[发明专利]基于HIN挖掘动态多模式的医保异常检测方法及系统

权利要求书

1.基于HIN挖掘动态多模式的医保异常检测方法，其特征是，包括：

获取历史医保记录实例数据并对数据进行预处理；

对预处理后的数据，分析各类医保记录实例数据的特征属性与医保诈骗的关联性，从而提取医保诈骗相关的强关联属性，构成医保特征数据集；

基于历史医保记录实例数据、医保特征数据集，及业务场景中实例与特征的关联，构建医保异构信息网络，从而实现业务实例到逻辑关联的元图映射；

基于构建医保异构信息网络，获取异构信息网络及其元图；

基于医保异构信息网络的元图，随机选择一初始节点，以关联节点和边的增量式添加，生成单层模式和复合模式；

基于每一个模式，对同一实例集合中的不同实例采用横向比较识别离群点，对同一实例的不同时间段的就医记录，采用纵向比较识别离群点，从而完成医保记录异常检测；

所述单层模式，是指不存在重复节点的模式；所述复合模式，是指存在重复节点的模式；

所述单层模式和复合模式的生成过程为：

D1.基于医保异构信息网络，随机选择一节点作为初始节点，从而形成初始的单层模式；

D2.基于当前模式的任一节点，设定约束条件为每次选择一条新的且一端已在已有模式中的边，将新的边与另一端的节点加入当前模式，从而形成一个新的模式；

D3.判断当前模式是否无满足D2的约束条件的可增加的节点，若否，则返回D2，将剩余节点依次尝试作为初始节点进行模式挖掘，若是，则转至D4；

D4.判断当前模式节点是否为覆盖整个异构信息网络元图的节点，若否，则返回D2，依次尝试将当前模式的节点作为初始节点进行模式挖掘，若是，则转至D5；

D5.基于当前获取的单层模式，根据完整的异构信息网络进行关联重复的节点的添加，从而形成复合模式；

D6.将当前获取的复合模式进行拆分，分解为多单层模式的组合作为一个模式；

D7.判断当前模式是否为完整的异构信息网络的类型映射，即当前的复合模式已覆盖异构信息网络所有节点和边，若否，则返回D5，若是，则转至D8；

D8.输出已挖掘的所有模式作为异常检测模式，并将异常检测模式作为模式集合；

基于实例集合采取横向和纵向比较识别离群点的生成过程为：

E1.基于某一医保异构信息网络及其对应的模式，基于医保记录的就医时间数据统计均值，设置最小时间间隔t天，将位于同一时间段内的边的连接情况保留至第t天，然后用第t天的异构信息网络表示该时间段的异构信息网络；

E2.基于医保记录的采集数据，将特征属性分为多类，每一类属性都涵盖上级属性的性质和操作；

E3.基于横向比较获取每个实例集合，即在同一时间段同一模式不同实例集合；

E4.基于纵向比较获取每个实例集合，即同一医保记录的不同时间段的同一实例集合；

E5.计算各实例集合的指标值，单层模式的指标值计算如下：

方括号中第一项是实例集合中的实例出现的频次，第2到b+1项由各项对应属性的中值、均值、几何平均数计算得到；ω为权重；

复合模式计算指标值时先分解为多个单层模式，设复合模式P_F由β_i个单层模式P_Si组成，先进行如下计算，

在上述计算结果的基础上，再按照公式(6)(7)计算获取复合模式下各实例集合的指标值；

E6.基于密度聚类识别离群点，采取固定最少包含节点数minpts，然后优化判断半径r的策略，判断半径r的优化采用邻近聚类的思想，计算每个节点的第minpts近邻的距离，得到一个距离集合dist并按升序排序，由于核心点不断传播的机制而识别偏离较远的离群点。

2.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，采用互信息方法计算历史医保记录实例的特征属性与医保诈骗的关联度，通过设定关联度阈值提取各类实例数据的特征属性与医保诈骗的强关联特征，构成医保特征数据集。

3.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，所述构建医保异构信息网络具体为：基于筛选的关联特征与医保诈骗的关联度，通过关联即相链接的方式，将业务场景实例映射为医保异构信息网络。