本申请公开了一种医保欺诈行为的识别方法、装置、存储介质及电子装置。该医保欺诈行为的识别方法包括：获取医保及其相关信息组成的多源数据；其中所述多源数据中至少包括：医保异常特征数据；利用关联规则挖掘算法提取所述医保异常特征数据与医保欺诈行为之间的关联规则，形成关联规则库；接收待识别数据，并基于所述待识别数据在所述关联规则库中匹配出对应的医保欺诈行为本申请解决了由于需要人员基于海量数据人为判断医保欺诈行为造成的人力成本高，且效率低下的技术问题。且效率低下的技术问题。且效率低下的技术问题。
【技术实现步骤摘要】
医保欺诈行为的识别方法、装置、存储介质及电子装置
[0001]本申请涉及医保欺诈识别领域，具体而言，涉及一种医保欺诈行为的识别方法、装置、存储介质及电子装置。
技术介绍
[0002]医疗保险制度自实施以来，在解决人们看病就医方面发挥着巨大的作用。
[0003]专利技术人发现，医保欺诈行为的识别需要人员基于海量数据进行判断，人力成本高，且效率低下。
[0004]针对相关技术中需要人员基于海量数据人为判断医保欺诈行为造成的人力成本高，且效率低下的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本申请的主要目的在于提供一种医保欺诈行为的识别方法、装置、存储介质及电子装置，以解决需要人员基于海量数据人为判断医保欺诈行为造成的人力成本高，且效率低下的问题。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种医保欺诈行为的识别方法。
[0007]根据本申请的医保欺诈行为的识别方法包括：获取医保及其相关信息组成的多源数据；其中，所述多源数据中至少包括：医保异常特征数据；利用关联规则挖掘算法提取所述医保异常特征数据与医保欺诈行为之间的关联规则，形成关联规则库；接收待识别数据，并基于所述待识别数据在所述关联规则库中匹配出对应的医保欺诈行为。
[0008]进一步的，获取医保及其相关信息组成的多源数据之后，利用关联规则挖掘算法提取所述多源数据与医保欺诈行为之间的关联规则，形成关联规则库之前还包括：对所述多源数据执行预设的归一化处理操作；其中，所述归一化处理操作为对于同一种医保欺诈行为对应的医保异常特征数据进行合并。
[0009]进一步的，利用关联规则挖掘算法提取所述多源数据与医保欺诈行为之间的关联规则，形成关联规则库包括：通过引力搜索算法筛选出医保欺诈行为对应的医保异常特征数据集中具有最优支持度的项目；提取医保欺诈行为对应的医保异常特征数据集中大于所述最优支持度的项目并按照支持度降序排列；根据所述排序顺序构建频繁模式树，并基于所述频繁模式树分析项目之间的关联规则；将所有关联规则归于数据库，形成关联规则库。
[0010]进一步的，接收待识别数据，并基于所述待识别数据在所述关联规则库中匹配出对应的医保欺诈行为包括：采用K
‑
近邻算法将待识别数据与所述关联规则库中的参数数据逐条匹配，计算最邻近距离值；选取所述最邻近距离值最小的K个点；确定前K个点所在的医保欺诈行为类别的出现频率；将K个点中出现频率最高的医保欺诈行为类别作为待识别数据的医保欺诈行为。
[0011]为了实现上述目的，根据本申请的另一方面，提供了一种医保欺诈行为的识别装
置。
[0012]根据本申请的医保欺诈行为的识别装置包括：数据获取模块，用于获取医保及其相关信息组成的多源数据；其中，所述多源数据中至少包括：医保异常特征数据；规则关联模块，用于利用关联规则挖掘算法提取所述医保异常特征数据与医保欺诈行为之间的关联规则，形成关联规则库；行为识别模块，拥有接收待识别数据，并基于所述待识别数据在所述关联规则库中匹配出对应的医保欺诈行为。
[0013]进一步的，还包括：归一化模块，用于对所述多源数据执行预设的归一化处理操作；其中，所述归一化处理操作为对于同一种医保欺诈行为对应的医保异常特征数据进行合并。
[0014]进一步的，所述规则关联模块包括：通过引力搜索算法筛选出医保欺诈行为对应的医保异常特征数据集中具有最优支持度的项目；提取医保欺诈行为对应的医保异常特征数据集中大于所述最优支持度的项目并按照支持度降序排列；根据所述排序顺序构建频繁模式树，并基于所述频繁模式树分析项目之间的关联规则；将所有关联规则归于数据库，形成关联规则库。
[0015]进一步的，所述行为识别模块包括：采用K
‑
近邻算法将待识别数据与所述关联规则库中的参数数据逐条匹配，计算最邻近距离值；选取所述最邻近距离值最小的K个点；确定前K个点所在的医保欺诈行为类别的出现频率；将K个点中出现频率最高的医保欺诈行为类别作为待识别数据的医保欺诈行为。
[0016]在本申请实施例中，采用智能识别医保欺诈行为的方式，通过获取医保及其相关信息组成的多源数据；其中，所述多源数据中至少包括：医保异常特征数据；利用关联规则挖掘算法提取所述医保异常特征数据与医保欺诈行为之间的关联规则，形成关联规则库；接收待识别数据，并基于所述待识别数据在所述关联规则库中匹配出对应的医保欺诈行为；达到了采用智能设置的关联规则确定医保欺诈行为替代人为判断医保欺诈行为的目的，从而实现了降低人力成本，且提升效率的技术效果，进而解决了由于需要人员基于海量数据人为判断医保欺诈行为造成的人力成本高，且效率低下的的技术问题。
附图说明
[0017]构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]图1是根据本申请实施例的医保欺诈行为的识别方法的流程示意图；
[0019]图2是根据本申请实施例的医保欺诈行为的识别装置的结构示意图。
具体实施方式
[0020]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
[0021]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0022]在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本技术及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
[0023]并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本技术中的具体含义。
[0024]此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医保欺诈行为的识别方法，其特征在于，包括：获取医保及其相关信息组成的多源数据；其中，所述多源数据中至少包括：医保异常特征数据；利用关联规则挖掘算法提取所述医保异常特征数据与医保欺诈行为之间的关联规则，形成关联规则库；接收待识别数据，并基于所述待识别数据在所述关联规则库中匹配出对应的医保欺诈行为。2.根据权利要求1所述的医保欺诈行为的识别方法，其特征在于，获取医保及其相关信息组成的多源数据之后，利用关联规则挖掘算法提取所述多源数据与医保欺诈行为之间的关联规则，形成关联规则库之前还包括：对所述多源数据执行预设的归一化处理操作；其中，所述归一化处理操作为对于同一种医保欺诈行为对应的医保异常特征数据进行合并。3.根据权利要求1所述的医保欺诈行为的识别方法，其特征在于，利用关联规则挖掘算法提取所述多源数据与医保欺诈行为之间的关联规则，形成关联规则库包括：通过引力搜索算法筛选出医保欺诈行为对应的医保异常特征数据集中具有最优支持度的项目；提取医保欺诈行为对应的医保异常特征数据集中大于所述最优支持度的项目并按照支持度降序排列；根据所述排序顺序构建频繁模式树，并基于所述频繁模式树分析项目之间的关联规则；将所有关联规则归于数据库，形成关联规则库。4.根据权利要求1所述的医保欺诈行为的识别方法，其特征在于，接收待识别数据，并基于所述待识别数据在所述关联规则库中匹配出对应的医保欺诈行为包括：采用K
‑
近邻算法将待识别数据与所述关联规则库中的参数数据逐条匹配，计算最邻近距离值；选取所述最邻近距离值最小的K个点；确定前K个点所在的医保欺诈行为类别的出现频率；将K个点中出现频率最高的医保欺诈行为类别作为待识别数据的医保欺诈行为。5.一种医保欺诈行为的识别装置，其特征在于，包括：数据获取模块，用于获取医保及其相关信息组成的多源数据；其...
【专利技术属性】
技术研发人员：杜登斌，李宗博，王云晓，
申请(专利权)人：吾征智能技术北京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。