基于HIN挖掘动态多模式的医保异常检测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110322356A(43)申请公布日2019.10.11(21)申请号201910324775.7(22)申请日2019.04.22(71)申请人山东大学地址250101山东省济南市高新区舜华路1500号(72)发明人史玉良赵备张坤王新军(74)专利代理机构济南圣达知识产权代理有限公司37221代理人李圣梅(51)Int.Cl.G06Q40/08(2012.01)G06F16/2458(2019.01)G06F16/28(2019.01)权利要求书2页说明书12页附图4页(54)发明名称基于HIN挖掘动态多模式的医保异常检测方法及系统(57)摘要本公开提出了基于HIN挖掘动态多模式的医保异常检测方法及系统，获取历史医保记录实例数据；提取医保诈骗相关的强关联属性，构成医保特征数据集；构建医保异构信息网络；基于构建医保异构信息网络，获取异构信息网络及其元图；基于医保异构信息网络的元图，随机选择一初始节点，以关联节点和边的增量式添加，生成单层模式和复合模式；基于模式是NP>2的单层模式，对同一实例集合中的不同实例采用横向比较识别离群点，对同一实例的不同时间段的就医记录，采用纵向比较识别离群点，从而完成医保记录异常检测。将同一时间段内多个时间间隔出现过的医保记录中各节点的关联保留，即降低了异常识别的复杂度，又保证可更加全面完善地识别异常医保记录。CN110322356ACN110322356A权利要求书1/2页1.基于HIN挖掘动态多模式的医保异常检测方法，其特征是，包括：获取历史医保记录实例数据并对数据进行预处理；对预处理后的数据，分析各类医保记录实例数据的特征属性与医保诈骗的关联性，从而提取医保诈骗相关的强关联属性，构成医保特征数据集；基于历史医保记录实例数据、医保特征数据集，及业务场景中实例与特征的关联，构建医保异构信息网络，从而实现业务实例到逻辑关联的元图映射；基于构建医保异构信息网络，获取异构信息网络及其元图；基于医保异构信息网络的元图，随机选择一初始节点，以关联节点和边的增量式添加，生成单层模式和复合模式；基于模式是NP>2的单层模式，对同一实例集合中的不同实例采用横向比较识别离群点，对同一实例的不同时间段的就医记录，采用纵向比较识别离群点，从而完成医保记录异常检测。2.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，采用互信息方法计算历史医保记录实例的特征属性与医保诈骗的关联度，通过设定关联度阈值提取各类实例数据的特征属性与医保诈骗的强关联特征，构成医保特征数据集。3.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，所述医保异构信息网络：基于筛选的关联特征与医保诈骗的关联度，通过关联即相链接的方式，将业务场景实例映射为医保异构信息网络。4.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，所述元图，由节点和边构成，节点是指异构信息网络中的节点，边是指异构信息网络中的边；所述元图映射，是指异构信息网络的有向图G＝(V,E)，带有对象类型映射函数τ：V→A以及链接类型映射函数E→R，其中每个对象v∈V属于一个特定的对象类型τ(v)∈A，每个链接e∈E属于一个特定的关系5.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，所述单层模式，是指不存在重复节点的模式；所述复合模式，是指存在重复节点的模式。6.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，通过医保异常检测结果对比实例的实际医保诈骗，生成验证结果形成反馈数据，针对实际反馈数据，优化医保异构信息网络结构，包含特征选取和节点连接状态，从而不断更新与完善异常检测模式。7.如权利要求1所述的基于HIN挖掘动态多模式的医保异常检测方法，其特征是，单层模式和复合模式的一般生成过程为：D1.基于医保异构信息网络，随机选择一节点作为初始节点，从而形成初始的单一模式；D2.基于当前模式的任一节点，设定约束条件为每次选择一条新的且一端已在已有模式中的边，将新的边与另一端的节点加入当前模式，从而形成一个新的模式；D3.判断当前模式是否无满足D2的约束条件的可增加的节点，若否，则返回D2，将剩余节点依次尝试作为初始节点进行模式挖掘，若是，则转至D4；D4.判断当前模式节点是否为覆盖整个异构信息网络元图的节点，若否，则返回D2，依2CN110322356A权利要求书2/2页次尝试当前模式的节点作为初始节点进行模式挖掘，若是，则转至D5；D5.基于当前获取的单层模式，根据完整的异构信息网络进行关联重复节点的添加，从而形成复层模式；D6.将当前获取的复层模式进行拆分，分解为多单层模式的组合作为一个模式；D