CN113190673A - 人工智能生成报告方法和创新驱动发展战略审计分析系统 - Google Patents
人工智能生成报告方法和创新驱动发展战略审计分析系统 Download PDFInfo
- Publication number
- CN113190673A CN113190673A CN202110356454.2A CN202110356454A CN113190673A CN 113190673 A CN113190673 A CN 113190673A CN 202110356454 A CN202110356454 A CN 202110356454A CN 113190673 A CN113190673 A CN 113190673A
- Authority
- CN
- China
- Prior art keywords
- report
- theme
- audit
- data
- analysis
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F16/34—Browsing; Visualisation therefor
-
- 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
- G06F16/33—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
人工智能生成报告方法和创新驱动发展战略审计分析系统,包括:主题集合获取步骤;主题数据获取步骤;报告数据获取步骤;主题数据获取步骤;训练和测试步骤;待处理主题获取步骤;第一主题数据获取步骤;报告生成步骤。上述方法、深度学习系统和机器人,基于人工智能实现了利用内外部数据进行深度学习自动生成报告,可以用于创新驱动发展战略跟踪审计等主题的5W1H分析报告的生成。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种人工智能生成报告方法和创新驱动发展战略审计分析系统。
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:对于创新驱动发展战略的研究非常多,早在2011年李学勇就对通过实施创新驱动战略加快转型发展步伐进行了研究,至今对创新驱动发展战略的研究仍然方兴未艾,例如彭绪庶于2019年对目标导向的创新驱动发展战略实施进展进行了研究。虽然对于创新驱动发展战略的研究非常多,但对于创新驱动发展战略的跟踪审计的研究却不多,主要因为跨度太大,涉及到跟踪审计、政策、创新驱动。虽然对于创新驱动发展战略的跟踪审计的研究很少,但政策跟踪审计的研究却不少,可以为针对创新驱动发展战略的政策跟踪审计提供借鉴。俞金华,徐鹤田于2015年基于当前国家审计开展政策跟踪审计的现状,提出应用5W1H理论模型开展政策跟踪审计,对其进行阐述说明,并结合审计实践,列举了慈溪市医疗保障体系的政策跟踪审计加以实证,但该文没有针对创新驱动发展战略政策的跟踪审计进行应用。王晓刚于2017年利用5W1H分析法,通过实施精准的政策跟踪审计来打赢扶贫攻坚战,其研究的内容主要针对扶贫攻坚相关政策的跟踪审计,但该文没有涉及到创新驱动发展战略政策的跟踪审计。于江宏于2017年对通过创新驱动来开展政策落实跟踪审计进行了研究,但该文的研究内容不是创新驱动发展战略政策的跟踪审计,而是研究如何对政策落实跟踪审计的方式进行创新。对于创新驱动发展战略的跟踪审计,笔者只查阅到了两篇。一篇是杨帆于2017年从审计目标、审计方法、审计内容、审计基本情况、审计发现问题、审计建议几个方面对S市“创新驱动发展战略”配套政策跟踪审计项目展开分析,发现政策落实跟踪审计中存在的问题和不足,最终得出相应的对策及建议。该文虽然所做的跟踪审计研究与创新驱动发展战略相关,但其中没有涉及到5W1H模型的应用。第二篇是冯秋菊于2018年提出了加强科研经费审计助力创新驱动发展战略实施,该文主要研究了如何进行科研经费审计,但该文没有从创新驱动发展战略政策整体角度研究如何进行审计。第三篇是黄振于2019年撰写的审计促进创新驱动发展战略落实,讲述的是福建省莆田市审计局对市科学技术局科技计划项目经费使用绩效进行审计调查,但该文没有涉及到5W1H模型在创新驱动发展战略跟踪审计中的应用。可见,现有研究中还没有将5W1H模型应用到创新驱动发展战略跟踪审计的分析中,因此本论文拟基于5W1H模型对创新驱动发展战略跟踪审计进行理论分析和效果分析。同时,目前基于5W1H模型的分析方法都是进行定性分析和人工分析,这对使用者提出了很高的要求,如果将5W1H模型应用于创新驱动发展战略跟踪审计,则需要5W1H模型的使用者对5W1H模型、创新驱动发展战略和跟踪审计都有着深刻的把握,这对审计人员来说非常难。
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的缺陷或不足,提供人工智能生成报告方法和创新驱动发展战略审计分析系统,以解决现有技术无法自动生成分析报告,更无法自动地查找学习内外部数据并进行分析的缺陷。
第一方面,本发明实施例提供一种人工智能方法,所述方法包括:
主题集合获取步骤,获取多个主题(所述主题,指主题名称或关键词,例如“创新驱动发展战略跟踪审计”),加入第一集合;
主题数据获取步骤,获取所述第一集合中每一主题相关的数据;
报告数据获取步骤,获取所述第一集合中每一主题的报告;
主题数据获取步骤,将所述第一集合中每一主题相关的数据和所述第一集合中所述每一主题的报告,加入第二集合;
训练和测试步骤,将所述第二集合中主题相关的数据作为所述深度学习模型的输入,将所述第二集合中所述主题的报告作为所述深度学习模型的预期输出,对所述深度学习模型进行训练和测试,得到报告生成深度学习模型;或无监督训练步骤,将所述第二集合中主题相关的数据作为深度学习模型的输入,对所述深度学习模型进行无监督训练;有监督训练和测试步骤,将所述第二集合中主题相关的数据作为所述深度学习模型的输入,将所述第二集合中所述主题的报告作为所述深度学习模型的预期输出,对所述深度学习模型进行有监督训练和测试,得到报告生成深度学习模型;
待处理主题获取步骤,获取需要生成报告的主题,作为第一主题;
第一主题数据获取步骤,获取所述第一主题相关的数据;
报告生成步骤,将所述第一主题相关的数据作为所述报告生成深度学习模型的输入,计算得到所述报告生成深度学习模型的输出作为所述第一主题的报告。
优选地,所述主题数据获取步骤具体包括:
内部数据获取步骤,从用户获取所述第一集合中所述每一主题的内部数据,或者从大数据或数据库中根据所述第一集合中所述每一主题进行检索得到所述第一集合中所述每一主题的内部数据;
外部数据获取步骤,将所述第一集合中所述每一主题输入搜索引擎(例如谷歌或百度或其它搜索引擎或多种搜索引擎综合使用,多种搜索引擎综合使用即从多个搜索引擎进行搜索并将搜索结果按照相关性排序),将搜索结果按照相关性从高到底进行排序,取前M个搜索结果,作为所述第一集合中所述每一主题的外部数据;
数据融合步骤,将所述第一集合中所述每一主题的内部数据或/和所述第一集合中所述每一主题的外部数据作为所述第一集合中所述每一主题相关的数据。
优选地,所述方法还包括:
修正报告获取步骤,获取用户对所述第一主题的报告的修正版本,作为所述第一主题的修正报告;
第三集合构建步骤,将所述第一主题相关的数据和所述第一主题的修正报告,作为训练和测试数据,加入第三集合;
增量训练和测试步骤,统计第三集合中训练和测试数据的数量,若所述数量达到预设数量,则将所述第三集合中主题相关的数据作为所述报告生成深度学习模型的输入,将所述第三集合中所述主题的报告作为所述报告生成深度学习模型的预期输出,对所述报告生成深度学习模型进行训练和测试,得到所述报告生成深度学习模型;或将所述第三集合中主题相关的数据作为所述报告生成深度学习模型的输入,对所述报告生成深度学习模型进行无监督训练;将所述第三集合中主题相关的数据作为所述报告生成深度学习模型的输入,将所述第三集合中所述主题的报告作为所述报告生成深度学习模型的预期输出,对所述报告生成深度学习模型进行有监督训练和测试,得到所述报告生成深度学习模型;
优选地,所述方法还包括:
预设数量设置步骤,所述预设数量设置为第二集合中训练和测试数据的数量的1/K(K取大于或等于1的数,例如2)并取整;
数据移动步骤,将所述第三集合中的训练和测试数据加入所述第二集合;
集合管理步骤,将所述第三集合清空(为了便于下次继续使用第三集合存储新加入的训练和测试数据)。
优选地,所述方法还包括:
生成模型准备步骤,初始化生成模型GM、判别模型DM;获取所述报告生成深度学习模型输出的报告的集合,作为第四集合,将所述第四集合中的报告作为生成模型GM的输入,经过生成模型GM后输出的数据,作为FD;获取所述第二集合中的报告,作为RD;
生成模型训练步骤,将(FD,0)、(RD,1),作为判别网络DM的输入,经过判别网络DM后输出值为一个0到1之间的数,用于表示输出为RD的概率;使用得到的概率值计算所述生成模型GM的损失函数和所述判别模型DM的损失函数;根据所述生成模型GM的损失函数,对所述生成模型GM进行修正;根据所述判别模型DM的损失函数,对所述判别模型DM进行修正;重复上述步骤,直至所述判别模型DM的输出接近1/2(与所述判别模型DM的输出与1/2的差值的绝对值小于预设值),将最新的所述生成模型GM作为报告润色生成模型;
生成模型使用步骤,将所述第一主题的报告输入所述报告润色生成模型,计算得到的所述报告润色生成模型的输出作为所述第一主题的报告。
第二方面,本发明实施例提供一种人工智能装置,所述装置包括:
主题集合获取模块,用于执行第一方面所述方法的所述主题集合获取步骤;
主题数据获取模块,用于执行第一方面所述方法的所述主题数据获取步骤;
报告数据获取模块,用于执行第一方面所述方法的所述报告数据获取步骤;
主题数据获取模块,用于执行第一方面所述方法的所述主题数据获取步骤;
训练和测试模块,用于执行第一方面所述方法的所述训练和测试步骤;或无监督训练模块,用于执行第一方面所述方法的所述无监督训练步骤;有监督训练和测试模块,用于执行第一方面所述方法的所述有监督训练和测试步骤;
待处理主题获取模块,用于执行第一方面所述方法的所述待处理主题获取步骤;
第一主题数据获取模块,用于执行第一方面所述方法的所述第一主题数据获取步骤;
报告生成模块,用于执行第一方面所述方法的所述报告生成步骤。
优选地,所述主题数据获取模块具体包括:
内部数据获取模块,用于执行第一方面所述方法的所述内部数据获取步骤;
外部数据获取模块,用于执行第一方面所述方法的所述外部数据获取步骤;
数据融合模块,用于执行第一方面所述方法的所述数据融合步骤。
优选地,所述装置还包括:
修正报告获取模块,用于执行第一方面所述方法的所述修正报告获取步骤;
第三集合构建模块,用于执行第一方面所述方法的所述第三集合构建步骤;
增量训练和测试模块,用于执行第一方面所述方法的所述增量训练和测试步骤。
优选地,所述装置还包括:
预设数量设置模块,用于执行第一方面所述方法的所述预设数量设置步骤;
数据移动模块,用于执行第一方面所述方法的所述数据移动步骤;
集合管理模块,用于执行第一方面所述方法的所述集合管理步骤。
优选地,所述装置还包括:
生成模型准备模块,用于执行第一方面所述方法的所述生成模型准备步骤;
生成模型训练模块,用于执行第一方面所述方法的所述生成模型训练步骤;
生成模型使用模块,用于执行第一方面所述方法的所述生成模型使用步骤。
第三方面,本发明实施例提供一种创新驱动发展战略审计分析系统,所述系统包括:
主题集合获取模块,获取多个(例如多个行业或/和区域)创新驱动发展战略审计分析方面的主题(所述主题,指主题名称或关键词,例如“XX行业创新驱动发展战略跟踪审计”、“XX区域创新驱动发展战略跟踪审计”),加入第一集合;
主题数据获取模块,获取所述第一集合中每一主题相关的数据;
报告数据获取模块,获取所述第一集合中所述每一主题的5W1H分析报告;
主题数据获取模块,将所述第一集合中每一主题相关的数据和所述第一集合中所述每一主题的5W1H分析报告,加入第二集合;
训练和测试模块,将所述第二集合中主题相关的数据作为所述深度学习模型的输入,将所述第二集合中所述主题的5W1H分析报告作为所述深度学习模型的预期输出,对所述深度学习模型进行训练和测试,得到5W1H分析报告生成深度学习模型;或无监督训练模块,将所述第二集合中主题相关的数据作为深度学习模型的输入,对所述深度学习模型进行无监督训练;有监督训练和测试模块,将所述第二集合中主题相关的数据作为所述深度学习模型的输入,将所述第二集合中所述主题的5W1H分析报告作为所述深度学习模型的预期输出,对所述深度学习模型进行有监督训练和测试,得到5W1H分析报告生成深度学习模型;
待处理主题获取模块,获取需要生成5W1H分析报告的创新驱动发展战略审计分析方面的主题,作为第一主题;
第一主题数据获取模块,获取所述第一主题相关的数据;
报告生成模块,将所述第一主题相关的数据作为所述5W1H分析报告生成深度学习模型的输入,计算得到所述5W1H分析报告生成深度学习模型的输出作为所述第一主题的5W1H分析报告。
优选地,所述主题数据获取模块具体包括:
内部数据获取模块,从用户获取所述第一集合中所述每一主题的内部数据,或者从大数据或数据库中根据所述第一集合中所述每一主题和“创新驱动发展战略跟踪审计”组合后进行检索得到所述第一集合中所述每一主题的内部数据;
外部数据获取模块,将所述第一集合中所述每一主题和“创新驱动发展战略跟踪审计”组合后输入搜索引擎(例如谷歌或百度或其它搜索引擎或多种搜索引擎综合使用,多种搜索引擎综合使用即从多个搜索引擎进行搜索并将搜索结果按照相关性排序),将搜索结果按照相关性从高到底进行排序,取前K个搜索结果,作为所述第一集合中所述每一主题的外部数据;
数据融合模块,将所述第一集合中所述每一主题的内部数据或/和所述第一集合中所述每一主题的外部数据作为所述第一集合中所述每一主题相关的数据。
优选地,所述系统包括:
审计理论分析模块,将所述5W1H分析报告设置为5W1H审计理论分析报告,运行所述系统,得到所述第一主题的5W1H审计理论分析报告;
审计效果分析模块,将所述5W1H分析报告设置为5W1H审计效果分析报告,运行所述系统,得到所述第一主题的5W1H审计效果分析报告;
审计原因分析模块,将所述5W1H分析报告设置为5W1H审计原因分析报告,运行所述系统,得到所述第一主题的5W1H审计原因分析报告;
审计目标分析模块,将所述5W1H分析报告设置为5W1H审计目标分析报告,运行所述系统,得到所述第一主题的5W1H审计目标分析报告;
审计对象分析模块,将所述5W1H分析报告设置为5W1H审计对象分析报告,运行所述系统,得到所述第一主题的5W1H审计对象分析报告;
审计主体分析模块,将所述5W1H分析报告设置为5W1H审计主体分析报告,运行所述系统,得到所述第一主题的5W1H审计主体分析报告;
审计实施分析模块,将所述5W1H分析报告设置为5W1H审计实施分析报告,运行所述系统,得到所述第一主题的5W1H审计实施分析报告。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面,本发明实施例提供一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的人工智能生成报告方法和创新驱动发展战略审计分析系统,包括:主题集合获取步骤;主题数据获取步骤;报告数据获取步骤;主题数据获取步骤;训练和测试步骤;待处理主题获取步骤;第一主题数据获取步骤;报告生成步骤。上述方法、深度学习系统和机器人,基于人工智能实现了利用内外部数据进行深度学习自动生成报告,可以用于创新驱动发展战略跟踪审计等主题的5W1H分析报告的生成。
附图说明
图1为本发明的一个实施例提供的人工智能方法的流程图;
图2为本发明的一个实施例提供的主题数据获取步骤的流程图;
图3为本发明的一个实施例提供的人工智能方法的流程图;
图4为本发明的一个实施例提供的人工智能方法的流程图。
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、本发明的基本实施例
第一方面,本发明实施例提供一种人工智能方法
如图1所示,所述方法包括:主题集合获取步骤;主题数据获取步骤;报告数据获取步骤;主题数据获取步骤;训练和测试步骤;待处理主题获取步骤;第一主题数据获取步骤;报告生成步骤。所述方法通过深度学习模型从已有的主题和报告数据集中学习报告的生成模型,进而对需要生成报告的主题进行报告的自动生成,其中比较关键的技术是深度学习模型的输入不仅仅是主题,而是和主题相关的数据,这样使得深度学习模型能够从主题相关的数据中学习,而不仅仅从主题的关键词和名称中进行学习,这一点是比较难以想到的技巧,这一点使得报告的生成本质上是基于主题的相关数据得到的,从而使得报告的生成不是深度学习模型的自我发挥,而是基于主题的相关数据得到的结果,从而使得报告的可用性和合理性更强,更接近于人类专家撰写的报告。
优选地,如图2所示,所述主题数据获取步骤具体包括:内部数据获取步骤;外部数据获取步骤;数据融合步骤。所述方法通过内部数据和外部数据两种途径来获取主题的相关数据,从而拓展了数据的来源,其中内部数据是传统的做法,而主题相关的外部数据特别是从搜索引擎得到的数据是很难想到被用来作为主题相关的数据的,而这一点对于深度学习模型的报告生成具有重要的意义,因为人类专家在进行报告撰写时是具备大量的专家经验和专家知识的,而深度学习模型的经验、知识从何而来?专家经验和专家知识是在内部数据中不具备的,却在外部数据中例如搜索引擎中具备,搜索引擎中有大量的专家经验和专家知识,通过主题进行搜索就可以有目的地得到大量的主题相关的专家经验和专家知识,从而弥补深度学习模型的输入数据的不足,使得生成的报告与专家撰写的报告更为接近。
优选地,如图3所示,所述方法还包括:修正报告获取步骤;第三集合构建步骤;增量训练和测试步骤。所述方法通过获取修正后的报告,来不断地增量式地训练报告生成深度学习模型,使得报告生成深度学习模型随着使用,效果越来越好,而这只是“顺水推舟”、“一举两得”之举,而无需额外的、特意的采集工作,只需在使用中进行。
优选地,如图3所示,所述方法还包括:预设数量设置步骤;数据移动步骤;集合管理步骤。所述方法通过预设数量的设定,使得第二集合越大则第三集合中需要越多的数据才进行重新增量训练,因为越到后来,报告生成深度学习模型的效果越好,要想进行改进,所需要的训练和测试数据量也就需要越多,根据这样的规律进行如此设置,则可以提高增量式训练的效率和效果。
优选地,如图4所示,所述方法还包括:生成模型准备步骤;生成模型训练步骤;生成模型使用步骤。所述方法还通过生成对抗网络对由生成报告深度学习模型输出的报告进行润色,使得润色生成的报告与人类专家的报告更为逼近,难分彼此,但对抗生成网络的报告润色生成模型生成的报告不是杜撰,而是基于生成报告深度学习模型输出的报告来生成的,所以既具有可读性、逼真性又具有合理性和科学性。
第二方面,本发明实施例提供一种人工智能装置
所述装置包括:主题集合获取模块;主题数据获取模块;报告数据获取模块;主题数据获取模块;训练和测试模块;待处理主题获取模块;第一主题数据获取模块;报告生成模块。
优选地,所述主题数据获取模块具体包括:内部数据获取模块;外部数据获取模块;数据融合模块。
优选地,所述装置还包括:修正报告获取模块;第三集合构建模块;增量训练和测试模块。
优选地,所述装置还包括:预设数量设置模块;数据移动模块;集合管理模块。
优选地,所述装置还包括:生成模型准备模块;生成模型训练模块;生成模型使用模块。
第三方面,本发明实施例提供一种创新驱动发展战略审计分析系统
所述系统包括:主题集合获取模块;主题数据获取模块;报告数据获取模块;主题数据获取模块;训练和测试模块;待处理主题获取模块;第一主题数据获取模块;报告生成模块。
优选地,所述主题数据获取模块具体包括:内部数据获取模块;外部数据获取模块;数据融合模块。
优选地,所述系统包括:审计理论分析模块;审计效果分析模块;审计原因分析模块;审计目标分析模块;审计对象分析模块;审计主体分析模块;审计实施分析模块。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面,本发明实施例提供一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,所述机器人为第一方面实施例中的所述第一人工智能装置,所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
二、本发明的优选实施例
1获取与主题(主题包括主题名称或主题关键词)相关的数据集合;
所述数据集合包括内部数据集合和外部数据集合;
内部数据集合由用户提供,或者从大数据或数据库根据主题进行检索获得;
外部数据集合从搜索引擎获取,具体包括:将主题名称(例如创新驱动发展战略跟踪审计)输入搜索引擎(例如谷歌或百度或其它搜索引擎或多种搜索引擎综合使用,即从多个搜索引擎进行搜索并将搜索结果按照相关性排序),将搜索结果按照相关性从高到底进行排序,取前K个搜索结果,作为与主题名称相关的文本集合。
2、将训练和测试数据集中的所述与主题相关的数据集合作为深度学习模型的输入,对所述深度学习模型进行无监督训练。
3、将训练和测试数据集中的所述与主题相关的数据集合作为所述深度学习模型的输入,将所述主题的报告作为所述深度学习模型的预期输出,对所述深度学习模型进行有监督训练和测试,得到报告生成深度学习模型。
4、获取需要生成报告的主题,获取与所述主题相关的文本集合。将所述主题相关的数据集合作为所述报告生成深度学习模型的输入,计算得到所述深度学习模型的输出作为所述主题的报告。
三、本发明的其它实施例
创新驱动发展战略的跟踪审计关系到对创新驱动发展战略实施部门、企业的评估,也对创新驱动发展战略本身的持续改进意义重大。创新驱动发展战略的跟踪审计是一种新型的审计,已有的研究很少,对创新驱动发展战略的跟踪审计的理论分析和效果分析仍然缺乏,而5W1H模型已在其它政策跟踪审计中被成功地应用,但尚未用于对创新驱动发展战略的跟踪审计的分析,因此将5W1H模型用于创新驱动发展战略的跟踪审计的分析具有可行性和先进性。同时,通过人工智能技术可以实现自动地将5W1H模型应用于新的主题,从而降低了审计人员将5W1H模型应用于创新驱动发展战略跟踪审计分析的难度。创新驱动发展战略跟踪审计进行了基于5W1H法的伦理分析和效果分析一旦涉及到具体的主题和区域,对于没用相关主题和区域知识积累的审计人员来说应用5W1H法进行分析是相对困难的事情,所以本实施例拟采用人工智能的方法协助审计人员自动生成分析报告供审计人员参考,来进行5W1H法分析应用于具体主题和区域的创新驱动发展战略跟踪审计的分析的难度。
首先需要生成可用于5W1H分析报告自动生成的人工智能模型。获取训练和测试时涉及到的主题集合。获取与所述主题集合中每个主题相关的文本集合、所述每个主题的5W1H分析报告,作为训练和测试数据集。具体包括:
1将主题名称(例如创新驱动发展战略跟踪审计,或XX行业创新驱动发展战略跟踪审计,例如信息技术创新驱动发展战略跟踪审计,或XX区域创新驱动发展战略跟踪审计,例如广东省创新驱动发展战略跟踪审计)输入搜索引擎(例如谷歌或百度或其它搜索引擎或多种综合使用),将搜索结果按照相关性从高到底进行排序,取前K个搜索结果,作为与主题名称相关的文本集合。
2、将训练和测试数据集中的所述与主题名称相关的文本集合作为深度学习模型的输入,对所述深度学习模型进行无监督训练。
3、将训练和测试数据集中的所述与主题名称相关的文本集合作为所述深度学习模型的输入,将所述主题的5W1H分析报告作为所述深度学习模型的预期输出,对所述深度学习模型进行有监督训练和测试,得到5W1H分析报告生成深度学习模型。
然后可以通过生成的人工智能模型进行具体主题和区域的创新驱动发展战略跟踪审计的5W1H分析报告的自动生成。
4、获取需要生成分析报告的新主题,获取与所述新主题相关的文本集合。将所述新主题相关的文本集合作为所述5W1H分析报告生成深度学习模型的输入,计算得到所述深度学习模型的输出作为所述新主题的5W1H分析报告。
下面给出“创新驱动发展战略跟踪审计”主题的5W1H分析报告的示例。
一、基于5W1H模型的创新驱动发展战略跟踪审计的理论分析:
5W1H包括六大要素:WHY(原因)、WHAT(对象)、WHERE(地点)、WHEN(时间)、WHO(人员)、HOW(方法)。创新驱动发展战略跟踪审计可有效借鉴5W1H理论,来理清思路。
1.原因(WHY)
为什么出台创新驱动发展战略?为什么创新驱动发展战略未达到预期效果,是创新驱动发展战略制订不够合理,还是执行过程存在偏差?
2.对象(WHAT)
创新驱动发展战略是否属于关乎到国家经济发展可持续性的“稳增长、调结构、促改革”的重大政策措施,还是对当前社会和经济有重大影响的政策措施?
3.地点(WHERE)
创新驱动发展战略具体由谁制定,是以中央的政策为主,还是以地方的配套政策为主?创新驱动发展战略应从哪里入手?
4.何时(WHEN)
现在实施的创新驱动发展战略与以前的发展战略有什么区别,前后是否有具体的衔接政策,在创新驱动发展战略的执行过程中是否会出现前后矛盾的现象?创新驱动发展战略的出台背景是什么?创新驱动发展战略是否具有前瞻性?
5.人员(WHO)
创新驱动发展战略具体由那个部门负责执行?如果该部门及其经办人员责任心不强,会产生什么影响?创新驱动发展战略的执行效果有没有科学的绩效评价制度?单个部门的执行是否会影响创新驱动发展战略的效力?如果由多部门联合实施,是否会存在推诿与扯皮现象?创新驱动发展战略如何实施?何种实施方法能够提高创新驱动发展战略的执行效率?创新驱动发展战略是分阶段实施,还是全面展开?
二、基于5W1H法的创新驱动发展战略跟踪审计的效果分析
1.要实行创新驱动发展战略跟踪审计的原因
创新驱动发展是当前我国面临的重大任务,经济发展需要创新驱动。审计机关和相关部门要加强创新驱动发展战略跟踪审计的强度,为实现创新驱动发展效益的最大化提供有力保障。
2.创新驱动发展战略跟踪审计意欲达到的审计目标
(1)推动创新驱动发展目标的实现
为使得具体目标的实现,需要以审计的方法对创新驱动发展战略支持的项目和其开展单位进行监督和相应的规划。时时跟踪创新驱动发展战略支持的项目和其开展单位的进展,及时反馈跟踪审计的结果给创新驱动发展战略支持的项目和其开展单位,进而帮助创新驱动发展战略支持的项目和其开展单位实现预期目标。
(2)督促创新驱动发展战略的有效实施
通过创新驱动发展战略跟踪审计,促进中央、省、市创新驱动发展战略政策的全面开展实施,保证创新驱动发展战略能够上通下达,层层协同,促进创新驱动发展战略逐步完善。
(3)促进创新驱动发展战略支持的项目的逐渐规范性
以审计的独特方式及时发现创新驱动发展战略支持的项目评审和执行的不规范之处,并及时提醒创新驱动发展战略支持的项目和其开展单位进行整改。
(4)确保创新驱动发展战略专项资金的安全
通过跟踪审计,管理创新驱动发展战略专项资金,避免以创新驱动发展为由头,将创新驱动发展战略专项资金挪作它用,例如用于非创新业务和传统产品的扩产,保证创新驱动发展战略专项资金合法合理的使用,以达到创新驱动发展战略专项资金的使用目的。
3.创新驱动发展战略跟踪审计的实施对象
创新驱动发展战略跟踪审计把审计对象具体到创新驱动发展战略支持的项目的各个部门,各单位。由于在创新驱动发展战略支持的项目执行的过程中一个部门(例如科技厅、财政厅、审计厅)会分管不同的创新驱动发展战略支持的项目的评审、验收,同时项目也可能被不同的单位(例如高新企业)承担。
4.创新驱动发展战略跟踪审计的主体
当前,创新驱动发展战略跟踪审计的主体是各级审计部门。因为创新驱动发展战略支持的项目涉及的范围广,部门多,资金巨大,仅凭审计部门很难做到面面俱到。因此,通过大数据人工智能技术辅助审计变得尤为重要。
5.创新驱动发展战略跟踪审计的实施
(1)协调各部门做到资源共享
创新驱动发展战略跟踪审计涉及到的部门、单位、项目多,创新驱动发展战略实施的数据往往分散在不同的部分,所以创新驱动发展相关数据资源的共享非常重要。
(2)创新驱动发展战略实施的数据不仅涉及到部门、单位内部数据,也与很多外部数据有关,例如互联网的舆情数据,也能从某些方面反映出人们对创新驱动发展战略的看法。又如专利数据,也是可以从网上进行获取的,可以与单位数据进行相互印证,来发现造假数据。所以可以充分利用大数据技术获取外部共开数据,与各部分、单位的内部数据进行融合来进行创新驱动发展战略跟踪审计。
(3)创新驱动发展战略的涉及面广,审计工作量非常大,所以需要充分利用人工智能技术来减轻人工审计的压力,实现创新驱动发展战略的自动跟踪审计。
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,则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)
1.一种人工智能方法,其特征在于,所述方法包括:
主题集合获取步骤,获取多个主题,加入第一集合;
主题数据获取步骤,获取所述第一集合中每一主题相关的数据;
报告数据获取步骤,获取所述第一集合中每一主题的报告;
主题数据获取步骤,将所述第一集合中每一主题相关的数据和所述第一集合中所述每一主题的报告,加入第二集合;
训练和测试步骤,将所述第二集合中主题相关的数据作为所述深度学习模型的输入,将所述第二集合中所述主题的报告作为所述深度学习模型的预期输出,对所述深度学习模型进行训练和测试,得到报告生成深度学习模型;
待处理主题获取步骤,获取需要生成报告的主题,作为第一主题;
第一主题数据获取步骤,获取所述第一主题相关的数据;
报告生成步骤,将所述第一主题相关的数据作为所述报告生成深度学习模型的输入,计算得到所述报告生成深度学习模型的输出作为所述第一主题的报告。
2.根据权利要求1所述的人工智能方法,其特征在于,所述主题数据获取步骤具体包括:
内部数据获取步骤,从用户获取所述第一集合中所述每一主题的内部数据,或者从大数据或数据库中根据所述第一集合中所述每一主题进行检索得到所述第一集合中所述每一主题的内部数据;
外部数据获取步骤,将所述第一集合中所述每一主题输入搜索引擎,将搜索结果按照相关性从高到底进行排序,取前M个搜索结果,作为所述第一集合中所述每一主题的外部数据;
数据融合步骤,将所述第一集合中所述每一主题的内部数据或/和所述第一集合中所述每一主题的外部数据作为所述第一集合中所述每一主题相关的数据。
3.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:
修正报告获取步骤,获取用户对所述第一主题的报告的修正版本,作为所述第一主题的修正报告;
第三集合构建步骤,将所述第一主题相关的数据和所述第一主题的修正报告,作为训练和测试数据,加入第三集合;
增量训练和测试步骤,统计第三集合中训练和测试数据的数量,若所述数量达到预设数量,则将所述第三集合中主题相关的数据作为所述报告生成深度学习模型的输入,将所述第三集合中所述主题的报告作为所述报告生成深度学习模型的预期输出,对所述报告生成深度学习模型进行训练和测试,得到所述报告生成深度学习模型。
4.根据权利要求3所述的人工智能方法,其特征在于,所述方法还包括:
预设数量设置步骤,所述预设数量设置为第二集合中训练和测试数据的数量的1/K并取整;
数据移动步骤,将所述第三集合中的训练和测试数据加入所述第二集合;
集合管理步骤,将所述第三集合清空。
5.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:
生成模型准备步骤,初始化生成模型GM、判别模型DM;获取所述报告生成深度学习模型输出的报告的集合,作为第四集合,将所述第四集合中的报告作为生成模型GM的输入,经过生成模型GM后输出的数据,作为FD;获取所述第二集合中的报告,作为RD;
生成模型训练步骤,将(FD,0)、(RD,1),作为判别网络DM的输入,经过判别网络DM后输出值为一个0到1之间的数,用于表示输出为RD的概率;使用得到的概率值计算所述生成模型GM的损失函数和所述判别模型DM的损失函数;根据所述生成模型GM的损失函数,对所述生成模型GM进行修正;根据所述判别模型DM的损失函数,对所述判别模型DM进行修正;重复上述步骤,直至所述判别模型DM的输出接近1/2,将最新的所述生成模型GM作为报告润色生成模型;
生成模型使用步骤,将所述第一主题的报告输入所述报告润色生成模型,计算得到的所述报告润色生成模型的输出作为所述第一主题的报告。
6.一种创新驱动发展战略审计分析系统,其特征在于,所述系统包括:
主题集合获取模块,获取多个创新驱动发展战略审计分析方面的主题,加入第一集合;
主题数据获取模块,获取所述第一集合中每一主题相关的数据;
报告数据获取模块,获取所述第一集合中所述每一主题的5W1H分析报告;
主题数据获取模块,将所述第一集合中每一主题相关的数据和所述第一集合中所述每一主题的5W1H分析报告,加入第二集合;
训练和测试模块,将所述第二集合中主题相关的数据作为所述深度学习模型的输入,将所述第二集合中所述主题的5W1H分析报告作为所述深度学习模型的预期输出,对所述深度学习模型进行训练和测试,得到5W1H分析报告生成深度学习模型;
待处理主题获取模块,获取需要生成5W1H分析报告的创新驱动发展战略审计分析方面的主题,作为第一主题;
第一主题数据获取模块,获取所述第一主题相关的数据;
报告生成模块,将所述第一主题相关的数据作为所述5W1H分析报告生成深度学习模型的输入,计算得到所述5W1H分析报告生成深度学习模型的输出作为所述第一主题的5W1H分析报告。
7.根据权利要求6所述的创新驱动发展战略审计分析系统,其特征在于,所述主题数据获取模块具体包括:
内部数据获取模块,从用户获取所述第一集合中所述每一主题的内部数据,或者从大数据或数据库中根据所述第一集合中所述每一主题和“创新驱动发展战略跟踪审计”组合后进行检索得到所述第一集合中所述每一主题的内部数据;
外部数据获取模块,将所述第一集合中所述每一主题和“创新驱动发展战略跟踪审计”组合后输入搜索引擎,将搜索结果按照相关性从高到底进行排序,取前K个搜索结果,作为所述第一集合中所述每一主题的外部数据;
数据融合模块,将所述第一集合中所述每一主题的内部数据或/和所述第一集合中所述每一主题的外部数据作为所述第一集合中所述每一主题相关的数据。
8.根据权利要求6所述的创新驱动发展战略审计分析系统,其特征在于,所述系统包括:
审计理论分析模块,将所述5W1H分析报告设置为5W1H审计理论分析报告,运行所述系统,得到所述第一主题的5W1H审计理论分析报告;
审计效果分析模块,将所述5W1H分析报告设置为5W1H审计效果分析报告,运行所述系统,得到所述第一主题的5W1H审计效果分析报告;
审计原因分析模块,将所述5W1H分析报告设置为5W1H审计原因分析报告,运行所述系统,得到所述第一主题的5W1H审计原因分析报告;
审计目标分析模块,将所述5W1H分析报告设置为5W1H审计目标分析报告,运行所述系统,得到所述第一主题的5W1H审计目标分析报告;
审计对象分析模块,将所述5W1H分析报告设置为5W1H审计对象分析报告,运行所述系统,得到所述第一主题的5W1H审计对象分析报告;
审计主体分析模块,将所述5W1H分析报告设置为5W1H审计主体分析报告,运行所述系统,得到所述第一主题的5W1H审计主体分析报告;
审计实施分析模块,将所述5W1H分析报告设置为5W1H审计实施分析报告,运行所述系统,得到所述第一主题的5W1H审计实施分析报告。
9.一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,其特征在于,所述处理器执行所述程序时实现权利要求1-5任意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,所述程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356454.2A CN113190673B (zh) | 2021-04-01 | 2021-04-01 | 人工智能生成报告方法和创新驱动发展战略审计分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356454.2A CN113190673B (zh) | 2021-04-01 | 2021-04-01 | 人工智能生成报告方法和创新驱动发展战略审计分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113190673A true CN113190673A (zh) | 2021-07-30 |
CN113190673B CN113190673B (zh) | 2023-07-11 |
Family
ID=76974476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110356454.2A Active CN113190673B (zh) | 2021-04-01 | 2021-04-01 | 人工智能生成报告方法和创新驱动发展战略审计分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190673B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016139666A1 (en) * | 2015-03-05 | 2016-09-09 | Wikistrat Ltd. | Predictive strategic outcomes by combining human crowdsourcing |
CN111651996A (zh) * | 2019-03-04 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 摘要生成方法、装置、电子设备及存储介质 |
CN111860133A (zh) * | 2020-06-08 | 2020-10-30 | 华南师范大学 | 无种族偏见的识别人类的人工智能伦理方法和机器人 |
CN112464668A (zh) * | 2020-11-26 | 2021-03-09 | 南京数脉动力信息技术有限公司 | 一种提取智能家居行业动态信息的方法和系统 |
-
2021
- 2021-04-01 CN CN202110356454.2A patent/CN113190673B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016139666A1 (en) * | 2015-03-05 | 2016-09-09 | Wikistrat Ltd. | Predictive strategic outcomes by combining human crowdsourcing |
CN111651996A (zh) * | 2019-03-04 | 2020-09-11 | 北京嘀嘀无限科技发展有限公司 | 摘要生成方法、装置、电子设备及存储介质 |
CN111860133A (zh) * | 2020-06-08 | 2020-10-30 | 华南师范大学 | 无种族偏见的识别人类的人工智能伦理方法和机器人 |
CN112464668A (zh) * | 2020-11-26 | 2021-03-09 | 南京数脉动力信息技术有限公司 | 一种提取智能家居行业动态信息的方法和系统 |
Non-Patent Citations (2)
Title |
---|
于江德等: "《统计语言模型内在机制及应用》", 30 November 2019 * |
唐子惠等: "《医学人工智能导论》", 30 April 2020 * |
Also Published As
Publication number | Publication date |
---|---|
CN113190673B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kazmi et al. | Examining the impact of industry 4.0 on labor market in Pakistan | |
Kortum et al. | Dissection of AI job advertisements: A text mining-based analysis of employee skills in the disciplines computer vision and natural language processing | |
Sabri et al. | Integrating knowledge life cycle within software development process to produce a quality software product | |
CN113190673A (zh) | 人工智能生成报告方法和创新驱动发展战略审计分析系统 | |
Huber et al. | Combining individual and organizational capabilities: An integrated maturity model for ambidexterity | |
Deaton et al. | The comprehensive terrorism knowledge base in Cyc | |
Adjei et al. | Corrective measures for construction project cost control | |
Liu et al. | Application of artificial intelligence technology in the teaching of mechanical education courses in universities | |
Alzuru et al. | Selfie: Self-aware information extraction from digitized biocollections | |
Elkaffas et al. | Use of semantic wiki as a capturing tool for lessons learned in project management | |
Alnababteh et al. | Associative Classification Based on Incremental Mining (ACIM) | |
Duan et al. | Forecasting carbon price using signal processing technology and extreme gradient boosting optimized by the whale optimization algorithm | |
Morales-Trujillo et al. | Using technical-action-research to validate a framework for authoring software engineering methods | |
Shao et al. | Research on decision tree in component retrieval | |
Astafurova et al. | Transformation of the human resources regional market under the influence of economy digitalization | |
Zhang et al. | A regret theory-based decision-making method with a reference set under the hesitant fuzzy environment | |
Wang | The Influence of the Sustainable Evolution of Artificial Intelligence Technology (AIT) on the Blossom of the Intelligent Technology Industry (TI) | |
Lv | An approach to ontologies integration | |
Iqbal et al. | Investigating the value of retention actions as a source of relevance information in the software development environment | |
Vidyarthi et al. | Domain specific ontology merging using semantics | |
Peña Martínez | Análisis competencial del captador/a de socios enel tercer sector. | |
Arsovski et al. | An approach to Ontology-based modeling of State Development Funds | |
Zhang et al. | Tender evaluation method for engineering projects based on modified DEA and fuzzy theory | |
Edwards | A model of cascading change: Successful change and improved relational coordination | |
Xie et al. | A talent assessment model based on learning behaviors and patterns |
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 |