CN117251799A - 一种财务凭证处理方法、装置、计算机设备及存储介质 - Google Patents
一种财务凭证处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117251799A CN117251799A CN202311179554.8A CN202311179554A CN117251799A CN 117251799 A CN117251799 A CN 117251799A CN 202311179554 A CN202311179554 A CN 202311179554A CN 117251799 A CN117251799 A CN 117251799A
- Authority
- CN
- China
- Prior art keywords
- financial
- data
- information configuration
- business line
- historical
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 121
- 238000012360 testing method Methods 0.000 claims description 86
- 239000013598 vector Substances 0.000 claims description 70
- 238000007637 random forest analysis Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 41
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开一种财务凭证处理方法、装置、计算机设备及存储介质,属于人工智能技术领域和金融科技领域。识别历史财务凭证的业务线类别,基于业务线类别对历史财务凭证进行分类,将各个业务线类别对应的历史财务凭证输入到制证信息配置模型,得到各个业务线类别对应的制证信息配置表,将待制证财务数据输入到财务凭证分类模型,对业务线类别进行匹配,确定匹配业务线类别,获取匹配业务线类别对应的制证信息配置表,并将待制证财务数据填入制证信息配置表,生成待制证财务数据的财务凭证。本申请还涉及区块链技术领域,待制证财务数据存储在区块链网络上。本申请可以实现财务数据和凭证制作的自动化处理,节省了人力资源,提高了工作效率。
Description
技术领域
本申请属于人工智能技术领域和金融科技领域,具体涉及一种财务凭证处理方法、装置、计算机设备及存储介质。
背景技术
目前很多保险公司设置的业务线数据较多,比如保全、理赔、契约、MCP、医健、续保、渠道、再保等等,各业务线又有不同的业务数据,如保全涉及费保全任务、非涉费保全任务、长险保全任务、短险保全任务、年缴保全任务、月缴保全任务、赠险保全任务、非赠险保全任务、犹豫期退保、总单退保、保全撤件、保费豁免等。各种业务场景数据流转到财务后,财务会记应付、实付或应收、实收,并依据会计引擎规则制出相应的凭证。
当有新增业务形态数据或老业务形态数据做变更时,财务测试需要每种业务场景、每张制证表手工制证、手工拉取凭证等操作。需求提交后,财务人员需要从每张制证表手工拉出各业务场景凭证并放在excel中给业务验收,如果需求的业务场景众多,手工制证和拉取各个制证表的凭证需要花费大量的时间,浪费了宝贵的测试人力资源。而且在项目组人员变动频繁,各类业务场景数据制证表整理分散,测试和业务信息不一致的情况下,测试人员需要花费大量的时间。
发明内容
本申请实施例的目的在于提出一种财务凭证处理方法、装置、计算机设备及存储介质,以解决现有财务凭证处理方案存在的需要花费大量的时间,浪费了宝贵的测试人力资源的技术问题。
为了解决上述技术问题,本申请实施例提供一种财务凭证处理方法,采用了如下所述的技术方案:
一种财务凭证处理方法,包括:
获取历史财务凭证,并识别历史财务凭证的业务线类别;
基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证;
将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表;
获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别;
对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别;
获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。
进一步地,获取历史财务凭证,并识别历史财务凭证的业务线类别,具体包括:
对历史财务凭证进行解析,获取历史财务凭证对应的历史财务数据;
将历史财务数据输入到财务凭证分类模型,得到历史财务数据对应的业务线类别。
进一步地,财务凭证分类模型为预先训练的随机森林分类器,在将历史财务数据输入到财务凭证分类模型,得到历史财务数据对应的业务线类别之前,还包括:
对历史财务数据进行第一标注,其中,第一标注为基于业务线类别的数据标注;
对第一标注后的历史财务数据进行数据划分,得到第一训练数据集,其中,第一训练数据集包括第一训练样本集和第一测试样本集;
基于第一训练样本集和预设的随机森林算法构建随机森林分类器;
通过第一测试样本集对随机森林分类器进行测试,获取通过测试的随机森林分类器,得到财务凭证分类模型。
进一步地,基于第一训练样本集和预设的随机森林算法构建随机森林分类器,具体包括:
获取第一训练样本集的业务线类别标签,并基于业务线类别标签构建决策树;
基于决策树构建初始分类器;
对第一训练样本集进行特征提取,得到第一训练样本特征;
将第一训练样本特征导入初始分类器,通过训练样本特征对初始分类器进行训练得到随机森林分类器。
进一步地,制证信息配置模型为预先训练的卷积神经网络,在将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表之前,还包括:
对历史财务数据进行第二标注,其中,第二标注为基于财务数据内容的数据标注,财务数据内容包括业务线、业务场景、业务形态、业务时间和制证时间;
对第二标注后的历史财务数据进行数据划分,得到第二训练数据集,其中,第二训练数据集包括第二训练样本集和第二测试样本集;
利用第二训练样本集对预设的初始卷积神经网络进行模型训练,得到训练完成的制证信息配置模型;
使用第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型。
进一步地,初始卷积神经网络包括输出层、卷积层和输出层,利用第二训练样本集对预设的初始卷积神经网络进行模型训练,得到训练完成的制证信息配置模型,具体包括:
在输入层对第二训练样本集中的样本数据进行特征提取和特征向量转化,得到训练样本特征向量;
在卷积层对训练样本特征向量进行卷积操作,得到第一卷积向量;
在输出层对第一卷积向量进行拼接,得到第一拼接向量,并将第一拼接向量映射成对应的输出结果。
进一步地,使用第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型,具体包括:
在输入层对第二测试样本集中的样本数据进行特征提取和特征向量转化,得到测试样本特征向量;
在卷积层对测试样本特征向量进行卷积操作,得到第二卷积向量;
在输出层对第二卷积向量进行拼接,得到第二拼接向量,并将第二拼接向量映射成对应的输出结果;
基于第二拼接向量映射成对应的输出结果和预设的反向传播算法对初始卷积神经网络进行迭代更新,直至模型拟合,得到制证信息配置模型。
为了解决上述技术问题,本申请实施例还提供一种财务凭证处理装置,采用了如下所述的技术方案:
一种财务凭证处理装置,包括:
第一业务线识别模块,用于获取历史财务凭证,并识别历史财务凭证的业务线类别;
财务凭证分类模块,用于基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证;
制证信息配置表模块,用于将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表;
第二业务线识别模块,用于获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别;
业务线类别匹配模块,用于对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别;
财务凭证制作模块,用于获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的财务凭证处理方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的财务凭证处理方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开一种财务凭证处理方法、装置、计算机设备及存储介质,属于人工智能技术领域和金融科技领域。获取历史财务凭证,并识别历史财务凭证的业务线类别,基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证,将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表,获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别,对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别,获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。本申请通过结合财务凭证分类模型和制证信息配置模型实现财务数据和凭证制作的自动化处理,财务凭证分类模型用于实现业务线分类,制证信息配置模型用于实现制证信息配置表模板生成,通过财务数据和凭证制作的自动化处理,节省了人力资源,提高了工作效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1示出了本申请可以应用于其中的示例性系统架构图;
图2示出了根据本申请的财务凭证处理方法的一个实施例的流程图;
图3示出了根据本申请的财务凭证处理装置的一个实施例的结构示意图;
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的财务凭证处理方法一般由服务器执行,相应地,财务凭证处理装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的财务凭证处理方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在当前财务凭证处理方案中,当制证需求提交后,财务人员需要从每张制证表手工拉出各业务场景凭证并放在excel中给业务验收,如果需求的业务场景众多,手工制证和拉取各个制证表的凭证需要花费大量的时间,浪费了宝贵的测试人力资源。而且在项目组人员变动频繁,各类业务场景数据制证表整理分散,测试和业务信息不一致的情况下,测试人员需要花费大量的时间。
为了解决上述技术问题,本申请公开一种财务凭证处理方法、装置、计算机设备及存储介质,属于人工智能技术领域和金融科技领域,本申请通过结合财务凭证分类模型和制证信息配置模型实现财务数据和凭证制作的自动化处理,财务凭证分类模型用于实现业务线分类,制证信息配置模型用于实现制证信息配置表模板生成,通过财务数据和凭证制作的自动化处理,节省了人力资源,提高了工作效率。
所述的财务凭证处理方法,包括以下步骤:
S201,获取历史财务凭证,并识别历史财务凭证的业务线类别。
在本实施例中,收集历史财务凭证数据,并通过训练好的财务凭证分类模型来识别每个历史财务凭证所属的业务线类别。
进一步地,获取历史财务凭证,并识别历史财务凭证的业务线类别,具体包括:
对历史财务凭证进行解析,获取历史财务凭证对应的历史财务数据;
将历史财务数据输入到财务凭证分类模型,得到历史财务数据对应的业务线类别。
历史财务凭证可能以不同的格式和结构存储,例如文本、图像或数据库记录,因此需要将历史财务凭证进行解析,提取其中的财务数据。财务凭证解析涉及文本处理、图像识别、数据库查询等技术,通过上述解析处理以便获得每个历史财务凭证对应的财务数据。财务凭证解析后,得到了财务凭证对应的财务数据,这些财务数据包括收入、支出、成本、账目摘要等信息,这些财务数据是进行后续分类和制证信息配置的基础。
将历史财务数据输入到预设的财务凭证分类模型中,这个财务凭证分类模型是一个机器学习分类模型,如基于随机森林的分类器,该模型已经在训练过程中学习了历史财务数据与业务线类别之间的关系。
通过输入历史财务数据到财务凭证分类模型中,分类模型会对每个历史财务凭证进行分类,并预测出它们对应的业务线类别,这个分类过程可以得到历史财务数据对应的业务线类别标签,从而完成了历史财务凭证的业务线识别。
进一步地,财务凭证分类模型为预先训练的随机森林分类器,在将历史财务数据输入到财务凭证分类模型,得到历史财务数据对应的业务线类别之前,还包括:
对历史财务数据进行第一标注,其中,第一标注为基于业务线类别的数据标注;
对第一标注后的历史财务数据进行数据划分,得到第一训练数据集,其中,第一训练数据集包括第一训练样本集和第一测试样本集;
基于第一训练样本集和预设的随机森林算法构建随机森林分类器;
通过第一测试样本集对随机森林分类器进行测试,获取通过测试的随机森林分类器,得到财务凭证分类模型。
首先,需要对历史财务数据进行第一次标注,即根据业务线类别为历史财务数据打上标签,将每个历史财务凭证标注为其对应的业务线类别,标注过程可以是通过专业人员进行手动标注,或者根据已有的规则和业务知识来自动进行标注。
在第一次标注完成后,将历史财务数据划分为第一训练数据集,这个第一训练数据集包括两部分,即第一训练样本集和第一测试样本集。通常来说,可以按照一定的比例(例如70%-30%或80%-20%)将数据划分为训练集和测试集,用于后续的模型训练和评估。
基于第一训练样本集和预设的随机森林算法构建随机森林分类器,随机森林是一种集成学习算法,由多个决策树组成,通过投票或平均预测结果来提高分类准确率。在这一步骤中,使用第一训练样本集对随机森林分类器进行训练,调整决策树的数量和其他参数,以得到一个性能较好的分类器。
使用第一测试样本集对训练好的随机森林分类器进行测试,通过将测试样本输入到随机森林分类器中,可以评估其在未见过的数据上的性能和准确性,可以使用准确率、精确率、召回率等指标来衡量模型的分类性能。
进一步地,基于第一训练样本集和预设的随机森林算法构建随机森林分类器,具体包括:
获取第一训练样本集的业务线类别标签,并基于业务线类别标签构建决策树;
基于决策树构建初始分类器;
对第一训练样本集进行特征提取,得到第一训练样本特征;
将第一训练样本特征导入初始分类器,通过训练样本特征对初始分类器进行训练得到随机森林分类器。
首先,从第一训练样本集中获取每个样本的业务线类别标签,这些标签用于训练决策树。决策树是随机森林的基本组成单元,它是一个树状结构,通过对特征的逐步划分来进行分类。使用业务线类别标签构建决策树,得到一个初始的决策树分类器,这个初始分类器通常是一个深度较浅的决策树,用于避免过拟合,同时保留一定的预测准确性。
在训练随机森林之前,需要对第一训练样本集进行特征提取,特征提取是将原始的历史财务数据转换为机器学习算法所需的数值特征的过程,可以采用各种特征提取方法,如词嵌入、数值归一化、独热编码等,将财务数据转换为可供机器学习模型处理的向量形式。
将第一训练样本特征作为输入,导入初始分类器,并使用训练样本特征对初始分类器进行训练。在这个过程中,随机森林采用了“自助采样”(Bootstrap Sampling)和“特征随机性”(Feature Randomness)的技术,以提高模型的泛化能力和减少过拟合。随机森林通过构建多个决策树,并采用投票或平均的方式来进行分类预测,从而得到一个更稳健和准确的分类器。
在上述实施例中,本申请涉及数据标注、数据划分、随机森林分类器构建和模型测试,最终得到财务凭证分类模型,该模型将用于后续的历史财务数据分类和待制证财务数据的分类任务,以实现财务凭证的自动处理和生成。
S202,基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证。
在本实施例中,将识别出的历史财务凭证按照其业务线类别进行分类,得到各个业务线类别对应的历史财务凭证子集,各个业务线类别对应的历史财务凭证子集,将用于生成各个业务线类别对应的制证信息配置表。
S203,将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表。
在本实施例中,针对每个业务线类别,将历史财务凭证输入到预设的制证信息配置模型中,得到相应的制证信息配置表,这里的制证信息配置模型可以是根据业务规则或预设的规则来生成对应的制证信息配置表,也可以是通过对历史财务凭证中的财务数据进行特征分析之后预测生成的制证信息配置表。
进一步地,制证信息配置模型为预先训练的卷积神经网络,在将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表之前,还包括:
对历史财务数据进行第二标注,其中,第二标注为基于财务数据内容的数据标注,财务数据内容包括业务线、业务场景、业务形态、业务时间和制证时间;
对第二标注后的历史财务数据进行数据划分,得到第二训练数据集,其中,第二训练数据集包括第二训练样本集和第二测试样本集;
利用第二训练样本集对预设的初始卷积神经网络进行模型训练,得到训练完成的制证信息配置模型;
使用第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型。
首先,需要对历史财务数据进行第二次标注,这次标注是基于财务数据内容来实现的,其中,财务数据内容包括业务线、业务场景、业务形态、业务时间和制证时间等信息,这些信息是制证信息配置模型的输入特征,用于指导制证信息的生成。
在第二次标注后,将历史财务数据划分为第二训练数据集,第二训练数据集包括两部分,即第二训练样本集和第二测试样本集,通过数据划分,将数据分为训练集和测试集,用于模型的训练和评估。
使用第二训练数据集对预设的初始卷积神经网络进行模型训练和测试,在训练和测试过程中,网络会通过反向传播算法自动调整权重和参数,以最小化训练样本上的制证信息配置误差。完成训练和测试后,得到制证信息配置模型,制证信息配置模型具有一定的制证信息配置能力,可以根据财务数据内容为每个业务线类别对应的历史财务凭证生成相应的制证信息配置表。
如果训练完成的制证信息配置模型在第二测试样本集上表现良好,即通过测试,并且能够准确地生成制证信息配置表,那么该模型就可以输出为测试通过的制证信息配置模型。这个模型将用于后续的历史财务凭证分类任务,根据历史财务凭证的业务线类别生成相应的制证信息配置表,为后续待制证财务数据生成财务凭证提供必要信息。
总体而言,上述方案涉及到制证信息配置模型的训练和测试过程,使用卷积神经网络进行财务数据内容的学习和制证信息的生成,通过数据标注、数据划分、模型训练和测试,最终得到测试通过的制证信息配置模型,用于生成历史财务凭证对应的制证信息配置表。在实际应用中,需要确保模型的准确性和泛化能力,并对数据质量进行充分的检验和处理,以获得更好的制证信息配置效果。
进一步地,初始卷积神经网络包括输出层、卷积层和输出层,利用第二训练样本集对预设的初始卷积神经网络进行模型训练,得到训练完成的制证信息配置模型,具体包括:
在输入层对第二训练样本集中的样本数据进行特征提取和特征向量转化,得到训练样本特征向量;
在卷积层对训练样本特征向量进行卷积操作,得到第一卷积向量;
在输出层对第一卷积向量进行拼接,得到第一拼接向量,并将第一拼接向量映射成对应的输出结果。
在输入层进行特征提取和特征向量转化的过程,包括使用各种特征提取技术,如词嵌入、数值归一化等,将财务数据内容转换为机器学习算法所需的数值特征的向量形式。
将特征向量送入卷积层进行卷积操作,卷积层是卷积神经网络的核心组件之一,它通过滤波器(卷积核)在输入数据上进行卷积运算,以提取数据中的特征。卷积操作可以捕获财务数据内容中的局部特征和模式,有助于提高模型对财务数据内容的理解和表示能力。
将卷积层输出的第一卷积向量输入到输出层,通过输出层对其进行拼接操作,得到第一拼接向量。拼接操作可以将多个特征或特征向量合并在一起,以形成更全面和丰富的特征表示。
最后,将第一拼接向量映射成制证信息配置表的输出结果,映射过程可以使用全连接层(Fully Connected Layer)或其他适当的映射方法,根据模型学到的权重和参数,将拼接向量转换为最终的输出结果,其中,输出结果可能包括一系列的制证信息配置,用于指导生成历史财务凭证对应的财务凭证。
进一步地,使用第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型,具体包括:
在输入层对第二测试样本集中的样本数据进行特征提取和特征向量转化,得到测试样本特征向量;
在卷积层对测试样本特征向量进行卷积操作,得到第二卷积向量;
在输出层对第二卷积向量进行拼接,得到第二拼接向量,并将第二拼接向量映射成对应的输出结果;
基于第二拼接向量映射成对应的输出结果和预设的反向传播算法对初始卷积神经网络进行迭代更新,直至模型拟合,得到制证信息配置模型。
使用第二测试样本集对应的输出结果和第二测试样本集的真实标签,结合预设的反向传播算法来对初始卷积神经网络进行迭代更新,以更新模型参数,使得模型逐渐趋于拟合。迭代更新的目标是最小化模型在第二测试样本集上的制证信息配置误差,让模型逐渐拟合到第二测试样本集的特征和输出标签,以提高模型在未见过数据上的泛化能力。
经过多轮迭代更新后,模型将逐渐拟合到第二测试样本集,使其在该样本集上的制证信息配置准确率达到较高水平。最终,得到经过测试通过且拟合较好的制证信息配置模型,该模型将用于后续的历史财务凭证分类任务,根据历史财务凭证的业务线类别生成相应的制证信息配置表,为后续待制证财务数据生成财务凭证提供必要信息。
S204,获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别。
在本实施例中,获取待制证的财务数据,将这些财务数据输入到预设的财务凭证分类模型中,以获得待制证财务数据对应的业务线类别,这一步骤类似于S201中对历史财务凭证的业务线类别识别过程,在此不再赘述。
S205,对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别。
在本实施例中,对待制证财务数据对应的业务线类别与各个历史业务线类别一一进行匹配,从而确定匹配的业务线类别。具体来说,每一个历史业务线类别都有多个业务线类别关键词,通过提取待制证财务数据的关键词,并计算待制证财务数据的关键词与每一个历史业务线类别的关键词之间的相似度来进行业务线类别匹配。
S206,获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。
在本实施例中,获得匹配业务线类别后,查找匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。
在上述实施例中,本申请公开一种财务凭证处理方法,属于人工智能技术领域和金融科技领域。获取历史财务凭证,并识别历史财务凭证的业务线类别,基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证,将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表,获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别,对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别,获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。本申请通过结合财务凭证分类模型和制证信息配置模型实现财务数据和凭证制作的自动化处理,财务凭证分类模型用于实现业务线分类,制证信息配置模型用于实现制证信息配置表模板生成,通过财务数据和凭证制作的自动化处理,节省了人力资源,提高了工作效率。
在本实施例中,财务凭证处理方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收指令或者获取数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述待制证财务数据的私密和安全性,上述待制证财务数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种财务凭证处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的财务凭证处理装置300,包括:
第一业务线识别模块301,用于获取历史财务凭证,并识别历史财务凭证的业务线类别;
财务凭证分类模块302,用于基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证;
制证信息配置表模块303,用于将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表;
第二业务线识别模块304,用于获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别;
业务线类别匹配模块305,用于对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别;
财务凭证制作模块306,用于获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。
进一步地,第一业务线识别模块301具体包括:
凭证解析单元,用于对历史财务凭证进行解析,获取历史财务凭证对应的历史财务数据;
业务线识别单元,用于将历史财务数据输入到财务凭证分类模型,得到历史财务数据对应的业务线类别。
进一步地,财务凭证分类模型为预先训练的随机森林分类器,财务凭证处理装置300还包括:
第一标注模块,用于对历史财务数据进行第一标注,其中,第一标注为基于业务线类别的数据标注;
第一划分模块,用于对第一标注后的历史财务数据进行数据划分,得到第一训练数据集,其中,第一训练数据集包括第一训练样本集和第一测试样本集;
第一训练模块,用于基于第一训练样本集和预设的随机森林算法构建随机森林分类器;
第一测试模块,用于通过第一测试样本集对随机森林分类器进行测试,获取通过测试的随机森林分类器,得到财务凭证分类模型。
进一步地,第一训练模块具体包括:
决策树单元,用于获取第一训练样本集的业务线类别标签,并基于业务线类别标签构建决策树;
初始分类器单元,用于基于决策树构建初始分类器;
第一特征提取单元,用于对第一训练样本集进行特征提取,得到第一训练样本特征;
分类器训练单元,用于将第一训练样本特征导入初始分类器,通过训练样本特征对初始分类器进行训练得到随机森林分类器。
进一步地,制证信息配置模型为预先训练的卷积神经网络,财务凭证处理装置300还包括:
第二标注模块,用于对历史财务数据进行第二标注,其中,第二标注为基于财务数据内容的数据标注,财务数据内容包括业务线、业务场景、业务形态、业务时间和制证时间;
第二划分模块,用于对第二标注后的历史财务数据进行数据划分,得到第二训练数据集,其中,第二训练数据集包括第二训练样本集和第二测试样本集;
第二训练模块,用于利用第二训练样本集对预设的初始卷积神经网络进行模型训练,得到训练完成的制证信息配置模型;
第二测试模块,用于使用第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型。
进一步地,初始卷积神经网络包括输出层、卷积层和输出层,第二训练模块具体包括:
第一特征处理单元,用于在输入层对第二训练样本集中的样本数据进行特征提取和特征向量转化,得到训练样本特征向量;
第一卷积操作单元,用于在卷积层对训练样本特征向量进行卷积操作,得到第一卷积向量;
第一拼接映射单元,用于在输出层对第一卷积向量进行拼接,得到第一拼接向量,并将第一拼接向量映射成对应的输出结果。
进一步地,使用第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型,具体包括:
第二特征处理单元,用于在输入层对第二测试样本集中的样本数据进行特征提取和特征向量转化,得到测试样本特征向量;
第二卷积操作单元,用于在卷积层对测试样本特征向量进行卷积操作,得到第二卷积向量;
第二拼接映射单元,用于在输出层对第二卷积向量进行拼接,得到第二拼接向量,并将第二拼接向量映射成对应的输出结果;
模型迭代单元,用于基于第二拼接向量映射成对应的输出结果和预设的反向传播算法对初始卷积神经网络进行迭代更新,直至模型拟合,得到制证信息配置模型。
在上述实施例中,本申请公开一种财务凭证处理装置,属于人工智能技术领域和金融科技领域。获取历史财务凭证,并识别历史财务凭证的业务线类别,基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证,将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表,获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别,对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别,获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。本申请通过结合财务凭证分类模型和制证信息配置模型实现财务数据和凭证制作的自动化处理,财务凭证分类模型用于实现业务线分类,制证信息配置模型用于实现制证信息配置表模板生成,通过财务数据和凭证制作的自动化处理,节省了人力资源,提高了工作效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如财务凭证处理方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述财务凭证处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中,本申请公开一种计算机设备,属于人工智能技术领域和金融科技领域。获取历史财务凭证,并识别历史财务凭证的业务线类别,基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证,将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表,获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别,对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别,获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。本申请通过结合财务凭证分类模型和制证信息配置模型实现财务数据和凭证制作的自动化处理,财务凭证分类模型用于实现业务线分类,制证信息配置模型用于实现制证信息配置表模板生成,通过财务数据和凭证制作的自动化处理,节省了人力资源,提高了工作效率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的财务凭证处理方法的步骤。
在上述实施例中,本申请公开一种计算机可读存储介质,属于人工智能技术领域和金融科技领域。获取历史财务凭证,并识别历史财务凭证的业务线类别,基于业务线类别对历史财务凭证进行分类,得到各个业务线类别对应的历史财务凭证,将各个业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个业务线类别对应的制证信息配置表,获取待制证财务数据,将待制证财务数据输入到预设的财务凭证分类模型,得到待制证财务数据对应的业务线类别,对待制证财务数据对应的业务线类别和各个业务线类别进行匹配,确定匹配业务线类别,获取匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将待制证财务数据填入目标制证信息配置表,生成待制证财务数据的财务凭证。本申请通过结合财务凭证分类模型和制证信息配置模型实现财务数据和凭证制作的自动化处理,财务凭证分类模型用于实现业务线分类,制证信息配置模型用于实现制证信息配置表模板生成,通过财务数据和凭证制作的自动化处理,节省了人力资源,提高了工作效率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种财务凭证处理方法,其特征在于,包括:
获取历史财务凭证,并识别所述历史财务凭证的业务线类别;
基于所述业务线类别对所述历史财务凭证进行分类,得到各个所述业务线类别对应的历史财务凭证;
将各个所述业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个所述业务线类别对应的制证信息配置表;
获取待制证财务数据,将所述待制证财务数据输入到预设的财务凭证分类模型,得到所述待制证财务数据对应的业务线类别;
对所述待制证财务数据对应的业务线类别和各个所述业务线类别进行匹配,确定匹配业务线类别;
获取所述匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将所述待制证财务数据填入所述目标制证信息配置表,生成所述待制证财务数据的财务凭证。
2.如权利要求1所述的财务凭证处理方法,其特征在于,所述获取历史财务凭证,并识别所述历史财务凭证的业务线类别,具体包括:
对所述历史财务凭证进行解析,获取所述历史财务凭证对应的历史财务数据;
将所述历史财务数据输入到所述财务凭证分类模型,得到所述历史财务数据对应的业务线类别。
3.如权利要求2所述的财务凭证处理方法,其特征在于,所述财务凭证分类模型为预先训练的随机森林分类器,在所述将所述历史财务数据输入到所述财务凭证分类模型,得到所述历史财务数据对应的业务线类别之前,还包括:
对所述历史财务数据进行第一标注,其中,所述第一标注为基于业务线类别的数据标注;
对第一标注后的所述历史财务数据进行数据划分,得到第一训练数据集,其中,所述第一训练数据集包括第一训练样本集和第一测试样本集;
基于所述第一训练样本集和预设的随机森林算法构建所述随机森林分类器;
通过所述第一测试样本集对所述随机森林分类器进行测试,获取通过测试的随机森林分类器,得到所述财务凭证分类模型。
4.如权利要求3所述的财务凭证处理方法,其特征在于,所述基于所述第一训练样本集和预设的随机森林算法构建所述随机森林分类器,具体包括:
获取所述第一训练样本集的业务线类别标签,并基于所述业务线类别标签构建决策树;
基于所述决策树构建初始分类器;
对所述第一训练样本集进行特征提取,得到第一训练样本特征;
将所述第一训练样本特征导入所述初始分类器,通过所述训练样本特征对所述初始分类器进行训练得到所述随机森林分类器。
5.如权利要求1所述的财务凭证处理方法,其特征在于,所述制证信息配置模型为预先训练的卷积神经网络,在将各个所述业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个所述业务线类别对应的制证信息配置表之前,还包括:
对所述历史财务数据进行第二标注,其中,所述第二标注为基于财务数据内容的数据标注,所述财务数据内容包括业务线、业务场景、业务形态、业务时间和制证时间;
对第二标注后的所述历史财务数据进行数据划分,得到第二训练数据集,其中,所述第二训练数据集包括第二训练样本集和第二测试样本集;
利用所述第二训练样本集对预设的初始卷积神经网络进行模型训练,得到训练完成的制证信息配置模型;
使用所述第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型。
6.如权利要求5所述的财务凭证处理方法,其特征在于,所述初始卷积神经网络包括输出层、卷积层和输出层,所述利用所述第二训练样本集对预设的初始卷积神经网络进行模型训练,得到训练完成的制证信息配置模型,具体包括:
在所述输入层对所述第二训练样本集中的样本数据进行特征提取和特征向量转化,得到训练样本特征向量;
在所述卷积层对所述训练样本特征向量进行卷积操作,得到第一卷积向量;
在所述输出层对所述第一卷积向量进行拼接,得到第一拼接向量,并将所述第一拼接向量映射成对应的输出结果。
7.如权利要求6所述的财务凭证处理方法,其特征在于,所述使用所述第二测试样本集对训练完成的制证信息配置模型进行测试,输出测试通过的制证信息配置模型,具体包括:
在所述输入层对所述第二测试样本集中的样本数据进行特征提取和特征向量转化,得到测试样本特征向量;
在所述卷积层对所述测试样本特征向量进行卷积操作,得到第二卷积向量;
在所述输出层对所述第二卷积向量进行拼接,得到第二拼接向量,并将所述第二拼接向量映射成对应的输出结果;
基于所述第二拼接向量映射成对应的输出结果和预设的反向传播算法对所述初始卷积神经网络进行迭代更新,直至模型拟合,得到所述制证信息配置模型。
8.一种财务凭证处理装置,其特征在于,包括:
第一业务线识别模块,用于获取历史财务凭证,并识别所述历史财务凭证的业务线类别;
财务凭证分类模块,用于基于所述业务线类别对所述历史财务凭证进行分类,得到各个所述业务线类别对应的历史财务凭证;
制证信息配置表模块,用于将各个所述业务线类别对应的历史财务凭证输入到预设的制证信息配置模型,得到各个所述业务线类别对应的制证信息配置表;
第二业务线识别模块,用于获取待制证财务数据,将所述待制证财务数据输入到预设的财务凭证分类模型,得到所述待制证财务数据对应的业务线类别;
业务线类别匹配模块,用于对所述待制证财务数据对应的业务线类别和各个所述业务线类别进行匹配,确定匹配业务线类别;
财务凭证制作模块,用于获取所述匹配业务线类别对应的制证信息配置表,得到目标制证信息配置表,并将所述待制证财务数据填入所述目标制证信息配置表,生成所述待制证财务数据的财务凭证。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的财务凭证处理方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的财务凭证处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311179554.8A CN117251799A (zh) | 2023-09-12 | 2023-09-12 | 一种财务凭证处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311179554.8A CN117251799A (zh) | 2023-09-12 | 2023-09-12 | 一种财务凭证处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251799A true CN117251799A (zh) | 2023-12-19 |
Family
ID=89134223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311179554.8A Pending CN117251799A (zh) | 2023-09-12 | 2023-09-12 | 一种财务凭证处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251799A (zh) |
-
2023
- 2023-09-12 CN CN202311179554.8A patent/CN117251799A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598039B (zh) | 获取nlp分类领域阳性样本方法及相关设备 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
CN112925911A (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN110532229B (zh) | 证据文件检索方法、装置、计算机设备和存储介质 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN116956326A (zh) | 权限数据的处理方法、装置、计算机设备及存储介质 | |
CN117217812A (zh) | 一种用户行为预测方法、装置、计算机设备及存储介质 | |
CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
CN116402625A (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN116166858A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN117251799A (zh) | 一种财务凭证处理方法、装置、计算机设备及存储介质 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN114820211B (zh) | 理赔资料质检核验方法、装置、计算机设备及存储介质 | |
CN113724065B (zh) | 基于流程指导的辅助催收方法、装置、设备及存储介质 | |
CN117407750A (zh) | 基于元数据的数据质量监控方法、装置、设备及存储介质 | |
CN117056628A (zh) | 一种数据展示方法、装置、设备及其存储介质 | |
CN117389607A (zh) | 看板配置方法、装置、计算机设备及存储介质 | |
CN116756147A (zh) | 一种数据归类方法、装置、计算机设备及存储介质 | |
CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、装置、设备及存储介质 | |
CN116824600A (zh) | 一种公司印章识别方法及其相关设备 | |
CN117076243A (zh) | 应用的扩缩容处理方法、装置、计算机设备及存储介质 | |
CN116822454A (zh) | 公式配置方法、装置、计算机设备及存储介质 |
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 |