CN114581250A - 一种医保欺诈的识别方法、装置、设备和存储介质 - Google Patents

一种医保欺诈的识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114581250A
CN114581250A CN202210085212.9A CN202210085212A CN114581250A CN 114581250 A CN114581250 A CN 114581250A CN 202210085212 A CN202210085212 A CN 202210085212A CN 114581250 A CN114581250 A CN 114581250A
Authority
CN
China
Prior art keywords
target node
nodes
medical insurance
target
semantic
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
Application number
CN202210085212.9A
Other languages
English (en)
Inventor
林开标
陈锦坡
柳小刚
卢萍
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.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
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 Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN202210085212.9A priority Critical patent/CN114581250A/zh
Publication of CN114581250A publication Critical patent/CN114581250A/zh
Pending 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例提供一种医保欺诈的识别方法、装置、设备和存储介质，涉及医疗大数据技术领域。其中，这种识别方法包含步骤S1至步骤S5。S1、获取医疗数据，并根据医疗数据构建医保异构图。S2、基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在不同轨迹下的邻居节点，并将各目标节点在不同轨迹下的邻居节点分别和各目标节点融合，以获得各目标节点在不同轨迹下的语义表示。S3、将各目标节点在不同轨迹下的语义表示进行融合，生成各目标节点的空间节点。S4、基于时间顺序，获取各目标节点的空间节点的时间序列。S5、根据时间序列，通过双向长短期记忆模型，对各个目标节点进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈。

Description

一种医保欺诈的识别方法、装置、设备和存储介质
技术领域
本发明涉及医疗大数据技术领域，具体而言，涉及一种医保欺诈的识别 方法、装置、设备和存储介质。
背景技术
医疗保险一般涉及被保险人、定点医疗机构(包括医院、药房)、医生等 利益相关者。且环节多、链条长、风险点多，容易滋生医保欺诈问题。
传统的机器学习、异常检测等医保欺诈检测方法往往只关注特征属性， 忽略了医疗过程中丰富的行为属性，而这部分同样也可以作为欺诈检测的重 要凭据。例如欺诈患者在同一时间段内向多家医院盗刷大量相同的药物，又 或者在医院某科室开具了大量与该科室不相关的药物。这些行为属性很难体 现在特征中。
因此，如何从复杂的医保数据中识别欺诈者，是保障医保体系健康运行、 合理使用医保资金所亟待解决的问题。
有鉴于此，申请人在研究了现有的技术后特提出本申请。
发明内容
本发明提供了一种医保欺诈的识别方法、装置、设备和存储介质，以改 善上述技术问题。
第一方面、
本发明实施例提供了一种医保欺诈的识别方法，其包含步骤S1至步骤 S5。
S1、获取医疗数据，并根据医疗数据构建医保异构图。其中，医保异构 图以实体为节点，以关系为边。
S2、基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在 不同轨迹下的邻居节点，并将各目标节点在不同轨迹下的邻居节点分别和各 目标节点融合，以获得各目标节点在不同轨迹下的语义表示。
S3、将各目标节点在不同轨迹下的语义表示进行融合，生成各目标节点 的空间节点。
S4、基于时间顺序，获取各目标节点的空间节点的时间序列。
S5、根据时间序列，通过双向长短期记忆模型，对各个目标节点进行分 类，以判断医保异构图中的各个目标节点是否为医保欺诈。
在一个可选的实施例中，步骤S2具体包括：
基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在不同 轨迹下的邻居节点，并分别对不同轨迹下的各目标节点执行步骤S21至步骤 S23，以获得各目标节点在不同轨迹下的语义表示：
S21、获取目标节点在当前轨迹下的邻居节点的注意力互相关系数。其中，
Figure BDA0003487455470000021
为第i个目标节点在轨迹P下的第j个邻居节点 的注意力互相关系数，attnode为神经网络，W为映射矩阵，hi和hj分别为目 标节点i和邻居节点j的原始特征，||表示拼接。
S22、根据邻居节点的注意力互相关系数，对邻居节点进行LeakyReLU函 数激活和softmax函数规范化，以获得目标节点在当前轨迹下的邻居节点的 注意力权重。
Figure BDA0003487455470000022
为第i个目标节点在轨迹P下 的第j个邻居节点的注意力权重，
Figure BDA0003487455470000023
为第i个目标节点在轨迹P下的所有邻居节 点的集合，
Figure BDA0003487455470000024
为第i个目标节点在轨迹P下的第s个邻居节点的注意力互相关 系数。
S23、根据注意力权重，将目标节点在当前轨迹下的所有邻居节点融合到 目标节点，以获得目标节点在当前轨迹下的语义表示。其中，节点融合模型 为
Figure BDA0003487455470000025
为第i个目标节点在轨迹P下的语义表示，σ(·)表示 激活函数,
Figure BDA0003487455470000026
为第i个目标节点在轨迹P下的邻居节点的集合。
在一个可选的实施例中，步骤S3具体包括：
S31、将语义表示进行非线性转换，然后和注意向量q进行点乘，以得到 各个语义表示的节点重要性。
S32、对同一轨迹下的所有语义表示的节点重要性取平均值，以获得各个 轨迹的轨迹重要性SPi。其中，
Figure BDA0003487455470000031
SPi为节点i的 多语义元路径P的轨迹重要性，V为轨迹P下所有的目标节点的集合，q为注意 向量,qT为q的转秩，W为映射矩阵，
Figure BDA0003487455470000032
为节点i在轨迹P下的语义表示。
S33、通过softmax函数对各个轨迹的轨迹重要性进行规范化，以获得各 个轨迹的注意力权重βPi,其中，
Figure BDA0003487455470000033
m为轨迹P下的目标节 点的数量，
S34、根据各个轨迹的注意力权重分别对各目标节点在不同轨迹下的语义 表示进行加权融合，生成各目标节点的空间节点。其中，加权融合的融合模 型为
Figure BDA0003487455470000034
在一个可选的实施例中，步骤S1具体包括：
S11、获取医疗数据。
S12、基于时间顺序，根据医疗数据，构建多个医保异构图。
在一个可选的实施例中，步骤S4具体用于：
基于时间顺序，获取多个医保异构图中的目标节点的空间节点，以得到 各目标节点的空间节点的时间序列。
在一个可选的实施例中，步骤S5具体包括：
S51、根据时间序列，通过双向长短期记忆模型，获取各个目标节点的最 终嵌入。其中，最终嵌入表示为：
Figure BDA0003487455470000035
T表示所有子 图的集合，xt表示目标节点在t子图经过空间聚合得到的空间节点，
Figure BDA0003487455470000036
表示拼 接操作，
Figure BDA0003487455470000037
(为模型向前传播，
Figure BDA0003487455470000038
为模型向后传播。
S52、将所述最终嵌入，输入多层感知机进行分类，以判断医保异构图中 的各个目标节点是否为医保欺诈。
在一个可选的实施例中，医保异构图的实体包括患者、医院科室、药物 和就诊日期。
第二方面、
本发明实施例提供了一种医保欺诈的识别装置，其包含：
构图模块，用于获取医疗数据，并根据医疗数据构建医保异构图。其中， 医保异构图以实体为节点，以关系为边。
语义模块，用于基于不同轨迹的多语义元路径，获取医保异构图中的各 目标节点在不同轨迹下的邻居节点，并将各目标节点在不同轨迹下的邻居节 点分别和各目标节点融合，以获得各目标节点在不同轨迹下的语义表示。
空间约束模块，用于将各目标节点在不同轨迹下的语义表示进行融合， 生成各目标节点的空间节点。
时间约束模块，用于基于时间顺序，获取各目标节点的空间节点的时间 序列。
判断模块，用于根据时间序列，通过双向长短期记忆模型，对各个目标 节点进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈。
在一个可选的实施例中，语义模块，具体用于：
基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在不同 轨迹下的邻居节点，并分别对不同轨迹下的各目标节点执行以下步骤，以获 得各目标节点在不同轨迹下的语义表示：
获取目标节点在当前轨迹下的邻居节点的注意力互相关系数。其中，
Figure BDA0003487455470000041
为第i个目标节点在轨迹P下的第j个邻居节点 的注意力互相关系数，attnode为神经网络，W为映射矩阵，hi和hj分别为目 标节点i和邻居节点j的原始特征，||表示拼接。
根据邻居节点的注意力互相关系数，对邻居节点进行LeakyReLU函数激 活和softmax函数规范化，以获得目标节点在当前轨迹下的邻居节点的注意 力权重。
Figure BDA0003487455470000051
为第i个目标节点在轨迹P下的第 j个邻居节点的注意力权重，
Figure BDA0003487455470000052
为第i个目标节点在轨迹P下的所有邻居节点的 集合，
Figure BDA0003487455470000053
为第i个目标节点在轨迹P下的第s个邻居节点的注意力互相关系数。
根据注意力权重，将目标节点在当前轨迹下的所有邻居节点融合到目标 节点，以获得目标节点在当前轨迹下的语义表示。其中，节点融合模型为
Figure BDA0003487455470000054
为第i个目标节点在轨迹P下的语义表示，σ(·)表示激 活函数,
Figure BDA0003487455470000055
为第i个目标节点在轨迹P下的邻居节点的集合。
第三方面、
本发明实施例提供了一种医保欺诈的识别设备，其包括处理器、存储器， 以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现 如第一方面任意一段所说的医保欺诈的识别方法。
第四方面、
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质包 括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质 所在设备执行如第一方面任意一段所说的医保欺诈的识别方法。
通过采用上述技术方案，本发明可以取得以下技术效果：
通过将医保数据集构建成医保异构图，为之后使用图神经网络技术解决 医保欺诈检测问题提供了基础。通过多语义元路径从异构图中挖掘出相同行 为轨迹的群体，进一步将异构图转换为同构图，减少了计算的复杂度，同时 也方便后续空间约束模块的聚合操作。通过双层注意力机制聚合邻居节点的 信息和元路径的信息，为不同邻居节点和元路径分配权重，减少了噪声节点 和低相关元路径干扰。通过时间约束模块结合患者个体的上下文信息，聚合 得到的患者节点最终嵌入表示，从而捕捉异常，判断该改患者是否为欺诈者。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施 例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要 使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施 例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明第一实施例提供的一种医保欺诈的识别方法的流程示意图。
图2是基于多语义元路径采样患者群体的流程示意图。
图3是空间约束流程示意图。
图4是时间约束流程示意图。
图5是本发明第一实施例提供的一种医保欺诈的识别方法的逻辑框图。
图6是本发明第二实施例提供的一种医保欺诈的识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行 详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的 实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非 旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的 “一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其 他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联 关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A， 同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表 示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时” 或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境， 短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当 确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应 于检测(陈述的条件或事件)”。
实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对 象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的 顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换， 以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序 实施。
下面结合附图与具体实施方式对本发明作进一步详细描述：
实施例一：
请参阅图1至图5，本发明第一实施例提供一种医保欺诈的识别方法， 其可由医保欺诈的识别设备来执行。特别的，由医保欺诈的识别设备中的一 个或多个处理器来执行，以实现步骤S1至步骤S5。
S1、获取医疗数据，并根据医疗数据构建医保异构图。其中，医保异构 图以实体为节点，以关系为边。
具体的，医保欺诈的识别设备可以是便携笔记本计算机、台式机计算机、 服务器、智能手机或者平板电脑等具有计算性能的电子设备，本发明对此不 做限定。
通过构建医保异构图能够对真实的就医环境进行建模，将医疗保险中如 何识别欺诈的问题转换为异构图中的如何对节点进行分类的问题，从而更好 的解决所要解决的技术问题，具有很好实际意义。
如图5所示，在上述实施例的基础上，本发明一可选实施例中，步骤S1 具体包括步骤S11至步骤S12。
S11、获取医疗数据。
S12、基于时间顺序，根据医疗数据，构建多个医保异构图。
具体的，在医保数据集中，有来自大量用户的数百万条交易记录，为了 更好地理解患者的行为，我们将其构建成医保异构图。优选的，我们对所选 患者的所有就诊记录抽取出来，并从中构建了患者、医院科室、就诊日期和 药物四个实体。在其它实施例中医保异构图还可以包括其它实体，例如医生 等，本发明对此不做具体限定。
其中，为了更加细化空间上的地域，我们将医院和科室当做一个整体， 意味着即使是不同医院的同名科室也会被当做不同的实体。对于日期实体细 化到天，而对于药物实体，为了避免图过于稠密，我们将药物单价小于20元 的实体剔除。
S2、基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在 不同轨迹下的邻居节点，并将各目标节点在不同轨迹下的邻居节点分别和各 目标节点融合，以获得各目标节点在不同轨迹下的语义表示。
具体的，通过多语义元路径从医保异构图中提取目标节点的邻居节点， 可以将复杂的医保异构图转化为只含有我们最关心节点的患者同构图，从而 在简化计算的同时尽可能地保留原始异构图的拓扑信息。因为每个群体内的 成员都具有相似的就医行为轨迹，从整个团体的角度出发能更好地挖掘信息。 为此，我们让目标节点结合群体内其他邻居节点的特征(即：聚合/融合)，通 过聚合操作，目标节点便能融合整个群体的特征，从而得到空间维度上的行 为属性。
如图2、图3和图5所示，在上述实施例的基础上，本发明一可选的实 施例中，步骤S2具体包括：
基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在不同 轨迹下的邻居节点，并分别对不同轨迹下的各目标节点执行步骤S21至步骤 S23，以获得各目标节点在不同轨迹下的语义表示：
S21、获取目标节点在当前轨迹下的邻居节点的注意力互相关系数。其中，
Figure BDA0003487455470000091
为第i个目标节点在轨迹P下的第j个邻居节点 的注意力互相关系数，attnode为神经网络，W为映射矩阵，hi和hj分别为目 标节点i和邻居节点j的原始特征，||表示拼接。
S22、根据邻居节点的注意力互相关系数，对邻居节点进行LeakyReLU函 数激活和softmax函数规范化，以获得目标节点在当前轨迹下的邻居节点的 注意力权重。
Figure BDA0003487455470000092
为第i个目标节点在轨迹P 下的第j个邻居节点的注意力权重，
Figure BDA0003487455470000093
为第i个目标节点在轨迹P下的所有邻居 节点的集合，
Figure BDA0003487455470000094
为第i个目标节点在轨迹P下的第s个邻居节点的注意力互相 关系数。
S23、根据注意力权重，将目标节点在当前轨迹下的所有邻居节点融合到 目标节点，以获得目标节点在当前轨迹下的语义表示。其中，节点融合模型 为
Figure BDA0003487455470000095
为第i个目标节点在轨迹P下的语义表示，σ(·)表示 激活函数,
Figure BDA0003487455470000096
为第i个目标节点在轨迹P下的邻居节点的集合。
需要说明的是，目标节点融合邻居节点的过程称为空间约束，整个空间 约束的过程如附图2所示。
首先，在一个医保异构图中，使用多条多语义元路径采样邻居，接着对每 个团体内的节点特征聚合到目标节点上。在节点级别的聚合过程中，我们可 能会遇到附图2中第三部分group所示的情况。也即在拥有相同行为轨迹的 群体中，欺诈患者的邻居不全是欺诈患者，只能说欺诈患者的邻居大概率是 欺诈患者，普通患者的邻居大概率是普通患者。如果直接聚合，会因为噪声 而降低节点表示性能。因此，我们使用注意力机制的方法为不同节点邻居赋 予不同的权重。最后我们通过语义级别的聚合来聚合目标节点表示。
最后，由于此时经过节点级别聚合后目标节点已经没有相同行为轨迹的邻 居了，我们便将其它行为轨迹的目标节点组成群体从而进行聚合。这样，目 标节点表示便能包含不同语义的信息。同理，我们也会使用注意力机制来衡 量不同行为方式的重要性。
如图2、5所示，通过多语义元路径采集目标节点的邻居节点，具体为：
为了方便说明，我们在异构图中只展示了患者、医院科室和药物三种实体。 如附图2中第一部分Heterogeneous graph instance所示，患者P1、P2和 P3在H1医院开具了药物M，P4和P5也开具了药物M，不过地点换成了医院 H2。
多语义元路径PHMHP(患者-医院科室-药物-医院科室-患者)如附图2中 第二部分Mult-semantic metapath所示，使用多语义元路径采样邻居则可以 看做异构图从患者节点出发，根据元路径的顺序从不同类型的节点之间进行 游走，最终又返回到患者节点。例如：从欺诈者P2出发，依次经过医院H1、 药物M和医院H1，最终返回欺诈者P3。以此类推，我们就可以得到附图2中 第三部分group所示的两个群体。
多语义元路径PHMHP本身的语义信息可以理解为在同一医院科室开具相 同药物的患者，最终得到的患者群体在空间维度上看都是具有相同行为属性 团体。在医保异构图中，由于节点的异构性，不同类型的节点处于不同的特 征空间中。虽然我们可以使用独热编码来构建日期、药物、医院科室的特征， 在不同的结点类型使用对应的权重矩阵将他们映射到统一的特征空间中。但 是由于异构图的特性，强行将各种不同类型的结点整合到一起可能会引起各 特征间的“不相容”。我们构建医保异构图是希望通过拓扑结构来反映行为属 性并学习到有用的信息，而医保欺诈则只关心患者这种类型的结点。因此我 们只需要用到患者的特征，异构图中其他结点类型的特征我们并不需要用到。
使用多语义元路径可以将复杂的医保异构图转化为只含有我们最关心节 点的患者同构图，从而在简化计算的同时尽可能地保留原始异构图的拓扑信 息。我们可以同时使用多种元路径，并且每种元路径所包含的语义信息就可 以看做一种空间维度上的行为属性。除了PHMHP外，还可以有PDMDP(患者- 日期-药物-日期-患者)、PHP(患者-医院科室-患者)、PDP(患者-日期-患者) 等。其中PDMDP表示同一日期开具同一药物的患者，PHP表示在相同医院科 室就诊的患者，PMP表示使用同一药物的患者，本发明对元路径的数量和语 义信息不做具体限定。
之所以使用多语义元路径是因为它包含的信息更加丰富，例如对于PHMHP、 PMP和PHP而言，PHMHP相较于单语义元路径多出来的科室与药物之间的关系 也是非常重要的，它能检查科室乱开药的情况。最终，使用多种元路径就可 以从多个方面捕捉相同行为轨迹的群体。
如图3、5所示，融合邻居节点的具体过程为：
通过多语义元路径采样到节点的邻居后，患者新的节点表示由这些邻居节 点聚合而成。然而每个邻居节点的贡献度是不同的，不能一视同仁。就比如 欺诈患者的团伙比重应该较大，而一般患者的比重较小。
给定一对由多语义元路径P采样到的节点对(i,j),注意力互相关系数
Figure BDA0003487455470000111
如 公式(1)所示，它表示的含义为节点j对i的重要性。其中hi和hj分别表示节 点i和节点j的原始特征，W∈RF′×F是映射矩阵，attnode∈R2F′是进行节点 级别注意力的神经网络，||表示拼接操作。由于节点对之间权重取决于它们自 己本身的特征，这就使得可以为不同的邻居分配不同的重要性。
Figure BDA0003487455470000112
在得到互注意力系数
Figure BDA0003487455470000113
后，先通过LeakyReLU激活函数，再用softmax 函数对所有邻居进行规范化，最终得到归一化后的注意力权重
Figure BDA0003487455470000114
它表示在 节点i的所有邻居中，邻居节点j的权重，
Figure BDA0003487455470000115
具体详情如公式(2)所示。其中，
Figure BDA0003487455470000116
表示节点i所有的邻居节点集合。
Figure BDA0003487455470000117
最终，节点i基于多语义元路径P节点级别的嵌入表示
Figure BDA0003487455470000118
如公式(3)所示， 其中σ(·)表示激活函数。由于每个节点都是由它的邻居聚合，这就使得它的 嵌入表示可以很好的捕捉整个群体的行为方式。
Figure BDA0003487455470000121
这种注意力机制可以扩展为多头机制，这样做有助于训练过程更加稳定。 具体来说，我们重复执行K次节点级别聚合，并将学习到的嵌入表示进行拼 接。
Figure BDA0003487455470000122
在融合邻居节点后(节点级别的聚合)，获得了目标节点的不同语义的表 示。为了得到目标节点的最终表示，还需要将不同语义的表示融合(语义级 别的聚合)。
S3、将各目标节点在不同轨迹下的语义表示进行融合，生成各目标节点 的空间节点。
具体的，不同的多语义元路径可以表示不同的语义信息。因此，本发明 使用多条多语义元路径，以从异构图中从不同角度挖掘更多的信息。
如图3、5所示，在上述实施例的基础上，本发明一可选实施例中，步骤 S3具体包括：
S31、将语义表示进行非线性转换，然后和注意向量q进行点乘，以得到 各个语义表示的节点重要性。
S32、对同一轨迹下的所有语义表示的节点重要性取平均值，以获得各个 轨迹的轨迹重要性SPi。其中，
Figure BDA0003487455470000123
SPi为节点i的 多语义元路径P的轨迹重要性，V为轨迹P下所有的目标节点的集合，q为注意 向量,qT为q的转秩，W为映射矩阵，
Figure BDA0003487455470000124
为节点i在轨迹P下的语义表示。
S33、通过softmax函数对各个轨迹的轨迹重要性进行规范化，以获得各 个轨迹的注意力权重βPi,其中，
Figure BDA0003487455470000125
m为轨迹P下的目标节 点的数量，
S34、根据各个轨迹的注意力权重分别对各目标节点在不同轨迹下的语义 表示进行加权融合，生成各目标节点的空间节点。其中，加权融合的融合模 型为
Figure BDA0003487455470000131
可以理解的，在步骤S2中目标节点分别融合了不同语义元路径下的邻居 节点的特征，从而获得了不同语义元路径的语义表示。在当前步骤中，需要 将目标节点在不同语义元路径下的语义表示融合，以将目标节点的语义表示 的数量变成一个，使目标节点的语义表示包含各个角度的信息。
如图3、5所示，语义级别的聚合的具体过程为：
假使我们现在有m条多语义元路径{P0,P1,…,Pm}，经过之前节点级别聚 合后我们可以得到m个语义级别的嵌入表示{H0,H1,…,Hm}。
就跟节点邻居一样，节点由不同多语义元路径得到的语义级别的嵌入表 示重要程度也各不相同。为了更加全面的得到节点的嵌入表示，一方面，我 们需要融合不同语义级别的嵌入表示。另一方面，又要区分不同多语义元路 径的重要性。因此，语义级别的聚合也会引入注意力机制，该注意力机制会 自动学习不同多语义元路径的权重。
首先,将经过节点级别聚合的节点向量进行非线性转换。然后，将转换后 向量与可训练的语义级别注意向量q做点乘操作，得到语义级嵌入表示的重要 性。最后,平均所有语义级嵌入表示的重要性作为每条多语义元路径的重要性， 每条元路径重要性SPi如公式(5)所示：
Figure BDA0003487455470000132
在得到每条元路径的重要性后，经过softmax函数归一化，得到每一条 多语义元路径注意力权重βPi。
Figure BDA0003487455470000133
在得到每条多语义元路径的注意力权重后，将每条多语义元路径注意力 权重与节点级别嵌入表示加权求和得到语义级别的嵌入表示
Figure BDA0003487455470000134
如果对应 多语义元路径的注意力权重越大，那么最终语义级别的嵌入表示就会越贴近 它。
Figure BDA0003487455470000141
空间约束利用行为轨迹从群体的角度挖掘信息，经过节点级别聚合和语 义级别聚合后，新的节点表示就已经蕴含了各种行为属性。接着我们就要利 用时间约束从个体的角度出发考虑整个就医时间轴上的异常。
S4、基于时间顺序，获取各目标节点的空间节点的时间序列。具体的， 步骤S4具体用于：基于时间顺序，获取多个医保异构图中的目标节点的空间 节点，以得到各目标节点的空间节点的时间序列。
具体的，在步骤S1中，已经按照时间顺序将异构图分为T份子图，每份 子图Gt都表示在对应时间内根据就诊记录构造的异构图。这样，在每份子图 经过空间约束后得到新的节点表示时，将所有目标节点表示串联起来便得到 了时间序列数据。
S5、根据时间序列，通过双向长短期记忆模型，对各个目标节点进行分 类，以判断医保异构图中的各个目标节点是否为医保欺诈。
具体的，我们使用Bi-LSTM算法来挖掘个体时间轴上的异常，它可以结 合前后关系进行双边推理，从而捕捉深层次的特征交互，并以此获得更强大 的嵌入表达能力。
如图4所示，在上述实施例的基础上，本发明一可选的可选的实施例中， 步骤S5具体包括：
S51、根据时间序列，通过双向长短期记忆模型，获取各个目标节点的最 终嵌入。其中，最终嵌入表示为：
Figure BDA0003487455470000142
T表示所有子 图的集合，xt表示目标节点在t子图经过空间聚合得到的空间节点，
Figure BDA0003487455470000143
表示拼 接操作，
Figure BDA0003487455470000144
(为模型向前传播，
Figure BDA0003487455470000145
为模型向后传播。
S52、将所述最终嵌入，输入多层感知机进行分类，以判断医保异构图中 的各个目标节点是否为医保欺诈。
整个时间约束的过程如图4和图5所示，我们将目标节点在每个子图的 输出，输入到Bi-LSTM模型中，并将向前传播和向后传播得到的结果前后拼 接在一起，最终通过平均池化层得到目标节点的最终嵌入表示。
节点的最终嵌入表示x′如公式8所示：
Figure BDA0003487455470000151
其中T表示所有子图的集合，xt表示节点在t子图经过空间聚合得到的嵌 入表示，
Figure BDA0003487455470000152
表示拼接操作，LSTM如公式9所示：
Figure BDA0003487455470000153
具体的，步骤S1将医保数据集构建成医保异构图，为之后使用图神经网 络技术解决医保欺诈检测问题提供了基础。步骤2利用多语义元路径解决了 如何从异构图中挖掘出相同行为轨迹的群体，并进一步将异构图转换为同构 图，减少了计算的复杂度，同时也方便后续空间约束模块的聚合操作。步骤 S3和步骤S4设计了双层注意力机制聚合邻居节点的信息和元路径的信息， 为不同邻居节点和元路径分配权重，减少了噪声节点和低相关元路径干扰。 步骤S4和步骤S5，设计了时间约束模块结合患者个体的上下文信息捕捉异 常，而且将聚合得到的患者节点最终嵌入表示用于预测改患者是否为欺诈者。
通过将医保数据集构建成医保异构图，为之后使用图神经网络技术解决 医保欺诈检测问题提供了基础。通过多语义元路径从异构图中挖掘出相同行 为轨迹的群体，进一步将异构图转换为同构图，减少了计算的复杂度，同时 也方便后续空间约束模块的聚合操作。通过双层注意力机制聚合邻居节点的 信息和元路径的信息，为不同邻居节点和元路径分配权重，减少了噪声节点 和低相关元路径干扰。通过时间约束模块结合患者个体的上下文信息，聚合 得到的患者节点最终嵌入表示，从而捕捉异常，判断该改患者是否为欺诈者。
实施例二：
请参阅图6，本发明第二实施例提供一种医保欺诈的识别装置，其包含：
构图模块1，用于获取医疗数据，并根据医疗数据构建医保异构图。其 中，医保异构图以实体为节点，以关系为边。
语义模块2，用于基于不同轨迹的多语义元路径，获取医保异构图中的 各目标节点在不同轨迹下的邻居节点，并将各目标节点在不同轨迹下的邻居 节点分别和各目标节点融合，以获得各目标节点在不同轨迹下的语义表示。
空间约束模块3，用于将各目标节点在不同轨迹下的语义表示进行融合， 生成各目标节点的空间节点。
时间约束模块4，用于基于时间顺序，获取各目标节点的空间节点的时 间序列。
判断模块5，用于根据时间序列，通过双向长短期记忆模型，对各个目 标节点进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈。
在一个可选的实施例中，语义模块2，具体用于：
基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在不同 轨迹下的邻居节点，并分别对不同轨迹下的各目标节点执行步骤S21至步骤 S23，以获得各目标节点在不同轨迹下的语义表示：
S21、获取目标节点在当前轨迹下的邻居节点的注意力互相关系数。其中，
Figure BDA0003487455470000161
为第i个目标节点在轨迹P下的第j个邻居节点 的注意力互相关系数，attnode为神经网络，W为映射矩阵，hi和hj分别为目 标节点i和邻居节点j的原始特征，||表示拼接。
S22、根据邻居节点的注意力互相关系数，对邻居节点进行LeakyReLU函 数激活和softmax函数规范化，以获得目标节点在当前轨迹下的邻居节点的 注意力权重。
Figure BDA0003487455470000171
为第i个目标节点在轨迹P 下的第j个邻居节点的注意力权重，
Figure BDA0003487455470000172
为第i个目标节点在轨迹P下的所有邻居 节点的集合，
Figure BDA0003487455470000173
为第i个目标节点在轨迹P下的第s个邻居节点的注意力互相 关系数。
S23、根据注意力权重，将目标节点在当前轨迹下的所有邻居节点融合到 目标节点，以获得目标节点在当前轨迹下的语义表示。其中，节点融合模型 为
Figure BDA0003487455470000174
为第i个目标节点在轨迹P下的语义表示，σ(·)表示 激活函数,
Figure BDA0003487455470000175
为第i个目标节点在轨迹P下的邻居节点的集合。
在一个可选的实施例中，空间约束模块3具体包括：
节点重要性单元，用于将语义表示进行非线性转换，然后和注意向量q进 行点乘，以得到各个语义表示的节点重要性。
轨迹重要性单元，用于对同一轨迹下的所有语义表示的节点重要性取平 均值，以获得各个轨迹的轨迹重要性SPi。其中，
Figure BDA0003487455470000176
SPi为节点i的多语义元路径P的轨迹重要性，V为轨迹P下所有的目标节点的集 合，q为注意向量,qT为q的转秩，W为映射矩阵，
Figure BDA0003487455470000177
为节点i在轨迹P下的语 义表示。
注意力权重单元，用于通过softmax函数对各个轨迹的轨迹重要性进行 规范化，以获得各个轨迹的注意力权重βPi,其中，
Figure BDA0003487455470000178
m为 轨迹P下的目标节点的数量，
空间节点单元，用于根据各个轨迹的注意力权重分别对各目标节点在不 同轨迹下的语义表示进行加权融合，生成各目标节点的空间节点。其中，加 权融合的融合模型为
Figure BDA0003487455470000179
在一个可选的实施例中，构图模块1具体包括：
获取单元，用于获取医疗数据。
构图单元，用于基于时间顺序，根据医疗数据，构建多个医保异构图。
在一个可选的实施例中，医保异构图的实体包括患者、医院科室、药物 和就诊日期。
在一个可选的实施例中，时间约束模块4具体用于：
基于时间顺序，获取多个医保异构图中的目标节点的空间节点，以得到 各目标节点的空间节点的时间序列。
在一个可选的实施例中，判断模块5具体包括：
分类单元，用于根据时间序列，通过双向长短期记忆模型，获取各个目 标节点的最终嵌入。其中，最终嵌入表示为：
Figure BDA0003487455470000181
T表 示所有子图的集合，xt表示目标节点在t子图经过空间聚合得到的空间节点，
Figure BDA0003487455470000182
表示拼接操作，
Figure BDA0003487455470000183
(为模型向前传播，
Figure BDA0003487455470000184
为模型向后传播。
判断单元，将所述最终嵌入，输入多层感知机进行分类，以判断医保异 构图中的各个目标节点是否为医保欺诈。
实施例三：
本发明第三实施例提供一种医保欺诈的识别设备，其包括处理器、存储 器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以 实现如实施例一任意一段所说的医保欺诈的识别方法。
实施例四：
本发明第四实施例提供一种计算机可读存储介质，计算机可读存储介质 包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介 质所在设备执行如实施例一任意一段所说的医保欺诈的识别方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和 方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是 示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的 装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点 上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分， 所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能 的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注 的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实 际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及 的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/ 或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件 的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独 立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形 成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用 时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可 以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中， 包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或 者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述 的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以 存储程序代码的介质。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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。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 包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本 领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和 原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。

Claims (10)

1.一种医保欺诈的识别方法，其特征在于，包含：
获取医疗数据，并根据所述医疗数据构建医保异构图；其中，所述医保异构图以实体为节点，以关系为边；
基于不同轨迹的多语义元路径，获取所述医保异构图中的各目标节点在不同轨迹下的邻居节点，并将所述各目标节点在不同轨迹下的邻居节点分别和所述各目标节点融合，以获得所述各目标节点在不同轨迹下的语义表示；
将所述各目标节点在不同轨迹下的语义表示进行融合，生成所述各目标节点的空间节点；
基于时间顺序，获取所述各目标节点的空间节点的时间序列；
根据所述时间序列，通过双向长短期记忆模型，对各个目标节点进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈。
2.根据权利要求1所述的医保欺诈的识别方法，其特征在于，基于不同轨迹的多语义元路径，获取所述医保异构图中的各目标节点在不同轨迹下的邻居节点，并将所述各目标节点在不同轨迹下的邻居节点分别和所述各目标节点融合，以获得所述各目标节点在不同轨迹下的语义表示，具体包括
基于不同轨迹的多语义元路径，获取所述医保异构图中的所述各目标节点在不同轨迹下的邻居节点，并分别对不同轨迹下的所述各目标节点执行以下步骤，以获得所述各目标节点在不同轨迹下的语义表示：
获取目标节点在当前轨迹下的邻居节点的注意力互相关系数；其中，
Figure FDA0003487455460000011
Figure FDA0003487455460000012
为第i个目标节点在轨迹P下的第j个邻居节点的注意力互相关系数，attnode为神经网络，W为映射矩阵，hi和hj分别为目标节点i和邻居节点j的原始特征，||表示拼接；
根据邻居节点的注意力互相关系数，对邻居节点进行LeakyReLU函数激活和softmax函数规范化，以获得目标节点在当前轨迹下的邻居节点的注意力权重；
Figure FDA0003487455460000021
Figure FDA0003487455460000022
为第i个目标节点在轨迹P下的第j个邻居节点的注意力权重，
Figure FDA0003487455460000023
为第i个目标节点在轨迹P下的所有邻居节点的集合，
Figure FDA0003487455460000024
为第i个目标节点在轨迹P下的第s个邻居节点的注意力互相关系数；
根据所述注意力权重，将目标节点在当前轨迹下的所有邻居节点融合到目标节点，以获得目标节点在当前轨迹下的语义表示；其中，节点融合模型为
Figure FDA0003487455460000025
Figure FDA0003487455460000026
为第i个目标节点在轨迹P下的语义表示，σ(·)表示激活函数，
Figure FDA0003487455460000027
为第i个目标节点在轨迹P下的邻居节点的集合。
3.根据权利要求1所述的医保欺诈的识别方法，其特征在于，将所述各目标节点在不同轨迹下的语义表示进行融合，生成所述各目标节点的空间节点，具体包括：
将所述语义表示进行非线性转换，然后和注意向量q进行点乘，以得到各个语义表示的节点重要性；
对同一轨迹下的所有语义表示的节点重要性取平均值，以获得各个轨迹的轨迹重要性SPi；其中，
Figure FDA0003487455460000028
SPi为节点i的多语义元路径P的轨迹重要性，V为轨迹P下所有的目标节点的集合，q为注意向量，qT为q的转秩，W为映射矩阵，
Figure FDA0003487455460000029
为节点i在轨迹P下的语义表示；
通过softmax函数对所述各个轨迹的轨迹重要性进行规范化，以获得各个轨迹的注意力权重βPi，其中，
Figure FDA00034874554600000210
m为轨迹P下的目标节点的数量，
根据所述各个轨迹的注意力权重分别对所述各目标节点在不同轨迹下的语义表示进行加权融合，生成所述各目标节点的空间节点；其中，加权融合的融合模型为
Figure FDA00034874554600000211
4.根据权利要求1所述的医保欺诈的识别方法，其特征在于，所述获取医疗数据，并根据所述医疗数据构建医保异构图，具体包括：
获取医疗数据；
基于时间顺序，根据所述医疗数据，构建多个医保异构图；
基于时间顺序，获取所述各目标节点的空间节点的时间序列，具体包括：
基于时间顺序，获取所述多个医保异构图中的目标节点的空间节点，以得到所述各目标节点的空间节点的时间序列。
5.根据权利要求1所述的医保欺诈的识别方法，其特征在于，根据所述时间序列，通过双向长短期记忆模型，对各个目标节点进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈，具体包括：
根据所述时间序列，通过双向长短期记忆模型，获取各个目标节点的最终嵌入；其中，最终嵌入表示为：
Figure FDA0003487455460000031
T表示所有子图的集合，xt表示目标节点在t子图经过空间聚合得到的空间节点，
Figure FDA0003487455460000032
表示拼接操作，
Figure FDA0003487455460000033
(为模型向前传播，
Figure FDA0003487455460000034
为模型向后传播；
将所述最终嵌入，输入多层感知机进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈。
6.根据权利要求1至5任一项所述的医保欺诈的识别方法，其特征在于，所述医保异构图的实体包括患者、医院科室、药物和就诊日期。
7.一种医保欺诈的识别装置，其特征在于，包含：
构图模块，用于获取医疗数据，并根据所述医疗数据构建医保异构图；其中，所述医保异构图以实体为节点，以关系为边；
语义模块，用于基于不同轨迹的多语义元路径，获取所述医保异构图中的各目标节点在不同轨迹下的邻居节点，并将所述各目标节点在不同轨迹下的邻居节点分别和所述各目标节点融合，以获得所述各目标节点在不同轨迹下的语义表示；
空间约束模块，用于将所述各目标节点在不同轨迹下的语义表示进行融合，生成所述各目标节点的空间节点；
时间约束模块，用于基于时间顺序，获取所述各目标节点的空间节点的时间序列；
判断模块，用于根据所述时间序列，通过双向长短期记忆模型，对各个目标节点进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈。
8.根据权利要求7所述的一种医保欺诈的识别装置，其特征在于，所述语义模块，具体用于：
基于不同轨迹的多语义元路径，获取所述医保异构图中的所述各目标节点在不同轨迹下的邻居节点，并分别对不同轨迹下的所述各目标节点执行以下步骤，以获得所述各目标节点在不同轨迹下的语义表示：
获取目标节点在当前轨迹下的邻居节点的注意力互相关系数；其中，
Figure FDA0003487455460000041
Figure FDA0003487455460000042
为第i个目标节点在轨迹P下的第j个邻居节点的注意力互相关系数，attnode为神经网络，W为映射矩阵，hi和hj分别为目标节点i和邻居节点j的原始特征，||表示拼接；
根据邻居节点的注意力互相关系数，对邻居节点进行LeakyReLU函数激活和softmax函数规范化，以获得目标节点在当前轨迹下的邻居节点的注意力权重；
Figure FDA0003487455460000043
Figure FDA0003487455460000044
为第i个目标节点在轨迹P下的第j个邻居节点的注意力权重，
Figure FDA0003487455460000045
为第i个目标节点在轨迹P下的所有邻居节点的集合，
Figure FDA0003487455460000046
为第i个目标节点在轨迹P下的第s个邻居节点的注意力互相关系数；
根据所述注意力权重，将目标节点在当前轨迹下的所有邻居节点融合到目标节点，以获得目标节点在当前轨迹下的语义表示；其中，节点融合模型为
Figure FDA0003487455460000047
Figure FDA0003487455460000048
为第i个目标节点在轨迹P下的语义表示，σ(·)表示激活函数，
Figure FDA0003487455460000049
为第i个目标节点在轨迹P下的邻居节点的集合。
9.一种医保欺诈的识别设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至6任意一项所说的医保欺诈的识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任意一项所说的医保欺诈的识别方法。
CN202210085212.9A 2022-01-25 2022-01-25 一种医保欺诈的识别方法、装置、设备和存储介质 Pending CN114581250A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210085212.9A CN114581250A (zh) 2022-01-25 2022-01-25 一种医保欺诈的识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210085212.9A CN114581250A (zh) 2022-01-25 2022-01-25 一种医保欺诈的识别方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114581250A true CN114581250A (zh) 2022-06-03

Family

ID=81769932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210085212.9A Pending CN114581250A (zh) 2022-01-25 2022-01-25 一种医保欺诈的识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114581250A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086004A (zh) * 2022-06-10 2022-09-20 中山大学 一种基于异质图的安全事件识别方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086004A (zh) * 2022-06-10 2022-09-20 中山大学 一种基于异质图的安全事件识别方法及系统
CN115086004B (zh) * 2022-06-10 2023-08-29 中山大学 一种基于异质图的安全事件识别方法及系统

Similar Documents

Publication Publication Date Title
Saraswat et al. Explainable AI for healthcare 5.0: opportunities and challenges
Corrales et al. A case-based reasoning system for recommendation of data cleaning algorithms in classification and regression tasks
Jin et al. Explainable deep learning in healthcare: A methodological survey from an attribution view
Wanyan et al. Deep learning with heterogeneous graph embeddings for mortality prediction from electronic health records
Lenz et al. Deep generative models in DataSHIELD
Karaca et al. Multi-Chaos, Fractal and Multi-Fractional Artificial Intelligence of Different Complex Systems
CN114511387A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114581250A (zh) 一种医保欺诈的识别方法、装置、设备和存储介质
Parimanam et al. Hybrid optimization based learning technique for multi‐disease analytics from healthcare big data using optimal pre‐processing, clustering and classifier
US20210225513A1 (en) Method to Create Digital Twins and use the Same for Causal Associations
Zhou et al. Dam safety assessment through data-level anomaly detection and information fusion
Ampavathi Research challenges and future directions towards medical data processing
Nelakurthi et al. Finding cut from the same cloth: Cross network link recommendation via joint matrix factorization
Xiang et al. Computation of cnn’s sensitivity to input perturbation
Kumar et al. Pqklp: projected quantum kernel based link prediction in dynamic networks
JP7044929B1 (ja) プログラム、情報処理方法及び情報処理装置
US10346759B2 (en) Probabilistic inference engine based on synthetic events from measured data
Keerthy et al. Artificial intelligence in healthcare databases
An et al. KAMPNet: multi-source medical knowledge augmented medication prediction network with multi-level graph contrastive learning
Kamath et al. Explainability in time series forecasting, natural language processing, and computer vision
Settipalli et al. Provider profiling and labeling of fraudulent health insurance claims using Weighted MultiTree
JP2020204836A (ja) 生活保護に関する情報処理方法及び装置
Shaikh et al. Decrypting the black boxing of artificial intelligence using explainable artificial intelligence in smart healthcare
de Oliveira Producing Decisions and Explanations: A Joint Approach Towards Explainable CNNs
Moreira Performance Evaluation of Smart Decision Support Systems on Healthcare

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