CN114022295A - 一种群体欺诈识别方法和*** - Google Patents
一种群体欺诈识别方法和*** Download PDFInfo
- Publication number
- CN114022295A CN114022295A CN202111294202.8A CN202111294202A CN114022295A CN 114022295 A CN114022295 A CN 114022295A CN 202111294202 A CN202111294202 A CN 202111294202A CN 114022295 A CN114022295 A CN 114022295A
- Authority
- CN
- China
- Prior art keywords
- policy
- network
- sub
- risk
- fraud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims description 33
- 238000012502 risk assessment Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 description 25
- 238000004364 calculation method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种群体欺诈识别方法和***,涉及计算机技术领域。该方法的一具体实施方式包括:根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络;根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络;接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。该实施方式能够实时、高效、完整的识别存在群体欺诈行为的保单,降低业务风险。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种群体欺诈识别方法和***。
背景技术
近些年保险产品的出险率和赔付率逐步升高,以航班延误险(简称航延险)为例,其赔付率从2019年的8%提升到2021年的38%,升高了30个百分点。导致上述现象的一部分原因在于保险公司在承保、理赔等环节存在种种问题,造成保险欺诈行为频繁,因此为了降低业务风险,需识别保险欺诈行为并进行拦截。
保险欺诈的类型包括个体欺诈和群体欺诈,现有技术在识别群体欺诈时,是通过编写SQL语句的方式来构建群体欺诈网络,该方式代码繁琐、运行效率低且无法识别出完整的欺诈群体。另外,构建的群体欺诈网络,通常以黑名单的方式进行应用,该方式下只有用户再次购买保险产品时才会进行拦截,应用范围小,无法充分发挥群体欺诈网络的价值。
发明内容
有鉴于此,本发明实施例提供一种群体欺诈识别方法和***,该方法通过将保单信息加载到基于图数据库技术创建的点边关系图中,生成保单关系网络,进而对保单关系网络的子网络进行标注,以根据标注结果对目标保单进行实时欺诈风险分析,能够实时、高效、完整的识别存在群体欺诈行为的保单,降低业务风险。
为实现上述目的,根据本发明实施例的一个方面,提供了一种群体欺诈识别方法。
本发明实施例的一种群体欺诈识别方法,包括:根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络;根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络;接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。
可选地,所述将所述保单信息加载到所述点边关系图,包括:创建数据加载任务,其中,所述数据加载任务用于定义待加载文件和加载命令,所述待加载文件用于存储所述保单信息,所述加载命令用于为所述节点和所述边加载相应保单字段的字段数据;运行所述数据加载任务,以使得所述待加载文件的字段数据被加载到所述点边关系图的相应节点和相应边。
可选地,所述保单信息包括设定时间段内生成的多个保单的保单记录;所述生成相应的保单关系网络,包括:重复执行以下步骤,直至达到设定的结束条件:判断步骤:从多个当前社群中不重复的选择两个当前社群,判断所述两个当前社群的同一目标节点是否具有相同属性信息;其中,所述当前社群的初始值为加载有一个保单的保单记录的点边关系图;处理步骤:若是,则将所述两个当前社群合并为新社群,将所述新社群更新为所述当前社群,执行所述判断步骤;若否,则执行所述判断步骤。
可选地,所述方法还包括:对所述保单信息进行格式化处理,得到格式化信息;将所述格式化信息存储到所述待加载文件。
可选地,所述根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,包括:根据所述风险评估请求的参数和所述节点的属性信息,在所述保单关系网络中查询相匹配的节点作为关键节点;判断所述关键节点是否属于所述群体欺诈网络的子网络,若是,则确定所述目标保单与所述群体欺诈网络相关联;若否,则确定所述目标保单与所述群体欺诈网络无关联。
可选地,所述方法还包括:以所述保单信息的实体对象为所述节点,以所述实体对象之间的关系为所述边,创建所述点边关系图。
可选地,所述筛选条件包括不同风险级别对应的子条件;所述根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,包括:根据所述保单关系网络的子网络中所述节点的属性信息和所述边的属性信息,判断所述子网络所满足的子条件;获取所述子条件对应的风险级别,将获取的所述风险级别标注为所述子网络的风险级别。
为实现上述目的,根据本发明实施例的另一方面,提供了一种群体欺诈识别***。
本发明实施例的一种群体欺诈识别***,包括:网络生成模块,用于根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络;网络组合模块,用于根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络;欺诈识别模块,用于接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。
可选地,所述网络生成模块,还用于创建数据加载任务,其中,所述数据加载任务用于定义待加载文件和加载命令,所述待加载文件用于存储所述保单信息,所述加载命令用于为所述节点和所述边加载相应保单字段的字段数据;运行所述数据加载任务,以使得所述待加载文件的字段数据被加载到所述点边关系图的相应节点和相应边。
可选地,所述保单信息包括设定时间段内生成的多个保单的保单记录;所述网络生成模块,还用于重复执行以下步骤,直至达到设定的结束条件:判断步骤:从多个当前社群中不重复的选择两个当前社群,判断所述两个当前社群的同一目标节点是否具有相同属性信息;其中,所述当前社群的初始值为加载有一个保单的保单记录的点边关系图;处理步骤:若是,则将所述两个当前社群合并为新社群,将所述新社群更新为所述当前社群,执行所述判断步骤;若否,则执行所述判断步骤。
可选地,所述***还包括:格式化处理模块,用于对所述保单信息进行格式化处理,得到格式化信息;将所述格式化信息存储到所述待加载文件。
可选地,所述欺诈识别模块,还用于根据所述风险评估请求的参数和所述节点的属性信息,在所述保单关系网络中查询相匹配的节点作为关键节点;判断所述关键节点是否属于所述群体欺诈网络的子网络,若是,则确定所述目标保单与所述群体欺诈网络相关联;若否,则确定所述目标保单与所述群体欺诈网络无关联。
可选地,所述***还包括:关系图构建模块,用于以所述保单信息的实体对象为所述节点,以所述实体对象之间的关系为所述边,创建所述点边关系图。
可选地,所述筛选条件包括不同风险级别对应的子条件;所述网络组合模块,还用于根据所述保单关系网络的子网络中所述节点的属性信息和所述边的属性信息,判断所述子网络所满足的子条件;获取所述子条件对应的风险级别,将获取的所述风险级别标注为所述子网络的风险级别。
为实现上述目的,根据本发明实施例的再一方面,提供了一种电子设备。
本发明实施例的一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种群体欺诈识别方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质。
本发明实施例的一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种群体欺诈识别方法。
上述发明中的一个实施例具有如下优点或有益效果:通过将保单信息加载到基于图数据库技术创建的点边关系图中,生成保单关系网络,进而对保单关系网络的子网络进行标注,以根据标注结果对目标保单进行实时欺诈风险分析,能够实时、高效、完整的识别存在群体欺诈行为的保单,降低业务风险。通过数据加载任务,把保单信息自动映射到点边关系图,便于后续生成保单关系网络。
通过对点边关系图对应的当前社群进行合并,能够实现对保单信息的社群计算,生成保单关系网络,便于后续按照风险级别对保单关系网络进行标注。通过对保单信息进行格式化处理,使得待加载文件能够快速导入到图数据库。通过将目标保单与群体欺诈网络进行实时的匹配关联,实现了对目标保单的实时欺诈关联分析,便于后续实时拦截与群体欺诈网络相关联的保单。
通过以实体对象为节点,实体对象之间的关系为边创建点边关系图,使得后续可以在几分钟时间内完成对亿级保单信息的社群计算。基于设定的包括多个子条件的筛选条件,实现对保单关系网络的多级分类打标,支持用户自定义子条件,且可以根据需求进行线上调整。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的群体欺诈识别方法的主要步骤的示意图;
图2是根据本发明实施例的群体欺诈识别方法的业务流程示意图;
图3是根据本发明实施例的群体欺诈识别方法中图计算分析平台的架构示意图;
图4是根据本发明实施例的群体欺诈识别方法的主要流程示意图;
图5是本发明实施例的点边关系图的结构示意图;
图6是本发明实施例的保单关系网络的生成流程示意图;
图7是根据本发明实施例的群体欺诈识别***的主要模块的示意图;
图8是本发明实施例可以应用于其中的示例性***架构图;
图9是适用于来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的群体欺诈识别方法的主要步骤的示意图。如图1所示,本发明实施例的群体欺诈识别方法,主要包括如下步骤:
步骤S101:根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络。其中,保单信息是在设定时间段内,客户与保险公司进行业务交易所形成保单的保单记录。每个保单的保单记录包括多个保单字段,比如保单号、险种代码等字段。点边关系图包括多个节点和边,节点用于表示保单信息的实体对象,边用于表示实体对象之间的关系。
在实施例中,实体对象是指某类事物的集合,可以是具体的人事物,也可以是抽象的概念、联系,比如人、保单号、账户等。实体对象之间的关系,比如投保人关系、被保人关系、收款关系等。节点和边均可以包含属性信息,比如人的姓名、人的性别、保单的创建时间等,这些属性信息的具体取值来源于保单字段。
该步骤中,为了生成保单关系网络,需将保单信息加载到预创建的点边关系图,且一个点边关系图加载一个保单的保单记录。实施例中,通过创建数据加载任务,并运行数据加载任务,实现保单信息的数据加载。该数据加载任务中定义了待加载文件和加载命令,其中,待加载文件用于存储保单信息;加载命令中根据保单字段与节点、边之间的映射关系,分别设置有节点和边应该映射加载的保单字段。
实施例中,加载命令有两种,其中一种用于将保单信息的保单字段加载到相应的节点,另一种用于将保单信息的保单字段加载到相应的边。比如,加载命令:LOAD f1 TOVERTEX Person VALUES($"applicant_id",$"applicant_name")USING SEPARATOR=",",HEADER="true",用于将待加载文件f1的applicant_id字段和applicant_name字段加载到类型名称为Person的节点上。其中,SEPARATOR指示待加载文件f1中各保单字段(即各列)的分隔符,HEADER="true"表示待加载文件f1有列名。
再比如,加载命令:LOAD f1 TO EDGE SubPolicy_InsuredPhone VALUES($"sub_policy_no",$"insured_phone_number")USING SEPARATOR=",",HEADER="true",用于将待加载文件f1的sub_policy_no字段和insured_phone_number字段加载到类型名称为SubPolicy_InsuredPhone的边上。
通过将保单信息加载到点边关系图的处理,可以获得各保单对应的点边关系图(该点边关系图中加载有该保单的保单字段),将各点边关系图分别看作一个社群,之后判断两个社群之间是否存在关联,进而根据判断结果进行社群合并,得到新社群,重复上述操作,直至各新社群之间不存在关联。此时,即可得到保单关系网络。实施例中,如果两个社群的同一目标节点具有相同的属性信息,则认为两个社群存在关联。
步骤S102:根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络。由步骤S101的保单关系网络生成过程可知,最终的保单关系网络包括多个社群,每个社群即一个子网络。不同子网络对理赔金额、出险保单占比等不同,属于群体欺诈的风险级别也不同。为了合理、准确的识别欺诈群体,可以按照风险级别对各子网络进行标注。
该步骤中,筛选条件可用于从保单关系网络中筛选出可能存在群体欺诈行为的子网络。之后通过人工或者自动标注的方式,对利用筛选条件筛选出的子网络进一步进行风险级别的标注,并将标注为目标风险级别的子网络组合为群体欺诈网络。
实施例中,风险级别可以分为三类,比如分为高风险、中风险和低风险,再比如分为黑网、灰网、白网。其中,高风险(黑网)对应的子网络是确定存在群体欺诈行为的子网络,中风险(灰网)对应的子网络是待进一步确认的子网络,低风险(白网)对应的子网络是确定不存在群体欺诈行为的子网络。因此,可以将风险级别标注为高风险的子网络组合为群体欺诈网络。
步骤S103:接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。目标保单即待识别欺诈风险的保单。当接收到对目标保单的风险评估请求时,根据风险评估请求的参数,在保单关系网络中查询属性信息与该参数相匹配的节点。如果某个节点的属性信息中包含该参数,则该节点与该参数相匹配。
之后判断该节点是否属于群体欺诈网络,以确定目标保单与群体欺诈网络的关联度。如果该节点属于群体欺诈网络,则目标保单与群体欺诈网络相关联,可认为目标保单存在欺诈风险;如果该节点不属于群体欺诈网络,则目标保单与群体欺诈网络不关联,可认为目标保单不存在欺诈风险。至此完成对目标保单的欺诈风险评估。
本实施例能够对目标保单进行实时欺诈风险分析,能够实时、高效、完整的识别存在群体欺诈风险的保单,降低业务风险。
图2是根据本发明实施例的群体欺诈识别方法的业务流程示意图。如图2所示,本发明实施例的群体欺诈识别方法由群体欺诈识别***实现。其中,群体欺诈识别***包括统一风控平台和图计算分析平台。下面对群体欺诈识别方法的业务流程进行说明。
本发明实施例的群体欺诈识别方法的业务流程包括网络构建流程、筛选打标流程和实时核保流程。其中,网络构建流程,包括:大数据平台将保单信息推送到风控数据库;风控数据库对保单信息进行格式化处理,生成格式化信息;在图计算分析平台创建点边关系图,并把格式化信息与点边关系图的点和边做映射,进而将格式化信息导入到点边关系图,生成保单关系网络。
筛选打标流程,包括:作业人员(比如运营理赔、核保人员)基于保单关系网络,输入筛选条件,比如理赔金额、人数、出险保单占比等,查询分析潜在的高风险子网络(即存在群体欺诈可能的子网络);之后结合自身业务经验,将上述潜在的高风险子网络进一步标注为黑网、白网、灰网三类,并将标注为黑网的子网络组合为群体欺诈网络。
实时核保流程,包括:当业务***接收到新保单时,调用统一风控平台进行风险评估;统一风控平台查询图计算分析平台的群体欺诈网络,由图计算分析平台实时计算新保单与现有的群体欺诈网络之间是否相关联,并将结果返回至统一风控平台;统一风控平台根据图计算分析平台的返回结果,相应作出“核保通过”、“拒保”、“转人工核保”的决定,并返回给业务***。
图3是根据本发明实施例的群体欺诈识别方法中图计算分析平台的架构示意图。如图3所示,本发明实施例的图计算分析平台主要包括图数据的导入、图计算和图分析三大功能模块。其中,图数据的导入依赖于大数据平台对保单信息进行格式化处理生成的格式化信息,之后通过Spark导入到图数据库(GraphDB)中。图计算依赖于Python、Java服务实现实时的图计算,且基于Nginx实现负载均衡。同时,可以在图计算分析平台构建可视化后台服务,支持点边关系图的查询、可视化交互分析、网络筛选打标等图分析功能。
其中,Spark是为大规模数据处理而设计的快速通用的计算引擎。HDFS全称为Hadoop Distributed File System,是一个分布式文件***。GraphDB是图数据库。Python是一种解释型、面向对象、动态数据类型的高级程序设计语言。Java是一门面向对象编程语言。Nginx是一个高性能的HTTP和反向代理服务器。GraphX是一个分布式图处理框架。OLAP全称为Online Analytical Processing,也叫联机分析处理。Plato为一个OLAP服务器的代号。OLTP全称为Online Transaction Processing,也叫联机事务处理。
图4是根据本发明实施例的群体欺诈识别方法的主要流程示意图。如图4所示,本发明实施例的群体欺诈识别方法,主要包括以下步骤:
步骤S401:图计算分析平台以保单信息的实体对象为所述节点,以实体对象之间的关系为边,创建点边关系图。结合图2,大数据平台可以将存量的保单信息(可称为历史保单信息)和T+1日增量的保单信息(可称为增量保单信息)推送到风控数据库。实施例中,保单信息可以是航延险、意外健康险、车险等保险产品的承保、理赔等保单记录。
为了将保单信息快速导入到图数据库,可以由风控数据库使用SPOOL工具将历史保单信息进行格式化,使用编写的代码程序将增量保单信息进行格式化,得到格式化信息,之后将格式化信息存储到待加载文件。其中,SPOOL工具用于导出规定格式的数据。实施例中,可以将保单信息格式化为CSV文件、JSON文件等,优选为更加简洁高效的CSV文件。
图计算分析平台接收到待加载文件后,以保单信息的实体对象为节点、以实体对象之间的关系为边,创建点边关系图。具体实现流程为:创建关系图任务,包括创建节点和创建用于节点之间连接的无向边;之后运行关系图任务,即可得到创建好的点边关系图。
实际应用中,根据业务特点和保单信息来选取节点和边。图5是本发明实施例的点边关系图的结构示意图。如图5所示,点边关系图中包括8个节点和22条无向边。其中,8个节点分别为:子保单号(SubPolicy)、理赔号(Claim)、手机号(Phone)、邮箱(Email)、人(Person)、保单号(Policy)、收款账户(Account)和社群(Community)。
以创建节点Person为例,可以使用如下语句实现:ADD VERTEX Person(PRIMARY_ID id STRING,name STRING,gender STRING)WITH PRIMARY_ID_AS_ATTRIBUTE="true"。上述语句中,ADD VERTEX关键字用于创建节点,Person是自定义的节点类型名,PRIMARY_ID为节点的标识符,name、gender均为自定义的属性。
22条无向边,分别为:连接节点SubPolicy和节点Phone的边(SubPolicy_ApplicantPhone、SubPolicy_InsuredPhone)、连接节点Claim和节点Phone的边(Claim_ReportorPhone、Claim_ApplicantPhone、Claim_InsuredPhone)、连接节点SubPolicy和节点Email的边(SubPolicy_ApplicantEmail、SubPolicy_InsuredEmail)、连接节点SubPolicy和节点Person的边(SubPolicy_Applicant、SubPolicy_Insured)、连接节点Policy和节点SubPolicy的边(Policy_SubPolicy)、连接节点Policy和节点Claim的边(Policy_Claim)、连接节点Claim和节点Account的边(Claim_Account)、连接节点Community和节点SubPolicy的边(Community_SubPolicy)、连接节点Community和节点Phone的边(Community_Phone)、连接节点Community和节点Email的边(Community_Email)、连接节点Community和节点Person的边(Community_Person)、连接节点Claim和节点Person的边(Claim_Applicant、Claim_Insured)、连接节点Claim和节点Email的边(Claim_ApplicantEmail、Claim_InsuredEmail)、连接节点Community和节点Claim的边(Community_Claim)、连接节点Community和节点Account的边(Community_Account)。其中,Applicant指投保人,Insured指被保人,Reportor指报案人。
以创建边SubPolicy_ApplicantPhone为例,可以使用如下语句实现:ADDUNDIRECTED EDGE SubPolicy_ApplicantPhone(FROM SubPolicy,TO Phone)。该语句中,ADD...EDGE关键字用于创建边,UNDIRECTED表示是无向边。
步骤S402:图计算分析平台根据保单信息的保单字段与点边关系图的节点和边之间的映射关系,将保单信息加载到点边关系图,生成相应的保单关系网络。将待加载文件的保单字段与点边关系图的节点和边进行映射,以将保单字段加载到相应的节点和边,进而导入格式化信息。
具体地,创建数据加载任务,该数据加载任务用于定义待加载文件和加载命令,待加载文件用于存储格式化信息,加载命令用于为节点和边加载相应保单字段的字段数据;之后运行数据加载任务,以使得待加载文件的字段数据被加载到点边关系图的相应节点和相应边。其中,加载命令的实现语句如前所述,此处不再赘述。
将保单信息加载到点边关系图后,根据点边关系图的节点、边、以及属性信息生成相应的保单关系网络。具体实现见图6相关描述。
步骤S401和步骤S402通过以实体对象为节点,实体对象之间的关系为边创建点边关系图,使得可以在几分钟时间内完成对亿级保单信息的社群计算,且能够在T+1日增量更新保单关系网络。
步骤S403:图计算分析平台根据设定的筛选条件,对保单关系网络的子网络进行风险级别的标注,得到子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络。实施例中,筛选条件可以包括不同风险级别对应的子条件,各子条件中设置有多个维度指标的指标阈值,用于判断各维度指标的当前值是否符合相应指标阈值。维度指标的选择以及指标阈值的取值可以根据业务经验设置。
比如,风险级别可以分为三类,高风险、中风险和低风险,高风险对应的子条件可以是理赔金额大于等于1000元,出险保单占比大于等于50%,人数大于5人。该步骤中需根据保单关系网络的子网络中节点的属性信息和边的属性信息,判断该子网络所满足的子条件;之后获取该子条件对应的风险级别,将获取的风险级别标注为该子网络的风险级别。比如某个子网络满足高风险对应的子条件,则标注该子网络的风险级别为高风险。
目标风险级别即业务人员认为存在群体欺诈行为的风险级别。实施例中,目标风险级别可以是高风险,也可以是高风险和中风险。以目标风险级别为高风险为例,将标注为高风险的子网络进行组合,得到群体欺诈网络。本步骤支持线上输入筛选条件,并对子网络进行风险级别的标注,支持一键添加到群体欺诈网络。
步骤S404:当统一风控平台接收到业务***发送的对目标保单的风险评估请求时,根据风险评估请求的参数生成查询请求,并将查询请求发送至图计算分析平台。目标保单可以是待进行欺诈风险评估的新保单。业务***接收到新保单时,根据新保单的保单信息,生成相应的风险评估请求,并发送至统一风控平台。其中,风险评估请求的参数包括保单号、投被保人证件号、投被保人手机号、投保人邮箱。
统一风控平台接收到风险评估请求后,解析出风险评估请求的参数,以生成查询请求,并发送至图计算分析平台。该查询请求的参数包括保单号、投被保人证件号、投被保人手机号、投保人邮箱。
步骤S405:图计算分析平台实时计算目标保单与群体欺诈网络的关联度,确定目标保单的欺诈风险并将确定结果返回至统一风控平台。根据查询请求的参数和节点的属性信息,在保单关系网络中查询相匹配的节点作为关键节点;之后判断关键节点是否属于群体欺诈网络的子网络,若是,则确定目标保单与群体欺诈网络相关联;若否,则确定目标保单与群体欺诈网络无关联。
在匹配关键节点时,如果参数中存在任一参数值与保单关系网络的节点的属性信息相同,则该节点为关键节点。以参数中手机号为例,如果保单关系网络的手机号节点中存在与参数的手机号号码相同的节点,则该节点为关键节点。
若关键节点属于群体欺诈网络,则认为该目标保单与群体欺诈网络相关联;若关键节点不属于群体欺诈网络,则认为该目标保单与群体欺诈网络不关联。图计算分析平台将欺诈风险的确定结果返回至统一风控平台。比如,若目标保单与群体欺诈网络相关联,则确定结果为存在欺诈风险,可以返回数字“1”;若目标保单与群体欺诈网络不关联,则确定结果为不存在欺诈风险,可以返回数字“0”。
步骤S406:统一风控平台根据图计算分析平台返回的确定结果进行核保决策,并返回至业务***。统一风控平台根据确定结果,作出“核保通过”、“拒保”并返回给业务***,实现了高风险群体的实时拦截。
图6是本发明实施例的保单关系网络的生成流程示意图。如图6所示,本发明实施例的保单关系网络的生成流程,主要包括以下步骤:
步骤S601:从多个当前社群中不重复的选择两个当前社群。其中,当前社群的初始值为加载有一个保单的保单记录的点边关系图。由于保单信息中包括多个保单的保单记录,经过之前的保单信息加载处理后,一个保单对应一个点边关系图,将一个点边关系图看作一个社群,则社群数量为保单信息的保单数量。从全部社群中任意、不重复的选择两个社群作为当前社群。
步骤S602:判断选择出的两个当前社群的同一目标节点是否具有相同属性信息,若是,则执行步骤S603;否则,执行步骤S604。其中,目标节点可以是保单号、理赔号、人、电话、邮箱等。如果两个社群的保单号、理赔号、人、电话、邮箱等任一节点的属性信息相同,即来自同一张保单、同一个理赔案件、同一人、同一电话、同一邮箱等,均可以说明两个社群之间存在关联。
步骤S603:将两个当前社群合并为新社群,将新社群更新为当前社群,执行步骤S604。如果两个社群之间存在关联,则将这两个社群进行合并。
步骤S604:判断是否达到设定的结束条件,若未达到结束条件,则执行步骤S601;若达到结束条件,则结束。结束条件可以是社群之间没有可以关联的属性信息,或者关联到的均是已经关联过的保单。假设经过多轮社群选择、合并以及结束条件判断处理后,满足结束条件,此时合并所得的结果即最终的保单关系网络。
下面以航延险的保单信息为例,对本发明实施例的群体欺诈识别方法进行进一步说明。
本实施例中,选取2019年01月-2021年03月共27个月的航延险的承保、理赔记录(即保单信息)进行保单关系网络搭建,并按照筛选条件标注出高风险的子网络,以生成群体欺诈网络,之后选取2021年04-07月生成的保单(即目标保单)模拟核保线上调用。具体实现如下:
首先,在大数据平台加工时间范围为2019年01月-2021年03月共500多万个航延险保单的承保数据表和理赔数据表。其中,承保表的保单字段包括:保单号、销售方案代码、销售方案名称、定额方案号、定额方案名称、险类代码、险类名称、险种代码、险种名称、投保人姓名、投保人类型、投保人证件号、投保人性别、投保人生日、投保人手机号、投保人邮箱、被保人姓名、被保人类型、被保人证件号、被保人性别、被保人生日、被保人手机号、被保人邮箱、投保日期、起保日期、终保日期、创建人、创建时间、修改人、修改时间、子保单号、团体标志1:个单;2:团单、保单状态、销售渠道代码、渠道名称、业务归属部门代码、业务部名称、事业部名称、退保日期、退保间隔时间、保费、保额、投保人是否黑名单、投保人黑名单类型、投保人黑名单原因、被保人是否黑名单、被保人黑名单类型、被保人黑名单原因、原始保费、航班、起始地、目的地、起始时间、到达时间、是否出险。
理赔表的保单字段包括:立案号、险别代码、险别名称、险别赔付金额、案件赔付金额、保单号、子保单号、保费、被保人手机号、被保人姓名、被保人证件类型、被保人证件号、被保人性别、被保人年龄、被保人出生日期、被保人邮箱、被保人省、险类代码、险类名称、险种代码、险种名称、销售方案代码、销售方案名称、定额方案代码、定额方案名称、渠道代码、渠道名称、业务归属部门代码、业务归属部门名称、出险日期、报案日期、立案日期、结案日期、报案号、出险地点、是否续保保单、保单生效日期、保单是否有效、疾病名称、投保人手机号码、投保人姓名、投保人证件类型、投保人证件号、投保人性别、投保人年龄、投保人出生日期、投保人邮箱、投保人省、中保信查询结果、阳性标签、创建人、创建时间、修改人、修改时间、团体标志、收款账户、报案人姓名、报案人手机号、报案人与被保险人关系、航班、起始地、目的地、起始时间、到达时间。
之后,将大数据平台加工的数据推送到风控数据库中,并自动化生产CSV文件,将CSV文件自动推送到图计算分析平台。在图计算分析平台创建点边关系图,并把CSV文件与点边关系图的节点、边做映射关系,进而导入数据,并计算构建好保单关系网络。
之后,作业人员基于保单关系网络输入筛选条件:理赔金额>=1000元,出险保单占比50%,查询分析存在群体欺诈可能的子网络;之后结合自身业务经验对存在群体欺诈可能的子网络进行标注,比如标注为黑网、灰网、白网三类,并将标注为黑网的子网络添加到群体欺诈网络。本实施例中,共将222个子网络标注为黑网,并添加到群体欺诈网络中。表1为本实施例的群体欺诈网络的字段结构示意。
表1
最后,选取2021年04月-2021年07月共40万的保单,查询图计算分析平台的群体欺诈网络,共拦截高风险保单996个,其中出险保单762单。该群体欺诈识别***的拦截率为0.25%,投产比为433%,精准率为77%,预计年减损金额达40万元。
本发明实施例基于大数据和图数据库技术提供了一种群体欺诈识别方法,该方法通过将保单信息加载到基于图数据库技术创建的点边关系图中,生成保单关系网络,进而对保单关系网络的子网络进行标注,以根据标注结果对目标保单进行实时欺诈风险分析,能够实时、高效、完整的识别存在群体欺诈行为的保单,进而可以实时拦截存在群体欺诈行为的保单,拦截范围更广更精准,有效降低欺诈风险。
图7是根据本发明实施例的群体欺诈识别***的主要模块的示意图。如图7所示,本发明实施例的群体欺诈识别***700,主要包括:
网络生成模块701,用于根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络。为了生成保单关系网络,需将保单信息加载到预创建的点边关系图,且一个点边关系图加载一个保单的保单记录。实施例中,通过创建数据加载任务,并运行数据加载任务,实现保单信息的数据加载。
通过上述将保单信息加载到点边关系图的处理,可以获得各保单对应的点边关系图,将各点边关系图分别看作一个社群,之后判断两个社群之间是否存在关联,进而根据判断结果进行社群合并,得到新社群,重复上述操作,直至各新社群之间不存在关联。此时,即可得到保单关系网络。
网络组合模块702,用于根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络。由保单关系网络生成过程可知,最终的保单关系网络包括多个社群,每个社群即一个子网络。不同子网络对理赔金额、出险保单占比等不同,属于群体欺诈的风险级别不同。为了合理、准确的识别欺诈群体,可以按照风险级别对各子网络进行标注。之后将标注为目标风险级别的子网络组合为群体欺诈网络。
欺诈识别模块703,用于接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。目标保单即待进行欺诈风险识别的保单。当接收到对目标保单的风险评估请求时,根据风险评估请求的参数,在保单关系网络中查询属性信息与该参数相匹配的节点。
之后判断该节点是否属于群体欺诈网络,以确定目标保单与群体欺诈网络的关联度。如果该节点属于群体欺诈网络,则目标保单与群体欺诈网络相关联,可认为目标保单存在欺诈风险;如果该节点不属于群体欺诈网络,则目标保单与群体欺诈网络不关联,可认为目标保单不存在欺诈风险。至此完成对目标保单的欺诈风险评估。
另外,本发明实施例的群体欺诈识别***700还可以包括:格式化处理模块和关系图构建模块(图7中未示出)。其中,格式化处理模块,用于对所述保单信息进行格式化处理,得到格式化信息;将所述格式化信息存储到所述待加载文件。关系图构建模块,用于以所述保单信息的实体对象为所述节点,以所述实体对象之间的关系为所述边,创建所述点边关系图。
从以上描述可以看出,通过将保单信息加载到基于图数据库技术创建的点边关系图中,生成保单关系网络,进而对保单关系网络的子网络进行标注,以根据标注结果对目标保单进行实时欺诈风险分析,能够实时、高效、完整的识别存在群体欺诈行为的保单,降低业务风险。
图8示出了可以应用本发明实施例的群体欺诈识别方法或群体欺诈识别***的示例性***架构800。
如图8所示,***架构800可以包括服务器801、802、803和网络804、805。网络804用以在服务器801和服务器802之间提供通信链路的介质。网络805用以在服务器802和服务器803之间提供通信链路的介质。网络804、805可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
服务器801、802、803可以是提供各种服务的服务器。例如服务器801可以在接收到新保单时,调用服务器802进行风险评估。服务器802可以接收保单信息,生成保单关系网络、构建群体欺诈网络、识别新保单的欺诈风险,并将处理结果(例如风险识别结果)反馈给服务器801。服务器803可以将保单信息发送至服务器802。
需要说明的是,本申请实施例所提供的群体欺诈识别方法一般由服务器802执行,相应地,群体欺诈识别***一般设置于服务器802中。
应该理解,图8中的网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的网络和服务器。
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
本发明的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例的一种群体欺诈识别方法。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种群体欺诈识别方法。
下面参考图9,其示出了适用于来实现本发明实施例的电子设备的计算机***900的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机***900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有计算机***900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本发明公开的实施例,上文主要步骤图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本发明的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括网络生成模块、网络组合模块和欺诈识别模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,网络生成模块还可以被描述为“根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络;根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络;接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。
根据本发明实施例的技术方案,通过将保单信息加载到基于图数据库技术创建的点边关系图中,生成保单关系网络,进而对保单关系网络的子网络进行标注,以根据标注结果对目标保单进行实时欺诈风险分析,能够实时、高效、完整的识别存在群体欺诈行为的保单,降低业务风险。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种群体欺诈识别方法,其特征在于,包括:
根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络;
根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络;
接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。
2.根据权利要求1所述的方法,其特征在于,所述将所述保单信息加载到所述点边关系图,包括:
创建数据加载任务,其中,所述数据加载任务用于定义待加载文件和加载命令,所述待加载文件用于存储所述保单信息,所述加载命令用于为所述节点和所述边加载相应保单字段的字段数据;
运行所述数据加载任务,以使得所述待加载文件的字段数据被加载到所述点边关系图的相应节点和相应边。
3.根据权利要求1所述的方法,其特征在于,所述保单信息包括设定时间段内生成的多个保单的保单记录;
所述生成相应的保单关系网络,包括:重复执行以下步骤,直至达到设定的结束条件:
判断步骤:从多个当前社群中不重复的选择两个当前社群,判断所述两个当前社群的同一目标节点是否具有相同属性信息;其中,所述当前社群的初始值为加载有一个保单的保单记录的点边关系图;
处理步骤:若是,则将所述两个当前社群合并为新社群,将所述新社群更新为所述当前社群,执行所述判断步骤;若否,则执行所述判断步骤。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对所述保单信息进行格式化处理,得到格式化信息;
将所述格式化信息存储到所述待加载文件。
5.根据权利要求1所述的方法,其特征在于,所述根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,包括:
根据所述风险评估请求的参数和所述节点的属性信息,在所述保单关系网络中查询相匹配的节点作为关键节点;
判断所述关键节点是否属于所述群体欺诈网络的子网络,若是,则确定所述目标保单与所述群体欺诈网络相关联;若否,则确定所述目标保单与所述群体欺诈网络无关联。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
以所述保单信息的实体对象为所述节点,以所述实体对象之间的关系为所述边,创建所述点边关系图。
7.根据权利要求1至6的任一项所述的方法,其特征在于,所述筛选条件包括不同风险级别对应的子条件;
所述根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,包括:
根据所述保单关系网络的子网络中所述节点的属性信息和所述边的属性信息,判断所述子网络所满足的子条件;
获取所述子条件对应的风险级别,将获取的所述风险级别标注为所述子网络的风险级别。
8.一种群体欺诈识别***,其特征在于,包括:
网络生成模块,用于根据保单信息的保单字段与预创建的点边关系图的节点和边之间的映射关系,将所述保单信息加载到所述点边关系图,生成相应的保单关系网络;
网络组合模块,用于根据设定的筛选条件,对所述保单关系网络的子网络进行风险级别的标注,得到所述子网络的标注结果,将归属于目标风险级别的子网络组合为群体欺诈网络;
欺诈识别模块,用于接收对目标保单的风险评估请求,根据所述风险评估请求的参数,计算所述目标保单与所述群体欺诈网络的关联度,根据所述关联度确定所述目标保单的欺诈风险。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294202.8A CN114022295A (zh) | 2021-11-03 | 2021-11-03 | 一种群体欺诈识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294202.8A CN114022295A (zh) | 2021-11-03 | 2021-11-03 | 一种群体欺诈识别方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022295A true CN114022295A (zh) | 2022-02-08 |
Family
ID=80060270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111294202.8A Pending CN114022295A (zh) | 2021-11-03 | 2021-11-03 | 一种群体欺诈识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485559A (zh) * | 2023-06-21 | 2023-07-25 | 杭州大鱼网络科技有限公司 | 一种批量保险业务处理风险监测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364233A (zh) * | 2018-01-12 | 2018-08-03 | 中国平安人寿保险股份有限公司 | 一种保单风险评估方法、装置、终端设备及存储介质 |
CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
CN110659395A (zh) * | 2019-08-14 | 2020-01-07 | 平安科技(深圳)有限公司 | 关系网络图谱构建方法、装置、计算机设备和存储介质 |
US20200242615A1 (en) * | 2019-01-28 | 2020-07-30 | Fair Isaac Corporation | First party fraud detection |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
-
2021
- 2021-11-03 CN CN202111294202.8A patent/CN114022295A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364233A (zh) * | 2018-01-12 | 2018-08-03 | 中国平安人寿保险股份有限公司 | 一种保单风险评估方法、装置、终端设备及存储介质 |
CN108734479A (zh) * | 2018-04-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 保险欺诈识别的数据处理方法、装置、设备及服务器 |
US20200242615A1 (en) * | 2019-01-28 | 2020-07-30 | Fair Isaac Corporation | First party fraud detection |
CN110659395A (zh) * | 2019-08-14 | 2020-01-07 | 平安科技(深圳)有限公司 | 关系网络图谱构建方法、装置、计算机设备和存储介质 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
Non-Patent Citations (1)
Title |
---|
周晓楠;黄磊;王飞跃;储明;黄涛;: "图数据库在识别重大疾病保险团伙式欺诈中的应用研究", 保险研究, no. 09, 20 September 2020 (2020-09-20), pages 92 - 104 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485559A (zh) * | 2023-06-21 | 2023-07-25 | 杭州大鱼网络科技有限公司 | 一种批量保险业务处理风险监测方法及*** |
CN116485559B (zh) * | 2023-06-21 | 2023-09-01 | 杭州大鱼网络科技有限公司 | 一种批量保险业务处理风险监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184154A (zh) | 一种业务审批方法和装置 | |
CN111382956A (zh) | 企业集团关系的挖掘方法和装置 | |
CN111198873A (zh) | 数据处理的方法和装置 | |
CN114841788B (zh) | 一种工程项目建设管理竣工决算全过程管理*** | |
CN111080178A (zh) | 一种风险监控方法和装置 | |
CN112258306A (zh) | 账务信息核对的方法、装置、电子设备和存储介质 | |
CN111833037A (zh) | 一种账户管理的方法及装置 | |
CN111414490A (zh) | 确定失联修复信息的方法、装置、电子设备和存储介质 | |
CN114022295A (zh) | 一种群体欺诈识别方法和*** | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN116029843A (zh) | 一种财务报销方法、装置及电子设备 | |
CN111191050B (zh) | 知识图谱本体模型构建的方法和装置 | |
CN111831868A (zh) | 金融产品配置的方法和装置 | |
CN112990311A (zh) | 一种准入客户的识别方法和装置 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN110930238A (zh) | 提高审核任务效率的方法、装置、设备和计算机可读介质 | |
CN114219629A (zh) | 一种资金归集方法、装置、设备及介质 | |
US20210357942A1 (en) | Method and apparatus for identifying risky vertices | |
CN116703555A (zh) | 一种预警方法、装置、电子设备及计算机可读介质 | |
CN112907362A (zh) | 贷款业务的处理方法、装置、电子设备和存储介质 | |
CN115270947A (zh) | 标准化能效服务模型构建方法、***、终端及存储介质 | |
CN114817347A (zh) | 业务审批方法、装置、电子设备和存储介质 | |
CN113495887A (zh) | 数据表单处理方法、装置和*** | |
CN111382279B (zh) | 审单方法和装置 | |
CN110895564A (zh) | 一种潜在客户数据处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |