CN112801804A - 一种用于检测异常医保数据的图神经网络的方法 - Google Patents

一种用于检测异常医保数据的图神经网络的方法 Download PDF

Info

Publication number
CN112801804A
CN112801804A CN202110054944.7A CN202110054944A CN112801804A CN 112801804 A CN112801804 A CN 112801804A CN 202110054944 A CN202110054944 A CN 202110054944A CN 112801804 A CN112801804 A CN 112801804A
Authority
CN
China
Prior art keywords
data
medical insurance
layer
expense
vertex
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.)
Withdrawn
Application number
CN202110054944.7A
Other languages
English (en)
Inventor
吴健
姜晓红
应豪超
杜邦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Industrial Technology Research Institute of ZJU
Original Assignee
Shandong Industrial Technology Research Institute of ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Industrial Technology Research Institute of ZJU filed Critical Shandong Industrial Technology Research Institute of ZJU
Priority to CN202110054944.7A priority Critical patent/CN112801804A/zh
Publication of CN112801804A publication Critical patent/CN112801804A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明属于医学人工智能技术领域，尤其是涉及一种用于检测异常医保数据的图神经网络的方法。一种用于检测异常医保数据的图神经网络的方法，包括以下步骤：S1、数据生成，在数据生成层中生成可应用于图神经网络的图结构的医保数据；S2、数据采样，在步骤S1所得的医保数据中，针对图结构的各个顶点的邻居顶点进行采样；S3、信息聚合，将步骤S2的采样结果锁获得的各个顶点分别聚合邻居顶点锁蕴含的数据信息；S4、结果预测，将步骤S3所得的各个顶点的向量作为全连接层的输入，预测目标节点的医保数据是否存在异常。本发明提供了一种让计算机使用人工智能的方式自主查找医保欺诈行为的用于检测异常医保数据的图神经网络的方法。

Description

一种用于检测异常医保数据的图神经网络的方法
技术领域
本发明属于医学人工智能技术领域，尤其是涉及一种用于检测异常医保数据的图神经网络的方法。
背景技术
随着我国社会医疗保险制度改革的不断深入，医疗保险的社会保障功能开始显现。然而近年来，一些不法分子受利益驱动，利用医疗保险统筹基金管理的漏洞骗领医保基金，特别是一些民营医院的经营者参与骗保，严重影响医保基金的安全和医疗保险改革的稳步推进。对于目前医保局检测不法分子的医保欺诈行为主要依靠的是医保局自己指定的一系列规则，如帮助非参保人员虚构劳动关系、虚构享受医疗保险待遇条件，或者提供虚假证明材料骗取医保资格；将医疗保险证件、医疗保险卡或者支付凭证交给非参保人员使用；出具虚假证明材料或者鉴定意见，为非参保人员骗取医疗保险基金提供帮助等。但是规则是固定的，是可以被规避的。不法分子通过熟悉规则的方式能避开医保局的检查。而这就可以造成医疗保基金的极大损失。
目前，国家医保局将医保欺诈聚焦三个重点领域：一是医疗机构，重点查处诱导参保人员住院、盗刷和冒用参保人员社会保障卡、伪造医疗文书或票据、协助参保人员套取医保基金、虚记或多记医疗服务费用等行为。二是零售药店，重点查处串换药品，刷卡套取基金等行为。三是参保人员，重点查处通过票据作假骗取基金等行为。但是骗保行为依旧屡禁不止。导致这一原因是，目前国家医保局就医保欺诈检测只能依靠有经验的核保核赔人员的检查。医保局指定的的规则较为简单，目标行为一般聚焦于多日大金额交易。依靠人工核查以及简单的规则限制，医保欺诈中部分行为就会逃过国家医保局的监管，并对国家医保基金造成极大的财产损失。
人工智能是目前新兴的计算机技术，它所探究的是如何使计算机去做过去只有人才能做的智能工作，并能做的更好。使用人工智能的图神经网络的方式，让人工智能自动的去查找医保交易内部的异常和欺诈行为。这能使那些巧妙躲开规则的违法行为得以被发现，同时也能降低人工检查的疏漏的可能性。而作为目前兴起的图神经网络，它满足了现实场景的需求，因为现实数据本身就是互相存在关联且以非欧氏空间的方式相联结，是不具备规则的空间结构。如电子交易、推荐系统等抽象出来的图谱，图谱中每个节点与其他节点的连接不是固定的。图神经网络可以对非欧氏空间的数据进行建模，捕获数据的内部依赖关系。图神经网络是不规则的、无序的。对于医保交易数据，也是类似的构建图结构，图中每个交易数据样本(节点)都会有边与图中其他交易数据样本(节点)相关，这些信息可用于捕获交易之间的相互依赖关系。将它应用在医保欺诈的数据挖掘中，能更仔细的找到规则外的异常情况。因此，创建处一种用于检测异常医保数据的图神经网络的方法能更有效地进行医保欺诈的探究，能更好的保护且推进保险制度改革。
发明内容
本发明所要解决的技术问题是提供一种让计算机使用人工智能的方式自主查找医保欺诈行为的用于检测异常医保数据的图神经网络的方法。为此，本发明采用以下技术方案：
一种用于检测异常医保数据的图神经网络的方法，包括以下步骤：
S1、数据生成，在数据生成层中生成可应用于图神经网络的图结构的医保数据；
S2、数据采样，在步骤S1所得的医保数据中，针对图结构的各个顶点的邻居顶点进行采样；
S3、信息聚合，将步骤S2的采样结果锁获得的各个顶点分别聚合邻居顶点锁蕴含的数据信息；
S4、结果预测，将步骤S3所得的各个顶点的向量作为全连接层的输入，预测目标节点的医保数据是否存在异常。
通过将医保交易数据转换成图结构数据，对图结构数据内的每个顶点和邻居顶点进行数据采样，并通过聚合函数聚合每个顶点与其邻居顶点蕴含的数据信息。最后将得到的向量作为全连接层的输入，用于预测医保交易是否存在欺诈行为。
在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：
所述医保数据包括医保的交易详细信息。
所述步骤S1还包括：
S11、获取指定的医保交易数据；
S12、从步骤S11获得的指定数据中，提取得到医保交易信息；
S13、根据步骤S12所得的信息，利用代码以定点医疗机构编码作为标识，将医保交易数据拆分和匹配；
S14、对步骤S13所得结果在数据生成层中进行数据表的生成。
所述步骤S14还包括：
S141、将单据号存在相同定点医疗机构编码的交易信息构建图结构的边；
S142、生成图结构边信息的数据表，以定点医疗机构编码作为标识，每条医保交易信息内包含的特征信息生成单独的医保交易特征表；其中，
所述特征信息至少包括：医疗总费用、自费金额、账户支付、本年账户支付、历年账户支付、统筹支出、大额支付金额、现金支付金额、自理费用、超限价自付费用、符合基本医疗费用、超封顶线个人自付金额、药品费用、诊疗项目费用、材料费用、范围外材料费用、一般诊疗费、挂号费、总报销金额、医院负担费用和审核扣款金额。
所述步骤S2还包括：
S21、对每个顶点采样一定数量的邻居顶点作为待聚合信息的顶点；
S22、设采样数量为K，若该顶点的邻居数少于K，采用有放回的抽样方法，直到采样出K个顶点；
若该顶点邻居数大于K，则采用无放回的抽样。
所述步骤S3还包括：
S31、通过设置网络层数k将该节点的数据与邻接点的数据进行聚合；
S32、在每一层的循环k中，对于每个顶点v，使用v的邻接点的k-1层的聚合结果表示
Figure BDA0002900594670000051
来产生其邻居顶点的第k层聚合表示
Figure BDA0002900594670000052
再将
Figure BDA0002900594670000053
和顶点v的第k-1层表示
Figure BDA0002900594670000054
进行拼接，在经过一个非线性变换产生顶点v的第k层聚合表示
Figure BDA0002900594670000055
所述网络层数k为每个顶点可以聚合的邻接点的跳数。
其中，对聚合函数的选取，由于数据中各个顶点的邻居是天然无序的，在构造聚合函数时尽可能的保持对称，保证即使改变输入的顺序，函数的输出结果也能保持不变。
更具体地，采用MEAN aggregator(均值聚合器)，将目标顶点和邻居顶点的第k-1层向量拼接起来，然后对向量的每个维度进行求均值的操作，将得到的结果做一次非线性变换产生目标顶点的第k层表示向量。
采用Pooling aggregator(池化聚合器)，对目标顶点的邻接点表示向量进行一次非线性变换，之后进行一次最大池化或者平均池化(maxpooling or meanpooling)，将得到结果与目标顶点的表示向量拼接，最后再经过一次非线性变换得到目标顶点的第k层表示向量。
采用LSTM aggregator(长短期记忆网络聚合器)，LSTM函数不是关于输入对称的，需要在使用时对顶点的邻居节点进行一次乱序操作。
所述步骤S4还包括：全连接层作为分类器，对需要预测的医保交易信息进行分类。
所述全连接层中每个神经元与其前一层的所有神经元进行全连接，全连接层整合卷积层中具有类别区分性的局部信息，以输出结果。
与现有技术相比，本发明具有以下有益效果：
本发明使用人工智能的方式让计算机子主的查找医保欺诈的行为，这可以搜查到那些规避医保欺诈规则的违法行为。其次使用了图神经网络，能更有效的应用于现实场景，将医保交易数据以图的像是展现，查找到相互关联的信息。将它应用在医保欺诈的数据挖掘中，能更仔细的找到规则外的异常情况。因此，创建处一种用于检测异常医保数据的图神经网络的方法能更有效地进行医保欺诈的探究，能更好的保护且推进保险制度改革。
附图说明
图1为本发明一种用于检测异常医保数据的图神经网络的方法的流程示意图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种用于检测异常医保数据的图神经网络的方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
一种用于检测异常医保数据的图神经网络的方法，包括以下步骤：
S1、数据生成，在数据生成层中生成可应用于图神经网络的图结构的医保数据，其中，医保数据包括医保的交易详细信息。
具体包括以下步骤：
S11、获取指定的医保交易数据；
S12、从步骤S11获得的指定数据中，提取得到医保交易信息；
S13、根据步骤S12所得的信息，利用代码以定点医疗机构编码作为标识，将医保交易数据拆分和匹配；
S14、对步骤S13所得结果在数据生成层中进行数据表的生成。
其中，步骤S14还包括以下步骤：
S141、将单据号存在相同定点医疗机构编码的交易信息构建图结构的边；
S142、生成图结构边信息的数据表，以定点医疗机构编码作为标识，每条医保交易信息内包含的特征信息生成单独的医保交易特征表；其中，
所述特征信息至少包括：医疗总费用、自费金额、账户支付、本年账户支付、历年账户支付、统筹支出、大额支付金额、现金支付金额、自理费用、超限价自付费用、符合基本医疗费用、超封顶线个人自付金额、药品费用、诊疗项目费用、材料费用、范围外材料费用、一般诊疗费、挂号费、总报销金额、医院负担费用和审核扣款金额。
S2、数据采样，在步骤S1所得的医保数据中，针对图结构的各个顶点的邻居顶点进行采样。
具体包括以下步骤：
S21、对每个顶点采样一定数量的邻居顶点作为待聚合信息的顶点；
S22、设采样数量为K，若该顶点的邻居数少于K，采用有放回的抽样方法，直到采样出K个顶点；
若该顶点邻居数大于K，则采用无放回的抽样。
S3、信息聚合，将步骤S2的采样结果锁获得的各个顶点分别聚合邻居顶点锁蕴含的数据信息。
具体包括以下步骤：
S31、通过设置网络层数k将该节点的数据与邻接点的数据进行聚合；
S32、在每一层的循环k中，对于每个顶点v，使用v的邻接点的k-1层的聚合结果表示
Figure BDA0002900594670000081
来产生其邻居顶点的第k层聚合表示
Figure BDA0002900594670000082
再将
Figure BDA0002900594670000083
和顶点v的第k-1层表示
Figure BDA0002900594670000084
进行拼接，在经过一个非线性变换产生顶点v的第k层聚合表示
Figure BDA0002900594670000085
所述网络层数k为每个顶点可以聚合的邻接点的跳数。
其中，对聚合函数的选取，由于数据中各个顶点的邻居是天然无序的，在构造聚合函数时尽可能的保持对称，保证即使改变输入的顺序，函数的输出结果也能保持不变。
具体地，采用MEAN aggregator(均值聚合器)，将目标顶点和邻居顶点的第k-1层向量拼接起来，然后对向量的每个维度进行求均值的操作，将得到的结果做一次非线性变换产生目标顶点的第k层表示向量。
采用Pooling aggregator(池化聚合器)，对目标顶点的邻接点表示向量进行一次非线性变换，之后进行一次最大池化或者平均池化(maxpooling or meanpooling)，将得到结果与目标顶点的表示向量拼接，最后再经过一次非线性变换得到目标顶点的第k层表示向量。
采用LSTM aggregator(长短期记忆网络聚合器)，LSTM函数不是关于输入对称的，需要在使用时对顶点的邻居节点进行一次乱序操作。
S4、结果预测，将步骤S3所得的各个顶点的向量作为全连接层的输入，预测目标节点的医保数据是否存在异常。
具体地，全连接层中每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层中具有类别区分性的局部信息，输出结果。
MEAN aggregator(均值聚合器)，聚合方式来源于卷积神经网络，其在卷积神经网络中主要针对感知域内容的压缩与强化。取均值的聚合方式是将上一层的自身节点及邻居节点的嵌入平均之后再通过非线性的矩阵变换来得到下一层的节点嵌入。聚合公式如下：
Figure BDA0002900594670000091
Figure BDA0002900594670000092
Pooling aggregator(池化聚合器),聚合方式是将将上一层自身节点以邻居节点的嵌入取每维的最大值之后再通过非线性的矩阵变换来得到下一层的节点嵌入。聚合公式如下：
Figure BDA0002900594670000101
Figure BDA0002900594670000102
LSTM aggregator(长短期记忆网络聚合器),聚合方式是将邻居节点视作节点序列，用长短时记忆的循环神经网络将节点序列的嵌入转换成短时表示以及长时表示，同时用一些精心设计的门结构来连接两个表示与下一时刻的输入，尽可能地不丢失长时间上的重要信息。而这些门结构主要是能在神经网络的梯度回传的过程中，通过门结构求偏导时固定的数值来减缓长序列存在的梯度消失的消极影响，从而让优化目标能更新长序列的网络参数来保证更多的信息被记录到嵌入中。
对于损失函数在该发明中的应用，是基于图的无监督损失。
基于图的无监督损失：目标节点u与邻居节点v的聚合相似，而与不相邻的无交集节点vn不相似。公式如下：
Figure BDA0002900594670000103
zu为节点u通过数据生成层生存的聚合向量。
节点v是节点u随机游走到达的邻居节点。
vn～PN(u)表示的是负采样：节点vn是从节点u的负采样分布PN采样的，Q为采样样本数。
具体地，聚合之间相似度是通过向量点积计算求得。
虽然本发明已通过参考优选的实施例进行了图示和描述，但是，本专业普通技术人员应当了解，在权利要求书的范围内，可作形式和细节上的各种各样变化。

Claims (8)

1.一种用于检测异常医保数据的图神经网络的方法，其特征在于包括以下步骤：
S1、数据生成，在数据生成层中生成可应用于图神经网络的图结构的医保数据；
S2、数据采样，在步骤S1所得的医保数据中，针对图结构的各个顶点的邻居顶点进行采样；
S3、信息聚合，将步骤S2的采样结果锁获得的各个顶点分别聚合邻居顶点锁蕴含的数据信息；
S4、结果预测，将步骤S3所得的各个顶点的向量作为全连接层的输入，预测目标节点的医保数据是否存在异常。
2.根据权利要求1所述的一种用于检测异常医保数据的图神经网络的方法，其特征在于所述医保数据包括医保的交易详细信息。
3.根据权利要求2所述的一种用于检测异常医保数据的图神经网络的方法，其特征在于步骤S1还包括：
S11、获取指定的医保交易数据；
S12、从步骤S11获得的指定数据中，提取得到医保交易信息；
S13、根据步骤S12所得的信息，利用代码以定点医疗机构编码作为标识，将医保交易数据拆分和匹配；
S14、对步骤S13所得结果在数据生成层中进行数据表的生成。
4.根据权利要求3所述的一种用于检测异常医保数据的图神经网络的方法，其特征在于所述步骤S14还包括：
S141、将单据号存在相同定点医疗机构编码的交易信息构建图结构的边；
S142、生成图结构边信息的数据表，以定点医疗机构编码作为标识，每条医保交易信息内包含的特征信息生成单独的医保交易特征表；其中，
所述特征信息至少包括：医疗总费用、自费金额、账户支付、本年账户支付、历年账户支付、统筹支出、大额支付金额、现金支付金额、自理费用、超限价自付费用、符合基本医疗费用、超封顶线个人自付金额、药品费用、诊疗项目费用、材料费用、范围外材料费用、一般诊疗费、挂号费、总报销金额、医院负担费用和审核扣款金额。
5.根据权利要求1所述的一种用于检测异常医保数据的图神经网络的方法，其特征在于所述步骤S2还包括：
S21、对每个顶点采样一定数量的邻居顶点作为待聚合信息的顶点；
S22、设采样数量为K，若该顶点的邻居数少于K，采用有放回的抽样方法，直到采样出K个顶点；
若该顶点邻居数大于K，则采用无放回的抽样。
6.根据权利要求1所述的一种用于检测异常医保数据的图神经网络的方法，其特征在于所述步骤S3还包括：
S31、通过设置网络层数k将该节点的数据与邻接点的数据进行聚合；
S32、在每一层的循环k中，对于每个顶点v，使用v的邻接点的k-1层的聚合结果表示
Figure FDA0002900594660000031
来产生其邻居顶点的第k层聚合表示
Figure FDA0002900594660000032
再将
Figure FDA0002900594660000033
和顶点v的第k-1层表示
Figure FDA0002900594660000034
进行拼接，在经过一个非线性变换产生顶点v的第k层聚合表示
Figure FDA0002900594660000035
所述网络层数k为每个顶点可以聚合的邻接点的跳数。
7.根据权利要求1所述的一种用于检测异常医保数据的图神经网络的方法，其特征在于所述步骤S4还包括：全连接层作为分类器，对需要预测的医保交易信息进行分类。
8.根据权利要求7所述的一种用于检测异常医保数据的图神经网络的方法，其特征在于所述全连接层中每个神经元与其前一层的所有神经元进行全连接，全连接层整合卷积层中具有类别区分性的局部信息，以输出结果。
CN202110054944.7A 2021-01-15 2021-01-15 一种用于检测异常医保数据的图神经网络的方法 Withdrawn CN112801804A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110054944.7A CN112801804A (zh) 2021-01-15 2021-01-15 一种用于检测异常医保数据的图神经网络的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110054944.7A CN112801804A (zh) 2021-01-15 2021-01-15 一种用于检测异常医保数据的图神经网络的方法

Publications (1)

Publication Number Publication Date
CN112801804A true CN112801804A (zh) 2021-05-14

Family

ID=75809599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110054944.7A Withdrawn CN112801804A (zh) 2021-01-15 2021-01-15 一种用于检测异常医保数据的图神经网络的方法

Country Status (1)

Country Link
CN (1) CN112801804A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642672A (zh) * 2021-08-31 2021-11-12 平安医疗健康管理股份有限公司 医保数据的特征加工方法、装置、计算机设备及存储介质
CN113821798A (zh) * 2021-08-23 2021-12-21 中山大学 一种基于异构图神经网络的以太坊非法账户检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150046181A1 (en) * 2014-02-14 2015-02-12 Brighterion, Inc. Healthcare fraud protection and management
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
CN109636061A (zh) * 2018-12-25 2019-04-16 深圳市南山区人民医院 医保欺诈预测网络的训练方法、装置、设备及存储介质
CN109858930A (zh) * 2019-01-24 2019-06-07 同济大学 基于关联图谱表征学习的线上交易欺诈检测方法
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN111260462A (zh) * 2020-01-16 2020-06-09 东华大学 一种基于异质关系网络注意力机制的交易欺诈检测方法
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
CN111798324A (zh) * 2020-07-16 2020-10-20 浙江工业大学 一种基于动态就医行为对齐的医保欺诈发现方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150046181A1 (en) * 2014-02-14 2015-02-12 Brighterion, Inc. Healthcare fraud protection and management
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
CN109636061A (zh) * 2018-12-25 2019-04-16 深圳市南山区人民医院 医保欺诈预测网络的训练方法、装置、设备及存储介质
CN109858930A (zh) * 2019-01-24 2019-06-07 同济大学 基于关联图谱表征学习的线上交易欺诈检测方法
CN110400220A (zh) * 2019-07-23 2019-11-01 上海氪信信息技术有限公司 一种基于半监督图神经网络的智能可疑交易监测方法
CN111260462A (zh) * 2020-01-16 2020-06-09 东华大学 一种基于异质关系网络注意力机制的交易欺诈检测方法
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
CN111798324A (zh) * 2020-07-16 2020-10-20 浙江工业大学 一种基于动态就医行为对齐的医保欺诈发现方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ICODE9: "【Graph Neural Network】GraphSAGE: 算法原理，实现和应用", 《HTTPS://WWW.ICODE9.COM/CONTENT-1-406828.HTML》 *
WILLIAM L. HAMILTON ET AL: "Inductive representation learning on large graphs", 《PROCEEDINGS OF THE 31ST CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS (NIPS 2017)》 *
浅梦: "【Graph Neural Network】GraphSAGE: 原理实现和应用", 《HTTPS://WWW.HEYWHALE.COM/MW/NOTEBOOK/5D7EF9E68499BC002C0DB031》 *
浅梦S: "【Graph Neural Network】GraphSAGE: 算法原理，实现和应用", 《HTTPS://BLOG.CSDN.NET/U012151283/ARTICLE/DETAILS/100045992》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821798A (zh) * 2021-08-23 2021-12-21 中山大学 一种基于异构图神经网络的以太坊非法账户检测方法及系统
CN113642672A (zh) * 2021-08-31 2021-11-12 平安医疗健康管理股份有限公司 医保数据的特征加工方法、装置、计算机设备及存储介质
CN113642672B (zh) * 2021-08-31 2024-05-14 平安医疗健康管理股份有限公司 医保数据的特征加工方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
Li et al. Identifying the signs of fraudulent accounts using data mining techniques
CN110009475B (zh) 风险稽核监察方法、装置、计算机设备及存储介质
Asnani et al. Reverse engineering of generative models: Inferring model hyperparameters from generated images
US11699160B2 (en) Method, use thereof, computer program product and system for fraud detection
Le Khac et al. A data mining-based solution for detecting suspicious money laundering cases in an investment bank
Fang et al. Deep learning anti-fraud model for internet loan: Where we are going
CN112801804A (zh) 一种用于检测异常医保数据的图神经网络的方法
Starnini et al. Smurf-based anti-money laundering in time-evolving transaction networks
Anbarasi et al. Fraud detection using outlier predictor in health insurance data
Rouhollahi Towards artificial intelligence enabled financial crime detection
Rani et al. Taxonomy of machine learning algorithms and its applications
Lata et al. A comprehensive survey of fraud detection techniques
Min et al. Behavior language processing with graph based feature generation for fraud detection in online lending
Mathew et al. An analysis on fraud detection in credit card transactions using machine learning techniques
Ka et al. Performance Analysis of KN earest Neighbor Classification Algorithms for Bank Loan Sectors
Iscan et al. Wallet-based transaction fraud prevention through LightGBM with the focus on minimizing false alarms
CN115438751A (zh) 一种基于图神经网络的区块链钓鱼诈骗识别的方法
El Orche et al. Approach to combine an ontology-based on payment system with neural network for transaction fraud detection
Nwanakwaugwu et al. Data Mining Business Intelligence Applications in Retail Services Using Artificial Neural Networks
CN113919630A (zh) 一种企业经济犯罪侦查方法、系统及设备
CN115578100A (zh) 支付验证方式的识别方法、装置、电子设备和存储介质
Guan The Application of Neural Networks to Fraud Detection
Gombiro et al. A conceptual framework for detecting financial crime in mobile money transactions
Shortland et al. Data mining applications in BT
KR102512982B1 (ko) 보험사기 검출 시스템

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210514

WW01 Invention patent application withdrawn after publication