理赔案件的类别标签生成方法、装置、设备及介质与流程

本发明涉及智能决策，尤其涉及一种理赔案件的类别标签生成方法、装置、设备及介质。

背景技术：

1、随着金融、电商、社交等领域的业务线上化与复杂化，理赔案件的异常行为呈现出时序隐蔽性、关系团伙化及跨模态对抗等新特征。单一的行为序列、关系图谱或静态属性分析均难以全面刻画异常风险的全貌。实际场景中，多源异构数据，如操作日志、关联网络、用户画像并存且相互印证，亟需一种能够深度融合行为模式与结构信息的建模手段。因此，为了满足复杂场景下多模态风险协同认知的需求，需要对时序行为、关系拓扑及静态特征进行联合建模与动态融合，以提高保险异常行为识别的准确性。

2、在医疗健康保险理赔中，异常样本占比极低，现有技术多采用统计规则或单模态模型，仅能捕捉单一用户的零散就诊、理赔行为，难以挖掘投保人、医院、中介间的隐蔽关联，也无法同步捕捉时间错位的异常就诊模式，且模型泛化能力弱、缺乏可解释性，易出现漏判误判，最终大幅降低保险异常行为识别的准确。

3、在金融科技业务领域中，异常样本占比极低，现有技术多依赖传统机器学习或单模态模型，仅能识别单一用户的表层交易异常，难以挖掘用户、中介、合作机构间隐蔽的资金往来，也无法捕捉时间错位的异常操作模式，跨机构数据无法共享，模型缺乏可解释性且泛化能力不足，易出现漏判误判，导致保险异常行为识别准确性偏低。

4、现有技术通常依赖单一维度的统计规则或传统机器学习模型，仅基于理赔金额、历史次数等静态特征进行判断，或单独采用图神经网络分析关系结构，不与时序行为建模协同。这种做法难以同步捕捉时间维度的异常聚集模式与跨实体的隐蔽团伙关系，同时在异常样本比例低于0.1%的极端不平衡场景下容易过拟合。此外，单模态设计无法利用多源异构数据间的互补信息，导致复杂理赔案件类型识别准确性较低。

技术实现思路

1、本发明提供一种理赔案件的类别标签生成方法、装置、设备及介质，以解决理赔案件类型识别准确性较低的问题。

2、第一方面，提供了一种理赔案件的类别标签生成方法，所述方法包括：

3、获取目标理赔案件以及与所述目标理赔案件关联的实体对象及实体对象之间的关联关系，以所述实体对象为节点、所述关联关系为边构建异构图；

4、提取所述目标理赔案件在预设时间序列上的行为时序特征向量，以及提取所述目标理赔案件的静态属性特征向量，提取所述异构图中每个节点对应的实体对象的实体属性数据，根据所述实体属性数据生成每个节点的节点表征向量；

5、识别所述异构图中每条边对应的关系类型，根据所述关系类型，聚合所述异构图中每个节点的邻节点的特征向量，生成每个节点的特征聚合向量；

6、利用所述特征聚合向量更新每个节点的节点表征向量，并对更新后的所有节点的节点表征向量进行池化操作，生成所述目标理赔案件对应的图结构表征向量；

7、将所述行为时序特征向量、所述静态属性特征向量以及所述图结构表征向量分别作为三种模态数据输入预设的异构注意力融合网络，分别对每个模态数据进行线性映射，得到映射表征向量；

8、基于所述映射表征向量分别计算每个模态数据的注意力权重，并利用所述注意力权重对所述映射表征向量进行加权融合，得到融合特征向量；

9、对所述融合特征向量进行线性变换，得到线性输出值，利用预设的激活函数将所述线性输出值映射到预设的概率区间，得到所述目标理赔案件的类别概率值，将所述类别概率值与预设分类阈值进行比较，根据比较结果生成所述目标理赔案件对应的类别标签。

10、第二方面，提供了一种理赔案件的类别标签生成装置，所述装置包括：

11、异构图构建模块，用于获取目标理赔案件以及与所述目标理赔案件关联的实体对象及实体对象之间的关联关系，以所述实体对象为节点、所述关联关系为边构建异构图；

12、节点表征向量生成模块，用于提取所述目标理赔案件在预设时间序列上的行为时序特征向量，以及提取所述目标理赔案件的静态属性特征向量，提取所述异构图中每个节点对应的实体对象的实体属性数据，根据所述实体属性数据生成每个节点的节点表征向量；

13、特征聚合向量获取模块，用于识别所述异构图中每条边对应的关系类型，根据所述关系类型，聚合所述异构图中每个节点的邻节点的特征向量，生成每个节点的特征聚合向量；

14、图结构表征向量生成模块，用于利用所述特征聚合向量更新每个节点的节点表征向量，并对更新后的所有节点的节点表征向量进行池化操作，生成所述目标理赔案件对应的图结构表征向量；

15、映射表征向量获取模块，用于将所述行为时序特征向量、所述静态属性特征向量以及所述图结构表征向量分别作为三种模态数据输入预设的异构注意力融合网络，分别对每个模态数据进行线性映射，得到映射表征向量；

16、融合特征向量获取模块，用于基于所述映射表征向量分别计算每个模态数据的注意力权重，并利用所述注意力权重对所述映射表征向量进行加权融合，得到融合特征向量；

17、类别标签生成模块，用于对所述融合特征向量进行线性变换，得到线性输出值，利用预设的激活函数将所述线性输出值映射到预设的概率区间，得到所述目标理赔案件的类别概率值，将所述类别概率值与预设分类阈值进行比较，根据比较结果生成所述目标理赔案件对应的类别标签。

18、第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述理赔案件的类别标签生成方法的步骤。

19、第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述理赔案件的类别标签生成方法的步骤。

20、上述理赔案件的类别标签生成方法、装置、设备及介质所实现的方案中，可以通过客户端融合行为时序、静态属性、图结构三种模态数据，构建异构图并按关系类型聚合邻节点特征更新节点表征，通过异构注意力网络动态分配各模态权重并加权融合特征，最终实现案件分类，在本发明中，能同时捕捉理赔案件的时间行为模式、静态风险属性及实体关联结构，精准挖掘隐蔽团伙异常关系。通过异构图建模实体关联、时序特征刻画行为规律、注意力融合多维度信息，全面提取案件深层特征，综合提升识别可靠性，可以解决保险异常行为识别准确性较低的问题。

1.一种理赔案件的类别标签生成方法，其特征在于，所述方法包括：

2.如权利要求1所述的理赔案件的类别标签生成方法，其特征在于，所述提取所述目标理赔案件在预设时间序列上的行为时序特征向量，包括：

3.如权利要求1所述的理赔案件的类别标签生成方法，其特征在于，所述提取所述异构图中每个节点对应的实体对象的实体属性数据，包括：

4.如权利要求1所述的理赔案件的类别标签生成方法，其特征在于，所述根据所述关系类型，聚合所述异构图中每个节点的邻节点的特征向量，生成每个节点的特征聚合向量，包括：

5.如权利要求1所述的理赔案件的类别标签生成方法，其特征在于，所述利用所述特征聚合向量更新每个节点的节点表征向量，包括：

6.如权利要求1所述的理赔案件的类别标签生成方法，其特征在于，所述基于所述映射表征向量分别计算每个模态数据的注意力权重，包括：

7.如权利要求1所述的理赔案件的类别标签生成方法，其特征在于，所述利用预设的激活函数将所述线性输出值映射到预设的概率区间，得到所述目标理赔案件的类别概率值，包括：

8.一种理赔案件的类别标签生成装置，其特征在于，所述装置包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述理赔案件的类别标签生成方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述理赔案件的类别标签生成方法的步骤。