本文构建了一个面向人寿保险合同的可执行基准测试集，用于评估知识图谱在“差距与重叠分析”任务中的就绪性。该基准以十份经领域专家审核的合成人寿保险合同为核心，涵盖定期寿险、终身寿险、万能险、变额万能险、指数型万能险及联合生存险等主流产品类型。每份合同均被形式化为领域本体（TBox）并填充实例（ABox），每个实例都附有来源合同ID、条款章节及原文摘录，确保推理结果可追溯。
基准包含58个结构化保险场景（如“被保险人在保单签发后13个月自杀”），每个场景配有两组SPARQL查询——分别检索“覆盖”与“拒赔”的合同，并附有条款级证据标注。场景覆盖基础死亡理赔、贷款与转换、除外责任与附加险、联合保单、复杂产品机制及专家边界案例等类别。
实验对比了两种路径：一是纯文本大模型直接阅读合同文本并判断场景结果；二是基于本体的SPARQL查询管道。结果显示，Claude Sonnet 4.6准确率为87.76%（509/580），ChatGPT-5.3为72.93%，Gemini-3为65.17%。但文本模型在复杂合同（如变额万能险、联合生存险）上错误率显著上升，且最常见的误判是将“不适用”错误归类为“拒赔”（207例），因为模型倾向于将条款缺失视为拒赔依据，而基准中“不适用”表示合同未涉及该场景。例如，对酒驾意外死亡场景，多数合同无相关除外条款，应判定为“覆盖”，但模型却输出“拒赔”或“不适用”。另一案例中，仅一份联合保单适用“保单贷款处理”场景，其余合同应为“不适用”，但三个模型分歧严重，或全部判为覆盖，或全部判为拒赔。
相比之下，基于本体的管道通过显式编码除外期限、给付类型、宽限期等参数，以统一逻辑遍历所有合同，输出结果一致且附带证据链。这证明了结构化知识图谱在保险条款推理中的优势：它能强制消除歧义、枚举取值、声明约束，从而在查询时提供确定性、可审计的结论，而纯文本模型虽在简单场景表现尚可，但在处理合同范围、结构性适用性及证据引用时缺乏可靠性。
该基准不仅是保险知识图谱质量评估的工具，也为后续本体学习、知识图谱填充、可解释问答等任务提供了可复用模板。未来可扩展至医疗报销、金融监管等其他政策文档领域，并探索神经-符号混合方法，将大模型的语言理解力与知识图谱的严谨性结合，以实现高可靠性保险智能应用。
发布者：保险日报，转转请注明出处：https://www.insurdaily.com/archives/6587.html
微信扫一扫 
