一种医保欺诈的识别方法、装置、设备和存储介质制造方法及图纸

本发明专利技术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。保欺诈。保欺诈。

【技术实现步骤摘要】
一种医保欺诈的识别方法、装置、设备和存储介质


[0001]本专利技术涉及医疗大数据
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]有鉴于此，申请人在研究了现有的技术后特提出本申请。

技术实现思路

[0006]本专利技术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。
[0007]第一方面、
[0008]本专利技术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。
[0009]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。
[0010]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。
[0011]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。
[0012]S4、基于时间顺序，获取各目标节点的空间节点的时间序列。
[0013]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。
[0014]在一个可选的实施例中，步骤S2具体包括：
[0015]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：
[0016]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，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。
[0017]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。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，为第i个目标节点在轨迹P下的所有邻居节 点的集合，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。
[0018]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,为第i个目标节点在轨迹P下的邻居节点的集合。
[0019]在一个可选的实施例中，步骤S3具体包括：
[0020]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。
[0021]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S
Pi
。其中，S
Pi
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,q
T
为q的转秩，W为映射矩阵，为节点i在轨迹P下的语义表示。
[0022]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β
Pi
,其中，m为轨迹P下的目标节 点的数量，
[0023]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
[0024]在一个可选的实施例中，步骤S1具体包括：
[0025]S11、获取医疗数据。
[0026]S12、基于时间顺序，根据医疗数据，构建多个医保异构图。
[0027]在一个可选的实施例中，步骤S4具体用于：
[0028]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。
[0029]在一个可选的实施例中，步骤S5具体包括：
[0030]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：T表示所有子 图的集合，x
t
表示目
标节点在t子图经过空间聚合得到的空间节点，表示拼 接操作，(为模型向前传播，为模型向后传播。
[0031]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。
[0032]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。
[0033]第二方面、
[0034]本专利技术实施例提供了一种医保欺诈的识别装置，其包含：
[0035]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。
[0036]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。
[0037]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。
[0038]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。
[0039]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。
[0040]在一个可选的实施例中，语义模块，具体用于：
[0041]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：
[0042]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， 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。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，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，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；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；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，为第i个目标节点在轨迹P下的所有邻居节点的集合，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，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
S
Pi
；其中，S
Pi
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，q
T
为q的转秩，W为映射矩阵，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β
Pi
，其中，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...

【专利技术属性】
技术研发人员：林开标，陈锦坡，柳小刚，卢萍，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：