[发明专利]医保欺诈预测网络的训练方法、装置、设备及存储介质

权利要求书

1.一种医保欺诈预测网络的训练方法，其特征在于，所述方法包括下述步骤：

从预设的医院信息系统中抽取预设数量个患者样本，所述患者样本包括已标注欺诈标签的医保欺诈患者和未标注标签的未知患者；

根据由所述患者样本组成的训练样本集中每个患者样本的就诊信息，获取所述训练样本集的患者特征矩阵，并根据所述就诊信息对患者与医生之间的医患关系进行分析，获得所述医患关系对应的医患关系邻接矩阵；

根据所述患者特征矩阵和所述医患关系邻接矩阵，对预先构建的医保欺诈预测网络进行预测训练，直至达到预设的训练次数，则结束所述预测训练，以实现通过训练好的所述医保欺诈预测网络检测出未知患者中涉嫌医保欺诈的可疑患者，其中，所述医保欺诈预测网络由预设的图卷积神经网络和变分自编码器组成，所述图卷积神经网络包括2个隐含层，在对所述医保欺诈预测网络进行训练时，将患者特征矩阵和医患关系邻接矩阵输入到所述图卷积神经网络中，通过所述图卷积神经网络逐层的传播公式进行网络表征学习，学习到的相应特征向量输入到所述变分自编码器中，通过最大化证据下界目标函数完成对所述图卷积神经网络和所述变分自编码器的联合训练，并在训练的过程中，对所述图卷积神经网络中第一隐含层与输入层之间连接的权值矩阵、第二隐含层与第一隐含层中用于根据患者特征矩阵进行网络表征学习的网络节点之间连接的权重矩阵、以及第二隐含层与第一隐含层中用于根据医患关系邻接矩阵进行网络表征学习的网络节点之间连接的权重矩阵、所述变分自编码器中逻辑回归因子、偏置项进行更新，直至达到训练次数，以实现通过所述图卷积神经网络中的节点预测模型预测出未知患者涉嫌医保欺诈的概率，以及通过所述图卷积神经网络中的边预测模型预测出与医保欺诈患者有关联的可疑人群。

2.如权利要求1所述的方法，其特征在于，所述图卷积神经网络每层的传播公式为其中，H^(l)表示所述图卷积神经网络第l层的输出，H⁽⁰⁾＝X，X为所述患者特征矩阵，A为所述医患关系邻接矩阵，I_n为单位矩阵，为所述医患关系邻接矩阵的自环矩阵，为所述的度矩阵，W^(l)为所述图卷积神经网络第l层网络的权重矩阵，σ(·)为sigmoid激活函数。

3.如权利要求1所述的方法，其特征在于，所述证据下界目标函数的公式表示为：L＝E_q(Z|X,A,y)[logp(y,A|Z)]-KL[q(Z|X,A,y)||p(Z)]，其中，KL[q(Z|X,A,y)||p(Z)]为KL散度，用来计算预先构建的后验分布函数q(Z|X,A,y)和先验分布函数p(Z)的差异度，E_q(Z|X,A,y)[logp(y,A|Z)]为对所述训练样本集中的所述患者样本对应的标签y进行欺诈标签预测的期望值，和对所述医患关系邻接矩阵A对应的患者与患者之间、患者与医生之间的关系进行预测的期望值，p(y,A|Z)为所述变分自编码器的生成模型，X为所述患者特征矩阵，A为所述医患关系邻接矩阵，Z为从所述后验分布函数q(Z|X,A,y)中采样得到的采样矩阵，y为所述训练样本集中所述各患者样本对应的标签集合，所述标签集合包括所述训练样本集中所述医保欺诈患者对应的欺诈标签和所述未知患者对应的未知标签。

4.如权利要求3所述的方法，其特征在于，对所述图卷积神经网络和所述变分自编码器的联合训练，包括：

根据预设的均值公式将经过所述图卷积神经网络表征学习到的所述患者特征矩阵对应的患者隐含特征设置为所述变分自编码器的均值，并根据预设的标准方差对数公式将经过所述图卷积神经网络表征学习到的所述医患关系邻接矩阵对应的患者关系隐含特征设置为所述变分自编码器的标准方差的对数。