医疗保险大数据中的欺诈检测关键问题研究
| 摘要 | 第11-14页 |
| ABSTRACT | 第14-18页 |
| 第1章 绪论 | 第19-27页 |
| 1.1 研究背景和意义 | 第19-21页 |
| 1.2 面临挑战 | 第21-22页 |
| 1.3 研究内容 | 第22-23页 |
| 1.4 本文贡献 | 第23-24页 |
| 1.5 论文结构 | 第24-27页 |
| 第2章 相关研究 | 第27-45页 |
| 2.1 引言 | 第27页 |
| 2.2 基于分类方法的欺诈检测 | 第27-28页 |
| 2.3 基于离群点检测技术的欺诈检测 | 第28-31页 |
| 2.4 基于行为模式挖掘技术的欺诈检测 | 第31-35页 |
| 2.5 基于图挖掘技术的欺诈检测 | 第35-38页 |
| 2.6 基于深度学习的欺诈检测 | 第38-42页 |
| 2.7 本章小结 | 第42-45页 |
| 第3章 基于粗粒度行为模式发现的异常医疗流程发现 | 第45-61页 |
| 3.1 引言 | 第45-46页 |
| 3.2 问题定义 | 第46-50页 |
| 3.3 基于行为模式发现的欺诈检测 | 第50-54页 |
| 3.3.1 行为序列图化 | 第50-51页 |
| 3.3.2 获得活动类 | 第51-52页 |
| 3.3.3 粗粒度行为模式识别 | 第52-53页 |
| 3.3.4 异常检测 | 第53-54页 |
| 3.4 实验 | 第54-59页 |
| 3.4.1 数据集及评价标准 | 第54-55页 |
| 3.4.2 实验结果与分析 | 第55-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第4章 基于异常群组的患者协同欺诈检测 | 第61-77页 |
| 4.1 引言 | 第61-63页 |
| 4.2 问题定义 | 第63-64页 |
| 4.3 异常群组检测 | 第64-71页 |
| 4.3.1 人物相似度计算 | 第64-67页 |
| 4.3.2 异常群组挖掘 | 第67-70页 |
| 4.3.3 特征选择 | 第70-71页 |
| 4.4 实验 | 第71-75页 |
| 4.4.1 数据集及评价标准 | 第71-72页 |
| 4.4.2 实验结果与分析 | 第72-75页 |
| 4.5 本章小结 | 第75-77页 |
| 第5章 基于异构网络社区离群点检测的医生欺诈发现 | 第77-95页 |
| 5.1 引言 | 第77-79页 |
| 5.2 问题定义 | 第79页 |
| 5.3 基于社区离群点的欺诈者识别 | 第79-88页 |
| 5.3.1 网络构建 | 第79-81页 |
| 5.3.2 社区划分 | 第81-84页 |
| 5.3.3 社区离群点检测 | 第84-88页 |
| 5.4 实验 | 第88-93页 |
| 5.4.1 数据集及评价标准 | 第88-90页 |
| 5.4.2 实验结果和分析 | 第90-93页 |
| 5.5 本章小结 | 第93-95页 |
| 第6章 医保欺诈检测原型系统 | 第95-105页 |
| 6.1 引言 | 第95页 |
| 6.2 大数据基础平台介绍 | 第95-100页 |
| 6.2.1 整体架构 | 第95-97页 |
| 6.2.2 数据采集与存储技术实现 | 第97-99页 |
| 6.2.3 深度分析建模过程 | 第99-100页 |
| 6.3 医保欺诈检测算法的实现与部署 | 第100-102页 |
| 6.3.1 算法部署 | 第100-101页 |
| 6.3.2 输入数据准备 | 第101页 |
| 6.3.3 模型调度 | 第101-102页 |
| 6.3.4 结果输出 | 第102页 |
| 6.4 医保欺诈检测算法应用效果评价 | 第102-104页 |
| 6.5 本章小结 | 第104-105页 |
| 第7章 总结与展望 | 第105-109页 |
| 7.1 总结 | 第105-106页 |
| 7.2 展望 | 第106-109页 |
| 参考文献 | 第109-120页 |
| 致谢 | 第120-121页 |
| 攻读学位期间发表的学术论文目录 | 第121-122页 |
| 攻读学位期间参与科研项目情况 | 第122-123页 |
| 攻读学位期间获奖情况 | 第123-125页 |
| 学位论文评阅及答辩情况表 | 第125-127页 |
| 外文论文 | 第127-164页 |
| 外文论文一 | 第127-151页 |
| 外文论文二 | 第151-164页 |
