掌桥专利:专业的专利平台
掌桥专利
首页

基于知识图谱的风险识别方法、装置、设备以及存储介质

文献发布时间:2023-06-23 06:30:03


基于知识图谱的风险识别方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域,尤其涉及一种基于知识图谱的风险识别方法、装置、设备以及存储介质。

背景技术

随着保险行业的快速发展,人们对各种保险产品的需求也日益增多。然而,经常有犯罪分子为了自己的非法利益,可能会进行保险欺诈。以车险为例,目前在车险理赔案件中存在相当比例的欺诈案件,驾驶员可能通过编造事故、碰瓷、顶包、先险后保、一案多赔等不同手段进行骗保。且不法分子为了规避保险公司反欺诈手段的识别,会经常更新不同的欺诈手段,给保险公司造成了极大的损失。为了保证保险行业的良好发展,识别这些欺诈案件成为车险公司理赔环节实现降赔减损的一项关键手段。

目前,最为常见的车险理赔反欺诈风险识别方法是风险评估专员根据经验,认为设定理赔风险评估规则,按照规则将与案件直接相关的信息逐条检索排查,直至全部通过。

目前,这种基于规则的理赔反欺诈方法存在的问题在于,一方面,其执行效果主要依赖于规则的准确度和规则数量,而这些规则来自于业务人员对历史案件的经验总结,是相对有限的,面对新的欺诈模式时往往无所适从,只能在积累一定规模的欺诈案件之后才能进一步提炼形成新的规则;另外一方面,随着风险识别规则数量的增加和规则本身复杂度的提升,规则检索执行时间和所需算力资源也将不断提升,极大地影响了业务流程的执行效率,降低客户体验。

由此可见,如何高效、准确地进行保险理赔的风险评估,成为目前本领域相关技术人员亟待解决的问题。

发明内容

本申请实施例提供一种基于知识图谱的风险识别方法,用以解决由于现有基于人为设置的风险识别规则进行保险理赔反欺诈时,存在的识别不准确,且识别效率较低的问题。

本申请实施例还提供一种基于知识图谱的风险识别装置,用以解决由于现有基于人为设置的风险识别规则进行保险理赔反欺诈时,存在的识别不准确,且识别效率较低的问题。

本申请实施例还提供一种基于知识图谱的风险识别设备,用以解决由于现有基于人为设置的风险识别规则进行保险理赔反欺诈时,存在的识别不准确,且识别效率较低的问题。

本申请实施例还提供一种计算机可读存储介质,用以解决由于现有基于人为设置的风险识别规则进行保险理赔反欺诈时,存在的识别不准确,且识别效率较低的问题。

本申请实施例采用下述技术方案:

一种基于知识图谱的风险识别方法,包括:对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;根据预先构建的风险识别知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签;根据所述第一风险标签,确定所述理赔请求对应的风险值,完成对所述理赔请求的风险识别。

一种基于知识图谱的风险识别装置,包括:解析单元,用于对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;检索单元,用于根据预先构建的风险识别知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签;风险识别单元,用于根据所述第一风险标签,确定所述理赔请求对应的风险值,完成对所述理赔请求的风险识别。

一种基于知识图谱的风险识别设备,包括:

处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;根据预先构建的风险识别知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签;根据所述第一风险标签,确定所述理赔请求对应的风险值,完成对所述理赔请求的风险识别。

一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;根据预先构建的风险识别知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签;根据所述第一风险标签,确定所述理赔请求对应的风险值,完成对所述理赔请求的风险识别。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:

采用本申请实施例提供的基于知识图谱的风险识别方法,在接收到理赔请求后,理赔风险识别系统首先可以对接收到的理赔请求进行解析,进而获取该理赔请求中所携带的理赔数据,将获取到的理赔数据输入预先构建好的风险识别知识图谱中,通过该风险识别知识图谱,对理赔数据进行检索,进而确定该理赔数据所命中的第一风险标签,进而根据第一风险标签,理赔风险识别系统可以确定该理赔请求对应的风险值,从而完成对该理赔请求的风险识别。采用本申请实施例所提供的方法,可以根据历史理赔数据,构建总结出理赔风险标签,通过该理赔风险标签标识曾经出现理赔风险的理赔风险实体,并基于该理赔风险标签构建风险识别知识图谱,进而后续当接收到新的理赔请求后,可以根据理赔请求对应的理赔数据,在风险识别知识图谱中检索该些理赔数据是否命中理赔风险标签,如果命中,则说明该理赔请求存在风险,并且可以进一步根据理赔请求所命中的理赔风险标签情况,确定该理赔请求的风险值,从而完成对该理赔请求的风险识别,整个风险识别过程不依赖于人为总结的风险识别规则,通过预先构建好的风险识别知识图谱即可准确、快捷地检索出当前理赔请求所存在的理赔风险标签,且风险识别知识图谱的构建并不依赖于人为设定,而是由历史客观存在的理赔风险标签构建,因而通过该风险识别知识图谱可以更加准确高效的完成对理赔请求的识别;同时,该风险识别知识图谱也没有复杂的识别数据结构,仅保存了理赔风险实体之间以及理赔风险实体与理赔风险标签之间的关系路径,因而该风险识别知识图谱也可以根据随时根据欺诈案件情况,进行实时更新,极大地提高了理赔风险识别系统针对新欺诈模式的识别能力。

附图说明

此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:

图1为本申请实施例提供的一种基于知识图谱的风险识别方法的具体流程示意图;

图2为本申请实施例提供的一种风险识别知识图谱的具体结构示意图;

图3为本申请实施例提供的一种基于知识图谱的风险识别装置的具体结构示意图;

图4为本申请实施例提供的一种基于知识图谱的风险识别设备的具体结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。

以下结合附图,详细说明本申请各实施例提供的技术方案。

本申请实施例提供的一种基于知识图谱的风险识别方法,用以解决由于现有基于人为设置的风险识别规则进行保险理赔反欺诈时,存在的识别不准确,且识别效率较低的问题。

本申请实施例提供的基于知识图谱的风险识别方法的执行主体,可以但不限于为保单处理服务器、车险理赔服务器、医疗保险理赔服务器以及理赔风险识别服务器等中的至少一种;此外,该方法的执行主体还可以是在该些服务器上运行的应用程序(Application,APP)本身。

为便于描述,下文以该方法的执行主体为车险理赔服务器为例,对该方法的实施方式进行介绍。可以理解,该方法的执行主体为车险理赔服务器只是一种示例性的说明,并不应理解为对该方法的限定。

本申请所提供的基于知识图谱的风险识别方法的具体实现流程示意图如图1所示,主要包括下述步骤:

步骤11,对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;

在本申请实施例中,理赔请求可以是理赔申请人通过将理赔保单上传至理赔服务器而触发的。其中,该理赔保单是指在发生事故进行理赔时所生成的理赔凭据报告,例如,车险理赔保单、意外险理赔保单、医疗保险理赔保单以及人身险理赔保单等。在本申请实施例中,该理赔保单可以是由保险公司理赔员通过记录理赔申请人的理赔内容而形成的保单,或者也可以是理赔申请人通过理赔系统自行录入理赔内容,进而由理赔系统自动生成的保单,本申请实施例对理赔保单的生成方式,以及理赔请求的触发方式不做限定。

这里需要说明的是,在本申请实施例中理赔保单可以包括:人员信息、案件信息、理赔类型、理赔金额、有效期以及保单单号等理赔数据。以车险理赔保单为例,车险理赔保单中,人员信息具体可以包括:被保险人信息(包括身份证号、姓名、电话以及住址等)、与案件相关驾驶员信息(包括姓名、身份证号、驾照信息等),案件信息可以包括:事故车辆信息、事故原因、事故描述、事故定责等信息,除此之外,车险理赔保单还可以包括:维修信息,比如维修工厂信息以及更换部件信息等。

在本申请实施例中,车险理赔服务器可以通过对接收到的理赔请求对应的理赔保单进行解析,获取该理赔保单中携带的、该理赔请求对应的理赔数据。

另外这里需要说明的是,在本申请实施例中,车险理赔服务器可以按数据类型对获取到的理赔数据进行分类整理,进而得到多个类型的理赔风险实体,以便后续对该理赔请求进行风险识别时可以按各个理赔风险实体进行分别识别,以保证风险识别结果更为准确。例如,以车险保单为例,车险理赔服务器可以通过对理赔保单进行解析以及分类,进而得到以下五类理赔风险实体:

类型1、人员理赔风险实体:

具体可以包括:被保险人信息,与案件相关驾驶员信息等等。

类型2、案件理赔风险实体:

具体可以包括:事故原因、事故描述、事故定责等信息。

类型3、车辆理赔风险实体:

具体可以包括:车辆名称、品牌、型号、车架号、车牌号、车龄以及发动机号等信息。

类型4、维修工厂理赔风险实体:

具体可以包括:维修工厂类型、维修工厂名称、维修工厂地址、是否属于合作维修工厂等信息。

类型5、保单实体:

即保单本体相关信息,具体可以包括:理赔类型、理赔金额、有效期以及保单单号等信息。

步骤12,根据预先构建的风险识别知识图谱,对通过执行步骤11获取到的理赔数据进行检索,确定与理赔数据匹配的第一风险标签;

其中,该预先构建的风险识别知识图谱可以为关联拓扑网络结构,在一种实施方式中,本申请实施例中预先训练的风险识别知识图谱中可以包括通过对历史理赔数据分析而得到的各类理赔风险实体以及理赔风险标签,该些理赔风险实体以及理赔风险标签作为风险识别知识图谱中的节点。此外,该风险识别

知识图谱中还保存有各个理赔风险实体之间的关联关系,以及各个理赔风险实5体与理赔风险标签之间的关联关系,该些关联关系在风险识别知识图谱中可以通过节点与节点之间的连接边表示,如果两个理赔风险实体在风险识别知识图谱中对应的节点之间存在连接表,则表明这两个理赔风险实体之间存在关联关系。

在一种实施方式中,该理赔风险标签也可以是基于对历史理赔数据的分析0而计算生成的。例如,车险理赔服务器可以在历史理赔数据中筛选出历史理赔数据中出现过欺诈行为的保单(为了便于描述,后文将该类订单称为欺诈保单),车险理赔服务器通过对该些欺诈保单进行分析,确定该些欺诈保单的风险要素,并根据该些风险要素生成理赔风险标签。

比如,车险理赔服务器可以通过对欺诈保单进行分析,确定出该些欺诈保5单中出现次数大于预设次数阈值的客户,并针对该些客户生成理赔欺诈客户标签。或者,车险理赔服务器还可以通过对欺诈保单进行分析,确定出投诉次数大于预设阈值的客户,或者共用身份证号码、一车多牌、多次出险车辆、疑似碰瓷车辆以及次数大于预设阈值的维修厂等风险要素,并分别针对该些风险要素生成理赔风险标签。

0在一种实施方式中,本申请实施例具体可以采用如下方法训练构建风险识别知识图谱,具体包括如下步骤:

子步骤1201,根据历史理赔数据,获取所述历史理赔数据对应的理赔风险实体以及理赔事件;

在本申请实施例中,历史理赔数据包括历史理赔保单以及该历史理赔保单5最终的理赔结果(是否为欺诈保单)。

车险理赔服务器通过对获取到的历史理赔数据进行分析,获取该些历史理赔数据对应的理赔风险实体,并将该些理赔风险实体作为节点,添加至初始风险识别知识图谱中。

子步骤1202,根据通过执行子步骤1201获取到的历史理赔数据对应的历史理赔请求,确定理赔风险实体之间的关联关系,并根据所述关联关系,建立所述理赔风险实体之间的关联路径;

在本申请实施例中,车险理赔服务器可以根据历史理赔数据所对应的历史理赔保单,确定同属于一个历史理赔保单的各个理赔风险实体之间具备关联关系。除此之外,车险理赔服务器还可以根据解析得到的案件理赔风险实体,确定同属于一个案件中的各理赔风险实体之间具备关联关系。在确定了理赔风险实体之间的关联关系后,车险理赔服务器可以在初始风险识别知识图谱中,按照关联关系为各理赔风险实体对应的节点添加连接边。

例如,通过执行子步骤1201,在初始风险识别知识图谱中添加了6个节点:节点1~节点6,该些节点分别对应了:“理赔风险实体1~理赔风险实体6”,通过执行子步骤1202,确定该些理赔风险实体之前的关联关系为:理赔风险实体1与理赔风险实体2关联,理赔风险实体2与理赔风险实体6关联,理赔风险实体3与理赔风险实体1关联,理赔风险实体4与理赔风险实体5关联,进而车险理赔服务器可以在初始风险识别知识图谱中为该些节点添加连接边,得到如图2所示的初始风险识别知识图谱,如图2所示,节点1与节点2之间通过一条连接边直接相连,则说明节点1对应的理赔风险实体与节点2对应的理赔风险实体之间具备直接关联,而节点1通过节点2与节点6间接相连,则说明节点1对应的理赔风险实体与节点6对应的理赔风险实体之间具备间接关联,这种情况下,节点1与节点6之间间接相连的连接边可以称为节点1与节点6之间的关联路径,如图2所示,节点1与节点2之间的关联路径为:“路径b”,节点1与节点6之间的关联路径为:路径b-路径c,节点3与节点6之间的关联路径为:路径a-路径b-路径c,节点3与节点2之间的关联路径为:路径a-路径b,以此类推。

子步骤1203,根据历史理赔数据,获取至少一个理赔风险标签;

子步骤1204,根据历史理赔数据,分别判断通过执行步骤1201得到的理赔风险实体是否与通过执行子步骤1203获得的理赔风险标签匹配;

子步骤1205,当通过执行子步骤1204得到的判断结果为是时,建立理赔风险实体与匹配的理赔风险标签之间的关联路径,进而得到风险识别知识图谱。

假设,判断理赔风险实体匹配了某个理赔风险标签,则可以在初始风险识别知识图谱中直接建立该理赔风险实体与该理赔风险标签的连接边。

在通过上述子步骤建立了风险识别知识图谱后,车险理赔服务器可以将通过执行步骤11获取到的本次待识别的理赔保单对应的理赔数据输入该风险识别知识图谱,进而通过该风湿识别图谱对理赔数据中各理赔风险实体进行检索,确定理赔数据中各个理赔风险实体所对应的风险标签。

在一种实施方式中,具体可以通过如下方法检索理赔数据所对应的风险标签:知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签,具体包括:获取所述理赔数据对应的理赔风险实体;根据所述理赔风险实体,在所述风险识别知识图谱中检索与所述理赔风险实体存在关联路径的理赔风险标签,作为所述理赔数据匹配的第一风险标签。

步骤13,根据通过执行步骤12匹配的第一风险标签,确定理赔请求对应的风险值,完成对所述理赔请求的风险识别。

在本申请实施例中,通过执行步骤12,理赔数据可能会匹配到多个理赔风险标签,则在本申请实施例中,具体可以通过如下方法确定理赔请求对应的风险值:确定与所述理赔数据匹配的第一风险标签的个数;分别确定所述理赔数据与各所述第一风险标签之间的关联度;根据所述第一风险标签的数量以及所述关联度,确定所述理赔请求对应的风险值。

这里需要说明的是,理赔数据与风险标签之间的关联度由理赔数据中各理赔风险实体与风险标签之间的关联路径条数决定,理赔风险实体与匹配的风险标签之间的关联路径条数越少,则说明该理赔风险实体与该风险标签关联度越高,反之亦然。

例如,通过执行步骤12,如果理赔数据中某个理赔风险实体直接与理赔风险标签相连,即该理赔风险实体与该理赔风险标签之间的风险路径条数为1时,则说明该被查询理赔风险实体直接命中某个理赔风险标签,而又由于该些理赔风险标签时根据历史真实存在的欺诈保单生成的,进一步说明该理赔风险实体直接命中了某类理赔反欺诈规则,因而该理赔风险实体存在欺诈的风险值则较高。

而当理赔数据中某个理赔风险实体间接与理赔风险标签相连时,即该理赔风险实体与该理赔风险标签之间的风险路径条数大于1条时,按照风险传播特点,被查询的理赔风险实体的风险值随着该理赔风险实体与理赔风险标签之间的路径条数的增加而降低。

则在本申请实施例中,可以根据理赔数据中各理赔风险实体与匹配风险标签之间的关联路径条数,来确定理赔数据与风险标签之间的关联度。具体地,本申请实施例提供的方法可以包括:确定所述理赔数据对应的各理赔风险实体;分别确定所述理赔数据对应的各理赔风险实体与所述第一风险标签之间的关联路径条数;根据各所述理赔风险实体与所述第一风险标签之间的关联路径条数,确定所述理赔数据与所述第一风险标签之间的关联路径总条数;根据所述关联路径总条数,确定所述理赔数据与所述第一风险标签之间的关联度。

在一种实施方式中,本申请实施例可以通过按照如下公式[1]计算理赔数据中各个理赔风险实体对应的风险值:

Fraud_value=(w

tag_count)+(∑w

其中,w

通过如上公式[1]计算得到的理赔请求对应的各个理赔风险实体的风险值,并对该些风险值进行求和,即可确定该理赔请求对应的风险值。

采用本申请实施例提供的基于知识图谱的风险识别方法,在接收到理赔请求后,理赔风险识别系统首先可以对接收到的理赔请求进行解析,进而获取该理赔请求中所携带的理赔数据,将获取到的理赔数据输入预先构建好的风险识别知识图谱中,通过该风险识别知识图谱,对理赔数据进行检索,进而确定该理赔数据所命中的第一风险标签,进而根据第一风险标签,理赔风险识别系统可以确定该理赔请求对应的风险值,从而完成对该理赔请求的风险识别。采用本申请实施例所提供的方法,可以根据历史理赔数据,构建总结出理赔风险标签,通过该理赔风险标签标识曾经出现理赔风险的理赔风险实体,并基于该理赔风险标签构建风险识别知识图谱,进而后续当接收到新的理赔请求后,可以根据理赔请求对应的理赔数据,在风险识别知识图谱中检索该些理赔数据是否命中理赔风险标签,如果命中,则说明该理赔请求存在风险,并且可以进一步根据理赔请求所命中的理赔风险标签情况,确定该理赔请求的风险值,从而完成对该理赔请求的风险识别,整个风险识别过程不依赖于人为总结的风险识别规则,通过预先构建好的风险识别知识图谱即可准确、快捷地检索出当前理赔请求所存在的理赔风险标签,且风险识别知识图谱的构建并不依赖于人为设定,而是由历史客观存在的理赔风险标签构建,因而通过该风险识别知识图谱可以更加准确高效的完成对理赔请求的识别;同时,该风险识别知识图谱也没有复杂的识别数据结构,仅保存了理赔风险实体之间以及理赔风险实体与理赔风险标签之间的关系路径,因而该风险识别知识图谱也可以根据随时根据欺诈案件情况,进行实时更新,极大地提高了理赔风险识别系统针对新欺诈模式的识别能力。

在一种实施方式中,本申请实施例还提供了一种基于知识图谱的风险识别装置,用以解决由于现有基于人为设置的风险识别规则进行保险理赔反欺诈时,存在的识别不准确,且识别效率较低的问题。该基于知识图谱的风险识别装置的具体结构示意图如图3所示,包括:解析单元31、检索单元32以及风险识别单元33。

其中,解析单元31,用于对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;

检索单元32,用于根据预先构建的风险识别知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签;

风险识别单元33,用于根据所述第一风险标签,确定所述理赔请求对应的风险值,完成对所述理赔请求的风险识别。

在一种实施方式中,风险识别装置还包括风险识别知识图谱构建单元,具体用于:根据历史理赔数据,获取所述历史理赔数据对应的理赔风险实体;根据所述历史理赔数据对应的历史理赔请求,确定所述理赔风险实体之间的关联关系,并根据所述关联关系,建立所述理赔风险实体之间的关联路径;根据所述历史理赔数据,获取至少一个理赔风险标签;根据所述历史理赔数据,分别判断所述理赔风险实体是否与各所述理赔风险标签匹配;当判断结果为是时,建立所述理赔风险实体与匹配的所述理赔风险标签之间的关联路径,得到所述风险识别知识图谱,其中,所述风险识别知识图谱包括存在关联关系的理赔风险实体之间的关联路径,以及理赔风险实体与相匹配的理赔风险标签之间的关联路径。

在一种实施方式中,检索单元32,具体用于获取所述理赔数据对应的理赔风险实体;根据所述理赔风险实体,在所述风险识别知识图谱中检索与所述理赔风险实体存在关联路径的理赔风险标签,作为所述理赔数据匹配的第一风险标签。

在一种实施方式中,风险识别单元33,具体用于确定与所述理赔数据匹配的第一风险标签的个数;分别确定所述理赔数据与各所述第一风险标签之间的关联度;根据所述第一风险标签的数量以及所述关联度,确定所述理赔请求对应的风险值。

在一种实施方式中,风险识别单元33,具体用于确定所述理赔数据对应的各理赔风险实体;分别确定所述理赔数据对应的各理赔风险实体与所述第一风险标签之间的关联路径条数;根据各所述理赔风险实体与所述第一风险标签之间的关联路径条数,确定所述理赔数据与所述第一风险标签之间的关联路径总条数;根据所述关联路径总条数,确定所述理赔数据与所述第一风险标签之间的关联度。

在一种实施方式中,关联路径总条数与所述关联度负相关,风险识别单元33,具体用于:所述关联路径总条数越多,则确定所述理赔数据与所述第一风险标签之间的关联度越低;所述关联路径总条数越少,则确定所述理赔数据与所述第一风险标签之间的关联度越高。

采用本申请实施例提供的基于知识图谱的风险识别装置,在接收到理赔请求后,理赔风险识别系统首先可以对接收到的理赔请求进行解析,进而获取该理赔请求中所携带的理赔数据,将获取到的理赔数据输入预先构建好的风险识别知识图谱中,通过该风险识别知识图谱,对理赔数据进行检索,进而确定该理赔数据所命中的第一风险标签,进而根据第一风险标签,理赔风险识别系统可以确定该理赔请求对应的风险值,从而完成对该理赔请求的风险识别。采用本申请实施例所提供的方法,可以根据历史理赔数据,构建总结出理赔风险标签,通过该理赔风险标签标识曾经出现理赔风险的理赔风险实体,并基于该理赔风险标签构建风险识别知识图谱,进而后续当接收到新的理赔请求后,可以根据理赔请求对应的理赔数据,在风险识别知识图谱中检索该些理赔数据是否命中理赔风险标签,如果命中,则说明该理赔请求存在风险,并且可以进一步根据理赔请求所命中的理赔风险标签情况,确定该理赔请求的风险值,从而完成对该理赔请求的风险识别,整个风险识别过程不依赖于人为总结的风险识别规则,通过预先构建好的风险识别知识图谱即可准确、快捷地检索出当前理赔请求所存在的理赔风险标签,且风险识别知识图谱的构建并不依赖于人为设定,而是由历史客观存在的理赔风险标签构建,因而通过该风险识别知识图谱可以更加准确高效的完成对理赔请求的识别;同时,该风险识别知识图谱也没有复杂的识别数据结构,仅保存了理赔风险实体之间以及理赔风险实体与理赔风险标签之间的关系路径,因而该风险识别知识图谱也可以根据随时根据欺诈案件情况,进行实时更新,极大地提高了理赔风险识别系统针对新欺诈模式的识别能力。

图4是本申请的一个实施例电子设备的结构示意图。请参考图4,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。

存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成基于知识图谱的风险识别装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:

对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;根据预先构建的风险识别知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签;根据所述第一风险标签,确定所述理赔请求对应的风险值,完成对所述理赔请求的风险识别。

上述如本申请图4所示实施例揭示的基于知识图谱的风险识别电子设备执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电5路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、0现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法

的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件5及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,

可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。

当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,0比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。

本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用

程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例5的方法,并具体用于执行以下操作:

对接收到的理赔请求进行解析,获取所述理赔请求对应的理赔数据;根据预先构建的风险识别知识图谱,对所述理赔数据进行检索,确定与所述理赔数据匹配的第一风险标签;根据所述第一风险标签,确定所述理赔请求对应的风险值,完成对所述理赔请求的风险识别。

本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。

还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。

相关技术
  • 基于知识图谱的车辆故障检测方法、装置及存储介质
  • 物品识别方法、装置及设备、存储介质、电子装置
  • 目标物识别方法、装置、存储介质及穿戴式设备
  • 一种漆面识别方法、装置、存储介质及电子设备
  • 双层车牌识别方法、装置、计算机设备及存储介质
  • 基于知识图谱的风险识别方法、装置、计算机设备及介质
  • 基于知识图谱的企业信用风险识别方法、设备及介质
技术分类

06120116009049