CN111861595A - 一种基于知识图谱的循环开票风险识别方法 - Google Patents

一种基于知识图谱的循环开票风险识别方法 Download PDF

Info

Publication number
CN111861595A
CN111861595A CN202010715798.3A CN202010715798A CN111861595A CN 111861595 A CN111861595 A CN 111861595A CN 202010715798 A CN202010715798 A CN 202010715798A CN 111861595 A CN111861595 A CN 111861595A
Authority
CN
China
Prior art keywords
taxpayer
invoicing
transaction
graph
invoice
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
Application number
CN202010715798.3A
Other languages
English (en)
Inventor
王凯
程林
杨培强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Inspur Business System Co Ltd
Original Assignee
Shandong Inspur Business System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Inspur Business System Co Ltd filed Critical Shandong Inspur Business System Co Ltd
Priority to CN202010715798.3A priority Critical patent/CN111861595A/zh
Publication of CN111861595A publication Critical patent/CN111861595A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/04—Billing or invoicing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06Q40/123—Tax preparation or submission

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明特别涉及一种基于知识图谱的循环开票风险识别方法。该基于知识图谱的循环开票风险识别方法，从循环开票交易关系入手，以知识图谱技术为基础，构建纳税人交易关系主干网络；采用图算法搜索异常交易关系，揭示发票虚开风险；在识别循环开票纳税人的基础上，结合纳税人的属性信息，发现实体关联关系，识别虚开发票团伙。该基于知识图谱的循环开票风险识别方法，借鉴知识图谱技术挖掘交易闭环子图，不仅能够发现循环开票纳税人，同时结合纳税人的属性信息和开票信息，还能识别出发票虚开团伙，有助于深挖发票虚开风险，提升税收征管质效。

Description

一种基于知识图谱的循环开票风险识别方法
技术领域
本发明涉及税收风险管理技术领域，特别涉及一种基于知识图谱的循环开票风险识别方法。
背景技术
一般来说，商品的交易流向是单向的，依次流经产业链的上游、中游和下游，而鲜少出现交易关系的闭环，即又从产业链下游流向产业链上游，此为异常交易，可能具有潜在的税收风险。
虚开增值税专用发票，是指为他人、为自己、让他人为自己、介绍他人虚开增值税专用发票的行为。循环开票是指多户纳税人通过互相串开增值税发票，使交易关系构成有向环形图的特殊情况，往往涉嫌虚开发票风险。
针对发票虚开犯罪的行为隐蔽性、手段多样性、组织团伙化等特点，本发明提出了一种基于知识图谱的循环开票风险识别方法。
发明内容
本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于知识图谱的循环开票风险识别方法。
本发明是通过如下技术方案实现的：
一种基于知识图谱的循环开票风险识别方法，其特征在于：从循环开票交易关系入手，以知识图谱技术为基础，构建纳税人交易关系主干网络；采用图算法搜索异常交易关系，揭示发票虚开风险；在识别循环开票纳税人的基础上，结合纳税人的属性信息，发现实体关联关系，识别虚开发票团伙。
该基于知识图谱的循环开票风险识别方法，包括以下步骤：
第一步，提取特定经营周期(如1个季度)的增值税发票明细数据，包含增值税专用发票、增值税普通发票和电子发票数据；对提取的增值税发票明细数据进行数据预处理，按发票的购方和销方合并金额，并汇总销方纳税人总金额，计算销方与不同购方交易的金额占比；
第二步，利用合并的发票数据，提取增值税发票数据，以纳税人为实体，通过发票的购销方确定交易关系，构建纳税人之间的交易关系知识图谱；
第三步，通过深度优先算法寻找有向图中的闭环，即为循环开票的纳税人；
第四步，采用网络中心度、循环金额占比和纳税人信用等级指标计算加权风险评分，给出纳税人的循环开票风险得分，从而得到风险纳税人清单。
所述第一步中，为了全面获取纳税人信息构建交易关系知识图谱，提取纳税人的登记信息，增值税发票数据和纳税人信用数据，形成纳税人画像；以增值税专用发票、增值税普通发票和电子发票的购方和销方纳税人作为图谱的实体，以购销方交易关系作为图谱关系，构建知识图谱；对知识图谱的数据抽取包括实体属性抽取和关系抽取两部分。
所述实体属性抽取信息包括纳税人信息和开票地址信息；
其中，纳税人信息包括纳税人识别号、纳税人名称、法定代表人姓名、法定代表人身份证件号码、股东、股东身份证件号码、财务负责人姓名和财务负责人身份证件号码；
开票地址信息为销方纳税人的属性信息，包括增值税发票开票机的IP地址和Mac地址。
所述关系抽取是指抽取存在购销方交易关系的实体信息；完成构建的知识图谱由一个个非联通的子图组成，各个子图描述的是纳税人之间的交易关系和商品流向，若存在购销方交易关系的实体信息在子图中是闭环关系，则表明纳税人循环开票，为潜在风险纳税人。
所述第一步中，对增值税发票明细数据的数据预处理包括对发票数据的清洗、合并处理，以及对纳税人的属性信息的抽取；
具体步骤如下：
(1)纳税人归集
通过纳税人登记信息表中的纳税人名称、纳税人识别号和社会信用代码，对增值税的专用发票、普通发票和电子发票的购销方进行归集修正，将购销方相同的发票数据进行合并，金额合计；
(2)计算购销方纳税人的交易金额各占购方和销方纳税人交易总额的比例；
(3)设置交易金额阈值和交易占比阈值，筛选主要交易数据
为了提高循环开票风险识别的准确度和降低关系网络复杂度，剔除次要交易关系，筛选出购销方的交易金额不低于交易金额阈值，且购方或销方的交易占比不低于交易占比阈值的交易数据；
(4)设置投资比例阈值，提取纳税人的属性信息
从纳税人的登记信息中提取法人、财务负责人和投资比例超过投资比例阈值，且在投资有效期内的股东信息；
(5)从发票数据中提取销方纳税人开具发票的IP地址和Mac地址，去重并剔除IP地址和Mac地址都为空的数据。
所述第二步中，采用深度优先算法寻找有向图中的闭环，并保存闭环上的所有节点信息；然后，抽取闭环中循环开票纳税人的属性信息，包含法人、股东、财务负责人、开票机IP地址和Mac地址。
所述第四步中，采用找出的闭环中的循环开票纳税人的网络中心度、闭环长度、交易金额、同法人、同股东、同财务负责人、同IP地址和同Mac地址以及纳税人信用等级指标给风险纳税人打分，通过加权方法确定风险纳税人排名。
本发明的有益效果是：该基于知识图谱的循环开票风险识别方法，借鉴知识图谱技术挖掘交易闭环子图，不仅能够发现循环开票纳税人，同时结合纳税人的属性信息和开票信息，还能识别出发票虚开团伙，有助于深挖发票虚开风险，提升税收征管质效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
附图1为本发明J省**金属材料有限公司所在的知识图谱示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚，完整的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
知识图谱(Knowledge Graph)能够实现更智能的搜索引擎，并在智能问答、情报分析、反欺诈等应用中发挥重要作用(漆桂林等，2017)。知识图谱通常以<实体A，关系R，实体B>的三元组的形式来表示描述客观世界中的实体、概念、事件、属性以及这些因素之间的联系(周威，2019)。通常情况下，知识图谱是一张巨大的关系网络，网络中的实体用节点表示，关系用节点之间的有向连线表示。
知识图谱可视化的结果展现提升了用户的使用体验，能够将知识库中的信息转化为用户更方便理解的方式，用户可以一目了然地了解到他需要的知识，快速解答疑惑；同时提供了更加丰富的信息展示方式，除文字外还有图片、列表等形式，增加了用户交互元素，提升用户体验，引导用户在短时间内获取到更多的知识。
对有向图的搜索一般有两种常用方法：深度优先搜索(DFS，Depth First Search)和广度优先搜索(BFS，Breadth First Search)算法(吴鹏等，2017)。深度优先搜索算法类似于树的前序遍历，是树的前序遍历的推广，沿着某一条进路一直搜索下去，直到所有边都搜索完截止。BFS遍历类似于树的按层次遍历的过程，从起点开始对接下来的每一层进行搜索，一层搜索完后转向下一层继续搜索。两种遍历方式的搜索效率与所采用的存储结构直接相关，且时间复杂度相当，区别仅在于对节点的访问顺序不同。
考虑到从商品流向的关系网络中搜寻有向闭环，发现循环开票纳税人的目的，因此本文采用深度优先搜索算法。其搜索过程是首先从图中的某个顶点出发，并标记为已访问过；然后依次从出发对的每一个邻接点进行搜索。如果没有被访问过，那么从出发继续按深度优先搜索的方式遍历其它节点，直至访问完图中所有与源节点相连通的顶点。此时，如果图中尚有没有被访问过的点，就需要从中另外选取一个作为新的起始点并重复上述访问流程，直至访问完图中所有节点为止。
社会网络分析中，网络中心度表示一个节点在网络中处于核心地位的程度，是反映结点成员在网络中的权力大小和地位高低的重要参数。
该基于知识图谱的循环开票风险识别方法，从循环开票交易关系入手，以知识图谱技术为基础，构建纳税人交易关系主干网络；采用图算法搜索异常交易关系，揭示发票虚开风险；在识别循环开票纳税人的基础上，结合纳税人的属性信息，发现实体关联关系，识别虚开发票团伙；
该基于知识图谱的循环开票风险识别方法，包括以下步骤：
第一步，提取特定经营周期(如1个季度)的增值税发票明细数据，包含增值税专用发票、增值税普通发票和电子发票数据；对提取的增值税发票明细数据进行数据预处理，按发票的购方和销方合并金额，并汇总销方纳税人总金额，计算销方与不同购方交易的金额占比；
第二步，利用合并的发票数据，提取增值税发票数据，以纳税人为实体，通过发票的购销方确定交易关系，构建纳税人之间的交易关系知识图谱。
第三步，通过深度优先算法寻找有向图中的闭环，即为循环开票的纳税人；
第四步，采用网络中心度、循环金额占比和纳税人信用等级指标计算加权风险评分，给出纳税人的循环开票风险得分，从而得到风险纳税人清单。
知识图谱是由节点和边组成，每个节点代表一个实体，每条边表示实体与实体之间的关系，关系的定义则需要根据业务需求来设定。该基于知识图谱的循环开票风险识别方法中，网络结构主体为纳税人与纳税人之间的交易关系，即为商品的流向。将与考察类型无关的纳税人属性信息节点(如法人、财务负责人等节点)归约隐藏，减少无关节点的干扰，保证每条关系最终对应到纳税人本身。
所述第一步中，为了全面获取纳税人信息构建交易关系知识图谱，提取纳税人的登记信息，增值税发票数据和纳税人信用数据，形成纳税人画像；以增值税专用发票、增值税普通发票和电子发票的购方和销方纳税人作为图谱的实体，以购销方交易关系作为图谱关系，构建知识图谱；对知识图谱的数据抽取包括实体属性抽取和关系抽取两部分。
以纳税人为粒度进行数据抽取，纳税人即为知识图谱的实体。所述实体属性抽取信息包括纳税人信息和开票地址信息；
其中，纳税人信息包括纳税人识别号、纳税人名称、法定代表人姓名、法定代表人身份证件号码、股东、股东身份证件号码、财务负责人姓名和财务负责人身份证件号码；
开票地址信息为销方纳税人的属性信息，包括增值税发票开票机的IP地址和Mac地址。
所述关系抽取是指抽取存在购销方交易关系的实体信息；完成构建的知识图谱由一个个非联通的子图组成，各个子图描述的是纳税人之间的交易关系和商品流向，若存在购销方交易关系的实体信息在子图中是闭环关系，则表明纳税人循环开票，为潜在风险纳税人。
所述第一步中，对增值税发票明细数据的数据预处理包括对发票数据的清洗、合并处理，以及对纳税人的属性信息的抽取。由于只是构建纳税人之间的交易关系的同构知识图谱，数据预处理过程相对比较简单，具体步骤如下：
(1)纳税人归集
通过纳税人登记信息表中的纳税人名称、纳税人识别号和社会信用代码，对增值税的专用发票、普通发票和电子发票的购销方进行归集修正，将购销方相同的发票数据进行合并，金额合计；
(2)计算购销方纳税人的交易金额各占购方和销方纳税人交易总额的比例；
(3)设置交易金额阈值和交易占比阈值，筛选主要交易数据
为了提高循环开票风险识别的准确度和降低关系网络复杂度，剔除次要交易关系，筛选出购销方的交易金额不低于交易金额阈值，且购方或销方的交易占比不低于交易占比阈值的交易数据，如选择购销方的交易金额不低于10万元，且购方或销方的交易占比不低于30％的数据集；
(4)设置投资比例阈值，提取纳税人的属性信息
从纳税人的登记信息中提取法人、财务负责人和投资比例超过投资比例阈值，且在投资有效期内的股东信息；
(5)从发票数据中提取销方纳税人开具发票的IP地址和Mac地址，去重并剔除IP地址和Mac地址都为空的数据。
所述第二步中，采用深度优先算法寻找有向图中的闭环，并保存闭环上的所有节点信息；然后，抽取闭环中循环开票纳税人的属性信息，包含法人、股东、财务负责人、开票机IP地址和Mac地址。
所述第四步中，采用找出的闭环中的循环开票纳税人的网络中心度、闭环长度、交易金额、同法人、同股东、同财务负责人、同IP地址和同Mac地址以及纳税人信用等级指标给风险纳税人打分，通过加权方法确定风险纳税人排名。
该基于知识图谱的循环开票风险识别方法，基于知识图谱的循环开票风险识别方法从发票的流向进行分析，借助知识图谱发现循环开票纳税人，揭示潜在虚开发票风险。
以J省2019年第一季度开具增值税发票的纳税人为研究对象，提取增值税专用发票、普通发票和电子发票的明细数据、纳税人的登记信息和扩展信息、信用黑名单和投资方信息等数据。
通过提取第一季度的发票数据，共统计1556072户纳税人开具增值税发票。提取这些纳税人属性信息，包含法人、财务负责人、股东、开具发票的IP地址和Mac地址等信息。通过对增值税发票数据和属性信息地处理和抽取，构建纳税人交易关系的知识图谱。
由附图1可知，J省**金属材料有限公司在知识图谱的中心位置，构成4个交易闭环，并且其法人、股东和财务负责人由同一人兼任。同时，从知识图谱中还可以看到其他异常情况，如图谱左上角的两户纳税人的法人相同，图谱左下角两户纳税人的开票IP地址相同，图谱右下角两户纳税人同财务负责人同股东，且财务负责人与股东为同一人。通过这些关联关系，有助于发现虚开团伙，防范虚开风险。
以上所述的实施例，只是本发明具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (8)

1.一种基于知识图谱的循环开票风险识别方法，其特征在于：从循环开票交易关系入手，以知识图谱技术为基础，构建纳税人交易关系主干网络；采用图算法搜索异常交易关系，揭示发票虚开风险；在识别循环开票纳税人的基础上，结合纳税人的属性信息，发现实体关联关系，识别虚开发票团伙。
2.根据权利要求1所述的基于知识图谱的循环开票风险识别方法，其特征在于，包括以下步骤：
第一步，提取特定经营周期的增值税发票明细数据，包含增值税专用发票、增值税普通发票和电子发票数据；对提取的增值税发票明细数据进行数据预处理，按发票的购方和销方合并金额，并汇总销方纳税人总金额，计算销方与不同购方交易的金额占比；
第二步，利用合并的发票数据，提取增值税发票数据，以纳税人为实体，通过发票的购销方确定交易关系，构建纳税人之间的交易关系知识图谱；
第三步，通过深度优先算法寻找有向图中的闭环，即为循环开票的纳税人；
第四步，采用网络中心度、循环金额占比和纳税人信用等级指标计算加权风险评分，给出纳税人的循环开票风险得分，从而得到风险纳税人清单。
3.根据权利要求2所述的基于知识图谱的循环开票风险识别方法，其特征在于：所述第一步中，为了全面获取纳税人信息构建交易关系知识图谱，提取纳税人的登记信息，增值税发票数据和纳税人信用数据，形成纳税人画像；以增值税专用发票、增值税普通发票和电子发票的购方和销方纳税人作为图谱的实体，以购销方交易关系作为图谱关系，构建知识图谱；对知识图谱的数据抽取包括实体属性抽取和关系抽取两部分。
4.根据权利要求3所述的基于知识图谱的循环开票风险识别方法，其特征在于：所述实体属性抽取信息包括纳税人信息和开票地址信息；
其中，纳税人信息包括纳税人识别号、纳税人名称、法定代表人姓名、法定代表人身份证件号码、股东、股东身份证件号码、财务负责人姓名和财务负责人身份证件号码；
开票地址信息为销方纳税人的属性信息，包括增值税发票开票机的IP地址和Mac地址。
5.根据权利要求3所述的基于知识图谱的循环开票风险识别方法，其特征在于：所述关系抽取是指抽取存在购销方交易关系的实体信息；完成构建的知识图谱由一个个非联通的子图组成，各个子图描述的是纳税人之间的交易关系和商品流向，若存在购销方交易关系的实体信息在子图中是闭环关系，则表明纳税人循环开票，为潜在风险纳税人。
6.根据权利要求2所述的基于知识图谱的循环开票风险识别方法，其特征在于：所述第一步中，对增值税发票明细数据的数据预处理包括对发票数据的清洗、合并处理，以及对纳税人的属性信息的抽取；
具体步骤如下：
(1)纳税人归集
通过纳税人登记信息表中的纳税人名称、纳税人识别号和社会信用代码，对增值税的专用发票、普通发票和电子发票的购销方进行归集修正，将购销方相同的发票数据进行合并，金额合计；
(2)计算购销方纳税人的交易金额各占购方和销方纳税人交易总额的比例；
(3)设置交易金额阈值和交易占比阈值，筛选主要交易数据
为了提高循环开票风险识别的准确度和降低关系网络复杂度，剔除次要交易关系，筛选出购销方的交易金额不低于交易金额阈值，且购方或销方的交易占比不低于交易占比阈值的交易数据；
(4)设置投资比例阈值，提取纳税人的属性信息
从纳税人的登记信息中提取法人、财务负责人和投资比例超过投资比例阈值，且在投资有效期内的股东信息；
(5)从发票数据中提取销方纳税人开具发票的IP地址和Mac地址，去重并剔除IP地址和Mac地址都为空的数据。
7.根据权利要求2所述的基于知识图谱的循环开票风险识别方法，其特征在于：所述第二步中，采用深度优先算法寻找有向图中的闭环，并保存闭环上的所有节点信息；然后，抽取闭环中循环开票纳税人的属性信息，包含法人、股东、财务负责人、开票机IP地址和Mac地址。
8.根据权利要求2所述的基于知识图谱的循环开票风险识别方法，其特征在于：所述第四步中，采用找出的闭环中的循环开票纳税人的网络中心度、闭环长度、交易金额、同法人、同股东、同财务负责人、同IP地址和同Mac地址以及纳税人信用等级指标给风险纳税人打分，通过加权方法确定风险纳税人排名。
CN202010715798.3A 2020-07-23 2020-07-23 一种基于知识图谱的循环开票风险识别方法 Pending CN111861595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010715798.3A CN111861595A (zh) 2020-07-23 2020-07-23 一种基于知识图谱的循环开票风险识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010715798.3A CN111861595A (zh) 2020-07-23 2020-07-23 一种基于知识图谱的循环开票风险识别方法

Publications (1)

Publication Number Publication Date
CN111861595A true CN111861595A (zh) 2020-10-30

Family

ID=72951108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010715798.3A Pending CN111861595A (zh) 2020-07-23 2020-07-23 一种基于知识图谱的循环开票风险识别方法

Country Status (1)

Country Link
CN (1) CN111861595A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112527840A (zh) * 2020-12-15 2021-03-19 航天信息股份有限公司 医药行业两票制监控方法、装置、可读介质及电子设备
CN112613929A (zh) * 2020-12-17 2021-04-06 山东浪潮商用系统有限公司 一种基于语义分析的发票虚开识别方法及系统
CN112633806A (zh) * 2020-12-26 2021-04-09 苏州浪潮智能科技有限公司 一种电子零件物料清单管理方法及相关设备
CN112633957A (zh) * 2020-11-10 2021-04-09 中科金审(北京)科技有限公司 一种基于大数据的虚开发票行为分析方法
CN113869383A (zh) * 2021-09-17 2021-12-31 北京中科闻歌科技股份有限公司 变票实体检测方法及系统
CN113989005A (zh) * 2021-10-27 2022-01-28 航天信息股份有限公司 一种税务风险企业挖掘方法及装置
CN114077968A (zh) * 2021-11-17 2022-02-22 税友信息技术有限公司 一种数据风险识别方法及相关装置
CN114116799A (zh) * 2021-11-23 2022-03-01 河北航天信息技术有限公司 异常交易环路的识别方法、装置、终端及存储介质
CN114297319A (zh) * 2021-12-23 2022-04-08 税友信息技术有限公司 一种数据识别方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013162880A1 (en) * 2012-04-23 2013-10-31 Pitt Bruce L Pass-through entities visualization
CN110019324A (zh) * 2017-12-06 2019-07-16 航天信息股份有限公司 一种生成纳税人资金回路的方法及系统
CN111027832A (zh) * 2019-11-28 2020-04-17 卓尔智联(武汉)研究院有限公司 一种税务风险确定方法、装置及存储介质
CN111241161A (zh) * 2020-01-16 2020-06-05 深圳壹账通智能科技有限公司 发票信息挖掘方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013162880A1 (en) * 2012-04-23 2013-10-31 Pitt Bruce L Pass-through entities visualization
CN110019324A (zh) * 2017-12-06 2019-07-16 航天信息股份有限公司 一种生成纳税人资金回路的方法及系统
CN111027832A (zh) * 2019-11-28 2020-04-17 卓尔智联(武汉)研究院有限公司 一种税务风险确定方法、装置及存储介质
CN111241161A (zh) * 2020-01-16 2020-06-05 深圳壹账通智能科技有限公司 发票信息挖掘方法、装置、计算机设备及存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633957A (zh) * 2020-11-10 2021-04-09 中科金审(北京)科技有限公司 一种基于大数据的虚开发票行为分析方法
CN112527840A (zh) * 2020-12-15 2021-03-19 航天信息股份有限公司 医药行业两票制监控方法、装置、可读介质及电子设备
CN112527840B (zh) * 2020-12-15 2024-05-28 航天信息股份有限公司 医药行业两票制监控方法、装置、可读介质及电子设备
CN112613929A (zh) * 2020-12-17 2021-04-06 山东浪潮商用系统有限公司 一种基于语义分析的发票虚开识别方法及系统
CN112633806A (zh) * 2020-12-26 2021-04-09 苏州浪潮智能科技有限公司 一种电子零件物料清单管理方法及相关设备
CN112633806B (zh) * 2020-12-26 2022-06-03 苏州浪潮智能科技有限公司 一种电子零件物料清单管理方法及相关设备
CN113869383A (zh) * 2021-09-17 2021-12-31 北京中科闻歌科技股份有限公司 变票实体检测方法及系统
CN113989005A (zh) * 2021-10-27 2022-01-28 航天信息股份有限公司 一种税务风险企业挖掘方法及装置
CN114077968A (zh) * 2021-11-17 2022-02-22 税友信息技术有限公司 一种数据风险识别方法及相关装置
CN114116799A (zh) * 2021-11-23 2022-03-01 河北航天信息技术有限公司 异常交易环路的识别方法、装置、终端及存储介质
CN114297319A (zh) * 2021-12-23 2022-04-08 税友信息技术有限公司 一种数据识别方法及相关装置

Similar Documents

Publication Publication Date Title
CN111861595A (zh) 一种基于知识图谱的循环开票风险识别方法
Huang et al. Dgraph: A large-scale financial dataset for graph anomaly detection
CN110223168A (zh) 一种基于企业关系图谱的标签传播反欺诈检测方法及系统
CN110647590A (zh) 一种目标社群数据的识别方法及相关装置
CN104573130B (zh) 基于群体计算的实体解析方法及装置
CN110209826A (zh) 一种面向银行风险控制的金融图谱构建与分析方法
CN107832964A (zh) 银行客户关系圈分析方法及系统
Duman et al. A novel and successful credit card fraud detection system implemented in a turkish bank
CN103577988A (zh) 一种识别特定用户的方法和装置
CN111445320B (zh) 目标社群识别方法、装置、计算机设备及存储介质
CN109635007A (zh) 一种行为评估方法、装置及相关设备
CN111784495B (zh) 担保圈识别方法、装置、计算机设备和存储介质
CN110851540A (zh) 一种基于金融业务图谱的商业银行客户流失预警方法
CN112102006A (zh) 基于大数据分析的目标客户获取方法、搜索方法及装置
CN116503166A (zh) 一种以太坊链上交易资金的追踪方法及追踪系统
Cao et al. Fake reviewer group detection in online review systems
CN110197426A (zh) 一种信用评分模型的建立方法、装置及可读存储介质
CN106294834B (zh) 基于纳税人利益关联网络的关联交易偷漏税行为识别方法
CN114677217A (zh) 一种基于子图匹配的面向以太坊的异常交易行为检测方法
Jamshidi et al. An efficient data enrichment scheme for fraud detection using social network analysis
He et al. Multi-dimensional boundary effects and regional economic integration: Evidence from the Yangtze River Economic Belt
CN111754340B (zh) 一种基于图数据库的担保网络风险排查系统
CN117035822A (zh) 基于大数据的电子商务产业带统计方法及系统
Brunet et al. Exploring the data of blockchain-based metaverses
CN108009927A (zh) 一种股票评分方法及平台

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030