社保违规检测方法、装置、设备及计算机存储介质与流程

本发明数据监控技术领域，尤其涉及一种社保违规检测方法、装置、设备及计算机存储介质。

背景技术：

医疗保险一般指基本医疗保险，是为了补偿劳动者因疾病风险造成的经济损失而建立的一项社会保险制度。通过用人单位与个人缴费，建立医疗保险基金，参保人员患病就诊发生医疗费用后，由医疗保险机构对其给予一定的经济补偿。参保人在定点医疗机构，特别是药店购药时，购买的主要是可以食用或进补的中草药，非治疗疾病必须药品，违反了医保报销的初衷，是医保禁止的违规行为，会给医保基金带来极大的危害。

目前，由配备的监管人员对参保人员的社保行为进行监控，对医保结算单据进行核算，管理门诊统筹基金的支出，但是，人工监管造成人力浪费，并且我国参保人员很多，造成监管人员不够，从而让不法分子有机可乘，造成门诊统筹基金的浪费。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

本发明的主要目的在于提供一种社保违规检测方法、装置、设备及计算机存储介质，旨在解决现有技术中人工监管造成人力浪费及门诊统筹基金浪费的技术问题。

为实现上述目的，本发明提供一种社保违规检测方法，所述社保违规检测方法包括以下步骤：

获取用户通过社保卡结算就诊费用的第一就诊数据；

将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值；

若所述占比值大于预设阈值，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。

可选地，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值的步骤包括：

将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据；

通过基于统计的异常检测算法对所述标准数据进行检测，根据检测结果统计所述标准数据中药品的类别；

根据药品的类别计算药食同源的占比值，并确定所述占比值是否大于预设阈值，以确定所述第一就诊数据是否异常。

可选地，所述将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据的步骤包括：

将所述就诊数据输入偏差检测模型，通过偏差检测模型对就诊数据进行清洗，以得到清洗后的规范就诊数据；

对所述规范就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向rnn子模型将词向量转化为句子向量矩阵；

基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据。

可选地，所述社保违规检测方法还包括：

获取用户预设次数内的第二就诊数据，并统计所述第二就诊数据中的药品种类，以得到统计结果；

基于所述统计结果计算所述第二就诊数据中用户每次购买的药品种类间的相似度，并确定所述相似度是否小于预设相似度；

若所述相似度小于预设相似度，则确定所述第二就诊数据异常，并提取所述第二就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明。

可选地，所述若所述相似度小于预设相似度，则确定所述第二就诊数据异常，并提取所述第二就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明的步骤包括：

若所述相似度小于预设相似度，则基于所述统计结果计算所述第二就诊数据中药品种类的变化范围；

确定所述变化范围是否在预设范围之内；

若所述变化范围在预设范围之内，则确定所述第二就诊数据异常，并提取所述就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明。

可选地，所述社保违规检测方法还包括：

获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知；

将所述处罚通知及所述处罚证明发送至用户移动终端。

可选地，所述社保违规检测方法还包括：

获取所述用户的历史违规次数，并确定所述历史违规次数所在的次数范围；

基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；

基于所述处罚措施自动对用户进行处罚。

此外，为实现上述目的，本发明还提供一种社保违规检测装置，所述社保违规检测装置包括：

获取模块，用于获取用户通过社保卡结算就诊费用的第一就诊数据；

检测模块，用于将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值；

提取模块，用于若所述占比值大于预设阈值，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。

此外，为实现上述目的，本发明还提供一种社保违规检测设备，所述社保违规检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的社保违规检测程序，其中所述社保违规检测程序被所述处理器执行时，实现如上述的社保违规检测方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有社保违规检测程序，其中所述社保违规检测程序被处理器执行时，实现如上述的社保违规检测方法的步骤。

本发明提供一种社保违规检测方法、装置、设备及计算机存储介质，本发明通过获取用户通过社保卡结算就诊费用的第一就诊数据，然后将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值，最后若所述占比值大于预设阈值，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明；实现了通过偏差检测模型对用户通过社保卡结算的第一就诊数据进行监管，从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。

附图说明

图1为本发明各实施例涉及的社保违规检测设备的硬件结构示意图；

图2为本发明社保违规检测方法第一实施例的流程示意图；

图3为本发明社保违规检测方法第二实施例的流程示意图；

图4为本发明社保违规检测方法第三实施例的流程示意图；

图5为本发明社保违规检测方法第四实施例的流程示意图；

图6为本发明社保违规检测方法第五实施例的流程示意图；

图7为本发明社保违规检测方法第六实施例的流程示意图；

图8为本发明社保违规检测方法第七实施例的流程示意图；

图9为本发明社保违规检测装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的社保违规检测方法主要应用于社保违规检测设备，该社保违规检测设备可以是pc(个人计算机personalcomputer)、便携计算机、移动终端等具有显示和处理功能的设备。

参照图1，图1为本发明实施例方案中涉及的社保违规检测设备的硬件结构示意图。本发明实施例中，社保违规检测设备可以包括处理器1001(例如中央处理器centralprocessingunit、cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)；存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机存储介质的存储器1005可以包括操作系统、网络通信模块以及社保违规检测程序。在图1中，网络通信模块主要用于连接服务器，与服务器进行数据通信；而处理器1001可以调用存储器1005中存储的社保违规检测程序，并执行本发明实施例提供的社保违规检测方法。

本发明进一步提供一种社保违规检测方法。参照图2，图2为本发明社保违规检测方法第一实施例的方法示意图。

在本实施例中，本发明社保违规检测方法的执行主体为人社核心系统，该人社核心系统包括设备违规检测设备，人社核心系统能够检测就诊数据中药食同源的占比值是否大于预设阈值，若大于，则该就诊数据异常，并提取就诊数据中的异常数据，从而筛选出不符合医保规定的异常数据，并将该异常数据作为对用户进行处罚的处罚证明。

该社保违规检测方法包括：

步骤s10，获取用户通过社保卡结算就诊费用的第一就诊数据；

在本实施例中，参保人员在定点医疗机构(例如，医院、药店)使用社保卡进行结算时，定点医疗机构的终端设备根据处方信息、参保人信息及费用明细信息等生成处方单，将该处方单上传至人社核心系统，人社核心系统接收定点医疗机构的终端设备发送的处方单，获取处方单中的第一就诊数据，以对第一就诊数据进行社保违规检测，其中，第一就诊数据包括就诊时间、就诊医疗机构名称或代码、参保人信息、处方信息及费用明细信息等，其中，参保人信息包括参保人的身份信息、参保人社保卡信息等，参保人的身份信息包括年龄、身份证号、体重、身高等，处方信息包括药品信息、药品用法(例如，口服，一天一次)、药品处方时间等，该药品信息包括药品名称、规格、单位、数量等。

步骤s20，将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值；

在本实施例中，该偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对第一就诊数据进行分析，通过偏差检测模型能够检测第一就诊数据是否异常，具体地，首先通过偏差检测模型对获取到的第一就诊数据进行清洗，清洗是指对第一就诊数据中的文本数据进行分词处理，第一就诊数据中存在一些不必要的数据或者不规范的数据，在既表示词本身又可以考虑语义距离的要求下，利用偏差检测模型中的rnn子模型分析更长更复杂的文本内容，对第一就诊数据进行分词处理，例如，一条中文句子，词语之间都是连续的，而数据分析的最小单位粒度是词语，所以需要进行分词处理，而对于英文文本的句子，英文的句子的最小单位是词语，词语之间由空格隔开的，同时，需要对词性进行标注，例如，名词、从词、形容词、数量词等，词性标注的目的是为了让句子在后面的处理中融入更多的有用的语言信息，当然，对于有些文本处理任务，可以不用词性标注。

进一步地，还可以去除停用词，停用词就是对文本特征没有任何贡献作用的词语，比如，啊、的、标点符号等，在进行文本分析时需要对这些停用词去除掉，当然，对于不同的应用可以在偏差检测模型中设置参数去除规定词性的词语。

进一步地，对第一就诊数据进行清洗操作后，对清洗后的第一就诊数据构造文本特征，将文本用一个向量的序列表示，将词语用词向量表示，通过正向计算及逆向计算拼接得到完整的词向量，得到词向量的序列，然后使用双向rnn模型将词向量编码(转化)为一个句子向量矩阵，对句子向量矩阵进行注意力机制，得到最终的标准数据。

进一步地，有些药品可以食用或者进补，非治疗疾病必须药品，违反了医保报销的初衷，是医保禁止的违规行为，利用偏差检测模型中的分类器对标准数据进行分类，该分类是指将就诊数据中的药品分为治疗疾病必须药品和进补药品，根据分类器中的基于统计的异常检测算法对标准数据进行检测，统计就诊数据中药品的类别，并计算药食同源的占比值，该药食同源是指可食用或者进补的药品占总药品的比值，例如，若中草药总共有10种，可进补的中草药有8种，则该占比值为百分之八十，并确定该占比值是否大于预设阈值，当然，该占比值也可以是食用或者进补药品的剂量与总药品的剂量的比值。

步骤s30，若所述占比值大于预设阈值，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。

在本实施例中，若检测到药品中药食同源的占比值大于预设阈值，认为就诊数据中可食用或者进补的药品的过多，则确定第一就诊数据存在异常，则根据偏差检测模型提取第一就诊数据中的异常数据，并生成处罚证明，该处罚证明包括处罚对象的名称、处罚措施、处罚原因、处罚机构、处罚时间等。该异常数据可以用来作为用户利用社保卡违规操作的证据。

本实施例提出的社保违规检测方法，通过获取用户通过社保卡结算就诊费用的第一就诊数据，然后将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值，最后若所述占比值大于预设阈值，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明；实现了通过偏差检测模型对用户通过社保卡结算的第一就诊数据进行监管，从而避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。

基于第一实施例，提出本发明社保违规检测方法的第二实施例，参照图3，本实施例中，步骤s20包括：

步骤s21，将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据；

在本实施例中，该偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对第一就诊数据进行分析，通过偏差检测模型能够检测第一就诊数据中药食同源的占比值，具体地，首先通过偏差检测模型对获取到的第一就诊数据进行清洗，第一就诊数据中存在一些不必要的数据或者不规范的数据，通过对这些数据进行清洗得到标准数据。

步骤s22，通过基于统计的异常检测算法对所述标准数据进行检测，根据检测结果统计所述标准数据中药品的类别；

在本实施例中，根据偏差检测模型的分类器中基于统计的异常检测算法检测就诊数据中的异常数据，具体地，基于统计的异常检测算法首先可以统计标准数据中数据点的分布，得到有一个不含离群点的“干净集”，然后根据该“干净集”对剩余的其它数据点逐步进行离群检测，根据检测结果统计然后根据数据点的分布来统计标准数据中药品的类别。

步骤s23，根据药品的类别计算药食同源的占比值，并确定所述占比值是否大于预设阈值，以确定所述第一就诊数据是否异常。

在本实施例中，该药食同源是指可食用或者进补的药品占总药品的比值，例如，若中草药总共有10种，可进补的中草药有8种，则该占比值为百分之八十，并确定该占比值是否大于预设阈值，当然，该占比值也可以是食用或者进补药品的剂量与总药品的剂量的比值。根据占比值检测第一就诊数据是否异常，若占比值大于预设阈值，则第一就诊数据异常，若占比值小于预设阈值，则第一就诊数据无异常。

本实施例提出的社保违规检测方法，通过将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据，然后通过基于统计的异常检测算法对所述标准数据进行检测，根据检测结果统计所述标准数据中药品的类别，最后根据药品的类别计算药食同源的占比值，并确定所述占比值是否大于预设阈值，以确定所述第一就诊数据是否异常；实现了通过偏差检测模型对就诊数据进行检测，计算就诊数据中药食同源的占比值是否大于预设阈值，确定就诊数据是否异常，从而能够自动检测出异常数据，避免了人工避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。

基于第二实施例，提出本发明社保违规检测方法的第三实施例，参照图4，本实施例中，步骤s21包括：

步骤s211，将所述就诊数据输入偏差检测模型，通过偏差检测模型对就诊数据进行清洗，以得到清洗后的规范就诊数据；

在本实施例中，该偏差检测模型偏差检测模型可以利用聚类、序列异常、最近邻居法、多维数据分析等对就诊数据进行分析，通过偏差检测模型能够检测就诊数据是否异常，具体地，首先通过偏差检测模型对获取到的就诊数据进行清洗，清洗就是对就诊数据中的本文数据进行分词处理，就诊数据中存在一些不必要的数据或者不规范的数据，在既表示词本身又可以考虑语义距离的要求下，利用rnn模型分析更长更复杂的文本内容，对就诊数据进行分词处理，通过分词处理得到规范就诊数据，例如，一条中文句子，词语之间都是连续的，而数据分析的最小单位粒度是词语，所以需要进行分词处理，而对于英文文本的句子，英文的句子的最小单位是词语，词语之间由空格隔开的，同时，需要对词性进行标注，例如，名词、从词、形容词、数量词等，词性标注的目的是为了让句子在后面的处理中融入更多的有用的语言信息，当然，对于有些文本处理任务，可以不用词性标注。

进一步地，还可以去除停用词，停用词就是对文本特征没有任何贡献作用的词语，比如，啊、的、标点符号等，在进行文本分析时需要对这些停用词去除掉，当然，对于不同的应用可以在偏差检测模型中设置参数去除规定词性的词语。

步骤s212，对所述规范就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向rnn子模型将词向量转化为句子向量矩阵；

在本实施例中，对就诊数据进行清洗操作后，对清洗后的就诊数据构造文本特征，将文本用一个向量的序列表示，将词语用词向量表示，通过正向计算及逆向计算拼接得到完整的词向量，得到词向量的序列，然后使用偏差检测模型中的双向rnn子模型将词向量编码(转化)为一个句子向量矩阵，对句子向量矩阵进行注意力机制，得到最终的标准数据。

步骤s213，基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据。

在本实施例中，在本实施例中，对句子向量矩阵进行注意力机制，将步骤s212中的句子向量矩阵压缩为一个向量表示，送入偏差检测模型中的前馈神经网络进行预测，输入一个矩阵，输出一个向量，从输入内容中提取一个上下文向量，该机制的上下文向量是被当作模型的参数学习得到。这使得注意机制变成一个纯粹的压缩操作，可以替换任何的池化步骤。文本内容被压缩成一个向量之后，得到最终的标准数据，例如，一种类别标签、一个实数值等。

本实施例提出的社保违规检测方法，通过将所述就诊数据输入偏差检测模型，通过偏差检测模型对就诊数据进行清洗，以得到清洗后的规范就诊数据，然后对所述规范就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向rnn子模型将词向量转化为句子向量矩阵，最后基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据；实现了通过偏差检测模型将就诊数据转化为标准数据，从而有利于异常数据的检测，进而提高异常数据检测的正确性。

基于第一实施例，提出本发明社保违规检测方法的第四实施例，参照图5，本实施例中，该社保违规检测方法还包括：

步骤s40，获取用户预设次数内的第二就诊数据，并统计所述第二就诊数据中的药品种类，以得到统计结果；

在本实施例中，一般属于某类病症的患者在购买药物时，药品种类不会存在太大差异，若通过模型检测到用户购买药物种类变化差异不正常时，则该患者存在违规操作的行为，所以，可以统计用户预设次数内的第二就诊数据，根据偏差检测模型统计就诊数据中每次的药品种类，该预设次数由技术人员进行设定，可以是两次、三次等，可以，例如，统计用户连续两次内的就诊数据，统计得到用户第一次就诊数据中包括a、b、c、d、e以及f等六种中药，第二就诊数据中包括b、c、d以及e四种中药。

步骤s50，基于所述统计结果计算所述第二就诊数据中用户每次购买的药品种类间的相似度，并确定所述相似度是否小于预设相似度；

在本实施例中，用户在预设次数内购买药品时，若每次药品的种类都没有发生变化，则第二就诊数据中的相似度为百分之百，若用户预设次数内购买不同种类的药品时，则根据每次购买的药品种类计算相似度，并确定该相似度是否大于预设阈值，该相似度可以是小数、分数、百分数等，该预设阈值由技术人员根据社保规定进行设置，例如，统计得到用户第一次就诊数据中包括a、b、c、d、e以及f等六种中药，第二就诊数据中包括b、c、d以及e四种中药，则总的中药种类数量为6，相同药品种类为4种，则计算相似度为2/3，若计算得到的相似度大于预设阈值，则说明两次就诊数据中的用药方案为相似的用药方案，若用户两次的用药方案中相似度小于预设阈值时，则认为用户购买药物的种类变化差异过大。

步骤s60，若所述相似度小于预设相似度，则确定所述第二就诊数据异常，并提取所述第二就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明。

在本实施例中，若计算得到的相似度大于预设阈值，则说明两次就诊数据中的用药方案为相似的用药方案，则第二就诊数据没有异常，若用户两次的用药方案中相似度小于预设阈值时，则认为用户购买药物的种类变化差异过大，则第二就诊数据异常，并通过偏差检测模型提取第二就诊数据中的第二异常数据，将该第二异常数据作为处罚用户的处罚证明。

本实施例提出的社保违规检测方法，通过获取用户预设次数内的第二就诊数据，并统计所述第二就诊数据中的药品种类，以得到统计结果，然后基于所述统计结果计算所述第二就诊数据中用户每次购买的药品种类间的相似度，并确定所述相似度是否小于预设相似度，最后若所述相似度小于预设相似度，则确定所述第二就诊数据异常，并提取所述第二就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明；实现了根据计算就诊数据的相似度来确定就诊数据是否异常，从而提取异常数据，进而能够自动检测出异常数据，避免了人工避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。

基于第四实施例，提出本发明社保违规检测方法的第五实施例，参照图6，本实施例中，步骤s60包括：

步骤s61，若所述相似度小于预设相似度，则基于所述统计结果计算所述第二就诊数据中药品种类的变化范围；

在本实施例中，一般属于某类病症的患者在购买药物时，药品种类不会存在太大差异，若通过模型检测到用户购买药物种类变化差异不正常时，则该患者存在违规操作的行为，所以，还可以根据统计结果计算药品种类的变化范围，例如，用户本次购买药物的种类有六种，上次购买的药物有五种，再上一次购买的药品种类有7种，则用户三次购买的药品种类范围为-1到1。当然，也可以计算第二就诊数据中药品种类的变化值，例如，用户本次购买药物的种类有六种，上次购买的药物有五种，则用户两次购买药品的药品种类的变化值为1。

步骤s62，确定所述变化范围是否在预设范围之内；

在本实施例中，该预设范围由技术人员进行设置，将计算得到的变化范围或者变化值与预设范围进行比较，确定该变化范围或者变化值是否在预设变化范围之内。

步骤s63，若所述变化范围在预设范围之内，则确定所述第二就诊数据异常，并提取所述就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明。

在本实施例中，若计算能得到的变化范围或者变化值不在预设变化范围之内，则说明用户购买药品的种类变化幅度较大，则第二就诊数据异常，根据偏差检测模型提取就诊数据中的第二异常数据，将该第二异常数据作为处罚用户的处罚证明。

本实施例提出的社保违规检测方法，通过若所述相似度小于预设相似度，则基于所述统计结果计算所述第二就诊数据中药品种类的变化范围，然后确定所述变化范围是否在预设范围之内，最后若所述变化范围在预设范围之内，则确定所述第二就诊数据异常，并提取所述就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明；实现了根据第二就诊数据中药品种类的变化范围来确定就诊数据是否异常，从而提取异常数据，进而能够自动检测出异常数据，避免了人工避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。

基于第一实施例，提出本发明社保违规检测方法的第六实施例，参照图7，本实施例中，该社保违规检测方法还包括：

步骤s70，获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知；

在本实施例中，若检测到就诊数据中存在异常数据，则在数据库中查找预设处罚规则，并根据该处罚规则及异常数据生成处罚通知，该处罚规则由技术人员进行设定，该处罚通知包括处罚对象的名称、处罚措施、处罚原因、处罚机构、处罚时间等。

步骤s80，将所述处罚通知及所述处罚证明发送至用户移动终端。

在本实施例中，人社核心系统将处罚通知发送至移动终端，并自动对用户进行处罚，其中，也可以统计用户预设时间段违规操作的次数，确定惩罚措施的程度，例如，警告、罚款、注销医保卡等，或者，在检测到用户有违规的预行为时，可以进行相关提示，预行为是指根据用户的购买药物的行为分析预测用户下次购买药物的行为，提示方法可以是短信提示、电话通知或者微信消息提示等。

本实施例提出的社保违规检测方法，通过获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知，然后将所述处罚通知及所述处罚证明发送至用户移动终端；实现了在检测到用户就诊数据存在异常时，对用户自动进行处罚，从而避免了人工避免了人工监管造成的人力浪费及门诊统筹基金的浪费，提高了对门诊统筹基金的监管效率。

基于第六实施例，提出本发明社保违规检测方法的第七实施例，参照图8，本实施例中，该社保违规检测方法还包括：

步骤s90，获取所述用户的历史违规次数，并确定所述历史违规次数所在次数范围；

在本实施例中，人社核心系统可以根据获取用户的历史就诊数据，并根据用户的历史就诊数据统计用户的历史违规次数，在处罚规则中不同的违规次数对应不同的处罚等级，所以，首先确定用户历史违规次数在该处罚规则中所对应的次数范围，以根据该次数范围确定用户的违规等级。

步骤s100，基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；

在本实施例中，历史违规次数处于不同的次数范围时，对应的违规等级不同，根据处罚规则确定历史违规次数所在的次数范围，并确定次数范围对应的处罚措施，例如，该处罚等级可以划分为第一等级、第二等级、第三等级等，第一等级对应处罚措施可以是警告提示，第二等级对应的处罚措施可以是进行一定金额罚款，第三等级对应的处罚措施可以是注销医保卡等，当然，可以根据用户历史违规次数所在不同的次数范围对用户进行不同金额的罚款。

步骤s110，基于所述处罚措施自动对用户进行处罚。

在本实施例中，人社核心系统根据处罚规则自动对用户进行处罚，例如，人社核心系统可以获取用户的联系方式，该联系方式可以是微信、电话、邮件等，将警告提示以微信消息、邮件、短信等方式发送给用户，或者，人社核心系统可以直接与用户微信、支付宝或者银行卡绑定，直接根据处罚规则从用户微信、支付宝、银行卡中扣除相应的罚款，或者，人社核心系统直接可以注销用户医保卡。

本实施例提出的社保违规检测方法，通过获取所述用户的历史违规次数，并确定所述历史违规次数所在的次数范围，然后基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施，最后基于所述处罚措施自动对用户进行处罚；实现了根据用户的历史违规次数对用户进行不同的处罚措施，从而自动进行处罚，提高了对门诊统筹基金的监管效率。

此外，本发明实施例还提供一种社保违规检测装置。

参照图9，图9为本发明社保违规检测装置第一实施例的功能模块示意图。

本发明社保违规检测装置为虚拟装置，存储于图1所示社保违规检测设备的存储器1005中，用于实现社保违规检测程序的所有功能：获取用户通过社保卡结算就诊费用的第一就诊数据；将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值；若所述占比值大于预设阈值，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。

具体的，本实施例中，所述社保违规检测装置包括：

获取模块101，获取用户通过社保卡结算就诊费用的第一就诊数据；

检测模块102，将所述第一就诊数据输入偏差检测模型，通过偏差检测模型对所述第一就诊数据中的药品进行分类，并根据分类结果计算药品中药食同源的占比值，确定所述占比值是否大于预设阈值；

提取模块103，若所述占比值大于预设阈值，则确定所述第一就诊数据异常，并提取所述第一就诊数据中的异常数据，以提供对所述用户处罚的处罚证明。

进一步地，所述检测模块102还用于：

将所述第一就诊数据输入偏差检测模型，通过偏差检测模型将所述第一就诊数据中的文本数据转化为标准化的字段，以得到标准数据；

通过基于统计的异常检测算法对所述标准数据进行检测，根据检测结果统计所述标准数据中药品的类别；

根据药品的类别计算药食同源的占比值，并确定所述占比值是否大于预设阈值，以确定所述第一就诊数据是否异常。

进一步地，所述检测模块102还用于：

将所述就诊数据输入偏差检测模型，通过偏差检测模型对就诊数据进行清洗，以得到清洗后的规范就诊数据；

对所述规范就诊数据构造文本特征，以得到词向量，并通过偏差检测模型中的双向rnn子模型将词向量转化为句子向量矩阵；

基于所述句子向量矩阵进行注意力机制操作，以得到所述标准数据。

进一步地，所述社保违规检测装置还包括：

获取模块，用于获取用户预设次数内的第二就诊数据，并统计所述第二就诊数据中的药品种类，以得到统计结果；

计算模块，用于基于所述统计结果计算所述第二就诊数据中用户每次购买的药品种类间的相似度，并确定所述相似度是否小于预设相似度；

提取模块，用于若所述相似度小于预设相似度，则确定所述第二就诊数据异常，并提取所述第二就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明。

进一步地，所述社保违规检测装置还包括：

计算模块，用于若所述相似度小于预设相似度，则基于所述统计结果计算所述第二就诊数据中药品种类的变化范围；

判断模块，用于确定所述变化范围是否在预设范围之内；

提取模块，用于若所述变化范围在预设范围之内，则确定所述第二就诊数据异常，并提取所述就诊数据中的第二异常数据，以提供对所述用户处罚的处罚证明。

进一步地，所述社保违规检测装置还包括：

生成模块，用于获取预设处罚规则，基于所述预设处罚规则及异常数据生成处罚通知；

发送模块，用于将所述处罚通知及所述处罚证明发送至用户移动终端。

进一步地，所述社保违规检测装置还包括：

获取模块，用于获取所述用户的历史违规次数，并确定所述历史违规次数所在的次数范围；

基于所述处罚规则确定所述次数范围对应的违规等级，并获取所述违规等级对应的处罚措施；

处罚模块，用于基于所述处罚措施自动对用户进行处罚。

此外，本发明实施例还提供一种计算机存储介质。

本发明计算机存储介质上存储有社保违规检测程序，其中所述社保违规检测程序被处理器执行时，实现如上述的社保违规检测方法的步骤。

其中，社保违规检测程序被执行时所实现的方法可参照本发明社保违规检测方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。