排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
医疗保险欺诈对医疗基金的正确使用造成了严重威胁。随着信息化的发展,越来越多的用户属性信息和行为信息被积累下来,使得通过分析用户行为序列进行欺诈识别成为了可能。但在医疗保险背景下,由于供需双方存在严重的信息不对称现象,欺诈者会努力模仿合法用户的行为,而且欺诈者的比例很小,传统的基于分类的欺诈识别算法不再适用。此外,患者的就医行为具有一定的偶发性,时间分布不均匀。针对样本不平衡和时间分布不均匀的挑战,提出基于TLSTM的医保欺诈识别框架,将用户的历史就医行为序列作为TLSTM模型的输入,预测患者再入院原因及诊疗方案,通过比较模型输出与用户当前就医行为的差异程度,来判断用户存在欺诈的可能性。实验表明,该算法在欺诈识别准确度上明显优于已有算法。 相似文献
2.
3.
4.
传统Deep Web数据集成研究侧重满足用户的即时查询需求,对数据分析应用缺乏充分支持,提出一个面向分析的Deep Web数据集成系统DWDIS,能够在较少人工参与下对大量Web数据库进行高质量数据获取、抽取和整合,为分析型应用提供优质全面的结构化数据.DWDIS支持领域模型的自动演化;通过自动识别和理解查询接口,采用查询词采新率模型以较小代价最大限度地获取Deep Web页面;充分利用集成系统已有数据中隐含的数据特征,对Deep Web页面进行有效页面抽取和语义标注;结合Web数据源特征,使用机器学习方法对来自大量Web数据库的数据实现高准确率的重复记录检测和数据融合. 相似文献
5.
1