吴文龙，周 喜，王 轶，王保全

1.中国科学院 新疆理化技术研究所，乌鲁木齐830011

2.中国科学院大学，北京100049

3.新疆民族语音语言信息处理实验室，乌鲁木齐830011

我国对人民生命健康的保障制度日益完善，医疗保险参保人数已超过13 亿，但是，医疗保险普及的同时，也引发了很多医保诈骗行为，每年造成的经济损失高达数亿元[1]。对医保欺诈进行有效检测成为一项迫切且富有意义的研究工作。

2017年，中国社会保险学会联合人社部信息中心等部门，指导举办了“全国社会保险大数据应用创新大赛”，其中就包括对医保欺诈违规行为的检测识别。竞赛成绩较好的队伍主要采取在构造大量特征的基础上，结合机器学习的方法对医保欺诈数据进行检测，但是由于受限于业务背景知识的掌握，构造的特征会出现重叠或者无效的情况。

医保欺诈检测实际上属于二分类问题，把数据分为正常数据和欺诈数据，然后选择合适的算法模型对欺诈记录数据进行检测发现[2]。在医疗保险数据中，欺诈人数占比很小，欺诈数据量和正常数据量差别较大，数据不平衡问题极大地影响了很多已有欺诈识别方法的效果。当前虽然有欠采样（Under-Sampling）或者过采样（Over-Sampling）方法用于改善这种数据不平衡问题，但是欠采样方法容易丢失重要的数据，而过采样方法容易导致模型过拟合[3]。合成少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE）在一定程度上避免了信息损失和过拟合的问题，但是会增加数据中不同类之间重叠的可能性，容易出现过度泛化的问题[4]。……