医保欺诈检测方法及其嵌入向量生成方法、装置和介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115859199A(43)申请公布日2023.03.28(21)申请号202211253233.3G06N3/048(2023.01)(22)申请日2023.01.17G06Q40/08(2012.01)(71)申请人厦门理工学院地址361024福建省厦门市集美区理工路600号(72)发明人林开标洪彬升张杨卢萍(74)专利代理机构厦门智慧呈睿知识产权代理事务所(普通合伙)35222专利代理师郑晋升(51)Int.Cl.G06F18/2433(2023.01)G06F18/22(2023.01)G06F18/25(2023.01)G06F16/901(2019.01)G06N3/0464(2023.01)权利要求书3页说明书12页附图5页(54)发明名称医保欺诈检测方法及其嵌入向量生成方法、装置和介质(57)摘要本发明实施例提供一种医保欺诈检测方法及其嵌入向量生成方法、装置和介质，涉及医疗保险技术领域。嵌入向量生成方法包含S1、获取医保数据，并根据医保数据构建医保异质图G。S2、根据医保数据和医保异质图，获取特征图。S3、根据医保异质图，获取拓扑图。S4、根据医保异质图，获取语义图。S5、将特征图、拓扑图和语义图，分别输入单图卷积神经网络模型中，获取特征空间节点嵌入ZF、拓扑空间节点嵌入ZT和语义空间节点嵌入ZS。S6、将特征图、拓扑图和语义图两两组合后，分别输入一个共享参数的公共卷积神经网络模型中，获取拓扑特征节点嵌入ZCTF、特征语义节点嵌入ZCFS和拓扑语义节点嵌入ZCTS。S7、将步骤S5和步骤S6得到的节点嵌入融合，获取最终嵌入向量表示。CN115859199ACN115859199A权利要求书1/3页1.一种嵌入向量生成方法，其特征在于，包含：获取医保数据，并根据所述医保数据构建医保异质图G；其中，G＝(A，X)，式中，A为邻接矩阵、X为特征矩阵；根据所述医保数据和所述医保异质图，基于节点特征之间的相似性，获取特征图；根据所述医保异质图，基于节点之间的拓扑关系，获取拓扑图；根据所述医保异质图，提取不同节点关系的元路径，获取语义图；将所述特征图、所述拓扑图和所述语义图，分别输入单图卷积神经网络模型中，获取特征空间节点嵌入ZF、拓扑空间节点嵌入ZT和语义空间节点嵌入ZS；将所述特征图、所述拓扑图和所述语义图两两组合后，分别输入一个共享参数的公共卷积神经网络模型中，获取拓扑特征节点嵌入ZCTF、特征语义节点嵌入ZCFS和拓扑语义节点嵌入ZCTS；根据所述特征空间节点嵌入ZF、所述拓扑空间节点嵌入ZT、所述语义空间节点嵌入ZS、所述拓扑特征节点嵌入ZCTF、所述特征语义节点嵌入ZCFS和所述拓扑语义节点嵌入ZCTS，通过注意力机制进行融合，获取所述医保异质图的最终嵌入向量表示Z。2.根据权利要求1所述的嵌入向量生成方法，其特征在于，所述单图卷积神经网络模型为双层图卷积网络；将所述特征图、所述拓扑图和所述语义图，分别输入单图卷积神经网络模型中，获取特征空间节点嵌入ZF、拓扑空间节点嵌入ZT和语义空间节点嵌入ZS，具体包括：将所述特征图Gf输入所述单图卷积神经网络模型，所述单图卷积神经网络模型中第l层输出的嵌入为记最后一层输出的嵌入为所述特征空间节点嵌入ZF；其中，式中，ReLu为非线性激活函数、为网络拓扑相关量、为第l‑1层节点的特征、为图卷积网络第l层的权重矩阵；将所述拓扑图Gt输入所述单图卷积神经网络模型，所述单图卷积神经网络模型中第l层输出的嵌入为记最后一层输出的嵌入为所述拓扑空间节点嵌入ZT；其中，式中，ReLu为非线性激活函数、为网络拓扑相(l)关量、为第l‑1层节点的特征、Wtt为图卷积网络第l层的权重矩阵；将所述语义图Gs输入所述单图卷积神经网络模型，所述单图卷积神经网络模型中第l层输出的嵌入为记最后一层输出的嵌入为所述语义空间节点嵌入ZS；其中，式中，ReLu为非线性激活函数、为网络拓扑相关(l)量、为第l‑1层节点的特征、Ws为图卷积网络第l层的权重矩阵。3.根据权利要求1所述的嵌入向量生成方法，其特征在于，所述公共卷积神经网络模型为带有参数共享策略的两个双层图卷积网络；其中，两个双层图卷积网络的权重矩阵是共享的；将所述特征图、所述拓扑图和所述语义图两两组合后，分别输入一个共享参数的公共2CN115859199A权利要求书2/3页卷积神经网络模型中，获取拓扑特征节点嵌入ZCTF、特征语义节点嵌入ZCFS和拓扑语义节点嵌入ZCTS，具体包括：将所述拓扑图Gt和所述特征图Gf分别输入所述公共卷积神经网络模型的两个双层图卷积网络，获取拓扑嵌入ZCT和特征嵌入ZCF；然后，将所述拓扑嵌入ZCT和所述特征嵌入ZCF取平均，获取所述拓扑特征节点嵌入ZCTF