药店风险等级识别模型生成方法及药店风险等级识别方法与流程

技术特征：
1.一种药店风险等级识别模型生成方法，其特征在于，包括：采集多个药店的历史业务行为数据，得到第一样本数据集，其中，所述历史业务行为数据包括多个风险特征属性；基于所述第一样本数据集中的样本数量和多个所述药店的历史风险等级标签，确定所述第一样本数据集的第一信息熵；基于样本数据子集和所述历史风险等级标签来处理所述第一信息熵，得到所述样本数据子集的信息增益率，其中，所述第一样本数据集包括多个所述样本数据子集，多个所述样本数据子集与多个所述风险特征属性一一对应；基于与多个所述风险特征属性一一对应的多个信息增益率，确定多个风险权值；以及基于贝叶斯算法，利用多个所述风险权值和所述历史风险等级标签来生成风险等级识别模型。2.根据权利要求1所述的方法，其特征在于，所述基于样本数据子集和所述历史风险等级标签来处理所述第一信息熵，得到所述样本数据子集的信息增益率，包括：对于每个所述样本数据子集，基于所述样本数据子集和所述历史风险等级标签来确定所述样本数据子集的第二信息熵和所述样本数据子集针对所述第一样本数据集的条件熵；基于所述条件熵和所述第一信息熵，确定所述样本数据子集的信息增益；以及基于所述样本数据子集的信息增益和所述第二信息熵，确定所述样本数据子集的信息增益率。3.根据权利要求1所述的方法，其特征在于，还包括：对所述第一样本数据集进行数据增强处理，得到第二样本数据集；其中，所述基于所述第一样本数据集中的样本数量和多个所述药店的历史风险等级标签，确定所述第一样本数据集的第一信息熵，包括：基于所述第二样本数据集中的样本数量和多个所述药店的历史风险等级标签，确定所述第二样本数据集的第一信息熵；其中，所述样本数据子集中包括所述第二样本数据集中与每个所述风险特征属性对应的样本。4.根据权利要求1所述的方法，其特征在于，还包括：确定所述第一样本数据集中包含的样本数量；以及在所述样本数量大于第一预设阈值的情况下，利用所述第一样本数据集来训练初始网络模型，以生成所述风险等级识别模型。5.根据权利要求4所述的方法，其特征在于，所述利用所述第一样本数据集来训练初始网络模型，以生成所述风险等级识别模型，包括：对所述第一样本数据集进行数据增强处理，得到第二样本数据集；对所述第二样本数据集中的样本数据作归一化处理，得到第三样本数据集；以及基于预设学习参数，利用所述第三样本数据集来训练所述初始网络模型，得到所述风险等级识别模型。6.根据权利要求3或5所述的方法，其特征在于，所述对所述第一样本数据集进行数据增强处理，得到第二样本数据集，包括：对所述第一样本数据集中的样本进行分类，得到属于第一类别的多个第一样本和属于
第二类别的多个第二样本，其中，所述第一类别的样本数量大于所述第二类别的样本数量；对于每个所述第二样本，利用k近邻算法从所述第一样本数据集中确定多个第三样本；根据多个所述第三样本所属的类别，基于所述第二样本生成至少一个第四样本；以及基于多个所述第一样本和多个所述第四样本，生成所述第二样本数据集。7.根据权利要求6所述的方法，其特征在于，所述根据多个所述第三样本所属的类别，基于所述第二样本生成至少一个第四样本，包括：在多个所述第三样本中属于所述第一类别的样本数量小于第二预设阈值的情况下，确定所述第四样本为所述第二样本；在多个所述第三样本中属于所述第一类别的样本数量大于或等于所述第二预设阈值的情况下，从所述第三样本中确定至少一个第五样本；以及基于至少一个所述第五样本和所述第二样本来生成至少一个所述第四样本。8.根据权利要求4所述的方法，其特征在于，所述基于所述第一样本数据集中的样本数量和多个所述药店的历史风险等级标签，确定所述第一样本数据集的第一信息熵，包括：在所述样本数量小于或等于所述第一预设阈值的情况下，基于所述第一样本数据集中的样本数量和多个所述药店的历史风险等级标签，确定所述第一样本数据集的第一信息熵。9.根据权利要求1所述的方法，其特征在于，所述基于贝叶斯算法，利用多个所述风险权值和所述历史风险等级标签来生成风险等级识别模型，包括：基于多个所述药店的历史风险等级标签，确定多个所述风险等级中每个所述风险等级的历史概率；对于每个所述风险等级，基于多个所述药店的历史风险等级标签，确定多个所述风险特征属性中每个所述风险特征属性的后验概率；以及基于贝叶斯算法，利用多个所述风险权值、多个所述历史概率和多个所述后验概率来生成所述风险等级识别模型。10.一种药店风险等级识别方法，其特征在于，包括：采集目标药店的目标业务行为数据，得到第一目标数据集；以及利用风险等级识别模型来处理所述第一目标数据集，得到所述目标药店的风险等级识别结果；其中，所述风险等级识别模型包括使用如权利要求1~9中任一项所述的药店风险等级识别模型生成方法来生成的。11.根据权利要求10所述的方法，其特征在于，所述风险等级识别模型包括风险等级识别概率模型或风险等级识别网络模型。12.根据权利要求11所述的方法，其特征在于，所述目标业务行为数据包括多个风险特征属性；其中，所述利用风险等级识别模型来处理所述第一目标数据集，得到所述目标药店的风险等级识别结果，包括：在所述风险等级识别模型为风险等级识别概率模型的情况下，从所述风险等级识别概率模型中获取与多个所述风险特征属性一一对应的多个风险权值、多个历史概率和多个后验概率，其中，所述历史概率包括多个所述风险等级中每个所述风险等级的历史概率，所述
后验概率包括多个所述风险等级的每个所述风险等级下，多个所述风险特征属性中每个所述风险特征属性的后验概率；对于每个所述风险等级，基于所述风险等级下的与多个所述风险特征属性一一对应的多个后验概率和所述第一目标数据集，确定与多个所述风险特征属性一一对应的多个条件概率；利用多个所述风险权值来对多个所述条件概率进行加权求和，得到所述风险等级的最大后验概率；以及基于分别与多个所述风险等级对应的多个所述最大后验概率，确定所述风险等级识别结果。13.根据权利要求11所述的方法，其特征在于，所述利用风险等级识别模型来处理所述第一目标数据集，得到所述目标药店的风险等级识别结果，包括：在所述风险等级识别模型为风险等级识别网络模型的情况下，对所述第一目标数据集作归一化处理，得到第二目标数据集；以及将所述第二目标数据集输入所述风险等级识别网络模型中，得到所述风险等级识别结果。14.一种药店风险等级识别模型生成装置，其特征在于，包括：第一采集模块，用于采集多个药店的历史业务行为数据，得到第一样本数据集，其中，所述历史业务行为数据包括多个风险特征属性；第一确定模块，用于基于所述第一样本数据集中的样本数量和多个所述药店的历史风险等级标签，确定所述第一样本数据集的第一信息熵；第一处理模块，用于基于样本数据子集和所述历史风险等级标签来处理所述第一信息熵，得到所述样本数据子集的信息增益率，其中，所述第一样本数据集包括多个所述样本数据子集，多个所述样本数据子集与多个所述风险特征属性一一对应；第二确定模块，用于基于与多个所述风险特征属性一一对应的多个信息增益率，确定多个风险权值；以及第一生成模块，用于基于贝叶斯算法，利用多个所述风险权值和所述历史风险等级标签来生成风险等级识别模型。15.一种药店风险等级识别装置，其特征在于，包括：第二采集模块，用于采集目标药店的目标业务行为数据，得到第一目标数据集；以及第二处理模块，用于利用风险等级识别模型来处理所述第一目标数据集，得到所述目标药店的风险等级识别结果；其中，所述风险等级识别模型包括使用如权利要求1~9中任一项所述的药店风险等级识别模型生成方法来生成的。16.一种电子设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至9或权利要求10~13中任一项所述的方法。17.一种计算机可读存储介质，其特征在于，其上存储有可执行指令，所述可执行指令
被处理器执行时使处理器实现权利要求1至9或权利要求10~13中任一项所述的方法。

技术总结
本申请提供了一种药店风险等级识别模型生成方法及药店风险等级识别方法，可以应用于药品风险监管技术领域。药店风险等级识别模型生成方法包括：采集多个药店的历史业务行为数据，得到第一样本数据集；基于第一样本数据集中的样本数量和多个药店的历史风险等级标签，确定第一样本数据集的第一信息熵；基于样本数据子集和历史风险等级标签来处理第一信息熵，得到样本数据子集的信息增益率；基于与多个风险特征属性一一对应的多个信息增益率，确定多个风险权值；以及基于贝叶斯算法，利用多个风险权值和历史风险等级标签来生成风险等级识别模型。利用本申请的技术方案可以有效降低药店风险等级识别的实施成本，提高风险等级识别精度。精度。精度。


技术研发人员：罗安 周聪俊 史鹏翔 许春霞 徐明 何进
受保护的技术使用者：四川骏逸富顿科技有限公司
技术研发日：2022.11.29
技术公布日：2022/12/30