1.一种基于动态就医行为对齐的医保欺诈发现方法，其特征在于，包括以下步骤：(1)获取基本医疗场景数据，以基本医疗场景数据中实体信息为节点，以实体之间关系为连边，构建静态医保知识图网络后，获得静态医保知识图网络的邻接矩阵，并利用增加有残差思想的多层图卷积网络对邻接矩阵进行多次图卷积操作，获得静态医保知识图网络中每个实体信息的特征表示；

(2)针对包含有多种实体信息的动态就医行为，根据该动态就医行为包含实体信息的特征表示构建该动态就医行为的特征表示，并对动态就医行为的特征表示映射为固定长度后作为LSTM的输入；

(3)利用参数确定的LSTM提取动态就医行为的特征表示在时间上的关联特征，对关联特征编码解码后，利用softmax函数获得检测结果。

2.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，步骤(1)中，多层图卷积网络中，采用以下公式对邻接矩阵进行多次图卷积操作：其中，fk表示第k次图卷积操作的输出，即实体信息的特征表示，fk-1表示第k-1次图卷积操作的输出，Wk,bk表示图卷积网络的网络参数，λ是超参数，取值范围为0～1，用于控制fk-1有多少信息直接输出到下一次图卷积操作，σ(·)表示激活函数，A为静态医保知识图网络0

的邻接矩阵，IN表示与A阶数相等的单位矩阵，D表示矩阵 的度值矩阵；f 为节点的初始特征。

3.如权利要求1或2所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，所述增加有残差思想的多层图卷积网络的网络参数通过以下方式优化：对多层图卷积网络的输出进行归一化处理：

Z＝softmax(fk)

其中，Z表示归一化处理结果，softmax(·)表示softmax函数，fk表示第k次图卷积操作的输出；

根据损失函数L更新多层图卷积网络的网络参数：

其中，yL表示有标签的节点集合，F表示节点标签种类集合，i和j分别为实体信息和标签的索引，Yij表示第i个实体信息的第j类标签。

4.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，步骤(2)中，根据以下公式构建动态就医行为的特征表示：其中， 表示动态就医行为sln的初始特征表示，pl表示动态就医行为sln包含的第i个实体信息，m为自然数，表示实体信息的总个数，N(sln)表示动态就医行为包含的实体信息集合， 表示动态就医行为sln包含的第i个实体信息的特征表示， 表示动态就医行为sln的特征表示。

5.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，步骤(2)中，采用hash函数对动态就医行为的特征表示映射为固定长度，以实现对动态就医行为的特征表示的对齐。

6.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，所述LSTM、编码和解码的参数通过以下方式优化：将固定长度的动态就医行为的特征表示输入至LSTM中，输出隐藏层向量作为动态就医行为的特征表示在时间上的关联特征；

利用第一非线性变换函数对关联特征进行解码，压缩成低维特征并输出：

at＝σ(W1ht+b1)

其中，ht为t时刻的关联特征，at为对ht编码获得的低维特征σ(·)为非线性变换函数，用于编码操作，W1、b1为非线性变换函数σ(·)的权重参数和偏置参数；

利用第二非线性变换函数对低维特征进行解码后经过softmax函数输出动态就医行为预测结果：其中， 为解码输出特征向量，relu(·)为第二非线性变换函数，Wd、bd分别为第二非线性变换函数relu(·)的权重参数和偏置参数，σ(·)为第一非线性变换函数，W′d、b′分别为第一非线性变换函数σ(·)的权重参数和偏置参数， 为特征向量的预测结果；

根据动态就医行为的真实标签和预测结果构建损失函数Loss，通过最小化损失函数Loss来更新LSTM、编码和解码的参数，直到模型收敛。

其中，yt表示t时刻的动态就医行为的真实标签。

7.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，基本医疗场景数据中实体信息包括患者、医院、医生、科室、症状、疾病、药物、检查方式，实体信息还具有自身属性，包括医院级别、地址、患者年龄、医保类型，实体之间关系包括患者与医生之间的医治关系，患者与医院之间的就医关系，科室与医院之间的所属关系，科室与医生之间的所属关系，症状与疾病之间的表现关系，患者与症状之间的表现关系，患者与疾病之间的所患关系，患者与药物之间的实用关系。

8.如权利要求1所述的基于动态就医行为对齐的医保欺诈发现方法，其特征在于，步骤(3)中，根据静态医保知识图网络中实体信息之间的关系来构建邻接矩阵A＝(aij)n×n，n表示节点个数，aij＝1表示节点i与节点j之间存在连接关系，aij＝0表示节点i与节点j之间不存在连接关系。