[發(fā)明專利]車險欺詐團伙的識別方法及裝置

有效

• 申請?zhí)枺?/td>: 201910515110.4
• 申請日: 2019-06-14
• 公開（公告）號: CN110428337B
• 公開（公告）日: 2023-01-20
• 發(fā)明（設計）人: 熊永平;楊爍;伍貴賓
• 申請（專利權）人: 南京極谷人工智能有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08
• 代理公司: 北京盛凡佳華專利代理事務所(普通合伙) 11947
• 代理人: 蔡浩

本發(fā)明公開了一種車險欺詐團伙的識別方法及裝置，所述方法包括：獲取所有車險案件中的參與人員，并統(tǒng)計每一人員所參與的車險案件；根據(jù)統(tǒng)計結果對所有人員進行聚類；計算每一聚類的案件參與度，并根據(jù)所述案件參與度識別車險欺詐團伙，從而提高車險欺詐團伙的識別準確度。

技術領域

本發(fā)明涉及數(shù)據(jù)挖掘技術領域，特別是指一種車險欺詐團伙的識別方法及裝置。

背景技術

近年來，我國保險行業(yè)呈現(xiàn)出了良好的發(fā)展態(tài)勢，保險資金體量不斷增大。在各種保險種類中，機動車輛保險(簡稱車險)已經(jīng)成為我國財產(chǎn)保險業(yè)務中最大的險種。然而，車險欺詐案件所帶來的巨額經(jīng)濟損失也是不可忽視的。而在各種各樣的保險欺詐案件中，團伙詐騙因其規(guī)模大、案件偵破難度大，成為最具危害的保險欺詐手段。

現(xiàn)階段，國內(nèi)關于車險團伙欺詐的研究方法主要分為兩類：一類是定性研究與策略制定為主，另一類是利用機器學習的方法，通過有監(jiān)督學習，訓練欺詐模型，從而進行檢測工作，這兩種方法存在著一定的局限性。

定性研究與策略制定的方法沒有從數(shù)據(jù)分析的角度進行科學研究，無法有效對已有案件中存在的欺詐團伙進行檢測，從而導致欺詐團伙的檢測準確率低下。

有監(jiān)督學習的方法需要大量的有標簽數(shù)據(jù)來訓練模型，以此來預測未被標記的數(shù)據(jù)。而在實際情況中，真實的欺詐案件樣本往往較少，導致模型初始化或訓練不足，從而無法保證結果的準確性。此外，模型的訓練往往需要較長的時間，檢測的時效性無法得到保證。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提出一種車險欺詐團伙的識別方法及裝置，能夠提高車險欺詐團伙的識別準確性。

基于上述目的本發(fā)明提供的車險欺詐團伙的識別方法，包括：

獲取所有車險案件中的參與人員，并統(tǒng)計每一人員所參與的車險案件；

根據(jù)統(tǒng)計結果對所有人員進行聚類；

計算每一聚類的案件參與度，并根據(jù)所述案件參與度識別車險欺詐團伙。

進一步地，所述獲取所有車險案件中的參與人員，具體包括：

遍歷所有車險案件，提取每一車險案件中的參與人員，所述人員包括駕駛員、保險員和第三方人員。

進一步地，所述統(tǒng)計每一人員所參與的車險案件，具體包括：

針對每一人員，遍歷所有車險案件，統(tǒng)計所述人員所參與的車險案件，并將所述人員參與的車險案件記為1，未參與的車險案件記為0，以構建所述人員的分布向量。

進一步地，所述根據(jù)統(tǒng)計結果對所有人員進行聚類，具體包括：

將所有人員的分布向量進行組合，構建分布矩陣；

設置聚類數(shù)目k，基于距離最近原則，對所述分布矩陣中的所有分布向量進行聚類，獲得k個聚類；k≥1。

進一步地，所述計算每一聚類的案件參與度，并根據(jù)所述案件參與度識別車險欺詐團伙，具體包括：

統(tǒng)計每一聚類中1的個數(shù)，并將所述聚類中1的個數(shù)除以所述聚類中的分布向量的個數(shù)，獲得所述聚類的案件參與度；

將所述案件參與度大于預設閾值的聚類識別為車險欺詐團伙。

相應地，本發(fā)明實施例還提供一種車險欺詐團伙的識別裝置，包括：

獲取模塊，用于獲取所有車險案件中的參與人員；

統(tǒng)計模塊，用于統(tǒng)計每一人員所參與的車險案件；

聚類模塊，用于根據(jù)統(tǒng)計結果對所有人員進行聚類；以及，

識別模塊，用于計算每一聚類的案件參與度，并根據(jù)所述案件參與度識別車險欺詐團伙。