CN118014739A - 一种基于双层图谱的理赔决策规则生成方法及装置 - Google Patents
一种基于双层图谱的理赔决策规则生成方法及装置 Download PDFInfo
- Publication number
- CN118014739A CN118014739A CN202410181397.2A CN202410181397A CN118014739A CN 118014739 A CN118014739 A CN 118014739A CN 202410181397 A CN202410181397 A CN 202410181397A CN 118014739 A CN118014739 A CN 118014739A
- Authority
- CN
- China
- Prior art keywords
- decision
- layer
- map
- double
- settlement
- 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 44
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 69
- 230000008439 repair process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 239000002355 dual-layer Substances 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000003973 paint Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于双层图谱的理赔决策规则生成方法及装置,包括:基于业务图谱和决策图谱构成双层知识图谱,基于此双层知识图谱构建风险组合规则,并按照风险组合规则对待处理保险理赔案例进行理赔决策。这种方法利用知识图谱的特性,将各类业务数据、规则等融入到理赔决策过程中,从而使得理赔决策更加精确、全面和有效。
Description
技术领域
本发明涉及保险理赔管理领域,具体而言,涉及一种基于双层图谱的理赔决策规则生成方法及装置。
背景技术
在传统的保险理赔决策过程中,通常需要人工进行大量的数据收集和分析,并依据经验制定理赔决策规则。这种方式不仅效率低下,而且容易因为个别人的主观判断而产生误差。近年来,虽然有些保险公司开始尝试使用机器学习等技术进行理赔决策,但这些技术往往需要大量的标注数据,并且在处理复杂的业务规则和各种异常情况时效果并不理想。因此,如何利用现有的业务数据和规则,以及如何有效地处理各种复杂的理赔案例,是当前保险理赔决策面临的重要问题。
发明内容
本发明的目的在于提供一种基于双层图谱的理赔决策规则生成方法及装置。
第一方面,本发明实施例提供一种基于双层图谱的理赔决策规则生成方法,包括:
基于业务图谱和决策图谱构成双层知识图谱;
基于所述双层知识图谱构建风险组合规则;
基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策。
在一种可能的实施方式中,所述业务图谱由在业务层面的保险理赔实体和事件关系进行关联图谱化得到;所述决策图谱由在决策层的理赔判定条件及过程进行决策图谱化得到。
在一种可能的实施方式中,所述基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策,包括:
将所述待处理保险理赔案例输入所述业务图谱,得到第一业务图谱输出;
将所述第一业务图谱输出输入所述决策图谱,得到第一决策图谱输出;
将所述第一决策图谱输出输入所述业务图谱,并基于所述风险组合规则,输出得到所述理赔决策结果。
在一种可能的实施方式中,所述将所述待处理保险理赔案例输入所述业务图谱,得到第一业务图谱输出,包括:
将所述待处理保险理赔案例输入所述业务图谱,提取相关路径数据与关系数据,得到所述第一业务图谱输出。
在一种可能的实施方式中,所述将所述第一业务图谱输出输入所述决策图谱,得到第一决策图谱输出,包括:
将所述第一业务图谱输出输入所述决策图谱,通过聚合、拆解、条件分支等算子进行计算汇总,得到所述第一决策图谱输出。
在一种可能的实施方式中,所述将所述第一决策图谱输出输入所述业务图谱,并基于所述风险组合规则,输出得到所述理赔决策结果,包括:
将所述第一决策图谱输出输入所述业务图谱,确定关键物理实体对象;
针对所述关键物理实体对象进行标签组合决策匹配,结合所述风险组合规则,得到所述理赔决策结果。
在一种可能的实施方式中,所述风险组合规则包括基础风险逻辑层、统一数据层以及差异限定条件层;
所述基础风险逻辑层来源于决策图谱中决策关联路径的逻辑概念抽取,构建整体基础逻辑;
所述统一数据层来源于决策图谱中统计特征抽取后的数据节点;
所述差异限定条件层来源于所述业务图谱中的物理实体画像标签差异化结果。
第二方面,本发明实施例提供一种基于双层图谱的理赔决策规则生成装置,包括:
构建模块,用于基于业务图谱和决策图谱构成双层知识图谱;基于所述双层知识图谱构建风险组合规则;
决策模块,用于基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策。
第三方面,本发明实施例一种计算机设备,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行第一方面至少一种可能的实施方式中所述的基于双层图谱的理赔决策规则生成方法。
第四方面,本发明实施例提供一种可读存储介质,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行第一方面至少一种可能的实施方式中所述的基于双层图谱的理赔决策规则生成方法。
相比现有技术,本发明提供的有益效果包括:采用本发明公开的一种基于双层图谱的理赔决策规则生成方法及装置,通过基于业务图谱和决策图谱构成双层知识图谱,基于此双层知识图谱构建风险组合规则,并按照风险组合规则对待处理保险理赔案例进行理赔决策。这种方法利用知识图谱的特性,将各类业务数据、规则等融入到理赔决策过程中,从而使得理赔决策更加精确、全面和有效。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的基于双层图谱的理赔决策规则生成方法的步骤流程示意图;
图2为本发明实施例提供的基于双层图谱的理赔决策规则生成装置的结构示意框图;
图3为本发明实施例提供的计算机设备的结构示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
下面结合附图,对本发明的具体实施方式进行详细说明。
为了解决前述背景技术中的技术问题,图1为本公开实施例提供的基于双层图谱的理赔决策规则生成方法的流程示意图,下面对该基于双层图谱的理赔决策规则生成方法进行详细介绍。
步骤S201,基于业务图谱和决策图谱构成双层知识图谱;
步骤S202,基于所述双层知识图谱构建风险组合规则;
步骤S203,基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策。
在本发明实施例中,示例性的,假设在处理车险理赔。业务图谱可以包括各类实体如被保人、车辆、修理厂等,以及它们之间的关系。例如,被保人拥有车辆,车辆发生事故,然后送到修理厂进行维修。而决策图谱则可能包括一些决策流程和条件,比如如果车辆损失严重,并且修理费用超过车辆价值的75%,那么可能选择报废而非修理。在得到双层知识图谱后,可以开始构建风险组合规则。例如,可以创建一个规则,即如果被保人是新驾驶员,车型为高风险车型(如跑车),并且事故发生在夜间,那么这个案例将被判定为高风险。当有一个新的理赔案例进来时,比如说一位新驾驶员驾驶一辆跑车在夜间发生了事故,需要理赔。就可以利用上面构建的风险组合规则,将这个案例的信息投影到双层知识图谱中,按照规则进行判断。根据规则,这个案例被判定为高风险,可能需要进行更详细的调查和审核才能完成理赔。
在本发明实施例中,所述业务图谱由在业务层面的保险理赔实体和事件关系进行关联图谱化得到;所述决策图谱由在决策层的理赔判定条件及过程进行决策图谱化得到。
在本发明实施例中,示例性的,在车险理赔的例子中,业务图谱是对保险理赔业务的各种实体(如被保人、车辆、修理厂等)和它们之间的事件关系(如被保人拥有车辆,车辆发生事故,然后送到修理厂进行维修等)进行图谱化的结果。可以想象一张地图,地图上的每个点代表一个实体,点与点之间的连线表示实体间的关系。例如,可以有一个连接被保人和车辆的线,表示"拥有"的关系;又如,一个车辆和修理厂之间的线,表示"送修"的关系。决策图谱是对理赔判定条件和过程进行图谱化的结果。比如,如果车辆损失严重,并且修理费用超过车辆价值的75%,那么可能选择报废而非修理。这个决策过程可以在决策图谱中表示为一个路径,该路径上的节点分别代表判断车辆损失是否严重,以及修理费用是否超过车辆价值的75%。如果两个条件都满足,就沿着路径走到最后,得出报废的决策。通过这样的方式,可以将保险理赔的业务层面和决策层面进行有效的图谱化表示,从而支持高效、准确的理赔决策。
在本发明实施例中,前述步骤S203可以通过以下示例执行实施。
(1)将所述待处理保险理赔案例输入所述业务图谱,得到第一业务图谱输出;
(2)将所述第一业务图谱输出输入所述决策图谱,得到第一决策图谱输出;
(3)将所述第一决策图谱输出输入所述业务图谱,并基于所述风险组合规则,输出得到所述理赔决策结果。
在本发明实施例中,示例性的,比如有一个待处理的车险理赔案例,其中包含了被保人、车辆以及事故发生的信息。这些信息会被输入到业务图谱中。在图谱中,可以看到被保人、车辆和相关事件(比如事故发生)的位置和关系。例如,被保人拥有这辆车,并且车辆在某个时间、地点发生了事故。这就是第一业务图谱输出。接下来,将第一业务图谱输出的信息(比如车型、事故情况等)输入到决策图谱中。在决策图谱中,可以根据这些信息找到对应的判断路径,比如先判断是否为高风险车型,再判断事故是否发生在夜间等。最后,会得到一个初步的决策结果,比如认为这个案例是高风险。这就是第一决策图谱输出。最后,将第一决策图谱输出的信息(比如判定为高风险)再次输入到业务图谱中,并结合之前构建的风险组合规则进行最终的理赔决策。例如,如果规则指出新驾驶员驾驶高风险车型在夜间发生事故的案例需要进行详细审核,那么最终的理赔决策结果可能就是对这个案例进行详细的审核和调查。
在本发明实施例中,前述将所述待处理保险理赔案例输入所述业务图谱,得到第一业务图谱输出的步骤,可以通过以下示例执行实施。
(1)将所述待处理保险理赔案例输入所述业务图谱,提取相关路径数据与关系数据,得到所述第一业务图谱输出。
在本发明实施例中,示例性的,假设有一个待处理的车险理赔案例,包括被保人信息、车辆信息以及事故发生的信息等。首先,将这些信息输入到已经构建好的业务图谱中。在图谱中,这些实体(被保人、车辆)和事件(事故发生)都有对应的节点。然后,在业务图谱中寻找与这个案例相关的路径和关系。比如,从被保人节点出发,可以找到一个到车辆节点的路径,表示被保人拥有这辆车;再从车辆节点出发,可以找到一个到事故节点的路径,表示这辆车发生了事故。这些路径和关系数据形成了这个案例的图谱化表示,也就是第一业务图谱输出。这个过程实际上就是在业务图谱中对案例进行建模,找出案例中各个元素(被保人、车辆、事故等)之间的关系,并以此为基础进行后续的决策分析。
在本发明实施例中,前述将所述第一业务图谱输出输入所述决策图谱,得到第一决策图谱输出的步骤,可以通过以下示例执行实施。
(1)将所述第一业务图谱输出输入所述决策图谱,通过聚合、拆解、条件分支等算子进行计算汇总,得到所述第一决策图谱输出。
在本发明实施例中,示例性的,假设已经有了第一业务图谱输出,这可能包括被保人的年龄、性别,车辆的类型,事故发生的时间和地点等信息。首先,将这些信息输入到决策图谱中。在决策图谱中,可能存在许多预设的规则或路径,比如"如果驾驶员年龄小于25岁并且驾驶高性能车辆,那么风险评级为高",或者"如果事故发生在深夜并且地点为城市中心,那么需要进行详细调查"等。然后,可以通过聚合算子对所有相关的规则进行汇总,例如统计出符合哪些高风险规则;通过拆解算子对复杂规则进行解析,例如分别考察驾驶员的年龄和车辆类型是否满足某条规则;通过条件分支算子处理各种不同情况,例如根据事故发生的时间和地点选择走哪个分支。最后,根据所有的计算和汇总结果,可以得到一个初步的决策输出。比如,如果驾驶员年龄小于25岁,驾驶高性能车辆,并且事故发生在深夜城市中心,那么初步决策可能是认为这个案例具有很高的风险,需要进行详细调查。这就是第一决策图谱输出。
在本发明实施例中,前述将所述第一决策图谱输出输入所述业务图谱,并基于所述风险组合规则,输出得到所述理赔决策结果的步骤,可以通过以下示例执行实施。
(1)将所述第一决策图谱输出输入所述业务图谱,确定关键物理实体对象;
(2)针对所述关键物理实体对象进行标签组合决策匹配,结合所述风险组合规则,得到所述理赔决策结果。
在本发明实施例中,示例性的,继续使用前面的场景,假设已经有了第一决策图谱的输出,即认为这个案例具有很高的风险,需要进行详细调查。首先,将这个决策输出输入到业务图谱中。在业务图谱中,可能会有多个物理实体对象与这个决策相关,比如驾驶员、车辆、事故地点等。然后,确定关键的物理实体对象,比如在这个例子中,关键的物理实体对象可能是驾驶员和车辆。接着,针对这些关键物理实体对象进行标签组合决策匹配。比如,可能会看驾驶员是否有酒驾的记录,车辆是否有过频繁的违章记录。然后,结合风险组合规则,比如"如果驾驶员有酒驾记录,并且车辆有过频繁的违章记录,那么拒绝理赔"等。最后,根据所有的匹配结果和风险组合规则,可以得到一个最终的理赔决策结果。比如,如果驾驶员确实有酒驾记录,并且车辆也有过频繁的违章记录,那么最终的理赔决策可能就是拒绝理赔。
在本发明实施例中,所述风险组合规则包括基础风险逻辑层、统一数据层以及差异限定条件层;
所述基础风险逻辑层来源于决策图谱中决策关联路径的逻辑概念抽取,构建整体基础逻辑;
所述统一数据层来源于决策图谱中统计特征抽取后的数据节点;
所述差异限定条件层来源于所述业务图谱中的物理实体画像标签差异化结果。
在本发明实施例中,示例性的,假设正在处理一家汽车保险公司的理赔决策问题,基础风险逻辑层:这一层主要来源于决策图谱中决策关联路径的逻辑概念抽取,构建整体基础逻辑。例如,从决策图谱中可以抽取出"年轻驾驶员驾驶高性能车辆的风险较高"或者"事故发生在深夜和城市中心需要进行详细调查"等基础风险逻辑。统一数据层:这一层主要来源于决策图谱中统计特征抽取后的数据节点。例如,通过分析过去的数据,可能发现事故发生在深夜的比例远高于白天,或者年轻驾驶员的事故率远高于年龄较大的驾驶员。这些统计数据就构成了统一数据层。差异限定条件层:这一层主要来源于业务图谱中的物理实体画像标签差异化结果。例如,可能会发现有些驾驶员虽然年龄较小,但他们的驾驶技术很好,事故率较低;或者有些车辆虽然是高性能车辆,但其维护得很好,事故率也较低。这些差异化的结果就构成了差异限定条件层。通过结合这三层,可以构建出更加精准和全面的风险组合规则,以便进行更好的理赔决策。
下面提供本发明实施例的一种整体实施方式。
业务图谱应用1
以保险理赔业务场景实体为节点,以多类关系(案件、车、修理厂、定损单、人等)为内容形成的业务关系图谱,对于需要进行风险判别的个案,流入***时按个案数据投影到图谱上,从业务图谱中提取投影路径数据与关系数据,形成个案业务局部路径与图谱的数据。
决策图谱应用2
决策图谱以流程化形式,将业务图谱的数据输入,结合数据节点和逻辑概念节点,按照聚合、拆解、条件分支、匹配运算、组合判定、优先级判定等多个算子,进行计算汇总输出。
业务图谱应用3
将决策图谱中的汇总输出结果再次带入业务图谱,对业务图谱中的关键物理实体对象(如人、车、修理厂)进行标签组合决策匹配,引入个性化图谱逻辑,生成最终决策结果。
个性规则结果生产
将最终决策结果按照个性化规则的3个组件进行拆分管理,
基础(风险)逻辑层:来源于决策图谱中决策关联路径的逻辑概念抽取,构建整体基础逻辑;
统一数据层:来源于决策图谱中统计特征抽取后的数据节点,如车险理赔中,某个车型的前保险杠喷漆的统计平均值数据;
差异限定条件层:面向个案的差异化场景限定条件,来自于业务图谱中的物理实体画像标签差异化;
通过3个组件的差异化,支持保司用户在个案上提出的落地问题咨询,包括:
风险来源:基础(风险)逻辑层解释;
风险证据:统一数据层给出整体指标(如个案前保险杠喷漆高于平均值30%以上);
风险个体差异:差异限定条件层给出的个体特征差异化标签;
值得说明的是:
1.“双层知识图谱”:
业务图谱:业务层对实体与事件关系进行关联图谱化;
决策图谱:管理层对判定条件及过程进行决策图谱化,并通过德联易控自研的策略调度引擎,能够高效地将业务关联知识图谱中抽象出的局部关系图进行转换,代入管理决策图谱目标判定节点中进行决策判断。
2.风险组合规则
决策判断后生成风险组合规则,由三部分构成:
基础(风险)逻辑层:来源于决策图谱中决策关联路径的逻辑概念抽取,构建整体基础逻辑;
统一数据层:来源于决策图谱中统计特征抽取后的数据节点,如车险理赔中,某个车型的前保险杠喷漆的统计平均值数据;
差异限定条件层:面向个案的差异化场景限定条件,来自于业务图谱中的物理实体画像标签差异化。
请结合参阅图2,图2为本发明实施例还提供的一种基于双层图谱的理赔决策规则生成装置110,包括:
构建模块1101,用于基于业务图谱和决策图谱构成双层知识图谱;基于所述双层知识图谱构建风险组合规则;
决策模块1102,用于基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策。
需要说明的是,前述基于双层图谱的理赔决策规则生成装置110的实现原理可以参考前述基于双层图谱的理赔决策规则生成方法的实现原理,在此不再赘述。应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,基于双层图谱的理赔决策规则生成装置110可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上基于双层图谱的理赔决策规则生成装置110的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(application specific integrated circuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(fieldprogrammable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(centralprocessingunit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,SOC)的形式实现。
本发明实施例提供一种计算机设备100,计算机设备100包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,计算机设备100执行前述的基于双层图谱的理赔决策规则生成装置110。如图3所示,图3为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括基于双层图谱的理赔决策规则生成装置110、存储器111、处理器112及通信单元113。
为实现数据的传输或交互,存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如,可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。基于双层图谱的理赔决策规则生成装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器111中或固化在计算机设备100的操作***(operatingsystem,OS)中的软件功能模块。处理器112用于执行存储器111中存储的基于双层图谱的理赔决策规则生成装置110,例如基于双层图谱的理赔决策规则生成装置110所包括的软件功能模块及计算机程序等。
本发明实施例提供一种可读存储介质,可读存储介质包括计算机程序,计算机程序运行时控制可读存储介质所在计算机设备执行前述的基于双层图谱的理赔决策规则生成方法。
出于说明目的,前面的描述是参考具体实施例而进行的。但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导,众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。
Claims (10)
1.一种基于双层图谱的理赔决策规则生成方法,其特征在于,包括:
基于业务图谱和决策图谱构成双层知识图谱;
基于所述双层知识图谱构建风险组合规则;
基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策。
2.根据权利要求1所述的方法,其特征在于,所述业务图谱由在业务层面的保险理赔实体和事件关系进行关联图谱化得到;所述决策图谱由在决策层的理赔判定条件及过程进行决策图谱化得到。
3.根据权利要求2所述的方法,其特征在于,所述基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策,包括:
将所述待处理保险理赔案例输入所述业务图谱,得到第一业务图谱输出;
将所述第一业务图谱输出输入所述决策图谱,得到第一决策图谱输出;
将所述第一决策图谱输出输入所述业务图谱,并基于所述风险组合规则,输出得到所述理赔决策结果。
4.根据权利要求3所述的方法,其特征在于,所述将所述待处理保险理赔案例输入所述业务图谱,得到第一业务图谱输出,包括:
将所述待处理保险理赔案例输入所述业务图谱,提取相关路径数据与关系数据,得到所述第一业务图谱输出。
5.根据权利要求3所述的方法,其特征在于,所述将所述第一业务图谱输出输入所述决策图谱,得到第一决策图谱输出,包括:
将所述第一业务图谱输出输入所述决策图谱,通过聚合、拆解、条件分支等算子进行计算汇总,得到所述第一决策图谱输出。
6.根据权利要求3所述的方法,其特征在于,所述将所述第一决策图谱输出输入所述业务图谱,并基于所述风险组合规则,输出得到所述理赔决策结果,包括:
将所述第一决策图谱输出输入所述业务图谱,确定关键物理实体对象;
针对所述关键物理实体对象进行标签组合决策匹配,结合所述风险组合规则,得到所述理赔决策结果。
7.根据权利要求1所述的方法,其特征在于,所述风险组合规则包括基础风险逻辑层、统一数据层以及差异限定条件层;
所述基础风险逻辑层来源于决策图谱中决策关联路径的逻辑概念抽取,构建整体基础逻辑;
所述统一数据层来源于决策图谱中统计特征抽取后的数据节点;
所述差异限定条件层来源于所述业务图谱中的物理实体画像标签差异化结果。
8.一种基于双层图谱的理赔决策规则生成装置,其特征在于,包括:
构建模块,用于基于业务图谱和决策图谱构成双层知识图谱;基于所述双层知识图谱构建风险组合规则;
决策模块,用于基于所述双层知识图谱按照所述风险组合规则对待处理保险理赔案例进行理赔决策。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器及存储有计算机指令的非易失性存储器,所述计算机指令被所述处理器执行时,所述计算机设备执行权利要求1-7中任意一项所述的基于双层图谱的理赔决策规则生成方法。
10.一种可读存储介质,其特征在于,所述可读存储介质包括计算机程序,所述计算机程序运行时控制所述可读存储介质所在计算机设备执行权利要求1-7中任意一项所述的基于双层图谱的理赔决策规则生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410181397.2A CN118014739A (zh) | 2024-02-18 | 2024-02-18 | 一种基于双层图谱的理赔决策规则生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410181397.2A CN118014739A (zh) | 2024-02-18 | 2024-02-18 | 一种基于双层图谱的理赔决策规则生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118014739A true CN118014739A (zh) | 2024-05-10 |
Family
ID=90950093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410181397.2A Pending CN118014739A (zh) | 2024-02-18 | 2024-02-18 | 一种基于双层图谱的理赔决策规则生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014739A (zh) |
-
2024
- 2024-02-18 CN CN202410181397.2A patent/CN118014739A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9053590B1 (en) | System and method for monitoring and predicting vehicle attributes | |
US8930305B2 (en) | Adaptive information processing systems, methods, and media for updating product documentation and knowledge base | |
JP6958442B2 (ja) | 情報処理システム、情報処理方法、及び情報処理プログラム | |
US11734766B1 (en) | Telematics devices and ridesharing | |
CN112579621B (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
Watanabe et al. | Scenario mining for development of predictive safety functions | |
WO2020116895A1 (ko) | 블록체인을 이용한 차량 정보 활용 시스템 | |
CN108228744A (zh) | 一种车辆诊断数据的管理方法及装置 | |
CN113743815A (zh) | 运营车辆的风险监控方法、装置、存储介质及计算机设备 | |
CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN118014739A (zh) | 一种基于双层图谱的理赔决策规则生成方法及装置 | |
WO2020116893A1 (ko) | 블록체인을 이용한 차량 관리 시스템 | |
CN111915368A (zh) | 汽车行业客户id识别***、方法及介质 | |
CN113380065B (zh) | 车辆管理方法、***、装置、电子设备及存储介质 | |
US20220155796A1 (en) | Collaborative Mobility Risk Assessment Platform | |
Makarova et al. | Improving the reliability of autonomous vehicles in a branded service system using big data | |
Kabashkin | Dependability of v2i services in the communication network of the intelligent transport systems | |
US20230133248A1 (en) | Utilization-specific vehicle selection and parameter adjustment | |
CN117521981B (zh) | 一种网约车安全机制管理*** | |
KR20190130762A (ko) | 도로교통 분석 서버, 도로교통정보 분석 시스템 및 분석 방법 | |
Beese et al. | Vehicle Data for Automated Driving over the Vehicles Lifecycle | |
US20220108565A1 (en) | Techniques for exchanging information associated with vehicles | |
CN116778721A (zh) | 车辆信息显示方法、装置、设备及存储介质 | |
CN116824227A (zh) | 异常车辆的识别方法、装置、设备及存储介质 |
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 |