CN109598633A - 社保违规检测方法、装置、设备及计算机存储介质 - Google Patents
社保违规检测方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN109598633A CN109598633A CN201811530630.4A CN201811530630A CN109598633A CN 109598633 A CN109598633 A CN 109598633A CN 201811530630 A CN201811530630 A CN 201811530630A CN 109598633 A CN109598633 A CN 109598633A
- Authority
- CN
- China
- Prior art keywords
- drug
- medical data
- social security
- data
- separate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 115
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000003814 drug Substances 0.000 claims abstract description 260
- 229940079593 drug Drugs 0.000 claims abstract description 240
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 230000001846 repelling effect Effects 0.000 claims abstract description 18
- 230000033228 biological regulation Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 abstract description 18
- 239000002699 waste material Substances 0.000 abstract description 18
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004140 cleaning Methods 0.000 description 8
- 241000411851 herbal medicine Species 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000144 pharmacologic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 229940126678 chinese medicines Drugs 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 229940126534 drug product Drugs 0.000 description 2
- 239000000825 pharmaceutical preparation Substances 0.000 description 2
- 241001618883 Euphorbia uralensis Species 0.000 description 1
- 241001104043 Syringa Species 0.000 description 1
- 235000004338 Syringa vulgaris Nutrition 0.000 description 1
- -1 alternatively Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Epidemiology (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种社保违规检测方法，包括：获取用户通过社保卡结算就诊费用的第一就诊数据；将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。本发明还提供一种社保违规检测装置、设备及计算机存储介质。本发明实现了基于机器学习通过偏差检测模型对用户通过社保卡结算的第一就诊数据进行监管，从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。
Description
技术领域
本发明数据监控技术领域，尤其涉及一种社保违规检测方法、装置、设备及计算机存储介质。
背景技术
医疗保险一般指基本医疗保险，是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。通过用人单位与个人缴费，建立医疗保险基金，参保人员患病就诊发生医疗费用后，由医疗保险机构对其给予一定的经济补偿。参保人在定点医疗机构，特别是药店购药时，有些药物不能同时使用，例如，部分地区根据社保规定中草药与中药不能同时使用，若发现用户处方单中同时存在中药及中草药时，则认为参保人违规操作。这种情况不符合某些地区的医保规定，给医保基金带来极大的危害。
目前，由配备的监管人员对参保人员的社保行为进行监控，对医保结算单据进行核算，管理门诊统筹基金的支出，但是，人工监管造成人力浪费，并且我国参保人员很多，造成监管人员不够，从而让不法分子有机可乘，造成门诊统筹基金的浪费。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种社保违规检测方法、装置、设备及计算机存储介质，旨在解决现有技术中人工监管造成人力浪费及门诊统筹基金浪费的技术问题。
为实现上述目的，本发明提供一种社保违规检测方法，所述社保违规检测方法包括以下步骤：
获取用户通过社保卡结算就诊费用的第一就诊数据；
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；
若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。
可选地，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品的步骤包括：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类；
根据分类结果确定药品中是否存在同一功效的药品，若药品中存在同一功效的药品，则确定药品中存在第一相斥药品。
可选地，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品的步骤包括：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据；
通过基于深度的异常检测算法对所述标准数据进行检测，根据检测结果确定药品中是否存在第一相斥药品，以确定所述第一就诊数据是否异常。
可选地，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据的步骤包括：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对第一就诊数据进行清洗，以得到清洗后的规范第一就诊数据；
对所述规范第一就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵；
基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据。
可选地，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品的步骤之后，所述社保违规检测方法还包括：
若药品中不存在第一相斥药品，则获取用户前一次购买药品的第二就诊数据，并确定所述第二就诊数据中是否存在与所述第一就诊数据中的药品相斥的第二相斥药品；
若所述第二就诊数据中存在与所述第一就诊数据中的药品相斥的第二相斥药品，则计算所述第一就诊数据中的就诊时间与第二就诊数据中的就诊时间的时间差；
确定所述时间差是否小于预设时间差，若所述时间差小于预设时间差，则确定所述第一就诊数据异常。
可选地，所述社保违规检测方法还包括：
获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知；
将所述处罚通知及所述处罚证明发送至用户移动终端。
可选地，所述社保违规检测方法还包括：
获取所述用户的历史违规次数，并确定所述历史违规次数所在的次数范围；
基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
基于所述处罚措施自动对用户进行处罚。
此外，为实现上述目的，本发明还提供一种社保违规检测装置，所述社保违规检测装置包括：
获取模块，用于获取用户通过社保卡结算就诊费用的第一就诊数据；
检测模块，用于将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；
提取模块，用于若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。
此外，为实现上述目的，本发明还提供一种社保违规检测设备，所述社保违规检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的社保违规检测程序，其中所述社保违规检测程序被所述处理器执行时，实现如上述的社保违规检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有社保违规检测程序，其中所述社保违规检测程序被处理器执行时，实现如上述的社保违规检测方法的步骤。
本发明提供一种社保违规检测方法、装置、设备及计算机存储介质，本发明通过获取用户通过社保卡结算就诊费用的第一就诊数据，然后将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品，最后若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明；实现了通过偏差检测模型对用户通过社保卡结算的第一就诊数据进行监管，从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。
附图说明
图1为本发明各实施例涉及的社保违规检测设备的硬件结构示意图；
图2为本发明社保违规检测方法第一实施例的流程示意图；
图3为本发明社保违规检测方法第二实施例的流程示意图；
图4为本发明社保违规检测方法第三实施例的流程示意图；
图5为本发明社保违规检测方法第四实施例的流程示意图；
图6为本发明社保违规检测方法第五实施例的流程示意图；
图7为本发明社保违规检测方法第六实施例的流程示意图；
图8为本发明社保违规检测方法第七实施例的流程示意图；
图9为本发明社保违规检测装置第一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
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。
本发明实施例涉及的社保违规检测方法主要应用于社保违规检测设备，该社保违规检测设备可以是PC(个人计算机personal computer)、便携计算机、移动终端等具有显示和处理功能的设备。
参照图1，图1为本发明实施例方案中涉及的社保违规检测设备的硬件结构示意图。本发明实施例中，社保违规检测设备可以包括处理器1001(例如中央处理器CentralProcessing Unit、CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)；存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种计算机存储介质的存储器1005可以包括操作系统、网络通信模块以及社保违规检测程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的社保违规检测程序，并执行本发明实施例提供的社保违规检测方法。
本发明进一步提供一种社保违规检测方法。参照图2，图2为本发明社保违规检测方法第一实施例的方法示意图。
在本实施例中，本发明社保违规检测方法的执行主体为人社核心系统，该人社核心系统包括设备违规检测设备，人社核心系统能够检测就诊数据中是否存在第一相斥药品，若就诊数据中存在第一相斥药品，则判定该就诊数据异常，并提取就诊数据中的异常数据，从而筛选出不符合医保规定的异常数据，并将该异常数据作为对用户进行处罚的处罚证明。
在本实施例中，该社保违规检测方法包括：
步骤S10，获取用户通过社保卡结算就诊费用的第一就诊数据；
在本实施例中，参保人员在定点医疗机构(例如，医院、药店)使用社保卡进行结算时，定点医疗机构的终端设备根据处方信息、参保人信息及费用明细信息等生成处方单，将该处方单上传至人社核心系统，人社核心系统接收定点医疗机构的终端设备发送的处方单，获取处方单中的第一就诊数据，以对第一就诊数据进行社保违规检测，其中，第一就诊数据包括就诊时间、就诊医疗机构名称或代码、参保人信息、处方信息及费用明细信息等，其中，参保人信息包括参保人的身份信息、参保人社保卡信息等，参保人的身份信息包括年龄、身份证号、体重、身高等，处方信息包括药品信息、药品用法(例如，口服，一天一次)、药品处方时间等，该药品信息包括药品名称、规格、单位、数量等。
步骤S20，将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果确定药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；
在本实施例中，该偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对第一就诊数据进行分析，通过偏差检测模型能够检测第一就诊数据中是否存在第一相斥药品，具体地，首先通过偏差检测模型对获取到的第一就诊数据进行清洗，清洗是指对第一就诊数据中的文本数据进行分词处理，第一就诊数据中存在一些不必要的数据或者不规范的数据，在既表示词本身又可以考虑语义距离的要求下，利用偏差检测模型中的RNN子模型分析更长更复杂的文本内容，对于第一就诊数据进行分词处理，例如，一条中文句子，词语之间都是连续的，而数据分析的最小单位粒度是词语，所以需要进行分词处理，而对于英文文本的句子，英文的句子的最小单位是词语，词语之间由空格隔开的，同时，需要对词性进行标注，例如，名词、从词、形容词、数量词等，词性标注的目的是为了让句子在后面的处理中融入更多的有用的语言信息，当然，对于有些文本处理任务，可以不用词性标注。
进一步地，还可以去除停用词，停用词就是对文本特征没有任贡献作用的词语，比如，啊、的、标点符号等，在进行文本分析时需要对这些停用词去除掉，当然，对于不同的应用可以在偏差检测模型中设置参数去除规定词性的词语。
进一步地，对第一就诊数据进行清洗操作后，对清洗后的第一就诊数据构造文本特征，将文本用一个向量的序列表示，将词语用词向量表示，通过正向计算及逆向计算拼接得到完整的词向量，得到词向量的序列，然后使用偏差模型中的双向RNN子模型将词向量编码(转化)为一个句子向量矩阵，对句子向量矩阵进行注意力机制，得到最终的标准数据。
进一步地，由于药品的特殊药理机制，有些药品不能同时使用，例如，某些中药饮片与中成药不能同时使用，或者，某些地区社保规定中药与中草药不能同时使用，基于深度的异常检测算法对标准数据进行检测，并根据检测结果确定第一就诊数据中是否存在第一相斥药品，若第一就诊数据中存在第一相斥药品，则该第一就诊数据异常，该第一相斥药品是指第一就诊数据中不能同时存在的药品，其中，根据第一偏差检测模型可以对第一就诊数据中的药品进行分类，分类方式可以按照中药饮片及中成药进行分类，或者按照药品的药性或者功效进行分类等，根据偏差检测模型中预设的社保规则对第一就诊数据进行检测，若社保规则规定中药饮片及中成药不能同时使用，检测到第一就诊数据中同时存在中药饮片及中成药，则第一就诊数据异常，若社保规则规定功效相同的药品不能同时使用，则利用偏差检测模型对就诊数据中药品的功效进行检测，检测药品中是否存在相同功效的药，若存在，则第一就诊数据异常。当然，还可以通过偏差检测模型中的相斥表检测第一就诊数据中是否存在第一相斥药品，该相斥表中包括各种药品禁忌同时使用的药品，例如，丁香不能与郁金同时使用，甘草不能与京大戟、甘遂和芫花同时使用。
步骤S30，若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。
在本实施例中，若检测到第一就诊数据中存在第一相斥药品，则第一就诊数据异常，提取第一就诊数据中的异常数据，并根据异常数据生成处罚证明，该处罚证明包括处罚对象的名称、处罚措施、处罚原因、处罚机构、处罚时间等。该异常数据可以用来作为用户利用社保卡违规操作的证据。
本实施例提出的社保违规检测方法，通过获取用户通过社保卡结算就诊费用的第一就诊数据，然后将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品，最后若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明；实现了通过偏差检测模型对用户通过社保卡结算的第一就诊数据进行监管，从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。
基于第一实施例，提出本发明社保违规检测方法的第二实施例，参照图4，本实施例中，步骤S20包括：
步骤S21，将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类；
在本实施例中，通过偏差检测模型的分类器对第一就诊数据中的药品进行分类，该分类方式包括将药品分为中药饮片及中成药，或者，将药品分为中药及中草药。该分类器可以通过将各类中药的基本信息(包括中药的名称、药性、来源、功效、使用剂量等)作为N个样本输入偏差检测模型进行学习，得到一个弱分类器，将分错的样本和其它新数据构成一个新的N个训练样本，并通过新的训练样本学习得到第二个弱分类器，再将分错的样本及其它新样本构造另一个新的N个样本，再进行学习训练，从而通过上述训练方法训练n次，得到强分类器，其中，在每一次迭代训练时，需要对模型中的权重进行更新，减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率，最终得到的强分类器为各个弱分类器的加权平均，从而将最终得到的强分类器作为偏差检测模型中的分类器。
步骤S22，根据分类结果确定药品中是否存在同一功效的药品，若药品中存在同一功效的药品，则确定药品中存在第一相斥药品。
在本实施例中，若某一中药饮片与某一中成药功效一样，则该中药饮片与该中成药不能同时使用，或者，若某一中药与某一中草药功效一样，则该中药与该中草药不能同时使用。通过偏差检测模型对就诊数据中的药品进行分类，将药品分为中药饮片及中成药，或者将药品分为中药及中草药，并确定中药饮片及中成药中是否存在功效相同的药品，若存在，则确定药品中存在第一相斥药品，若不存在，则药品中不存在第一相斥药品，或者，确定中药及中草药中是否存在功效相同的药品，若存在，则确定药品中存在第一相斥药品，若不存在，则药品中不存在第一相斥药品。
本实施例提出的社保违规检测方法，通过将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，然后根据分类结果确定药品中是否存在同一功效的药品，若药品中存在同一功效的药品，则确定药品中存在第一相斥药品；实现了通过偏差检测模型对药品进行分类，从而能够确定不同药品种类中是否存在功效相同的药品，进而能够自动检测出就诊数据是否异常，从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。
基于第一实施例，提出本发明社保违规检测方法的第三实施例，参照图4，本实施例中，步骤S20包括：
步骤S23，将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据；
在本实施例中，该偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对就诊数据进行分析，通过偏差检测模型能够检测就诊数据中是否存在第一相斥药品，具体地，首先通过偏差检测模型对获取到的就诊数据进行清洗，就诊数据中存在一些不必要的数据或者不规范的数据，通过对这些数据进行清洗得到标准数据，然后再检测标准数据中是否存在第一相斥药品，其中，第一相斥药品是指不能同时存在的药品。
步骤S24，通过基于深度的异常检测算法对所述标准数据进行检测，根据检测结果确定药品中是否存在第一相斥药品，以确定所述第一就诊数据是否异常；
在本实施例中，根据偏差检测模型中的基于深度的异常检测算法检测就诊数据中的异常数据，该算法先把标准数据中的每个记录标记为k维空间里的一个点，然后根据深度的定义(常用Peeling Depth Contours定义)给每个点赋予一个深度值，再根据深度值按层组织数据集，深度值较小的记录是离群点的可能性比深度值较大的记录大得多，因此算法只需要在深度值较小的层上进行离群检测，不需要在深度值大的记录层进行离群检测，k维数据的多层操作中，若数据集记录数为N，则操作的时间复杂度为Ω(N[k/2])，因此，当维数k≤3时处理大数据集时有可能是高效的。通过离群检测能够检测药品中是否存在第一相斥药品，若药品中存在相斥药品，则第一就诊数据异常。
本实施例提出的社保违规检测方法，通过将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据，然后通过基于深度的异常检测算法对所述标准数据进行检测，根据检测结果确定药品中是否存在第一相斥药品，以确定所述第一就诊数据是否异常；实现了通过偏差检测模型对第一就诊数据进行检测，确定药品中是否存在第一相斥药品，从而能够自动检测出异常数据，避免了人工避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。
基于第三实施例，提出本发明社保违规检测方法的第四实施例，参照图5，本实施例中，步骤S23包括：
步骤S231，将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对第一就诊数据进行清洗，以得到清洗后的规范第一就诊数据；
在本实施例中，该偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对第一就诊数据进行分析，通过偏差检测模型能够检测第一就诊数据中的药品中是否存在第一相斥药品，具体地，首先通过偏差检测模型对获取到的第一就诊数据进行清洗，清洗是指对第一就诊数据中的文本数据进行分词处理，第一就诊数据中存在一些不必要的数据或者不规范的数据，在既表示词本身又可以考虑语义距离的要求下，利用RNN模型分析更长更复杂的文本内容，从而对第一就诊数据进行分词处理，例如，一条中文句子，词语之间都是连续的，而数据分析的最小单位粒度是词语，所以需要进行分词处理，而对于英文文本的句子，英文的句子的最小单位是词语，词语之间由空格隔开的，同时，需要对词性进行标注，例如，名词、从词、形容词、数量词等，词性标注的目的是为了让句子在后面的处理中融入更多的有用的语言信息，当然，对于有些文本处理任务，可以不用词性标注。
进一步地，还可以去除停用词，停用词就是对文本特征没有任贡献作用的词语，比如，啊、的、标点符号等，在进行文本分析时需要对这些停用词去除掉，当然，对于不同的应用可以在偏差检测模型中设置参数去除规定词性的词语。
步骤S232，对所述规范第一就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵；
在本实施例中，对第一就诊数据进行清洗操作后，对清洗后的第一就诊数据构造文本特征，将文本用一个向量的序列表示，将词语用词向量表示，通过正向计算及逆向计算拼接得到完整的词向量，得到词向量的序列，然后使用偏差检测模型中的双向RNN子模型将词向量编码(转化)为一个句子向量矩阵，对句子向量矩阵进行注意力机制，得到最终的标准数据。
步骤S233，基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据。
在本实施例中，对句子向量矩阵进行注意力机制，将步骤S232中的句子向量矩阵压缩为一个向量表示，送入标准的前馈神经网络进行预测，输入一个矩阵，输出一个向量，从输入内容中提取一个上下文向量，该机制的上下文向量是被当作模型的参数学习得到。这使得注意机制变成一个纯粹的压缩操作，可以替换任何的池化步骤。文本内容被压缩成一个向量之后，得到最终的标准数据，例如，一种类别标签、一个实数值等。
本实施例提出的社保违规检测方法，通过将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对第一就诊数据进行清洗，以得到清洗后的规范第一就诊数据，然后对所述规范第一就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵，最后基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据；实现了通过偏差检测模型将第一就诊数据转化为标准数据，从而有利于异常数据的检测，进而提高异常数据检测的正确性。
基于第一实施例，提出本发明社保违规检测方法的第五实施例，参照图6，本实施例中，步骤S20之后，还包括：
步骤S40，若药品中不存在第一相斥药品，则获取用户前一次购买药品的第二就诊数据，并确定所述第二就诊数据中是否存在与所述第一就诊数据中的药品相斥的第二相斥药品；
在本实施例中，若检测第一就诊数据中的药品不存在第一相斥药品，则认为用户本次购买药品中不存在第一相斥药品，但是，由于医保卡使用没有次数限制，有些用户在短时间内可以利用医保卡进行多次购买不同的药品，所以，可以对用户前一次购买药品的第二就诊数据进行检测，确定第二就诊数据中是否存在与本次购买药品的第一就诊数据中的药品相斥的第二相斥药品，该第二相斥药品是指第一就诊数据与第二就诊数据中不能同时存在的药品。
步骤S50，若所述第二就诊数据中存在与所述第一就诊数据中的药品相斥的第二相斥药品，则计算所述第一就诊数据中的就诊时间与第二就诊数据中的就诊时间的时间差。
在本实施例中，若第二就诊数据中存在与第一就诊数据中的药品相斥的第二相斥药品，则计算第一就诊数据中的就诊时间与第二就诊数据中的就时间的时间差，第一就诊数据中的就诊时间可以理解为用户本次购买药品的时间，第二就诊数据中的就诊时间可以理解为用户前一次购买药品的时间。
步骤S60，确定所述时间差是否小于预设时间差，若所述时间差小于预设时间差，则确定所述第一就诊数据异常。
在本实施例中，判断第一就诊数据中的就诊时间与第二就诊数据中的就时间的时间差是否小于预设时间差，若该时间差小于预设时间差，认为在预设时间段内购买了相斥药品，则同样可以确定该第一就诊数据异常，其中，预设时间差由技术人员跟胡实际情况设置。
本实施例提出的社保违规检测方法，通过若药品中不存在第一相斥药品，则获取用户前一次购买药品的第二就诊数据，并确定所述第二就诊数据中是否存在与所述第一就诊数据中的药品相斥的第二相斥药品，然后若所述第二就诊数据中存在与所述第一就诊数据中的药品相斥的第二相斥药品，则计算所述第一就诊数据中的就诊时间与第二就诊数据中的就诊时间的时间差，最后确定所述时间差是否小于预设时间差，若所述时间差小于预设时间差，则确定所述第一就诊数据异常；实现了对用户前一次的第二就诊数据进行检测，从而进一步确定第一就诊数据是否异常，避免了人工避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。
基于第一实施例，提出本发明社保违规检测方法的第六实施例，参照图7，本实施例中，该社保违规检测方法还包括：
步骤S70，获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知；
在本实施例中，若检测到就诊数据中存在异常数据，则在数据库中查找预设处罚规则，并根据该处罚规则及异常数据生成处罚通知，该处罚规则由技术人员进行设定，该处罚通知包括处罚对象的名称、处罚措施、处罚原因、处罚机构、处罚时间等。
步骤S80，将所述处罚通知及所述处罚证明发送至用户移动终端。
在本实施例中，人社核心系统将处罚通知发送至移动终端，并自动对用户进行处罚，其中，也可以统计参保人预设时间段违规操作的次数，确定惩罚措施的程度，例如，警告、罚款、注销医保卡等，或者，在检测到用户有违规的预行为时，可以进行相关提示，预行为是指根据参保人的购买药物的行为分析预测下次参保人购买药物的行为，提示方法可以是短信提示、电话通知或者微信消息提示等。
本实施例提出的社保违规检测方法，通过获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知，然后将所述处罚通知及所述处罚证明发送至用户移动终端；实现了在检测到用户就诊数据存在异常时，对用户自动进行处罚，从而避免了人工避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。
基于第六实施例，提出本发明社保违规检测方法的第七实施例，参照图8，本实施例中，该社保违规检测方法还包括：
步骤S90，获取所述用户的历史违规次数，并确定所述历史违规次数所在次数范围；
在本实施例中，人社核心系统可以根据获取用户的历史就诊数据，并根据用户的历史就诊数据统计用户的历史违规次数，在处罚规则中不同的违规次数对应不同的处罚等级，所以，首先确定用户历史违规次数在该处罚规则中所对应的次数范围，以根据该次数范围确定用户的违规等级。
步骤S100，基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
在本实施例中，历史违规次数处于不同的次数范围时，对应的违规等级不同，根据处罚规则确定历史违规次数所在的次数范围，并确定次数范围对应的处罚措施，例如，该处罚等级可以划分为第一等级、第二等级、第三等级等，第一等级对应处罚措施可以是警告提示，第二等级对应的处罚措施可以是进行一定金额罚款，第三等级对应的处罚措施可以是注销医保卡等，当然，可以根据用户历史违规次数所在不同的次数范围对用户进行不同金额的罚款。
步骤S110，基于所述处罚措施自动对用户进行处罚。
在本实施例中，人社核心系统根据处罚规则自动对用户进行处罚，例如，人社核心系统可以获取用户的联系方式，该联系方式可以是微信、电话、邮件等，将警告提示以微信消息、邮件、短信等方式发送给用户，或者，人社核心系统可以直接与用户微信、支付宝或者银行卡绑定，直接根据处罚规则从用户微信、支付宝、银行卡中扣除相应的罚款，或者，人社核心系统直接可以注销用户的医保卡。
本实施例提出的社保违规检测方法，通过获取所述用户的历史违规次数，并确定所述历史违规次数所在的次数范围，然后基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施，最后基于所述处罚措施自动对用户进行处罚；实现了根据用户的历史违规次数对用户进行不同的处罚措施，从而自动进行处罚，提高了对门诊统筹基金的监管效率。
此外，本发明实施例还提供一种社保违规检测装置。
参照图9，图9为本发明社保违规检测装置第一实施例的功能模块示意图。
本发明社保违规检测装置为虚拟装置，存储于图1所示社保违规检测设备的存储器1005中，用于实现社保违规检测程序的所有功能：获取用户通过社保卡结算就诊费用的第一就诊数据；将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。
具体的，本实施例中，所述社保违规检测装置包括：
获取模块101，用于获取用户通过社保卡结算就诊费用的第一就诊数据；
检测模块102，用于将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；
提取模块103，用于若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。
进一步地，所述检测模块还用于：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类；
根据分类结果确定药品中是否存在同一功效的药品，若药品中存在同一功效的药品，则确定药品中存在第一相斥药品。
进一步地，所述检测模块还用于：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据；
通过基于深度的异常检测算法对所述标准数据进行检测，根据检测结果确定药品中是否存在第一相斥药品，以确定所述第一就诊数据是否异常。
进一步地，所述检测模块还用于：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对第一就诊数据进行清洗，以得到清洗后的规范第一就诊数据；
对所述规范第一就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵；
基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据。
进一步地，所述社保违规检测装置还包括：
判断模块，用于若药品中不存在第一相斥药品，则获取用户前一次购买药品的第二就诊数据，并确定所述第二就诊数据中是否存在与所述第一就诊数据中的药品相斥的第二相斥药品；
计算模块，用于若所述第二就诊数据中存在与所述第一就诊数据中的药品相斥的第二相斥药品，则计算所述第一就诊数据中的就诊时间与第二就诊数据中的就诊时间的时间差；
确定模块，用于确定所述时间差是否小于预设时间差，若所述时间差小于预设时间差，则确定所述第一就诊数据异常。
进一步地，所述社保违规检测装置还包括：
生成模块，用于获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知；
处罚模块，用于将所述处罚通知及所述处罚证明发送至用户移动终端。
进一步地，所述社保违规检测装置还包括：
获取模块，获取所述用户的历史违规次数，并确定所述历史违规次数所在的次数范围；
基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
处罚模块，用于基于所述处罚措施自动对用户进行处罚。
此外，本发明实施例还提供一种计算机存储介质。
本发明计算机存储介质上存储有社保违规检测程序，其中所述社保违规检测程序被处理器执行时，实现如上述的社保违规检测方法的步骤。
其中，社保违规检测程序被执行时所实现的方法可参照本发明社保违规检测方法的各个实施例，此处不再赘述。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
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。
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，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如上所述的一个存储介质(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。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种社保违规检测方法，其特征在于，所述社保违规检测方法包括以下步骤：
获取用户通过社保卡结算就诊费用的第一就诊数据；
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；
若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。
2.如权利要求1所述的社保违规检测方法，其特征在于，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品的步骤包括：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类；
根据分类结果确定药品中是否存在同一功效的药品，若药品中存在同一功效的药品，则确定药品中存在第一相斥药品。
3.如权利要求1所述的社保违规检测方法，其特征在于，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品的步骤包括：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据；
通过基于深度的异常检测算法对所述标准数据进行检测，根据检测结果确定药品中是否存在第一相斥药品，以确定所述第一就诊数据是否异常。
4.如权利要求3所述的社保违规检测方法，其特征在于，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据的步骤包括：
将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对第一就诊数据进行清洗，以得到清洗后的规范第一就诊数据；
对所述规范第一就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向RNN子模型将词向量转化为句子向量矩阵；
基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据。
5.如权利要求1所述的社保违规检测方法，其特征在于，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品的步骤之后，所述社保违规检测方法还包括：
若药品中不存在第一相斥药品，则获取用户前一次购买药品的第二就诊数据，并确定所述第二就诊数据中是否存在与所述第一就诊数据中的药品相斥的第二相斥药品；
若所述第二就诊数据中存在与所述第一就诊数据中的药品相斥的第二相斥药品，则计算所述第一就诊数据中的就诊时间与第二就诊数据中的就诊时间的时间差；
确定所述时间差是否小于预设时间差，若所述时间差小于预设时间差，则确定所述第一就诊数据异常。
6.如权利要求1所述的社保违规检测方法，其特征在于，所述社保违规检测方法还包括：
获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知；
将所述处罚通知及所述处罚证明发送至用户移动终端。
7.如权利要求6所述的社保违规检测方法，其特征在于，所述社保违规检测方法还包括：
获取所述用户的历史违规次数，并确定所述历史违规次数所在的次数范围；
基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；
基于所述处罚措施自动对用户进行处罚。
8.一种社保违规检测装置，其特征在于，所述社保违规检测装置包括：
获取模块，用于获取用户通过社保卡结算就诊费用的第一就诊数据；
检测模块，用于将所述第一就诊数据输入偏差检测模型，通过偏差检测模型确定所述第一就诊数据中的药品中是否存在第一相斥药品，其中，所述第一相斥药品是指不能同时存在的药品；
提取模块，用于若药品中存在第一相斥药品，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。
9.一种社保违规检测设备，其特征在于，所述社保违规检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的社保违规检测程序，其中所述社保违规检测程序被所述处理器执行时，实现如权利要求1至7中任一项所述的社保违规检测方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有信贷评估程序，其中所述社保违规检测程序被处理器执行时，实现如权利要求1至7中任一项所述的社保违规检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530630.4A CN109598633A (zh) | 2018-12-13 | 2018-12-13 | 社保违规检测方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530630.4A CN109598633A (zh) | 2018-12-13 | 2018-12-13 | 社保违规检测方法、装置、设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109598633A true CN109598633A (zh) | 2019-04-09 |
Family
ID=65960709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811530630.4A Pending CN109598633A (zh) | 2018-12-13 | 2018-12-13 | 社保违规检测方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598633A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340641A (zh) * | 2020-05-22 | 2020-06-26 | 浙江工业大学 | 一种异常就医行为检测方法 |
| CN112686762A (zh) * | 2020-12-25 | 2021-04-20 | 中国平安人寿保险股份有限公司 | 保单数据违规检测方法、装置、计算机设备及存储介质 |
| CN116822496A (zh) * | 2023-06-02 | 2023-09-29 | 厦门她趣信息技术有限公司 | 一种社交信息违规检测方法、系统及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074069A (zh) * | 2011-01-13 | 2011-05-25 | 易联众信息技术股份有限公司 | 一种门诊诊疗费用自助结算方法 |
| CN107292597A (zh) * | 2017-05-26 | 2017-10-24 | 深圳医畅科技发展有限公司 | 基于社保卡实现就诊支付的方法、移动终端及存储设备 |
| CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
| CN108921710A (zh) * | 2018-06-08 | 2018-11-30 | 东莞迪赛软件技术有限公司 | 医保异常检测的方法及系统 |
-
2018
- 2018-12-13 CN CN201811530630.4A patent/CN109598633A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102074069A (zh) * | 2011-01-13 | 2011-05-25 | 易联众信息技术股份有限公司 | 一种门诊诊疗费用自助结算方法 |
| CN107292597A (zh) * | 2017-05-26 | 2017-10-24 | 深圳医畅科技发展有限公司 | 基于社保卡实现就诊支付的方法、移动终端及存储设备 |
| CN108492196A (zh) * | 2018-03-08 | 2018-09-04 | 平安医疗健康管理股份有限公司 | 通过数据分析推断医疗保险违规行为的风控方法 |
| CN108921710A (zh) * | 2018-06-08 | 2018-11-30 | 东莞迪赛软件技术有限公司 | 医保异常检测的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 周如意: "基于BP神经网络和关联规则的智能医疗保险稽核系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340641A (zh) * | 2020-05-22 | 2020-06-26 | 浙江工业大学 | 一种异常就医行为检测方法 |
| CN111340641B (zh) * | 2020-05-22 | 2020-11-13 | 浙江工业大学 | 一种异常就医行为检测方法 |
| CN112686762A (zh) * | 2020-12-25 | 2021-04-20 | 中国平安人寿保险股份有限公司 | 保单数据违规检测方法、装置、计算机设备及存储介质 |
| CN112686762B (zh) * | 2020-12-25 | 2024-05-28 | 中国平安人寿保险股份有限公司 | 保单数据违规检测方法、装置、计算机设备及存储介质 |
| CN116822496A (zh) * | 2023-06-02 | 2023-09-29 | 厦门她趣信息技术有限公司 | 一种社交信息违规检测方法、系统及存储介质 |
| CN116822496B (zh) * | 2023-06-02 | 2024-04-19 | 厦门她趣信息技术有限公司 | 一种社交信息违规检测方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | What about mood swings: Identifying depression on twitter with temporal measures of emotions | |
| KR101981075B1 (ko) | 데이터 분석 시스템, 데이터 분석 방법, 데이터 분석 프로그램, 및 기록매체 | |
| AU2011247830B2 (en) | Method and system for generating text | |
| CN109635044A (zh) | 住院数据异常检测方法、装置、设备及可读存储介质 | |
| CN109685670A (zh) | 社保违规检测方法、装置、设备及计算机可读存储介质 | |
| CN111914164B (zh) | 一种基于医疗大数据的用药预测方法及系统 | |
| Lee et al. | Using Mahalanobis–Taguchi system, logistic regression, and neural network method to evaluate purchasing audit quality | |
| CN109598633A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
| Iddrisu et al. | A sentiment analysis framework to classify instances of sarcastic sentiments within the aviation sector | |
| CN109409619A (zh) | 舆情动向的预测方法、装置、介质及电子设备 | |
| CN108198631A (zh) | 循证医疗结果生成方法与装置 | |
| US8676800B2 (en) | Method and system for generating text | |
| Schmøkel et al. | FBAdLibrarian and Pykognition: open science tools for the collection and emotion detection of images in Facebook political ads with computer vision | |
| CN110490750A (zh) | 数据识别的方法、系统、电子设备及计算机存储介质 | |
| JPWO2016189605A1 (ja) | データ分析に係るシステム、制御方法、制御プログラム、および、その記録媒体 | |
| CN109559242A (zh) | 异常数据的处理方法、装置、设备及计算机可读存储介质 | |
| WO2016189606A1 (ja) | データ分析システム、制御方法、制御プログラム、および記録媒体 | |
| CN109636648A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
| CN115050442A (zh) | 基于挖掘聚类算法的病种数据上报方法、装置及存储介质 | |
| CN109615538A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
| CN109637635A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
| KR102565105B1 (ko) | 가짜리뷰 필터링을 이용한 온라인 마케팅 서비스 제공 시스템 | |
| CN109658267A (zh) | 社保违规检测方法、装置、设备及计算机存储介质 | |
| Chuttur et al. | A Comparison of Machine Learning Models to Prioritise Emails using Emotion Analysis for Customer Service Excellence. | |
| Li et al. | Automating document classification with distant supervision to increase the efficiency of systematic reviews: A case study on identifying studies with HIV impacts on female sex workers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |