[發明專利]數據聚類識別方法、裝置、計算機系統及可讀存儲介質

有效

• 申請號: 201910754337.4
• 申請日: 2019-08-15
• 公開（公告）號: CN110659997B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 張密;唐文
• 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;G06F18/23
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 林彥之

本發明公開了數據聚類識別方法、裝置、計算機系統及可讀存儲介質，基于人工智能，包括以下步驟：將案件庫中一個案件設為基準案件，將案件庫中除基準案件的其他案件設為對照案件；依次判斷基準案件與各對照案件之間是否具有關聯關系并制成一維向量；依次獲得案件庫中所有案件的一維向量，合并所有案件的一維向量以獲得鄰接矩陣；計算鄰接矩陣以獲得稠密向量；計算稠密向量以對案件庫中所有案件進行聚類并輸出聚類結果；根據聚類結果中案件的保單信息、汽車特征和報案人特征，計算案件的風險值。本發明通過分析聚類閾值以下的簇中的案件獲得高風險案件，使從業者可對高風險案件進行重點分析，以識別出高風險案件中涉嫌欺詐且未追償或報案的案件。

技術領域

本發明涉及通信技術領域，尤其涉及數據聚類識別方法、裝置、計算機系統及可讀存儲介質。

背景技術

目前的保險反欺詐方案主要是通過黑白名單規則，對案件進行甄別，然而現有的黑白名單的規則引擎只能依靠人為經驗，不僅對案件甄別的很容易產生誤判，還給工作人員帶來了極大的疲勞強度，造成企業人員成本提高；

若依據黑白名單規則采用有監督學習建模的方式，制成成熟神經網絡后，對案件進行甄別，則需要大量的帶標簽數據，即涉嫌詐騙性質的案件，以供神經網絡學習；由于在實踐中，很難獲取大量帶標簽數據，因此這種方式在實踐中往往很難得到落實，進而難以制成有效可靠的成熟神經網絡。

發明內容

本發明的目的是提供數據聚類識別方法、裝置、計算機系統及可讀存儲介質，用于解決現有技術存在的問題。

為實現上述目的，本發明提供數據聚類識別方法，包括以下步驟：

數據聚類識別裝置S1:將案件庫中的一個案件設為基準案件，將所述案件庫中除基準案件外的其他案件設為對照案件；從所述案件庫中提取基準案件和對照案件，依次判斷所述基準案件與各對照案件之間是否具有關聯關系；若具有，則對所述基準案件和對照案件之間的關系值賦值1，若不具有，則對所述基準案件和對照案件之間的關系值賦值0；根據所述基準案件和各對照案件之間的關系值制成所述基準案件的一維向量；其中，所述案件的數據信息包括現場圖片、報案文本信息、現場結構信息、保單信息、汽車特征和報案人特征；

S2：按照所述S1的方法依次將所述案件庫中的案件設為基準案件，并依次獲得各基準案件的一維向量，合并所述案件庫中所有案件的一維向量以獲得鄰接矩陣；

S3：利用SDNE算法計算所述鄰接矩陣以獲得用于表達所述案件庫中所有案件之間關聯關系的稠密向量；

S4：利用AP聚類算法計算所述稠密向量，以對所述案件庫中所有案件進行聚類，并輸出聚類結果；

S5：根據所述聚類結果中案件的保單信息、汽車特征和報案人特征，計算案件的風險值，根據所述風險值判定所述聚類結果的簇中案件為高風險案件或低風險案件；根據所述高風險案件生成高風險信號輸出至客戶端，或根據低風險案件生成低風險信號輸出至客戶端；

其中，所述高風險信號和低風險信號將分別以通信信號的形式輸出至客戶端。

上述方案中，所述步驟S1包括以下步驟：

S11：提取案件庫中的一個案件作為基準案件，將所述案件庫中除所述基本案件以外的案件設為對照案件；判斷所述基準案件與對照案件之間的關聯關系；

S12：按照S11的方法依次判斷所述案件庫中基準案件與所有對照案件之間的關聯關系；

S13：若基準案件與對照案件之間具有關聯關系，則將基準案件與該對照案件之間的關系值賦值為1；若基準案件與對照案件之間不具有關聯關系，則將基準案件與所述對照案件之間的關系值賦值為0；

S14：將所述基準案件與各對照案件之間的關系值組成為一維向量；其中，所述一維向量中各個列的元素值為所述基準案件與各對照案件之間的關系值。