保险售前客户行为与售后理赔结果的关联挖掘方法及装置与流程

本发明涉及数据挖掘，具体为一种保险售前客户行为与售后理赔结果关联挖掘方法及装置。

背景技术：

1、保险公司企业资源计划系统中积累了海量的业务数据资源，涵盖客户从咨询、投保到理赔的全生命周期信息，这些数据资产的有效利用对于提升保险公司的风险管理能力、优化核保定价策略以及制定精准营销方案具有重要的战略价值，如何从复杂的业务数据中挖掘这种跨阶段、跨维度的深层关联关系，已成为保险行业数字化运营的核心技术挑战。

2、基于保险售前售后数据的关联挖掘技术是当前保险科技领域的重要研究方向，然而，现有技术在保险行业具体应用场景中的数据关联分析方面存在显著不足。

3、首先，传统关联分析方法主要依赖保单号、客户标识等单一主键进行数据关联，仅能建立客户与保单、客户与理赔之间的一阶关联关系，无法捕捉客户行为特征与理赔结果之间的深层映射关系，导致大量高价值的跨域特征信息未被有效利用。

4、其次，保险业务中存在复杂的多跳因果路径，例如从高频率线上咨询到通过代理渠道投保，再到续保加保直至发生医疗险理赔的全过程，而现有技术缺乏对这种多类型节点和边构成的异构图结构的建模能力，无法发现跨越多个业务环节的复杂因果路径。

5、再者，传统机器学习方法通常将客户特征和业务特征简单拼接后输入分类模型，忽视了节点之间的结构信息和邻域信息对特征表示的增强作用，这种扁平化的特征处理方式难以充分表达保险业务中复杂的关联关系，导致理赔风险预测准确率较低。

6、此外，现有预测模型多为黑盒模型，仅输出风险评分而无法提供风险因素排序和因果规则解释，业务人员难以理解和应用模型输出结果进行策略优化，导致技术方案与业务决策之间存在较大的鸿沟。

技术实现思路

1、为了克服现有技术中存在的上述技术问题，本发明实施例提供一种保险售前客户行为与售后理赔结果关联挖掘方法及装置，通过对现有关联挖掘方法进行改机，针对保险的售前售后场景进行优化，从而提高数据关联挖掘的精确性，为企业进一步商业决策提供了数据依据。

2、为了实现上述目的，本发明实施例提供一种保险售前客户行为与售后理赔结果的关联挖掘方法，所述方法包括：获取保险erp系统中的多维度数据源；基于所述多维度数据源构建包含多类节点和多类异构边的图网络结构；基于多层图注意力网络对所述图网络结构进行高阶特征学习，生成图注意力网络模型；基于所述图注意力网络模型执行多跳因果关联规则挖掘，生成因果关联预测结果；基于所述因果关联预测结果执行理赔风险预测，生成预测结果。

3、优选地，所述基于所述多维度数据源构建包含多类节点和多类异构边的图网络结构，包括：从所述多维度数据源获取客户基础信息表、保单信息表、产品信息表、渠道信息表、服务事件记录表和理赔记录表；基于所述客户基础信息表和所述保单信息表确定客户基础属性特征和客户节点标识，基于所述客户基础属性特征和所述客户节点标识确定客户节点；基于所述产品信息表确定产品属性特征和产品节点标识，基于所述产品属性特征和所述产品节点标识确定产品节点；基于所述渠道信息表确定渠道基础特征和渠道节点标识，基于所述渠道基础特征和所述渠道节点标识确定渠道节点；基于所述服务事件记录表确定事件基础特征和服务节点标识，基于所述事件基础特征和所述服务节点标识确定服务事件节点；基于所述理赔记录表确定理赔事实特征和理赔记录节点标识，基于所述理赔事实特征和所述理赔记录节点标识生成理赔记录节点；基于所述客户节点、所述产品节点、所述渠道节点、所述服务事件节点和所述理赔记录节点生成对应的节点边；基于所述节点边和对应的节点构建图网络结构。

4、优选地，所述基于所述客户基础信息表和所述保单信息表确定客户基础属性特征，包括：从所述客户基础信息表中获取客户年龄数据、职业代码、居住数据、驾驶数据，从所述保单信息表中获取历史投保数据、用户使用数据和历史理赔数据；根据所述客户年龄数据确定客户年龄特征，根据所述职业代码确定职业特征，根据所述居住数据确定地域特征，根据所述驾驶数据确定客户行为风险特征；根据所述历史投保数据确定历史投保次数特征，根据所述用户使用数据确定客户活跃度评分特征，根据所述历史理赔数据确定风险等级标签特征；基于预设客户画像模型对所述客户基础信息表进行分析，生成家庭年收入水平特征；基于所述客户年龄特征、所述职业特征、所述地域特征、所述客户行为风险特征、所述历史投保次数特征、所述客户活跃度评分特征、所述风险等级标签特征和所述家庭年收入水平特征生成客户基础属性特征。

5、优选地，所述基于所述产品信息表确定产品属性特征，包括：从所述产品信息表中提取产品类型字段、保费金额数据、保费期限字段、历史理赔记录、产品保费数据和目标客户数据；基于所述产品类型字段确定产品类型特征，基于所述保费金额数据确定保费区间特征，基于所述保费期限字段确定保障期限特征，基于所述历史理赔记录确定历史赔付率特征，基于所述产品保费数据确定销售区域分布特征，基于所述目标客户数据确定目标客群画像特征；基于所述产品类型特征、所述保费区间特征、所述保障期限特征、所述历史赔付率特征、所述销售区域分布特征和所述目标客群画像特征生成产品属性特征。

6、优选地，所述基于所述渠道信息表确定渠道基础特征，包括：从所述渠道信息表中提取渠道标识、渠道类型、渠道历史成交转化数据、渠道业绩数据、渠道历史投诉数据和客户评价数据；基于所述渠道标识生成渠道标识特征，基于所述渠道类型生成渠道类型特征，基于所述渠道历史成交转化数据生成转化率指标特征，基于所述渠道业绩数据生成渠道等级评分特征，基于所述渠道历史投诉数据生成历史投诉率特征，基于所述客户评价数据生成客户满意度指数特征；基于所述渠道标识特征、所述渠道类型特征、所述转化率指标特征渠道等级评分特征、所述历史投诉率特征和所述客户满意度指数特征生成渠道基础特征。

7、优选地，所述基于多层图注意力网络对所述图网络结构进行高阶特征学习，生成图注意力网络模型，包括：获取初始多层图注意力网络；对所述图网络结构中的节点属性执行初始化处理，获得低维稠密向量；在所述初始多层图注意力网络的每层图注意力网络设置多个并行的注意力头，每个注意力头独立计算节点间的注意力系数，基于所述注意力系数生成注意力权重；基于所述注意力权重对所述低维稠密向量执行邻居特征聚合操作，生成更新后的节点特征向量；对所述多层图注意力网络进行多层堆叠设置，获得多层堆叠结构；基于所述多层堆叠结构和所述更新后的节点特征向量构建多层图注意力网络模型。

8、优选地，所述生成更新后的节点特征向量，包括：将相邻节点的变换后特征向量进行拼接，将拼接结果输入leakyrelu激活函数进行非线性变换，生成变换结果；对所述变换结果进行归一化得到注意力权重；基于所述注意力权重对邻居节点特征进行加权求和得到聚合后的邻居特征向量；将所述聚合后的邻居特征向量输入激活函数进行非线性变换生成更新后的节点特征向量。

9、优选地，所述基于所述图注意力网络模型执行多跳因果关联规则挖掘，生成因果关联预测结果，包括：确定约束条件；基于所述约束条件，按照广度优先搜索算法对所述图注意力网络模型执行约束性图遍历操作，获得路径集合；基于频繁项集生长算法对所述路径结合进行处理，获得对应的频繁项集；对所述频繁项集执行关联规则转化处理，获得目标关联规则；

10、基于所述目标关联规则生成因果关联预测结果。

11、优选地，所述基于频繁项集生长算法对所述路径结合进行处理，获得对应的频繁项集，包括：对所述路径集合执行格式转换处理，获得处理后事务数据；遍历事务数据库，统计每项处理后事务数据的支持度计数；基于所述支持度计数构建项头表；基于所述项头表执行递归构建条件频繁项集树；基于预设支持度阈值对所述条件频繁项集树进行筛选处理，获得频繁项集。

12、优选地，所述对所述频繁项集执行关联规则转化处理，获得目标关联规则，包括：基于触发影响对每个频繁项集执行前后项划分处理，获得前项和后项；基于所述前项和所述后项将所述频繁项集转化为多条关联规则；确定每条关联规则的支持度、置信度和提升度；基于所述置信度和所述提升度对每条关联规则执行过滤处理，获得过滤后规则；对所述过滤后规则执行排序处理，生成目标关联规则。

13、另一方面，本发明还提供一种保险售前客户行为与售后理赔结果的关联挖掘装置，所述装置包括：数据获取模块，用于获取保险erp系统中的多维度数据源；图构建模块，用于基于所述多维度数据源构建包含多类节点和多类异构边的图网络结构；网络训练模块，用于基于多层图注意力网络对所述图网络结构进行高阶特征学习，生成图注意力网络模型；关联挖掘模块，用于基于所述图注意力网络模型执行多跳因果关联规则挖掘，生成因果关联预测结果。风险预测模块，用于基于所述因果关联预测结果执行理赔风险预测，生成预测结果。

14、另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的方法。

15、通过本发明提供的技术方案，本发明至少具有如下技术效果：

16、通过构建包含多类节点和多类边的异构图结构，将关联分析维度从单一的主键关联扩展至多个以上的特征维度，能够充分挖掘售前行为与售后结果之间的深层映射关系。

17、采用多层图注意力网络进行高阶特征学习，使节点能够感知多阶邻居信息，有效捕获多跳关联关系，支持发现跨越多个业务环节的复杂因果路径。

18、基于图注意力网络输出的节点嵌入表示进行关联规则挖掘，通过约束性图遍历、频繁模式挖掘和规则生成与过滤等步骤，能够发现跨越多个业务环节的复杂因果路径，在理赔风险预测中将客户节点嵌入输入全连接分类层实现节点分类任务，同时通过边预测任务输出客户与理赔记录之间链接存在的概率。

19、图注意力机制使模型能够自适应学习不同邻居节点的重要性，避免了传统方法中特征简单拼接导致的信息损失，实验表明理赔风险预测准确率得到显著提升。

20、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。