CN116862695A - 数据核算管理系统、方法、存储介质、电子设备 - Google Patents

数据核算管理系统、方法、存储介质、电子设备 Download PDF

Info

Publication number
CN116862695A
CN116862695A CN202310835524.1A CN202310835524A CN116862695A CN 116862695 A CN116862695 A CN 116862695A CN 202310835524 A CN202310835524 A CN 202310835524A CN 116862695 A CN116862695 A CN 116862695A
Authority
CN
China
Prior art keywords
financial
accounting
data
classification
target
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
CN202310835524.1A
Other languages
English (en)
Inventor
洪泽慧
尚琪林
李博
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310835524.1A priority Critical patent/CN116862695A/zh
Publication of CN116862695A publication Critical patent/CN116862695A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种数据核算管理系统，涉及信息安全领域，该系统包括：管理平台、分类图谱库、项目分类模块、财务核算模块；管理平台，用于接收目标对象上传的第一财务信息和财务数据；分类图谱库，用于基于接收互联网的第二财务信息和获取管理平台中的第一财务信息，以根据第一财务信息和第二财务信息构建财务知识图谱；项目分类模块，用于使用分类图谱库中生成的财务知识图谱对财务数据进行分类，得到分类结果；财务核算模块，用于确定分类结果对应的M个目标财务数据，并对M个目标财务数据进行核算，得到M个核算结果，其中，核算通过目标核算模型完成，M为正整数。本发明解决了现有技术中操作平台不易操作以及核算效率低的技术问题。

Description

数据核算管理系统、方法、存储介质、电子设备
技术领域
本发明涉及信息安全领域，具体而言，涉及一种数据核算管理系统、方法、存储介质、电子设备。
背景技术
会计核算，是指以货币为主要计量单位，通过确认、计量、记录和报告等环节,对特定主体的经济活动进行记账、算账和报账，为相关会计信息使用者提供决策所需的会计信息；基于会计核算结果，企业的财务管理能够在一定的整体目标下，对于资产的购置，资本的融通和经营中现金流量，以及利润分配进行管理。会计核算与财务管理是企业管理的一个组成部分，它是根据财经法规制度，按照财务管理的原则，组织企业财务活动，处理财务关系的一项经济管理工作。
相关技术中公开了会计核算和项目财务管理系统及方法，该发明虽然减少会计核算部门和项目财务管理部门的摩擦导致的内耗，提高了工作效率，但是不方便财务人员操作，且财务管理的效率以及核算精确度低，存在核算偏差较大的情况；此外，现有的会计核算和项目财务管理系统及方法数据处理时的能耗较高，同时数据的安全性差，数据容易遭受恶意篡改。
针对相关技术中，操作平台不易操作以及核算效率低的技术问题，尚未提出有效的解决方案。
因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。
发明内容
本发明实施例提供了一种数据核算管理系统、方法、存储介质、电子设备，以至少解决现有技术中操作平台不易操作以及核算效率低等技术问题。
根据本发明实施例的一个方面，提供了一种数据核算管理系统，包括：管理平台、分类图谱库、项目分类模块、财务核算模块；所述管理平台，用于接收目标对象上传的第一财务信息和财务数据；所述分类图谱库，用于基于接收互联网的第二财务信息和获取管理平台中的所述第一财务信息，以根据所述第一财务信息和第二财务信息构建财务知识图谱；所述项目分类模块，用于使用所述分类图谱库中生成的所述财务知识图谱对所述财务数据进行分类，得到分类结果；所述财务核算模块，用于确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
在一个示例性实施例中，所述数据核算管理系统还包括：参数维护模块，用于在接收到所述M个核算结果的情况下，从所述M个核算结果中抽取N个子结果进行训练，得到测试模型；从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果；根据所述验证结果对所述核算模型中的核算参数进行替换，其中，所述N为正整数，N≤M。
在一个示例性实施例中，数据核算管理系统，其特征在于，所述参数维护模块，还用于在确定所述验证结果的情况下，提取所述验证结果中的精度特征；重复对所述精度特征进行误差计算进行优化，根据优化后的目标精度特征对所述核算参数进行替换。
在一个示例性实施例中，数据核算管理系统，其特征在于，所述财务核算模块，还用于确定所述目标财务数据中表征值高于目标表征值的Z个高表征数据；从所述Z个高表征数据中选出K个高表征数据进行训练，构建第一核算模型；从所述Z个高表征数据中选出(Z-K)个高表征数据对所述核算模型进行测试，得到测试结果；在所述测试结果符合期望值的情况下，确定所述第一核算模型为目标核算模型，其中，所述Z、K为正整数，K≤Z。
在一个示例性实施例中，所述数据核算管理系统还包括：扫描模块，用于扫描财务文档，提取所述财务文档中的财务特征；对所述财务特征进行整合后确定所述财务特征对应的特征类别，根据所述特征类别，将所述财务特征提供给管理平台，其中，所述财务类别至少包括用于提供所述第一财务信息的第一特征和用于提供所述财务数据的第二特征。
在一个示例性实施例中，所述分类图谱库模块，还用于提取所述第一财务信息和所述第二财务信息中的多个特征向量后，将所述多个特征向量输入到关系模型中，从出所述多个特征向量中确定出实体表和所述实体表对应的关系表；根据所述实体表和所述关系表构建所述构建财务知识图谱。
在一个示例性实施例中，所述分类图谱库模块，还用于提取所述第一财务信息和所述第二财务信息中的文本主题，将所述文本主题输入到分类模型中，得到文本主题的分类结果；根据所述实体表和所述关系表对不同类别的文本主题构建财务知识图谱。
根据本发明实施例的另一方面，还提供了一种数据核算管理方法，包括：接收目标对象上传的第一财务信息和财务数据；于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱；使用所述财务知识图谱对所述财务数据进行分类，得到分类结果；确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的能效信息的发送方法。
根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的能效信息的发送方法。
在上述过程中，通过管理平台、分类图谱库、项目分类模块、财务核算模块；所述管理平台，用于接收目标对象上传的第一财务信息和财务数据；所述分类图谱库，用于基于接收互联网的第二财务信息和获取管理平台中的所述第一财务信息，以根据所述第一财务信息和第二财务信息构建财务知识图谱；所述项目分类模块，用于使用所述分类图谱库中生成的所述财务知识图谱对所述财务数据进行分类，得到分类结果；所述财务核算模块，用于确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。解决了操作平台不易操作以及核算效率低的技术问题，提升了核算效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的数据核算管理系统框图；
图2是根据本发明实施例的一种可选的数据核算管理系统的流程图；
图3是根据本发明实施例的一种可选的数据核算管理方法的流程图；
图4是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本发明可以应用于各金融机构的各种软件产品、控制系统、客户端(包括但不限于：移动客户端、PC机等)的程序代码，以软件产品为例进行示意说明，通过对移动客户端上安装的软件产品的程序代码进行扫描，可以保证实现金融机构的业务内容(包括但不限于：转账、理财、基金、缴费、查账、广告、推荐等业务功能)的软件程序的稳定运行。
下面结合各实施例来进一步说明本发明。
根据本发明实施例，提供了一种数据核算管理系统的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的数据核算管理系统框图，如图1所示，该系统包括如下装置：
管理平台101，用于接收目标对象上传的第一财务信息和财务数据；
分类图谱库102，用于基于接收互联网的第二财务信息和获取管理平台中的所述第一财务信息，以根据所述第一财务信息和第二财务信息构建财务知识图谱；
项目分类模块103，用于使用所述分类图谱库中生成的所述财务知识图谱对所述财务数据进行分类，得到分类结果；
财务核算模块104，用于确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
通过上述装置，管理平台、分类图谱库、项目分类模块、财务核算模块；所述管理平台，用于接收目标对象上传的第一财务信息和财务数据；所述分类图谱库，用于基于接收互联网的第二财务信息和获取管理平台中的所述第一财务信息，以根据所述第一财务信息和第二财务信息构建财务知识图谱；所述项目分类模块，用于使用所述分类图谱库中生成的所述财务知识图谱对所述财务数据进行分类，得到分类结果；所述财务核算模块，用于确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。通过上述装置对财务数据分类后，再进行核算，解决了操作平台不易操作以及核算效率低的技术问题，提升了核算效率。
在一个示例性实施例中，所述数据核算管理系统还包括：参数维护模块，用于在接收到所述M个核算结果的情况下，从所述M个核算结果中抽取N个子结果进行训练，得到测试模型；从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果；根据所述验证结果对所述核算模型中的核算参数进行替换，其中，所述N为正整数，N≤M。
在一个可选实施例汇中，所述参数维护模块在实现核算的过程中，具体核算步骤如下：
步骤一：财务核算模块获取多组财务核算数据，并对其进行归一化处理，之后对归一化后的数据进行特征降维，并筛除其中表征能力差的数据；
在一个可选实施例中，上述步骤①中的归一化处理方法可以如下：
其中，xnew表示归一化后的数据；x表示提取的特征数据；xmax表示特征数据的最大值；xmin表示特征数据的最小值；
步骤①所述特征降维具体计算公式如下：
其中，σ表示特征数据的标准差，μ表示特征数据的均值，CV表示特征数据的方差系数，若方差系数越大，则表示越重要，反之，则表示不重要，予以剔除。
步骤二：将剩余数据划分为训练集以及测试集，构建卷积神经网络，并将训练集通过输入、卷积、池化、全连接和输出进行学习训练，得到核算神经模型，再利用测试集对核算神经模型进行测试，若测试准确率满足期望值，则停止训练，反之继续对其进行训练；
步骤三：将财务人员上传的各组财务数据导入核算神经模型，之后核算神经模型输入核算结果，并将生成的核算结果与相关财务数据进行匹配，并生成对应核算报表供财务人员查看纠错。
在一个示例性实施例中，数据核算管理系统，其特征在于，所述参数维护模块，还用于在确定所述验证结果的情况下，提取所述验证结果中的精度特征；重复对所述精度特征进行误差计算进行优化，根据优化后的目标精度特征对所述核算参数进行替换。
需要说明的是，所述参数维护模块进行优化的过程可以如下：
第一步：从财务核算数据中选择一组作为验证数据，并使用剩余数据拟合一组测试模型，使用验证数据来验证测试模型的精度，并重复n次通过均方根误差对该测试模型的核算能力进行计算，再对生成的精度参数进行参数优化处理；
第二步：依据预设的学习率以及步长列出所有可能的数据结果，且对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，统计检测结果的均方根误差；
第三步：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换核算神经模型原有参数。
在一个示例性实施例中，数据核算管理系统，其特征在于，所述财务核算模块，还用于确定所述目标财务数据中表征值高于目标表征值的Z个高表征数据；从所述Z个高表征数据中选出K个高表征数据进行训练，构建第一核算模型；从所述Z个高表征数据中选出(Z-K)个高表征数据对所述核算模型进行测试，得到测试结果；在所述测试结果符合期望值的情况下，确定所述第一核算模型为目标核算模型，其中，所述Z、K为正整数，K≤Z。
需要说明的是，财务核算模块在对财务数据进行核算之前需要财务核算模块获取多组财务核算数据，并对其进行归一化处理，之后对归一化后的数据进行特征降维，并筛除其中表征能力差的数据，将剩余数据划分为训练集以及测试集，构建卷积神经网络，并将训练集通过输入、卷积、池化、全连接和输出进行学习训练，得到核算神经模型，再利用测试集对核算神经模型进行测试，若测试准确率满足期望值，则停止训练，反之继续对其进行训练，将财务人员上传的各组财务数据导入核算神经模型，之后核算神经模型输入核算结果，并将生成的核算结果与相关财务数据进行匹配，并生成对应核算报表供财务人员查看纠错。
在一个示例性实施例中，所述数据核算管理系统还包括：扫描模块，用于扫描财务文档，提取所述财务文档中的财务特征；对所述财务特征进行整合后确定所述财务特征对应的特征类别，根据所述特征类别，将所述财务特征提供给管理平台，其中，所述财务类别至少包括用于提供所述第一财务信息的第一特征和用于提供所述财务数据的第二特征。
需要说明的是，所述扫描模块可以是扫描仪等能够对文档进行扫描提取文档中的文本或信息的设备，其中所述扫描设备可以用于扫描相关合同以及报表，并将扫描生成的图像数据上传至管理平台。
在一个示例性实施例中，所述分类图谱库模块，还用于提取所述第一财务信息和所述第二财务信息中的多个特征向量后，将所述多个特征向量输入到关系模型中，从出所述多个特征向量中确定出实体表和所述实体表对应的关系表；根据所述实体表和所述关系表构建所述构建财务知识图谱。
需要说明的是，所述分类图谱模块的构建如下：
步骤31：分类图谱库选择财务领域作为知识范围，之后同时获取互联网中相关领域的财务知识数据以及财务人员上传的财务数据，并提取各组特征关键词，同时将各特征关键词转换为词向量；
步骤32：构建TransD模型接收相关数据，并使用prefer向量表示空间中原点到财务信息嵌入的向量，同时对特定财务信息的偏好程度通过prefer和该信息的欧几里得距离衡量；
需要说明的是，所述TransD模型是一种用于词向量表示学习的模型。它是在word2vec的基础上发展而来的，用于解决word2vec模型中存在的一些问题。
TransD模型的主要作用是将词语映射到连续向量空间中，并通过学习这些向量来捕捉词语之间的语义关系。与word2vec不同的是，TransD模型不仅考虑了词语之间的相似性，还考虑了词语之间的关系和迁移能力。它通过学习每个词语的转移矩阵，将词语从一个语义空间转移到另一个语义空间，从而更好地捕捉词语之间的关系。
TransD模型在自然语言处理任务中起到了重要的作用。例如，在文本分类中，可以使用TransD模型来表示文本中的词语，并通过计算词语之间的相似性来进行分类。在机器翻译中，TransD模型可以用于将源语言和目标语言中的词语映射到同一个向量空间中，从而实现词语级别的翻译。此外，TransD模型还可以用于词语推荐、词语聚类等任务中。总之，TransD模型通过学习词语的向量表示，可以对词语之间的关系进行建模，从而提高自然语言处理任务的性能。
步骤33：TransD模型构造主题文本知识子图，并依照实体提取子图中与实体相连的关系，采用知识图谱嵌入模型进行学习，把学习到的实体向量作为CNN层的输入，并输出相对应的实体表以及关系表，之后安装配置Neo4j数据库，同时启动Neo4j服务并导入数据以完成知识图谱构建。
需要说明的是Neo4j是一种图形数据库管理系统，用于存储、查询和处理图形数据。它是一个开源的、高性能的、事务性的NoSQL数据库，可以处理大规模的图形数据，并提供了丰富的图形算法和查询语言。
需要说明的是CNN层(卷积神经网络层)是卷积神经网络中的一种基本层级结构。它通过利用卷积操作对输入数据进行特征提取和特征映射，常用于处理图像和语音等二维或多维数据。
CNN层主要包括以下几个重要组成部分：
卷积核(Filter)：卷积核是CNN层的核心组件，它是一个小的可学习参数矩阵。卷积核通过与输入数据进行卷积操作，提取输入数据的局部特征。
卷积操作(Convolution)：卷积操作是CNN层的基本操作，它通过将卷积核滑动到输入数据的不同位置，并在每个位置上进行元素对应相乘再求和的运算，从而生成输出特征图。
填充(Padding)：填充是在输入数据周围添加额外的边界值，以保持输入和输出的尺寸一致或改变输出尺寸。填充可以有效地控制特征图的尺寸和信息丢失。
步长(Stride)：步长是卷积核在输入数据上滑动的距离。通过调整步长的大小，可以控制输出特征图的尺寸和感受野大小。
激活函数(Activation Function)：激活函数是CNN层中的非线性操作，它引入了非线性变换，增加了网络的表达能力。常见的激活函数有ReLU、Sigmoid和Tanh等。
池化(Pooling)：池化操作是一种降采样的操作，通过对输入数据的局部区域进行统计汇总(如最大值或平均值)，减少特征图的尺寸和参数数量，同时提取更加鲁棒的特征。
CNN层的堆叠和组合可以构建出更加复杂的卷积神经网络模型，用于解决图像分类、目标检测、语义分割等计算机视觉任务。
在一个示例性实施例中，所述分类图谱库模块，还用于提取所述第一财务信息和所述第二财务信息中的文本主题，将所述文本主题输入到分类模型中，得到文本主题的分类结果；根据所述实体表和所述关系表对不同类别的文本主题构建财务知识图谱。
也就是说，构建所述财务知识图谱的流程还包括如下：
在对所述第一财务信息和第二财务信息进行特征提取的情况下，得到所述第一财务信息和第二财务信息对应的主题特征向量。
步骤41：将主题特征向量、词语-实体对齐后的实体向量以及相关实体上下文向量输入知识图谱嵌入模型中，再通过关系-实体对齐转换函数将实体向量、上下文实体向量从实体空间映射到词向量空间，并将特征连接在一起作为输入；
步骤42：将主题描述文本输入Softmax分类器中，并经过归一化得到主题文本在第k种主题的输出概率，同时采用自适应矩估计算法最小化目标函数，通过反向传播更新每轮迭代过程网络各种参数，直到模型符合拟合要求为止。
需要说明的是，Softmax分类器是一种常用的多类别分类器，用于将输入的样本分为多个预定义类别之一。它是由softmax函数作为激活函数的神经网络层构成的。
Softmax函数是一个归一化指数函数，它将输入的一组实数转化为概率分布，使得所有输出的概率值介于0和1之间，并且它们的总和等于1。
Softmax分类器的作用是将输入的样本进行分类，并输出每个类别的概率。它可以用于解决多类别分类问题，例如图像分类、语音识别、自然语言处理等任务。通过训练神经网络，Softmax分类器可以学习到不同特征与不同类别之间的关系，从而实现对未知样本的准确分类。
在一个示例性实施例中，所述数据核算管理系统还包括：区块存储模块以及日志检测模块，所述区块存储模块用于将各组财务数据上传至区块链中进行存储；所述日志检测模块用于分析管理平台相关日志数据并反馈分析结果，所述区块链存储具体步骤如下：
步骤51：区块存储模块将各组财务数据预处理成统一格式，并将各组财务数据处理成符合条件的区块，在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识码，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送；
步骤52：申请通过后，该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请；
步骤53：验证通过后，领导节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
通过上述数据核算管理系统，通过财务核算模块获取多组财务核算数据，并对其进行归一化处理，之后对归一化后的数据进行特征降维，并筛除其中表征能力差的数据，将剩余数据划分为训练集以及测试集，构建卷积神经网络，并将训练集通过输入、卷积、池化、全连接和输出进行学习训练，得到核算神经模型，再利用测试集对核算神经模型进行测试，若测试准确率满足期望值，则停止训练，反之继续对其进行训练，并通过参数维护模块寻找核算神经模型最优参数以进行参数更换，之后将财务人员上传的各组财务数据导入核算神经模型，之后核算神经模型输入核算结果，并将生成的核算结果与相关财务数据进行匹配，并生成对应核算报表供财务人员查看纠错，降低操作难度，方便财务人员操作，同时有效的提高了财务管理的效率以及核算精确度，避免出现核算偏差较大的情况。
此外，上述数据核算管理系统通过区块存储模块将各组财务数据预处理成统一格式，并将各组财务数据处理成符合条件的区块，在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送，申请通过后，该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请，验证通过后，领导节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份，降低数据处理时的能耗，并提高其数据处理效率，满足了去中心化需求，同时保证了数据的安全性，防止数据遭到恶意篡改。
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。为了更好的理解上述功能的响应方法，以下结合实施例对上述过程进行说明，但不用于限定本发明实施例的技术方案，具体地：
图2是根据本发明实施例的一种可选的数据核算管理系统的流程图，如图2所示，具有以下步骤：
步骤S201：财务人员登录管理平台并上传各组财务数据；
步骤S202：构建知识图谱对各组财务数据类别进行分类记录；
步骤S203：对各组财务数据进行智能核算同时记录核算结果；
步骤S204：将各项目财务数据以及核算结果存储至区块链；
步骤S205：分析管理平台日志数据并优化该平台性能。
具体的，区块存储模块将各组财务数据预处理成统一格式，并将各组财务数据处理成符合条件的区块，在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送，申请通过后，该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送验证申请，验证通过后，领导节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
图3是根据本发明实施例的一种可选的数据核算管理方法的流程图，如图3所示，具有以下步骤：
步骤S302：接收目标对象上传的第一财务信息和财务数据；
步骤S304：基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱；
步骤S306：使用所述财务知识图谱对所述财务数据进行分类，得到分类结果；
步骤S308：确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
通过上述步骤，接收目标对象上传的第一财务信息和财务数据；基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱；使用所述财务知识图谱对所述财务数据进行分类，得到分类结果；确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。解决了操作平台不易操作以及核算效率低的技术问题，提升了核算效率。
可选地，上述方法还包括：确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果之后，在确定所述M个核算结果的情况下，从所述M个核算结果中抽取N个子结果进行训练，得到测试模型；从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果；根据所述验证结果对所述核算模型中的核算参数进行替换，其中，所述N为正整数，N≤M。
可选地，上述方法还包括：在从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果之后，在确定所述验证结果的情况下，提取所述验证结果中的精度特征；重复对所述精度特征进行误差计算进行优化，根据优化后的目标精度特征对所述核算参数进行替换。
可选地，上述方法还包括：在确定所述分类结果对应的M个目标财务数据之后，确定所述目标财务数据中表征值高于目标表征值的Z个高表征数据；从所述Z个高表征数据中选出K个高表征数据进行训练，构建第一核算模型；从所述Z个高表征数据中选出(Z-K)个高表征数据对所述核算模型进行测试，得到测试结果；在所述测试结果符合期望值的情况下，确定所述第一核算模型为目标核算模型，其中，所述Z、K为正整数，K≤Z。
可选地，上述方法还包括：在构建知识图谱对各组财务数据类别进行分类记录之前，扫描财务文档，提取所述财务文档中的财务特征；对所述财务特征进行整合后确定所述财务特征对应的特征类别，根据所述特征类别，将所述财务特征提供给管理平台，其中，所述财务类别至少包括用于提供所述第一财务信息的第一特征和用于提供所述财务数据的第二特征。
可选地，上述方法还包括：在基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱的情况下，提取所述第一财务信息和所述第二财务信息中的多个特征向量后，将所述多个特征向量输入到关系模型中，从出所述多个特征向量中确定出实体表和所述实体表对应的关系表；根据所述实体表和所述关系表构建所述构建财务知识图谱。
可选地，上述方法还包括：在基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱的情况下，提取所述第一财务信息和所述第二财务信息中的文本主题，将所述文本主题输入到分类模型中，得到文本主题的分类结果；根据所述实体表和所述关系表对不同类别的文本主题构建财务知识图谱。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述信息的提取方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述信息的提取方法。
图4是根据本发明实施例的一种可选的电子设备的示意图，如图4所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：接收目标对象上传的第一财务信息和财务数据；基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱；使用所述财务知识图谱对所述财务数据进行分类，得到分类结果；确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
可选地，上述方法还包括：确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果之后，在确定所述M个核算结果的情况下，从所述M个核算结果中抽取N个子结果进行训练，得到测试模型；从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果；根据所述验证结果对所述核算模型中的核算参数进行替换，其中，所述N为正整数，N≤M。
可选地，上述方法还包括：在从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果之后，在确定所述验证结果的情况下，提取所述验证结果中的精度特征；重复对所述精度特征进行误差计算进行优化，根据优化后的目标精度特征对所述核算参数进行替换。
可选地，上述方法还包括：在确定所述分类结果对应的M个目标财务数据之后，确定所述目标财务数据中表征值高于目标表征值的Z个高表征数据；从所述Z个高表征数据中选出K个高表征数据进行训练，构建第一核算模型；从所述Z个高表征数据中选出(Z-K)个高表征数据对所述核算模型进行测试，得到测试结果；在所述测试结果符合期望值的情况下，确定所述第一核算模型为目标核算模型，其中，所述Z、K为正整数，K≤Z。
可选地，上述方法还包括：在构建知识图谱对各组财务数据类别进行分类记录之前，扫描财务文档，提取所述财务文档中的财务特征；对所述财务特征进行整合后确定所述财务特征对应的特征类别，根据所述特征类别，将所述财务特征提供给管理平台，其中，所述财务类别至少包括用于提供所述第一财务信息的第一特征和用于提供所述财务数据的第二特征。
可选地，上述方法还包括：在基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱的情况下，提取所述第一财务信息和所述第二财务信息中的多个特征向量后，将所述多个特征向量输入到关系模型中，从出所述多个特征向量中确定出实体表和所述实体表对应的关系表；根据所述实体表和所述关系表构建所述构建财务知识图谱。
可选地，上述方法还包括：在基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱的情况下，提取所述第一财务信息和所述第二财务信息中的文本主题，将所述文本主题输入到分类模型中，得到文本主题的分类结果；根据所述实体表和所述关系表对不同类别的文本主题构建财务知识图谱。本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：接收目标对象上传的第一财务信息和财务数据；基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱；使用所述财务知识图谱对所述财务数据进行分类，得到分类结果；确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
可选地，上述方法还包括：确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果之后，在确定所述M个核算结果的情况下，从所述M个核算结果中抽取N个子结果进行训练，得到测试模型；从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果；根据所述验证结果对所述核算模型中的核算参数进行替换，其中，所述N为正整数，N≤M。
可选地，上述方法还包括：在从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果之后，在确定所述验证结果的情况下，提取所述验证结果中的精度特征；重复对所述精度特征进行误差计算进行优化，根据优化后的目标精度特征对所述核算参数进行替换。
可选地，上述方法还包括：在确定所述分类结果对应的M个目标财务数据之后，确定所述目标财务数据中表征值高于目标表征值的Z个高表征数据；从所述Z个高表征数据中选出K个高表征数据进行训练，构建第一核算模型；从所述Z个高表征数据中选出(Z-K)个高表征数据对所述核算模型进行测试，得到测试结果；在所述测试结果符合期望值的情况下，确定所述第一核算模型为目标核算模型，其中，所述Z、K为正整数，K≤Z。
可选地，上述方法还包括：在构建知识图谱对各组财务数据类别进行分类记录之前，扫描财务文档，提取所述财务文档中的财务特征；对所述财务特征进行整合后确定所述财务特征对应的特征类别，根据所述特征类别，将所述财务特征提供给管理平台，其中，所述财务类别至少包括用于提供所述第一财务信息的第一特征和用于提供所述财务数据的第二特征。
可选地，上述方法还包括：在基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱的情况下，提取所述第一财务信息和所述第二财务信息中的多个特征向量后，将所述多个特征向量输入到关系模型中，从出所述多个特征向量中确定出实体表和所述实体表对应的关系表；根据所述实体表和所述关系表构建所述构建财务知识图谱。
可选地，上述方法还包括：在基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱的情况下，提取所述第一财务信息和所述第二财务信息中的文本主题，将所述文本主题输入到分类模型中，得到文本主题的分类结果；根据所述实体表和所述关系表对不同类别的文本主题构建财务知识图谱。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种数据核算管理系统，其特征在于，包括：管理平台、分类图谱库、项目分类模块、财务核算模块；
所述管理平台，用于接收目标对象上传的第一财务信息和财务数据；
所述分类图谱库，用于基于接收互联网的第二财务信息和获取管理平台中的所述第一财务信息，以根据所述第一财务信息和第二财务信息构建财务知识图谱；
所述项目分类模块，用于使用所述分类图谱库中生成的所述财务知识图谱对所述财务数据进行分类，得到分类结果；
所述财务核算模块，用于确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
2.根据权利要求1所述的数据核算管理系统，其特征在于，所述数据核算管理系统还包括：
参数维护模块，用于在接收到所述M个核算结果的情况下，从所述M个核算结果中抽取N个子结果进行训练，得到测试模型；从所述核算结果中抽取(M-N)个子结果对所述测试模型进行验证，得到验证结果；根据所述验证结果对所述核算模型中的核算参数进行替换，其中，所述N为正整数，N≤M。
3.根据权利要求2所述的数据核算管理系统，其特征在于，
所述参数维护模块，还用于在确定所述验证结果的情况下，提取所述验证结果中的精度特征；重复对所述精度特征进行误差计算进行优化，根据优化后的目标精度特征对所述核算参数进行替换。
4.根据权利要求1所述的数据核算管理系统，其特征在于，
所述财务核算模块，还用于确定所述目标财务数据中表征值高于目标表征值的Z个高表征数据；从所述Z个高表征数据中选出K个高表征数据进行训练，构建第一核算模型；从所述Z个高表征数据中选出(Z-K)个高表征数据对所述核算模型进行测试，得到测试结果；在所述测试结果符合期望值的情况下，确定所述第一核算模型为目标核算模型，其中，所述Z、K为正整数，K≤Z。
5.根据权利要求1所述的数据核算管理系统，其特征在于，所述数据核算管理系统还包括：
扫描模块，用于扫描财务文档，提取所述财务文档中的财务特征；对所述财务特征进行整合后确定所述财务特征对应的特征类别，根据所述特征类别，将所述财务特征提供给管理平台，其中，所述财务类别至少包括用于提供所述第一财务信息的第一特征和用于提供所述财务数据的第二特征。
6.根据权利要求1所述的数据核算管理系统，其特征在于，
所述分类图谱库，还用于提取所述第一财务信息和所述第二财务信息中的多个特征向量后，将所述多个特征向量输入到关系模型中，从出所述多个特征向量中确定出实体表和所述实体表对应的关系表；根据所述实体表和所述关系表构建所述构建财务知识图谱。
7.根据权利要求6所述的数据核算管理系统，其特征在于，
所述分类图谱库，还用于提取所述第一财务信息和所述第二财务信息中的文本主题，将所述文本主题输入到分类模型中，得到文本主题的分类结果；根据所述实体表和所述关系表对不同类别的文本主题构建财务知识图谱。
8.一种数据核算管理方法，其特征在于，包括：
接收目标对象上传的第一财务信息和财务数据；
基于接收互联网的第二财务信息和所述第一财务信息构建财务知识图谱；
使用所述财务知识图谱对所述财务数据进行分类，得到分类结果；
确定所述分类结果对应的M个目标财务数据，并对所述M个目标财务数据进行核算，得到M个核算结果，其中，所述核算通过目标核算模型完成，所述M为正整数。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求8中所述的数据核算管理方法。
10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；存储器，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时，使得所述一个或多个处理器实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求8中所述的数据核算管理方法。
CN202310835524.1A 2023-07-07 2023-07-07 数据核算管理系统、方法、存储介质、电子设备 Pending CN116862695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310835524.1A CN116862695A (zh) 2023-07-07 2023-07-07 数据核算管理系统、方法、存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310835524.1A CN116862695A (zh) 2023-07-07 2023-07-07 数据核算管理系统、方法、存储介质、电子设备

Publications (1)

Publication Number Publication Date
CN116862695A true CN116862695A (zh) 2023-10-10

Family

ID=88224749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310835524.1A Pending CN116862695A (zh) 2023-07-07 2023-07-07 数据核算管理系统、方法、存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN116862695A (zh)

Similar Documents

Publication Publication Date Title
US11593458B2 (en) System for time-efficient assignment of data to ontological classes
Yu et al. Category-based deep CCA for fine-grained venue discovery from multimodal data
US11373117B1 (en) Artificial intelligence service for scalable classification using features of unlabeled data and class descriptors
US11416531B2 (en) Systems and methods for parsing log files using classification and a plurality of neural networks
US11797705B1 (en) Generative adversarial network for named entity recognition
CN112819023A (zh) 样本集的获取方法、装置、计算机设备和存储介质
CN114298122B (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
CN114372532B (zh) 标签标注质量的确定方法、装置、设备、介质及产品
CN113656699B (zh) 用户特征向量确定方法、相关设备及介质
Ciaburro et al. Python Machine Learning Cookbook: Over 100 recipes to progress from smart data analytics to deep learning using real-world datasets
CN112507912A (zh) 一种识别违规图片的方法及装置
Tüselmann et al. Recognition-free question answering on handwritten document collections
CN117251777A (zh) 数据处理方法、装置、计算机设备和存储介质
CN117009516A (zh) 换流站故障策略模型训练方法、推送方法及装置
Shang et al. Deep learning generic features for cross-media retrieval
US11755671B2 (en) Projecting queries into a content item embedding space
Vishwanath et al. Deep reader: Information extraction from document images via relation extraction and natural language
CN117077680A (zh) 问答意图识别方法及装置
CN116862695A (zh) 数据核算管理系统、方法、存储介质、电子设备
CN111046934B (zh) 一种swift报文软条款识别方法及装置
CN114692715A (zh) 一种样本标注方法及装置
Kumar et al. Image classification in python using Keras
US20240062051A1 (en) Hierarchical data labeling for machine learning using semi-supervised multi-level labeling framework
CN114529191B (zh) 用于风险识别的方法和装置
CN114416947B (zh) 关系感知相似问题识别评估方法、系统、设备及存储介质

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