CN108985912B - 数据对账 - Google Patents
数据对账 Download PDFInfo
- Publication number
- CN108985912B CN108985912B CN201810523692.6A CN201810523692A CN108985912B CN 108985912 B CN108985912 B CN 108985912B CN 201810523692 A CN201810523692 A CN 201810523692A CN 108985912 B CN108985912 B CN 108985912B
- Authority
- CN
- China
- Prior art keywords
- data
- engine
- values
- matching
- pairs
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
- G06Q40/125—Finance or payroll
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于对账的系统包括用于确定数据是结构化的还是非结构化的确定引擎、用于构造数据的数据构造引擎和用于确定第一组和第二组数据的值的配对之间的关系的规则提取引擎。该系统还包括:用于为每个值的配对生成置信度得分的匹配引擎、用于将值的配对分类为匹配配对和不匹配配对的分类引擎、用于基于用户反馈来验证配对的匹配和分类的验证引擎、和用于在一时间段内存储与匹配和分类的验证相关的细节的学习引擎。学习引擎将细节转发给规则提取引擎和分类引擎,以基于所存储的细节来确定值的后续配对之间的关系并且对这些配对进行分类。
Description
技术领域
本公开涉及智能对账操作,并且更具体地涉及用于匹配值以执行对账操作的系统和方法。
背景技术
对账是企业运营领域中的记录到报告过程中的重要过程。例如,在企业融资中,在总分类账内、在分类账与子分类账之间、在公司间分类账之间以及在多个企业资源规划(ERP)系统之间,在银行对账单与现金账户之间执行对账。
对账的目的是确保存在“单个版本的真相”。这是因为,每个会计过程通常会招致多个会计事件,并且在总分类帐的不同部分产生多个记录。可能会发生附加对账,以用于其中支付与发票对账的现金过程以及其中在发票、购买订单和接收到的货物/服务之间进行双向或三向匹配的采购到支付过程。众所周知,在双向匹配过程中,发票上的数量和金额与对应购买订单上的数量和金额相匹配。另一方面,当操作位置正在使用在线接收技术时,可以使用三向匹配过程。在三向匹配过程中,发票针对数量和金额与对应购买订单以及接收信息相匹配。
对账的根本挑战来自不同数据源之间或之中的句法和语义互操作性的缺乏。例如,不同的银行可以具有不同的银行对账单格式,或者银行可以不时地改变其对账单格式,或者实体在数据源之间可以被不同地描述。
此外,在一些对账操作中,银行对账单或总分类账条目可以对应于其对应方中的多个条目。例如,银行可以将给定日期的所有应付账款(AP)条目合并为一个单个金额。另一方面,总分类帐可以包含该特定日期的每个AP支付的细节和金额。这种情况下的挑战是确定总分类账中的交易组合,这将构成在银行对账单中反映的单个交易。这个问题类似于被称为“背包问题”的众所周知的问题,该问题属于NP完全问题的类别。如本领域普通技术人员所理解的,NP完全问题是被证明没有简单解决方案或解决方案在计算上昂贵的问题。
而且,尽管自动匹配工具可用,但是对账仍然是劳动力密集度最高的过程之一。用于对账的传统上可用的工具只能执行一对一的匹配,并且因此可以为人类留下复杂和模糊的匹配。当前可用的工具不能适应基于复杂的模糊对账规则。实际上,用于甚至单个过程的这样的复杂规则的适应可能需要工具的大多数重新开发,以将其变成不可扩展的解决方案。因此,本领域普通技术人员将认识到,用于对账的当前可用的技术是分段的、不准确的、时间密集的和复杂的。
附图说明
通过以下附图中所示的示例来说明本公开的特征。在下面的图中,相同的数字表示相同的元件,在附图中:
图1示出了根据本公开的示例实施例的系统的一个框图;
图2示出了根据本公开的示例实施例的系统的另一框图;
图3示出了根据本公开的示例实施例的系统的又一框图;
图4示出了根据本公开的示例实施例的用于实现系统的硬件平台;
图5示出了根据本公开的示例实施例的描绘系统的功能的一种计算机实现的方法;以及
图6示出了根据本公开的示例实施例的描绘系统的功能的另一计算机实现的方法。
具体实施方式
为了简单和说明的目的,本公开主要参考其示例来描述。本文中描述的本公开的示例可以以不同的组合一起使用。在以下描述中,阐述细节以便提供对本公开的理解。然而,显而易见的是,可以在不限制所有这些细节的情况下实践本公开。而且,贯穿本公开,术语“一个(a)”和“一个(an)”旨在表示至少一个特定元素。如本文中使用的,术语“包括(includes)”表示包括但不限于,术语“包括(including)”表示包括但不限于。术语“基于”表示至少部分基于。
本主题描述了用于匹配值以执行对账操作的系统和方法。根据本公开的示例,该系统可以包括接收引擎、确定引擎、数据构造引擎、规则提取引擎、匹配引擎、分类引擎、验证引擎和学习引擎。
接收引擎可以接收用于执行对账操作的数据。数据可以包括来自第一源的第一组数据和来自第二源的第二组数据。在示例实施例中,第一组数据和第二组数据可以包括但不限于现金账户、银行对账单、电子邮件和支票细节。第一源和第二源可以包括但不限于总分类账、分类账、子分类账、公司间分类账和多个企业资源计划(ERP)系统。
在接收到数据时,确定引擎可以确定数据是结构化的还是非结构化的。在数据被确定为非结构化的示例实施例中,数据构造引擎可以通过使用光学字符识别(OCR)技术和任何序列标签技术中的至少一个(诸如例如,条件随机场(CRF)建模)来构造数据。
一旦非结构化数据被转换成结构化数据或者当接收引擎接收到结构化数据时,规则提取引擎可以将第一组数据的值与第二组数据的值相比较。在示例实施例中,可以将第一组数据的每个值与第二组数据的每个值相比较。此外,规则提取引擎可以基于人工智能(AI)技术来确定第一组数据和第二组数据的比较的值的配对之间的关系。这些AI技术可以包括例如决策树分类器、随机森林、数据相关技术、模糊规则生成等。
在示例实施例中,匹配引擎可以为比较的值的每个配对生成置信度得分。置信度得分指示该配对的第一组数据的值与第二组数据的值的匹配。在示例实施例中,置信度得分可以直接与值的配对的匹配程度成比例。因此,随着匹配程度的增加,置信度得分可以很高。
此外,分类引擎可以基于值的配对的置信度得分来将值的配对分类为匹配配对和不匹配配对。在示例实施例中,可以定义置信度得分的阈值,并且可以基于阈值来执行分类。
在对值的配对进行分类之后,验证引擎可以验证值的配对的匹配和分类。验证的一部分可以基于用户反馈。用户反馈可以指示用户的批准或拒绝之一。
此外,学习引擎可以在一时间段内存储与匹配和分类的验证有关的细节。细节然后可以被转发给规则提取引擎和分类引擎。为了匹配第一组数据和第二组数据的值的后续配对,规则提取引擎可以基于AI技术和在该时间段内所存储的细节来确定值的后续配对之间的关系。分类引擎可以基于值的配对的置信度得分和在该时间段内所存储的细节来将值的配对分类为匹配配对和不匹配配对。
本公开提供了用于使对账自动化的综合方法。本方法已经将人工干预减少到绝对最小值,并且因此消除了由于人工依赖性而导致的错误的可能性。这可以导致对账的高准确性和高效率。
当提供有已经对账的数据的样本时,AI引擎具有从数据本身提取对账规则的能力。如果这样的数据不可用,则对帐规则可以由用户提供作为一次性配置设置,并且随后整个对帐过程可以基于规则来定制。此外,该系统能够通过基于分类、日期或将减少针对一对多匹配要被考虑的交易数目的任何这样的标准来滤除交易来处理一对多匹配情况。这继而将减少系统的计算时间。
另外,该系统不仅可以处理任何复杂等级的规则,该系统还可以以模糊方式应用和处理这样的规则。因此,该系统可以通过提供置信度得分来通知用户在特定场景中是否满足规则以及满足特定规则的等级。该系统的该特征可以适应由于很多因素(诸如例如人为错误、银行的标准程序和过程特定的变化)的数据内的变化。
而且,该系统可以提供值的配对的匹配或不匹配的原因。该系统还可以将复杂的规则分解为更小的规则,并且可以通知用户每个规则的符合性。因此,如果有任何疑问,则用户不必查看数据本身,而是只需查看系统提供的值的配对之间不匹配的原因以理解对应的问题。因此,本公开提供了一种灵活且能够处理复杂对账规则的工具。本领域普通技术人员将会理解,本公开提供了一种全面的、灵活的、经济的和时间有效的对账方法。
图1示出了根据本公开的示例实施例的用于执行对账操作的系统100的框图。系统100可以包括接收引擎102、确定引擎104、数据构造引擎106、规则提取引擎108、匹配引擎110、分类引擎112、验证引擎114和学习引擎116。接收引擎102、确定引擎104、数据构造引擎106、规则提取引擎108、匹配引擎110、分类引擎112、验证引擎114和学习引擎116可以彼此通信以便执行系统102的功能。
接收引擎102可以接收用于执行对账操作的数据。数据可以包括第一组数据和第二组数据。在示例实施例中,第一组数据和第二组数据可以分别从第一源和第二源接收。在示例实施例中,确定引擎104可以与接收引擎102通信。
确定引擎104可以确定数据是结构化的还是非结构化的。结构化数据可以理解为具有高度组织性的信息,使得在关系数据库中的包括是无缝的并且可以通过简单的搜索引擎算法容易地搜索。结构化数据的输入、存储、查询和分析相对简单。另一方面,非结构化数据可以被理解为具有其自己的内部结构的信息,但是它不能整齐地整合到电子表格或数据库中。非结构化数据可以以复杂数据源的形式可用,诸如web日志、多媒体内容、电子邮件、客户服务交互、销售自动化、社交媒体数据、支票和发票。
在示例实施例中,确定引擎104可以确定数据是结构化的。在这样的实施例中,确定引擎104可以将结构化数据转发给规则提取引擎108。在替代示例实施例中,确定引擎104可以确定数据是非结构化的。在这样的实施例中,确定引擎104可以将非结构化数据转发给数据构造引擎106。
数据构造引擎106可以在将数据转发给规则提取引擎108之前构造非结构化数据。在示例实施例中,数据构造引擎106可以通过光学字符识别(OCR)和任何序列标签技术(诸如例如,条件随机场(CRF)技术)中的至少一个来构造非结构化数据。如本领域普通技术人员将会理解的,OCR技术用于识别打印或书写的文本字符。OCR技术可以涉及逐字符地对文本进行光扫描,对扫描入的图像进行分析,并且然后将字符图像转换成通常用于数据处理的字符代码。此外,这里采用的方法之一(CRF技术)可以被理解为应用于模式识别和机器学习中以用于结构化预测的概率框架。
规则提取引擎108可以与确定引擎104和数据构造引擎106通信。在示例实施例中,规则提取引擎108可以从确定引擎104接收结构化数据。在另一示例实施例中,规则提取引擎108可以从数据构造引擎106接收结构化数据。
在接收到结构化数据之后,规则提取引擎108可以将第一组数据的值与第二组数据的值相比较。基于比较,规则提取引擎108可以确定比较的值的配对之间的关系。在示例实施例中,规则提取引擎108可以基于人工智能(AI)技术来确定该关系。在示例实施例中,AI技术可以包括但不限于自然语言处理(NLP)。
此外,规则提取引擎108可以与匹配引擎110通信。匹配引擎108可以为比较的值的每个配对生成置信度得分。置信度得分指示配对的第一组数据的值与第二组数据的值的匹配。匹配引擎110可以与分类引擎112通信。分类引擎112可以将值的配对分类为匹配配对和不匹配配对。匹配配对是基于对应置信度得分而得到匹配的值的配对。类似地,不匹配配对是基于对应得分而被确定为不匹配的值的配对。
匹配引擎110和分类引擎112可以与验证引擎114通信。验证引擎114可以验证值的配对的匹配和分类。在示例实施例中,验证引擎114可以接收来自用户的具有对应置信度得分的值的每个配对的反馈。反馈指示用户的批准或拒绝。用户对值的配对的批准可以指示配对的匹配或不匹配是正确的。另一方面,对值的配对的拒绝可以指示配对的匹配或不匹配是不正确的。此外,验证引擎114还可以接收来自用户的关于值的配对的分类的反馈。
验证引擎114可以与学习引擎116通信。学习引擎116可以在一时间段内存储与匹配和分类的验证有关的细节。细节可以包括但不限于用户对值的每个配对的批准和拒绝的记录。学习引擎116可以将细节转发给规则提取引擎108和分类引擎112。
在学习引擎116存储了细节之后,对于来自第一组数据和第二组数据的值的后续配对,规则提取引擎108可以基于AI技术和所存储的细节来确定关系。此外,分类引擎112可以基于对应的置信度得分和所存储的细节来将值的后续配对分类成匹配配对和不匹配配对。因此,基于学习引擎116的学习,每个对账周期可以提高值的配对的匹配和分类的准确性。
图2示出了根据本公开的示例实施例的系统100的另一框图。为了简洁起见,在图2的描述中没有详细解释在图1的描述中解释的系统100的结构和操作特征。
在示例实施例中,针对由确定引擎104确定由接收引擎102接收的数据是非结构化的而继续,数据构造引擎106可以包括用于构造非结构化数据的数据提取引擎202。数据提取引擎202还可以包括OCR转换器204、注释引擎206和CRF引擎208。OCR转换器204、注释引擎206和CRF引擎208可以彼此通信。
OCR转换器204可以确定非结构化数据是否是机器可读的。基于该确定,OCR转换器204可以将非结构化数据转换成OCR格式。在示例实施例中,当确定非结构化数据不是机器可读时,OCR转换器204可以将非结构化数据转换成OCR格式。OCR转换器204可以在文本与非文本之间区分非结构化数据。
此外,注释引擎206可以基于要从非结构化数据取回的细节来注释非结构化数据。注释引擎206可以在非结构化数据中注释这样的细节以用于进一步处理。在示例实施例中,在注释之后,CRF引擎208还可以处理非结构化数据以用于转换成结构化数据。CRF引擎208可以从非结构化数据中提取相关细节。基于OCR格式、注释和处理,数据提取引擎202可以从非结构化数据中取回相关细节。基于取回,数据提取引擎202可以将结构化数据提供给规则提取引擎108。
在示例实施例中,规则提取引擎108可以包括数据关联引擎210、决策树分类器212、决策树解析器214和规则提取器216。数据关联引擎210可以比较第一组数据的值与第二组数据的值。在示例实施例中,数据关联引擎210可以确定要用于比较的运算符。此外,数据关联引擎210可以基于AI技术来确定比较的值的配对之间的关系。在示例实施例中,基于第一组数据的值、第二组数据的值和运算符,数据关联引擎210可以确定值之间的一组关联,其可以生成值之间的准确匹配。数据关联引擎210可以确定要比较的值的配对以实现有效匹配。
决策树分类器212可以生成决策树。决策树可以包括指示规则或子规则的多个节点,该规则或子规则具有用于将结构化数据分类为值的匹配配对和值的不匹配配对的运算符。在示例实施例中,决策树分类器212可以为多个节点中的每个确定运算符。决策树解析器214可以通过决策树来解析数据。此外,规则提取器216可以基于由多个节点中的每个执行的分类和解析来从决策树提取规则。规则可以被组合以生成匹配规则,这可以有助于在匹配期间在值的配对之间建立关系。在示例实施例中,多个节点可以以预定义的序列定位以用于形成决策树并且提取匹配规则。
从规则提取引擎108,数据可以被转发给匹配引擎110。在示例实施例中,匹配引擎110可以包括规则引擎218,规则引擎218还可以包括规则解析器220、解释器222和得分生成器224。规则解析器220、解释器222和得分生成器224可以彼此通信以用于基于匹配规则来匹配第一组数据和第二组数据的值。
为了理解规则解析器220和解释器222的功能,可用考虑规则“银行对帐单描述将指定交易的类型和交易的日期。如果这些信息与交易描述和日期以及交易金额相匹配,则两者之间存在对应关系”。如本领域普通技术人员可以理解的,上述规则是多个规则的组合。规则解析器220可以将该规则转换或分解为也称为原子规则的多个子规则。在示例实施例中,两个不同银行之间的现金和银行对账过程可以产生如下规则:
如果(银行对账单交易描述包含总分类账交易描述)以及(银行对账单交易描述包含总分类账交易日期)以及(银行对账单交易金额等于总分类账交易金额)则(银行对账单交易匹配总分类账交易)
上述规则可以被称为复合规则。该复合规则可以分解为多个原子规则。多个原子规则可以包括但不限于:“银行对账单交易描述包含总分类账交易描述”——(1),“银行对账单交易描述包含总分类账交易日期”——(2),“银行对账单交易描述等于总分类账交易金额”——(3),以及“如果(1)、(2)和(3)为真,则银行对账单交易匹配总分类账交易”。因此,规则解析器220可以组合多个原子规则以生成复合规则作为“如果(银行对账单交易描述包含总分类账交易描述)以及(银行对账单交易描述包含总分类账交易日期)以及(银行对账单交易金额等于总分类账交易金额)则(银行对账单交易匹配总分类账交易)”。复合规则包括连接原子规则以形成复合规则的操作符。
规则解析器220可以将每个原子规则转发给解释器222。解释器222可以解释规则的应用以执行对账操作。解释器222可以处理原子规则,并且然后执行复合规则以用于获取为其创建了复合规则的输出。解释器222可以基于诸如包含、等于、匹配、如果、以及和则等运算符来执行复合规则。
此外,得分生成器224可以为值的每个配对生成指示值的每个配对的匹配的强度的置信度得分。来自匹配引擎110的数据可以被转发给分类引擎112。分类引擎112可以包括项目分类器226、所有者标识符228和报告引擎230。所有者标识符228可以标识所有者以便确定值的不匹配配对的原因。所有者可以被理解为用于解决与值的不匹配配对相对应的问题的联系人。报告引擎230可以通知拥有者的用户解决问题。来自分类引擎112的数据可以被转发给验证引擎114。
验证引擎114可以验证分别由匹配引擎110和分类引擎112执行的匹配和分类。验证引擎114可以更新匹配和分类。
此外,学习引擎116可以将与验证和分类有关的细节存储并且转发给匹配引擎110和分类引擎112以用于值的后续配对的匹配和分类。在示例实施例中,学习引擎116可以将细节转发给规则提取引擎108以基于细节来更新决策树。
在示例实施例中,学习引擎116可以包括关联引擎232、决策树分类器引擎234和规则修改器236。关联引擎232可以基于验证引擎114的所存储的细节来确定值的后续配对之间的关系。类似地,决策树分类器引擎234可以基于所存储的细节来更新决策树。规则修改器236可以基于所存储的细节来更新匹配引擎110的匹配规则。
图3示出了根据本公开的示例实施例的系统100的另一框图。为了简洁起见,在图3的描述中没有详细解释在图1和图2的描述中解释的系统100的细节。在示例实施例中,系统100可以包括信息提取引擎302、智能匹配引擎304和编制引擎306。信息提取引擎302、智能匹配引擎304和编制引擎306可以彼此通信。
信息提取引擎302可以包括数据分类器308、OCR转换器204、CRF引擎208和学习引擎116。数据分类器308可以执行确定引擎104的功能。类似地,OCR转换器204、CRF引擎208和学习引擎116的功能可以保持与在图1和图2的描述中所解释的相同。信息提取引擎302可以基于信息提取配置细节进行操作。信息提取配置细节可以包括但不限于文档、实体名称、映射细节、汇款实体名称、名称映射细节、OCR细节和与验证有关的细节。
此外,智能匹配引擎304可以包括决策树引擎308和学习引擎116。决策树引擎308可以执行与如图1和图2的描述中所解释的决策树有关的功能。在在示例实施例中,决策树引擎308可以执行决策树分类器212和决策树解析器214的功能。智能匹配引擎304可以基于匹配的配置细节进行操作。匹配的配置细节可以包括但不限于与学习引擎116有关的细节。
信息提取引擎302和智能匹配引擎304的操作可以由验证引擎116进行验证。与由验证引擎116所存储的信息提取引擎302和智能匹配引擎304的验证有关的细节可以被转发给编制引擎306。编制引擎306可以基于从多个数据源310(其可以单独地被称为数据库310-1、数据库310-2、...和数据库310-n)接收的细节进行操作。在示例实施例中,数据源310可以包括但不限于支票和汇款数据、未应用的现金数据、应收账款和主数据以及对账结果数据。在示例实施例中,编制引擎306可以基于编制引擎配置细节进行操作。编制引擎配置细节可以包括但不限于数据源细节、sox策略、访问策略、批大小和频率。
在示例实施例中,编制引擎306可以与信息提取引擎302和智能匹配引擎304通信。编制引擎306可以将与验证有关的细节转发给信息提取引擎302和智能匹配引擎304。
在示例实施例中,数据可以是与运输公司有关的一组电子邮件。接收引擎102可以从电子邮件服务器(未示出)接收该组电子邮件。确定引擎104可以确定该组电子邮件是非结构化数据。该组电子邮件可以被确定为非结构化数据,因为相关细节在该组电子邮件中,但是这样的细节在邮件中的确切位置是未知的。一旦数据被确定为非结构化数据,数据就可以被转发给数据构造引擎106以用于转换成结构化数据。
在数据构造引擎106中,OCR转换器204可以区分电子邮件中的文本和非文本。此外,注释引擎206可以注释必须被取回的电子邮件的细节,诸如接收日期、发送者、接收者、价格和发货物品的数量。在注释之后,CRF引擎208可以从电子邮件中取回细节并且将细节填充为表格格式。
从数据构造引擎106,结构化数据可以被转发给规则提取引擎108。决策树分类器212可以对决策树中的规则进行分类。例如,如果信贷金额等于或在允许的借贷金额差额内,则其将被认为匹配规则。在一个示例中,当在对应节点处定义指示接受一个值相对于另一值在5美元的容差内的规则时,95美元的信贷金额可以被认为与100美元的借贷金额相匹配。决策树分类器212可以基于历史数据和由学习引擎116接收的细节来更新决策树的规则。
决策树解析器214可以确定在决策树的节点处的这样的规则的结果。规则可以被视为阈值函数。此外,规则提取器216可以基于第一组数据的值和第二组数据的值之间的置换和组合可能性来提取规则。
此外,匹配引擎110可以匹配值并且生成对应的置信度得分。在一个示例中,银行对账单的价值可以是96美元,并且95美元的支持可能不会被示出为完全匹配。但是,如果运算符要检测近似匹配,则96美元的价值可以被示出为95美元的支付。但是,该匹配的置信度得分可以低于95美元的银行对账单和95美元的支付的匹配。
分类引擎112可以确定值的配对匹配或不匹配的原因。例如,97美元的支付可以与100美元的银行对帐单相匹配。分类引擎112可以确定差异的原因,例如支付不足或外汇交易问题。这些原因可以由学习引擎116学习以用于值的将来处理。另外,验证引擎114可以基于用户反馈来验证匹配和分类是否正确。
图4示出了根据本公开的示例的用于实现系统100的硬件平台400。在示例实施例中,硬件平台400可以是可以与本文中描述的示例一起使用的计算机系统400。计算机系统400可以表示包括可以在服务器或另一计算机系统中的组件的计算平台。计算机系统400可以由处理器(例如,单个或多个处理器)或其他硬件处理电路来执行本文中描述的方法、功能和其他过程。这些方法、功能和其他过程可以被实施为存储在计算机可读介质上的机器可读指令,该计算机可读介质可以是非暂态的,诸如硬件存储设备(例如,RAM(随机存取存储器)、ROM(只读存储器)、EPROM(可擦除可编程ROM)、EEPROM(电可擦除可编程ROM)、硬盘驱动器和闪存)。
计算机系统400可以包括处理器402,处理器402可以实现或执行机器可读指令,这些机器可读指令执行本文中描述的一些或全部方法、功能、技术和/或其他过程。来自处理器402的命令和数据可以通过通信总线404来传送。计算机系统400还可以包括主存储器406,诸如随机存取存储器(RAM),其中处理器402的机器可读指令和数据可以在运行时期间驻留;以及辅助数据存储装置408,其可以是非易失性的并且存储机器可读指令和数据。存储器406和数据存储装置408是非暂态计算机可读介质的示例。存储器406和/或辅助数据存储装置可以存储由系统100使用的数据,诸如包括web对象、配置数据、测试数据等的对象存储库。
计算机系统400可以包括输入/输出(I/O)设备410,诸如键盘、鼠标、显示器等。用户界面(UI)412可以是向系统100的用户提供文本和图形用户界面的通信设备。UI 412可以与I/O设备410一起操作以接受来自用户的数据并且向用户提供数据。计算机系统400可以包括用于连接到网络的网络接口414。其他已知的电子组件可以在计算机系统中添加或替代。处理器402可以被指定为硬件处理器。处理器402可以执行上述系统100的各种组件并且执行下面描述的方法。
图5示出了根据本公开的示例的描绘系统100的功能的计算机实现的方法500。为了简洁起见,在图5的描述中没有详细解释在图1、图2、图3和图4的描述中详细解释的系统100的构造和操作特征。
在501处,方法500开始接收用于执行对账操作的数据。该数据可以包括来自第一源的第一组数据和来自第二源的第二组数据。
在502处,确定数据是结构化的还是非结构化的。如果数据被确定为是非结构化数据,则方法500跳转到503。在503处,方法500包括构造非结构化数据。非结构化数据由OCR技术和任何序列标记技术(诸如例如,CRF技术)中的至少一项构造。在示例实施例中,为了构造非结构化数据,方法500包括确定非结构化数据是否是机器可读的。此外,当确定非结构化数据不是机器可读的时,将非结构化数据转换成OCR格式。在示例实施例中,然后基于要取回的细节来对非结构化数据进行注释。基于OCR格式和注释来从非结构化数据中取回相关细节。方法500包括基于取回来提供结构化数据。在构造非结构化数据之后,方法500跳转到504。在替代示例实施例中,当在502处确定数据是结构化数据时,方法500跳转到504。
在504处,将第一组数据的值与第二组数据的值相比较。在505处,基于AI技术来确定第一组数据和第二组数据的比较的值的配对之间的关系。在示例实施例中,方法500包括确定要用于将第一组数据的值与第二组数据的值相比较的运算符。此外,生成决策树。决策树包括指示规则或子规则的多个节点,规则或子规则具有用于将结构化数据分类为值的匹配配对和值的不匹配配对的运算符。多个节点处于预定义的序列。然后通过决策树对结构化数据进行解析。在解析之后,基于由多个节点中的每个执行的分类来从决策树中提取匹配规则。
在506处,为比较的值的每个配对生成置信度得分。置信度得分指示该配对的第一组数据的值与第二组数据的值的匹配。在示例实施例中,方法500可以包括将规则转换成多个原子规则,并且组合多个原子规则以生成复合规则。复合规则可以包括但不限于连接原子规则以形成复合规则的操作符。此外,方法500可以包括处理多个原子规则,并且执行复合规则以用于获取输出,复合规则针对输出被创建。
在507处,基于值的配对的置信度得分来将值的配对分类为匹配配对和不匹配配对。在示例实施例中,标识所有者以便确定值的不匹配配对的原因。所有者指示用于解决与值的不匹配配对相对应的问题的联系人。
在508处,方法500包括基于用户反馈来验证配对的匹配和分类。用户反馈指示用户的批准和拒绝之一。在509处,在一时间段内存储与匹配和分类的验证有关的细节。
在509,转发所存储的细节以用于基于AI技术和所存储的细节来确定第一组数据和第二组数据的值的后续配对之间的关系。所存储的细节用于基于值的配对的置信度得分和所存储的细节来将值的配对分类为匹配配对和不匹配配对。在示例实施例中,方法500包括转发细节以用于基于所存储的细节来更新决策树。
图6示出了根据本公开的示例实施例的描绘系统100的功能的另一计算机实现的方法600。为了简洁,在图6的描述中没有详细解释在图1、图2、图3、图4和图5的描述中详细解释的系统100的构造和操作特征。在示例实施例中,发票必须与客户的细节相匹配,客户的细节可以包括地址和客户名称。发票中提及的细节可以被视为第一组数据的值,并且客户细节可以被视为第二组数据的值。尽管关于发票和客户细节解释图6的描述,但是本领域技术人员应当理解,在不脱离本公开的范围的情况下,描述适用于任何其他对账操作。
在601处,将发票的细节与客户细节进行匹配。例如,发票号码与客户名称和地址相匹配。
在602处,确定匹配是直接的还是模糊的。在示例实施例中,确定发票号码与客户名称以及地址相关。在这样的示例实施例中,系统100可以确定匹配是直接的。方法600跳转到603。在603处,系统100可以确定要应用的规则。
在替代实施例中,在602处,确定发票不与第二组数据中的任何客户名称相关,并且因此匹配是模糊的。在这样的示例实施例中,方法600跳转到604。
在604处,生成针对客户名称的假设。在示例实施例中,假设可以基于从数据源310取回的细节来生成。
在605处,接收用于检测基于假设而标识的每个客户名称的未支付发票的查询。在606处,可以将发票上的金额与由所标识的客户名称支付的支票中提及的每个金额相匹配。在示例实施例中,发票的金额可以与在由所标识的客户名称支付的任何支票上提及的金额相匹配。因此,方法600跳转到603。
在替代示例实施例中,比较可以被确定为不匹配,并且发票金额可以小于支票金额。在这样的示例实施例中,该方法跳转到607,在607处,确定要部分应用该规则。在另一示例实施例中,比较可以被确定为不匹配,并且支票金额可以小于发票金额。这会生成1到多匹配问题,类似于背包问题,它落在NP完全问题的类别。本公开通过基于类别日期或减少针对匹配需要被检查的发票的数目的任何其他标准来过滤交易以减少将发票支付匹配到适当的客户的计算时间。因此,该方法跳转到608,在608处,应用过滤以标识发票子集。过滤可以帮助确定支票金额对发票的精确和准确的组合。
本文中已经描述和说明的是示例以及其一些变体。阐述本文中使用的术语、描述和附图仅仅是为了说明,并不表示限制。在本主题的精神和范围内可以做出很多变化,本主题的精神和范围旨在由所附权利要求及其等同物限定,其中除非另有说明,否则所有术语均表示其最宽泛的合理含义。
Claims (17)
1.一种用于对账的系统,包括:
接收引擎,用于接收用于执行对账操作的数据,其中所述数据包括来自第一源的第一组数据和来自第二源的第二组数据;
确定引擎,与所述接收引擎通信以确定所述数据是结构化的还是非结构化的;
数据构造引擎,与所述确定引擎通信以在确定所述数据是非结构化的时构造所述数据,其中所述数据由光学字符识别OCR技术和序列标签技术中的至少一项构造;
规则提取引擎,与所述接收引擎和所述数据构造引擎通信以:
在构造非结构化数据时或者在接收到结构化数据时,比较所述第一组数据的值与所述第二组数据的值;
基于人工智能AI技术来确定所述第一组数据和所述第二组数据的比较的值的多个配对之间的关系;
确定要被用于比较所述第一组数据的值与所述第二组数据的值的运算符;
生成决策树,其中所述决策树包括指示规则或子规则的多个节点,所述规则或子规则具有用于将所述结构化数据分类为所述比较的值的匹配配对和所述比较的值的不匹配配对的运算符;
通过所述决策树解析所述结构化数据,其中解析所述结构化数据包括:
将规则转换为多个原子规则;以及
组合所述多个原子规则以生成复合规则,其中所述复合规则包括连接所述多个原子规则以形成所述复合规则的一个或多个操作符;以及
基于由所述多个节点中的每个节点执行的所述分类,来从所述决策树提取匹配规则;
匹配引擎,与所述规则提取引擎通信以为所述比较的值的每个配对生成置信度得分,其中所述置信度得分指示所述配对的所述第一组数据的值与所述第二组数据的值的匹配;
分类引擎,与所述匹配引擎通信以基于所述比较的值的所述多个配对的所述置信度得分,来将所述比较的值的所述多个配对分类为匹配配对和不匹配配对;
验证引擎,与所述匹配引擎和所述分类引擎通信以基于用户反馈来验证所述多个配对的匹配和分类,其中所述用户反馈指示由所述用户的批准或拒绝之一;以及
学习引擎,与所述验证引擎通信以:
在一时间段内存储与所述匹配和所述分类的所述验证有关的细节;以及
向所述规则提取引擎和所述分类引擎转发所述细节以:
基于所述AI技术和存储的所述细节,来确定来自所述第一组数据和所述第二组数据的比较的值的多个后续配对之间的关系;以及
基于所述比较的值的所述多个后续配对的所述置信度得分和存储的所述细节,来将所述比较的值的所述多个后续配对分类为匹配配对和不匹配配对。
2.根据权利要求1所述的系统,其中所述数据构造引擎进一步用于:
确定所述非结构化数据是否是机器可读的;
当确定所述非结构化数据不是机器可读的时,将所述非结构化数据转换成OCR格式;
基于要被取回的细节来注释所述非结构化数据;
基于所述OCR格式和所述注释来从所述非结构化数据中取回相关细节;以及
基于所述取回来提供所述结构化数据。
3.根据权利要求1所述的系统,其中所述多个节点以预定义的序列被定位,以用于形成所述决策树并且提取所述匹配规则。
4.根据权利要求1所述的系统,其中所述分类引擎进一步用于标识所有者,以便确定针对值的所述不匹配配对的原因,其中所述所有者指示用于解决与所述值的所述不匹配配对相对应的问题的联系人。
5.根据权利要求1所述的系统,其中所述学习引擎进一步用于向所述规则提取引擎转发所述细节,以基于所述细节来更新所述决策树。
6.根据权利要求1所述的系统,其中所述匹配引擎进一步用于:
处理所述多个原子规则;以及
执行所述复合规则以用于获取输出,所述复合规则针对所述输出被创建。
7.一种用于对账的系统,包括:
数据构造引擎,用于在确定包括从第一源接收的第一组数据和从第二源接收的第二组数据的数据是非结构化的时构造所述数据,其中所述数据由光学字符识别OCR技术和序列标签技术中的至少一项构造;
规则提取引擎,与所述数据构造引擎通信以:
在构造非结构化数据时或者在接收到结构化数据时,比较所述第一组数据的值与所述第二组数据的值;
基于人工智能AI技术来确定所述第一组数据和所述第二组数据的比较的值的多个配对之间的关系;
确定要被用于比较所述第一组数据的值与所述第二组数据的值的运算符;
生成决策树,其中所述决策树包括指示规则或子规则的多个节点,所述规则或子规则具有用于将所述结构化数据分类为所述比较的值的匹配配对和所述比较的值的不匹配配对的运算符;
通过所述决策树解析所述结构化数据,其中解析所述结构化数据包括:
将规则转换为多个原子规则;以及
组合所述多个原子规则以生成复合规则,其中所述复合规则包括连接所述多个原子规则以形成所述复合规则的一个或多个操作符;以及
基于由所述多个节点中的每个节点执行的所述分类,来从所述决策树提取匹配规则;
匹配引擎,与所述规则提取引擎通信以为所述比较的值的每个配对生成置信度得分,其中所述置信度得分指示所述配对的所述第一组数据的值与所述第二组数据的值的匹配;
验证引擎,与所述匹配引擎通信以基于用户反馈来验证所述多个配对的匹配,其中所述用户反馈指示由所述用户的批准或拒绝之一;
学习引擎,与所述验证引擎通信以:
存储与所述匹配的所述验证有关的细节;以及
向所述规则提取引擎转发存储的所述细节,以基于所述AI技术和在一时间段内被存储的所述细节,来确定所述第一组数据和所述第二组数据的比较的值的多个后续配对之间的关系。
8.根据权利要求7所述的系统,还包括用于进行以下操作的接收引擎:
接收所述数据以用于执行对账操作;以及
确定所述数据是结构化的还是非结构化的。
9.根据权利要求7所述的系统,还包括与所述匹配引擎通信以进行以下操作的分类引擎:
基于所述比较的值的所述配对的所述置信度得分,来将所述比较的值的所述配对分类为匹配配对和不匹配配对;以及
标识所有者,以便确定针对值的所述不匹配配对的原因,其中所述所有者指示用于解决与所述值的所述不匹配配对相对应的问题的联系人。
10.根据权利要求7所述的系统,其中所述数据构造引擎进一步用于:
确定所述非结构化数据是否是机器可读的;
当确定所述非结构化数据不是机器可读的时,将所述非结构化数据转换成OCR格式;
基于要被取回的细节来注释所述非结构化数据;
基于所述OCR格式和所述注释来从所述非结构化数据中取回相关细节;以及
基于所述取回来提供所述结构化数据。
11.根据权利要求7所述的系统,其中所述学习引擎进一步用于向所述规则提取引擎转发所述细节,以基于在所述时间段内被存储的所述细节来更新所述决策树。
12.根据权利要求7所述的系统,其中所述匹配引擎进一步用于:
处理所述多个原子规则;以及
执行所述复合规则以用于获取输出,所述复合规则针对所述输出被创建。
13.一种由至少一个处理器执行的计算机实现的方法,所述方法包括:
接收用于执行对账操作的数据,其中所述数据包括来自第一源的第一组数据和来自第二源的第二组数据;
确定所述数据是结构化的还是非结构化的;
当确定所述数据是非结构化的时构造所述数据,其中所述数据由光学字符识别OCR技术和序列标签技术中的至少一项构造;
在构造非结构化数据时或者在接收到结构化数据时,比较所述第一组数据的值与所述第二组数据的值;
基于人工智能AI技术,来确定所述第一组数据和所述第二组数据的比较的值的多个配对之间的关系;
确定要被用于比较所述第一组数据的值与所述第二组数据的值的运算符;
生成决策树,其中所述决策树包括指示规则或子规则的多个节点,所述规则或子规则具有用于将所述结构化数据分类为所述比较的值的匹配配对和所述比较的值的不匹配配对的运算符;
通过所述决策树解析所述结构化数据,其中解析所述结构化数据包括:
将规则转换为多个原子规则;以及
组合所述多个原子规则以生成复合规则,其中所述复合规则包括连接所述多个原子规则以形成所述复合规则的一个或多个操作符;以及
基于由所述多个节点中的每个节点执行的所述分类,来从所述决策树提取匹配规则;
为所述比较的值的每个配对生成置信度得分,其中所述置信度得分指示所述配对的所述第一组数据的值与所述第二组数据的值的匹配;
基于所述比较的值的所述多个配对的所述置信度得分,来将所述比较的值的所述多个配对分类为匹配配对和不匹配配对;
基于用户反馈来验证所述多个配对的匹配和分类,其中所述用户反馈指示由所述用户的批准和拒绝之一;
在一时间段内存储与所述匹配和所述分类的所述验证有关的细节;以及
转发所述细节以用于:
基于所述AI技术和在所述时间段内被存储的所述细节,来确定所述第一组数据和所述第二组数据的比较的值的多个后续配对之间的关系;以及
基于所述比较的值的所述多个后续配对的所述置信度得分和在所述时间段内被存储的所述细节,来将所述比较的 值的所述多个后续配对分类为匹配配对和不匹配配对。
14.根据权利要求13所述的计算机实现的方法,其中构造所述数据包括:
确定所述非结构化数据是否是机器可读的;
当确定所述非结构化数据不是机器可读的时,将所述非结构化数据转换成OCR格式;
基于要被取回的细节来注释所述非结构化数据;
基于所述OCR格式和所述注释来从所述非结构化数据中取回相关细节;以及
基于所述取回来提供所述结构化数据。
15.根据权利要求13所述的计算机实现的方法,还包括标识所有者,以便确定针对值的所述不匹配配对的原因,其中所述所有者指示用于解决与所述值的所述不匹配配对相对应的问题的联系人。
16.根据权利要求13所述的计算机实现的方法,还包括转发所述细节,以用于基于存储的所述细节来更新所述决策树。
17.根据权利要求13所述的计算机实现的方法,还包括:
处理所述多个原子规则;以及
执行所述复合规则以用于获取输出,所述复合规则针对所述输出被创建。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/611,471 US10997507B2 (en) | 2017-06-01 | 2017-06-01 | Data reconciliation |
US15/611,471 | 2017-06-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985912A CN108985912A (zh) | 2018-12-11 |
CN108985912B true CN108985912B (zh) | 2022-03-18 |
Family
ID=64459808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810523692.6A Active CN108985912B (zh) | 2017-06-01 | 2018-05-28 | 数据对账 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10997507B2 (zh) |
CN (1) | CN108985912B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10776748B2 (en) * | 2015-02-18 | 2020-09-15 | Cargo Chief Acquisition Inc. | Communication analysis for obtaining loads |
US11170019B1 (en) | 2015-10-06 | 2021-11-09 | Wells Fargo Bank, N.A. | Data field transaction repair interface |
US11087296B1 (en) | 2016-09-06 | 2021-08-10 | Wells Fargo Bank, N.A. | Programmatic reconciliation of electronic receivables |
DE112018002952T5 (de) | 2017-07-06 | 2020-02-27 | Xero Limited | Datenabgleich basierend auf einer Computeranalyse von Daten |
US11869076B2 (en) * | 2018-02-02 | 2024-01-09 | LendingClub Bank, National Association | Reducing workload using transaction aggregation |
US11645686B2 (en) * | 2018-12-05 | 2023-05-09 | Sap Se | Graphical approach to multi-matching |
US11354753B1 (en) * | 2019-01-03 | 2022-06-07 | INMAR Rx SOLUTIONS, INC. | System for reconciling pharmacy payments based upon predicted claims and related methods |
US11100409B2 (en) * | 2019-02-15 | 2021-08-24 | Highradius Corporation | Machine learning assisted transaction component settlement |
CN110223153A (zh) * | 2019-04-17 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 对账方法、装置、电子设备及存储介质 |
CN111626874B (zh) * | 2020-05-25 | 2023-04-25 | 泰康保险集团股份有限公司 | 理赔数据处理方法、装置、设备及存储介质 |
CN112801531A (zh) * | 2021-02-07 | 2021-05-14 | 上海汉询软件有限公司 | 一种全流程应收管理系统 |
WO2023119258A1 (en) * | 2021-12-24 | 2023-06-29 | Sahoo Manoj Kumar | Ai – based bank account reconciliation and creation of ledger entry in erp system |
US11934421B2 (en) * | 2022-06-03 | 2024-03-19 | Cognizant Technology Solutions India Pvt. Ltd. | Unified extraction platform for optimized data extraction and processing |
WO2024030042A1 (ru) * | 2022-08-04 | 2024-02-08 | Публичное Акционерное Общество "Сбербанк России" | Способ и система обработки изображений документов |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7603358B1 (en) * | 2005-02-18 | 2009-10-13 | The Macgregor Group, Inc. | Compliance rules analytics engine |
US8583571B2 (en) * | 2009-07-30 | 2013-11-12 | Marchex, Inc. | Facility for reconciliation of business records using genetic algorithms |
US8473430B2 (en) * | 2010-01-29 | 2013-06-25 | Microsoft Corporation | Deep-structured conditional random fields for sequential labeling and classification |
US9280535B2 (en) * | 2011-03-31 | 2016-03-08 | Infosys Limited | Natural language querying with cascaded conditional random fields |
US8639596B2 (en) * | 2011-10-04 | 2014-01-28 | Galisteo Consulting Group, Inc. | Automated account reconciliation method |
US9946924B2 (en) * | 2015-06-10 | 2018-04-17 | Accenture Global Services Limited | System and method for automating information abstraction process for documents |
US9535918B1 (en) * | 2015-12-15 | 2017-01-03 | International Business Machines Corporation | Dynamically mapping zones |
US10628403B2 (en) * | 2016-01-27 | 2020-04-21 | Oracle International Corporation | Annotation system for extracting attributes from electronic data structures |
CN106447475A (zh) * | 2016-08-30 | 2017-02-22 | 重庆好乐视网络科技有限公司 | 一种自动批量对账方法及系统 |
US20180144258A1 (en) * | 2016-11-21 | 2018-05-24 | Nxp Usa, Inc. | Network node, integrated circuit, and method for creating and processing information according to an n-ary multi output decision tree |
US10320846B2 (en) * | 2016-11-30 | 2019-06-11 | Visa International Service Association | Systems and methods for generation and selection of access rules |
US10671646B2 (en) * | 2016-12-22 | 2020-06-02 | Aon Global Operations Ltd (Singapore Branch) | Methods and systems for linking data records from disparate databases |
US10628525B2 (en) * | 2017-05-17 | 2020-04-21 | International Business Machines Corporation | Natural language processing of formatted documents |
-
2017
- 2017-06-01 US US15/611,471 patent/US10997507B2/en active Active
-
2018
- 2018-05-28 CN CN201810523692.6A patent/CN108985912B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
US20180349776A1 (en) | 2018-12-06 |
CN108985912A (zh) | 2018-12-11 |
US10997507B2 (en) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985912B (zh) | 数据对账 | |
US10614527B2 (en) | System and method for automatic generation of reports based on electronic documents | |
US20230005075A1 (en) | Ai-augmented auditing platform including techniques for automated assessment of vouching evidence | |
US11062132B2 (en) | System and method for identification of missing data elements in electronic documents | |
US11138372B2 (en) | System and method for reporting based on electronic documents | |
US20230123072A1 (en) | Transaction Data Processing Systems And Methods | |
US20210174150A1 (en) | Automated Classification Engine with Human Augmentation | |
US20240062235A1 (en) | Systems and methods for automated processing and analysis of deduction backup data | |
US20180046663A1 (en) | System and method for completing electronic documents | |
US20170169518A1 (en) | System and method for automatically tagging electronic documents | |
US20130300562A1 (en) | Generating delivery notification | |
US10558880B2 (en) | System and method for finding evidencing electronic documents based on unstructured data | |
US20180096435A1 (en) | System and method for verifying unstructured enterprise resource planning data | |
CN110023970A (zh) | 用于验证非结构化的企业资源计划数据的系统和方法 | |
Krathu et al. | Semantic interpretation of UN/EDIFACT messages for evaluating inter-organizational relationships | |
EP3494496A1 (en) | System and method for reporting based on electronic documents | |
US20170323106A1 (en) | System and method for encrypting data in electronic documents | |
Ciovică | Graph Convolutional Neural Network for extracting tabular data of purchase order documents | |
CN117882081A (zh) | 包括自动评估核单证据的技术的ai增强审计平台 | |
US20200118122A1 (en) | Techniques for completing missing and obscured transaction data items | |
CN115545934A (zh) | 数据处理方法和装置 | |
JP2021071866A (ja) | 貿易取引電文の意味解析装置、意味解析方法およびプログラム | |
WO2018071737A1 (en) | Finding evidencing electronic documents based on unstructured data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |