[发明专利]基于专家规则的人工智能模型结果溯源方法、系统、装置

说明书

本发明公开了一种基于专家规则的人工智能模型结果溯源方法及系统，用于解决人工智能模型预测结果缺乏可解释性的问题。本发明首先从保险公司中收集高质量的车险案件历史数据，根据专家规则将车险案件历史数据转化为图结构数据；再通过图结构数据构建图谱网络，基于网络表示学习模型训练得到专家因子向量和专家规则向量；然后采集被人工智能模型判定为风险案件的车险实时数据，计算已触发的专家因子集合，通过缺省填补的方式得到拟触发规则向量；随后计算专家规则向量与拟触发规则向量的相似度；最后通过返回高相似度的拟触发规则，为车险专家提供溯源。本发明方法在保证较小的溯源耗时的同时，也保证了溯源的质量。

技术领域

本发明属于车险欺诈识别领域，尤其涉及一种基于专家规则的人工智能模型预测结果根因溯源方法、系统、装置。

背景技术

随着近年来车险欺诈案件的持续增长，不断上升的赔付成本使得越来越多的保险公司意识到车险欺诈的危害性并采取了一系列措施防范和打击车险虚假赔案。目前，车险反欺诈工作已经取得了一定的进展，其中，专家系统和智能理赔在车险反欺诈中起到了至关重要的作用。

专家系统作为一种重要的智能系统，能够利用车险专家的经验知识进行决策，从而判定案件的性质以达到预警的目的。专家系统良好的可解释性使得其在车险反欺诈中有着广泛的应用，但相对的，由于其基于规则和推理，一旦条件不充足，就很难得出有用的结果。因此，倘若欺诈方对规则有所了解，就可以通过满足一些细微的条件来规避专家系统的检测。另一方面，基于大数据的人工智能技术能够突破传统专家系统的局限，通过对被保险人、保险标的、出险情况等各方面数据进行收集和分析，为车险理赔提供了调查的方向。尽管智能理赔在识别车险欺诈上能够发挥较大的作用，但遗憾的是它并非像专家系统一样具备良好的可解释性，难以为案件提供直接的调查切入口，因此车险调查人员往往需要耗费大量的时间精力来查证此类案件。

因此，如何为智能理赔提供可靠的预测结果根因溯源成为车险反欺诈工作中的一大重难点。

发明内容

针对现有技术不足，本发明公开了一种基于专家规则的人工智能模型预测结果根因溯源方法、系统、装置。

为了解决上述问题，本发明的技术方案为：

本发明实施例的第一方面提供了一种基于专家规则的人工智能模型预测结果根因溯源方法，具体包括以下步骤：

步骤S1：采集车险案件历史数据，构建车险历史案件数据库；提取风险因子和专家因子，根据专家规则将车险案件历史数据转化为图结构数据；

步骤S2：采用步骤S1得到的图结构数据构建图谱网络，基于图谱网络通过网络表示学习模型训练得到专家因子向量，通过拼接或平均专家因子向量形成专家规则向量，并将专家因子向量和专家规则向量存储到规则向量数据库中；

步骤S3：采集被人工智能模型判定为风险案件的车险实时数据，通过提取风险因子和专家因子得到已触发的专家因子集合，结合步骤S2得到的专家规则向量，对照采用缺省填补的方式得到拟触发规则向量；

步骤S4：计算专家规则向量和拟触发规则向量的相似度；

步骤S5：根据相似度结果为车险实时案件提供溯因。

进一步地，所述步骤S1生成图结构数据具体为：先采集车险案件历史数据构建车险历史案件数据库；再提取出车险历史案件数据库中与专家规则相关联的字段，形成风险因子数据集；然后提取专家因子，按照专家规则中的因子组成对风险因子数据集中的各字段进行判断，生成的新字段，构成专家因子数据集；最后将专家因子数据集转换为图结构数据。

进一步地，所述图结构数据为三元组、边表或邻接矩阵。

进一步地，所述步骤S2中专家规则向量的计算方法还可以采用自编码器或嵌套等能实现将离散变量转换为连续向量表示的方法。