买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉厦门理工学院申请的专利基于多层注意力机制图神经网络的医保欺诈检测算法及其系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114463141B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210121924.1，技术领域涉及：G06Q40/08；该发明授权基于多层注意力机制图神经网络的医保欺诈检测算法及其系统是由林开标;陆江涛;张杨;卢萍设计研发完成，并于2022-02-09向国家知识产权局提交的专利申请。

本基于多层注意力机制图神经网络的医保欺诈检测算法及其系统在说明书摘要公布了：本发明涉及一种基于多层注意力机制图神经网络的医保欺诈检测算法，包含下述步骤：S1建立医疗保险欺诈检测AHIN模型；S2选取语义路径并寻找邻居节点；S3构建基于图神经网络的检测MHAMFD模型；S4获取待测年份数据或测试集中数据，输入MHAMFD模型中预测医保欺诈者。本发明通过对节电、路径、子图、不同时间多层注意力极值，构建基于图神经网络的检测MHAMFD模型，挖掘了AHIN中各个实体节点丰富交互关系，解决了一些医保欺诈检测方法忽略了多次就诊的异常行为特征的问题，同时减少了噪声节点、路径数据对最终预测任务的影响，为解决医保欺诈检测问题提供了理论基础。

本发明授权基于多层注意力机制图神经网络的医保欺诈检测算法及其系统在权利要求书中公布了：1.一种基于多层注意力机制图神经网络的医保欺诈检测方法，包含下述步骤： S1建立医疗保险欺诈检测AHIN模型； S2选取语义路径并寻找邻居节点； S3构建基于图神经网络的检测MHAMFD模型； S4获取待测年份数据或测试集中数据，输入MHAMFD模型中预测医保欺诈者；步骤S1具体包括： S1-1对患者的所有就诊记录抽取出来，并从中构建患者、医院科室、日期和药物四个实体;其中，将所述就诊记录中药物单价小于20元的实体剔除，所述日期单位为天； S1-2通过对真实就医场景中的不同类型对象及其相互作用建模成AHIN，表示为异构图，其中V为不同类型对象集，即包括患者、医院科室、日期和药物四个实体的节点的节点集合，为关系集，X为信息矩阵； 设患者节点集，对于数据集中每个患者都拥有一个标签，表示该患者是否属于医保欺诈人员，当不属于时为0，属于则为1，将数据集划分为训练集，验证集，以及最终用于预测患者是否属于医保欺诈人员的概率的测试集,训练集、验证集、测试集三者比例为1-3:1:3-1；步骤S2具体包括： S2-1定义元路径和多重语义路径； S2-2选取基于元路径和多重语义路径的合适的邻居，其中， S2-1包括元路径表示成形式的路径，其中描述了对象之间的复合关系；多重路径表示成形式的路径，其中描述了对象之间的复合关系，表示合成算符； S2-2包括: S2-2-1基于元路径的邻居集合，给定属性异构信息网络中的用户u，基于元路径的邻居被定义为AHIN中用户u的给定元路径下的聚合邻居集; S2-2-2基于多重路径采样的邻居集合，给定属性异构信息网络中的用户u，基于多重路径采样的邻居被定义为AHIN中用户u的给定多重路径下的聚合邻居集; S2-2-3构建异构子图，通过元路径和多重路径分解成多个不同程度的子图结构,记为；步骤S3包括： S3-1节点级别聚合; S3-2路径级别聚合； S3-3子图级别聚合，得到最终的节点嵌入Z； S3-4将最终的嵌入Z输入多层感知机MLP进行欺诈检测，应用于不同的下游任务,使用交叉熵作为损失函数（loss）通过反向传播最小化函数来优化模型权值，其中， S3-1包括： S3-1-1给定通过路径连接的节点对，将重要性定义为，基于路径的节点对的重要性公式如下表示： ， 其中，分别代表的是节点i和节点j的嵌入，代表的连接两个节点的路径，这里指的是执行节点级注意力机制的深层神经网络，对于给定的包括元路径和多重路径的采样路径，所有基于采样路径的节点对是共享的； S3-1-2通过softmax函数对重要性做归一化的处理： （2）， 其中代表的是路径的节点级注意力向量，表示拼接操作，LeakyReLU为激活函数，为与节点i相连的所有节点个数； S3-1-3对节点i的基于元路径或多重路径的嵌入通过邻居的投影特征与相应的系数进行聚合，如下所示： ， 其中表示的是节点i在路径上学习到的嵌入表示，是激活函数； S3-2包括： S3-2-1聚合子图中所有路径的节点嵌入，生成子图特定的嵌入表示，表达如下： ， 其中代表的是特定子图的嵌入，代表特定子图中的路径集合,为特定任务的路径的贡献度,特定任务的路径 ；通过对变换后的路径嵌入与路径级别注意力向量的相似性来衡量路径特定的节点嵌入的重要性，如下所示： ， 其中表示路径的重要性，代表路径级别的注意力向量，是权重矩阵，是偏置向量；通过softmax函数做归一化的处理，如下公式得到： ； S3-2-2将学习到子图中每条路径的的权重作为系数，对所有路径特定的嵌入进行加权求和，得到特定子图嵌入，对于子图给定的一组特定路径的节点嵌入作为输入，每条路径的贡献度表示为： ； S3-2-3单独聚集每个子图内的指定路径的嵌入，并生成n个子图指定的向量嵌入，表示为； S3-3包括给定子图特定的嵌入集合并加上不同子图对于最终任务的重要性程度，表示如下： （9） （10） （11）， 其中表示子图的重要性程度，代表路径级别的注意力向量，是权重矩阵，是偏置向量，P为子图集所有子图总数，最后，融合每个特定子图所包含的信息，聚合特定子图的节点嵌入表示获得最终的节点嵌入（12）； S3-4中交叉熵被表示为： ，其中是具有标签的节点索引的集合，和是标签节点的嵌入和相应的标签，是分类器的参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人厦门理工学院，其通讯地址为：361024 福建省厦门市集美区理工路600号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。