到對應的FT化參數： 陽0巧]對于特征項Ml來說，通過其特征值進行hash索引在W□數組中找到對應的hash(Ml)數組下標，該數組下標對應的W比ash(Ml)]即為Μ對應的FT化參數；
[0096] 對每個特征項的特征值通過hash索引找到對應的FM參數：
[0097] 對與特征項Ml來說，通過其特征值進行hash索引在FM□數組中找到對應的 hash(Ml)數組下標，該數組下標對應的FM比ash(Ml)]即為Ml對應的FM參數。 陽09引找出選訓練數據Μ中每個特征項的FT化參數和FM參數后，將所有的FT化參數相 加得到參數hi;
[0099] 訓練數據Μ中相鄰特征項的FM參數相乘，再將所有得到的乘積進行求和，得到參 數h2,（即將訓練數據中第i個特征項的FM參數與第i+1個特征項的FM參數相乘，在將所 有乘積疊加可得參數s2)
[0100] 例如，某條訓練數據有5個特征項，將5個特征項對應的FT化參數分別找出并相 加就能夠得到hi;將5個特征項的FM參數分別找出，并將第一個特征項的FM參數與第二 個特征項的FM參數相乘，將第二個特征項的FM參數與第Ξ個特征項的FM參數相乘，將第 Ξ個特征項的FM參數與第四個特征項的FM參數相乘，將第四個特征項的FM參數與第五個 特征項的FM參數相乘，再將四個乘積的和加起來即可得到參數h2 ;
[0101] 得到參數hi和參數h2后，將hi和h2相加得到參數S;利用公式
即可求出檢測值y。
[0102] S23.計算檢測值y與標簽X之間的差值，記為損失β= |x-y|，利用損失β= x-y|對訓練模型的參數進行調整； 陽103] 具體來說，是對當前訓練數據的每一條特征項對應的FT化參數和FM參數進行調 整，在調整過程中采用梯度下降思想： 陽104] W'比ash(Mi)]=W比ash(Mi)]-a*e，調整后的FT化參數W'比ash(Mi)]等于： 調整前的FT化參數W比ash(Ml)]減去a與β的乘積。 陽1〇5] FM'比ash(Mi)] =FM比ash(Mi)]-a*e沖Μ比ash(Mi)]，調整后的FM參數等于，調 整前的FM參數減去調整前的FM參數、a與βΞ者的乘積。 陽106] 其中a采用在線自適應方法，其值為η表示當前模型已經學習的訓練數據條 數。 陽107] 進一步地，作為優(yōu)選方案，在每次調整FT化參數和FM參數的過程中，可W考慮引 入L1正則化思想來進行調整：（引入q□數組與z[]) 陽10引
[0109] 式中，式中丫1為Li正則闊值，α為學習率控制系數，可W自行設置；q比ash(Mi)] 引入的q□數組中對應于W比ash(Ml)]的參數；Z比ash(Ml)]為引入的Z□數組中對應于 W比ash(Ml)]的參數；q比ash(Ml)]與Z比ash(Ml)]初始化為 0 ;Clash(Ml)為q[]，z□和W[] Ξ個數組中對應參數的q[hash(Mi) ]、z比ash(Mi) ]、W[hash(Mi)]的數組下標）。
[0110] 在每次調節(jié)過程中，除了調整對應的W比ash(Mi)]，還需要調節(jié)q比ash(Mi)]和 Z比ash(Ml)](作為下一次調整的基礎參數來使用）：
[0111] 調節(jié)后的q比ash(Mi)]參數等于調節(jié)前的q比ash(Mi)]參數加上β2: 陽11引 q'比ash (Mi) ] = q比ash (Mi) ] + β 2;
[0113] 引入中間參1
表示累加學習變 換率. 陽114] Ζ'比ash(Mi) ] =Ζ[hash(Mi) ] +β-σ*W比ash(Mi)];即調整后的Ζ[hash(Mi)]參 數等于調節(jié)前的z[hash(Mi)]參數加上β，再減去σ與調節(jié)前W[hash(Mi)]的乘積。 陽11引FM參數的調整同理，不再詳細說明。
[0116] S24.計算當前訓練模型的成熟度，作為在線學習階段模型成熟的依據；判斷訓練 模型的成熟度是否滿足預設條件：
[0117] (1)訓練模型成熟度滿足條件時，定義認為模型訓練成熟，即可W使用，同時保存 成熟模型的參數，訓練結束；
[0118] (2)訓練模型成熟度不滿足條件時，保存當前的模型并且跳轉至步驟S22,再次從 待訓練數據集中提取數據，在保存的當前模型的基礎上繼續(xù)進行訓練。 陽119] 成熟度的計算公式為ma化re=ε*rate,ma化re表示當前模型的成熟度，ε表示 式中的因子權重，可W通過配置軟件進行設定；rate表示模型的準確率，表示樣本檢測值 與實際值的評估之間的差距。
[0120] 預設條件指的是預先設定的成熟值，當計算得到的成熟度達到或者超過該值時， 認為訓練模型成熟度滿足條件；如成熟度標準設定為0. 8時，當成熟度達到或者超過0. 8就 認為模型成熟度滿足條件。
[0121] 進一步地，成熟度的計算可W將準確率與log函數損失的權重組合來進行： ma1:ure=ε*rate+(l-ε)loss;loss為log函數的損失。
[0122] 如圖4所示，所述的步驟S3包括W下子步驟： 陽123] S31.讀取成熟的模型參數初始化相應模型，生成模型實例；
[0124] S32.將當前待檢測醫(yī)保數據輸入模型實例；
[01巧]S33.模型實例檢測當前輸入的醫(yī)保數據，得到當前醫(yī)保數據的檢測值，使用檢測 值標記當前輸入的醫(yī)保數據；
[01%] 具體而言，模型實例檢測當前醫(yī)保數據得到檢測值的方法，和步驟S22中訓練模 型檢測訓練數據的方法一致，具體過程為： 陽127] 將待測醫(yī)保數據M'輸入模型實例中時：待測醫(yī)保數據M' -般具有多個特征項 Ml'，在該條待測醫(yī)保數據中，每個特征項Ml'對應一個確定的特征值，即每個數據特征項 對應一個FT化參數和一個FM參數；
[0128] 對每個特征項Ml'的特征值通過hash索引找到對應的FT化參數：
[0129] 對于特征項Ml'來說，通過其特征值進行hash索引在W□數組中找到對應的 hash(Ml')數組下標，該數組下標對應的W比ash(Ml')]即為Ml'對應的FT化參數；
[0130] 對每個特征項Ml'的特征值通過hash索引找到對應的FM參數：
[0131] 對與特征項Ml'來說，通過其特征值進行hash索引在FM□數組中找到對應的 hash(Ml')數組下標，該數組下標對應的FM比ash(Ml')]即為Ml'對應的FM參數。 陽13引找出待測醫(yī)保數據Μ'中每個特征項的FT化參數和FM參數后，將所有的FT化參 數相加得到參數hi';
[013引待測醫(yī)保數據M'中相鄰特征項的FM參數相乘，再將所有得到的乘積進行求和， 得到參數h2'; 陽134] 得到參數hi'和參數hi'后，將hi'和hi'相加得到參數U;利用公式
巧可求出檢測值待測醫(yī)保數據M'的檢測值y'; 陽135] 判斷當前醫(yī)保數據M'的檢測值y'的大?。?陽136] (1)如果y' > 0. 5,更新y'，更新后的y' = 1 ; 陽137] 似如果y' <0.5,更新y'，更新后的y' =0;
[013引再利用更新后的檢測值y'標記當前醫(yī)保數據M'。
[0139] S34.根據當前醫(yī)保數據的檢測值，判斷醫(yī)保數據是否異常（若y' =0,數據正常， y' = 1代表數據異常）：
[0140] (1)醫(yī)保數據正常，跳轉至步驟S35 ; 陽141] (2)醫(yī)保數據異常，將當前的醫(yī)保數據存儲到異常數據庫中，并跳轉至步驟S35 ; 陽142] S35.依次輸入所有待檢測的醫(yī)保數據，每次輸入數據后重復進行步驟S32~步驟 S34，直到沒有待檢測醫(yī)保數據輸入為止。
[0143] 步驟S12中所述的數據篩選器采用DBSCAN聚類算法進行構造。
【主權項】
1. 一種醫(yī)療保險異常數據在線智能檢測方法，其特征在于：包括以下步驟：5