[發明專利]基于專家規則的人工智能模型結果溯源方法、系統、裝置

在審

• 申請號: 202210054637.3
• 申請日: 2022-01-18
• 公開（公告）號: CN114549216A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 盧冰潔;李煒卓;那崇寧;陳奎;張瀧
• 申請（專利權）人: 之江實驗室
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開了一種基于專家規則的人工智能模型結果溯源方法及系統，用于解決人工智能模型預測結果缺乏可解釋性的問題。本發明首先從保險公司中收集高質量的車險案件歷史數據，根據專家規則將車險案件歷史數據轉化為圖結構數據；再通過圖結構數據構建圖譜網絡，基于網絡表示學習模型訓練得到專家因子向量和專家規則向量；然后采集被人工智能模型判定為風險案件的車險實時數據，計算已觸發的專家因子集合，通過缺省填補的方式得到擬觸發規則向量；隨后計算專家規則向量與擬觸發規則向量的相似度；最后通過返回高相似度的擬觸發規則，為車險專家提供溯源。本發明方法在保證較小的溯源耗時的同時，也保證了溯源的質量。

技術領域

本發明屬于車險欺詐識別領域，尤其涉及一種基于專家規則的人工智能模型預測結果根因溯源方法、系統、裝置。

背景技術

隨著近年來車險欺詐案件的持續增長，不斷上升的賠付成本使得越來越多的保險公司意識到車險欺詐的危害性并采取了一系列措施防范和打擊車險虛假賠案。目前，車險反欺詐工作已經取得了一定的進展，其中，專家系統和智能理賠在車險反欺詐中起到了至關重要的作用。

專家系統作為一種重要的智能系統，能夠利用車險專家的經驗知識進行決策，從而判定案件的性質以達到預警的目的。專家系統良好的可解釋性使得其在車險反欺詐中有著廣泛的應用，但相對的，由于其基于規則和推理，一旦條件不充足，就很難得出有用的結果。因此，倘若欺詐方對規則有所了解，就可以通過滿足一些細微的條件來規避專家系統的檢測。另一方面，基于大數據的人工智能技術能夠突破傳統專家系統的局限，通過對被保險人、保險標的、出險情況等各方面數據進行收集和分析，為車險理賠提供了調查的方向。盡管智能理賠在識別車險欺詐上能夠發揮較大的作用，但遺憾的是它并非像專家系統一樣具備良好的可解釋性，難以為案件提供直接的調查切入口，因此車險調查人員往往需要耗費大量的時間精力來查證此類案件。

因此，如何為智能理賠提供可靠的預測結果根因溯源成為車險反欺詐工作中的一大重難點。

發明內容

針對現有技術不足，本發明公開了一種基于專家規則的人工智能模型預測結果根因溯源方法、系統、裝置。

為了解決上述問題，本發明的技術方案為：

本發明實施例的第一方面提供了一種基于專家規則的人工智能模型預測結果根因溯源方法，具體包括以下步驟：

步驟S1：采集車險案件歷史數據，構建車險歷史案件數據庫；提取風險因子和專家因子，根據專家規則將車險案件歷史數據轉化為圖結構數據；

步驟S2：采用步驟S1得到的圖結構數據構建圖譜網絡，基于圖譜網絡通過網絡表示學習模型訓練得到專家因子向量，通過拼接或平均專家因子向量形成專家規則向量，并將專家因子向量和專家規則向量存儲到規則向量數據庫中；

步驟S3：采集被人工智能模型判定為風險案件的車險實時數據，通過提取風險因子和專家因子得到已觸發的專家因子集合，結合步驟S2得到的專家規則向量，對照采用缺省填補的方式得到擬觸發規則向量；

步驟S4：計算專家規則向量和擬觸發規則向量的相似度；

步驟S5：根據相似度結果為車險實時案件提供溯因。

進一步地，所述步驟S1生成圖結構數據具體為：先采集車險案件歷史數據構建車險歷史案件數據庫；再提取出車險歷史案件數據庫中與專家規則相關聯的字段，形成風險因子數據集；然后提取專家因子，按照專家規則中的因子組成對風險因子數據集中的各字段進行判斷，生成的新字段，構成專家因子數據集；最后將專家因子數據集轉換為圖結構數據。

進一步地，所述圖結構數據為三元組、邊表或鄰接矩陣。

進一步地，所述步驟S2中專家規則向量的計算方法還可以采用自編碼器或嵌套等能實現將離散變量轉換為連續向量表示的方法。