CN115563271A - 人工智能的会计数据分录方法、系统、设备及存储介质 - Google Patents
人工智能的会计数据分录方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115563271A CN115563271A CN202211048086.6A CN202211048086A CN115563271A CN 115563271 A CN115563271 A CN 115563271A CN 202211048086 A CN202211048086 A CN 202211048086A CN 115563271 A CN115563271 A CN 115563271A
- Authority
- CN
- China
- Prior art keywords
- accounting data
- historical
- accounting
- classification model
- data
- 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
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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种人工智能的会计数据分录方法、系统、设备及存储介质,方法包括在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果;所述当前分类模型是基于历史会计数据集进行训练而得到的;所述分类结果包括科目代码;对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。本发明实施例的技术方法实现了自动对会计数据的分录,提高了分录的效率和准确度。
Description
技术领域
本发明涉及一种数据处理技术领域,尤其涉及一种人工智能的会计数据分录方法、系统、设备及存储介质。
背景技术
记账是指把一个企事业单位或者个人家庭发生的所有经济业务运用一定的记账方法在账簿上记录,是指根据审核无误的原始凭证及记账凭证,按照国家统一会计制度规定的会计科目,运用复式记账法对经济业务序时地、分类地登记到账簿中。而企业的现有的记账方式,通常通过会计员对账目进行人工分录,这样的方式耗时耗力,并且,容易出现错误。
因此,需要一种记账方法以解决上述的技术问题。
发明内容
本发明实施例提供了一种人工智能的会计数据分录方法、系统、设备及存储介质,本发明实施例的技术方案实现了自动对待分录会计数据的分录。
第一方面,本发明实施例提供了一种人工智能的会计数据分录方法,方法包括:
在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果;所述当前分类模型是基于历史会计数据集进行训练而得到的;所述分类结果包括科目代码;
对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。
第二方面,本发明实施例提供了一种人工智能的会计数据分录装置,装置包括:
分类结果获取模块,用于在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果;所述当前分类模型是基于历史会计数据集进行训练而得到的;所述分类结果包括科目代码;
会计分录模块,用于对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。
第三方面,本发明实施例提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例中的人工智能的会计数据分录方法。
第四方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任一实施例中的人工智能的会计数据分录方法。
本发明实施例的技术方案,通过在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果,使得分类结果更加准确,并且提高了分类效率,为后续基于分类结果快速、准确的获得分录结果提供了保证。本发明实施例的技术方案,通过对待分录会计数据的处理,得到会计分录结果,不需要人工参与,提高了会计数据的分录效率,也减少了会计员的工作量。并且,由于全程无需人为参与分录工作,避免了由于会计员的失误导致的分录错误,提高了会计数据分录的准确度,进而避免了由于会计数据的分录错误造成的经济损失。
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,下面描述中的附图仅仅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。
其中:
图1为一个实施例中人工智能的会计数据分录方法的流程示意图;
图2为另一个实施例中的人工智能的会计数据分录系统操作的流程示意图;
图3为另一个实施例中的人工智能的会计数据分录装置的结构示意图;
图4为另一个实施例中的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在阐述本发明实施例的技术方案之前,先对本发明实施例的应用场景进行示例性说明:
现今不同企业的会计账单类型可能存在不同的地方,在进行会计账目的分录时,通常需要会计员根据自身企业的会计账目类型进行分录,时间成本很高,并且,也容易出现错误。本发明实施例提供一种人工智能的会计数据分录方法,通过预先训练获得的当前分类模型对会计数据进行处理,得到分类结果,分类结果包括科目代码,并将科目代码和相对应的会计数据进行处理,得到会计分录结果。本发明实施例的技术方案中的当前分类模型可以根据公司的自身的历史会计数据进行训练而获得,使得当前分类模型适配于公司会计数据的特点,进而提高提高会计数据分录的准确度,并且由于会计数据的分录不需要人工参与,减少了人为造成的误差,同时提高了会计数据分录的效率。
在本发明的一个实施例中,提供了一种人工智能的会计数据分录方法,本发明实施例的人工智能的会计数据分录方法适用于对会计数据进行分录的情况,该方法可以由人工智能的会计数据分录装置来执行,该装置可以通过软件和/或硬件的形式实现,比如,软件可以是研发的应用软件,硬件可以是具有实现人工智能的会计数据分录功能的计算机。
如图1所示,本发明实施例的人工智能的会计数据分录方法具体包括如下步骤:
S110、在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果。
其中,当前分类模型是基于历史会计数据集进行训练而得到的。分类结果包括科目代码。本发明实施例的历史会计数据可以是xls、xlsx、csv格式的日记账、序时账等。可以是历史时间段的会计数据,比如,2019年至2021年两年间的会计数据。科目代码是指科目编号,会计科目统一规定的代码。待分录会计数据是指当下需要进行分录的会计数据。待分录会计数据中包括会计摘要、科目名称、金额、时间等等。历史会计数据中除了会计摘要、科目名称、金额、时间等,还包括科目代码,将科目代码作为分类标签。
具体的,在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果,比如,科目代码。通过本步骤,可以实现将每条待分录会计数据都找到对应的科目代码。在进行会计数据的分录时,通常将相同科目代码的会计数据录入到相同的区域。本步骤为后续根据待分录会计数据和待分录会计数据对应的科目代码得到会计分录结果做准备工作。
S120、对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。
本发明实施例中,根据每条待分录会计数据和待分录会计数据对应的科目代码,将各条待分录会计数据进行分录,得到会计分录结果,通过这种方式,提高了会计分录的效率和准确度,避免出现人工分录,导致分录错误。
在另一本发明实施例中,所述对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果,包括:确定与科目代码对应的数据存储区,将所述科目代码对应的至少一条待分录会计数据存储到数据存储区内。
具体的,根据科目代码找到相对应的待分录会计数据的数据存储区,将待分录会计数据存储到数据存储区,实现会计分录。本步骤,根据每条待分录会计数据和待分录会计数据对应的科目代码,实现会计分录,提高会计分录的效率。
本发明实施例的技术方案,通过在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果,对每条待分录会计数据和待分录会计数据对应的科目代码进行处理,得到会计分录结果,实现了自动对待分录会计数据的分录效果,提高了会计分录的效率,并且,减少了由于人工作业,导致的误差。
在另一本发明实施例中,在对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理之前,还包括:将每条待分录会计数据以及所述待分录会计数据对应的科目代码添加到表格中,得到待处理表格数据;所述对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,包括:识别所述待处理表格数据,并对识别得到的待处理数据进行处理。
本发明实施例中,表格中预先设置不同类型的数据的填写位置,示例性的,参见表1。数据类型是指科目编码、科目名称、摘要等。每种数据类型都有对应的数据,应当理解,每条会计数据可能包括上述的多种数据类型。将每条待分录会计数据和待分录会计数据对应的科目代码添加到表格中,得到待处理表格数据,识别待处理表格数据,并对识别到的待处理数据进行处理,以便得到会计分录结果。
表1
示例性的,在本发明实施例中,实现将每条待分录会计数据以及待分录会计数据对应的科目代码添加到表格中的方式,可以是通过机器人流程自动化(Robotic processautomation,RPA)。RPA是以软件机器人及人工智能(AI)为基础的业务过程自动化科技。RPA能自动化监视使用者在应用软件中图形用户界面(Graphical User Interface,GUI),并且直接在GUI上自动重复这些工作。不需要对现有系统或企业资源计划(EnterpriseResource Planning,ERP)进行任何修改。通过RPA来实现将待分录会计数据和每条待分录会计数据对应的科目代码添加到表格中,得到待处理表格数据,识别待处理表格数据得到待处理数据。
示例性的,通过ERP对待处理数据进行处理,得到会计分录结果。ERP是指建立在信息技术基础上,集信息技术与先进管理思想于一身,以系统化的管理思想,为企业员工及决策层提供决策手段的管理平台。
在另一本发明实施例中,所述基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果之前,还包括:获取历史会计数据集,所述历史会计数据集包括多条历史会计数据以及每条历史会计数据的多个历史科目代码,所述历史会计数据包括序时账和/或日记账,所述历史会计数据具有对应的多个历史科目代码;通过历史会计数据集训练初始分类模型,在所述初始分类模型的分类结果符合预设规则的情况下,得到训练完成的当前分类模型。
本发明实施例中,历史会计数据集包括多条历史会计数据,每条历史会计数据具有对应的多个历史科目代码。多个科目代码是指两个及以上的科目代码。需要说明的是,历史科目代码作为历史会计数据的类别。可选地,可以以历史科目代码作为历史会计数据集的分类标签,也可以以历史科目代码作为分类的类别,并设置分类标签,使得分类标签与历史科目代码之间存在一一对应的关系,得知历史会计数据的分类标签时,就可以确定历史科目代码。应当理解,每条历史会计数据包括两个及以上的历史科目代码,比如,一条历史会计数据包括两个科目代码,借方的科目代码和贷方的科目代码。
本发明实施例中,获取历史会计数据集,通过历史会计数据集训练初始分类模型。本发明实施例中的预设规则是指每条历史会计数据的多个分类结果中,包括该历史会计数据对应的多个历史科目代码,并且,每个历史科目代码的数量大于非历史科目代码的数量。依次通过每条历史会计数据对初始分类模型进行训练,得到当前分类模型。应当理解,本发明实施例的会计数据由于是采用的复式记账的方式,因此存在多个科目代码。
在本发明的另一实施例中,所述初始分类模型包括初始LinearSVC分类模型;所述通过历史会计数据集训练初始分类模型,在所述初始分类模型的分类结果符合预设规则的情况下,得到训练完成的当前分类模型,包括:针对所述历史会计数据集中的每条历史会计数据,在通过初始LinearSVC分类模型对当前历史会计数据的处理次数达到了N次,并在N个分类结果中,包括所述当前历史会计数据的多个历史科目代码,任意一个历史科目代码的个数大于非历史科目代码的个数的情况下,通过初始LinearSVC分类模型对所述当前历史会计数据的下一条历史会计数据进行处理,直到所有的历史会计数据都处理完成,得到训练完成的当前LinearSVC分类模型,其中,针对每条历史会计数据的每次训练得到一个分类结果。
本发明实施例中,N可以根据实际情况进行设置,这里不做限定。通过初始LinearSVC分类模型分别对每条历史会计数据处理N次,由于每次处理一次得到一个分类结果,因此,处理N次得到N个分类结果。在N个分类结果中,包括了处理的当前历史会计数据的多个历史科目代码,并且,在N个分类结果中,每个历史科目代码的数量都要大于非历史科目代码的数量,则初始LinearSVC分类模型处理当前历史会计数据的结束,开始处理当前历史会计数据的下一条历史会计数据,直到历史会计数据集中所有的历史会计数据都处理完,得到当前LinearSVC分类模型。应当理解,本发明实施例中历史会计数据集中的历史会计数据依次对初始LinearSVC分类模型进行处理,至于历史会计数据的排序问题,可以设置每条历史会计数据的编号等,按照编号依次获得每条历史会计数据,当然,也可以是其他方式,这里对于历史会计数据对初始LinearSVC分类模型的处理先后顺序,不做具体限定。
本发明的另一个实施例中,所述获取历史会计数据之后,还包括:对所述历史会计数据集进行预处理,得到历史会计向量集,所述历史会计向量集包括多个历史会计向量;所述通过历史会计数据集训练初始分类模型,在所述初始分类模型的分类结果符合预设规则的情况下,得到训练完成的当前分类模型,包括:针对每个历史会计向量,通过初始LinearSVC分类模型对所述历史会计向量进行重复的N次处理,并在每次处理结束的情况下,调整初始LinearSVC分类模型的惩罚系数,得到新的惩罚系数,通过具有新的惩罚系数的初始LinearSVC分类模型对所述历史会计向量进行再次处理,直至处理次数达到N次,并且,N个分类结果符合预设规则,则通过初始LinearSVC分类模型对所述历史会计向量的下一个历史会计向量进行处理,直到所有的历史会计向量都处理完成,得到当前LinearSVC分类模型,每次对所述下一个历史会计向量进行处理时,初始LinearSVC分类模型的惩罚系数为初始值。
本发明实施例中,惩罚系数是描述对误差的宽容度。在本发明实施例惩罚系数的取值范围为0.2-1.0,惩罚系数的调整可以人工进行调整的。
可选地,在每次对一条历史会计数据进行训练,训练N次,并且,在每次训练结束后,按照预设步长调整惩罚系数,比如,惩罚系数的初始值为0.2,每次调整的预设步长为0.2,则在首次训练结束时,预设步长调整为0.4。直到达到了预设次数结束。当然,在对当前历史会计数据训练结束后,开始对当前历史会计数据的下一条历史会计数据进行处理,可以将惩罚系数重新初始化,也即初始为0.2,当训练了一次之后,再调整惩罚系数,重复与处理当前历史会计数据的相同步骤。
本发明实施例中,通过初始LinearSVC分类模型对每条历史会计向量进行N次训练。针对当前历史会计向量,若是,N次训练后的N个分类结果中,包括了当前历史会计向量的当前历史会计数据的多个历史科目代码,并且,每个历史科目代码的数量大于非历史科目代码的数量,则通过初始LinearSVC分类模型依次对当前历史会计向量的下一条历史会计向量进行处理。若是N次训练后的N个分类结果中,未包括当前历史会计向量的当前历史会计数据的所有历史科目代码,或者存在任一历史科目代码的数量小于非历史科目代码的数量,则重新对当前历史会计向量进行N次训练。需要说明的是,重新进行N次训练时,惩罚系数从初始值开始,每训练一次调整一次。也即,以N次训练为一个计算节点,判断计算分类结果中是否包括了当前处理的历史会计向量的历史会计数据的所有历史科目代码,并且,每个历史科目代码的数量是否大于非历史科目代码的数量。
示例性的,针对一条历史会计数据,该历史会计数据包括3个历史科目代码,也即分类标签,标记为Q、W、E。训练50次,惩罚系数的初始值为0.2,以0.2为步长进行增长,直至1.0结束。在这50次的分类结果中,Q为20次,W为15次,E为12次,N为3次。可以得出在50次训练结束后,分类结果中包括了历史会计数据的所有历史科目代码,并且,每个历史科目代码的数量大于非历史科目代码的数量,则针对当前的历史会计数据的训练结束,执行当前的历史会计数据的下一条历史会计数据的训练。这样的训练方式,可以保证分类结果的准确度。
可选地,对于初始Linear分类模型的训练,也可以是针对每条历史会计数据训练N次,然后将N个分类结果中相同的分类结果合并,输出不同的分类结果,比如,上述的示例,则得到N次训练后的4个分类结果,分别为Q、W、E和N,将这四个作为输出结果,针对每条历史会计数据训练结束的条件为N次训练的分类结果中包括历史会计数据包括的多条历史科目代码即可。即不限定每条历史科目代码的数量大于非历史科目代码的数量。这样,可以加快训练的效率。
LinearSVC分类模型的开发语言为python编程语言,使用Scikit-learn开源软件机器学习库。该模型算法不同于传统二分类的SVC模型,可支持处理种类多而分类复杂的超高维数据的输入。利用给定标记的训练数据进行交叉验证,给定标记指将表格中每一个单元格赋予一个类别。如A列的单元格为会计摘要,B列的单元格为科目代码等。而交叉验证指的是一种统计学建模方法(Cross Validation),在这里指将原始数据进行分组,一部分做为训练集,另一部分做为验证集,首先用训练集对分类器进行训练,再利用验证集来测试训练得到的模型。
具有海量文本信息分类的linearSVC分类模型,默认通过L2损失函数过滤及特征筛选,在大数据的处理速度和效率上更适合会计信息的分类模型算法。损失函数L2指的是测试值和真实值之差的平方,L2损失函数的数学公式如下:
其中,L2损失函数计算出每个向量的欧氏距离,n为样本数,公式中Y为目标值的特征向量,f(x)为训练集的特征向量,他们相减后的平方再开平方根,得出的结果按大小进行分类。通过不断的输入给定标记的特征向量,训练初始分类模型。初始分类模型构建方法为:使用梯度下降法,赋值初始值,使用一个随机数生成器随机选择特征训练,损失函数默认为L2,计算误差向量,取出误差最大项,获取会计科目与会计摘要的特征,然后用线性拟合的方法对特征和类别进行拟合。在训练初始分类模型之后,得到当前分类模型,通过当前分类模型对输入的业务描述或会计摘要进行处理,当前分类模型会分别计算出业务描述或会计摘要的所属的概率,分别属于哪个科目代码。应当理解,在本发明实施例中,待分录会计数据为业务描述或者会计摘要,这里的业务描述是指对具有金额流动的描述,包括时间、科目名称、金额、等。比如,对公司的一次流水账的描述,2020.03.12,A公司向B公司借款200万。
本发明实施例通过linearSVC分类模型作为分类模型的优势在于通过L2损失函数过滤及特征筛选,提高了会计数据分类的准确率,可作为辅助会计数据分录的工具无缝集成到凭证录入的工作流程中,可以通过提供本公司历史的会计数据的特征,可更提高科目代码的确定的准确度,并且能显著提高工作效率,减少会计数据分录漏入,误入的可能性。
在另一本发明实施例中,在获取历史会计数据集之前,所述方法还包括:构建包含会计特征信息的属性词典;所述对所述历史会计数据集进行预处理,得到历史会计向量集,包括:对所述历史会计数据集中的各历史会计数据进行分词处理,以划分获得若干词组;依据所述属性词典分别对各所述词组进行向量化预处理,获得与各条历史会计数据对应的历史会计向量,以获得所述历史会计向量集。
本发明实施例中,通过属性词典对各条历史会计数据进行向量预处理,通过属性词典对各条历史会计数据进行向量预处理,得到每条历史会计数据的历史会计向量。由各个历史会计向量组成历史会计向量集。
需要说明的是,本发明实施例的历史会计向量可能是多行多列的特征矩阵,统称为历史会计向量。
在本发明实施例中,构建包含会计特征信息的属性词典,可以是从任意财务软件中下载多条序时账,比如,下载超过50条的excel文件格式的序时账。读取序时账,并将序时账中的数据按照类别进行排序,得到会计摘要、科目名称、科目代码等类别的数据。通过循环方法将每一类别的数据首尾拼接,得到长文本,采用机器学习库Sklearn中的TF-IDF算法进行特征值提取,首先计算词频,也即词在长文本中的出现次数/总词数,之后计算计算逆文档频率,IDF=log(语料库文档总数/包含该词的文档数+1),最后计算TF*IDF,也即TF-IDF值,将所有词的TF-IDF值降序排列取前M个作为特征值。其中,M可以取任意值,比如,可以取16。采用按类提取特征值的方法,对每一类的所有样本分别进行TF-IDf特征值提取,最终收集不同分类的所有特征值,整合重复项构建出属性词典。这里的样本是指每一类的会计数据的长文本。
本发明实施例中,对历史会计数据集中的各条历史会计数据,也即可以是会计摘要进行分词处理,也即将每条会计数据对应的句子划分成词组,得到多个词组。根据属性词典对会计数据进行向量化预处理得到历史会计向量,由多个历史会计向量组成历史会计向量集。
可选的,在分词之前,对会计数据进行去噪处理,比如,去除助词等。将关键词进行提取,对关键词的文本进行词组的划分,得到多个词组。本发明实施例的关键词可以根据实际情况进行选择。对于去除噪声的方式可以根据现有技术中的文本去噪方式,比如,正则清洗等。关键词提取的方式可以参考现有技术中的关键词提取方式。比如,无监督关键词提取方式。
在另一本发明实施例中,对历史会计数据集进行分割,得到训练数据集和测试数据集,可选地,将80%的历史会计数据集作为训练数据集,将20%的历史会计数据集作为测试数据集。历史会计数据集具有对应的历史会计向量集,将历史会计数据集划分为测试数据集和训练数据集后,测试数据集具有对应的测试会计向量集,训练数据集具有对应的训练会计向量集。划分为测试数据集和训练数据集的目的是进行交叉验证。参见图2,通过财务软件导出历史会计数据集,得到带标签的训练数据集。对带标签的训练数据集进行特征提取,得到训练会计向量集并进行特征训练,之后对初始LinearSVC分类模型进行训练,得到训练完成的当前LinearSVC分类模型。
在本发明实施例中,将训练会计向量集输入到初始LinearSVC分类模型中进行训练,并通过测试会计向量集输入到初始LinearSVC分类模型中,以对惩罚系数进行调整,通过将测试会计向量集的各个向量输入初始LinearSVC分类模型进行预测,得到预测结果与预先设置的测试结果进行比较,以评估初始LinearSVC分类模型是否训练完成。在线性向量中,当数据集在原始特征中不是线性时,通过映射,将原始特征空间映射为更高维的空间,使数据在高维空间中可能变成线性。而惩罚系数是映射后的点与点彼此之间的距离。当惩罚系数越小时,分的类别会越细,但容易导致过拟合,当惩罚系数越大,分的类别会越粗,导致无法将数据区分开来。所以如何选择合适的惩罚系数是保证正确率的重点。在本发明实施例,通过实验验证,当惩罚系数为10时,得到正确率60%,调整惩罚系数的值,选择为9;再次测试正确率66%,以步长为0.2的比例进行选择,这里的正确率是指N次训练后,得到分类结果中历史科目代码与所有分类结果的比值。历史科目代码是指初始LinearSVC分类模型处理的历史会计数据的。当然,可能包括多个历史科目代码,针对每个历史科目代码计算正确率后,再计算平均值,可以得到每条历史会计数据整体的正确率,当然,也可以得到每条历史会计数据的每个历史科目代码的准确率。
在另一本发明实施例中,提出了一种人工智能的会计数据分录系统包括前端操作界面,用web浏览器打开,带有用户登陆、上传日记账、上传序时账的按钮,也有下载当前分类模型、excel数据模版、自动录入会计分录等的人工操作按钮。不需要用户输入任何内容,只需要点击鼠标进行操作。在网页前端,设计有选择惩罚系数的按钮,惩罚系数的大小可以由用户自己选择,用户可自由设计合适的初始分类模型。在本发明实施例中,基于Web的科目代码输出服务,搭建Web服务器和网页,将当前分类模型部署到Web服务器上,通过浏览器访问网页,并输入商业业务描述或者会计信息,当Web服务器接收到待分录会计数据时,调用当前分类模型,得到待分录会计数据的科目代码,并将结果反馈到显示界面,在留浏览器显示该科目代码。参见图2,具体通过JAVA计算机语言调用当前分类模型,网页采用getCode()方法向服务器发送请求,使用ajax技术以json格式传递科目代码信息。Web服务器以httpd.handle_request()和httpd.serverforever()方法处理请求,application函数接收保存参数和待分录会计数据,引用morning函数调用application商品数据和predict()方法得到当前分类模型的分类结果,以json格式将分类结果传递给application函数,Web服务器将结果通过application回应给网页。网页getCode()方法接收分类结果,并将分类结果赋予text控件result显示在浏览器。在得到科目代码后,启动RPA将待分录会计数据和待分录会计数据对应的科目代码输入到表格中,需要说明的是,RPA本地客户端预先下载了excel数据模板,也即表格。
执行RPA程序,RPA收到指令后,导入Python第三方开源pyautogui模块,检测当前显示界面是否在目标按钮图片,如果存在,开始点击按钮,增加凭证。导入Python第三方开源openpyxl模块,读取excel数据模版中的第一个工作表,读取当中的【摘要】列、【科目代码】列、【向方】列、【金额】列。按顺序控制键盘以及快捷键操作,逐笔输入到凭证录入界面中,直至当【摘要】列存在预设标识时,点击保存按钮。预设标识可以是“*”等,可根据用户需要进行设置。保存凭证。该过程循环操作,为方便中止操作,设置规则,当移动鼠标到四周时,自动输入操作中止。本发明使用的Python是一种解释型脚本开发语言,因此所有函数实现都是基于Python库构建。本发明实施例的RPA也是使用Python计算机开发的。本发明实施例的上述操作是指RPA自动的识别显示界面上的图标进行相应的操作。
对于拥有高维特征的数据,在对文本数据向量化时,如果一次性载入数据量过大可能会导致内存崩溃。因此本系统将服务器建立在阿里云上,进行向量化处理之后,不会存在内存崩溃的情况,数据处理速度稳定。
本发明实施例的RPA主要由Python第三方开源库pyautogui模块作为操作键盘与鼠标的工具,Pyautogui库是一个模拟人工操作鼠标键盘的自动化工具,它不仅可以模拟鼠标的移动、点击、拖曳,键盘按键输入操作,还可以实现控制消息框、截图、定位等功能。能将大量重复性的电脑手动操作转变为自动运行,提高办公效率。本发明实施例的RPA可以将分类后的结果自动录入到ERP软件中,本发明实施例以excel数据模版作为中间处理的数据库,充分利用了excel能复制粘贴,统计比较,也能反复使用优势,减少固定流程带来的会计分录漏入,误入的可能性。
在另一本发明实施例中,提供一种人工智能的会计数据分录装置。图3为本发明实施例的人工智能的会计数据分录装置的结构示意图。本发明实施例所提供的人工智能的会计数据分录装置可执行本发明任意实施例所提供的人工智能的会计数据分录方法,具备执行方法相应的功能模块和有益效果。该装置包括分类结果获取模块310和会计分录模块320;其中:
分类结果获取模块310,用于在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果;所述当前分类模型是基于历史会计数据集进行训练而得到的;所述分类结果包括科目代码;会计分录模块320,用于对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。
进一步的,在本发明实施例中,装置还包括:
待处理表格数据获取模块,用于将每条待分录会计数据以及所述待分录会计数据对应的科目代码添加到表格中,得到待处理表格数据;
会计分录模块320,还用于识别所述待处理表格数据,并对识别得到的待处理数据进行处理。
进一步的,在本发明实施例中,装置还包括:
当前分类模型获取模块,用于获取历史会计数据集,所述历史会计数据集包括多条历史会计数据以及每条历史会计数据的多个历史科目代码,所述历史会计数据包括序时账和/或日记账,所述历史会计数据具有对应的多个历史科目代码;通过历史会计数据集训练初始分类模型,在所述初始分类模型的分类结果符合预设规则的情况下,得到训练完成的当前分类模型。
进一步的,在本发明实施例中,所述初始分类模型包括初始LinearSVC分类模型;当前分类模型获取模块,还用于:
针对所述历史会计数据集中的每条历史会计数据,在通过初始LinearSVC分类模型对当前历史会计数据的处理次数达到了N次,并在N个分类结果中,包括所述当前历史会计数据的多个历史科目代码,任意一个历史科目代码的个数大于非历史科目代码的个数的情况下,通过初始LinearSVC分类模型对所述当前历史会计数据的下一条历史会计数据进行处理,直到所有的历史会计数据都处理完成,得到训练完成的当前LinearSVC分类模型,其中,针对每条历史会计数据的每次训练得到一个分类结果。
进一步的,在本发明实施例中,装置还包括:
历史会计向量集获取模块,用于对所述历史会计数据集进行预处理,得到历史会计向量集,所述历史会计向量集包括多个历史会计向量;
当前分类模型获取模块,还用于:
针对每个历史会计向量,通过初始LinearSVC分类模型对所述历史会计向量进行重复的N次处理,并在每次处理结束的情况下,调整初始LinearSVC分类模型的惩罚系数,得到新的惩罚系数,通过具有新的惩罚系数的初始LinearSVC分类模型对所述历史会计向量进行再次处理,直至处理次数达到N次,并且,N个分类结果符合预设规则,则通过初始LinearSVC分类模型对所述历史会计向量的下一个历史会计向量进行处理,直到所有的历史会计向量都处理完成,得到当前LinearSVC分类模型,每次对所述下一个历史会计向量进行处理时,初始LinearSVC分类模型的惩罚系数为初始值。
进一步的,在本发明实施例中,装置还包括:
属性词典构建模块,用于构建包含会计特征信息的属性词典;
历史会计向量集获取模块,还用于:
对所述历史会计数据集中的各历史会计数据进行分词处理,以划分获得若干词组;依据所述属性词典分别对各所述词组进行向量化预处理,获得与各条历史会计数据对应的历史会计向量,以获得所述历史会计向量集。
进一步的,在本发明实施例中,会计分录模块320,还用于:
确定与科目代码对应的数据存储区,将所述科目代码对应的至少一条待分录会计数据存储到数据存储区内。
本发明实施例的技术方案,通过在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到分类结果,也即科目代码。由于当前分类模型是基于历史会计数据进行训练而获得的,所以训练获得的当前分类模型适用于对待分录会计数据的分类。对每条待分录会计数据和待分录会计数据对应的科目代码进行处理,得到会计分录结果,提高了会计分录结果的准确度,并且由于全程无需人为处理,减少了人工成本,减少了会计员的工作压力,也提高了整体的会计数据分录的效率。
值得注意的是,上述装置所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
在另一本发明实施例中,提供一种电子设备,图4为本发明实施例提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备50的框图。图4显示的电子设备50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于:一个或者多个处理器或者处理单元501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备50访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。电子设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统506可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
电子设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该电子设备50交互的设备通信,和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,电子设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器512通过总线503与电子设备50的其它模块通信。应当明白,尽管图4中未示出,可以结合电子设备50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的人工智能的会计数据分录方法。
在另一本发明实施例中,本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种人工智能的会计数据分录方法,所述方法包括:
在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果;所述当前分类模型是基于历史会计数据集进行训练而得到的;所述分类结果包括科目代码;对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种人工智能的会计数据分录方法,其特征在于,包括:
在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果;所述当前分类模型是基于历史会计数据集进行训练而得到的;所述分类结果包括科目代码;
对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。
2.根据权利要求1所述的人工智能的会计数据分录方法,其特征在于,在所述对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理之前,还包括:
将每条待分录会计数据以及所述待分录会计数据对应的科目代码添加到表格中,得到待处理表格数据;
所述对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,包括:
识别所述待处理表格数据,并对识别得到的待处理数据进行处理。
3.根据权利要求1所述的人工智能的会计数据分录方法,其特征在于,在所述基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果之前,还包括:
获取历史会计数据集,所述历史会计数据集包括多条历史会计数据以及每条历史会计数据的多个历史科目代码,所述历史会计数据包括序时账和/或日记账,所述历史会计数据具有对应的多个历史科目代码;
通过历史会计数据集训练初始分类模型,在所述初始分类模型的分类结果符合预设规则的情况下,得到训练完成的当前分类模型。
4.根据权利要求3所述的人工智能的会计数据分录方法,其特征在于,所述初始分类模型包括初始LinearSVC分类模型;
所述通过历史会计数据集训练初始分类模型,在所述初始分类模型的分类结果符合预设规则的情况下,得到训练完成的当前分类模型,包括:
针对所述历史会计数据集中的每条历史会计数据,在通过初始LinearSVC分类模型对当前历史会计数据的处理次数达到了N次,并在N个分类结果中,包括所述当前历史会计数据的多个历史科目代码,任意一个历史科目代码的个数大于非历史科目代码的个数的情况下,通过初始LinearSVC分类模型对所述当前历史会计数据的下一条历史会计数据进行处理,直到所有的历史会计数据都处理完成,得到训练完成的当前LinearSVC分类模型,其中,针对每条历史会计数据的每次训练得到一个分类结果。
5.根据权利要求4所述的人工智能的会计数据分录方法,其特征在于,所述获取历史会计数据之后,还包括:
对所述历史会计数据集进行预处理,得到历史会计向量集,所述历史会计向量集包括多个历史会计向量;
所述通过历史会计数据集训练初始分类模型,在所述初始分类模型的分类结果符合预设规则的情况下,得到训练完成的当前分类模型,包括:
针对每个历史会计向量,通过初始LinearSVC分类模型对所述历史会计向量进行重复的N次处理,并在每次处理结束的情况下,调整初始LinearSVC分类模型的惩罚系数,得到新的惩罚系数,通过具有新的惩罚系数的初始LinearSVC分类模型对所述历史会计向量进行再次处理,直至处理次数达到N次,并且,N个分类结果符合预设规则,则通过初始LinearSVC分类模型对所述历史会计向量的下一个历史会计向量进行处理,直到所有的历史会计向量都处理完成,得到当前LinearSVC分类模型,每次对所述下一个历史会计向量进行处理时,初始LinearSVC分类模型的惩罚系数为初始值。
6.根据权利要求5所述的人工智能的会计数据分录方法,其特征在于,在所述获取历史会计数据集之前,所述方法还包括:构建包含会计特征信息的属性词典;
所述对所述历史会计数据集进行预处理,得到历史会计向量集,包括:
对所述历史会计数据集中的各历史会计数据进行分词处理,以划分获得若干词组;
依据所述属性词典分别对各所述词组进行向量化预处理,获得与各条历史会计数据对应的历史会计向量,以获得所述历史会计向量集。
7.根据权利要求1所述的人工智能的会计数据分录方法,其特征在于,所述对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果,包括:
确定与科目代码对应的数据存储区,将所述科目代码对应的至少一条待分录会计数据存储到数据存储区内。
8.一种人工智能的会计数据分录装置,其特征在于,包括:
分类结果获取模块,用于在接收到至少一条待分录会计数据的情况下,基于预先训练获得的当前分类模型,对待分录会计数据进行分类,得到每条待分录会计数据的分类结果;所述当前分类模型是基于历史会计数据集进行训练而得到的;所述分类结果包括科目代码;
会计分录模块,用于对每条待分录会计数据和所述待分录会计数据对应的科目代码进行处理,得到会计分录结果。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的人工智能的会计数据分录方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的人工智能的会计数据分录方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211048086.6A CN115563271A (zh) | 2022-08-30 | 2022-08-30 | 人工智能的会计数据分录方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211048086.6A CN115563271A (zh) | 2022-08-30 | 2022-08-30 | 人工智能的会计数据分录方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563271A true CN115563271A (zh) | 2023-01-03 |
Family
ID=84738554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211048086.6A Pending CN115563271A (zh) | 2022-08-30 | 2022-08-30 | 人工智能的会计数据分录方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563271A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108185A (zh) * | 2023-03-09 | 2023-05-12 | 中关村科学城城市大脑股份有限公司 | 一种用于文本分类的注意力增强预训练方法和装置 |
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 |
-
2022
- 2022-08-30 CN CN202211048086.6A patent/CN115563271A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108185A (zh) * | 2023-03-09 | 2023-05-12 | 中关村科学城城市大脑股份有限公司 | 一种用于文本分类的注意力增强预训练方法和装置 |
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 |
---|---|---|
Srinivasan et al. | Biases in AI systems | |
AU2019261735B2 (en) | System and method for recommending automation solutions for technology infrastructure issues | |
US20190384640A1 (en) | Artificial intelligence based virtual automated assistance | |
CN115563271A (zh) | 人工智能的会计数据分录方法、系统、设备及存储介质 | |
CN112667805B (zh) | 一种工单类别确定方法、装置、设备及介质 | |
CN110647523B (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
US10977290B2 (en) | Transaction categorization system | |
CN115547466B (zh) | 基于大数据的医疗机构登记评审系统及其方法 | |
CN111143556A (zh) | 软件功能点自动计数方法、装置、介质及电子设备 | |
CN112181490B (zh) | 功能点评估法中功能类别的识别方法、装置、设备及介质 | |
CN111582314A (zh) | 目标用户确定方法、装置及电子设备 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN110826327A (zh) | 情感分析方法、装置、计算机可读介质及电子设备 | |
US20210294969A1 (en) | Generation and population of new application document utilizing historical application documents | |
CN111723180A (zh) | 一种面试方法和装置 | |
CN112989050B (zh) | 一种表格分类方法、装置、设备及存储介质 | |
CN112434889A (zh) | 一种专家行业分析方法、装置、设备及存储介质 | |
CN117251777A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN109063073B (zh) | 一种因果关系问题的分析系统和分析方法 | |
CN113780675B (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
US20210312223A1 (en) | Automated determination of textual overlap between classes for machine learning | |
KR20230059364A (ko) | 언어 모델을 이용한 여론조사 시스템 및 운영 방법 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN114417974A (zh) | 模型训练方法、信息处理方法、装置、电子设备和介质 | |
CN113887913A (zh) | 结合rpa和ai的效率评估方法、装置及电子设备 |
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 |