[發明專利]融合知識的異構圖神經網絡醫保欺詐風險識別系統

在審

• 申請號: 202211422914.8
• 申請日: 2022-11-15
• 公開（公告）號: CN115936893A
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 趙蒙海;向凌陽
• 申請（專利權）人: 上海金仕達衛寧軟件科技有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06F16/36;G06F18/2415;G06F18/25;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;徐穎

1.一種融合知識的異構圖神經網絡醫保欺詐風險識別系統，其特征在于，包括對每個就診節點風險進行預測的關系感知的異構圖神經網絡，

所述關系感知的異構圖神經網絡結構：

患者就診產生就診、診斷、藥物、機構各種不同類型數據，診斷和藥物數據之間被知識圖譜約束，利用醫療結算數據和醫療知識圖譜構建異構圖，一個異構圖由一系列子圖構成，一個子圖對應一種關系；

在構建好的異構圖上，用元路徑的方式隨機游走，訓練下采樣跳字模型提取每個節點的特征；

元路徑特征和節點自身屬性特征連接后，作為圖神經網絡模型的節點輸入特征，使用就診節點構圖建模；

使用一個圖卷積層學習每種異構圖中關系圖中學習唯一的節點表示，使用一個跨關系的信息傳遞模塊來跨關系節點表示的交互，使用一個語義聚合模塊來聚合關系感知節點表示，得到一個具有關系節點的表示，構成關系感知的異構圖神經網絡。

2.根據權利要求1所述融合知識的異構圖神經網絡醫保欺詐風險識別系統，其特征在于，所述一個子圖對應一種關系，所述關系由一個字符串三元組定義，包括源節點類型、邊類型和目標節點類型。

3.根據權利要求2所述融合知識的異構圖神經網絡醫保欺詐風險識別系統，其特征在于，所述就診節點構圖：以就診為目標節點，構建患者、醫療機構、時間和診斷為源節點，邊對應分別為就診患者所屬關系、就診醫療機構發生關系；、就診時間段關系、就診的診斷信息的4種子圖。

4.根據權利要求1至3中任意一項所述融合知識的異構圖神經網絡醫保欺詐風險識別系統，其特征在于，所述診斷和藥物數據之間被知識圖譜約束：把診斷和藥品兩兩組合輸入知識圖譜，如果能在知識圖譜中存在連接，診斷作為源節點，藥物作為目標節點，邊為診斷疾病使用的治療藥品的子圖補入異構圖中。

5.根據權利要求4所述融合知識的異構圖神經網絡醫保欺詐風險識別系統，其特征在于，所述關系感知特征的圖神經網絡模型由關系限定的圖卷積、加權殘差連接、跨關系消息傳遞、關系表示學習四個模型構成一個關系感知的異構圖神經網絡層，通過堆疊L層，聚合L階鄰域的信息，每層提供目標節點v的關系感知節點表示，以及與源節點u關聯的關系表示,通過一個語義融合模塊來進行關系感知節點表示的聚合，獲得重要度加權的方式得到節點表示作為下游任務的節點表示。

6.一種醫保欺詐風險識別的關系感知特征的圖神經網絡模型的訓練方法，其特征在于，構建關系感知特征的圖神經網絡模型，選取歷史上用規則和無監督模型檢出的違規就診為正樣本，其余為負樣本，負樣本為存在嚴重的類別不平衡現象的違規就診；將正負樣本作為訓練樣本送入關系感知特征的圖神經網絡模型進行訓練，訓練過程中采用批內負采樣的方法，P為正樣本，N為負樣本，a為正樣本數量，b為負樣本數量，a＜＜b，訓練的每個循環，從a中不放回采樣n正樣本，從b中放回采樣2n個負樣本，保證類別的相對均衡又完整地利用所有數據。

7.一種融合知識的醫保欺詐風險關系識別方法，其特征在于，構建關系感知特征的圖神經網絡模型，將無標簽的就診數據送入關系感知特征的圖神經網絡模型進行識別，獲得違規模式。