摘要
医疗保险的普及与发展给人们的健康带来基础保障的同时，其过程中也逐渐滋生了一些医保欺诈违规行为。诈骗者采取虚构的就诊行为等方式骗取医疗保险基金以此获得非法盈利，这严重损害了参保人利益和医疗保险基金的安全。因此，我们需要切实有效地加强医保基金使用监管，及时准确地挖掘出潜在的欺诈模式并绳之以法，将人民的医保基金归于人民。 不同于金融、电子商务等领域，医保反欺诈需要极强的专业知识，且具有隐蔽性强、数据维度高、涉及实体多等特点，这使得医保欺诈检测成为一项具有挑战性的工作。基于此背景，本课题基于深度学习技术，针对不同粒度的医保欺诈检测任务进行了研究与探索，主要包含以下三个方面的工作: (1)提出了一种基于图和对比学习的记录粒度医保欺诈检测算法。首先，根据药品的共现频率构建了一张药品图，并借助图神经网络的强大表示能力实现记录中药品的嵌入表示。其次，基于“同病类诊”的思想引入自监督信号，构建正负样本对计算对比学习损失函数，从而对模型进行联合训练。对比实验、分析实验、消融实验验证了该算法的有效性。 (2)提出了一种基于动态图的患者粒度医保欺诈检测算法。将保单记录建模为包含四种实体与五种关系的动态异质图，并设计了一种基于注意力机制的动态图表示学习模型。在空间特征上，本模型设计了静态层将各快照图按边类型划分为静态子图，依次对子图的邻居结点和各子图进行特征聚合。在时间特征上，本模型设计了动态层对各快照图进行特征聚合。实验结果验证了该算法的有效性。 (3)设计并实现了一个医保欺诈检测原型系统。该系统对上述算法进行了封装，实现了用户管理、数据管理、数据分析、异常检测功能模块，降低了用户的使用门槛，为用户提供了便捷高效的反欺诈可视化操作界面。
NETL