具有团伙欺诈风险的寿险理赔案件的识别方法及装置与流程

本发明涉及计算机技术领域，尤其涉及一种具有团伙欺诈风险的寿险理赔案件的识别方法及装置。

背景技术：

目前，在寿险领域，很多寿险理赔欺诈案件有一定的关联性，也就是说，寿险理赔存在团伙欺诈风险，例如，医生与客户之间、医生与寿险业务员之间、客户与寿险业务员之间、客户与客户之间可能存在着构成寿险理赔团伙欺诈案件的风险。目前，业界还没有一个行之有效的方案能够识别这类团伙欺诈的风险，虽然，有些寿险相关企业会安排有丰富经验的理赔调查审核人员对寿险理赔案件进行欺诈风险调查与审核。然而，即使是经验丰富的理赔调查审核人员也无法识别出不同的寿险理赔案件的内在关联性，即人工调查审核的方式无法有效识别出寿险理赔的团伙欺诈风险。

技术实现要素：

本发明的主要目的在于提供一种具有团伙欺诈风险的寿险理赔案件的识别方法及装置，旨在有效识别出具有团伙欺诈风险的寿险理赔案件。

为实现上述目的，本发明提供的一种具有团伙欺诈风险的寿险理赔案件的识别方法，所述方法包括以下步骤：

若收到待分析风险的寿险理赔案件，分析该寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征；所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合；

若该待分析风险的寿险理赔案件中具有一个或多个预先确定的关键特征组合中的关键风险特征，则确定该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件。

优选地，所述关键特征组合按照如下方式确定：

获取预设数量的属于团伙欺诈的寿险理赔案件的样本数据，将同一个寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为同一个样本数据集合，将不同的寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为不同的样本数据集合；

从各个样本数据集合中确定出各个样本数据集合各自对应的共有特征集合；

按照预先确定的关联规则确定出所有共有特征集合中相关联的特征组合，并将该特征组合作为关键特征组合。

优选地，所述按照预先确定的关联规则确定出所有共有特征集合中相关联的特征组合，并将该特征组合作为关键特征组合的步骤包括：

将所有共有特征集合中的特征按预设组合方式进行组合，得到多个特征组合，并对各个特征组合按照预先确定的关联规则确定出对应的关联指标值；

若有特征组合对应的关联指标值大于对应的预设阈值，则确定该特征组合为关键特征组合。

优选地，所述关联指标值包括支持度和信任度，所述对各个特征组合按照预先确定的关联规则确定出对应的关联指标值的步骤包括：

针对一个包含第一特征与第二特征的特征组合，计算同时具有所述第一特征以及所述第二特征的寿险理赔案件样本数据占预设数量的寿险理赔案件样本数据的百分比，以作为该特征组合的支持度；

计算同时具有所述第一特征以及所述第二特征的寿险理赔案件样本数据占具有所述第一特征的寿险理赔案件样本数据的百分比，以作为该特征组合的信任度。

优选地，所述关联指标值包括支持度和信任度，所述预设阈值包括预设支持度阈值和预设信任度阈值，所述若有特征组合对应的关联指标值大于预设阈值，则确定该特征组合为关键特征组合的步骤包括：

若有特征组合对应的支持度大于预设支持度阈值，且对应的信任度大于预设信任度阈值，则确定该特征组合为关键特征组合。

此外，为实现上述目的，本发明还提供一种具有团伙欺诈风险的寿险理赔案件的识别装置，所述识别装置包括：

分析模块，用于若收到待分析风险的寿险理赔案件，分析该寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征；所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合；

风险确定模块，用于若该待分析风险的寿险理赔案件中具有一个或多个预先确定的关键特征组合中的关键风险特征，则确定该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件。

优选地，所述识别装置还包括：

获取模块，用于获取预设数量的属于团伙欺诈的寿险理赔案件的样本数据，将同一个寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为同一个样本数据集合，将不同的寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为不同的样本数据集合；

共有特征确定模块，用于从各个样本数据集合中确定出各个样本数据集合各自对应的共有特征集合；

关联确定模块，用于按照预先确定的关联规则确定出所有共有特征集合中相关联的特征组合，并将该特征组合作为关键特征组合。

优选地，所述关联确定模块还用于：

将所有共有特征集合中的特征按预设组合方式进行组合，得到多个特征组合，并对各个特征组合按照预先确定的关联规则确定出对应的关联指标值；若有特征组合对应的关联指标值大于对应的预设阈值，则确定该特征组合为关键特征组合。

优选地，所述关联指标值包括支持度和信任度，所述关联确定模块还用于：

针对一个包含第一特征与第二特征的特征组合，计算同时具有所述第一特征以及所述第二特征的寿险理赔案件样本数据占预设数量的寿险理赔案件样本数据的百分比，以作为该特征组合的支持度；计算同时具有所述第一特征以及所述第二特征的寿险理赔案件样本数据占具有所述第一特征的寿险理赔案件样本数据的百分比，以作为该特征组合的信任度。

优选地，所述关联指标值包括支持度和信任度，所述预设阈值包括预设支持度阈值和预设信任度阈值，所述关联确定模块还用于：

若有特征组合对应的支持度大于预设支持度阈值，且对应的信任度大于预设信任度阈值，则确定该特征组合为关键特征组合。

本发明提出的具有团伙欺诈风险的寿险理赔案件的识别方法及装置，通过分析寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征，来确定该待分析风险的寿险理赔案件是否为具有团伙欺诈风险的寿险理赔案件。由于所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合，若该待分析风险的寿险理赔案件具有该关键特征组合中的关键风险特征，则说明该待分析风险的寿险理赔案件很可能为寿险理赔团伙欺诈案件，即可自动识别该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件，相比人工识别的方式更加简单、快速、准确。

附图说明

图1为本发明具有团伙欺诈风险的寿险理赔案件的识别方法一实施例的流程示意图；

图2为本发明具有团伙欺诈风险的寿险理赔案件的识别方法一实施例中确定关键特征组合的流程示意图；

图3为本发明具有团伙欺诈风险的寿险理赔案件的识别装置第一实施例的功能模块示意图；

图4为本发明具有团伙欺诈风险的寿险理赔案件的识别装置第二实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种具有团伙欺诈风险的寿险理赔案件的识别方法。

参照图1，图1为本发明具有团伙欺诈风险的寿险理赔案件的识别方法一实施例的流程示意图。

在一实施例中，该具有团伙欺诈风险的寿险理赔案件的识别方法包括：

步骤s10，若收到待分析风险的寿险理赔案件，分析该寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征；所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合。

本实施例中，接收用户发出的对寿险理赔案件的风险分析请求，例如，接收用户在手机、平板电脑、自助终端设备等终端上输入相关信息(例如，寿险理赔案件的申请人身份信息、寿险业务员信息、理赔参与方的私人关系信息、理赔金额等)后发送的对寿险理赔案件的风险分析请求，如可接收用户在手机、平板电脑、自助终端设备等终端中预先安装的寿险理赔案件风险分析应用程序上输入相关信息后发送来的风险分析请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上输入相关信息后发送来的风险分析请求。

在接收到对寿险理赔案件的风险分析请求后，分析该寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征，如分析该寿险理赔案件的相关特征如申请人身份信息、寿险业务员信息、理赔参与方的私人关系信息、理赔金额等是否为预先确定的关键特征组合中的关键风险特征。其中，所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合，例如，在寿险理赔团伙欺诈案件中，医生与客户之间、医生与寿险业务员之间、客户与寿险业务员之间、客户与客户之间都有可能存在着构成寿险理赔团伙欺诈案件的风险，从历史数据中获取多个寿险理赔团伙欺诈案件样本，并对多个寿险理赔团伙欺诈案件样本中的特征进行分析，如可计算多个寿险理赔团伙欺诈案件样本中相互关联的特征的出现次数，也可计算多个寿险理赔团伙欺诈案件样本中相互关联的特征在预设时间段内的出现频率，等等，在此不做限定。可将多个寿险理赔团伙欺诈案件样本中出现次数超过一定次数的相互关联的特征作为关键特征组合，或将多个寿险理赔团伙欺诈案件样本中在预设时间段内的出现频率超过一定频率的相互关联的特征作为关键特征组合。例如，若多个寿险理赔团伙欺诈案件样本中y1医院与y2寿险业务员一起出现的次数超过预设次数(如3次)，则可将y1医院与y2寿险业务员的组合作为关键特征组合。在接收到对寿险理赔案件的风险分析请求后，即可分析该寿险理赔案件中是否包含关键特征组合中的关键风险特征如y1医院、y2寿险业务员。

步骤s20，若该待分析风险的寿险理赔案件中具有一个或多个预先确定的关键特征组合中的关键风险特征，则确定该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件。

若分析出该待分析风险的寿险理赔案件中具有一个或多个预先确定的关键特征组合中的关键风险特征，如包含y1医院和/或y2寿险业务员，则说明该待分析风险的寿险理赔案件中包含高团伙欺诈风险的特征，则自动确定并识别待分析风险的寿险理赔案件为高团伙欺诈风险的寿险理赔案件。

本实施例通过分析寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征，来确定该待分析风险的寿险理赔案件是否为具有团伙欺诈风险的寿险理赔案件。由于所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合，若该待分析风险的寿险理赔案件具有该关键特征组合中的关键风险特征，则说明该待分析风险的寿险理赔案件很可能为寿险理赔团伙欺诈案件，即可自动识别该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件，相比人工识别的方式更加简单、快速、准确。

进一步地，在其他实施例中，如图2所示，所述关键特征组合按照如下步骤确定：

步骤s30，获取预设数量的属于团伙欺诈的寿险理赔案件的样本数据，将同一个寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为同一个样本数据集合，将不同的寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为不同的样本数据集合，以获取一定数量的寿险理赔团伙欺诈案件的样本数据集合。例如，若寿险理赔团伙欺诈案件x所关联的寿险理赔案件包括x1、x2、x3和x4四个寿险理赔案件，则将x1、x2、x3和x4对应的寿险理赔数据归为同一个与该寿险理赔团伙欺诈案件x相对应的样本数据集合。

步骤s40，从各个样本数据集合中确定出各个样本数据集合各自对应的共有特征集合，例如，若有a、b两个不同寿险理赔团伙欺诈案件的样本数据集合，则从样本数据集合a中确定出a对应的共有特征集合a，从样本数据集合b中确定出b对应的共有特征集合b。其中，所述共有特征是属于同一个寿险理赔团伙欺诈案件下的所有寿险理赔案件所共同包含的特征，例如，该共有特征可以是y1医院、y2寿险业务员、y3工作单位、y4私人关系、y5年龄区间及/或y6籍贯等。

步骤s50，按照预先确定的关联规则确定出所有共有特征集合中相关联的特征组合，并将该特征组合作为关键特征组合。例如，可将所有共有特征集合中的特征中共同出现次数做多的特征组合作为关键特征组合。

在一种可选的实施方式中，上述步骤s50可以包括：

将所有共有特征集合中的特征按预设组合方式进行组合，该预设组合方式包括但不限于两两组合、多对多组合等，得到多个特征组合，并对各个特征组合按照预先确定的关联规则确定出对应的关联指标值；若有特征组合对应的关联指标值大于对应的预设阈值，则确定该特征组合为关键特征组合。

其中，关联规则是形如x→y的蕴涵式，其中，x和y分别称为关联规则的先导(antecedent或left-hand-side,lhs)和后继(consequent或right-hand-side,rhs)，在本实施例中，x和y可以是特征组合中的各个特征，所述关联指标值包括支持度(support)和信任度(confidence)。例如，针对一个包含第一特征x与第二特征y的特征组合，计算同时具有所述第一特征x以及所述第二特征y的寿险理赔案件样本数据占预设数量的寿险理赔案件样本数据的百分比，以作为该特征组合的支持度，即该特征组合在预设数量的寿险理赔案件样本数据中的支持度是预设数量的寿险理赔案件样本数据中同时包含第一特征x、第二特征y的百分比，即概率。计算同时具有所述第一特征x以及所述第二特征y的寿险理赔案件样本数据占具有所述第一特征x的寿险理赔案件样本数据的百分比，以作为该特征组合的信任度，即该特征组合在预设数量的寿险理赔案件样本数据中的信任度是预设数量的寿险理赔案件样本数据中在已经包含第一特征x的情况下，包含第二特征y的百分比，即条件概率。可根据实际应用的需要预先设定预设支持度阈值和预设信任度阈值，若有特征组合对应的支持度大于预设支持度阈值，且对应的信任度大于预设信任度阈值，则确定该特征组合为关键特征组合；若有特征组合对应的支持度小于或者等于预设支持度阈值，及/或，对应的信任度小于或者等于预设信任度阈值，则确定该特征组合不是关键特征组合，从而控制对该待分析风险的寿险理赔案件是否为具有团伙欺诈风险的寿险理赔案件的分析结果。

例如，若所有共有特征集合i＝{y1医院、y2寿险业务员、y3工作单位、y4私人关系}，在预设数量为6个的寿险理赔案件样本数据中有5个寿险理赔案件样本数据包含y1医院，有3个寿险理赔案件样本数据同时包含y1医院和y2寿险业务员。则对于包含y1医院与y2寿险业务员的特征组合来说，该特征组合的支持度为同时具有y1医院与y2寿险业务员的寿险理赔案件样本数据占预设数量的寿险理赔案件样本数据的百分比，即3/6＝0.5；该特征组合的置信度为同时具有y1医院与y2寿险业务员的寿险理赔案件样本数据占具有y1医院的寿险理赔案件样本数据的百分比，即3/5＝0.6。若预先设定支持度阈值α＝0.4，信任度阈值β＝0.5，则判断由于y1医院与y2寿险业务员的特征组合对应的支持度0.5大于预设支持度阈值0.4，且对应的信任度0.6大于预设信任度阈值0.5，因此，可确定y1医院与y2寿险业务员的特征组合为关键特征组合。

本实施例中，由于寿险理赔团伙欺诈案件中通常都是由多个特征如多个参与方进行团伙欺诈，因此，通过关联规则从多个寿险理赔团伙欺诈案件的共有特征中找到相关联的关键特征组合，可保证找到的关键特征组合中的关键特征为惯用的用于进行团伙欺诈的特征。利用找到的关键特征组合中的关键特征来对寿险理赔案件进行风险分析，能在判断该待分析风险的寿险理赔案件中具有一个或多个关键特征组合中的关键风险特征时，自动识别该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件。相比人工识别的方式，本实施例能识别出不同的寿险理赔案件的内在关联性，使得对寿险理赔案件的团伙欺诈风险分析更加准确有效。

本发明进一步提供一种具有团伙欺诈风险的寿险理赔案件的识别装置。

参照图3，图3为本发明具有团伙欺诈风险的寿险理赔案件的识别装置第一实施例的功能模块示意图。

在第一实施例中，该具有团伙欺诈风险的寿险理赔案件的识别装置包括：

分析模块01，用于若收到待分析风险的寿险理赔案件，分析该寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征；所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合；

本实施例中，接收用户发出的对寿险理赔案件的风险分析请求，例如，接收用户在手机、平板电脑、自助终端设备等终端上输入相关信息(例如，寿险理赔案件的申请人身份信息、寿险业务员信息、理赔参与方的私人关系信息、理赔金额等)后发送的对寿险理赔案件的风险分析请求，如可接收用户在手机、平板电脑、自助终端设备等终端中预先安装的寿险理赔案件风险分析应用程序上输入相关信息后发送来的风险分析请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上输入相关信息后发送来的风险分析请求。

在接收到对寿险理赔案件的风险分析请求后，分析该寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征，如分析该寿险理赔案件的相关特征如申请人身份信息、寿险业务员信息、理赔参与方的私人关系信息、理赔金额等是否为预先确定的关键特征组合中的关键风险特征。其中，所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合，例如，在寿险理赔团伙欺诈案件中，医生与客户之间、医生与寿险业务员之间、客户与寿险业务员之间、客户与客户之间都有可能存在着构成寿险理赔团伙欺诈案件的风险，从历史数据中获取多个寿险理赔团伙欺诈案件样本，并对多个寿险理赔团伙欺诈案件样本中的特征进行分析，如可计算多个寿险理赔团伙欺诈案件样本中相互关联的特征的出现次数，也可计算多个寿险理赔团伙欺诈案件样本中相互关联的特征在预设时间段内的出现频率，等等，在此不做限定。可将多个寿险理赔团伙欺诈案件样本中出现次数超过一定次数的相互关联的特征作为关键特征组合，或将多个寿险理赔团伙欺诈案件样本中在预设时间段内的出现频率超过一定频率的相互关联的特征作为关键特征组合。例如，若多个寿险理赔团伙欺诈案件样本中y1医院与y2寿险业务员一起出现的次数超过预设次数(如3次)，则可将y1医院与y2寿险业务员的组合作为关键特征组合。在接收到对寿险理赔案件的风险分析请求后，即可分析该寿险理赔案件中是否包含关键特征组合中的关键风险特征如y1医院、y2寿险业务员。

风险确定模块02，用于若该待分析风险的寿险理赔案件中具有一个或多个预先确定的关键特征组合中的关键风险特征，则确定该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件。

若分析出该待分析风险的寿险理赔案件中具有一个或多个预先确定的关键特征组合中的关键风险特征，如包含y1医院和/或y2寿险业务员，则说明该待分析风险的寿险理赔案件中包含高团伙欺诈风险的特征，则自动确定并识别待分析风险的寿险理赔案件为高团伙欺诈风险的寿险理赔案件。

本实施例通过分析寿险理赔案件中是否具有一个或多个预先确定的关键特征组合中的关键风险特征，来确定该待分析风险的寿险理赔案件是否为具有团伙欺诈风险的寿险理赔案件。由于所述关键特征组合为从预设的各个寿险理赔团伙欺诈案件中按照预设规则提取出的关键风险特征的组合，若该待分析风险的寿险理赔案件具有该关键特征组合中的关键风险特征，则说明该待分析风险的寿险理赔案件很可能为寿险理赔团伙欺诈案件，即可自动识别该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件，相比人工识别的方式更加简单、准确。

如图4所示，本发明第二实施例提出一种具有团伙欺诈风险的寿险理赔案件的识别装置，在上述实施例的基础上，所述识别装置还包括：

获取模块03，用于获取预设数量的属于团伙欺诈的寿险理赔案件的样本数据，将同一个寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为同一个样本数据集合，将不同的寿险理赔团伙欺诈案件下的寿险理赔案件的样本数据归为不同的样本数据集合，以获取一定数量的寿险理赔团伙欺诈案件的样本数据集合。例如，若寿险理赔团伙欺诈案件x所关联的寿险理赔案件包括x1、x2、x3和x4四个寿险理赔案件，则将x1、x2、x3和x4对应的寿险理赔数据归为同一个与该寿险理赔团伙欺诈案件x相对应的样本数据集合。

共有特征确定模块04，用于从各个样本数据集合中确定出各个样本数据集合各自对应的共有特征集合，例如，若有a、b两个不同寿险理赔团伙欺诈案件的样本数据集合，则从样本数据集合a中确定出a对应的共有特征集合a，从样本数据集合b中确定出b对应的共有特征集合b。其中，所述共有特征是属于同一个寿险理赔团伙欺诈案件下的所有寿险理赔案件所共同包含的特征，例如，该共有特征可以是y1医院、y2寿险业务员、y3工作单位、y4私人关系、y5年龄区间及/或y6籍贯等。

关联确定模块05，用于按照预先确定的关联规则确定出所有共有特征集合中相关联的特征组合，并将该特征组合作为关键特征组合。例如，可将所有共有特征集合中的特征中共同出现次数做多的特征组合作为关键特征组合。

在一种可选的实施方式中，上述关联确定模块05可以用于：

将所有共有特征集合中的特征按预设组合方式进行组合，该预设组合方式包括但不限于两两组合、多对多组合等，得到多个特征组合，并对各个特征组合按照预先确定的关联规则确定出对应的关联指标值；若有特征组合对应的关联指标值大于对应的预设阈值，则确定该特征组合为关键特征组合。

其中，关联规则是形如x→y的蕴涵式，其中，x和y分别称为关联规则的先导(antecedent或left-hand-side,lhs)和后继(consequent或right-hand-side,rhs)，在本实施例中，x和y可以是特征组合中的各个特征，所述关联指标值包括支持度(support)和信任度(confidence)。例如，针对一个包含第一特征x与第二特征y的特征组合，计算同时具有所述第一特征x以及所述第二特征y的寿险理赔案件样本数据占预设数量的寿险理赔案件样本数据的百分比，以作为该特征组合的支持度，即该特征组合在预设数量的寿险理赔案件样本数据中的支持度是预设数量的寿险理赔案件样本数据中同时包含第一特征x、第二特征y的百分比，即概率。计算同时具有所述第一特征x以及所述第二特征y的寿险理赔案件样本数据占具有所述第一特征x的寿险理赔案件样本数据的百分比，以作为该特征组合的信任度，即该特征组合在预设数量的寿险理赔案件样本数据中的信任度是预设数量的寿险理赔案件样本数据中在已经包含第一特征x的情况下，包含第二特征y的百分比，即条件概率。可根据实际应用的需要预先设定预设支持度阈值和预设信任度阈值，若有特征组合对应的支持度大于预设支持度阈值，且对应的信任度大于预设信任度阈值，则确定该特征组合为关键特征组合；若有特征组合对应的支持度小于或者等于预设支持度阈值，及/或，对应的信任度小于或者等于预设信任度阈值，则确定该特征组合不是关键特征组合，从而控制对该待分析风险的寿险理赔案件是否为具有团伙欺诈风险的寿险理赔案件的分析结果。

例如，若所有共有特征集合i＝{y1医院、y2寿险业务员、y3工作单位、y4私人关系}，在预设数量为6个的寿险理赔案件样本数据中有5个寿险理赔案件样本数据包含y1医院，有3个寿险理赔案件样本数据同时包含y1医院和y2寿险业务员。则对于包含y1医院与y2寿险业务员的特征组合来说，该特征组合的支持度为同时具有y1医院与y2寿险业务员的寿险理赔案件样本数据占预设数量的寿险理赔案件样本数据的百分比，即3/6＝0.5；该特征组合的置信度为同时具有y1医院与y2寿险业务员的寿险理赔案件样本数据占具有y1医院的寿险理赔案件样本数据的百分比，即3/5＝0.6。若预先设定支持度阈值α＝0.4，信任度阈值β＝0.5，则判断由于y1医院与y2寿险业务员的特征组合对应的支持度0.5大于预设支持度阈值0.4，且对应的信任度0.6大于预设信任度阈值0.5，因此，可确定y1医院与y2寿险业务员的特征组合为关键特征组合。

本实施例中，由于寿险理赔团伙欺诈案件中通常都是由多个特征如多个参与方进行团伙欺诈，因此，通过关联规则从多个寿险理赔团伙欺诈案件的共有特征中找到相关联的关键特征组合，可保证找到的关键特征组合中的关键特征为惯用的用于进行团伙欺诈的特征。利用找到的关键特征组合中的关键特征来对寿险理赔案件进行风险分析，能在判断该待分析风险的寿险理赔案件中具有一个或多个关键特征组合中的关键风险特征时，自动识别该待分析风险的寿险理赔案件为具有团伙欺诈风险的寿险理赔案件。相比人工识别的方式，本实施例能识别出不同的寿险理赔案件的内在关联性，使得对寿险理赔案件的团伙欺诈风险分析更加准确有效。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。