【技术实现步骤摘要】
基于图数据的异常行为检测方法、装置、设备和存储介质
[0001]本申请涉及医疗保险检测领域,特别是涉及一种基于图数据的异常行为检测方法、装置、设备和存储介质。
技术介绍
[0002]医疗保险是组成社会保障体系的一部分,因此医疗保险在现代生活中发挥着至关重要的作。但在医疗保险制度不断深入的过程中,由于参保覆盖面的扩大,医疗保险监管难度也逐步增加,而医疗保险异常行为的发生会使得医疗保险机构和政府面临着严重的经济损失,也使得真正需要医疗保险进行经济补偿的患者,由于医保异常行为可能导致无法得到及时有效的治疗,因此如何检测医疗保险异常行为医疗保险场景下所面临的问题。
[0003]目前,可以采用基于医学知识规则库对医疗保险异常行为进行检测,以及依靠监管人员已有经验与规则对医疗保险异常行为进行人工检测。然而,在实际场景下,医疗保险异常行为较为复杂,因此基于医学知识规则库与人工检测的方式对较为复杂的医疗保险行为进行判别,可能与实际情况存在差异,由此降低对异常行为检测的准确度。因此,如何提升异常行为检测的准确度是亟需解决的问题。
技术实现思路
[0004]基于此,有必要针对上述技术问题,提供一种能够提升异常行为检测的准确度的基于图数据的异常行为检测方法、装置、设备和存储介质。
[0005]第一方面,本申请提供了一种基于图数据的异常行为检测方法。所述方法包括:
[0006]获取多个待检测行为,待检测行为用于描述受益者向服务提供者发起的医保交易行为;
[0007]根据多个待检测行为,构建异质 ...
【技术保护点】
【技术特征摘要】
1.一种基于图数据的异常行为检测方法,其特征在于,包括:获取多个待检测行为,所述待检测行为用于描述受益者向服务提供者发起的医保交易行为;根据所述多个待检测行为,构建异质实体图数据,所述异质实体图数据至少包括:所述受益者对应的受益者节点、所述服务提供者对应的服务提供者节点、以及用于连接所述受益者节点与所述服务提供者节点之间的待检测行为边;对所述异质实体图数据进行图特征提取,获取异质实体特征,所述异质实体特征至少包括:各所述受益者节点对应的受益者特征、各所述服务提供者节点对应的服务提供者特征、以及各所述待检测行为边对应的行为特征;通过所述异质实体特征,对各所述待检测行为边对应的待检测行为进行行为类别检测,以获取各所述待检测行为对应的异常行为检测结果。2.根据权利要求1所述的方法,其特征在于,在所述获取多个待检测行为之后,所述方法还包括:根据所述多个待检测行为,构建同质行为图数据,所述同质行为图数据至少包括行为节点以及行为关系边;对所述同质行为图数据进行图特征提取,以获取各所述行为节点对应的团队行为特征,所述团队行为特征为进行团队维度行为的评估参数特征;所述通过所述异质实体特征,对各所述待检测行为边对应的待检测行为进行行为类别检测,包括:通过所述异质实体特征以及各所述团队行为特征,对各所述待检测行为边对应的待检测行为进行行为类别检测。3.根据权利要求2所述的方法,其特征在于,所述团队行为特征具体通过特征提取模型进行;所述特征提取模型的获取方法,包括:获取同质行为图样本,所述同质行为图样本中包括异常行为的异常行为节点样本,以及连接各行为节点样本之间的样本边;对所述同质行为图样本中的各所述异常行为节点样本进行特征提取,获取各所述异常行为节点样本的团队行为样本特征;基于各所述异常行为节点样本的团队行为样本特征,通过初始特征提取模型获取各所述异常行为节点样本的预测行为类型;根据各所述异常行为节点样本的预测行为类型、与各所述异常行为节点样本,更新所述初始特征提取模型的模型参数,以得到所述特征提取模型。4.根据权利要求3所述的方法,其特征在于,所述对所述同质行为图样本中的各所述异常行为节点样本进行特征提取,获取各所述异常行为节点样本的团队行为样本特征,包括:构建所述同质行为图样本对应的第一样本邻接矩阵,并计算得到各所述异常行为节点样本对应的第二样本邻接矩阵;对所述同质行为图样本中各所述异常行为节点样本进行有向选择,以获取各所述异常行为节点样本对应的异常节点样本邻域集合,所述异常节点样本邻域集合包括:与对应的异常行为节点样本之间存在所述样本边的异常行为节点邻域样本;
通过各所述异常节点样本邻域集合对所述第二样本邻接矩阵进行矩阵扩展,以得到各所述异常行为节点样本对应的第三样本邻接矩阵;对各所述异常行为节点样本对应的第三样本邻接矩阵进行矩阵行归一化,得到各所述异常行为节点样本对应的风险传播样本矩阵;通过各所述风险传播样本矩阵进行风险扩展计算,以确定各所述异常行为节点样本的团队行为样本特征。5.根据权利要求4所述的方法,其特征在于,所述通过各所述风险传播样本矩阵进行风险扩展计算,以确定各所述异常行为节点样本的团队行为样本特征,包括:通过各所述风险传播样本矩阵进行风险扩展计算,以确定各所述异常行为节点样本的初始团队行为样本特征;通过所述风险传播样本矩阵计算得到各所述异常行为节点样本对应的自环邻接矩阵,并根据各所述自环邻接矩阵计算得到各所述异常行为节点样本对应的对角节点度矩阵;根据各所述自环邻接矩阵、各所述对角节点度矩阵、以及各所述异常行为节点样本的初始团队行为样本特征进行逐层归一化聚合,获取所述团队行为样本特征。6.根据权利要求1所述的方法,其特征在于,所述对所述异质实体图数据进行图特征提取,获取异质实体特征,包括:对所述异质实体图数据中的各所述受益者节点、以及各所述服务提供者节点进行节点特征提取,获取各所述节点属性特征;对所述异质实体图数据中各所述待检测行为边进行边特征提取,获取各所述边属性特征;根据所述异质实体图数据、各所述节点属性特征和各所述边属性特征进行信息聚合,以获取所述异质实体特征。7.根据权利要求6所述的方法,其特征在于,所述...
【专利技术属性】
技术研发人员:欧阳逸,程大伟,马嘉成,
申请(专利权)人:腾讯医疗健康深圳有限公司,
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。