[發明專利]用戶行為異常分析方法、裝置、設備及存儲介質

有效

• 申請號: 202110645486.4
• 申請日: 2021-06-10
• 公開（公告）號: CN113255815B
• 公開（公告）日: 2021-10-12
• 發明（設計）人: 朱磊;徐賽奕;張霖;俞麗娟;朱艷喬
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06Q40/08
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 姚維

本發明涉及大數據領域，公開了一種用戶行為異常分析方法、裝置、設備及存儲介質。該方法包括：獲取車險賠付相關的用戶行為信息，其中，用戶行為信息包括多個用戶行為因子；對各用戶行為因子進行特征清洗，并從清洗后的用戶行為因子中篩選符合預置模型指標標準的多個用戶行為因子作為模型因子；通過預置特征工程對各模型因子進行數值化處理，得到各模型因子對應的特征編碼；通過預置的用戶行為異常分析模型，計算各特征編碼之間的一維關聯信息和二維交叉信息，并根據一維關聯信息和二維交叉信息，對車險賠付相關的用戶行為進行分類處理，得到用戶行為的異常分析結果。本發明提升了用戶行為異常識別模型的識別準確度，并降低其訓練時間。

技術領域

本發明涉及大數據領域，尤其涉及一種用戶行為異常分析方法、裝置、設備及存儲介質。

背景技術

對于保險業來說，經營車險的保險公司每年因保險賠付損失等風險問題造成的損失較大。保險公司在車險賠付損失案的高額費用支出直接導致車險綜合賠付率一直處于高位，同時間接推高車險產品價格。

傳統的風險識別方案使用的模型基于歷史賠付數據以及保險公司根據經驗形成的判斷用戶行為異常的特定規則。可用于檢測用戶行為異常的數據往往局限于保險公司收集的賠案數據和少量的外部數據。用戶異常檢測流程大多依靠保險公司理賠人員進行人工處理，效率較低，欺詐檢測具有時滯性，使得車險賠付異常屢禁不止。

若使用傳統的深度監督學習算法，保險企業需要雇用大量的數據算法工程師對數據進行復雜繁瑣的特征工程，以確保模型能夠同時提取低階和高階的組合特征，也加長了模型的訓練時間和降低了模型的識別準確度。

發明內容

本發明的主要目的在于解決現有車險賠付相關的用戶行為異常識別方法存在識別準確度較低的技術問題。

本發明第一方面提供了一種用戶行為異常分析方法，包括：獲取車險賠付相關的用戶行為信息，其中，所述用戶行為信息包括多個用戶行為因子；對各所述用戶行為因子進行特征清洗，并從清洗后的用戶行為因子中篩選符合預置模型指標標準的多個用戶行為因子作為模型因子；通過預置特征工程對各所述模型因子進行數值化處理，得到各所述模型因子對應的特征編碼；通過預置的用戶行為異常分析模型，計算各所述特征編碼之間的一維關聯信息和二維交叉信息，并根據所述一維關聯信息和所述二維交叉信息，對車險賠付相關的用戶行為進行分類處理，得到所述用戶行為的異常分析結果。

可選的，在本發明第一方面的第一種實現方式中，在所述獲取車險賠付相關的用戶行為信息之后，還包括：從所述用戶行為信息中選取時序特征相關的用戶行為因子，并對選取的用戶行為因子進行特征加工，得到用戶行為集成信息；采用所述用戶行為集成信息，計算車險賠付相關的用戶行為軌跡，并將所述用戶行為軌跡作為模型因子。

可選的，在本發明第一方面的第二種實現方式中，所述通過預置特征工程對各所述模型因子進行數值化處理，得到各所述模型因子對應的特征編碼包括：依次對各所述模型因子進行離散特征的數值化處理，得到各所述模型因子對應的初始特征編碼；根據各所述初始特征編碼的數值分布，分別對各所述初始特征編碼進行分組處理，得到多個特征編碼組合；分別對各所述特征編碼組合中的初始特征編碼進行歸一化處理，得到預置數值區間的多組特征編碼組合，其中，各所述特征編碼組合中包含各模型因子對應的特征編碼。

可選的，在本發明第一方面的第三種實現方式中，所述通過預置的用戶行為異常分析模型，計算各所述特征編碼之間的一維關聯信息和二維交叉信息包括：將各所述特征編碼輸入預置的用戶行為異常分析模型，其中，所述用戶行為異常分析模型包括組合層和網絡層；通過所述網絡層提取所述特征編碼的一維特征向量，并根據所述一維特征向量計算各所述特征編碼之間一維關聯信息；通過所述組合層計算每兩個特征編碼之間編碼組合對應的交叉權重矩陣，并根據所述交叉權重矩陣計算各所述編碼組合的二維交叉信息。