CN109300025B - 基于大数据和深度学习的审计方法和机器人系统 - Google Patents

Abstract

基于大数据和深度学习的审计方法和机器人系统，包括：获取预设类别的审计标准，获取待审计的对象的数据，从所述对象的数据中获取所述审计标准对应的数据，判断所述审计标准对应的数据是否符合所述审计标准。上述方法和系统通过基于大数据和深度学习的审计技术，使得预设类别的审计更为自动化、智能化，提高了预设类别审计的客观性、可信度、准确性、效率。

Description

基于大数据和深度学习的审计方法和机器人系统

技术领域

本发明涉及信息技术领域，特别是涉及一种基于大数据和深度学习的审计方法和机器人系统。

背景技术

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术下进行审计都是通过审计专家进行审计来决定一个对象可否通过审计。第一方面，审计专家进行审计的依据是对象提供的审计数据和资料，虽然对象在审计时被要求提供真实的数据和资料，甚至要求对象提供真实性承诺函，但实际上无法从客观上保证其数据和资料的真实性，难免有少数对象会提供虚假数据或对某些数据进行夸大，从而会误导审计专家做出错误的判断，进而得到错误的审计结果。第二方面，因为申请预设类别审计的对象非常多，而审计专家数量有限，往往一个专家在一个月的时间内要审计上百个对象的审计申请，而审计专家只是被邀请兼职进行审计，只能在日常工作之余抽出一点时间来进行审计，因为审计的时间紧张，导致审计过程非常错略，审计专家对很多数据和资料只是一扫而过，使得审计的结果缺乏准确性。第三方面，虽然很多审计专家是财务专家，但对预设类别的审计规则并不是很熟悉，虽然在审计系统中会有审计规则文档，但实际上专家看一遍很难全部记住和运用，甚至有的专家比较忙，没有时间去看审计文档，导致审计专家进行审计时实际上是全部或部分根据自己的标准去判断一个对象是否算是一个预设类别，从而使得审计标准与政府规定标准不一致，导致审计结果的主观性高，客观性差，审计结果不准确。

因此，现有技术还有待于改进和发展。

发明内容

基于此，有必要针对现有技术中的缺陷或不足，提供基于大数据和深度学习的审计方法和机器人系统，以解决现有技术中审计的客观性、可信度、准确性不足和效率低的缺点。

第一方面，本发明实施例提供一种审计方法，所述方法包括：

审计标准获取步骤，用于获取预设类别的审计标准；

对象数据获取步骤，用于获取待审计的对象的数据；获取的数据包括第三方数据，数据更客观和可行，所以可以提高审计的客观性和可信度；如果数据不客观，审计也就不会准确，因为数据更客观，进而也就提高了准确性；

标准对应的数据获取步骤，用于从所述待审计的对象的数据中获取所述审计标准对应的数据；

审计判断步骤，用于判断所述审计标准对应的数据是否符合所述审计标准；

审计反馈步骤，用于将审计的结果反馈给所述待审计对象。根据标准进行自动审计，可以提高效率。

优选地，

所述对象数据获取步骤包括：

数据源获取步骤，用于获取数据源；

对象数据检索步骤，用于从所述数据源中检索并获取所述待审计的对象的数据；

所述标准对应的数据获取步骤包括：

数据筛选步骤，用于从所述待审计的对象的数据中筛选出所述审计标准对应的数据作为第一数据；

数据清洗步骤，用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据。

优选地，

所述审计反馈步骤包括：

判断所述待审计对象是否通过所述预设类别的审计：是，则将通过所述预设类别的审计的结果反馈给所述待审计对象；否，则将不通过所述预设类别的审计的结果反馈给所述待审计对象，并获取不符合的每一项标准或总体标准反馈给所述待审计对象，并发送信息提醒所述待审计对象针对所述不符合的每一项标准或总体标准进行整改。

优选地，

所述审计判断步骤包括：

子标准获取步骤，用于获取所述审计标准中每一项标准和总体标准；

对应数据提取步骤，用于从所述第一数据中提取所述每一项标准对应的所述第二数据；

每一项标准对应的预设模型获取步骤，用于获取所述每一项标准对应的预设模型；

每一项标准对应的第三数据生成步骤，用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型，计算得到所述每一项标准对应的第三数据；

每一项标准判断步骤，用于根据所述每一标准对应的第三数据和预设范围，判断所述待审计的对象是否符合所述每一项标准；

总体标准对应的预设模型获取步骤，用于获取所述总体标准对应的预设模型；

总体标准判断步骤，用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围，判断所述待审计对象是否符合所述总体标准；

综合判断步骤，用于判断所述待审计对象是否符合所述审计标准中所述每一项标准和所述总体标准。

优选地，

所述每一项标准对应的预设模型获取步骤包括:

每一项标准对应的深度学习模型初始化步骤，用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型；

每一项标准对应的历史数据获取步骤，用于从历史大数据中获取所述每一项标准对应的已进行过审计的每一对象的所述第二数据和第三数据；

第二深度学习模型生成步骤，用于将所述每一项标准对应的已进行过审计的每一对象的所述第二数据作为所述第一深度学习模型的输入数据，对所述第一深度学习模型进行无监督训练，得到的所述第一深度学习模型作为第二深度学习模型；

第三深度学习模型生成步骤，用于将所述每一项标准对应的已进行过审计的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据，对所述第二深度学习模型进行有监督训练，得到的所述第二深度学习模型作为第三深度学习模型；

每一项标准对应的预设模型设置步骤，用于将所述第三深度学习模型作为所述每一项标准对应的预设模型；

所述总体标准对应的预设模型获取步骤包括:

总体标准对应的深度学习模型初始化步骤，用于初始化所述总体标准对应的深度学习模型，得到的所述深度学习模型作为第四深度学习模型；

总体标准对应的历史数据获取步骤，用于从历史大数据中获取所述已进行过审计的每一对象的所述审计标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据；

第五深度学习模型生成步骤，用于将所述审计标准中每一项标准对应的已进行过审计的每一对象的所述第三数据的集合作为所述深度学习模型的输入数据，对所述第四深度学习模型进行无监督训练，得到的所述第四深度学习模型作为第五深度学习模型；

第六深度学习模型生成步骤，用于将所述已进行过审计的每一对象的所述审计标准中每一项标准对应的所述第三数据的集合和所述总体标准对应的所述第三数据分别作为所述第五深度学习模型的输入数据和输出数据，对所述第五深度学习模型进行有监督训练，得到的所述第五深度学习模型作为第六深度学习模型；

总体标准对应的预设模型设置步骤，用于将所述第六深度学习模型作为所述总体标准对应的预设模型。

优选地，

所述每一项标准判断步骤包括：

每一项标准对应的预设范围获取步骤，用于获取所述每一项标准对应的预设范围；

每一项标准对应的第三数据判断步骤，用于判定所述待审计的对象是否符合所述每一项标准；

所述总体标准判断步骤包括：

总体标准对应的第三数据生成步骤，用于根据所述每一项标准对应的所述第三数据和所述总体标准对应的所述预设模型，计算得到所述总体标准对应的第三数据；

总体标准对应的预设范围获取步骤，用于获取所述总体标准对应的预设范围；

总体标准对应的第三数据判断步骤，用于判断所述待审计的对象是否符合所述总体标准。

第二方面，本发明实施例提供一种审计系统，所述系统包括：

审计标准获取模块，用于获取预设类别的审计标准；

对象数据获取模块，用于获取待审计的对象的数据；

标准对应的数据获取模块，用于从所述待审计的对象的数据中获取所述审计标准对应的数据；

审计判断模块，用于判断所述审计标准对应的数据是否符合所述审计标准；

审计反馈模块，用于将审计的结果反馈给所述待审计对象。

优选地，

所述对象数据获取模块包括：

数据源获取模块，用于获取数据源；

对象数据检索模块，用于从所述数据源中检索并获取所述待审计的对象的数据；

所述标准对应的数据获取模块包括：

数据筛选模块，用于从所述待审计的对象的数据中筛选出所述审计标准对应的数据作为第一数据；

数据清洗模块，用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据。

所述审计反馈模块包括：

判断所述待审计对象是否通过所述预设类别的审计：是，则将通过所述预设类别的审计的结果反馈给所述待审计对象；否，则将不通过所述预设类别的审计的结果反馈给所述待审计对象，并获取不符合的每一项标准或总体标准反馈给所述待审计对象，并发送信息提醒所述待审计对象针对所述不符合的每一项标准或总体标准进行整改。

优选地，

所述审计判断模块包括：

子标准获取模块，用于获取所述审计标准中每一项标准和总体标准；

对应数据提取模块，用于从所述第一数据中提取所述每一项标准对应的所述第二数据；

每一项标准对应的预设模型获取模块，用于获取所述每一项标准对应的预设模型；

每一项标准对应的第三数据生成模块，用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型，计算得到所述每一项标准对应的第三数据；

每一项标准判断模块，用于根据所述每一标准对应的第三数据和预设范围，判断所述待审计的对象是否符合所述每一项标准；

总体标准对应的预设模型获取模块，用于获取所述总体标准对应的预设模型；

总体标准判断模块，用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围，判断所述待审计对象是否符合所述总体标准；

综合判断模块，用于判断所述待审计对象是否符合所述审计标准中所述每一项标准和所述总体标准。

第三方面，本发明实施例提供一种机器人系统，所述机器人中分别配置有如第二方面任一项所述的审计系统。

本发明实施例具有的优点和有益效果包括：

1、本发明实施例可以用于对对象的全自动审计，或辅助审计专家进行审计进行对象的半自动审计，从而提高审计自动化、智能化和审计效率。

2、预设类别审计过程中会涉及到对象的多种数据，例如进行高新企业审计时，涉及到企业对象的财务数据、知识产权数据、产品数据、安全数据、质量数据等等，这些数据都能第三方例如工商部门、知识产权局、税务部门、公安部门、质检部门等获取，但现实中预设类别审计时没有充分利用第三方的数据来提高审计的可信度。本发明实施例利用的数据源包括从第三方获取的大数据比对象自己提供的数据更为可信。

3、本发明实施例基于大数据结合审计标准进行智能分析来判断对象是否可以审计为预设类别来辅助专家进行审计，能降低审计专家进行审计的工作量，提高审计专家进行审计的效率。

4、本发明实施例采用深度学习技术基于历史大数据自动生成用于审计的预设模型，可以进一步提高审计的智能性和准确性。

5、本发明实施例通过审计方法和系统能够筛选出符合预设类别审计标准的数据和对象，供审计专家参考，这样可以提高审计专家进行审计的速度，降低审计专家进行审计的工作量。

6、本发明实施例通过审计方法和系统能够筛选出不符合预设类别审计标准的数据和对象，供审计专家参考，这样可以使得审计专家对不符合条件的数据和对象更加严格的审计，从而提高审计的准确率。

本发明实施例提供的基于大数据和深度学习的审计方法和机器人系统，包括：获取预设类别的审计标准，获取待审计的对象的数据，从所述对象的数据中获取所述审计标准对应的数据，判断所述审计标准对应的数据是否符合所述审计标准。上述方法和系统通过基于大数据和深度学习的审计技术，使得预设类别的审计更为自动化、智能化，提高了预设类别审计的客观性、可信度、准确性、效率。

附图说明

图1为本发明的实施例1提供的审计方法的流程图；

图2为本发明的实施例4提供的审计判断步骤的流程图；

图3为本发明的实施例5提供的每一项标准对应的预设模型获取步骤的流程图；

图4为本发明的实施例5提供的总体标准对应的预设模型获取步骤的流程图；

图5为本发明的实施例7提供的审计系统的原理框图；

图6为本发明的实施例10提供的审计判断模块的原理框图；

图7为本发明的实施例11提供的每一项标准对应的预设模型获取模块的原理框图；

图8为本发明的实施例11提供的总体标准对应的预设模型获取模块的原理框图。

具体实施方式

下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。

(一)本发明的各种实施例中的方法包括以下步骤的各种组合：

审计标准获取步骤S100：获取预设类别的审计标准。

预设类别的审计标准就是对一个对象进行预设类别的审计时所采用的标准，例如将对企业对象进行财务审计、项目审计、效益审计、创新水平审计、项目审计、制度审计、等等。所述预设类别例如财务、效益等等，预设类别的审计例如财务的审计、效益的审计等等。

对象数据获取步骤S200：获取待审计的对象的数据。所述对象例如企业、个人等等。例如需要审计企业的经费使用是否合规，又如需要审计一个个人的经费使用是否合规，又如审计一个企业创新能力是否达到高新企业的准备等等。

对象数据获取步骤S200包括数据源获取步骤S210、对象数据检索步骤S220。

数据源获取步骤S210：获取数据源。所述数据源包括对象提供的数据、第三方提供的数据。对象提供的数据指所述对象提供的数据。第三方提供的数据包括政府部门、行业协会、知识产权局等部门存储的对象数据。数据源的提供方式包括数据检索与获取接口。通过所述接口通过计算机程序就能自动检索和获取相关数据。数据源一般为在线数据源，通过互联网可以远程获取在线数据源中的数据。所述数据源可以包括分布在不同部门的多个数据源。

对象数据检索步骤S220：从数据源中检索并获取所述对象的数据。因为数据源中包含有很多对象的数据和其他数据，如果整体获取下来再检索会花费过多的网络传输时间，所以需要先检索出所述对象的数据，再将所述对象的数据获取到本地。当有多个数据源时，要分别从多个数据源检索出所述对象的数据，然后分别下载到本地。

标准对应的数据获取步骤S300：从所述对象的数据中获取所述审计标准对应的数据。

标准对应的数据获取步骤S300包括数据筛选步骤S310、数据清洗步骤S320。

数据筛选步骤S310：根据所述审计标准，从所述对象的数据中筛选出所述对象对应的第一数据。所述对象的数据包括有各种数据，其中数据不一定都与预设类别审计标准有关，所以需要从所述对象的数据中检索出与预设类别审计标准有关的数据，作为所述对象对应的第一数据。预设类别审计标准有多项，各项标准对应的数据可能在不同的数据源中，例如财务数据在工商部门提供的数据源中，知识产权数据在知识产权局提供数据源中，质检数据在质检部门提供的数据源中，安全数据在公安部门提供的数据源中，所以更优的方式是，获取数据源中数据类别与各项标准之间的预设对应关系，从所述对象的数据中获取每一数据源对应的数据，从所述每一数据源对应的数据中检索出与所述每一数据源对应的标准相关的数据。例如知识产权部门提供的数据源对应的标准是知识产权标准，从知识产权部门提供的数据源中包括这个对象的知识产权的缴费数据、申请数据、受理数据、授权数据，其中“申请数据、受理数据、授权数据”这三个类别的数据与预设类别审计的知识产权标准有关，则在知识产权部门提供的数据源中所述三个数据类别与预设类别审计的知识产权标准之间的建立对应关系，作为所述预设的对应关系。

数据清洗步骤S320：从所述第一数据中提取每一项标准对应的第二数据。将第一数据中与每一项标准对应的数据作为第二数据。判断所述每一项标准对应的第二数据是否存在：否，则向用户发送缺少所述每一项标准对应的第二数据的提醒信息；是，则判断所述每一项标准对应的第二数据是否唯一：否，则判断所述每一项标准对应的多个第二数据之间是否一致：否，则保留所述多个第二数据中可信度最高的第二数据，删除所述多个第二数据中其他第二数据。从所述第一数据中提取的所述每一项标准对应的第二数据是所述第一数据中与所述每一项标准对应的数据。

数据清洗步骤S320中所述保留所述多个第二数据中可信度最高的第二数据，删除所述多个第二数据中其他第二数据的步骤包括对应数据源获取步骤S321、可信度获取步骤S322、可信度选取步骤S323。

对应数据源获取步骤S321：获取所述多个第二数据中每个第二数据对应的数据源。因为第一数据是从数据源获取的，而第二数据又是从第一数据中提取的，所以可以获取到每个第二数据对应的数据源。

可信度获取步骤S322：获取所述每个第二数据对应的数据源的可信度。所述可信度可以预先设置。例如公安部门的数据源的可信度为100％，工商部门的数据源的可信度为99％，知识产权部门的数据源的可信度为98％，对象自身提供的数据源的可信度为80％。预先设置所述可信度的方式包括由专家对可信度进行设置，还包括自动生成所述可信度。

可信度获取步骤S322中所述自动生成可信度的步骤包括：将所有数据源的可信度初始化为初始值，例如50％。从历史大数据中获取每个对象的所述第一数据和已清洗得到的第二数据。将所述已清洗得到的第二数据对应的数据源的可信度增加预设值，将所述第一数据中与已清洗得到的第二数据一致的其他第二数据对应的数据源的可信度增加预设值，例如0.1％，将所述第一数据中与已清洗得到的第二数据不一致的其他第二数据对应的数据源的可信度减少预设值，例如0.05％。当所述第二数据对应的数据源的可信度达到100％时，则不再增加预设值；当所述第二数据对应的数据源的可信度减少到0％时，则不再建设预设值。这样就能够使得不同的数据源的可信度根据历史第二数据是否正确而进行增减，从而形成不同数据源的不同可信度。所述已清洗得到的第二数据指的是通过人工方式或其他方式确认的正确的第二数据。可见，在尚不清楚各个数据源的可信度之前的多次预设类别审计时，需要人工的方式来进行数据的清洗，然后就可以根据这些历史数据来分析得到各个数据源的可信度。

可信度选取步骤S323：从所述每个第二数据对应的数据源的可信度中选取最高的可信度。保留所述多个第二数据中所述最高可信度对应的第二数据，删除所述多个第二数据中所述最高可信度对应的第二数据以外的其他第二数据。这样就能够在多个第二数据相互冲突时，保留最可信的数据，而将其他的相互冲突的数据删除。

审计判断步骤S400：判断所述审计标准对应的数据是否符合所述审计标准：是，则判断所述待审计对象通过预设类别的审计；否，则判断所述待审计对象不通过预设类别的审计。

审计判断步骤S400包括子标准获取步骤S410、对应数据提取步骤S420、每一项标准对应的预设模型获取步骤S430、每一项标准判断步骤S440、总体标准对应的预设模型获取步骤S450、总体标准判断步骤S460、综合判断步骤S470。

子标准获取步骤S410：获取所述审计标准中每一项标准和总体标准。

对应数据提取步骤S420：从所述第一数据中提取所述每一项标准对应的第二数据。判断所述每一项标准对应的第二数据是否存在：是，则跳转到S430继续执行；否，则将所述每一项标准对应的第三数据设置为空，然后跳转到S450继续执行。

每一项标准对应的预设模型获取步骤S430：获取所述每一项标准对应的预设模型。所述预设模型包括公式或算法或深度学习模型。

当所述预设模型是深度学习模型时，每一项标准对应的预设模型获取步骤S430包括每一项标准对应的深度学习模型初始化步骤S431、每一项标准对应的历史数据获取步骤S432、第二深度学习模型生成步骤S433、第三深度学习模型生成步骤S434、每一项标准对应的预设深度学习模型设置步骤S435。

每一项标准对应的深度学习模型初始化步骤S431:初始化所述每一项标准对应的深度学习模型，将所述深度学习模型的输入格式设置为所述每一项标准对应的第二数据的格式，将所述深度学习模型的输出格式设置为所述每一项标准对应的第三数据的格式，通过初始化得到的所述深度学习模型作为第一深度学习模型。

每一项标准对应的历史数据获取步骤S432：从历史大数据中获取所述每一项标准对应的已进行过审计的每一对象的第二数据和第三数据。历史大数据是指大量的历史数据或积累了较长时间的数据。已进行过审计的对象，包括已进行过审计通过的对象、已进行过审计但审计未通过的对象。其中，第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。

第二深度学习模型生成步骤S433:将所述每一项标准对应的已进行过审计的每一对象的第二数据作为所述第一深度学习模型的输入数据，对所述第一深度学习模型进行无监督训练，通过无监督学习得到的所述第一深度学习模型作为第二深度学习模型。

第三深度学习模型生成步骤S434:将所述每一项标准对应的已进行过审计的每一对象的第二数据和第三数据分别作为所述第二深度学习模型的输入数据和输出数据，对所述第二深度学习模型进行有监督训练。将所述每一项标准对应的已进行过审计的每一对象的第二数据和第三数据分别作为所述第二深度学习模型的输入数据和输出数据，指的是将所述每一项标准对应的已进行过审计的每一对象的第二数据作为所述第二深度学习模型的输入数据，将所述每一项标准对应的已进行过审计的所述每一对象的第三数据作为所述第二深度学习模型的输出数据，通过有监督学习得到的所述第二深度学习模型作为第三深度学习模型。

每一项标准对应的预设模型设置步骤S435：将所述第三深度学习模型作为所述每一项标准对应的预设模型。

每一项标准对应的第三数据生成步骤S440:根据所述每一项标准对应的第二数据和所述每一项标准对应的预设模型，计算得到所述每一项标准对应的第三数据。在计算机上执行所述每一项标准对应的预设模型，将所述每一项标准对应的第二数据作为所述每一项标准对应的预设模型的输入，计算得到的输出作为所述每一项标准对应的第三数据。优选地，将所述每一项标准对应的第二数据作为所述每一项标准对应的所述第三深度学习模型的输入，计算得到的所述第三深度学习模型的输出作为所述每一项标准对应的第三数据。其中，第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。

每一项标准判断步骤S450:根据所述每一标准对应的第三数据和预设范围，判断所述待审计对象是否符合所述每一项标准。

每一项标准判断步骤S450包括每一项标准对应的预设范围获取步骤S451、每一项标准对应的第三数据判断步骤S452。

每一项标准对应的预设范围获取步骤S451:获取所述每一项标准对应的预设范围。不同的标准对应的预设范围不同，有的是硬性的标准，则有固定的范围，而有的标准不是硬性的标准，则范围设为从负无穷到正无穷。如果一个标准不是硬性的标准，则这个标准对应的结果都在所述预设范围内。但不论一个标准是否是硬性的标准都会对所述待审计的对象是否能通过审计产生影响，因为会对最终总体评分产生影响，而总体评分对应的总体标准一般都会有一个范围，例如大于80分。

每一项标准对应的第三数据判断步骤S452:判断所述每一项标准对应的第三数据是否为空：

是，则判断所述每一项标准对应的预设范围是否为从负无穷到正无穷：是，则判定所述待审计对象符合所述每一项标准；否，则判定所述待审计对象不符合所述每一项标准；

否：则判断所述每一项标准对应的第三数据是否在所述每一项标准对应的预设范围中：是，则判定所述待审计对象符合所述每一项标准；否，则判定所述待审计对象不符合所述每一项标准。

总体标准对应的预设模型获取步骤S460：获取所述总体标准对应的预设模型。所述预设模型包括公式或算法或深度学习模型。

当所述预设模型是深度学习模型时，总体标准对应的预设模型获取步骤S460包括总体标准对应的深度学习模型初始化步骤S461、总体标准对应的历史数据获取步骤S462、第五深度学习模型生成步骤S463、第六深度学习模型生成步骤S464、总体标准对应的预设模型设置步骤S465：

总体标准对应的深度学习模型初始化步骤S461:初始化所述总体标准对应的深度学习模型，将所述深度学习模型的输入格式设置为所述审计标准中每一项标准对应的第三数据的集合的格式，将所述深度学习模型的输出格式设置为所述总体标准对应的第三数据的格式，通过初始化得到的所述深度学习模型作为第四深度学习模型。

总体标准对应的历史数据获取步骤S462：从历史大数据中获取所述已进行过审计的每一对象的所述审计标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据。其中，每一项标准对应的第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。总体标准对应的第三数据可以是所述总体标准对应的评分或评价结果或其他能反映出所述每一项标准对应的第三数据符合所述总体标准的程度的数值。

第五深度学习模型生成步骤S463:将所述审计标准中每一项标准对应的已进行过审计的每一对象的第三数据的集合作为所述深度学习模型的输入数据，对所述第四深度学习模型进行无监督训练，通过无监督学习得到的所述第四深度学习模型作为第五深度学习模型。

第六深度学习模型生成步骤S464:将所述已进行过审计的每一对象的所述审计标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据分别作为所述第五深度学习模型的输入数据和输出数据，对所述第五深度学习模型进行有监督训练。将所述审计标准中每一项标准对应的已进行过审计的每一对象的第三数据的集合和所述总体标准对应的第三数据分别作为所述第五深度学习模型的输入数据和输出数据，指的是将每一项标准对应的已进行过审计的每一对象的第三数据作为所述第五深度学习模型的输入数据，将所述总体标准对应的已进行过审计的所述每一对象的第三数据作为所述第五深度学习模型的输出数据，通过有监督学习得到的所述第五深度学习模型作为第六深度学习模型。

总体标准对应的预设模型设置步骤S465：将所述第六深度学习模型作为所述总体标准对应的预设模型。

总体标准判断步骤S470:根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围，判断所述待审计对象是否符合所述总体标准。

总体标准判断步骤S470包括总体标准对应的第三数据生成步骤S471、总体标准对应的预设范围获取步骤S472、总体标准对应的第三数据判断步骤S473。

总体标准对应的第三数据生成步骤S471:根据所述每一项标准对应的第三数据和所述总体标准对应的预设模型，计算得到所述总体标准对应的第三数据。在计算机上执行所述每一项标准对应的预设模型，将所述每一项标准对应的第三数据作为所述总体标准对应的预设模型的输入，计算得到的输出作为所述总体标准对应的第三数据。优选地，将所述每一项标准对应的第三数据作为所述总体标准对应的所述第六深度学习模型的输入，计算得到的所述第六深度学习模型的输出作为所述总体标准对应的第三数据。其中，每一项标准对应的第三数据可以是所述每一项标准对应的评分或评价结果或其他能反映出所述第二数据符合所述每一项标准的程度的数值。总体标准对应的第三数据可以是所述总体标准对应的评分或评价结果或其他能反映出所述每一项标准对应的第三数据符合所述总体标准的程度的数值。

总体标准对应的预设范围获取步骤S472:获取所述总体标准对应的预设范围。总体标准对应的总体评分一般都会有一个范围，例如大于80分。

总体标准对应的第三数据判断步骤S473:判断所述总体标准对应的第三数据是否在所述总体标准对应的预设范围中：是，则判断所述待审计对象符合所述总体标准；否，则判断所述待审计对象不符合所述总体标准。

综合判断步骤S480：判断所述待审计对象是否符合所述审计标准中每一项标准和总体标准：是，则判定所述待审计对象通过预设类别的审计，即审计的结果是所述待审计对象通过了审计；否，则判定所述待审计对象不通过预设类别的审计，即审计的结果是所述待审计对象没有通过审计。符合所述审计标准中每一项标准和总体标准指的是同时符合所述审计标准中每一项标准和总体标准。如果有某一项标准或总体标准不符合，则判断所述待审计对象不通过预设类别的审计。

审计反馈步骤S500：将审计的结果反馈给所述待审计对象。判断所述待审计对象是否通过所述预设类别的审计：是，则将通过所述预设类别的审计的结果反馈给所述待审计对象；否，则将不通过所述预设类别的审计的结果反馈给所述待审计对象，并获取不符合的每一项标准或总体标准反馈给所述待审计对象，并发送信息提醒所述待审计对象针对所述不符合的每一项标准或总体标准进行整改。所述待审计对象是否符合每一项标准已经在每一项标准判断步骤S450进行判断过，所以可以获得。例如一共有6项标准，其中第1、3项不符合，则将第1、3项标准反馈给所述待审计对象。所述待审计对象是否符合总体标准已经在总体标准断步骤S470进行判断过，所以可以获得。

上述步骤可以在Spark等大数据平台上执行，以加快大数据处理的速度。

(二)本发明的各种实施例中的系统包括以下模块的各种组合：

审计标准获取模块100执行审计标准获取步骤S100。

执行对象数据获取模块200执行对象数据获取步骤S200。

对象数据获取模块200包括数据源获取模块210、对象数据检索模块220。

数据源获取模块210执行数据源获取步骤S210。

对象数据检索模块220执行对象数据检索步骤S220。

标准对应的数据获取模块300执行标准对应的数据获取步骤S300。

标准对应的数据获取模块300包括数据筛选模块310、数据清洗模块320。

数据筛选模块310执行数据筛选步骤S310。

数据清洗模块320执行数据清洗步骤S320。

数据清洗模块320包括对应数据源获取模块321、可信度获取模块322、可信度选取模块323。

对应数据源获取模块321执行对应数据源获取步骤S321。

可信度获取模块322执行可信度获取步骤S322。

可信度选取模块323执行可信度选取步骤S323。

审计判断模块400执行审计判断步骤S400。

审计判断模块400包括子标准获取模块410、对应数据提取模块420、每一项标准对应的预设模型获取模块430、每一项标准判断模块440、总体标准对应的预设模型获取模块450、总体标准判断模块460、综合判断模块470。

子标准获取模块410执行子标准获取步骤S410。

对应数据提取模块420执行对应数据提取步骤S420。

每一项标准对应的预设模型获取模块430执行每一项标准对应的预设模型获取步骤S430。

每一项标准对应的预设模型获取模块430包括每一项标准对应的深度学习模型初始化模块431、每一项标准对应的历史数据获取模块432、第二深度学习模型生成模块433、第三深度学习模型生成模块434、每一项标准对应的预设深度学习模型设置模块435。

每一项标准对应的深度学习模型初始化模块431执行每一项标准对应的深度学习模型初始化步骤S431。

每一项标准对应的历史数据获取模块432执行每一项标准对应的历史数据获取步骤S432。

第二深度学习模型生成模块433执行第二深度学习模型生成步骤S433。

第三深度学习模型生成模块434执行第三深度学习模型生成步骤S434。

每一项标准对应的预设深度学习模型设置模块435执行每一项标准对应的预设模型设置步骤S435。

每一项标准对应的第三数据生成模块440执行每一项标准对应的第三数据生成步骤S440。

每一项标准判断模块450执行每一项标准判断步骤S450。

每一项标准判断模块450包括每一项标准对应的预设范围获取模块451、每一项标准对应的第三数据判断模块452。

每一项标准对应的预设范围获取模块451执行每一项标准对应的预设范围获取步骤S451。

每一项标准对应的第三数据判断模块452执行每一项标准对应的第三数据判断步骤S452。

总体标准对应的预设模型获取模块460执行总体标准对应的预设模型获取步骤S460。

总体标准对应的预设模型获取模块460包括总体标准对应的深度学习模型初始化模块461、总体标准对应的历史数据获取模块462、第五深度学习模型生成模块463、第六深度学习模型生成模块464、总体标准对应的预设模型设置模块465：

总体标准对应的深度学习模型初始化模块461执行总体标准对应的深度学习模型初始化步骤S461。

总体标准对应的历史数据获取模块462执行总体标准对应的历史数据获取步骤S462。

第五深度学习模型生成模块463执行第五深度学习模型生成步骤S463。

第六深度学习模型生成模块464执行第六深度学习模型生成步骤S464。

总体标准对应的预设模型设置模块465执行总体标准对应的预设模型设置步骤S465。

总体标准判断模块470执行总体标准判断步骤S470。

总体标准判断模块470包括总体标准对应的第三数据生成模块471、总体标准对应的预设范围获取模块472、总体标准对应的第三数据判断模块473。

总体标准对应的第三数据生成模块471执行总体标准对应的第三数据生成步骤S471。

总体标准对应的预设范围获取模块472执行总体标准对应的预设范围获取步骤S472。

总体标准对应的第三数据判断模块473执行总体标准对应的第三数据判断步骤S473。

综合判断模块480执行综合判断步骤S480。

审计反馈模块500执行审计反馈步骤S500。

上述模块可以在Spark等大数据平台上部署，以加快大数据处理的速度。

(三)本发明的几种实施例

实施例1提供一种审计方法，所述审计方法包括审计标准获取步骤S100、对象数据获取步骤S200、标准对应的数据获取步骤S300、审计判断步骤S400、审计反馈步骤S500，如图1所示。

实施例2提供一种审计方法，包括实施例1中所述方法的各步骤；其中，对象数据获取步骤S200包括数据源获取步骤S210、对象数据检索S220，标准对应的数据获取步骤S300包括数据筛选步骤S310、数据清洗步骤S320。

实施例3提供一种审计方法，包括实施例2中所述方法的各步骤；其中，数据清洗步骤S320包括对应数据源获取步骤S321、可信度获取步骤S322、可信度选取步骤S323。

实施例4提供一种审计方法，包括实施例2中所述方法的各步骤；其中，审计判断步骤S400包括子标准获取步骤S410、对应数据提取步骤S420、每一项标准对应的预设模型获取步骤S430、每一项标准对应的第三数据生成步骤S440、每一项标准判断步骤S450、总体标准对应的预设模型获取步骤S460、总体标准判断步骤S470、综合判断步骤S480，如图2所示。

实施例5提供一种审计方法，包括实施例4中所述方法的各步骤；其中，每一项标准对应的预设模型获取步骤S430包括每一项标准对应的深度学习模型初始化步骤S431、每一项标准对应的历史数据获取步骤S432、第二深度学习模型生成步骤S433、第三深度学习模型生成步骤S434、每一项标准对应的预设深度学习模型设置步骤S435，如图3所示；总体标准对应的预设模型获取步骤S460包括总体标准对应的深度学习模型初始化步骤S461、总体标准对应的历史数据获取步骤S462、第五深度学习模型生成步骤S463、第六深度学习模型生成步骤S464、总体标准对应的预设模型设置步骤S465，如图4所示。

实施例6提供一种审计方法，包括实施例4中所述方法的各步骤；其中，每一项标准判断步骤S450包括每一项标准对应的预设范围获取步骤S451、每一项标准对应的第三数据判断步骤S452；总体标准判断步骤S470包括总体标准对应的第三数据生成步骤S471、总体标准对应的预设范围获取步骤S472、总体标准对应的第三数据判断步骤S473。

实施例7提供一种审计系统，所述审计系统包括审计标准获取模块100、对象数据获取模块200、标准对应的数据获取模块300、审计判断模块400、审计反馈模块500，如图5所示。

实施例8提供一种审计系统，包括实施例7中所述系统的各步骤；其中，对象数据获取模块200包括数据源获取模块210、对象数据检索S220，标准对应的数据获取模块300包括数据筛选模块310、数据清洗模块320。

实施例9提供一种审计系统，包括实施例8中所述系统的各步骤；其中，数据清洗模块320包括对应数据源获取模块321、可信度获取模块322、可信度选取模块323。

实施例10提供一种审计系统，包括实施例8中所述系统的各步骤；其中，审计判断模块400包括子标准获取模块410、对应数据提取模块420、每一项标准对应的预设模型获取模块430、每一项标准对应的第三数据生成模块440、每一项标准判断模块450、总体标准对应的预设模型获取模块460、总体标准判断模块470、综合判断模块480，如图6所示。

实施例11提供一种审计系统，包括实施例10中所述系统的各步骤；其中，每一项标准对应的预设模型获取模块430包括每一项标准对应的深度学习模型初始化模块431、每一项标准对应的历史数据获取模块432、第二深度学习模型生成模块433、第三深度学习模型生成模块434、每一项标准对应的预设深度学习模型设置模块435，如图7所示；总体标准对应的预设模型获取模块460包括总体标准对应的深度学习模型初始化模块461、总体标准对应的历史数据获取模块462、第五深度学习模型生成模块463、第六深度学习模型生成模块464、总体标准对应的预设模型设置模块465，如图8所示。

实施例12提供一种审计系统，包括实施例10中所述系统的各步骤；其中，每一项标准判断模块450包括每一项标准对应的预设范围获取模块451、每一项标准对应的第三数据判断模块452；总体标准判断模块470包括总体标准对应的第三数据生成模块471、总体标准对应的预设范围获取模块472、总体标准对应的第三数据判断模块473。

实施例13提供一种机器人系统，所述机器人中分别配置有如实施例7至实施例12所述的审计系统。

上述各实施例中的方法和系统可以在计算机、服务器、云服务器、超级计算机、机器人、嵌入式设备、电子设备等上执行和部署。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种审计方法，其特征在于，所述方法包括：

审计标准获取步骤，用于获取预设类别的审计标准；

对象数据获取步骤，用于从对象提供的数据和第三方提供的数据中获取待审计的对象的数据；第三方提供的数据包括政府部门、行业协会、知识产权局部门存储的对象数据；

标准对应的数据获取步骤，用于从所述待审计的对象的数据中获取所述审计标准对应的数据；

审计判断步骤，用于判断所述审计标准对应的数据是否符合所述审计标准；所述审计判断步骤包括采用深度学习技术基于历史大数据自动生成用于审计的预设模型的步骤；

审计反馈步骤，用于将审计的结果反馈给所述待审计的对象；

所述审计判断步骤含有根据每一项标准对应的第二数据和所述每一项标准对应的预设模型，计算得到所述每一项标准对应的第三数据的步骤；

所述每一项标准对应的预设模型的获取步骤包括：

每一项标准对应的深度学习模型初始化步骤，用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型；所述深度学习模型的输入格式设置为所述每一项标准对应的第二数据的格式，输出格式设置为所述每一项标准对应的第三数据的格式，通过初始化得到所述深度学习模型作为第一深度学习模型；

每一项标准对应的历史数据获取步骤，用于从历史大数据中获取所述每一项标准对应的已进行过审计的每一对象的第二数据和第三数据；

第二深度学习模型生成步骤，用于将所述每一项标准对应的已进行过审计的每一对象的所述第二数据作为所述第一深度学习模型的输入数据，对所述第一深度学习模型进行无监督训练，得到的所述第一深度学习模型作为第二深度学习模型；

第三深度学习模型生成步骤，用于将所述每一项标准对应的已进行过审计的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据，对所述第二深度学习模型进行有监督训练，得到的所述第二深度学习模型作为第三深度学习模型；

每一项标准对应的预设模型设置步骤，用于将所述第三深度学习模型作为所述每一项标准对应的预设模型。

2.根据权利要求1所述的审计方法，其特征在于，

所述对象数据获取步骤包括：

数据源获取步骤，用于获取数据源；

对象数据检索步骤，用于从所述数据源中检索并获取所述待审计的对象的数据；

所述标准对应的数据获取步骤包括：

数据筛选步骤，用于从所述待审计的对象的数据中筛选出所述审计标准对应的数据作为第一数据；

数据清洗步骤，用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据。

3.根据权利要求1所述的审计方法，其特征在于，所述审计反馈步骤包括：

判断所述待审计对象是否通过所述预设类别的审计：是，则将通过所述预设类别的审计的结果反馈给所述待审计对象；否，则将不通过所述预设类别的审计的结果反馈给所述待审计对象，并获取不符合的每一项标准或总体标准反馈给所述待审计对象，并发送信息提醒所述待审计对象针对所述不符合的每一项标准或总体标准进行整改。

4.根据权利要求2所述的审计方法，其特征在于，

所述审计判断步骤包括：

子标准获取步骤，用于获取所述审计标准中每一项标准和总体标准；

对应数据提取步骤，用于从所述第一数据中提取所述每一项标准对应的所述第二数据；

每一项标准对应的预设模型获取步骤，用于获取所述每一项标准对应的预设模型；

每一项标准对应的第三数据生成步骤，用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型，计算得到所述每一项标准对应的第三数据；

每一项标准判断步骤，用于根据所述每一标准对应的第三数据和预设范围，判断所述待审计的对象是否符合所述每一项标准；

总体标准对应的预设模型获取步骤，用于获取所述总体标准对应的预设模型；

总体标准判断步骤，用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围，判断所述待审计对象是否符合所述总体标准；

综合判断步骤，用于判断所述待审计对象是否符合所述审计标准中所述每一项标准和所述总体标准。

5.根据权利要求4所述的审计方法，其特征在于，

所述总体标准对应的预设模型获取步骤包括:

总体标准对应的深度学习模型初始化步骤，用于初始化所述总体标准对应的深度学习模型，得到的所述深度学习模型作为第四深度学习模型；

总体标准对应的历史数据获取步骤，用于从历史大数据中获取所述已进行过审计的每一对象的所述审计标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据；

第五深度学习模型生成步骤，用于将所述审计标准中每一项标准对应的已进行过审计的每一对象的所述第三数据的集合作为所述深度学习模型的输入数据，对所述第四深度学习模型进行无监督训练，得到的所述第四深度学习模型作为第五深度学习模型；

第六深度学习模型生成步骤，用于将所述已进行过审计的每一对象的所述审计标准中每一项标准对应的所述第三数据的集合和所述总体标准对应的所述第三数据分别作为所述第五深度学习模型的输入数据和输出数据，对所述第五深度学习模型进行有监督训练，得到的所述第五深度学习模型作为第六深度学习模型；

总体标准对应的预设模型设置步骤，用于将所述第六深度学习模型作为所述总体标准对应的预设模型。

6.根据权利要求4所述的审计方法，其特征在于，

所述每一项标准判断步骤包括：

每一项标准对应的预设范围获取步骤，用于获取所述每一项标准对应的预设范围；

每一项标准对应的第三数据判断步骤，用于判定所述待审计的对象是否符合所述每一项标准；

所述总体标准判断步骤包括：

总体标准对应的第三数据生成步骤，用于根据所述每一项标准对应的所述第三数据和所述总体标准对应的所述预设模型，计算得到所述总体标准对应的第三数据；

总体标准对应的预设范围获取步骤，用于获取所述总体标准对应的预设范围；

总体标准对应的第三数据判断步骤，用于判断所述待审计的对象是否符合所述总体标准。

7.一种审计系统，其特征在于，所述系统包括：

审计标准获取模块，用于获取预设类别的审计标准；

对象数据获取模块，用于从对象提供的数据和第三方提供的数据中获取待审计的对象的数据；第三方提供的数据包括政府部门、行业协会、知识产权局部门存储的对象数据；

标准对应的数据获取模块，用于从所述待审计的对象的数据中获取所述审计标准对应的数据；

审计判断模块，用于判断所述审计标准对应的数据是否符合所述审计标准；所述审计判断模块包括采用深度学习技术基于历史大数据自动生成用于审计的预设模型的模块；

审计反馈模块，用于将审计的结果反馈给所述待审计的对象；

所述审计判断模块含有根据每一项标准对应的第二数据和所述每一项标准对应的预设模型，计算得到所述每一项标准对应的第三数据的模块；

所述每一项标准对应的预设模型的获取步骤包括：

每一项标准对应的深度学习模型初始化步骤，用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型；所述深度学习模型的输入格式设置为所述每一项标准对应的第二数据的格式，输出格式设置为所述每一项标准对应的第三数据的格式，通过初始化得到所述深度学习模型作为第一深度学习模型；

每一项标准对应的历史数据获取步骤，用于从历史大数据中获取所述每一项标准对应的已进行过审计的每一对象的第二数据和第三数据；

第二深度学习模型生成步骤，用于将所述每一项标准对应的已进行过审计的每一对象的所述第二数据作为所述第一深度学习模型的输入数据，对所述第一深度学习模型进行无监督训练，得到的所述第一深度学习模型作为第二深度学习模型；

第三深度学习模型生成步骤，用于将所述每一项标准对应的已进行过审计的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据，对所述第二深度学习模型进行有监督训练，得到的所述第二深度学习模型作为第三深度学习模型；

每一项标准对应的预设模型设置步骤，用于将所述第三深度学习模型作为所述每一项标准对应的预设模型。

8.根据权利要求7所述的审计系统，其特征在于，

所述对象数据获取模块包括：

数据源获取模块，用于获取数据源；

对象数据检索模块，用于从所述数据源中检索并获取所述待审计的对象的数据；

所述标准对应的数据获取模块包括：

数据筛选模块，用于从所述待审计的对象的数据中筛选出所述审计标准对应的数据作为第一数据；

数据清洗模块，用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据；

所述审计反馈模块包括：

判断所述待审计对象是否通过所述预设类别的审计：是，则将通过所述预设类别的审计的结果反馈给所述待审计对象；否，则将不通过所述预设类别的审计的结果反馈给所述待审计对象，并获取不符合的每一项标准或总体标准反馈给所述待审计对象，并发送信息提醒所述待审计对象针对所述不符合的每一项标准或总体标准进行整改。

9.根据权利要求8所述的审计系统，其特征在于，

所述审计判断模块包括：

子标准获取模块，用于获取所述审计标准中每一项标准和总体标准；

对应数据提取模块，用于从所述第一数据中提取所述每一项标准对应的所述第二数据；

每一项标准对应的预设模型获取模块，用于获取所述每一项标准对应的预设模型；

每一项标准对应的第三数据生成模块，用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型，计算得到所述每一项标准对应的第三数据；

每一项标准判断模块，用于根据所述每一标准对应的第三数据和预设范围，判断所述待审计的对象是否符合所述每一项标准；

总体标准对应的预设模型获取模块，用于获取所述总体标准对应的预设模型；

总体标准判断模块，用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围，判断所述待审计对象是否符合所述总体标准；

综合判断模块，用于判断所述待审计对象是否符合所述审计标准中所述每一项标准和所述总体标准。

10.一种机器人系统，其特征在于，所述机器人中分别配置有如权利要求7-9任一项所述的审计系统。

Images