[發(fā)明專利]理賠決策方法、裝置、計算機設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 201810925295.1
• 申請日: 2018-08-14
• 公開（公告）號: CN109255013A
• 公開（公告）日: 2019-01-22
• 發(fā)明（設(shè)計）人: 胡帆;程吉安
• 申請（專利權(quán)）人: 平安醫(yī)療健康管理股份有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F17/27;G06Q40/08
• 代理公司: 廣州華進聯(lián)合專利商標代理有限公司 44224
• 代理人: 王寧

本申請涉及人工智能領(lǐng)域中的機器學習技術(shù)，提供了一種理賠決策方法、裝置、計算機設(shè)備和存儲介質(zhì)。方法包括：接收理賠員終端發(fā)送的理賠決策請求，理賠決策請求中攜帶待理賠患者的身份標識；根據(jù)身份標識查找對應的當前診斷文本及診斷結(jié)果，提取當前診斷文本的多個關(guān)鍵詞；從預先建立的標準詞匯庫中查找與關(guān)鍵詞對應的目標標準詞，得到目標標準詞集合；獲取診斷結(jié)果對應的已訓練的決策樹模型作為目標決策樹模型，根據(jù)目標標準詞集合及目標決策樹模型得到待理賠患者對應的治療類型；根據(jù)治療類型查詢對應的預設(shè)理賠數(shù)據(jù)，根據(jù)預設(shè)理賠數(shù)據(jù)得到目標決策數(shù)據(jù)，將目標決策數(shù)據(jù)發(fā)送至理賠員終端。采用本方法能夠節(jié)省理賠成本同時減少錯賠漏賠現(xiàn)象發(fā)生。

技術(shù)領(lǐng)域

本申請涉及商業(yè)保險理賠技術(shù)領(lǐng)域，特別是涉及一種理賠決策方法、裝置、計算機設(shè)備和存儲介質(zhì)。

背景技術(shù)

隨著商業(yè)保險業(yè)務信息化程度的不斷提高，提高保險理賠業(yè)務專業(yè)性及賠付精準性的需求越來越迫切。

傳統(tǒng)技術(shù)中，商業(yè)保險理賠，如車禍時的人傷理賠，往往需要大量有醫(yī)學專業(yè)背景或非醫(yī)學專業(yè)人員經(jīng)過一定程度專業(yè)培訓后，到達車禍現(xiàn)場進行實地查勘、核保核賠等工作。然而這種方式由于對理賠人員的醫(yī)學素養(yǎng)要求高，商保公司需要花費大量的人力物力進行前期的相關(guān)培訓，導致商報理賠的成本高；另一方面，由人工進行理賠的判斷，局限于經(jīng)驗和專業(yè)知識，容易對客戶的傷情進行誤判，導致出現(xiàn)錯賠漏賠的現(xiàn)象。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠節(jié)省理賠成本同時減少錯賠漏賠現(xiàn)象發(fā)生的理賠決策方法、裝置、計算機設(shè)備和存儲介質(zhì)。

一種理賠決策方法，所述方法包括：

接收理賠員終端發(fā)送的理賠決策請求，所述理賠決策請求中攜帶待理賠患者的身份標識；

根據(jù)所述身份標識查找對應的當前診斷文本及診斷結(jié)果，提取所述當前診斷文本的多個關(guān)鍵詞；

從預先建立的標準詞匯庫中查找與所述關(guān)鍵詞對應的目標標準詞，得到目標標準詞集合；

獲取所述診斷結(jié)果對應的已訓練的決策樹模型作為目標決策樹模型，根據(jù)所述目標標準詞集合及所述目標決策樹模型得到所述待理賠患者對應的治療類型；

根據(jù)所述治療類型查詢對應的預設(shè)理賠數(shù)據(jù)，根據(jù)所述預設(shè)理賠數(shù)據(jù)得到目標決策數(shù)據(jù)，將所述目標決策數(shù)據(jù)發(fā)送至所述理賠員終端。

在其中一個實施例中，所述提取所述當前診斷文本的多個關(guān)鍵詞，包括：

將所述當前診斷文本進行分詞，并對分詞結(jié)果進行過濾；

根據(jù)過濾后得到的詞建立候選關(guān)鍵詞圖，并獲取所述候選關(guān)鍵詞圖中詞節(jié)點的預設(shè)初始權(quán)重；

循環(huán)迭代所述候選關(guān)鍵詞圖，直至達到預設(shè)條件時，得到所述詞節(jié)點的目標權(quán)重；

根據(jù)所述目標權(quán)重對所述詞節(jié)點進行排序，根據(jù)排序結(jié)果獲取第一預設(shè)數(shù)量的詞節(jié)點作為關(guān)鍵詞。

在其中一個實施例中，所述從預先建立的標準詞匯庫中查找與所述關(guān)鍵詞對應的目標標準詞，得到目標標準詞集合，包括：

從預先建立的標準詞匯庫中查找所述診斷結(jié)果對應的標準詞匯集合；

分別計算每一個關(guān)鍵詞與所述標準詞匯集合中的各個標準詞匯的相似度；

當相似度最大值大于預設(shè)閾值時，獲取相似度最大值對應的標準詞匯作為所述關(guān)鍵詞對應的目標標準詞。

在其中一個實施例中，所述獲取所述診斷結(jié)果對應的已訓練的決策樹模型作為目標決策樹模型，包括：

將所述診斷結(jié)果分別與各個已訓練的決策樹模型對應的疾病類型進行匹配；