1.一种基于人工智能的异常患者识别方法，其特征在于，所述方法包括：

获取多个患者嵌入向量集合，所述患者嵌入向量集合包括：一个患者的多个收费项目对应的收费项目名称嵌入向量、收费项目类型嵌入向量和收费项目费用嵌入向量；

分别将每个所述患者嵌入向量集合输入目标患者行为学习模型进行患者行为学习，得到所述多个患者嵌入向量集合各自对应的患者行为向量，所述目标患者行为学习模型包括：输入层、12层编码器、输出层；

获取标识符号位置，根据所述标识符号位置，分别对每个所述患者行为向量进行向量提取，得到所述多个患者嵌入向量集合各自对应的待聚类的行为向量；

采用DBSCAN聚类算法，对所有所述待聚类的行为向量进行聚类，得到多个患者行为向量聚类集合，根据所述多个患者行为向量聚类集合进行异常患者检测，得到异常患者行为向量集合；

根据所述异常患者行为向量集合进行异常患者确定，得到异常患者集合；

所述分别将每个所述患者嵌入向量集合输入目标患者行为学习模型进行患者行为学习，得到所述多个患者嵌入向量集合各自对应的患者行为向量的步骤之前，还包括：获取多个患者训练样本，所述患者训练样本包括：患者嵌入向量样本数据、患者行为标定向量和总费用分类标定向量；

从所述多个患者训练样本中提取一个所述患者训练样本，作为目标患者训练样本；

采用随机算法和预设比例，根据所述目标患者训练样本进行隐藏的所述收费项目的确定，得到隐藏收费项目集合；

针对所述目标患者训练样本的所述患者嵌入向量样本数据，进行所述隐藏收费项目集合中的每个所述收费项目对应的嵌入向量隐藏，得到隐藏后的患者嵌入向量样本数据；

根据所述目标患者训练样本的所述患者行为标定向量，进行所述隐藏收费项目集合中的每个所述收费项目对应的标定向量提取，得到目标标定向量；

采用未隐藏的所有所述收费项目的嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和待训练的患者行为学习模型进行患者行为学习，得到第一训练向量；

采用与隐藏的所述收费项目的类型相同的所有所述收费项目的样本嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和所述待训练的患者行为学习模型进行患者行为学习，确定第二训练向量；

根据所述标识符号位置、所述隐藏后的患者嵌入向量样本数据、所述待训练的患者行为学习模型、全连接层和softmax层进行总费用分类预测，得到总费用分类概率训练向量；

将所述目标标定向量、所述第一训练向量、所述第二训练向量、所述总费用分类概率训练向量、所述目标患者训练样本的所述总费用分类标定向量输入损失函数进行计算，得到目标损失值，根据所述目标损失值，更新所述待训练的患者行为学习模型、所述全连接层和所述softmax层的参数，将更新后的所述待训练的患者行为学习模型被用于下一次计算所述第一训练向量、所述第二训练向量，将更新后的所述待训练的患者行为学习模型、所述全连接层和所述softmax层被用于下一次计算所述总费用分类概率训练向量；

重复执行所述从所述多个患者训练样本中提取一个所述患者训练样本，作为目标患者训练样本的步骤，直至所述目标损失值达到第一收敛条件或迭代次数达到第二收敛条件，将所述目标损失值达到所述第一收敛条件或迭代次数达到所述第二收敛条件的所述待训练的患者行为学习模型，确定为所述目标患者行为学习模型。

2.根据权利要求1所述的基于人工智能的异常患者识别方法，其特征在于，所述采用未隐藏的所有所述收费项目的嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和待训练的患者行为学习模型进行患者行为学习，得到第一训练向量，采用与隐藏的所述收费项目的类型相同的所有所述收费项目的样本嵌入向量进行隐藏的所述收费项目的患者行为学习的方法，根据所述隐藏后的患者嵌入向量样本数据和所述待训练的患者行为学习模型进行患者行为学习，确定第二训练向量，根据所述标识符号位置、所述隐藏后的患者嵌入向量样本数据、所述待训练的患者行为学习模型、全连接层和softmax层进行总费用分类预测，得到总费用分类概率训练向量的步骤，包括：将所述隐藏后的患者嵌入向量样本数据输入所述待训练的患者行为学习模型进行患者行为学习，得到待分析的患者行为训练向量；

从所述待分析的患者行为训练向量中，进行所述隐藏收费项目集合中的每个所述收费项目对应的训练向量提取，得到所述第一训练向量；

从所述隐藏收费项目集合中提取一个所述收费项目，作为待学习的收费项目；

针对所述隐藏后的患者嵌入向量样本数据，进行与所述待学习的收费项目的类型不相同的所有所述收费项目的嵌入向量隐藏，得到待分析患者嵌入向量样本数据；

将所述待分析患者嵌入向量样本数据输入所述待训练的患者行为学习模型进行患者行为学习，得到同类预测患者行为训练向量；

从所述同类预测患者行为训练向量中，提取出所述待学习的收费项目对应的训练向量，得到所述待学习的收费项目对应的待计算训练向量；

重复执行所述从所述隐藏收费项目集合中提取一个所述收费项目，作为待学习的收费项目的步骤，直至确定所述隐藏收费项目集合中所有所述收费项目各自对应的所述待计算训练向量；

将所有所述待计算训练向量，作为所述第二训练向量；

从所述待分析的患者行为训练向量中，进行所述标识符号位置对应的训练向量提取，得到标识符号训练向量；

将所述标识符号训练向量依次输入所述全连接层和所述softmax层进行总费用分类预测，得到所述总费用分类概率训练向量。

3.根据权利要求1所述的基于人工智能的异常患者识别方法，其特征在于，所述将所述目标标定向量、所述第一训练向量、所述第二训练向量、所述总费用分类概率训练向量、所述目标患者训练样本的所述总费用分类标定向量输入损失函数进行计算，得到目标损失值的步骤，包括：将所述目标标定向量、所述第一训练向量输入第一交叉熵损失函数进行计算，得到第一损失值；

将所述目标标定向量、所述第二训练向量输入第二交叉熵损失函数进行计算，得到第二损失值；

将所述总费用分类概率训练向量、所述目标患者训练样本的所述总费用分类标定向量输入第三交叉熵损失函数进行计算，得到第三损失值；

将所述第一损失值、所述第二损失值和所述第三损失值进行相加计算，得到所述目标损失值。

4.根据权利要求1所述的基于人工智能的异常患者识别方法，其特征在于，所述分别将每个所述患者嵌入向量集合输入目标患者行为学习模型进行患者行为学习，得到所述多个患者嵌入向量集合各自对应的患者行为向量的步骤，包括：从所述多个患者嵌入向量集合中获取一个患者嵌入向量集合，得到目标患者嵌入向量集合；

将所述目标患者嵌入向量集合输入所述目标患者行为学习模型的所述输入层；

采用所述目标患者行为学习模型的所述输入层，对所述目标患者嵌入向量集合的所述收费项目名称嵌入向量、所述收费项目类型嵌入向量和所述收费项目费用嵌入向量进行向量相加计算，得到待拼接向量；

采用所述目标患者行为学习模型的所述输入层，将标识符号和所述待拼接向量进行依次拼接，得到目标待分析向量；

采用所述目标患者行为学习模型的12层所述编码器，对所述目标待分析向量进行编码学习，得到目标编码向量；

采用所述目标患者行为学习模型的所述输出层，对所述目标编码向量进行向量输出，得到所述目标患者嵌入向量集合对应的所述患者行为向量；

重复执行所述从所述多个患者嵌入向量集合中获取一个患者嵌入向量集合，得到目标患者嵌入向量集合的步骤，直至确定所述多个患者嵌入向量集合各自对应的所述患者行为向量。

5.根据权利要求1所述的基于人工智能的异常患者识别方法，其特征在于，所述采用DBSCAN聚类算法，对所有所述待聚类的行为向量进行聚类，得到多个患者行为向量聚类集合，根据所述多个患者行为向量聚类集合进行异常患者检测，得到异常患者行为向量集合的步骤，包括：获取预设聚类参数半径和形成高密度区域所需要的预设最少向量数；

基于所述预设最少向量数和欧氏距离算法，采用所述DBSCAN聚类算法，将所有所述待聚类的行为向量进行聚类，得到多个患者行为向量聚类集合；

采用所述预设聚类参数半径，分别对每个所述患者行为向量聚类集合建立聚簇轮廓，得到所述多个患者行为向量聚类集合各自对应的目标聚簇轮廓；

基于所述多个患者行为向量聚类集合各自对应的所述目标聚簇轮廓，对所述多个患者行为向量聚类集合进行异常患者检测，得到所述异常患者行为向量集合。

6.根据权利要求5所述的基于人工智能的异常患者识别方法，其特征在于，所述基于所述多个患者行为向量聚类集合各自对应的所述目标聚簇轮廓，对所述多个患者行为向量聚类集合进行异常患者检测，得到所述异常患者行为向量集合的步骤，包括：从所述多个患者行为向量聚类集合中提取出一个所述待聚类的行为向量，作为待检测对象；

从所述多个患者行为向量聚类集合各自对应的所述目标聚簇轮廓中提取一个所述目标聚簇轮廓，作为待检测聚簇轮廓；

判断所述待检测对象与所述待检测聚簇轮廓对应的所述患者行为向量聚类集合的所有核心点是否密度可达，得到所述待检测聚簇轮廓对应的密度可达结果；

重复执行所述从所述多个患者行为向量聚类集合各自对应的所述目标聚簇轮廓中提取一个所述目标聚簇轮廓，作为待检测聚簇轮廓的步骤，直至确定所有所述目标聚簇轮廓各自对应的所述密度可达结果；

当所有所述密度可达结果均为密度不可达时，确定所述待检测对象对应的所述待聚类的行为向量为异常患者行为向量；

重复执行所述从所述多个患者行为向量聚类集合中提取出一个所述待聚类的行为向量，作为待检测对象的步骤，直至完成所述多个患者行为向量聚类集合中所有所述待聚类的行为向量的提取；

将所有所述异常患者行为向量，作为所述异常患者行为向量集合。

7.一种基于人工智能的异常患者识别装置，其特征在于，所述装置包括：

嵌入向量获取模块，用于获取多个患者嵌入向量集合，所述患者嵌入向量集合包括：一个患者的多个收费项目对应的收费项目名称嵌入向量、收费项目类型嵌入向量和收费项目费用嵌入向量；

患者行为学习模块，用于分别将每个所述患者嵌入向量集合输入目标患者行为学习模型进行患者行为学习，得到所述多个患者嵌入向量集合各自对应的患者行为向量，所述目标患者行为学习模型包括：输入层、12层编码器、输出层；

向量提取模块，用于获取标识符号位置，根据所述标识符号位置，分别对每个所述患者行为向量进行向量提取，得到所述多个患者嵌入向量集合各自对应的待聚类的行为向量；

异常患者检测模块，用于采用DBSCAN聚类算法，对所有所述待聚类的行为向量进行聚类，得到多个患者行为向量聚类集合，根据所述多个患者行为向量聚类集合进行异常患者检测，得到异常患者行为向量集合；

异常患者集合确定模块，用于根据所述异常患者行为向量集合进行异常患者确定，得到异常患者集合。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。