[發明專利]基于人工智能的欺詐識別方法、裝置、設備及存儲介質

在審

• 申請號: 202310764638.1
• 申請日: 2023-06-26
• 公開（公告）號: CN116611941A
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 陳奕宇
• 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;G06N3/0442;G06N3/08;G06F18/214;G06F18/21
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 羅志銘

1.一種基于人工智能的欺詐識別方法，其特征在于，包括下述步驟：

獲取各個業務階段的初始理賠行為數據，并對所述初始理賠行為數據進行預處理得到處理后的理賠行為數據；

基于預設的采樣方法對所述理賠行為數據進行樣本抽取，構建訓練集樣本與測試集樣本；

使用所述訓練集樣本對預設的初始長短期記憶模型進行訓練，得到訓練后的長短期記憶模型；

基于預設的評測規則從預設的多種梯度下降方法中確定出目標梯度下降方法；

基于所述目標梯度下降算法對所述長短期記憶模型進行參數更新，并使用所述測試集樣本對長短期記憶模型進行模型優化，得到欺詐識別模型；

獲取待處理的保單案件的目標理賠行為數據；

基于所述欺詐識別模型對所述目標理賠行為數據進行識別，生成與所述目標理賠行為數據對應的欺詐識別結果。

2.根據權利要求1所述的基于人工智能的欺詐識別方法，其特征在于，所述對所述初始理賠行為數據進行預處理得到處理后的理賠行為數據的步驟，具體包括：

對所述初始理賠行為數據進行特征工程處理，得到第一特征數據；

對所述第一特征數據進行歸一化處理，得到第二特征數據；

將所述第二特征數據作為所述理賠行為數據。

3.根據權利要求1所述的基于人工智能的欺詐識別方法，其特征在于，所述基于預設的采樣方法對所述理賠行為數據進行樣本抽取，構建訓練集樣本與測試集樣本的步驟，具體包括：

獲取預設的提取規則；

基于所述提取規則對所述理賠行為數據進行重要特征提取，得到第三特征數據；

基于所述采樣方法對所述第三特征數據進行樣本抽取，構建訓練集樣本與測試集樣本。

4.根據權利要求1所述的基于人工智能的欺詐識別方法，其特征在于，所述基于預設的評測規則從預設的多種梯度下降方法中確定出目標梯度下降方法的步驟，具體包括：

獲取預設的測評數據；

使用所述測評數據對各所述梯度下降方法進行測評處理，得到各所述梯度下降方法的更新速率數值、效果分值以及使用評價分值；

基于各所述梯度下降方法的更新速率數值、效果分值以及使用評價分值，生成各所述梯度下降方法的測評分值；

將測評分值最高的梯度下降方法作為所述目標梯度下降方法。

5.根據權利要求4所述的基于人工智能的欺詐識別方法，其特征在于，所述基于各所述梯度下降方法的更新速率數值、效果分值以及使用評價分值，生成各所述梯度下降方法的測評分值的步驟，具體包括：

獲取與更新速率數值對應的第一預設權重；

獲取與效果分值對應的第二預設權重；

獲取與使用評價分值對應的第三預設權重；

基于所述第一預設權重、第二預設權重以及第三預設權重，對各所述梯度下降方法的更新速率數值、效果分值以及使用評價分值進行計算處理，生成各所述梯度下降方法的測評分值。

6.根據權利要求1所述的基于人工智能的欺詐識別方法，其特征在于，在所述基于所述欺詐識別模型對所述目標理賠行為數據進行識別，生成與所述目標理賠行為數據對應的欺詐識別結果的步驟之后，還包括：

若所述識別結果為目標理賠行為數據存在欺詐風險，確定與所述保單案件對應的風險處理方式；

基于所述風險處理方式對所述保單案件進行風險處理。

7.根據權利要求1所述的基于人工智能的欺詐識別方法，其特征在于，在所述基于所述目標梯度下降算法對所述長短期記憶模型進行參數更新，并使用所述測試集樣本對長短期記憶模型進行模型優化，得到欺詐識別模型的步驟之后，還包括：

確定與所述欺詐識別模型對應的存儲方式；

生成所述欺詐識別模型的壓縮包文件；

基于所述存儲方式，對所述壓縮包文件進行存儲。