[发明专利]一种基于动态就医行为对齐的医保欺诈发现方法在审
申请号: | 202010688096.0 | 申请日: | 2020-07-16 |
公开(公告)号: | CN111798324A | 公开(公告)日: | 2020-10-20 |
发明(设计)人: | 俞山青;韩忙;王甬琪;孙佳慧;宣琦;陈晋音 | 申请(专利权)人: | 浙江工业大学 |
主分类号: | G06Q40/08 | 分类号: | G06Q40/08;G06Q30/00;G06N3/04 |
代理公司: | 杭州天勤知识产权代理有限公司 33224 | 代理人: | 曹兆霞 |
地址: | 310014 浙*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 动态 就医 行为 对齐 医保 欺诈 发现 方法 | ||
1.一种基于动态就医行为对齐的医保欺诈发现方法,其特征在于,包括以下步骤:
(1)获取基本医疗场景数据,以基本医疗场景数据中实体信息为节点,以实体之间关系为连边,构建静态医保知识图网络后,获得静态医保知识图网络的邻接矩阵,并利用增加有残差思想的多层图卷积网络对邻接矩阵进行多次图卷积操作,获得静态医保知识图网络中每个实体信息的特征表示;
(2)针对包含有多种实体信息的动态就医行为,根据该动态就医行为包含实体信息的特征表示构建该动态就医行为的特征表示,并对动态就医行为的特征表示映射为固定长度后作为LSTM的输入;
(3)利用参数确定的LSTM提取动态就医行为的特征表示在时间上的关联特征,对关联特征编码解码后,利用softmax函数获得检测结果。
2.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法,其特征在于,步骤(1)中,多层图卷积网络中,采用以下公式对邻接矩阵进行多次图卷积操作:
其中,fk表示第k次图卷积操作的输出,即实体信息的特征表示,fk-1表示第k-1次图卷积操作的输出,Wk,bk表示图卷积网络的网络参数,λ是超参数,取值范围为0~1,用于控制fk-1有多少信息直接输出到下一次图卷积操作,σ(·)表示激活函数,A为静态医保知识图网络的邻接矩阵,IN表示与A阶数相等的单位矩阵,D表示矩阵的度值矩阵;f0为节点的初始特征。
3.如权利要求1或2所述的基于动态就医行为对齐的医保欺诈发现方法,其特征在于,所述增加有残差思想的多层图卷积网络的网络参数通过以下方式优化:
对多层图卷积网络的输出进行归一化处理:
Z=softmax(fk)
其中,Z表示归一化处理结果,softmax(·)表示softmax函数,fk表示第k次图卷积操作的输出;
根据损失函数L更新多层图卷积网络的网络参数:
其中,yL表示有标签的节点集合,F表示节点标签种类集合,i和j分别为实体信息和标签的索引,Yij表示第i个实体信息的第j类标签。
4.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法,其特征在于,步骤(2)中,根据以下公式构建动态就医行为的特征表示:
其中,表示动态就医行为sln的初始特征表示,pl表示动态就医行为sln包含的第i个实体信息,m为自然数,表示实体信息的总个数,N(sln)表示动态就医行为包含的实体信息集合,表示动态就医行为sln包含的第i个实体信息的特征表示,表示动态就医行为sln的特征表示。
5.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法,其特征在于,步骤(2)中,采用hash函数对动态就医行为的特征表示映射为固定长度,以实现对动态就医行为的特征表示的对齐。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010688096.0/1.html,转载请声明来源钻瓜专利网。