JP2018136655A - 自動仕訳システムおよび自動仕訳プログラム - Google Patents

Abstract

【課題】ユーザにとって正しい期待結果でない可能性がある仕訳の抽出作業や修正作業の効率化を図る。
【解決手段】学習器６は、教師データを用いた教師あり学習によって、自己が有する関数の内部パラメータが調整されている。この教師データは、少なくとも取引情報を含む入力データと、分類すべき勘定科目を示す出力データとが対応付けられている。適合率記憶部１１は、教師データとして与えられた取引情報が学習器６において正しい勘定科目に分類されている確率を示す分類適合率を勘定科目に対応付けて記憶している。仕訳処理部５は、ユーザより仕訳を依頼された取引に関する取引情報を含む入力データを学習器６に入力し、学習器６より出力された出力データに基づいて取引を仕訳する。それとともに、仕訳処理部５は、この出力データによって特定された勘定科目に関する分類適合率に応じて、ユーザに対する仕訳結果の提示形態を選択する。
【選択図】図２

Description

本発明は、自動仕訳システムおよび自動仕訳プログラムに係り、特に、ユーザより依頼された取引の自動仕訳に関する。

従来より、仕訳作業者の負担を軽減すべく、人工知能を利用して仕訳を自動的に行うクラウドサービスが提案されている。例えば、特許文献１には、クラウドコンピューティングによる会計処理を行うための会計処理装置が開示されている。この処理装置が備えるウェブサーバは、ユーザ側のコンピュータより受信したウェブ明細データを取引毎に識別し、特定の勘定科目に自動的に仕訳する。この自動仕訳では、取引内容の記載がキーワード（形態素）に分節され、機械学習によって生成されたラーンド・データベースを参照することによって、勘定科目が推測される。ラーンド・データベースには、キーワードに対応付けられた勘定科目の出現頻度が登録されており、各キーワードの出現頻度をスコアとして合計した結果、最も高いスコアとなる勘定科目に分類される。ウェブサーバによって作成された仕訳データは、ユーザ側のコンピュータに送信され、仕訳処理画面として表示される。

特許第５９３６２８４号公報

しかしながら、人工知能を利用した自動仕訳では、ユーザにとって正しい期待結果が必ず得られるとは限らず、期待していない仕訳となる可能性がある。

本発明は、かかる事情に鑑みてなされたものであり、その目的は、ユーザにとって正しい期待結果でない可能性がある仕訳の抽出作業や修正作業の効率化を図ることである。

かかる課題を解決すべく、第１の発明は、学習器と、適合率記憶部と、仕訳処理部とを有する自動仕訳システムを提供する。学習器は、教師データを用いた教師あり学習によって、自己が有する関数の内部パラメータが調整されている。この教師データは、少なくとも取引情報を含む入力データと、分類すべき勘定科目を示す出力データとが対応付けられている。適合率記憶部は、教師データとして与えられた取引情報が学習器において正しい勘定科目に分類されている確率を示す分類適合率を勘定科目に対応付けて記憶している。仕訳処理部は、ユーザより仕訳を依頼された取引に関する取引情報を含む入力データを学習器に入力し、学習器より出力された出力データに基づいて取引を仕訳する。それとともに、仕訳処理部は、この出力データによって特定された勘定科目に関する分類適合率に応じて、ユーザに対する仕訳結果の提示形態を選択する。

ここで、第１の発明において、上記仕訳処理部は、分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを仕訳結果に付することが好ましい。また、上記仕訳処理部は、分類適合率が所定のしきい値よりも小さい場合、ユーザによって予め設定された通知先に対して、仕訳結果を通知してもよい。さらに、上記所定のしきい値は、ユーザによって任意に設定可能であることが望ましい。

第１の発明において、仕訳結果データベースと、更新処理部とを設けてもよい。仕訳結果データベースには、ユーザより仕訳を依頼された取引に関して、入力データと、出力データとを対応付けた仕訳結果が記憶される。また、更新処理部は、実績データベースに記憶された仕訳結果を教師データとした教師あり学習によって、学習器の内部パラメータを更新する。この場合、上記仕訳処理部は、分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを仕訳結果に付した上で、仕訳結果データベースに記憶し、上記更新処理部は、実績データベースに記憶された仕訳結果のうち、確認フラグが付されていないものを教師データとして用いることが好ましい。

第２の発明は、ユーザより仕訳を依頼された取引に関する取引情報を含む入力データを学習器に入力し、学習器より出力された出力データに基づいて取引を仕訳する第１のステップと、この出力データによって特定された勘定科目に関する分類適合率に応じて、ユーザに対する仕訳結果の提示形態を選択する第２のステップとを有する処理をコンピュータに実行させる自動仕訳プログラムを提供する。ここで、学習器は、少なくとも取引情報を含む入力データと、分類すべき勘定科目を示す出力データとが対応付けられた教師データを用いた教師あり学習によって、自己が有する関数の内部パラメータが調整されている。また、分類適合率は、教師データとして与えられた取引情報が学習器において正しい勘定科目に分類されている確率を示し、かつ、勘定科目に対応付けて設定されている。

ここで、第２の発明において、上記第２のステップは、分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを仕訳結果に付するステップであることが好ましい。また、上記第２のステップは、分類適合率が所定のしきい値よりも小さい場合、ユーザによって予め設定された通知先に対して、仕訳結果を通知するステップであってもよい。さらに、上記所定のしきい値は、ユーザが任意に設定可能であることが望ましい。

第２の発明において、ユーザより仕訳を依頼された取引に関して、入力データと、出力データとを対応付けた仕訳結果を記憶する仕訳結果データベースを用意しておき、この仕訳結果データベースに記憶された仕訳結果を教師データとした教師あり学習によって、学習器の内部パラメータを更新する第３のステップをさらに設けてもよい。この場合、上記第２のステップは、分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを仕訳結果に付した上で、仕訳結果データベースに記憶するステップであり、上記第３のステップにおいて、仕訳結果データベースに記憶された仕訳結果のうち、確認フラグが付されていないものを教師データとして用いることが好ましい。

さらに、第１または第２の発明において、上記入力データは、仕訳を依頼したユーザの業種を含んでいてもよい。

本発明によれば、勘定科目に対応付けて記憶された分類適合率に応じて、例えば、ユーザに内容の確認を促したり、予め設定された通知先に仕訳結果を通知するといった如く、ユーザに対する仕訳結果の提示形態を変更することで、ユーザにとって正しい期待結果でない可能性がある仕訳の抽出作業や修正作業の効率化を図ることができる。

自動仕訳ネットワークシステムの全体図 仕訳サーバのブロック図 ユーザデータベースの概略的な構成を示す図 仕訳結果データベースの概略的な構成を示す図 分類適合率の説明図 自動仕訳処理のフローチャート 仕訳結果の表示例を示す図

図１は、本実施形態に係る自動仕訳ネットワークシステムの全体図である。この仕訳ネットワークシステム１は、取引の仕訳を依頼するユーザが操作する多数のクライアント２と、仕訳サーバ３とを主体としたサーバクライアント型のネットワーク構成を有している。仕訳サーバ３は、クライアント２からの仕訳依頼を受信した場合、この依頼に係る取引の仕訳を自動的に行い、仕訳結果をクライント２に送信する。

図２は、仕訳サーバ３のブロック図である。この仕訳サーバ３は、入力部４と、仕訳処理部５と、学習器６と、更新処理部７と、出力部８と、ユーザデータベース９と、仕訳結果データベース１０と、適合率記憶部１１とを主体に構成されている。入力部４は、インターネット等のネットワークを介して、「取引」の仕訳依頼の必要情報として、ユーザによって入力された取引情報をクライアント２より受信し、これらを仕訳処理部５に転送する。ここで、「取引」とは、企業等が所有する財産(資産，負債)、資本、収益、費用の増加・減少を伴う簿記上の取引や、簿記上の取引以外においても、記帳（記録）に必要な取引のことをいう。

仕訳処理部５は、ユーザデータベース９を参照しつつ、取引情報に基づいて入力データを生成し、この入力データを学習器６に入力する。また、仕訳処理部５は、学習器６より出力された出力データに基づいて取引を仕訳し、仕訳結果を仕訳結果データベース１０に追加・記憶する。この仕訳結果データベース１０は、ユーザより仕訳を依頼された取引に関して、入力データと、出力データとを対応付けた仕訳結果を取引毎に記憶する。

学習器６は、所定の関数Ｙ＝ｆ（Ｘ，θ）を有している。ここで、入力Ｘは、少なくとも取引情報を特徴化したｍ次元の入力データ（特徴ベクトル）であり、出力Ｙは、ｎ（＜ｍ）次元の出力データである。また、θは、この関数の内部パラメータであり、取引の仕訳処理に先だち、教師データを用いた教師あり学習によって、予め調整されている。教師あり学習としては、ニューラルネットワークやサポートベクターマシン（ＳＶＭ）を含めて、周知の手法を広く用いることができる。

更新処理部７は、教師データを用いた教師あり学習によって、学習器６の内部パラメータθを更新する。教師データとしては、仕訳結果データベース１０に記憶された多数の仕訳結果、すなわち、入力データと出力データとのペアが用いられる。具体的には、入力に対する出力の合否が「教師ベクトル」として学習器６にフィードバックされる。これに基づいて、学習器６は、正しい出力が得られるように、内部パラメータθ（例えば、ニューラルネットワークの結合重み）の値を更新する。このような処理を仕訳結果データベース１０に記憶された全ての仕訳結果について繰り返すことで、内部パラメータθの学習（調整）が行われる。なお、仕訳結果データベース１０の蓄積数が少なく、内部パラメータθの学習が十分に行うことができない初期状況においては、予想される様々なケースのサンプルを多数用意しておき、これらに基づいて必要量の学習を行うことが好ましい。

図３は、ユーザデータベース９の概略的な構成を示す図である。このユーザデータベース９は、ユーザ単位で設けられた多数のユーザレコードによって構成されている。１つのユーザレコードは、「ユーザＩＤ」、「ユーザ情報」、「業種」、「申告区分」、「しきい値ＬＶ１」、「しきい値ＬＶ２」、「通知アドレス」等のフィールドを有している。ここで、「ユーザＩＤ」は、ユーザ毎に採番されたユーザ固有の識別記号であり、「ユーザ情報」は、ユーザの名称、住所、電話番号等である。「業種」は、製造業、販売業、小売業の如く、ユーザの業種が記述される。「申告区分」は、個人／法人の別が記述される。「しきい値ＬＶ１」、「しきい値ＬＶ２」および「通知アドレス」は、ユーザが任意に設定可能であり、後述するように、これらの設定内容に応じてシステムの振る舞い、具体的には、ユーザに対する仕訳結果の提示形態が変化する。

図４は、仕訳結果データベース１０の概略的な構成を示す図である。この仕訳結果データベース１０は、取引単位で設けられた多数の仕訳結果レコードによって構成されている。１つの仕訳結果レコードは、「入力データ」および「出力データ」のセットと、「確認フラグ」とを有する。「入力データ」は、「取引情報」と、「ユーザ情報」とを有する。「取引情報」は、「取引目的語」、「未来区分」、「場所」、「用途」、「支払方法」の如く、取引の内容を特徴付けるキーワードによって構成されている。また、「ユーザ情報」は、「業種」、「ユーザＩＤ」、「申告区分」等を含む。本実施形態において、「入力データ」として、「取引情報」のみならず「ユーザ情報」も含める理由は、「取引情報」が同一でも、ユーザによって仕訳（勘定科目）が異なるケースが存在するので、それに対処するためである。例えば、工具を購入した場合、製造業では［借方］（製）消耗品費となるのに対して、販売業では［借方］消耗品費となる。また、例えば、荷物の宅配（運送）を依頼した場合、運送業では［借方］外注費となるのに対して、販売業では［借方］荷造運賃となる。同様のことは、［申告区分］における個人／法人でも該当する。このような事情に鑑み、入力データとしてユーザに関する情報も特徴付けておくことで、学習器６の分類精度を高まり、ユーザの業種等にマッチした仕訳が期待できる。また、「確認フラグ」については、ユーザに仕訳結果の内容確認を促す状態を「１」、それ以外の状態（仕訳結果の内容の確認済を含む。）を「０」とする。

また、仕訳処理部５は、適合率記憶部１１を参照して、出力データによって特定される勘定科目に関する分類適合率を抽出し、この分類適合率に応じて、ユーザに対する仕訳結果の提示形態を選択する。適合率記憶部１１には、分類適合率が勘定科目に対応付けて記憶されている。ここで、「分類適合率」とは、学習器６の学習が完了した状態において、教師データとして与えられた取引情報が学習器６において正しい勘定科目に分類されている確率のことである。

図５に示すように、縦方向を真の勘定科目のクラス（Ａ，Ｂ，Ｃ，Ｄ，・・・）、横方向を学習器６によって分類された推論結果のクラス（Ａ，Ｂ，Ｃ，Ｄ，・・・）とし、両者の交差欄に分類確率（％）が記述されている。例えば、クラスＡについて正しい推論結果が得られる確率は８９．３％である。一方、クラスＢについて正しい推論結果が得られる確率は７９．８％であり、これは、クラスＡよりも期待結果の信頼度が低いことを意味する。なお、勘定科目のクラスは、貸方勘定科目と借方勘定科目とを別けて、それぞれを個別に分類してもよいし、両者のセットとして分類してもよい。

分類適合率の算出に際しては、まず、所定数の教師データを用いた学習によって、学習器６の内部パラメータを調整し、その後、あらためて教師データを個別に入力して、出力（推論結果）をクラス毎に投票する。これにより、ある勘定科目（例えばＡ）について、推論結果Ａの個数をｍ、この勘定科目Ａに関する推論結果（Ａ，Ｂ，Ｃ，Ｄ，・・・）の全体数をｎとすると、勘定科目Ａの分類適合率は、ｍ／ｎ×１００（％）として算出される。

なお、分類適合率と勘定科目との対応付けは、１対１である必要は必ずしもなく、１対多等であっても構わない。例えば、商品（消耗品）を販売し、その売掛金の代金が差引振込で入金されたという取引に関しては、［借方］普通預金、［借方］支払手数料、［貸方］売掛金となり、２つの借方勘定科目が発生する。このような場合、２つの借方勘定科目に対して１つの分類適合率を共通で割り当ててもよい。

つぎに、図６を参照しながら、仕訳サーバ３にて行われる自動仕訳の処理について詳述する。この仕訳処理は、仕訳サーバ３に図６の処理を実行させるコンピュータプログラムをインストールすることによって実行される。

まず、ステップ１において、入力部４は、クライアント２から取引の仕訳依頼と共に取引情報を受け付ける。取引情報は、取引情報の入力画面をユーザに提示し、ユーザが必要事項を入力することによって取得することができる。また、取引明細等の写真をユーザより取得し、ＯＣＲ（Optical Character Reader）や形態素解析を通じて、取引情報を取得することも可能である。

つぎに、ステップ２において、仕訳処理部５は、取得した取引情報に基づいて入力データ（特徴ベクトル）を生成する。入力データは、今回の仕訳対象となる取引に関する取引情報だけあってもよいが、取引主体となるユーザに関するユーザ情報を含めてもよい。取引情報が同一であっても、業種や申告区分（個人／法人）によって仕分内容が異なることがある。入力データにユーザ情報を含めることで、このような仕訳にも有効に対応でき、学習器６の分類精度を高めることができる。また、学習器６の分類精度を高めるという観点から、入力データに、そのユーザに関する過去の取引情報を含めてもよい。

ステップ３において、仕訳処理部５は、入力データを学習器６に入力する。そして、学習器６から出力された出力データに基づいて取引の仕訳が行われ、仕訳結果が仕訳結果データベース１０に追加される（ステップ４）。例えば、図４の表における１行目のレコードは、取引目的語を「ノート」とする入力データに対して、［貸方］事務用品費、［借方］現金とする出力データが学習器６より出力され、これらの入出力データのセットが仕訳結果として追加されたことを示している。

ステップ５において、仕訳処理部５は、適合率記憶部１１を参照して、学習器６からの出力データ（勘定科目）に対応する分類適合率ＬＶを抽出する。例えば、図５に示したように、勘定科目のクラスがＡの場合、分類適合率ＬＶ＝89.3％が抽出される。なお、分類適合率ＬＶとしては、適合率記憶部１１に記憶された値を取引情報のキーワードの寄与率等で補正し、この補正値を分類適合率として用いてもよい。

ステップ６において、仕訳処理部５は、ユーザデータベース９を参照して、仕訳を依頼しているユーザに関する必要情報として、「しきい値ＬＶ１」、「しきい値ＬＶ２」および「通知アドレス」を取得する。

ステップ７において、ステップ５で取得した分類適合率ＬＶがしきい値ＬＶ１よりも小さいか否かが判断される。ステップ７の判断結果が否定の場合、学習器６によって推論された勘定科目は適切であるとみなし、「確認フラグ」が０（ユーザ確認不要）にセットされた上で（ステップ８）、本ルーチンを抜ける。これに対して、ステップ７の判断結果が肯定の場合、学習器６によって推論された勘定科目は適切でないとみなされ、「確認フラグ」が１（ユーザ確認要）にセットされた上で（ステップ９）、本ルーチンを抜ける。「確認フラグ」が１にセットされたことにより、この取引に関する仕訳結果として、図７に示すような確認要求が表示される。ユーザは、仕訳帳画面に表示された仕訳一覧において、確認要求が付された仕訳（すなわち、ユーザにとって正しい期待結果でない可能性がある仕訳）を視覚的に容易に抽出できる。また、プルダウンリスト等で勘定科目の候補を提示すれば、ユーザは容易に修正作業を行うことができる。

ステップ１０において、ステップ５で取得した分類適合率ＬＶがしきい値ＬＶ２よりも小さいか否かが判断される。ステップ１０の判断結果が否定の場合、本ルーチンを抜ける。これに対して、ステップ１０の判断結果が肯定の場合、「通知アドレス」に対して仕訳結果を通知した上で（ステップ１１）、本ルーチンを抜ける。「通知アドレス」として、ＳＮＳや税理士のアドレスを設定しておけば、ユーザ以外の者と情報を共有することができる。

このように、本実施形態によれば、勘定科目に対応付けて記憶された分類適合率ＬＶに応じて、例えば、ユーザに内容の確認を促したり、予め設定された通知先に仕訳結果を通知するといった如く、ユーザに対する仕訳結果の提示形態を変更することで、ユーザにとって正しい期待結果でない可能性がある仕訳の抽出作業や修正作業の効率化を図ることができる。その際、分類適合率ＬＶとの比較に用いられるしきい値ＬＶ１，ＬＶ２を、ユーザが任意に設定できるようにすれば、ユーザの事情に即してシステムの挙動を柔軟性に設定でき、ユーザにとっての利便性をより高めることができる。

また、本実施形態では、仕訳結果データベース１０に記憶された仕訳結果を用いた教師あり学習によって、学習器６の更新学習を適宜行うことで、仕訳実績を学習器６に反映でき、より精度の高い仕訳が可能になる。

なお、上述した実施形態において、更新処理部７は、仕訳結果データベース１０に蓄積された仕訳結果を教師データとした学習器６の更新学習をバッチ処理にて行うが、その際に用いる教師データは、確認フラグが付されていない仕訳結果（確認フラグ＝０）のみを用いることが好ましい。未確定の仕訳結果（確認フラグ＝１）を除外することで、更新学習の精度を高めることができる。

また、上述した自動仕訳ネットワークシステムは、曖昧な取引を税理士等がチェックする用途で用いることもできる。この場合、顧客毎の事情に応じてしきい値ＬＶ１等を個別に設定しておき、確認要求（警告）が付された仕訳を曖昧な仕訳とみなして、税理士等が内容をチェックする。これにより、税理士等にとってのチェック作業の効率化を図ることができる。

１ 仕訳ネットワークシステム
２ クライアント
３ 仕訳サーバ
４ 入力部
５ 仕訳処理部
６ 学習器
７ 更新処理部
８ 出力部
９ ユーザデータベース
１０ 仕訳結果データベース
１１ 適合率記憶部

Claims (14)

1. 自動仕訳システムにおいて、
   少なくとも取引情報を含む入力データと、分類すべき勘定科目を示す出力データとが対応付けられた教師データを用いた教師あり学習によって、自己が有する関数の内部パラメータが調整された学習器と、
   前記教師データとして与えられた取引情報が前記学習器において正しい勘定科目に分類されている確率を示す分類適合率を勘定科目に対応付けて記憶する適合率記憶部と、
   ユーザより仕訳を依頼された取引に関する取引情報を含む入力データを前記学習器に入力し、前記学習器より出力された出力データに基づいて前記取引を仕訳すると共に、当該出力データによって特定された勘定科目に関する前記分類適合率に応じて、ユーザに対する仕訳結果の提示形態を選択する仕訳処理部と
   を有することを特徴とする自動仕訳システム。
2. 前記仕訳処理部は、前記分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを前記仕訳結果に付することを特徴とする請求項１に記載された自動仕訳システム。
3. 前記仕訳処理部は、前記分類適合率が所定のしきい値よりも小さい場合、ユーザによって予め設定された通知先に対して、前記仕訳結果を通知することを特徴とする請求項１に記載された自動仕訳システム。
4. 前記所定のしきい値は、ユーザが任意に設定可能であることを特徴とする請求項２または３に記載された自動仕訳システム。
5. ユーザより仕訳を依頼された取引に関して、前記入力データと、前記出力データとを対応付けた仕訳結果を記憶する仕訳結果データベースと、
   前記仕訳結果データベースに記憶された前記仕訳結果を前記教師データとした教師あり学習によって、前記学習器の内部パラメータを更新する更新処理部と
   をさらに有することを特徴とする請求項１から４のいずれかに記載された自動仕訳システム。
6. 前記仕訳処理部は、前記分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを前記仕訳結果に付した上で、前記仕訳結果データベースに記憶し、
   前記更新処理部は、前記仕訳結果データベースに記憶された前記仕訳結果のうち、前記確認フラグが付されていないものを前記教師データとして用いることを特徴とする請求項５に記載された自動仕訳システム。
7. 前記入力データは、仕訳を依頼したユーザの業種を含むことを特徴とする請求項１から６のいずれかに記載された自動仕訳システム。
8. 自動仕訳プログラムにおいて、
   ユーザより仕訳を依頼された取引に関する取引情報を含む入力データを学習器に入力し、前記学習器より出力された出力データに基づいて前記取引を仕訳する第１のステップと、
   前記出力データによって特定された勘定科目に関する分類適合率に応じて、ユーザに対する仕訳結果の提示形態を選択する第２のステップと
   を有する処理をコンピュータに実行させ、
   前記学習器は、少なくとも取引情報を含む入力データと、分類すべき勘定科目を示す出力データとが対応付けられた教師データを用いた教師あり学習によって、自己が有する関数の内部パラメータが調整されており、
   前記分類適合率は、前記教師データとして与えられた取引情報が前記学習器において正しい勘定科目に分類されている確率を示し、かつ、勘定科目に対応付けて設定されていることを特徴とする自動仕訳プログラム。
9. 前記第２のステップは、前記分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを前記仕訳結果に付するステップであることを特徴とする請求項８に記載された自動仕訳プログラム。
10. 前記第２のステップは、前記分類適合率が所定のしきい値よりも小さい場合、ユーザによって予め設定された通知先に対して、前記仕訳結果を通知するステップであることを特徴とする請求項８に記載された自動仕訳プログラム。
11. 前記所定のしきい値は、ユーザが任意に設定可能であることを特徴とする請求項９または１０に記載された自動仕訳プログラム。
12. ユーザより仕訳を依頼された取引に関して、前記入力データと、前記出力データとを対応付けた仕訳結果を記憶する仕訳結果データベースを有し、
    前記仕訳結果データベースに記憶された前記仕訳結果を前記教師データとした教師あり学習によって、前記学習器の内部パラメータを更新する第３のステップをさらに有することを特徴とする請求項８から１１のいずれかに記載された自動仕訳プログラム。
13. 前記第２のステップは、前記分類適合率が所定のしきい値よりも小さい場合、ユーザに内容の確認を促す確認フラグを前記仕訳結果に付した上で、前記仕訳結果データベースに記憶するステップであり、
    前記第３のステップにおいて、前記仕訳結果データベースに記憶された前記仕訳結果のうち、前記確認フラグが付されていないものが前記教師データとして用いられることを特徴とする請求項１２に記載された自動仕訳プログラム。
14. 前記入力データは、仕訳を依頼したユーザの業種を含むことを特徴とする請求項８から１３のいずれかに記載された自動仕訳プログラム。

Images