基于神经网络判断风险事件的方法、装置和计算机设备与流程

本申请涉及到人工智能技术领域，特别是涉及到一种基于神经网络判断风险事件的方法、装置、计算机设备和存储介质。

背景技术：

车险全称是机动车辆保险，是指对机动车辆由于自然灾害或意外事故所造成的人身伤亡或财产损失负赔偿责任的一种商业保险。用户将汽车作为保险标的向保险公司进行投保，当汽车出现了保险条款约定的情况时，保险公司会派出勘察人员进行查看审核是否符合约定的情况，然后将汽车送去指定的维修厂维修，或者用户自行将汽车送去指定的维修厂维修，并承担全部或承担部分因发生约定情况对投保人造成的损失。

有些车险的出险是不存在或者是夸大事实，是由于投保人、勘察人员、维修厂、定损员等涉及理赔流程之间的一个人或多个人之间“合作”进行骗保，以达到骗取保险公司的财产。保险公司发生的这类被骗保的案件定义为风险事件。车险的理赔环节较多，如报案、查勘、定损、报价、指导、理算等，各环节的工作人员以及投保人或与保险公司合作的维修厂、定损机构等均可能存在对保险公司骗保。

技术实现要素：

本申请的主要目的为提供一种基于神经网络判断风险事件的方法、装置和计算机设备，旨在解决工作人员自己根据事件来判断是否是风险事件而需要大量时间的问题。

为了实现上述发明目的，本申请提出一种基于神经网络判断风险事件的方法，包括：

读取事件的记录信息；

接收用户端在多个风险类型中选择的目标风险类型；

获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；

将所述目标信息输入到所述目标风险判断模型中；

接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；

若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。

进一步地，所述将所述目标信息输入到所述目标风险判断模型中的步骤之前，包括：

采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；

将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。

进一步地，所述将所述多个事件的记录信息输入到卷积神经网络模型进行训练的步骤，包括：

读取所述记录信息中的立案日期；

根据所述立案日期以及预设的计算规则，计算出各处理流程对应的流程时间阶段；

分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；

根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。

进一步地，所述接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数的步骤，包括：

读取所述记录信息中的关系人信息；

统计预设时间段内具有所述关系人信息的事件的目标事件数量；

根据所述目标事件数量，在事件数量与权重系数的对应关系中确定目标权重系数；

接收所述目标风险判断模型输出的模型系数，将所述目标权重系数乘以所述模型系数，得到所述风险事件系数。

进一步地，所述获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息的步骤之前，包括：

读取所述记录信息中的目标理赔金额值；

调用预设的理赔金额阈值与风险类型的对应关系表，获取与所述目标风险类型对应的目标理赔金额阈值；

判断所述目标理赔金额值是否大于所述目标理赔金额阈值；

若是，则执行所述步骤：获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息。

本申请还提供一种基于神经网络判断风险事件的装置，包括：

第一读取模块，用于读取事件的记录信息；

接收模块，用于接收用户端在多个风险类型中选择的目标风险类型；

第一获取模块，用于获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；

输入模块，用于将所述目标信息输入到所述目标风险判断模型中；

计算模块，用于接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；

判定模块，用于若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。

进一步地，所述基于神经网络判断风险事件的装置还包括：

采集模块，用于采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；

训练模块，用于将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。

进一步地，所述训练模块包括：

读取日期单元，用于读取所述记录信息中的立案日期；

计算阶段单元，用于根据所述立案日期以及预设的计算规则，计算出各处理流程对应的流程时间阶段；

添加单元，用于分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；

训练单元，用于根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。

本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请的基于神经网络判断风险事件的方法、装置和计算机设备，自动读取事件的记录信息，并根据用户选择的模型将记录信息中的对应的数据进行计算，客观的帮助用户计算出事件的风险系统，有利于帮助用户快速的判定该事件是否是风险事件，节省用户的时间，提高风险事件的判定准确率。

附图说明

图1为本申请一实施例的基于神经网络判断风险事件的方法的流程示意图；

图2为本申请一实施例的基于神经网络判断风险事件的装置的结构示意框图；

图3为本申请一实施例的计算机设备的结构示意框图。

本申请目的的实现、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

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，本申请实施例提供一种基于神经网络判断风险事件的方法，包括步骤：

S1、读取事件的记录信息；

S2、接收用户端在多个风险类型中选择的目标风险类型；

S3、获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；

S4、将所述目标信息输入到所述目标风险判断模型中；

S5、接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；

S6、若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。

如上述步骤S1所述，在一个保险公司的具体应用场景中，当投保人在一个保险公司投保后，即形成保单信息，该保单信息包括投保人信息、保险标的物(汽车)信息、理赔信息等，其中，投保人也可以称做关系人，对应的投保人信息也叫关系人信息。当投保人的汽车发生了事故后，即出险，投保人向保险公司进行报案，然后保险公司根据事故的原因地等相关的信息也进行记录，形成保险信息。该保险即事件，整个保单信息以及保险信息均是属于记录信息。每个事件的记录信息都包括有特定的出险编号、出险地点、出险时间、出险人姓名、投保标的信息、出险情况描述信息以及过程跟踪人员的信息、勘察人员的信息等与事件以及出险后期处理的全部的信息。其中，每个保险公司的出险编号是唯一的。工作人员在每个事件的所有信息均上传到服务器中。当工作人员需要判断一个事件是否是风险事件时，输入事件的事件编号，服务器根据该事件编号，查找到该事件的事件编号，读取该事件的全部的记录信息。或者，用户向服务器发出一些与事件相关的信息以进行筛选出部分事件，然后确定要判定是否是风险事件的事件后，再发送给服务器，服务器读取用户选定的事件的记录信息。

如上述步骤S2所述，风险事件可以归纳为几类，在一具体实施例中，根据风险源包括投保人、勘察员工、修理厂三类，风险源是投保人表示是投保人制作假的事件信息以对保险公司骗取保费；风险源是勘察员工表示是投保人与勘察员工合作制造虚假记录以对保险公司骗取保费；风险源是修理厂表示修理厂对出险车辆做虚假维修记录以夸大维修金额以对保险公司编取维修费用。不同的风险源的风险事件所对应的判断方式不完全相同，因此采用不同类型的风险判断模型。服务器读取了上述记录信息后，加载出所有的风险类型，以供用户选择一个风险类型，作为目标风险类型，即用户需要判定该事件是否具有上述目标风险类型对应的风险。用户在判定事件是哪个风险类型时，向服务器发送需要判定的事件的风险类型，服务器接收用户端发出的目标风险类型。

如上述步骤S3所述，服务器接收到了用户端发出的目标风险类型后，在预设的风险判断模型数据库中查找与上述目标风险类型对应的目标风险判断模型。风险判断模型数据库中有多个经训练后的风险判断模型，在一具体实施例中，具有投保人风险判断模型、勘察员工风险判断模型、修理厂风险判断模型等多个风险判断模型。同时，每个风险类型对应的判定因素是不相同的，即对应的记录信息中的信息不是完全相同的。风险类型与对应的记录信息类型的对应关系也是工作人员根据经验与流程与相关的关系整理后得到的。服务器根据该对应关系，在记录信息中查找到与目标风险类型对应的目标信息。

如上述步骤S4所述，服务器选定了目标风险判断模型后，然后将目标信息输入到目标风险判断模型中，目标风险判断模型经过计算，得到模型系数，再基于模型系数以及预设的规则，计算得到风险事件系数。上述多个风险判断模型均是采用相同的神经网络模型训练得到的，所不同的是在训练的时候，根据不同的风险类型，获取记录信息中的不同的数据来进行训练。记录信息中包括与理赔相关的所有的信息，根据流程节点来分析，整个理赔流程包括报案流程、查勘流程、校验流程、定损流程、维修流程、赔付流程，一个记录信息中包括了上述的全部流程所涉及到的信息。例如，对投保人风险判断模型进行训练时，将具有投保人风险的记录信息中的与投保人参与的报案流程、查勘流程所涉及的信息调用出来，作为训练该模型的样本，如此采集多个样本，形成样本集，然后将样本集中的数据输入到神经网络模型中，神经网络模型自动根据上述样本集中的数据进行优化得到投保人风险的特征系数，即使该神经网络模型可以用于判断记录信息是否具有投保人风险。在后续判断一个记录信息是否具有投保人风险时，只需将该记录信息的报案流程对应的数据以及查勘流程对应的数据输入到该神经网络模型中，然后神经网络模型计算该数据是否包含有上述训练得到的特征系数，如果是，则判定该记录信息存在投保人风险。

如上述步骤S5所述，服务器监测目标风险判断模型的计算过程，当目标风险判断模型计算结束后，服务器接收模型输出的模型系数。然后服务器将模型系数按照预设的计算规则进行计算处理，得到风险事件系数。风险事件系数表示该事件是上述目标风险类型的风险事件的可能性，风险事件系数越高，说明该事件是该风险类型的风险事件的可能性越大。

如上述步骤S6所述，第一风险阈值是与上述目标风险判断模型对应的，不同类型的风险判断模型的风险阈值不是完全相同的。每个类型的风险事件各有一个对应的风险阈值。服务器将上述风险事件系数与该目标风险类型对应的第一风险阈值进行比较，如果风险事件系数超过上述第一风险阈值，说明事件是该风险类型的风险事件。

在一个实施例中，上述将所述目标信息输入到所述目标风险判断模型中的步骤之前，包括：

S401、采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；

S402、将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。

本实施例中，工作人员将多个事件的记录信息进行采集，并对每一个事件进行标记是否是风险事件，其中，上述事件均是同一个风险类型的事件，以便建立该风险类型的风险判断模型。服务器读取工作人员采集的多个事件的记录信息以及各自对应的是否是风险事件的标记，并输入到卷积神经网络模型中进行监督学习训练，即对卷积神经网络模型的参数优化，得到上述风险类型的风险判断模型。

在一个实施例中，上述所述将所述多个事件的记录信息输入到卷积神经网络模型进行训练的步骤，包括：

S412、读取所述记录信息中的立案日期；

S422、根据所述立案日期以及预设的计算规则，计算出各处理流程对应的流程时间阶段；

S432、分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；

S442、根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。

本实施例中，记录信息中包括有很多数据，与事件的全部相关数据均是属于记录信息中的。其中，包括立案日期，立案日期是指事件发生并登记的日期。是记录在记录信息中的第一行，服务器读取该立案日期。然后调用预设的计算规则，计算规则包括各处理流程对应的时间阶段，即在处理事件过程中每个流程对应的时间长度，例如报案流程需要一天、查勘流程需要两天、校验流程需要一天、定损流程需要三天、维修流程需要一个星期等。服务器根据上述的计算规则，将立案日期加上对应的天数，得到每个流程的时间阶段，即可以通过记录信息中的数据是哪天记录的，就可以判定该数据是属于哪个流程阶段的数据。然后将记录信息中的全部记录数据根据记录日期，确定是哪个流程时间阶段的，然后添加上相应的流程时间阶段标签。当用户选择其中一个风险类型进行训练时，服务器调用该风险类型对应的数据需求，得到训练该风险类型需要的数据类型，即需要哪些流程阶段需要的记录数据，然后将记录信息中包含该流程时间阶段的标签的数据输入到卷积神经网络模型中，进行训练。最终得到该风险类型对应的风险判断模型。

在一个实施例中，上述接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数的步骤，包括：

S51、读取所述记录信息中的关系人信息；

S52、统计预设时间段内具有所述关系人信息的事件的目标事件数量；

S53、根据所述目标事件数量，在事件数量与权重系数的对应关系中确定权重系数；

S54、接收所述目标风险判断模型输出的模型系数，将所述目标权重系数乘以所述模型系数，得到所述风险事件系数。

本实施例中，上述记录信息中包括了关系人信息，关系人信息包括投保人的姓名、性别、头像照片、身份证照片、身份证号等与投保人相关的信息。服务器选择其中一个具有唯一标识的信息(如身份证号)，作为代表投保人的关系人信息，然后以该关系人信息在服务器中的查找该投保人在预设时间段内进行报案生成事件的数量。该预设时间段是由工作人员根据上述风险判断模型而设置的，一般是设置一年，对应的事件数量与权重系数也是工作人员根据上述风险判断模型而设置的。获取到上述事件数量后，调用出上述事件数量与权重系数的对应关系，查找到目标权重系数。然后将目标权重系数乘以上述模型系数，得到风险事件系数，然后将风险事件系统与第一风险阈值进行比较，根据比较结果来判定该事件是否是风险事件。

在一个实施例中，上述获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息的步骤之前，包括：

S301、读取所述记录信息中的目标理赔金额值；

S302、调用预设的理赔金额阈值与风险类型的对应关系表，获取与所述风险类型对应的目标理赔金额阈值；

S303、判断所述目标理赔金额值是否大于所述目标理赔金额阈值，若是，则执行所述步骤：获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息。

本实施例中，记录信息中具有理赔金额，即发生了保险标的中的损失后，产生的经济损失后，保险公司需要赔付给投保人的金额。理赔金额也是属于记录信息中的一部分。服务器读取上述事件的记录信息，读取其中的目标理赔金额值，同时读取用户端输入的目标风险类型，然后调用工作人员预设的风险类型与理赔金额阈值的对应关系表，查找到与目标风险类型对应的目标理赔金额阈值，然后将目标理赔金额值与目标理赔金额阈值时行比较，如果目标理赔金额值高于目标理赔金额阈值，则有可能是客户想通过理赔获得较高的利益，该事件有可能是风险事件，因而生成输入指令，以用于将该记录信息中的指定信息输入到目标风险判断模型中，进一步判断是否是风险事件。如果上述目标理赔金额值比目标理赔金额阈值低，客户通过骗保的行为而获取的利益非常小，这样的行为从法理上来说是不合理的，没必要进行骗保，从而认定是真实的发生了保险约定的损失。通过设置一目标理赔金额阈值的判定，可以在计算前进行简单的数据筛选，从而减少目标风险判断模型的计算量，在判断多个事件是否是风险事件的情况下，可以大大的提高判断出多个事件的速度。

在一个实施例中，上述判定所述事件为风险事件的步骤之后，包括：

S7、将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员，以便所述工作人员对所述事件进行处理。

本实施例中，风险事件的判定是通过风险模型计算后判断出来的，并不能肯定是风险事件，需要工作人员进一步核实。保险公司的工作人员较多，也是根据不同的风险类型而进行分类，将目标风险类型对应的事件发送给对应的工作人员进行处理，处理的效率更高更准确。管理工作人员的员工预先将专职于处理同一风险类型的工作人员以及对应的联系方式(邮箱)均列入到一个名单上。服务器后期判定出了一个目标风险类型的风险事件后，调用出与目标风险类型对应的名单，然后将该风险事件发送给名单中的邮箱。

在一个实施例中，上述将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员的步骤之前，包括：

S701、将所述事件的记录信息加密。

本实施例中，事件中包括有客户的隐私信息，若邮件被黑客截取，会导致客户的信息外泄，因此，将事件的记录信息进行加密，然后再通过邮件发送给工作人员，可以进一步有效的防止客户的信息外泄。记录信息是以word文档的形式导出，然后将word文档进行加上第一密码，然后将word文档进行压缩(可以采用winrar压缩软件压缩成rar格式)，然后将压缩后的rar文件加上用于解压的第二密码，第一密码与第二密码不相同，起到更好的防止信息泄露的作用。

在一个实施例中，上述将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员的步骤之后，包括：

S8、获取所述记录信息中的关系人；

S9、调用服务器中所述关系人的其他事件信息；

S10、将所述其他事件信息发送给所述工作人员。

本实施例中，关系人即投保人，投保人一般是保险的购买者，当保险标的受到损害时，同时也是投保人得到对应的利益的人。记录信息中的指定位置处是关系人信息，服务器读取记录信息中的指定位置，获得到投保人的信息，包括投保人的身份证号，然后服务器以该投保人的身份证号进行搜索，得到与投保人相关的其他事件信息，然后将其他事件信息也发送给工作人员，以给工作人员更多与投保人相关的资料，便于工作人员进一步更准确的对上述风险事件进行处理。

综上所述，本申请的基于神经网络判断风险事件的方法，自动读取事件的记录信息，并根据用户选择的模型将记录信息中的对应的数据进行计算，客观的帮助用户计算出事件的风险系统，有利于帮助用户快速的判定该事件是否是风险事件，节省用户的时间，提高风险事件的判定准确率。

参照图2，本申请实施例中还提供一种基于神经网络判断风险事件的装置，包括：

第一读取模块1，用于读取事件的记录信息；

接收模块2，用于接收用户端在多个风险类型中选择的目标风险类型；

第一获取模块3，用于获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；

输入模块4，用于将所述目标信息输入到所述目标风险判断模型中；

计算模块5，用于接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；

判定模块6，用于若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。

本实施例中，当投保人在一个保险公司投保后，即形成保单信息，该保单信息包括关系人信息、保险标的物(汽车)信息、理赔信息等。当投保人的汽车发生了事故后，即出险，投保人向保险公司进行报案，然后保险公司根据事故的原因地等相关的信息也进行记录，形成保险信息。该保险即事件，整个保单信息以及保险信息均是属于记录信息。每个事件的记录信息都包括有特定的出险编号、出险地点、出险时间、出险人姓名、投保标的信息、出险情况描述信息以及过程跟踪人员的信息、勘察人员的信息等与事件以及出险后期处理的全部的信息。其中，每个保险公司的出险编号是唯一的。工作人员在每个事件的所有信息均上传到服务器中。当工作人员需要判断一个事件是否是风险事件时，输入事件的事件编号第一读取模块1根据该出事件编号，查找到该事件的出险编号，读取该事件的全部的记录信息。或者，用户向服务器发出一些与事件相关的信息以进行筛选出部分事件，然后确定要判定是否是风险事件的事件后，再发送给第一读取模块1，第一读取模块1读取用户选定的事件的记录信息。

风险事件可以归纳为几类，在一具体实施例中，根据风险源包括投保人、勘察员工、修理厂三类，风险源是投保人表示是投保人制作假的事件信息以对保险公司骗取保费；风险源是勘察员工表示是投保人与勘察员工合作制造虚假记录以对保险公司骗取保费；风险源是修理厂表示修理厂对出险车辆做虚假维修记录以夸大维修金额以对保险公司编取维修费用。不同的风险源的风险事件所对应的判断方式不完全相同，因此采用不同类型的风险判断模型。服务器读取了上述记录信息后，加载出所有的风险类型，以供用户选择一个风险类型，作为目标风险类型，即用户需要判定该事件是否具有上述目标风险类型对应的风险。用户在判定事件是哪个风险类型时，向服务器发送需要判定的事件的风险类型，接收模块2接收用户端发出的目标风险类型。

接收模块2接收到了用户端发出的目标风险类型后，第一获取模块3在预设的风险判断模型数据库中查找与上述目标风险类型对应的目标风险判断模型。风险判断模型数据库中有多个经训练后的风险判断模型，在一具体实施例中，具有投保人风险判断模型、勘察员工风险判断模型、修理厂风险判断模型等多个风险判断模型。同时，每个风险类型对应的判定因素是不相同的，即对应的记录信息中的信息不是完全相同的。风险类型与对应的记录信息类型的对应关系也是工作人员根据经验与流程与相关的关系整理后得到的。第一获取模块3根据该对应关系，在记录信息中查找到与目标风险类型对应的目标信息。

第一获取模块3选定了目标风险判断模型后，然后输入模块4将目标信息输入到目标风险判断模型中，目标风险判断模型经过计算，得到模型系数，再基于模型系数以及预设的规则，计算得到风险事件系数。上述多个风险判断模型均是采用相同的神经网络模型训练得到的，所不同的是在训练的时候，根据不同的风险类型，获取记录信息中的不同的数据来进行训练。记录信息中包括与理赔相关的所有的信息，根据流程节点来分析，整个理赔流程包括报案流程、查勘流程、校验流程、定损流程、维修流程、赔付流程，一个记录信息中包括了上述的全部流程所涉及到的信息。例如，对投保人风险判断模型进行训练时，将具有投保人风险的记录信息中的与投保人参与的报案流程、查勘流程所涉及的信息调用出来，作为训练该模型的样本，如此采集多个样本，形成样本集，然后将样本集中的数据输入到神经网络模型中，神经网络模型自动根据上述样本集中的数据进行优化得到投保人风险的特征系数，即使该神经网络模型可以用于判断记录信息是否具有投保人风险。在后续判断一个记录信息是否具有投保人风险时，只需将该记录信息的报案流程对应的数据以及查勘流程对应的数据输入到该神经网络模型中，然后神经网络模型计算该数据是否包含有上述训练得到的特征系数，如果是，则判定该记录信息存在投保人风险。

计算模块5监测目标风险判断模型的计算过程，当目标风险判断模型计算结束后，计算模块5接收模型输出的模型系数。然后计算模块5将模型系数按照预设的计算规则进行计算处理，得到风险事件系数。风险事件系数表示该事件是上述目标风险类型的风险事件的可能性，风险事件系数越高，说明该事件是该风险类型的风险事件的可能性越大。

第一风险阈值是与上述目标风险判断模型对应的，不同类型的风险判断模型的风险阈值不是完全相同的。每个类型的风险事件各有一个对应的风险阈值。判定模块6将上述风险事件系数与该目标风险类型对应的第一风险阈值进行比较，如果风险事件系数超过上述第一风险阈值，判定模块6判定事件是该风险类型的风险事件。

在一个实施例中，上述基于神经网络判断风险事件的装置还包括：

采集模块，用于采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；

训练模块，用于将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。

本实施例中，采集模块将多个事件的记录信息进行采集，并对每一个事件进行标记是否是风险事件，其中，上述事件均是同一个风险类型的事件，以便建立该风险类型的风险判断模型。训练模块读取工作人员采集的多个事件的记录信息以及各自对应的是否是风险事件的标记，并输入到卷积神经网络模型中进行监督学习训练，即对卷积神经网络模型的参数优化，得到上述风险类型的风险判断模型。

在一个实施例中，上述训练模块包括：

读取日期单元，用于读取所述记录信息中的立案日期；

计算阶段单元，用于根据所述立案日期以及预设的计算规则，计算出各处理流程对应的流程时间阶段；

添加单元，用于分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；

训练单元，用于根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。

本实施例中，记录信息中包括有很多数据，与事件的全部相关数据均是属于记录信息中的。其中，包括立案日期，立案日期是指事件发生并登记的日期。是记录在记录信息中的第一行，读取日期单元读取该立案日期。然后计算阶段单元调用预设的计算规则，计算规则包括各处理流程对应的时间阶段，即在处理事件过程中每个流程对应的时间长度，例如报案流程需要一天、查勘流程需要两天、校验流程需要一天、定损流程需要三天、维修流程需要一个星期等。计算阶段单元根据上述的计算规则，将立案日期加上对应的天数，得到每个流程的时间阶段，即可以通过记录信息中的数据是哪天记录的，就可以判定该数据是属于哪个流程阶段的数据。然后将记录信息中的全部记录数据根据记录日期，确定是哪个流程时间阶段的，然后添加单元添加上相应的流程时间阶段标签。当用户选择其中一个风险类型进行训练时，服务器调用该风险类型对应的数据需求，得到训练该风险类型需要的数据类型，即需要哪些流程阶段需要的记录数据，然后训练单元将记录信息中包含该流程时间阶段的标签的数据输入到卷积神经网络模型中，进行训练。最终得到该风险类型对应的风险判断模型。

在一个实施例中，上述计算模块5包括：

读取单元，用于读取所述记录信息中的关系人信息；

统计单元，用于统计预设时间段内具有所述关系人信息的事件的目标事件数量；

确定单元，用于根据所述目标事件数量，在事件数量与权重系数的对应关系中确定权重系数；

计算单元，用于接收所述目标风险判断模型输出的模型系数，将所述目标权重系数乘以所述模型系数，得到所述风险事件系数。

本实施例中，上述记录信息中包括了关系人信息，关系人信息包括投保人的姓名、性别、头像照片、身份证照片、身份证号等与投保人相关的信息。读取单元选择其中一个具有唯一标识的信息(如身份证号)，作为代表投保人的关系人信息，然后统计单元以该关系人信息在服务器中的查找该投保人在预设时间段内进行报案生成事件的数量。该预设时间段是由工作人员根据上述风险判断模型而设置的，一般是设置一年，对应的事件数量与权重系数也是工作人员根据上述风险判断模型而设置的。获取到上述事件数量后，确定单元调用出上述事件数量与权重系数的对应关系，查找到目标权重系数。然后计算单元将目标权重系数乘以上述模型系数，得到风险事件系数，然后将风险事件系统与第一风险阈值进行比较，根据比较结果来判定该事件是否是风险事件。

在一个实施例中，上述基于神经网络判断风险事件的装置还包括：

第二读取模块，用于读取所述记录信息中的目标理赔金额值；

第一调用模块，用于调用预设的理赔金额阈值与风险类型的对应关系表，获取与所述风险类型对应的目标理赔金额阈值；

判断模块，用于判断所述目标理赔金额值是否大于所述目标理赔金额阈值，若所述目标理赔金额值大于所述目标理赔金额阈值，则调用第一获取模块3获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息。

本实施例中，记录信息中具有理赔金额，即发生了保险标的中的损失后，产生的经济损失后，保险公司需要赔付给投保人的金额。理赔金额也是属于记录信息中的一部分。第二读取模块读取上述事件的记录信息，读取其中的目标理赔金额值，同时第一调用模块读取用户端输入的目标风险类型，然后调用工作人员预设的风险类型与理赔金额阈值的对应关系表，第一调用模块查找到与目标风险类型对应的目标理赔金额阈值，然后判断模块将目标理赔金额值与目标理赔金额阈值时行比较，如果目标理赔金额值高于目标理赔金额阈值，则有可能是客户想通过理赔获得较高的利益，该事件有可能是风险事件，因而指令模块生成输入指令，以用于将该记录信息中的指定信息输入到目标风险判断模型中，进一步判断是否是风险事件。如果上述目标理赔金额值比目标理赔金额阈值低，客户通过骗保的行为而获取的利益非常小，这样的行为从法理上来说是不合理的，没必要进行骗保，从而认定是真实的发生了保险约定的损失。通过设置一目标理赔金额阈值的判定，可以在计算前进行简单的数据筛选，从而减少目标风险判断模型的计算量，在判断多个事件是否是风险事件的情况下，可以大大的提高判断出多个事件的速度。

在一个实施例中，上述基于神经网络判断风险事件的装置还包括：

第一发送模块，用于将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员，以便所述工作人员对所述事件进行处理。

本实施例中，风险事件的判定是通过风险模型计算后判断出来的，并不能肯定是风险事件，需要工作人员进一步核实。保险公司的工作人员较多，也是根据不同的风险类型而进行分类，第一发送模块将目标风险类型对应的事件发送给对应的工作人员进行处理，处理的效率更高更准确。管理工作人员的员工预先将专职于处理同一风险类型的工作人员以及对应的联系方式(邮箱)均列入到一个名单上。第一发送模块后期判定出了一个目标风险类型的风险事件后，调用出与目标风险类型对应的名单，然后将该风险事件发送给名单中的邮箱。

在一个实施例中，上述基于神经网络判断风险事件的装置还包括：

加密模块，用于将所述事件的记录信息加密。

本实施例中，事件中包括有客户的隐私信息，若邮件被黑客截取，会导致客户的信息外泄，因此，加密模块将事件的记录信息进行加密，然后再通过邮件发送给工作人员，可以进一步有效的防止客户的信息外泄。记录信息是以word文档的形式导出，然后将word文档进行加上第一密码，然后将word文档进行压缩(可以采用winrar压缩软件压缩成rar格式)，然后将压缩后的rar文件加上用于解压的第二密码，第一密码与第二密码不相同，起到更好的防止信息泄露的作用。

在一个实施例中，上述基于神经网络判断风险事件的装置还包括：

第三获取模块，用于获取所述记录信息中的投保人；

第二调用模块，用于调用服务器中所述投保人的其他保险信息；

第二发送模块，用于将所述其他保险信息发送给所述工作人员。

本实施例中，投保人一般是保险的购买者，当保险标的受到损害时，同时也是投保人得到对应的利益的人。记录信息中的指定位置处是关系人信息，第三获取模块读取记录信息中的指定位置，获得到投保人的信息，包括投保人的身份证号，然后第二调用模块以该投保人的身份证号进行搜索，得到与投保人相关的其他保险信息，然后第二发送模块将其他保险信息也发送给工作人员，以给工作人员更多与投保人相关的资料，便于工作人员进一步更准确的对上述风险事件进行处理。

综上所述，本申请的基于神经网络判断风险事件的装置，自动读取事件的记录信息，并根据用户选择的模型将记录信息中的对应的数据进行计算，客观的帮助用户计算出事件的风险系统，有利于帮助用户快速的判定该事件是否是风险事件，节省用户的时间，提高风险事件的判定准确率。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储记录信息、关系人信息、风险判断模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络判断风险事件的方法。

上述处理器执行上述基于神经网络判断风险事件的方法的步骤：读取事件的记录信息；接收用户端在多个风险类型中选择的目标风险类型；获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；将所述目标信息输入到所述目标风险判断模型中；接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。

在一个实施例中，上述处理器执行所述将所述目标信息输入到所述目标风险判断模型中的步骤之前，包括：采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。

在一个实施例中上，上述处理器执行所述将所述多个事件的记录信息输入到卷积神经网络模型进行训练的步骤，包括：读取所述记录信息中的立案日期；根据所述立案日期以及预设的计算规则，计算出各处理流程对应的流程时间阶段；分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。

在一个实施例中，上述处理器执行所述接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数的步骤，包括：读取所述记录信息中的关系人信息；统计预设时间段内具有所述关系人信息的事件的目标事件数量；根据所述目标事件数量，在事件数量与权重系数的对应关系中确定目标权重系数；接收所述目标风险判断模型输出的模型系数，将所述目标权重系数乘以所述模型系数，得到所述风险事件系数。

在一个实施例中，上述处理器执行所述获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息的步骤之前，包括：读取所述记录信息中的目标理赔金额值；调用预设的理赔金额阈值与风险类型的对应关系表，获取与所述目标风险类型对应的目标理赔金额阈值；判断所述目标理赔金额值是否大于所述目标理赔金额阈值；若是，则执行所述步骤：获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息。

在一个实施例中，上述处理器执行所述判定所述事件为风险事件的步骤之后，包括：将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员，以便所述工作人员对所述事件进行处理。

在一个实施例中，上述处理器执行所述将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员的步骤之前，包括：将所述事件的记录信息加密。

事件综上所述，本申请的计算机设备自动读取事件的记录信息，并根据用户选择的模型将记录信息中的对应的数据进行计算，客观的帮助用户计算出事件的风险系统，有利于帮助用户快速的判定该事件是否是风险事件，节省用户的时间，提高风险事件的判定准确率。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于神经网络判断风险事件的方法，具体为：读取事件的记录信息；接收用户端在多个风险类型中选择的目标风险类型；获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息；将所述目标信息输入到所述目标风险判断模型中；接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数，所述模型系数是指目标风险判断模型根据事件的相关信息计算得出的数据；若所述风险事件系数超过预设的与所述目标风险类型对应的第一风险阈值，则判定所述事件为风险事件。

在一个实施例中，上述处理器执行所述将所述目标信息输入到所述目标风险判断模型中的步骤之前，包括：采集多个事件的记录信息，所述多个事件包括多个同一个风险类型的风险事件以及多个非风险事件；将所述多个事件的记录信息输入到卷积神经网络模型进行训练，得到所述风险类型的风险判断模型。

在一个实施例中上，上述处理器执行所述将所述多个事件的记录信息输入到卷积神经网络模型进行训练的步骤，包括：读取所述记录信息中的立案日期；根据所述立案日期以及预设的计算规则，计算出各处理流程对应的流程时间阶段；分别读取记录信息中的记录数据的记录日期，根据各记录数据的记录日期以及各流程时间阶段，将所述记录数据分别添加对应的流程时间阶段的标签；根据用户选择的训练类型，将带有所述训练类型对应的流程时间阶段的标签的记录数据输入到卷积神经网络模型进行训练。

在一个实施例中，上述处理器执行所述接收所述目标风险判断模型输出的模型系数，并根据所述模型系数计算得到风险事件系数的步骤，包括：读取所述记录信息中的关系人信息；统计预设时间段内具有所述关系人信息的事件的目标事件数量；根据所述目标事件数量，在事件数量与权重系数的对应关系中确定目标权重系数；接收所述目标风险判断模型输出的模型系数，将所述目标权重系数乘以所述模型系数，得到所述风险事件系数。

在一个实施例中，上述处理器执行所述获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息的步骤之前，包括：读取所述记录信息中的目标理赔金额值；调用预设的理赔金额阈值与风险类型的对应关系表，获取与所述目标风险类型对应的目标理赔金额阈值；判断所述目标理赔金额值是否大于所述目标理赔金额阈值；若是，则执行所述步骤：获取所述目标风险类型对应的目标风险判断模型，以及所述记录信息中与所述目标风险类型对应的目标信息。

在一个实施例中，上述处理器执行所述判定所述事件为风险事件的步骤之后，包括：将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员，以便所述工作人员对所述事件进行处理。

在一个实施例中，上述处理器执行所述将所述事件的记录信息发送给与所述目标风险类型对应的名单上的工作人员的步骤之前，包括：将所述事件的记录信息加密。

事件综上所述，本申请的计算机可读存储介质，自动读取事件的记录信息，并根据用户选择的模型将记录信息中的对应的数据进行计算，客观的帮助用户计算出事件的风险系统，有利于帮助用户快速的判定该事件是否是风险事件，节省用户的时间，提高风险事件的判定准确率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。