CN109766358A - 账单数据管理方法、装置、计算机设备和存储介质 - Google Patents
账单数据管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109766358A CN109766358A CN201811545023.5A CN201811545023A CN109766358A CN 109766358 A CN109766358 A CN 109766358A CN 201811545023 A CN201811545023 A CN 201811545023A CN 109766358 A CN109766358 A CN 109766358A
- Authority
- CN
- China
- Prior art keywords
- data
- billing data
- neural network
- billing
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013523 data management Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 241001269238 Data Species 0.000 claims 1
- 238000005194 fractionation Methods 0.000 abstract description 5
- 238000012098 association analyses Methods 0.000 abstract description 3
- 238000010224 classification analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理技术领域，应用于金融行业，特别是涉及一种账单数据管理方法、装置、计算机设备和存储介质。一个实施例中的方法包括：获取历史账单数据以及已训练的神经网络模型，根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息，根据属性信息对历史账单数据进行划分，得到已划分的账单数据，获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据，这样通过对账单数据进行分类和关联性分析，为账单数据查询做准备，可以有效提高账单拆分的效率。
Description
技术领域
本申请涉及计算机数据处理技术领域，特别是涉及一种账单数据管理方法、装置、计算机设备和存储介质。
背景技术
账单也称为对账单，是与消费发生方进行对账行为的部门提供的账目发生情况的详情单，常见的对账单包括个人理财对账单、电费对账单、燃气对账单、社会保险对账单、医疗保险对账单、交通违规对账单等。
企业在进行经营活动时，各个部门产生大量的账单数据，比如办公用品支出、交通支出、技术服务支出等。在进行商业决策或者部门考核时，需要财务人员对账单数据进行拆分整理。而传统的财务软件没有账单拆分功能，当需要进行账单拆分时，需要人工进行拆分，这样导致账单拆分的工作效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高工作效率的账单数据管理方法、装置、计算机设备和存储介质。
一种账单数据管理方法，所述方法包括：
获取历史账单数据以及已训练的神经网络模型；
根据所述历史账单数据以及所述已训练的神经网络模型，得到所述历史账单数据的属性信息；
根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据；
获取查询条件，根据所述查询条件在所述已划分的账单数据中查找，得到与所述查询条件匹配的账单数据。
在一个实施例中，所述根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据之前，还包括：
对所述历史账单数据进行单位转换处理，得到已处理的历史账单数据；
所述根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据，包括：
根据所述属性信息对所述已处理的历史账单数据进行划分，得到已划分的账单数据。
在一个实施例中，所述对所述历史账单数据进行单位转换处理，得到已处理的历史账单数据，包括：
获取所述历史账单数据中的第一账单数据，将所述第一账单数据进行单位转换，得到第二账单数据，其中，所述第一账单数据的单位为第一单位，所述第二账单数据的单位为第二单位；
当所述第一账单数据的统计结果与对应的第二账单数据的统计结果不同时，通过预设舍位平衡算法进行平衡处理，将平衡处理后的账单数据作为已处理的历史账单数据；
当所述第一账单数据的统计结果与对应的第二账单数据的统计结果相同时，将所述第二账单数据作为已处理的历史账单数据。
在一个实施例中，所述获取已训练的神经网络模型之前，还包括：
获取账单数据样本集以及神经网络模型；
通过所述账单数据样本集对所述神经网络模型进行训练，得到已训练的神经网络模型。
在一个实施例中，所述账单数据样本集包括元组数据和与所述元组数据对应的属性信息，所述通过所述账单数据样本集对所述神经网络模型进行训练，得到已训练的神经网络模型，包括：
将所述元组数据作为输入信息输入所述神经网络模型的输入层，获取所述神经网络模型的输出层输出的属性信息；
根据所述输出层输出的属性信息以及所述元组数据对应的属性信息，得到所述输出层的误差；
当所述输出层的误差不处于预设误差范围时，根据所述输出层的误差得到所述神经网络模型的隐含层的误差；
通过所述隐含层的误差修正所述神经网络模型的权值，根据修正后的权值重新训练所述神经网络模型，直至所述输出层的误差处于预设误差范围，得到已训练的神经网络模型。
在一个实施例中，所述根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据之后，还包括：
创建分区视图存储框架；
建立索引表，所述索引表用于记录待创建的数据表；
根据所述索引表以及所述已划分的账单数据创建数据表，将已创建的数据表添加至所述分区视图存储框架进行存储。
一种账单数据管理装置，所述装置包括：
数据获取模块，用于获取历史账单数据以及已训练的神经网络模型；
属性获取模块，用于根据所述历史账单数据以及所述已训练的神经网络模型，得到所述历史账单数据的属性信息；
数据划分模块，用于根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据；
数据查询模块，用于获取查询条件，根据所述查询条件在所述已划分的账单数据中查找，得到与所述查询条件匹配的账单数据。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取历史账单数据以及已训练的神经网络模型；
根据所述历史账单数据以及所述已训练的神经网络模型，得到所述历史账单数据的属性信息；
根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据；
获取查询条件，根据所述查询条件在所述已划分的账单数据中查找，得到与所述查询条件匹配的账单数据。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取历史账单数据以及已训练的神经网络模型；
根据所述历史账单数据以及所述已训练的神经网络模型，得到所述历史账单数据的属性信息；
根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据；
获取查询条件，根据所述查询条件在所述已划分的账单数据中查找，得到与所述查询条件匹配的账单数据。
上述账单数据管理方法、装置、计算机设备和存储介质，通过获取历史账单数据以及已训练的神经网络模型，根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息，根据属性信息对历史账单数据进行划分，得到已划分的账单数据，获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据，这样通过对账单数据进行分类和关联性分析，为账单数据查询做准备，可以有效提高账单拆分的效率。
附图说明
图1为一个实施例中账单数据管理方法的应用环境图；
图2为一个实施例中账单数据管理方法的流程示意图；
图3为一个实施例中对历史账单数据进行单位转换步骤的流程示意图；
图4为一个实施例中对神经网络模型进行训练步骤的流程示意图；
图5为一个实施例中账单数据管理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的账单数据管理方法，可以应用于如图1所示的应用环境中。其中，查询终端102通过网络与服务器104进行通信。服务器获取历史账单数据以及已训练的神经网络模型，根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息，根据属性信息对历史账单数据进行划分，得到已划分的账单数据，获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据。其中，查询终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种账单数据管理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，获取历史账单数据以及已训练的神经网络模型。
历史账单数据是指消费主体已发生的账单数据，具体可以包括一级目录、二级目录、技术服务名称、部门名称、账目明细数据、时间等信息。比如，经办人次月月初在线上系统导入当月账单，即实际发生额，账单表结构可以包括如下字段：一级目录名称、二级目录名称、技术服务名称、收费来源、成本条线、预算条线、成本中心、部门名称、金额以及月份等。其中，二级目录名称与一级目录名称联动，技术服务名称与一级目录名称和二级目录名称联动，成本条线、预算条线以及费用类型之间具有关联关系，成本条线、部门名称以及成本中心之间具有关联关系。比如一级目录名称包括办公支持、技术平台、数据服务、系统开发、系统运维、信息安全、业务平台以及专业咨询，一级目录办公支持包括二级目录个人电脑、办公网络、会议服务等，一级目录系统运维包括二级目录基础架构、运营支持等。
步骤204，根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息。
属性信息是指表征账单数据类别的字段信息，属性信息具体可以包括时间、消费主体、消费类型等。神经网络模型通过账单数据样本集训练，根据账单数据样本集建立分类，再通过已训练的神经网络模型预测未知样本的属性信息，账单数据样本集包括元组数据和相关联的属性信息。
步骤206，根据属性信息对历史账单数据进行划分，得到已划分的账单数据。
按照属性信息对历史账单数据进行划分，将具有相同或相近属性的数据划分为一组。比如，以业务条线作为属性信息进行数据划分，将同一业务条线的账单数据划分至同一组；以各成本中心为属性信息进行数据划分，将相同成本中心的账单数据划分至同一组。在同一组下又可以再按照不同属性进行细分，比如同一业务条线的账单数据可以按照时间属性再进行细分。
步骤208，获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据。
查询条件是由外部数据请求终端发起的，用于对账单数据进行针对性查询。查询条件可以是预先定义的，比如不同的业务条线/团队/成本中心，具体地，以业务条线A作为查询条件，将业务条线A在已划分的账单数据中查找匹配，找到业务条线A的账单数据并反馈。
上述账单数据管理方法，通过获取历史账单数据以及已训练的神经网络模型，根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息，根据属性信息对历史账单数据进行划分，得到已划分的账单数据，获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据，这样通过对账单数据进行分类和关联性分析，为账单数据查询做准备，可以有效提高账单拆分的效率。
在一个实施例中，根据属性信息对历史账单数据进行划分，得到已划分的账单数据之前，还包括：对历史账单数据进行单位转换处理，得到已处理的历史账单数据；根据属性信息对历史账单数据进行划分，得到已划分的账单数据，包括：根据属性信息对已处理的历史账单数据进行划分，得到已划分的账单数据。由于账单数据的消费主体不同，比如有些消费主体的账单数据以万元为单位，有些消费主体的账单数据以元为单位，因此需要对单位进行统一化，以便后续账单数据处理。
在一个实施例中，如图3所示，对历史账单数据进行单位转换处理，得到已处理的历史账单数据，包括：步骤302，获取历史账单数据中的第一账单数据，将第一账单数据进行单位转换，得到第二账单数据，其中，第一账单数据的单位为第一单位，第二账单数据的单位为第二单位；步骤304，当第一账单数据的统计结果与对应的第二账单数据的统计结果不同时，通过预设舍位平衡算法进行平衡处理，将平衡处理后的账单数据作为已处理的历史账单数据；步骤306，当第一账单数据的统计结果与对应的第二账单数据的统计结果相同时，将第二账单数据作为已处理的历史账单数据。在账单数据管理中，当计量单位标准改变时，需要对账单数据进行舍位处理，而舍位处理可能会造成原来平衡的数据变得不平衡，因此，需要对舍位处理后的账单处理进行舍位平衡处理。首先指定舍位平衡的条件，设置舍位位数、小数位位数、计量单位，然后设定舍位平衡公式，舍位平衡公式是用于重新调整平衡关系的公式。舍位平衡算法基于平衡原则和舍位原则，其中平衡原则是指根据最终结果向前推，舍位原则是指计量单位由元变成万元，四舍五入取整，求和时元变成万元进位，但各个加数元变成万元时四舍五入不进位，最大加数位需进位以保持平衡。具体地，第一单位可以是以元为单位，第二单位可以是以万元为单位，统计结果是指对账单数据中的各数据进行加减乘除等数学运算。比如，账单数据23451.00+35150.00元+4250.00元-7649.00元＝55202.00元，将单位变成万元，仍保留两位小数，根据四舍五入的原则，2.35万元+3.52万元+0.43万元-0.76万元＝5.54万元，更改单位后出现了0.02万元的误差，采用最小误差原理，为每一项分配最小误差。把最小误差0.01分配到不同的项目，使结果变为1.34万元+4.51万元+0.23万元-0.56万元＝5.52万元。
在一个实施例中，获取已训练的神经网络模型之前，还包括：获取账单数据样本集以及神经网络模型；通过账单数据样本集对神经网络模型进行训练，得到已训练的神经网络模型。账单数据样本集包括不同消费主体的各种信息，比如消费主体基本信息、消费记录信息以及各种消费金额明细等。通过神经网络模型对账单数据样本集进行分类处理，按照消费主体的属性进行关联性分析，将具有相同或者相近属性的消费主体对应的账单数据划分至一组，将消费主体按照属性的关联程度划分成若干组，分别建立关系数据库。
在一个实施例中，账单数据样本集包括元组数据和与元组数据对应的属性信息，如图4所示，通过账单数据样本集对神经网络模型进行训练，得到已训练的神经网络模型，包括：步骤402，将元组数据作为输入信息输入神经网络模型的输入层，获取神经网络模型的输出层输出的属性信息；步骤404，根据输出层输出的属性信息以及元组数据对应的属性信息，得到输出层的误差；步骤406，当输出层的误差不处于预设误差范围时，根据输出层的误差得到神经网络模型的隐含层的误差；步骤408，通过隐含层的误差修正神经网络模型的权值，根据修正后的权值重新训练神经网络模型，直至输出层的误差处于预设误差范围，得到已训练的神经网络模型。账单数据样本集可以是关系数据库形式，即账单数据样本集包括一张张数据表，表中的每行为一个元组，每列为一个属性。具体地，可以构建三层BP(BackPropagation，反向传播)神经网络模型，其包括输入节点、隐含层节点、输出节点、输入节点与隐含层节点之间的权值以及隐含层节点与输出节点之间的权值。将账单数据样本集中的元组数据作为输入信息从输入层经隐含层逐层计算，计算隐含层节点的输出以及输出节点的输出。根据输出节点的实际输出与样本集中的已知输出计算输出层误差，逐层向前算出隐含层的误差，再通过隐含层的误差以及前一时刻的负梯度方向修正模型的权值，根据修正后的权值重新训练，直至满足要求。这样可以避免BP算法在权值修正时，按照当前时刻的负梯度方向进行修正，没有利用以前时刻的负梯度方向，导致收敛缓慢和收敛震荡的问题。
在一个实施例中，根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据之后，还包括：创建分区视图存储框架；建立索引表，索引表用于记录待创建的数据表；根据索引表以及已划分的账单数据创建数据表，将已创建的数据表添加至分区视图存储框架进行存储。分区视图可以将数据按照预设规则进行存储，创建一个视图，通过创建的视图将账单数据的组成表连接，通过分区视图方式存储已划分的账单数据，在需要查询时，可以有效提高查询速度。比如，可以按照月份将已划分的账单数据拆分成每月一个表的形式，然后将不同时间的账单数据存储至按月创建的表中。创建视图，将各个按月创建的表组合，这样在查询、更新、插入或者删除的时候，根据时间可以找到对应时间段内的数据，可以有效减少数据量，加快处理速度。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种账单数据管理装置，包括：数据获取模块502、属性获取模块504、数据划分模块506以及数据查询模块508。其中，数据获取模块，用于获取历史账单数据以及已训练的神经网络模型。属性获取模块，用于根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息。数据划分模块，用于根据属性信息对历史账单数据进行划分，得到已划分的账单数据。数据查询模块，用于获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据。
在一个实施例中，数据划分模块之前还包括单位转换模块，用于对历史账单数据进行单位转换处理，得到已处理的历史账单数据；数据划分模块，用于根据属性信息对已处理的历史账单数据进行划分，得到已划分的账单数据。
在一个实施例中，单位转换模块包括：转换单元，用于获取历史账单数据中的第一账单数据，将第一账单数据进行单位转换，得到第二账单数据，其中，第一账单数据的单位为第一单位，第二账单数据的单位为第二单位；第一处理单元，用于当第一账单数据的统计结果与对应的第二账单数据的统计结果不同时，通过预设舍位平衡算法进行平衡处理，将平衡处理后的账单数据作为已处理的历史账单数据；第二处理单元，用于当第一账单数据的统计结果与对应的第二账单数据的统计结果相同时，将第二账单数据作为已处理的历史账单数据。
在一个实施例中，数据获取模块之前还包括样本获取模块，用于获取账单数据样本集以及神经网络模型；模型训练模块，用于通过账单数据样本集对神经网络模型进行训练，得到已训练的神经网络模型。
在一个实施例中，账单数据样本集包括元组数据和与元组数据对应的属性信息，模型训练模块包括：输入单元，用于将元组数据作为输入信息输入神经网络模型的输入层，获取神经网络模型的输出层输出的属性信息；第一误差获取单元，用于根据输出层输出的属性信息以及元组数据对应的属性信息，得到输出层的误差；第二误差获取单元，用于当输出层的误差不处于预设误差范围时，根据输出层的误差得到神经网络模型的隐含层的误差；修正单元，用于通过隐含层的误差修正神经网络模型的权值，根据修正后的权值重新训练神经网络模型，直至输出层的误差处于预设误差范围，得到已训练的神经网络模型。
在一个实施例中，数据划分模块之后还包括：框架创建模块，用于创建分区视图存储框架；索引建立模块，用于建立索引表，索引表用于记录待创建的数据表；数据存储模块，用于根据索引表以及已划分的账单数据创建数据表，将已创建的数据表添加至分区视图存储框架进行存储。
关于账单数据管理装置的具体限定可以参见上文中对于账单数据管理方法的限定，在此不再赘述。上述账单数据管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史账单数据、账单数据样本集等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种账单数据管理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取历史账单数据以及已训练的神经网络模型，根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息，根据属性信息对历史账单数据进行划分，得到已划分的账单数据，获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对历史账单数据进行单位转换处理，得到已处理的历史账单数据；根据属性信息对已处理的历史账单数据进行划分，得到已划分的账单数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史账单数据中的第一账单数据，将第一账单数据进行单位转换，得到第二账单数据，其中，第一账单数据的单位为第一单位，第二账单数据的单位为第二单位；当第一账单数据的统计结果与对应的第二账单数据的统计结果不同时，通过预设舍位平衡算法进行平衡处理，将平衡处理后的账单数据作为已处理的历史账单数据；当第一账单数据的统计结果与对应的第二账单数据的统计结果相同时，将第二账单数据作为已处理的历史账单数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取账单数据样本集以及神经网络模型；通过账单数据样本集对神经网络模型进行训练，得到已训练的神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将元组数据作为输入信息输入神经网络模型的输入层，获取神经网络模型的输出层输出的属性信息；根据输出层输出的属性信息以及元组数据对应的属性信息，得到输出层的误差；当输出层的误差不处于预设误差范围时，根据输出层的误差得到神经网络模型的隐含层的误差；通过隐含层的误差修正神经网络模型的权值，根据修正后的权值重新训练神经网络模型，直至输出层的误差处于预设误差范围，得到已训练的神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：创建分区视图存储框架；建立索引表，索引表用于记录待创建的数据表；根据索引表以及已划分的账单数据创建数据表，将已创建的数据表添加至分区视图存储框架进行存储。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取历史账单数据以及已训练的神经网络模型，根据历史账单数据以及已训练的神经网络模型，得到历史账单数据的属性信息，根据属性信息对历史账单数据进行划分，得到已划分的账单数据，获取查询条件，根据查询条件在已划分的账单数据中查找，得到与查询条件匹配的账单数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对历史账单数据进行单位转换处理，得到已处理的历史账单数据；根据属性信息对已处理的历史账单数据进行划分，得到已划分的账单数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史账单数据中的第一账单数据，将第一账单数据进行单位转换，得到第二账单数据，其中，第一账单数据的单位为第一单位，第二账单数据的单位为第二单位；当第一账单数据的统计结果与对应的第二账单数据的统计结果不同时，通过预设舍位平衡算法进行平衡处理，将平衡处理后的账单数据作为已处理的历史账单数据；当第一账单数据的统计结果与第二账单数据的统计结果相同时，将第二账单数据作为已处理的历史账单数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取账单数据样本集以及神经网络模型；通过账单数据样本集对神经网络模型进行训练，得到已训练的神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将元组数据作为输入信息输入神经网络模型的输入层，获取神经网络模型的输出层输出的属性信息；根据输出层输出的属性信息以及元组数据对应的属性信息，得到输出层的误差；当输出层的误差不处于预设误差范围时，根据输出层的误差得到神经网络模型的隐含层的误差；通过隐含层的误差修正神经网络模型的权值，根据修正后的权值重新训练神经网络模型，直至输出层的误差处于预设误差范围，得到已训练的神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：创建分区视图存储框架；建立索引表，索引表用于记录待创建的数据表；根据索引表以及已划分的账单数据创建数据表，将已创建的数据表添加至分区视图存储框架进行存储。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种账单数据管理方法，所述方法包括：
获取历史账单数据以及已训练的神经网络模型；
根据所述历史账单数据以及所述已训练的神经网络模型，得到所述历史账单数据的属性信息；
根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据；
获取查询条件，根据所述查询条件在所述已划分的账单数据中查找，得到与所述查询条件匹配的账单数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据之前，还包括：
对所述历史账单数据进行单位转换处理，得到已处理的历史账单数据；
所述根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据，包括：
根据所述属性信息对所述已处理的历史账单数据进行划分，得到已划分的账单数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述历史账单数据进行单位转换处理，得到已处理的历史账单数据，包括：
获取所述历史账单数据中的第一账单数据，将所述第一账单数据进行单位转换，得到第二账单数据，其中，所述第一账单数据的单位为第一单位，所述第二账单数据的单位为第二单位；
当所述第一账单数据的统计结果与对应的第二账单数据的统计结果不同时，通过预设舍位平衡算法进行平衡处理，将平衡处理后的账单数据作为已处理的历史账单数据；
当所述第一账单数据的统计结果与对应的第二账单数据的统计结果相同时，将所述第二账单数据作为已处理的历史账单数据。
4.根据权利要求1所述的方法，其特征在于，所述获取已训练的神经网络模型之前，还包括：
获取账单数据样本集以及神经网络模型；
通过所述账单数据样本集对所述神经网络模型进行训练，得到已训练的神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述账单数据样本集包括元组数据和与所述元组数据对应的属性信息，所述通过所述账单数据样本集对所述神经网络模型进行训练，得到已训练的神经网络模型，包括：
将所述元组数据作为输入信息输入所述神经网络模型的输入层，获取所述神经网络模型的输出层输出的属性信息；
根据所述输出层输出的属性信息以及所述元组数据对应的属性信息，得到所述输出层的误差；
当所述输出层的误差不处于预设误差范围时，根据所述输出层的误差得到所述神经网络模型的隐含层的误差；
通过所述隐含层的误差修正所述神经网络模型的权值，根据修正后的权值重新训练所述神经网络模型，直至所述输出层的误差处于预设误差范围，得到已训练的神经网络模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据之后，还包括：
创建分区视图存储框架；
建立索引表，所述索引表用于记录待创建的数据表；
根据所述索引表以及所述已划分的账单数据创建数据表，将已创建的数据表添加至所述分区视图存储框架进行存储。
7.一种账单数据管理装置，其特征在于，所述装置包括：
数据获取模块，用于获取历史账单数据以及已训练的神经网络模型；
属性获取模块，用于根据所述历史账单数据以及所述已训练的神经网络模型，得到所述历史账单数据的属性信息；
数据划分模块，用于根据所述属性信息对所述历史账单数据进行划分，得到已划分的账单数据；
数据查询模块，用于获取查询条件，根据所述查询条件在所述已划分的账单数据中查找，得到与所述查询条件匹配的账单数据。
8.根据权利要求7所述的装置，其特征在于，所述数据划分模块之前还包括单位转换模块，用于对所述历史账单数据进行单位转换处理，得到已处理的历史账单数据；
所述数据划分模块，用于根据所述属性信息对所述已处理的历史账单数据进行划分，得到已划分的账单数据。
9.一种计算机设备，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。
10.一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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811545023.5A CN109766358A (zh) | 2018-12-17 | 2018-12-17 | 账单数据管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811545023.5A CN109766358A (zh) | 2018-12-17 | 2018-12-17 | 账单数据管理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109766358A true CN109766358A (zh) | 2019-05-17 |
Family
ID=66450574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811545023.5A Pending CN109766358A (zh) | 2018-12-17 | 2018-12-17 | 账单数据管理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109766358A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363622A (zh) * | 2019-07-02 | 2019-10-22 | 威富通科技有限公司 | 一种数据处理的方法及系统 |
| CN112561530A (zh) * | 2020-12-25 | 2021-03-26 | 民生科技有限责任公司 | 一种基于多模型融合的交易流水处理方法及系统 |
| CN117077867A (zh) * | 2023-09-08 | 2023-11-17 | 广州市中大信息技术有限公司 | 基于神经网络实现的企业数据智能分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067863A (zh) * | 2007-06-14 | 2007-11-07 | 华为技术有限公司 | 一种帐务管理系统、装置及方法 |
| CN103093316A (zh) * | 2013-01-24 | 2013-05-08 | 广东欧珀移动通信有限公司 | 一种账单生成方法及装置 |
| CN106227038A (zh) * | 2016-07-29 | 2016-12-14 | 中国人民解放军信息工程大学 | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 |
| CN106951960A (zh) * | 2017-03-02 | 2017-07-14 | 平顶山学院 | 一种神经网络及该神经网络的学习方法 |
| CN107657039A (zh) * | 2017-09-28 | 2018-02-02 | 努比亚技术有限公司 | 账单记录方法、移动终端及计算机可读存储介质 |
| CN108388575A (zh) * | 2018-01-12 | 2018-08-10 | 中国平安人寿保险股份有限公司 | 一种保险理赔费用的评估方法、装置、终端设备及存储介质 |
-
2018
- 2018-12-17 CN CN201811545023.5A patent/CN109766358A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067863A (zh) * | 2007-06-14 | 2007-11-07 | 华为技术有限公司 | 一种帐务管理系统、装置及方法 |
| CN103093316A (zh) * | 2013-01-24 | 2013-05-08 | 广东欧珀移动通信有限公司 | 一种账单生成方法及装置 |
| CN106227038A (zh) * | 2016-07-29 | 2016-12-14 | 中国人民解放军信息工程大学 | 基于神经网络和模糊控制的粮食烘干塔智能控制方法 |
| CN106951960A (zh) * | 2017-03-02 | 2017-07-14 | 平顶山学院 | 一种神经网络及该神经网络的学习方法 |
| CN107657039A (zh) * | 2017-09-28 | 2018-02-02 | 努比亚技术有限公司 | 账单记录方法、移动终端及计算机可读存储介质 |
| CN108388575A (zh) * | 2018-01-12 | 2018-08-10 | 中国平安人寿保险股份有限公司 | 一种保险理赔费用的评估方法、装置、终端设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363622A (zh) * | 2019-07-02 | 2019-10-22 | 威富通科技有限公司 | 一种数据处理的方法及系统 |
| CN112561530A (zh) * | 2020-12-25 | 2021-03-26 | 民生科技有限责任公司 | 一种基于多模型融合的交易流水处理方法及系统 |
| CN117077867A (zh) * | 2023-09-08 | 2023-11-17 | 广州市中大信息技术有限公司 | 基于神经网络实现的企业数据智能分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11176570B1 (en) | Systems and methods for providing a direct marketing campaign planning environment | |
| Cheriyan et al. | Intelligent sales prediction using machine learning techniques | |
| CN106844507B (zh) | 一种数据批处理的方法及设备 | |
| WO2020143233A1 (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
| US20190163928A1 (en) | System and method for managing enterprise data | |
| US9697248B1 (en) | Supervised machine learning of data de-duplication | |
| US7930242B2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
| CN109766358A (zh) | 账单数据管理方法、装置、计算机设备和存储介质 | |
| US20180330433A1 (en) | Attributing meanings to data concepts used in producing outputs | |
| CN109800976A (zh) | 项目投资决策方法、装置、计算机设备和存储介质 | |
| CN112287015B (zh) | 画像生成系统及其方法、电子设备及存储介质 | |
| US11887013B2 (en) | System and method for facilitating model-based classification of transactions | |
| CN112100219A (zh) | 基于数据库查询处理的报表生成方法、装置、设备和介质 | |
| CN107729423A (zh) | 一种大数据处理方法及装置 | |
| CN108564255A (zh) | 匹配模型构建方法、孤儿单分配方法、装置、介质及终端 | |
| CN109785024A (zh) | 发票数据处理方法、装置、计算机设备和存储介质 | |
| CN107291770A (zh) | 一种分布式系统中海量数据的查询方法及装置 | |
| CN109918404A (zh) | 企业黑名单数据分析方法、装置、计算机设备及存储介质 | |
| Semrl et al. | Churn prediction model for effective gym customer retention | |
| CN110008180A (zh) | 财务数据记录方法、装置、计算机设备和存储介质 | |
| CN109559232A (zh) | 交易数据处理方法、装置、计算机设备和存储介质 | |
| US20060136415A1 (en) | Method, system, and program product for executing a scalar function on a varying number of records within a RDBMS using SQL | |
| CN110502549A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
| CN110457329A (zh) | 一种实现个性化推荐的方法及装置 | |
| CN112101950B (zh) | 可疑交易监测模型特征提取方法及装置 |
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 |