[發明專利]基于神經網絡判斷風險事件的方法、裝置和計算機設備

在審

• 申請號: 201910314537.8
• 申請日: 2019-04-18
• 公開（公告）號: CN110136010A
• 公開（公告）日: 2019-08-16
• 發明（設計）人: 林佩珊;易楠
• 申請（專利權）人: 中國平安財產保險股份有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06N3/04;G06N3/08
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝

1.一種基于神經網絡判斷風險事件的方法，其特征在于，包括：

讀取事件的記錄信息；

接收用戶端在多個風險類型中選擇的目標風險類型；

獲取所述目標風險類型對應的目標風險判斷模型，以及所述記錄信息中與所述目標風險類型對應的目標信息；

將所述目標信息輸入到所述目標風險判斷模型中；

接收所述目標風險判斷模型輸出的模型系數，并根據所述模型系數計算得到風險事件系數，所述模型系數是指目標風險判斷模型根據事件的相關信息計算得出的數據；

若所述風險事件系數超過預設的與所述目標風險類型對應的第一風險閾值，則判定所述事件為風險事件。

2.如權利要求1所述的基于神經網絡判斷風險事件的方法，其特征在于，所述將所述目標信息輸入到所述目標風險判斷模型中的步驟之前，包括：

采集多個事件的記錄信息，所述多個事件包括多個同一個風險類型的風險事件以及多個非風險事件；

將所述多個事件的記錄信息輸入到卷積神經網絡模型進行訓練，得到所述風險類型的風險判斷模型。

3.如權利要求2所述的基于神經網絡判斷風險事件的方法，其特征在于，所述將所述多個事件的記錄信息輸入到卷積神經網絡模型進行訓練的步驟，包括：

讀取所述記錄信息中的立案日期；

根據所述立案日期以及預設的計算規則，計算出所述事件的各處理流程對應的流程時間階段；

分別讀取記錄信息中的記錄數據的記錄日期，根據各記錄數據的記錄日期以及各流程時間階段，將所述記錄數據分別添加對應的流程時間階段的標簽；

根據用戶選擇的訓練類型，將帶有所述訓練類型對應的流程時間階段的標簽的記錄數據輸入到卷積神經網絡模型進行訓練。

4.如權利要求1所述的基于神經網絡判斷風險事件的方法，其特征在于，所述接收所述目標風險判斷模型輸出的模型系數，并根據所述模型系數計算得到風險事件系數的步驟，包括：

讀取所述記錄信息中的關系人信息；

統計預設時間段內具有所述關系人信息的事件的目標事件數量；

根據所述目標事件數量，在事件數量與權重系數的對應關系中確定目標權重系數；

接收所述目標風險判斷模型輸出的模型系數，將所述目標權重系數乘以所述模型系數，得到所述風險事件系數。

5.如權利要求1所述的基于神經網絡判斷風險事件的方法，其特征在于，所述獲取所述目標風險類型對應的目標風險判斷模型，以及所述記錄信息中與所述目標風險類型對應的目標信息的步驟之前，包括：

讀取所述記錄信息中的目標理賠金額值；

調用預設的理賠金額閾值與風險類型的對應關系表，獲取與所述目標風險類型對應的目標理賠金額閾值；

判斷所述目標理賠金額值是否大于所述目標理賠金額閾值；

若是，則執行所述步驟：獲取所述目標風險類型對應的目標風險判斷模型，以及所述記錄信息中與所述目標風險類型對應的目標信息。

6.一種基于神經網絡判斷風險事件的裝置，其特征在于，包括：

第一讀取模塊，用于讀取事件的記錄信息；

接收模塊，用于接收用戶端在多個風險類型中選擇的目標風險類型；

第一獲取模塊，用于獲取所述目標風險類型對應的目標風險判斷模型，以及所述記錄信息中與所述目標風險類型對應的目標信息；

輸入模塊，用于將所述目標信息輸入到所述目標風險判斷模型中；

計算模塊，用于接收所述目標風險判斷模型輸出的模型系數，并根據所述模型系數計算得到風險事件系數，所述模型系數是指目標風險判斷模型根據事件的相關信息計算得出的數據；

判定模塊，用于若所述風險事件系數超過預設的與所述目標風險類型對應的第一風險閾值，則判定所述事件為風險事件。

7.如權利要求6所述的基于神經網絡判斷風險事件的裝置，其特征在于，還包括：

采集模塊，用于采集多個事件的記錄信息，所述多個事件包括多個同一個風險類型的風險事件以及多個非風險事件；

訓練模塊，用于將所述多個事件的記錄信息輸入到卷積神經網絡模型進行訓練，得到所述風險類型的風險判斷模型。