【技術實現步驟摘要】
本申請涉及金融科技，尤其涉及一種風險名單生成方法、裝置、設備、介質及產品。
技術介紹
1、在金融領域中，如保險行業，當前非車險理賠方面應用的風控名單和風控規則均來源于第三方。風控名單來源于承保端的黑名名單，風控規則來源于理賠業務制定的定性規則。
2、由于風控名單和風控規則由第三方固定提供，隨著理賠數據的種類和數量不斷擴展，難以及時確定非車理賠數據中的數據風險情況。
3、因此，需要一種可以效率確定非車理賠數據中的數據風險情況的方式。
技術實現思路
1、本申請提供一種風險名單生成方法、裝置、設備、介質及產品，用以解決目前需要一種可以效率確定非車理賠數據中的數據風險情況的方式的問題。
2、本申請第一方面提供一種風險名單生成方法，包括：
3、采用隨機森林bagging算法基于預設數據集生成對應風險預測模型；所述預設數據集包括歷史賠付相關數據；所述歷史賠付相關數據包括：客戶信息、賠付信息和保單信息；
4、獲取待處理的目標理賠數據；
5、將所述目標理賠數據輸入所述風險預測模型生成與所述目標理賠數據對應的風險標簽；
6、根據所述風險標簽生成與所述目標理賠數據對應的風險名單。
7、進一步地，如上所述的方法，所述采用隨機森林bagging算法基于預設數據集生成對應風險預測模型，包括：
8、對預設數據集進行特征提取處理，生成對應特征集；
9、采用隨機森林bagging算法基于所述特征
10、基于最終構建的多個決策樹構建對應風險預測模型。
11、進一步地，如上所述的方法，所述基于最終構建的多個決策樹構建對應風險預測模型，包括：
12、采用預設規則引擎配置多個決策樹生成的風險維度預測結果與風險標簽之間的映射關系，以生成對應風險預測模型；所述風險維度預測結果中各風險維度為預先設置的維度數據。
13、進一步地，如上所述的方法，所述獲取待處理的目標理賠數據，包括：
14、向理賠相關的電子設備發送理賠數據獲取請求；
15、接收理賠相關的電子設備發送的對應初始理賠數據；
16、對所述初始理賠數據進行數據清洗處理和數據預處理，生成目標理賠數據。
17、進一步地，如上所述的方法，所述根據所述風險標簽生成與所述目標理賠數據對應的風險名單，包括：
18、確定所述風險標簽在目標理賠數據中對應的關聯數據；
19、將關聯數據導入預設名單模板，生成對應的風險名單。
20、進一步地，如上所述的方法，所述方法還包括：
21、從預設數據庫中獲取誤判名單信息；所述誤判名單信息為未在風險名單中且存在風險的理賠數據或在風險名單中但不存在風險的理賠數據；
22、基于所述誤判名單信息對所述風險預測模型進行再次訓練，以生成優化后的風險預測模型。
23、進一步地，如上所述的方法，所述采用預設規則引擎配置多個決策樹生成的風險維度預測結果與風險標簽之間的映射關系，以生成對應風險預測模型之后，還包括：
24、獲取測試樣本；所述測試樣本包括測試理賠數據；
25、將所述測試樣本輸入風險預測模型，生成與所述測試樣本對應的測試風險標簽；
26、將測試風險標簽與實際風險標簽進行比對；所述實際風險標簽為人工對測試理賠數據標注的風險標簽；
27、若測試風險標簽與實際風險標簽相同，則確定風險預測模型的測試結果為測試通過。
28、本申請第二方面提供一種風險名單生成裝置，包括：
29、第一生成模塊，用于采用隨機森林bagging算法基于預設數據集生成對應風險預測模型；所述預設數據集包括歷史賠付相關數據；所述歷史賠付相關數據包括：客戶信息、賠付信息和保單信息；
30、獲取模塊，用于獲取待處理的目標理賠數據；
31、輸入模塊，用于將所述目標理賠數據輸入所述風險預測模型生成與所述目標理賠數據對應的風險標簽；
32、第二生成模塊，用于根據所述風險標簽生成與所述目標理賠數據對應的風險名單。
33、進一步地，如上所述的裝置，所述第一生成模塊具體用于：
34、對預設數據集進行特征提取處理，生成對應特征集；采用隨機森林bagging算法基于所述特征集構建對應多個決策樹；基于最終構建的多個決策樹構建對應風險預測模型。
35、進一步地，如上所述的裝置，所述第一生成模塊在基于最終構建的多個決策樹構建對應風險預測模型時，具體用于：
36、采用預設規則引擎配置多個決策樹生成的風險維度預測結果與風險標簽之間的映射關系，以生成對應風險預測模型；所述風險維度預測結果中各風險維度為預先設置的維度數據。
37、進一步地，如上所述的裝置，所述獲取模塊具體用于：
38、向理賠相關的電子設備發送理賠數據獲取請求；?接收理賠相關的電子設備發送的對應初始理賠數據；對所述初始理賠數據進行數據清洗處理和數據預處理，生成目標理賠數據。
39、進一步地，如上所述的裝置，所述第二生成模塊具體用于：
40、確定所述風險標簽在目標理賠數據中對應的關聯數據；將關聯數據導入預設名單模板，生成對應的風險名單。
41、進一步地，如上所述的裝置，所述裝置還包括：
42、訓練模塊，用于從預設數據庫中獲取誤判名單信息；所述誤判名單信息為未在風險名單中且存在風險的理賠數據或在風險名單中但不存在風險的理賠數據；基于所述誤判名單信息對所述風險預測模型進行再次訓練，以生成優化后的風險預測模型。
43、進一步地，如上所述的裝置，所述第一生成模塊還用于：
44、獲取測試樣本；所述測試樣本包括測試理賠數據；將所述測試樣本輸入風險預測模型，生成與所述測試樣本對應的測試風險標簽；將測試風險標簽與實際風險標簽進行比對；所述實際風險標簽為人工對測試理賠數據標注的風險標簽；若測試風險標簽與實際風險標簽相同，則確定風險預測模型的測試結果為測試通過。
45、本申請第三方面提供一種電子設備，包括：存儲器和處理器；
46、所述存儲器存儲計算機執行指令；
47、所述處理器執行所述存儲器存儲的計算機執行指令，以實現如第一方面任一項所述的風險名單生成方法。
48、本申請第四方面提供一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處理器執行時用于實現第一方面任一項所述的風險名單生成方法。
49、本申請第五方面提供一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現第一方面任一項所述的風險名單生成方法。
50、本申請提供的一種風險名單生成方法、裝置、設備、介質及產品，所述方法包括：采用隨機森林bagging算法基于預設數據集生成對應風險預測本文檔來自技高網...
【技術保護點】
1.一種風險名單生成方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述采用隨機森林Bagging算法基于預設數據集生成對應風險預測模型，包括：
3.根據權利要求2所述的方法，其特征在于，所述基于最終構建的多個決策樹構建對應風險預測模型，包括：
4.根據權利要求1所述的方法，其特征在于，所述獲取待處理的目標理賠數據，包括：
5.根據權利要求1所述的方法，其特征在于，所述根據所述風險標簽生成與所述目標理賠數據對應的風險名單，包括：
6.根據權利要求1所述的方法，其特征在于，所述方法還包括：
7.根據權利要求3所述的方法，其特征在于，所述采用預設規則引擎配置多個決策樹生成的風險維度預測結果與風險標簽之間的映射關系，以生成對應風險預測模型之后，還包括：
8.一種風險名單生成裝置，其特征在于，包括：
9.一種電子設備，其特征在于，包括：存儲器和處理器；
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處
11.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至7任一項所述的風險名單生成方法。
...【技術特征摘要】
1.一種風險名單生成方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述采用隨機森林bagging算法基于預設數據集生成對應風險預測模型，包括：
3.根據權利要求2所述的方法，其特征在于，所述基于最終構建的多個決策樹構建對應風險預測模型，包括：
4.根據權利要求1所述的方法，其特征在于，所述獲取待處理的目標理賠數據，包括：
5.根據權利要求1所述的方法，其特征在于，所述根據所述風險標簽生成與所述目標理賠數據對應的風險名單，包括：
6.根據權利要求1所述的方法，其特征在于，所述方法還包括：
7.根據權利要求...
【專利技術屬性】
技術研發人員：劉犖珺，李思濤，陳文利，
申請(專利權)人：中國人民財產保險股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。