JP6511477B2 - 会計処理システム、会計処理方法及び会計処理プログラム - Google Patents
会計処理システム、会計処理方法及び会計処理プログラム Download PDFInfo
- Publication number
- JP6511477B2 JP6511477B2 JP2017007757A JP2017007757A JP6511477B2 JP 6511477 B2 JP6511477 B2 JP 6511477B2 JP 2017007757 A JP2017007757 A JP 2017007757A JP 2017007757 A JP2017007757 A JP 2017007757A JP 6511477 B2 JP6511477 B2 JP 6511477B2
- Authority
- JP
- Japan
- Prior art keywords
- transaction
- data
- accounting
- feature amount
- information indicating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 9
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Description
本発明は、会計処理システム、会計処理方法及び会計処理プログラムに関する。
銀行やクレジットカード会社等から提供される取引の明細データに基づいて、自動的に仕訳データを生成するシステムが知られている（例えば、特許文献１）。
特許文献１に開示されているシステムでは、各取引を、各取引内容の記載に基づいて、取引内容の記載に含まれうるキーワードと勘定科目との対応づけを保持する対応テーブルを参照して、特定の勘定科目に自動的に仕訳することが行われる。
このように、キーワードと勘定科目との対応づけを保持する対応テーブルを参照して取引の自動分類を行うためには、システム管理者等が、この対応テーブルを作成する必要がある。しかしながら、様々な種類の取引を高精度に自動分類することが可能な対応テーブルを作成することは容易ではない。
そこで、本発明は、様々な種類の取引を高精度に自動分類することが可能な会計処理システム、会計処理方法及び会計処理プログラムを提供することを目的とする。
本発明の一態様に係る会計処理システムは、取引の内容を示す文字列に含まれる単語と各単語の重みとを表す特徴量と、当該取引に対する既知の勘定科目とを表す学習データに基づく機械学習によって生成された、取引を特定の科目に分類するための分類器と、文字列を含む取引明細データを取得する取引明細取得部と、取引明細データにおける各取引の特徴量を生成する特徴量生成部と、特徴量を分類器に入力することによって、取引明細データにおける各取引を特定の科目に分類する分類部と、取引明細データにおける各取引について、特定の科目が設定された会計データを生成する会計データ生成部と、を備える。
また、本発明の一態様に係る会計処理方法は、会計処理システムが、取引の内容を示す文字列を含む取引明細データを取得し、取引明細データにおける各取引について、文字列に含まれる単語と各単語の重みとを表す特徴量を生成し、特徴量を、特徴量に基づいて取引を特定の科目に分類するための分類器に入力することによって、取引明細データにおける各取引を特定の科目に分類し、取引明細データにおける各取引について、特定の科目が設定された会計データを生成する。
また、本発明の一態様に係る会計処理プログラムは、会計処理システムに、取引の内容を示す文字列に含まれる単語と各単語の重みとを表す特徴量と、当該取引に対する既知の科目とを表す学習データに基づく機械学習によって生成された、取引を特定の科目に分類するための分類器と、文字列を含む取引明細データを取得する取引明細取得部と、取引明細データにおける各取引の特徴量を生成する特徴量生成部と、特徴量を分類器に入力することによって、取引明細データにおける各取引を特定の科目に分類する分類部と、取引明細データにおける各取引について、特定の科目が設定された会計データを生成する会計データ生成部と、を実現させる。
なお、本発明において、「部」とは、単に物理的手段を意味するものではなく、その「部」が有する機能をソフトウェアによって実現する場合も含む。また、１つの「部」や装置が有する機能が２つ以上の物理的手段や装置により実現されても、２つ以上の「部」や装置の機能が１つの物理的手段や装置により実現されてもよい。
本発明によれば、様々な種類の取引を高精度に自動分類することが可能な会計処理システム、会計処理方法及び会計処理プログラムを提供することが可能となる。
添付図面を参照して、本発明の好適な実施形態について説明する。図１は、本発明の一実施形態である会計処理システム１００を含む情報処理システムの構成を示す図である。情報処理システムは、会計処理システム１００、機関システム１１０及びユーザ端末１２０を含む。
会計処理システム１００は、ユーザに会計処理サービスを提供するものであり、１台又は複数台のコンピュータによって構成される。例えば、会計処理システム１００は、クラウドシステムによって実現されてもよい。会計処理システム１００は、インターネット等のネットワークを介して、機関システム１１０及びユーザ端末１２０と通信可能に接続される。会計処理システム１００は、取引を特定の勘定科目に分類するための分類器を機械学習によって生成し、当該分類器を用いることによって、新たに発生する取引を特定の勘定科目に分類し、仕訳データを自動生成することができる。詳細は後述する。なお、本実施形態では、取引を勘定科目（科目）に分類して仕訳データ（会計データ）を生成する例を示すが、本発明はこれに限られず、取引を科目に分類して会計データを生成する任意のシステムに適用することができる。例えば、取引を経費科目（科目）に分類して経費精算データ（会計データ）を生成するシステムに適用することも可能である。
機関システム１１０（１１０ａ，１１０ｂ，１１０ｃ，・・・）は、銀行やクレジットカード会社、証券会社等の金融機関のシステムである。機関システム１１０は、取引明細データを会計処理システム１００やユーザ端末１２０に提供することができる。
ユーザ端末１２０は、ユーザが利用するコンピュータであり、例えば、パーソナルコンピュータや携帯端末である。ユーザ端末１２０は、例えば、ウェブブラウザや専用のアプリケーションによって会計処理システム１００や機関システム１１０にアクセスすることができる。なお、図１にはユーザ端末１２０は１つしか示されていないが、実際には複数のユーザ端末１２０が存在する。
会計処理システム１００の詳細について説明する。会計処理システム１００は、参照データ記憶部１３０、特徴量生成部１３５、学習データ記憶部１４０、機械学習実行部１４５、分類器１５０、取引明細取得部１５５、取引明細記憶部１６０、分類部１６５、仕訳データ生成部１７０、仕訳データ記憶部１７５、及び仕訳データ編集部１８０を備える。これらの各部は、例えば、メモリ等の記憶領域を用いたり、記憶領域に格納されたプログラムをプロセッサが実行したりすることにより実現される。
参照データ記憶部１３０は、機械学習を行う際の学習データの元となるデータ（参照データ）を記憶する。図２は、参照データ記憶部１３０に記憶される参照データの一例を示す図である。参照データは、例えば、取引に関する情報及び当該取引に対応する勘定科目を示す情報を含む。図２に示す例では、参照データは、取引に関する情報として、日付、摘要、金額、サービス分類、及び業種を示す情報を含む。日付は、取引が実行された日付を示す。摘要は、当該取引の内容を示す文字列である。金額は、当該取引における入金額又は出金額である。サービス分類は、当該取引が実行されたサービスの分類（銀行、クレジットカード、証券等）を示すものである。業種は、ユーザの業種（製造、不動産、運輸等）を示す情報である。参照データは、例えば、過去に手動又は自動での仕訳によって生成された大量（例えば数十万件）の仕訳データに基づくものである。なお、図２に示すデータ構造は一例であり、参照データは任意の構造とすることができる。例えば、サービス分類や業種は、明細ごとに付与されていなくてもよい。
特徴量生成部１３５は、参照データや後述する取引明細データから、各取引の特徴量を生成する。特徴量生成部１３５は、分解部１９０及び重み算出部１９５を備える。特徴量は、少なくとも、取引の内容を示す文字列（摘要）に含まれる単語と各単語の重みとを表すものである。また、本実施形態においては、特徴量は、各取引における、金額、サービス分類、及び業種を示す情報を含む。
図３は、特徴量生成部１３５における特徴量の生成の流れを示す図である。図３に示す例では、取引の内容を示す文字列である摘要には、「東京都水道局」が設定されている。
まず、分解部１９０が、摘要を１つ以上の単語に分解する。単語への分解は、例えば、形態素解析によって行うことができる。図３に示す例では、「東京都水道局」は、「東京」、「都」及び「水道局」の３つの単語に分解されている。
次に、重み算出部１９５が、分解された各単語の重みを算出する。重み付けには任意の手法を採用することができるが、例えば、大量の参照データ全体における各単語の頻度や、摘要における各単語の頻度等に基づいて、各単語の重みを算出することができる。このような重みの算出には、例えば、ｔｆ−ｉｄｆ（term frequency inverse document frequency）を用いることができる。図３に示す例では、「東京」、「都」及び「水道局」の重みの算出結果は、それぞれ、「０．２」、「０．１」及び「０．５」となっている。
このように算出された各単語の重みが、摘要の特徴量となる。摘要の特徴量は、例えば、所定の単語群（ボキャブラリ）に対応する配列によって表すことができる。図３に示すように、「東京」、「都」及び「水道局」の重みを示す「０．２」、「０．１」及び「０．５」は、所定の単語群のうち各単語に対応する要素の値として配列に設定される。なお、分解された単語のうち、特定の品詞（例えば助詞等）の単語や、所定の単語群に含まれない単語の重みは、摘要の特徴量に含まれなくてもよい。
さらに、特徴量生成部１３５は、摘要の特徴量に、取引の金額や、サービス分類、業種等を示す情報を加えたものを、取引の特徴量とすることができる。特徴量生成部１３５は、例えば、取引の特徴量を１つの配列として表すことができる。なお、金額を示す情報は、取引における金額そのものを示す情報であってもよいし、金額の範囲を示す情報であってもよい。
また、特徴量生成部１３５は、さらに他の情報を取引の特徴量に加えてもよい。例えば、特徴量生成部１３５は、取引日の天気やイベントに関する情報を外部のサーバ等から取得し、取引の特徴量に加えてもよい。
学習データ記憶部１４０は、参照データに基づいて生成される学習データを記憶する。図４は、学習データ記憶部１４０に記憶される学習データの一例を示す図である。学習データは、例えば、取引の特徴量と当該取引に対応する勘定科目を示す情報とを含む。
機械学習実行部１４５は、学習データ記憶部１４０に記憶されている学習データに基づく機械学習を実行することにより、取引を特定の勘定科目に分類するための分類器１５０を生成する。参照データから学習データを生成する処理は、機械学習実行部１４５が機械学習を実行する前に行われる。機械学習実行部１４５による機械学習は、例えば、システム管理者の指示に応じて実行される。なお、システムメンテナンス時間等の所定のタイミングで自動的に機械学習が実行されてもよい。機械学習のアルゴリズムは特に限定されないが、例えば、ランダムフォレスト（Random Forest）やＳＶＭ（Support Vector Machine）を用いることができる。
取引明細取得部１５５は、取引の内容を示す文字列（摘要）を含む取引明細データを取得し、取引明細記憶部１６０に格納する。取引明細取得部１５５は、例えば、ユーザ端末１２０から事前に登録されたアカウント情報に基づいて、機関システム１１０から取引明細データを取得することができる。取引明細データの取得は、例えば、ウェブスクレイピングや機関システム１１０が提供するＡＰＩ（Application Program Interface）によって行われる。また、取引明細データの取得は、所定のタイミングで自動的に行われてもよいし、ユーザ端末１２０からの指示に応じて行われてもよい。また、取引明細取得部１５５は、ユーザ端末１２０からインポートされる所定の形式（例えばＣＳＶ形式等）の取引明細データを取得してもよい。
図５は、取引明細記憶部１６０に記憶される取引明細データの一例を示す図である。取引明細データは、例えば、日付、摘要、入金額、出金額及びサービス分類を示す情報を含む。なお、サービス分類は、明細ごとに付与されていなくてもよい。前述したように、取引明細記憶部１６０に記憶されている取引明細データから、各取引の特徴量が生成される。
分類部１６５は、取引明細データから生成された特徴量を分類器１５０に入力することによって、取引明細データにおける各取引を特定の勘定科目に分類する。
仕訳データ生成部１７０（会計データ生成部）は、取引明細データにおける各取引について、分類部１６５によって特定された勘定科目が設定された仕訳データを生成し、仕訳データ記憶部１７５（会計データ記憶部）に格納する。図６は、仕訳データ記憶部１７５に記憶される仕訳データの一例を示す図である。仕訳データは、例えば、日付、摘要、金額及び勘定科目を示す情報を含む。
仕訳データ編集部１８０（会計データ編集部）は、ユーザ端末１２０からの操作に応じて、仕訳データ記憶部１７５に記憶されている仕訳データを編集することができる。例えば、仕訳データ編集部１８０は、ユーザ端末１２０からの操作に応じて、自動仕訳により設定された勘定科目を確定したり、他の勘定科目に変更したりすることができる。なお、自動仕訳により設定された勘定科目が変更された場合、当該取引の摘要や金額、サービス分類、業種と変更された勘定科目との対応関係に基づいてユーザルールが作成されてもよい。そして、分類器１５０による自動仕訳より優先的に当該ユーザルールが適用されることとしてもよい。
図７は、会計処理システム１００における機械学習の処理の一例を示すフローチャートである。まず、特徴量生成部１３５が、参照データ記憶部１３０に記憶されている参照データから、学習データを生成し、学習データ記憶部１４０に格納する（Ｓ７０１）。そして、機械学習実行部１４５が、学習データ記憶部１４０に記憶されている学習データを用いて機械学習を実行し、分類器１５０を生成する（Ｓ７０２）。
図８は、会計処理システム１００における自動仕訳の処理の一例を示すフローチャートである。まず、取引明細取得部１５５は、機関システム１１０又はユーザ端末１２０から取引明細データを取得し、取引明細記憶部１６０に格納する（Ｓ８０１）。特徴量生成部１３５は、取引明細データにおける各取引の特徴量を生成する（Ｓ８０２）。分類部１６５は、各取引の特徴量を分類器１５０に入力し、各取引を特定の勘定科目に分類する（Ｓ８０３）。そして、仕訳データ生成部１７０は、特定された勘定科目が設定された仕訳データを生成し、仕訳データ記憶部１７５に格納する（Ｓ８０４）。
以上、本発明の一実施形態について説明した。本実施形態によれば、取引の内容を示す文字列（摘要）に含まれる単語と各単語の重みとを表す特徴量と、当該取引に対する既知の勘定科目とを表す学習データに基づく機械学習によって、取引を特定の勘定科目に分類するための分類器が生成される。そして、取引明細データにおける各取引の特徴量を分類器に入力することによって、各取引が特定の勘定科目に分類され、当該勘定科目が設定された仕訳データが生成される。これにより、様々な種類の取引を高精度に自動仕訳することが可能となる。
また、本実施形態によれば、取引の特徴量は、取引の金額を示す情報を含むことができる。これにより、取引の金額を考慮した高精度な自動仕訳が可能となる。
また、本実施形態によれば、取引の特徴量は、取引のサービス分類を示す情報を含むことができる。これにより、取引のサービス分類を考慮した高精度な自動仕訳が可能となる。
また、本実施形態によれば、取引の特徴量は、ユーザの業種を示す情報を含むことができる。これにより、ユーザの業種を考慮した高精度な自動仕訳が可能となる。
なお、本実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更／改良され得るととともに、本発明にはその等価物も含まれる。
１００ 会計処理システム
１１０ 機関システム
１２０ ユーザ端末
１３０ 参照データ記憶部
１３５ 特徴量生成部
１４０ 学習データ記憶部
１４５ 機械学習実行部
１５０ 分類器
１５５ 取引明細取得部
１６０ 取引明細記憶部
１６５ 分類部
１７０ 仕訳データ生成部
１７５ 仕訳データ記憶部
１８０ 仕訳データ編集部
１９０ 分解部
１９５ 算出部
１１０ 機関システム
１２０ ユーザ端末
１３０ 参照データ記憶部
１３５ 特徴量生成部
１４０ 学習データ記憶部
１４５ 機械学習実行部
１５０ 分類器
１５５ 取引明細取得部
１６０ 取引明細記憶部
１６５ 分類部
１７０ 仕訳データ生成部
１７５ 仕訳データ記憶部
１８０ 仕訳データ編集部
１９０ 分解部
１９５ 算出部
Claims (7)
- 取引の内容を示す文字列に含まれる単語と各単語の重みを示す情報と、ユーザの業種を示す情報とを含む特徴量と、当該取引に対する既知の勘定科目とを表す学習データに基づく機械学習によって生成された、取引を特定の科目に分類するための分類器と、
前記文字列を含む取引明細データを取得する取引明細取得部と、
前記取引明細データにおける各取引の前記特徴量を生成する特徴量生成部と、
前記特徴量を前記分類器に入力することによって、前記取引明細データにおける各取引を特定の科目に分類する分類部と、
前記取引明細データにおける各取引について、前記特定の科目が設定された会計データを生成する会計データ生成部と、
を備える会計処理システム。 - 前記特徴量は、前記取引における金額を示す情報をさらに含む、
請求項１に記載の会計処理システム。 - 前記特徴量は、前記取引のサービス分類を示す情報をさらに含む、
請求項２に記載の会計処理システム。 - 前記特徴量生成部は、
前記文字列を単語に分解する分解部と、
前記分解された各単語の重みを算出する重み算出部と、
を含む、請求項１乃至３のいずれか一項に記載の会計処理システム。 - 前記会計データに基づく前記学習データによって前記分類器を生成する機械学習実行部をさらに備える、
請求項１乃至４のいずれか一項に記載の会計処理システム。 - 取引の内容を示す文字列に含まれる単語と各単語の重みを示す情報と、ユーザの業種を示す情報とを含む特徴量と、当該取引に対する既知の勘定科目とを表す学習データに基づく機械学習によって生成された、取引を特定の科目に分類するための分類器を備える会計処理システムが、
取引の内容を示す文字列を含む取引明細データを取得し、
前記取引明細データにおける各取引について、文字列に含まれる単語と各単語の重みを示す情報と、ユーザの業種を示す情報とを含む特徴量を生成し、
前記特徴量を前記分類器に入力することによって、前記取引明細データにおける各取引を特定の科目に分類し、
前記取引明細データにおける各取引について、前記特定の科目が設定された会計データを生成する、
会計処理方法。 - 会計処理システムに、
取引の内容を示す文字列に含まれる単語と各単語の重みを示す情報と、ユーザの業種を示す情報とを含む特徴量と、当該取引に対する既知の勘定科目とを表す学習データに基づく機械学習によって生成された、取引を特定の科目に分類するための分類器と、
前記文字列を含む取引明細データを取得する取引明細取得部と、
前記取引明細データにおける各取引の前記特徴量を生成する特徴量生成部と、
前記特徴量を前記分類器に入力することによって、前記取引明細データにおける各取引を特定の科目に分類する分類部と、
前記取引明細データにおける各取引について、前記特定の科目が設定された会計データを生成する仕訳データ生成部と、
を実現させるための会計処理プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017007757A JP6511477B2 (ja) | 2017-01-19 | 2017-01-19 | 会計処理システム、会計処理方法及び会計処理プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017007757A JP6511477B2 (ja) | 2017-01-19 | 2017-01-19 | 会計処理システム、会計処理方法及び会計処理プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018116566A JP2018116566A (ja) | 2018-07-26 |
| JP6511477B2 true JP6511477B2 (ja) | 2019-05-15 |
Family
ID=62984265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017007757A Active JP6511477B2 (ja) | 2017-01-19 | 2017-01-19 | 会計処理システム、会計処理方法及び会計処理プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6511477B2 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7249762B2 (ja) * | 2018-11-27 | 2023-03-31 | 弥生株式会社 | 仕訳処理装置、警告処理装置及びプログラム |
| JP7364187B2 (ja) * | 2019-09-13 | 2023-10-18 | 仰星監査法人 | 会計監査支援装置、会計監査支援方法及び会計監査支援プログラム |
| JP6895632B1 (ja) * | 2020-04-07 | 2021-06-30 | 株式会社日本デジタル研究所 | 会計処理装置、会計処理システム、会計処理方法及びプログラム |
| KR102416998B1 (ko) * | 2021-01-14 | 2022-07-07 | 주식회사 파이브웍스 | 세무 문서 수집 및 분류 자동화 장치 및 방법 |
| JP7392190B1 (ja) | 2023-04-12 | 2023-12-05 | 弥生株式会社 | 会計データ変換装置、会計データ変換方法、学習装置、学習方法、及びプログラム |
| JP7392191B1 (ja) | 2023-04-12 | 2023-12-05 | 弥生株式会社 | 会計データ変換装置、会計データ変換方法、学習装置、学習方法、及びプログラム |
-
2017
- 2017-01-19 JP JP2017007757A patent/JP6511477B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018116566A (ja) | 2018-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6511477B2 (ja) | 会計処理システム、会計処理方法及び会計処理プログラム | |
| CN108874768B (zh) | 一种基于主题情感联合概率的电子商务虚假评论识别方法 | |
| Georgoula et al. | Using time-series and sentiment analysis to detect the determinants of bitcoin prices | |
| Linton et al. | Dynamic topic modelling for cryptocurrency community forums | |
| Mia et al. | Measuring financial and social outreach productivity of microfinance institutions in Bangladesh | |
| Almanidis | Accounting for heterogeneous technologies in the banking industry: a time-varying stochastic frontier model with threshold effects | |
| Lohokare et al. | Automated data collection for credit score calculation based on financial transactions and social media | |
| Sattarov et al. | Findiff: Diffusion models for financial tabular data generation | |
| Stein et al. | Applying QNLP to sentiment analysis in finance | |
| Kumar Tripathi et al. | Fake review detection in big data using parallel bbo | |
| Husejinovic et al. | Application of machine learning algorithms in credit card default payment prediction | |
| Basak et al. | British Stock Market, BREXIT and Media Sentiments-A Big Data Analysis | |
| Davidescu | What are the main determinants of the Romanian shadow economy? An empirical analysis based on structural equation models | |
| US20210133853A1 (en) | System and method for deep learning recommender | |
| Zhu et al. | A balanced transfer learning model for customer churn prediction | |
| Nikitin et al. | Evolutionary ensemble approach for behavioral credit scoring | |
| Kaplan et al. | Cryptocurrency Word-of-Mouth Analysis via Twitter | |
| Kayed et al. | Forensic accounting and big data a literature paper | |
| Szydło et al. | Characteristics of price related fluctuations in non-fungible token (NFT) market | |
| Berenguer et al. | Singular spectrum analysis for modelling the hard-to-model risk factors | |
| Alaminos et al. | Tourism Stock Prices, Systemic Risk and Tourism Growth: A Kalman Filter with Prior Update DSGE-VAR Model | |
| Kovvuri et al. | Credit risk valuation using an efficient machine learning algorithm | |
| Vollset et al. | Making use of external company data to improve the classification of bank transactions | |
| Gozgor et al. | Crude oil price shocks and macroeconomic performances in the ASEAN economies | |
| Ali et al. | Peer-to-peer Online Lending Sentiment Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180807 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180925 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20181019 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181105 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20190108 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190228 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190313 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190329 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190408 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6511477 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |