5，因此，根据所述图片特征和文本特征，计算理赔保单的风险评分为7+5/2＝6。
进一步地，作为本发明的一个实施例，所述根据所述风险评分，确定所述理赔保单的风险等级，包括：若所述风险评分处于第一风险范围，确定所述理赔保单处于风险高等级，若所述风险评分处于第二风险范围，确定所述理赔保单处于风险中等级，若所述风险评分处于第三风险范围，确定所述理赔保单处于风险低等级。其中，所述第一风险范围、所述第二风险范围以及所述第三风险范围基于不同业务场景设置，如设置所述第一风险范围、所述第二风险范围以及所述第三风险范围分别为7-10、3-6以及0-2。
进一步地，本发明另一实施例还包括：将处于风险中等级和风险高等级的理赔保单返回至理赔审核人员进行人工审核，进一步地提高保单理赔的可靠性。
可以看出，本发明实施例通过利用训练好的图片特征提取模型识别理赔保单中保单图片的目标区域及其对应的区域类别，以获取所述保单图片的图片特征，并结合训练好的文本语义识别模型提取所述保单文本的文本特征，以将所述图片特征和文本特征作为后续理赔保单的风险评分的计算指标，保障所述保单文本的风险分析准确性，及根据所述图片特征和所述文本特征，计算所述理赔保单的风险评分，以确定所述理赔保单的风险等级，实现所述理赔保单的风险智能分析，提高保单理赔的风险分控准确性。因此，本发明实施例提出的一种保单理赔风险评估方法可以提高保单理赔的风险分控准确性。
如图2所示，是本发明保单理赔风险评估装置的功能模块图。
本发明所述保单理赔风险评估装置100可以安装于电子设备中。根据实现的功能，所述保单理赔风险评估装置可以包括理赔保单获取模块101、图片特征生成模块102、文本特征提取模块103以及保单风险分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述理赔保单获取模块101，用于获取理赔保单，其中，所述理赔保单包括保单图片和保单文本；
所述图片特征生成模块102，用于将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；
所述文本特征提取模块103，用于利用训练好的文本语义识别模型提取所述保单文本的文本特征；
所述保单风险分析模块104，用于利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
详细地，本发明实施例中所述保单理赔风险评估装置100中的所述各模块在使用时采用与上述的图1中所述的保单理赔风险评估方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现保单理赔风险评估方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如保单理赔风险评估程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行保单理赔风险评估程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如保单理赔风险评估程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和员工接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述员工接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，员工接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的员工界面。
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的保单理赔风险评估程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取理赔保单，其中，所述理赔保单包括保单图片和保单文本；
将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；
利用训练好的文本语义识别模型提取所述保单文本的文本特征；
利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
获取理赔保单，其中，所述理赔保单包括保单图片和保单文本；
将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；
利用训练好的文本语义识别模型提取所述保单文本的文本特征；
利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种保单理赔风险评估方法，其特征在于，所述方法包括：
获取理赔保单，其中，所述理赔保单包括保单图片和保单文本；
将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；
利用训练好的文本语义识别模型提取所述保单文本的文本特征；
利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
2.如权利要求1所述的保单理赔风险评估方法，其特征在于，所述通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，包括：
利用所述区域检测网络中的卷积层对所述保单图片进行图像特征提取，得到特征图像；
利用所述区域检测网络中的批标准化层对所述特征图像进行标准化操作，得到标准图像；
利用所述区域检测网络中的融合层将所述保单图片的底层特征与所述标准图像进行融合，得到融合图像；
利用所述区域检测网络中的激活函数输出所述融合图像的检测结果；
根据所述检测结果，利用所述区域检测网络中的输出层输出所述保单图片的目标区域。
3.如权利要求2所述的保单理赔风险评估方法，其特征在于，所述利用所述区域检测网络中的批标准化层对所述特征图像进行标准化操作，得到标准图像，包括：
利用下述公式对所述特征图像进行标准化操作：
其中，x′i表示标准图像，xi表示特征图像，μ表示特征图像的均值，σ2表示特征图像的方差，ε表示随机数。
4.如权利要求1所述的保单理赔风险评估方法，其特征在于，所述利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，包括：
利用所述区域分类网络中的采样层对所述目标区域进行上采样，得到采样区域；
利用所述区域分类网络中的卷积层对所述采样区域进行卷积操作，得到卷积区域；
利用所述区域分类网络中的激活函数计算所述卷积区域的区域类别概率；
根据所述区域类别概率，利用所述区域分类网络中的全连接层输出所述目标区域的区域类别。
5.如权利要求1所述的保单理赔风险评估方法，其特征在于，所述利用训练好的文本语义识别模型提取所述保单文本的文本特征，包括：
通过所述文本语义识别模型中的输入门计算所述保单文本的状态值；
通过所述文本语义识别模型中的遗忘门计算所述保单文本的激活值；
根据所述状态值和激活值计算所述保单文本的状态更新值；
利用所述文本语义识别模型中的输出门计算所述状态更新值的特征位置序列；
根据所述特征位置序列，利用所述文本语义识别模型中的前馈神经网络输出所述保单文本的文本特征。
6.如权利要求1至5中任意一项所述的保单理赔风险评估方法，其特征在于，所述利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，包括：
分别将所述图片特征和所述文本特征与所述预构建的保单风险评分表中的保单特征进行匹配，将匹配成功的所述保单特征的特征评分作为所述图片特征和所述文本特征的指标评分。
7.如权利要求1所述的保单理赔风险评估方法，其特征在于，所述根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，包括：
利用下述公式计算所述理赔保单的风险评分：
其中，Score表示理赔保单的风险评分，n表示图片特征的数量，X表示图片特征，X_predict表示图片特征的指标评分，m表示文本特征的数量，Y表示文本特征，Y_predict表示文本特征的指标评分，map()表示均值函数。
8.一种保单理赔风险评估装置，其特征在于，所述装置包括：
理赔保单获取模块，用于获取理赔保单，其中，所述理赔保单包括保单图片和保单文本；
图片特征生成模块，用于将所述保单图片输入至训练好的图片检测模型中，以通过所述图片检测模型中的区域检测网络检测所述保单图片的目标区域，并利用所述图片检测模型中的区域分类网络识别所述目标区域的区域类别，提取所述目标区域的结构化信息，将所述区域类别和所述结构化信息作为所述保单图片的图片特征；
文本特征提取模块，用于利用训练好的文本语义识别模型提取所述保单文本的文本特征；
保单风险分析模块，用于利用预构建的保单风险评分表分别计算所述图片特征和所述文本特征的指标评分，根据所述图片特征和所述文本特征的指标评分，计算所述理赔保单的风险评分，根据所述风险评分，确定所述理赔保单的风险等级。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的保单理赔风险评估方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的保单理赔风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519120.9A CN114202768B (zh) | 2021-12-13 | 2021-12-13 | 保单理赔风险评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111519120.9A CN114202768B (zh) | 2021-12-13 | 2021-12-13 | 保单理赔风险评估方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114202768A true CN114202768A (zh) | 2022-03-18 |
| CN114202768B CN114202768B (zh) | 2024-07-02 |
Family
ID=80652999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111519120.9A Active CN114202768B (zh) | 2021-12-13 | 2021-12-13 | 保单理赔风险评估方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202768B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965476A (zh) * | 2022-12-30 | 2023-04-14 | 民太安财产保险公估股份有限公司 | 基于多因素动态权重的理赔分析方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109712007A (zh) * | 2018-12-14 | 2019-05-03 | 平安科技（深圳）有限公司 | 医疗风险识别方法、设备、存储介质及装置 |
| CN109785163A (zh) * | 2018-12-13 | 2019-05-21 | 平安医疗健康管理股份有限公司 | 一种理赔请求处理方法、服务器及计算机可读存储介质 |
| CN109919785A (zh) * | 2019-02-22 | 2019-06-21 | 德联易控科技(北京)有限公司 | 车辆定损的评估处理方法、装置、设备及存储介质 |
| CN112085012A (zh) * | 2020-09-04 | 2020-12-15 | 泰康保险集团股份有限公司 | 项目名称和类别识别方法及装置 |
| US20210142333A1 (en) * | 2017-05-16 | 2021-05-13 | Visa International Service Association | Dynamic claims submission system |
-
2021
- 2021-12-13 CN CN202111519120.9A patent/CN114202768B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210142333A1 (en) * | 2017-05-16 | 2021-05-13 | Visa International Service Association | Dynamic claims submission system |
| CN109785163A (zh) * | 2018-12-13 | 2019-05-21 | 平安医疗健康管理股份有限公司 | 一种理赔请求处理方法、服务器及计算机可读存储介质 |
| CN109712007A (zh) * | 2018-12-14 | 2019-05-03 | 平安科技（深圳）有限公司 | 医疗风险识别方法、设备、存储介质及装置 |
| CN109919785A (zh) * | 2019-02-22 | 2019-06-21 | 德联易控科技(北京)有限公司 | 车辆定损的评估处理方法、装置、设备及存储介质 |
| CN112085012A (zh) * | 2020-09-04 | 2020-12-15 | 泰康保险集团股份有限公司 | 项目名称和类别识别方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965476A (zh) * | 2022-12-30 | 2023-04-14 | 民太安财产保险公估股份有限公司 | 基于多因素动态权重的理赔分析方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114202768B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
| CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN111950625A (zh) | 基于人工智能的风险识别方法、装置、计算机设备及介质 | |
| CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
| CN114358854A (zh) | 客户流失预警方法、装置、设备及存储介质 | |
| CN113362162A (zh) | 基于网络行为数据的风控识别方法、装置、电子设备及介质 | |
| CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
| CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
| CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| CN114202768B (zh) | 保单理赔风险评估方法、装置、电子设备及存储介质 | |
| CN113706172A (zh) | 基于客户行为的投诉解决方法、装置、设备及存储介质 | |
| CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
| CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
| CN115760438A (zh) | 数字化动态核保系统、方法、设备及存储介质 | |
| CN113780473A (zh) | 基于深度模型的数据处理方法、装置、电子设备及存储介质 | |
| CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
| CN115099339A (zh) | 欺诈行为识别方法、装置、电子设备及存储介质 | |
| CN114973374A (zh) | 基于表情的风险评测方法、装置、设备及存储介质 | |
| CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
| CN114006986A (zh) | 外呼合规预警方法、装置、设备及存储介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN113221888A (zh) | 车牌号管理系统测试方法、装置、电子设备及存储介质 | |
| CN114187476A (zh) | 基于图像分析的车险信息核对方法、装置、设备及介质 | |
| CN114202337A (zh) | 风险识别方法、装置、设备及存储介质 | |
| CN113536782A (zh) | 敏感词识别方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |