检索结果-南通市图书馆

检索条件"主题词=梯度下降决策树"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基本医疗保险欺诈识别算法研究

基本医疗保险欺诈识别算法研究

引用

作者：张烜晗燕山大学

学位级别：硕士

近年来,全民医保已经基本实现,随之而来的就是医疗保险服务的监控形势面临更严峻的挑战,即基本医疗保险(简称“医保”)欺诈骗保的案例急剧增多,给国家财产带了巨大损失的同时也损害了社会的公平性和医疗的保障性。为了能够加强对门诊、... 详细信息

近年来,全民医保已经基本实现,随之而来的就是医疗保险服务的监控形势面临更严峻的挑战,即基本医疗保险(简称“医保”)欺诈骗保的案例急剧增多,给国家财产带了巨大损失的同时也损害了社会的公平性和医疗的保障性。为了能够加强对门诊、住院,购药等各医疗服务环节的高效智能监控,国家人社部门采取了诸多手段,包括了人工诊疗规则筛查、专家介入和数据比对等,这些方法都取得了一定的成果,但是由于技术手段比较落后,还存在着很大的局限性。因此能否结合新的特征提取方法和模型融合技术来有效解决基本医疗保险欺诈骗保行为的识别问题(简称医保欺诈识别)便成为了本文研究的出发点。首先,针对基本医疗保险欺诈识别场景中传统方法提取的特征不完善,本文提出了基于行为相似度和多类别算法的二次特征提取方法,该方法在传统特征提取基础上将模型训练过程中产生的中间结果作为统计特征,其中多类别算法包括多项式组合,Boosting树模型叶子节点特征提取以及基于Word2vec的embedding特征提取。该方法有效避免了传统特征提取方法的特征生成质量不高的问题,达到了为后续预测模型提供完善而高质量特征的效果,以保证预测性能的大幅提升。其次,针对医疗保险欺诈识别场景中类比分布不平衡问题,本文摒弃传统的过采样,降采样以及再缩放等技术手段,提出了基于样本占比均衡化思想的样本划分方法,充分利用已有样本信息,达到了样本占比均衡的效果,避免了过拟合的问题。再次,基于前面提出的特征提取方法和新的样本划分策略,本文提出了一种新的模型融合算法(THBagging)以解决传统医保欺诈识别方法的识别率低和自动化程度弱的问题。该方法具有两层算法结构,利用多组基于Boosting的树模型算法进行融合,不仅克服了已有方法算法结构不合理的缺点,还有效提升了识别方法的智能性,最终达到了提升基本医保欺诈识别准确率的效果。最后,在由阿里巴巴天池大数据竞赛平台和中国社会保险协会联合提供真实的基本医疗保险数据集上对本文所提出的以上方法进行了性能验证和对比分析,并给出了结论。

关键词：医疗保险欺诈识别特征提取模型融合梯度下降决策树

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于联邦学习的DDoS攻击检测方法研究

基于联邦学习的DDoS攻击检测方法研究

引用

作者：吴斯东南大学

学位级别：硕士

随着5G和物联网的普及,网络流量以及连接设备数量大幅度增长,网络中出现的分布式拒绝服务攻击的威胁也越来越严重。目前业界为了缓解DDoS攻击给中心服务器的带宽压力,通过部署服务器集群的方式对主网流量进行分流处理。尽管这种方式行... 详细信息

随着5G和物联网的普及,网络流量以及连接设备数量大幅度增长,网络中出现的分布式拒绝服务攻击的威胁也越来越严重。目前业界为了缓解DDoS攻击给中心服务器的带宽压力,通过部署服务器集群的方式对主网流量进行分流处理。尽管这种方式行之有效,但传统的检测方法仅仅关注单个节点的流量特征,无法刻画集群下的全局流量特征关系,造成模型泛化性不足;如果将各个边缘节点流量汇入至中心服务器进行检测,又将极大增加中心服务器的通信开销和计算压力,也无法保证流量数据的隐私安全。联邦学习技术为该环境下的DDoS攻击检测提供了新的思路。联邦学习作为一种分布式机器学习技术,只需对各个参与者模型的参数进行交互即可共同建立全局模型。该方法不仅保证数据隐私安全,还能以较小的通信开销实现各个数据源的联合训练。对此,本文提出了基于联邦学习的DDoS攻击检测方法,该方法通过联邦学习实现DDoS攻击检测模型的联合训练,以较小的通信开销实现多参与者环境下对各个节点DDoS攻击的检测和分类,该方法主要包括以下几点内容:(1)针对DDoS攻击检测面临的海量通信开销和隐私安全问题,提出了联邦学习DDoS攻击检测框架。该联邦学习框架提供了DDoS流量数据集的构建方法,对各个节点流量数据进行统一特征提取,并通过全局标准化的方式对各参与者的数据进行预处理,然后根据联邦学习的训练环境设计了统一的模型参数更新方法,并提出联邦学习环境下基于MLP的DDoS检测算法。实验结果表明,本文提出的联邦学习DDoS检测框架在6个参与者的环境下,仅需8.3MB的通信开销即可进行一轮联邦学习训练,能实现多个参与者DDoS攻击检测模型的联合训练。(2)针对联邦学习DDoS攻击检测框架由于数据分布不同造成的模型性能瓶颈问题,提出了基于联邦树型编码的DDoS攻击检测方法。该方法利用GBDT分类模型作为特征数据的编码器,通过一轮联邦学习的交互构建全局GBDT特征编码器;接着通过GBDT编码的方式的对各个参与者原始的测试样本数据进行特征编码生成新的特征向量,并将该新的编码特征作为联邦学习下的MLP多分类模型的输入,以提升联邦学习DDoS检测模型的泛化能力。实验结果表明,该方法在联邦学习DDoS检测框架下对正常流量和十种DDoS攻击流量分类准确率达92.47%,并且模型仅需102轮的联邦学习训练即可收敛,可以有效缓解数据分布不同造成的模型性能损失。(3)根据上述方法,本文设计并实现了基于联邦学习的DDoS攻击检测方法的原型系统,该系统包括数据预处理模块、联邦学习DDoS检测算法模块、联邦学习通信模块和参数更新算法模块。本文最后对设计实现的系统进行了界面展示、实际功能的验证以及系统性能的测试。

关键词： DDoS攻击检测通信开销联邦学习 MLP模型梯度下降决策树

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于电子商务用户行为的同义词识别

基于电子商务用户行为的同义词识别

引用

作者：张书娟哈尔滨工业大学

学位级别：硕士

随着互联网的发展,电子商务逐步发展起来,因此为个人和企业提供网上交易的电子商务平台应运而生。电子商务平台需要准确理解买方的搜索意图,并展现出相应的商品。为达到这个目标,电子商务平台逐步转入语义关系的研究,而同义关系是语义... 详细信息

随着互联网的发展,电子商务逐步发展起来,因此为个人和企业提供网上交易的电子商务平台应运而生。电子商务平台需要准确理解买方的搜索意图,并展现出相应的商品。为达到这个目标,电子商务平台逐步转入语义关系的研究,而同义关系是语义关系不可或缺的一部分。电子商务领域的同义词是指对同一事物或者概念的不同表达,即在商品描述检索中可以相互替换的词,有新词多、错别字多、定义严格的特点。这些特点使得现有同义词识别方法在电子商务领域效果不显著,同时给同义词的识别带来更大的困难。本文重点研究电子商务中卖方用户和买方用户行为特点,提出了基于电子商务用户行为的候选同义词集合产生方法,包括候选集合的获取和过滤两部分。一方面通过并列关系的符号切分标题从标题中获取候选集合,另一方面通过SimRank思想聚集查询从查询中获取候选集合。之后将候选集合分为中文-中文词对和英文-中文词对两大类。最后对中文-中文词对运用一系列的规则进行过滤,对英文-中文词对运用同义概率进行过滤。在候选集合生成之后,就进行同义词的识别。根据电子商务中英文-中文同义词的特点,提出了读音相似度法、谷歌翻译法、同义概率法等三种识别英文-中文同义词的方法。并重点研究了用于机器学习方法的特征提取,特别是标题、查询、点击等体现用户行为的特征的提取,并运用梯度下降决策树模型和支持向量机模型来进行同义词的识别。实验表明,读音相似度法可以有效识别音译的英文-中文同义词,谷歌翻译法可以有效识别意译的英文-中文同义词,同义概率法可以有效识别高频出现的英文-中文同义词。在梯度下降决策树模型中,加入标题、查询、点击等用户行为特征比单独使用字面特征准确率提高了约25%,召回率提高了约24%,F值提高了约30%。对比梯度下降决策树模型和支持向量机模型发现前者在各个方面效果都好于后者。

关键词：同义词识别用户行为电子商务梯度下降决策树支持向量机

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：