JP7392190B1 - Accounting data conversion device, accounting data conversion method, learning device, learning method, and program - Google Patents
Accounting data conversion device, accounting data conversion method, learning device, learning method, and program Download PDFInfo
- Publication number
- JP7392190B1 JP7392190B1 JP2023065035A JP2023065035A JP7392190B1 JP 7392190 B1 JP7392190 B1 JP 7392190B1 JP 2023065035 A JP2023065035 A JP 2023065035A JP 2023065035 A JP2023065035 A JP 2023065035A JP 7392190 B1 JP7392190 B1 JP 7392190B1
- Authority
- JP
- Japan
- Prior art keywords
- transaction
- data
- learning
- attribute
- learning model
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000013500 data storage Methods 0.000 claims description 44
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims 18
- 238000010586 diagram Methods 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 22
- 238000003058 natural language processing Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008676 import Effects 0.000 description 5
- 230000010365 information processing Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】会計データ変換装置を提供する取引データに対応する会計データを生成する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を提供する。【解決手段】会計管理システム10において、会計データ変換装置は、ユーザ82との取引の摘要を含む取引データを取得する取引データ取得部と、取引データに含まれる取引の摘要と、取引の主体属性及び取引属性の少なくともいずれかを含む属性データと、に基づいて、取引データに対応する勘定科目を選択する科目選択部と、科目選択部が選択した勘定科目を含む、取引データに対応する会計データを生成する会計データ生成部と、を備える。【選択図】図1The present invention provides an accounting data conversion device, an accounting data conversion method, a learning device, a learning method, and a program that generate accounting data corresponding to transaction data provided by the accounting data conversion device. In an accounting management system 10, an accounting data conversion device includes a transaction data acquisition unit that acquires transaction data including a summary of a transaction with a user 82, a transaction summary included in the transaction data, and a transaction entity attribute. and attribute data including at least one of the transaction attributes; an item selection unit that selects an account item corresponding to the transaction data based on; and accounting data corresponding to the transaction data, including the account item selected by the item selection unit. and an accounting data generation unit that generates. [Selection diagram] Figure 1
Description
本発明は、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、及びプログラムに関する。 The present invention relates to an accounting data conversion device, an accounting data conversion method, a learning device, a learning method, and a program.
特許文献1には、取引の内容を表す取引データと当該取引の内容を仕訳した勘定科目を含む過去の仕訳データとを用いて、取引の内容を所定の勘定科目へ仕訳するための対応関係を表す仕訳ルールの作成を支援する仕訳ルール作成支援装置について記載されている。
[先行技術文献]
[特許文献]
[特許文献1]特開2019-191749号公報
Patent Document 1 describes a method for creating a correspondence relationship for journalizing the contents of a transaction into a predetermined account using transaction data representing the contents of the transaction and past journal data including the account in which the contents of the transaction were journalized. This document describes a journal entry rule creation support device that supports the creation of journal entry rules.
[Prior art documents]
[Patent document]
[Patent Document 1] Japanese Patent Application Publication No. 2019-191749
本発明の第1の態様によれば、会計データ変換装置が提供される。前記会計データ変換装置は、取引の摘要を含む取引データを取得する取引データ取得部を備えてよい。前記会計データ変換装置は、前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかとに基づいて、前記取引データに対応する勘定科目を選択する科目選択部を備えてよい。前記会計データ変換装置は、前記科目選択部によって選択された前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成部を備えてよい。 According to a first aspect of the present invention, an accounting data conversion device is provided. The accounting data conversion device may include a transaction data acquisition unit that acquires transaction data including a transaction summary. The accounting data conversion device includes an item selection unit that selects an account item corresponding to the transaction data based on the summary included in the transaction data and at least one of a subject attribute and a transaction attribute of the transaction. good. The accounting data conversion device may include an accounting data generation unit that generates accounting data corresponding to the transaction data, including the account item selected by the item selection unit.
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。 Note that the above summary of the invention does not list all the necessary features of the invention. Furthermore, subcombinations of these features may also constitute inventions.
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。 Hereinafter, the present invention will be described through embodiments of the invention, but the following embodiments do not limit the invention according to the claims. Furthermore, not all combinations of features described in the embodiments are essential to the solution of the invention.
図1は、会計管理システム10の一例を概略的に示す。会計管理システム10は、学習装置100及び会計データ変換装置200を備える。学習装置100と会計データ変換装置200とは、異なる装置であってよい。学習装置100と会計データ変換装置200とは、一つの装置によって実現されてもよい。学習装置100は、複数の装置によって実現されてもよい。会計データ変換装置200は、複数の装置によって実現されてもよい。
FIG. 1 schematically shows an example of an
会計管理システム10は、業務サービス提供装置20を更に備えてもよい。業務サービス提供装置20は、学習装置100及び会計データ変換装置200とは異なる装置であってよい。業務サービス提供装置20と学習装置100とが、一つの装置によって実現されてもよい。業務サービス提供装置20と会計データ変換装置200とが、一つの装置によって実現されてもよい。業務サービス提供装置20、学習装置100、及び会計データ変換装置200が一つの装置によって実現されてもよい。
The
会計管理システム10は、会計サービス提供装置30を更に備えてもよい。会計サービス提供装置30は、学習装置100及び会計データ変換装置200とは異なる装置であってよい。会計サービス提供装置30と学習装置100とが、一つの装置によって実現されてもよい。会計サービス提供装置30と会計データ変換装置200とが、一つの装置によって実現されてもよい。会計サービス提供装置30、学習装置100、及び会計データ変換装置200が一つの装置によって実現されてもよい。
The
学習装置100、会計データ変換装置200、業務サービス提供装置20、及び会計サービス提供装置30が一つの装置によって実現されてもよい。ここでは、学習装置100、会計データ変換装置200、業務サービス提供装置20、及び会計サービス提供装置30が異なる装置である場合を主に例に挙げる。
The
学習装置100、会計データ変換装置200、業務サービス提供装置20、及び会計サービス提供装置30は、ネットワーク50を介して通信する。ネットワーク50は、クラウドネットワークを含んでよい。ネットワーク50は、インターネットを含んでよい。ネットワーク50は、移動体通信ネットワークを含んでもよい。ネットワーク50は、LAN(Local Area Network)等の専用網を含んでもよい。学習装置100と会計データ変換装置200とは、ネットワーク50を介さずに、直接通信してもよい。
The
業務サービス提供装置20は、取引の主体であるユーザ82の取引データを管理する。ユーザ82は、事業者である。ユーザ82は、個人事業主であっても、法人であってもよい。
The business
取引データは、取引日、取引先、税区分、金額、収入であるか支出であるかを示す収支識別データ、消費税額、及び摘要を含んでよい。ユーザ82が法人である場合、取引データは、法人におけるどの部門の取引であるかを示すデータを含んでもよい。
The transaction data may include transaction date, business partner, tax classification, amount, income and expenditure identification data indicating whether the transaction is income or expenditure, consumption tax amount, and summary. If the
業務サービス提供装置20は、ユーザ82の取引に関連する取引関連データを更に管理してよい。取引関連データは、例えば、取引の発生元を示す発生元データを含んでよい。取引の発生元の例として、POS(Point Of Sale)システム、金融機関(名前、種類)、クレジットカード、電子マネー、及び請求書や納品書等の証憑が挙げられる。取引関連データは、例えば、取引の取込元を示す取込元データを含んでよい。取引の取込元の例として、取込元サービス、CSV(Comma Separated Values)、及び画像等が挙げられる。取込元サービスの例として、請求書サービス、インターネットバンキング、及びPOS等が挙げられる。取引関連データは、例えば、取引先に関連する取引先関連データを含んでよい。取引先関連データは、取引先の名称、取引先の規模、及び取引先の業種等を含んでよい。
The business
業務サービス提供装置20は、ユーザ82に関連するユーザ関連データを更に管理してよい。ユーザ関連データは、ユーザ82自身のデータを含んでよい。ユーザ82自身のデータの例として、名前、業種、兼業情報(不動産業を兼業しているか等)、会社形態(株式会社、合同会社、等)、個人事業主か法人かを示す事業形態識別データ、法人の場合に法人の規模(資本金、従業員数、取引先数、売上等)、課税事業者か否か、課税事業者の場合に消費税課税方式は何か、小規模企業者の特例対象か否か、会計サービスを利用しているか、会計サービスを利用している場合に、利用しているサービスの種類、業種別テンプレートの利用状況、部門毎に会計データを管理する部門の機能を利用しているか、会計サービスの使い込み度合い(取引件数、利用期間、利用頻度等)が挙げられる。ユーザ関連データは、ユーザ82が属するグループのデータを含んでよい。ユーザ82が属するグループのデータの例として、親会社の名前、業種、及び規模、ユーザ82を担当する会計事務所の名前、及び規模等が挙げられる。
The business
業務サービス提供装置20は、ユーザ82の取引データに関連する取引データ関連データを更に管理してよい。取引データ関連データは、取引データの数を含んでよい。取引データ関連データは、取引データの偏りを示す偏りデータを含んでよい。
The business
業務サービス提供装置20は、例えば、ユーザ82の通信端末80から、ユーザ82の取引データを受信する。業務サービス提供装置20は、通信端末80から、取引関連データを受信してよい。業務サービス提供装置20は、通信端末80から、ユーザ関連データを受信してよい。業務サービス提供装置20は、ネットワーク50を介して通信端末80と通信してよい。通信端末80は、通信可能な端末であれば任意の端末であってよい。例えば、通信端末80は、スマートフォン等の携帯電話、タブレット端末、及びPC(Personal Computer)等である。業務サービス提供装置20は、ユーザ82の取引データ、取引関連データ、ユーザ関連データを、ユーザ82の会計情報を管理する会計事務所等から取得してもよい。
The business
業務サービス提供装置20は、各種データを学習装置100に提供してよい。学習装置100は、業務サービス提供装置20から、ユーザ82の取引データを受信してよい。学習装置100は、業務サービス提供装置20から、ユーザ82の取引関連データを受信してよい。学習装置100は、業務サービス提供装置20から、ユーザ82のユーザ関連データを受信してよい。学習装置100は、業務サービス提供装置20から、ユーザ82の取引データ関連データを受信してよい。ユーザ82の取引関連データ及びユーザ関連データについて、学習装置100は、業務サービス提供装置20以外から取得してもよい。
The business
学習装置100は、さらに、ユーザ82の取引データに対して実際に仕訳が行われて生成された、取引データに対応する会計データを取得する。当該会計データは、取引に対応する勘定科目を含む。
The
学習装置100は、取得したデータを用いた機械学習を実行することによって、仕訳を行う学習モデルを生成する。従来、取引の摘要と、取引に対応する勘定科目とを学習データとして、BERTのような自然言語処理モデルのパラメータを調整することによって、取引の摘要から取引に対応する勘定科目を推論する学習モデルが生成されていた。
The
本実施形態に係る学習装置100は、取引の摘要、及び取引に対応する勘定科目に加えて、属性データを更に含む学習データを用いた機械学習によって、取引の摘要と、属性データとを入力とし、取引に対応する勘定科目を出力とする学習モデルを生成する。
The
属性データは、取引の主体属性及び取引属性の少なくともいずれかを含む。すなわち、属性データは、主体属性を含んでよく、取引属性を含んでよく、主体属性及び取引属性の両方を含んでよい。主体属性は、取引の主体を示す属性であってよい。取引属性は、取引を示す属性であってよい。 The attribute data includes at least one of a transaction subject attribute and a transaction attribute. That is, the attribute data may include subject attributes, may include transaction attributes, and may include both subject attributes and transaction attributes. The subject attribute may be an attribute indicating the subject of the transaction. The transaction attribute may be an attribute indicating a transaction.
主体属性は、ユーザ関連データを含んでよい。主体属性は、複数種類のユーザ関連データの少なくともいずれかを含んでよい。 The subject attributes may include user-related data. The subject attribute may include at least one of multiple types of user-related data.
摘要の内容が同一であっても、ユーザ82によって、取引に対応する勘定科目は異なり得る。どのような勘定科目が適切かは、ユーザ82の主体属性に依存すると考えられ、例えば、ユーザ82が誰であるか、ユーザ82の業種、ユーザ82が兼業しているか、兼業している場合にユーザ82の兼業の種類、ユーザ82の会社形態、ユーザ82が個人事業主であるか法人であるか、法人である場合に法人の規模、ユーザ82が課税事業主であるか、消費税課税方式は何か、ユーザ82が法規模企業者の特例対象か否か、会計サービスを利用しているか、利用しているサービスの種類、会計サービスの利用状況、部門の機能を利用しているか、会計サービスの使い込み度合い、ユーザ82の親会社の名前、業種、及び規模、ユーザ82を担当する会計事務所の名前、及び規模等に依存すると考えられる。そのため、主体属性を追加して学習することによって、摘要のみを用いて学習する場合と比較して、勘定科目の正解率を向上させることができる。なお、勘定科目の正解とは、取引に対して適切な勘定科目であり、正解率とは、適切な勘定科目を選択する確率である。
Even if the contents of the summary are the same, the account items corresponding to the transactions may differ depending on the
取引属性は、取引データのうちの摘要以外のデータを含んでよい。取引属性は、取引日、取引先、税区分、金額、収入か支出か、及び消費税額の少なくともいずれかを含んでよい。取引属性は、取引関連データを含んでよい。取引属性は、複数種類の取引関連データの少なくともいずれかを含んでよい。取引属性は、取引データ関連データを含んでもよい。取引属性は、複数種類の取引データ関連データの少なくともいずれかを含んでよい。 The transaction attribute may include data other than the summary of the transaction data. The transaction attributes may include at least one of the transaction date, business partner, tax category, amount, income or expenditure, and consumption tax amount. Transaction attributes may include transaction-related data. The transaction attribute may include at least one of multiple types of transaction-related data. Transaction attributes may include transaction data related data. The transaction attribute may include at least one of multiple types of transaction data related data.
摘要の内容が同一であっても、取引によって、対応する勘定科目は異なり得る。どのような勘定科目が適切かは、取引属性に依存すると考えられ、例えば、取引日、取引先、税区分、金額、収入か支出か、消費税額、取引の発生元、取引の取引元、取引先の名称、規模、及び業種等に依存すると考えられる。そのため、取引属性を追加して学習することによって、摘要のみを用いて学習する場合と比較して、勘定科目の正解率を向上させることができる。 Even if the contents of the summary are the same, the corresponding account items may differ depending on the transaction. What kind of account is appropriate depends on transaction attributes, such as transaction date, business partner, tax classification, amount, income or expenditure, consumption tax amount, origin of transaction, source of transaction, transaction It is thought that it depends on the name, size, industry, etc. of the company. Therefore, by learning with additional transaction attributes, it is possible to improve the accuracy rate of account items compared to learning using only summaries.
会計データ変換装置200は、学習装置100によって生成された学習モデルを、学習装置100から受信して記憶する。会計データ変換装置200は、業務サービス提供装置20から、ユーザ82の取引データを受信する。会計データ変換装置200は、業務サービス提供装置20から、当該取引データに対応する属性データを受信してよい。例えば、会計データ変換装置200は、業務サービス提供装置20から、ユーザ82の取引関連データを受信する。例えば、会計データ変換装置200は、業務サービス提供装置20から、ユーザ82のユーザ関連データを受信する。例えば、会計データ変換装置200は、業務サービス提供装置20から、ユーザ82の取引データ関連データを受信する。会計データ変換装置200は、属性データを業務サービス提供装置20以外から取得してもよい。
Accounting
会計データ変換装置200は、学習装置100から受信して記憶している学習モデルを用いて、会計データ変換装置200から取得した取引データに対応する会計データを生成する。会計データ変換装置200は、取引データに含まれる摘要と、取引データに対応する属性データとを学習モデルに入力し、学習モデルから出力された勘定科目を選択し、選択した勘定科目を含む会計データを生成してよい。会計データ変換装置200は、生成した会計データを、会計サービス提供装置30に出力してよい。
The accounting
会計サービス提供装置30は、会計データ変換装置200から取得した会計データを管理する。会計データ変換装置200は、ユーザ82の会計データを用いて、ユーザ82に対して会計サービスを提供する。
The accounting
図2は、学習装置100の機能構成の一例を概略的に示す。学習装置100は、データ取得部102、学習データ記憶部104、学習モデル生成部106、及び学習モデル送信部108を備える。
FIG. 2 schematically shows an example of the functional configuration of the
データ取得部102は、各種データを取得する。データ取得部102は、ユーザ82の取引データを取得する。データ取得部102は、業務サービス提供装置20から取引データを取得してよい。
The
データ取得部102は、ユーザ82の取引関連データを取得する。データ取得部102は、業務サービス提供装置20から取引関連データを取得してよい。データ取得部102は、業務サービス提供装置20以外から取引関連データを取得してもよい。
The
データ取得部102は、ユーザ82のユーザ関連データを取得する。データ取得部102は、業務サービス提供装置20からユーザ関連データを取得してよい。データ取得部102は、業務サービス提供装置20以外からユーザ関連データを取得してもよい。
The
データ取得部102は、ユーザ82の取引データ関連データを取得する。データ取得部102は、業務サービス提供装置20から取引データ関連データを取得してよい。
The
データ取得部102は、ユーザ82の取引データに対して実際に仕訳が行われて生成された、取引に対応する勘定科目を含む、取引データに対応する会計データを取得する。データ取得部102は、業務サービス提供装置20から当該会計データを取得してよい。データ取得部102は、業務サービス提供装置20以外から当該会計データを取得してもよい。
The
データ取得部102は、取得したデータから生成した学習データを学習データ記憶部104に記憶させる。
The
学習データは、取引の摘要と、当該取引に対応する勘定科目とを含む。学習データは、属性データを更に含む。属性データは、取引の主体属性及び取引属性の少なくともいずれかを含む。 The learning data includes a summary of the transaction and an account item corresponding to the transaction. The learning data further includes attribute data. The attribute data includes at least one of a transaction subject attribute and a transaction attribute.
学習モデル生成部106は、学習データ記憶部104に記憶されている学習データを用いた機械学習によって、取引の摘要と、属性データとを入力とし、取引に対応する勘定科目を出力とする学習モデルを生成する。すなわち、学習モデル生成部106は、取引の摘要と、取引の主体属性及び取引属性の少なくともいずれかとを入力とし、取引に対応する勘定科目を出力とする学習モデルを生成する。
The learning
学習モデル生成部106は、取引の摘要と、当該摘要とは異なる重みを適用した属性データとを用いた機械学習を実行してもよい。摘要のような自然言語処理の対象の情報と、属性データのような自然言語処理の対象外の情報とは、次元数が大きく異なることになり得るが、属性データに、摘要とは異なる重みを適用することによって、これらのバランスをとることができる。
The learning
学習モデル生成部106は、属性データに重みを適用する場合に、主体属性に適用する重みと取引属性に適用する重みとを異ならせてもよい。これにより、例えば、主体属性と取引属性のうち、一方を他方と比較して重視した学習を実行することができる。
When applying weights to attribute data, the learning
学習モデル生成部106は、属性データに含まれる複数種類のデータのそれぞれに、異なる重みを適用してもよい。例えば、学習モデル生成部106は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、異なる重みを適用してよい。例えば、学習モデル生成部106は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、学習前の初期値に異なる係数を乗じる。例えば、学習モデル生成部106は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、重み行列に異なる係数を乗じる。例えば、学習モデル生成部106は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、学習率を変更する。例えば、学習モデル生成部106は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、One-hot表現に変更する場合において、One-hot表現にした際の値に異なる係数を乗じる。例えば、学習モデル生成部106は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、One-hot表現に変更する場合において、One-hot表現にした際の次元数を揃える処理を実行する。属性データのとり得る値のパターンは、例えば、個人事業主か法人化という2値のものもあれば、取引の取込元のように複数の値をとり得るものもあって、まちまちであり、学習のされやすさに差が生じる可能性がある。それに対して、このような調整を行うことによって、学習のされやすさに意図しない差が生じる可能性を低減することができる。
The learning
学習モデル生成部106は、学習データを用いて、予め記憶しておいた自然言語処理モデルのパラメータを更新することによって、取引の摘要と属性データとを入力とし、勘定科目を出力とする学習モデルを生成してもよい。すなわち、学習モデルは、学習データを用いてパラメータが更新された自然言語処理モデルであってよい。学習モデル生成部106は、例えば、fastTextのような自然言語処理モデルを用いてよい。学習モデル生成部106は、取引の摘要と、属性データとを自然言語処理モデルに入力させて、取引データに対応する勘定科目を選択し、学習データと選択結果とを比較して、自然言語処理モデルのパラメータを更新してよい。学習モデル生成部106は、選択結果が、学習データに含まれる勘定科目と一致するようになるように、自然言語処理モデルのパラメータを更新する。
The learning
学習モデル生成部106は、まず、取引の摘要を用いて自然言語処理モデルのパラメータを更新し、その後に、属性データを用いて自然言語処理モデルのパラメータを更新する、段階別学習を実行してもよい。具体例として、学習モデル生成部106は、自然言語処理モデルの入力の重み行列について、先に摘要に対応する部分を学習し、単語に対する重みを固定して、属性データに対応する部分を学習する。これにより、摘要に対する重み行列を優先して学習することができる。
The learning
学習モデル生成部106は、出力する勘定科目が、借方の勘定科目であるのか、貸方の勘定科目であるのかを示す貸借データを更に自然言語処理モデルに入力させてもよい。取引に対応する借方の勘定科目と貸方の勘定科目とは異なることになり、貸借データを自然言語処理モデルに入力することによって、この相違を反映した学習を実行することができ、勘定科目の正解率を向上させることができる。学習モデル生成部106が生成する学習モデルは、借方の勘定科目、及び貸方の勘定科目の両方を出力してもよい。この場合、学習モデル生成部106は、借方の勘定科目及び貸方の勘定科目の両方を示す貸借データを自然言語処理モデルに入力してもよいし、貸借データを自然言語処理モデルに入力しないようにしてもよい。
The learning
学習モデル生成部106は、複数種類の属性データを入力する場合において、複数種類の属性データ同士の相関関係を反映した学習を実行するようにしてもよい。例えば、学習モデル生成部106は、第1の属性データと、第2の属性データとを用いる場合に、第1の属性データと第2の属性データとの相関関係を示すデータをさらに用いて学習を実行する。具体例として、ONかOFFを表す属性データAと、ONかOFFを表す属性データBとについて、属性データAと、属性データBとのいずれかのみONのときにはCが正解とはならないが、両方ON又は両方OFFの場合はCが正解となるようなケースにおいて、学習モデル生成部106は、属性データAと属性データBとのXORを示すデータを入力する。これにより、このような相関関係を反映した学習モデルを生成することができる。
When inputting multiple types of attribute data, the learning
学習モデル生成部106は、取引データに対して、複数種類の学習モデルのそれぞれで勘定科目を推論して、複数の推論結果から、取引データに対応する勘定科目を選択すべく、複数種類の学習モデルを生成してもよい。例えば、学習モデル生成部106は、取引の摘要及び勘定科目を含む学習データを用いた機械学習によって、取引の摘要を入力とし、勘定科目を出力とする学習モデル(摘要学習モデルと記載する場合がある。)を生成し、属性データ及び勘定科目を含む学習データを用いた機械学習によって、属性データを入力とし、勘定科目を出力とする学習モデル(属性学習モデルと記載する場合がある。)を生成する。学習モデル生成部106は、主体属性及び勘定科目を含む学習データを用いた機械学習によって、主体属性を入力とし、勘定科目を出力とする学習モデル(主体属性学習モデルと記載する場合がある。)を生成し、取引属性及び勘定科目を含む学習データを用いた機械学習によって、取引属性を入力とし、勘定科目を出力とする学習モデル(取引属性学習モデルと記載する場合がある。)を生成してもよい。学習モデル生成部106は、属性データについて、さらに細かい単位で、複数種類の学習モデルを生成してもよい。
The learning
学習モデル送信部108は、学習モデル生成部106によって生成された学習モデルを会計データ変換装置200に送信する。学習モデル生成部106によって、摘要学習モデルと属性学習モデルが生成された場合、学習モデル送信部108は、摘要学習モデルと属性学習モデルとを合わせて会計データ変換装置200に送信する。学習モデル生成部106によって、摘要学習モデル、主体属性学習モデル、及び取引属性学習モデルが生成された場合、学習モデル送信部108は、摘要学習モデル、主体属性学習モデル、取引属性学習モデルを合わせて会計データ変換装置200に送信する。
The
図3は、学習モデル生成部106による処理の流れの一例を概略的に示す。
FIG. 3 schematically shows an example of the flow of processing by the learning
ステップ(ステップをSと省略して記載する場合がある。)102では、学習モデル生成部106が、学習データ記憶部104から学習データを取得する。学習モデル生成部106は、学習データ記憶部104に記憶されている多数の学習データのうち、学習に用いる学習データを取得する。
In step (step may be abbreviated as S) 102, the learning
S104では、学習モデル生成部106が、S102において取得した学習データを用いて、自然言語処理モデルのパラメータを更新する。学習モデル生成部106は、取引の摘要と、属性データとを自然言語処理モデルに入力させて、取引データに対応する勘定科目を選択し、学習データと選択結果とを比較して、自然言語処理モデルのパラメータを更新する。学習モデル生成部106は、選択結果が、学習データに含まれる勘定科目と一致するようになるように、自然言語処理モデルのパラメータを更新する。
In S104, the learning
図4は、学習モデル300について概念的に説明するための説明図である。本例においては、2つの属性データ(属性データA304、属性データB306)を図示しているが、属性データの数はこれに限られない。
FIG. 4 is an explanatory diagram for conceptually explaining the
本例において、まず、学習モデル生成部106は、摘要302と属性データA304及び属性データB306をOne-hotベクトルの入力層x310に変換する。学習モデル生成部106は、入力層x310に入力の重み行列Win312をかけて、中間層y320(単語の分散表現)を計算する。学習モデル生成部106は、中間層y320に出力の重み行列Wout322をかけて出力層z330(科目毎の確度)を計算する。
In this example, the learning
本例において、学習モデル生成部106は、属性データを入力層x310に追加しているが、これに限られない。学習モデル生成部106は、属性データを中間層y320に追加してもよい。学習モデル生成部106は、主体属性を入力層x310に追加し、取引属性を中間層y320に追加してもよい。学習モデル生成部106は、主体属性を中間層y320に追加し、取引属性を入力層x310に追加してもよい。学習モデル生成部106は、複数種類の属性データ毎に、入力層x310に追加するか、中間層y320に追加するかを選択してもよい。属性データの種類によって、入力層x310に追加した方が勘定科目の正解率が向上する場合と、中間層y320に追加した方が勘定科目の正解率が向上する場合とが異なる場合がある。複数種類の属性データのそれぞれについて、入力層x310に追加した場合の学習モデルと、中間層y320に追加した場合の学習モデルとを生成し、いずれの学習モデルの方が実際に勘定科目の正解率が高くなるかを検証することによって、複数の種類の属性データのそれぞれを、入力層x310に追加するか、中間層y320に追加するかが決定されてよい。学習モデル生成部106は、当該決定に従って、複数種類の属性データのそれぞれを入力層x310又は中間層y320に追加してよい。
In this example, the learning
図5は、学習モデル300について概念的に説明するための説明図である。図4と異なる点を主に説明する。本例において、学習モデル生成部106は、属性データに対して、摘要とは異なる重みを適用する。
FIG. 5 is an explanatory diagram for conceptually explaining the
図5に示す例においては、摘要の重みが1であるのに対して、属性データに対して重みαが適用される。αを1より小さくすることによって、摘要に比べて属性データの影響を小さくすることができ、αを1より大きくすることによって、摘要に比べて属性データの影響を大きくすることができる。 In the example shown in FIG. 5, the weight of the abstract is 1, while the weight α is applied to the attribute data. By setting α smaller than 1, the influence of attribute data can be made smaller than that of the abstract, and by setting α larger than 1, the influence of attribute data can be made larger than that of the summary.
学習モデル生成部106は、入力層x310と中間層y320の両方において、このような重みを適用してよい。学習モデル生成部106は、入力層x310と中間層y320とのうちの一方のみに、このような重みを適用してもよい。学習モデル生成部106は、属性データの種類毎に、異なる重みを用いてもよい。
The learning
図6は、段階別学習について概念的に説明するための説明図である。学習モデル生成部106は、1回目の学習では、摘要302のみを入力層x310に入力して、入力の重み行列Win314を学習する。学習モデル生成部106は、2回目の学習では、重み行列Win314を固定して、属性データに対応する重み行列Win316を学習する。このように、摘要302に対応する部分を先に学習することによって、摘要302の効果を優先させることができる。
FIG. 6 is an explanatory diagram for conceptually explaining stage-based learning. In the first learning, the learning
図7は、会計データ変換装置200の機能構成の一例を概略的に示す。会計データ変換装置200は、学習モデル取得部202、学習モデル記憶部204、取引データ取得部206、属性データ取得部208、科目選択部210、会計データ生成部212、及び会計データ出力部214を備える。
FIG. 7 schematically shows an example of the functional configuration of the accounting
学習モデル取得部202は、摘要及び属性データを入力とし、勘定科目を出力とする学習モデルを取得する。学習モデル取得部202は、学習装置100から学習モデルを取得してよい。学習モデル取得部202は、学習装置100以外から学習モデルを取得してもよい。学習モデル記憶部204は、学習モデル取得部202が取得した学習モデルを記憶する。
The learning
取引データ取得部206は、取引データを取得する。取引データ取得部206は、勘定科目を推論する対象となる取引データを取得してよい。取引データ取得部206は、例えば、業務サービス提供装置20から取引データを取得する。取引データ取得部206は、例えば、通信端末80から取引データを取得する。
Transaction
属性データ取得部208は、取引データ取得部206が取得した取引データに対応する属性データを取得する。属性データ取得部208は、複数種類の属性データを取得してよい。属性データ取得部208は、例えば、業務サービス提供装置20から属性データを取得する。属性データ取得部208は、例えば、通信端末80から属性データを取得する。属性データ取得部208は、例えば、取引データ取得部206が取得した取引データから、属性データを取得する。
The attribute
具体例として、属性データ取得部208は、取引データから、取引日、取引先、税区分、金額、収入か支出か、及び消費税額の少なくともいずれかを取得してよい。また、属性データ取得部208は、業務サービス提供装置20又は通信端末80から、取引関連データを取得してよい。また、属性データ取得部208は、業務サービス提供装置20又は通信端末80から、取込元データを取得する。また、属性データ取得部208は、業務サービス提供装置20又は通信端末80から、取引関連データを取得する。また、属性データ取得部208は、業務サービス提供装置20又は通信端末80から、ユーザ関連データを取得する。また、属性データ取得部208は、業務サービス提供装置20から、取引データ関連データを取得してよい。
As a specific example, the attribute
科目選択部210は、取引データ取得部206が取得した取引データが示す取引に対応する勘定科目を選択する。科目選択部210は、取引データ取得部206が取得した取引データに含まれる摘要と、属性データ取得部208が取得した属性データとに基づいて、取引データに対応する勘定科目を選択してよい。
The
科目選択部210は、学習モデル記憶部204に記憶されている学習モデルを用いて、勘定科目を選択してよい。科目選択部210は、取引データ取得部206が取得した取引データに含まれる摘要と、属性データ取得部208が取得した属性データとを、学習モデル記憶部204に記憶されている学習モデルに入力し、学習モデルから出力された勘定科目を選択してよい。科目選択部210は、摘要、属性データ、及び勘定科目を用いた機械学習によって生成された学習モデルに、取引データ取得部206が取得した取引データに含まれる摘要と、属性データ取得部208が取得した属性データとを入力して、学習モデルから出力された勘定科目を選択してよい。科目選択部210は、摘要と、主体属性及び取引属性とを学習モデルに入力してよい。科目選択部210は、摘要と、主体属性とを学習モデルに入力してもよい。科目選択部210は、摘要と、取引属性とを学習モデルに入力してもよい。
The
科目選択部210は、複数種類の属性データのうち、指定された属性データを学習モデルに入力してよい。科目選択部210は、複数種類の属性データから、学習モデルに入力する属性データを選択して、選択した属性データを学習モデルに入力してもよい。科目選択部210は、例えば、取引の主体の業種、事業形態識別データ、収支識別データ、取引の金額の桁数、取引の発生元、取引の税区分のうちの少なくともいずれかを選択する。これらのデータは、勘定科目の選択に与える影響が相対的に大きく、これらを用いるようにすることで、勘定科目の正解率を向上させることができる。
The
科目選択部210は、複数種類の属性データを用いる場合に、一部の属性データの優先度を、他の属性データの優先度よりも高くしてもよい。優先度を高くする属性データの例として、取引の主体の業種、事業形態識別データ、収支識別データ、取引の金額の桁数、取引の発生元、及び取引の税区分が挙げられる。これらのデータは、勘定科目の選択に与える影響が相対的に大きく、これらの優先度を高くすることによって、勘定科目の正解率を向上させることができる。
When using multiple types of attribute data, the
科目選択部210は、属性データに対して、摘要とは異なる重みを適用して学習モデルに入力してもよい。摘要のような自然言語処理の対象の情報と、属性データのような自然言語処理の対象外の情報とは、次元数が大きく異なることになり得るが、属性データに、摘要とは異なる重みを適用することによって、これらのバランスをとることができる。
The
科目選択部210は、属性データに重みを適用する場合に、主体属性に適用する重みと取引属性に適用する重みとを異ならせてもよい。これにより、例えば、主体属性と取引属性のうち、一方を他方と比較して重視した推論を実行することができる。
When applying weights to attribute data, the
科目選択部210は、属性データに含まれる複数種類のデータのそれぞれに、異なる重みを適用してもよい。例えば、科目選択部210は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、異なる重みを適用してよい。
The
科目選択部210は、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかにさらに基づいて、取引データに対応する勘定科目を選択してもよい。この場合、科目選択部210は、摘要及び属性データに加えて、貸借データを学習モデルに入力してよい。科目選択部210は、例えば、ユーザ82の指示に従って、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかを選択してよい。科目選択部210は、属性データ取得部208が取得した属性データに基づいて、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかを選択してもよい。例えば、科目選択部210は、取込元データによって、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかを選択する。具体例として、科目選択部210は、取込元データがインターネットバンキングを示す場合に、収入の取引の場合は貸方の勘定科目を選択することとし、支出の取引の場合は借方の勘定科目を選択することとする。主にPL(Profit and Loss statement)科目が推論対象となる。また、例えば、科目選択部210は、取引データがPOSを示す場合に、収入の取引の場合は借方の勘定科目を選択することとし、支出の取引の場合は貸方の勘定科目を選択することとする。主にBS(Balance Sheet)科目が推論対象となる。
The
科目選択部210は、複数種類の属性データを学習モデルに入力する場合において、複数種類の属性データ同士の相関関係を反映した入力を行うようにしてもよい。例えば、科目選択部210は、ONかOFFを表す属性データAと、ONかOFFを表す属性データBとについて、属性データAと属性データBとのXORを示すデータを学習モデルに入力する。
When inputting multiple types of attribute data to the learning model, the
学習モデル記憶部204が、摘要学習モデル及び属性学習モデルを記憶している場合、科目選択部210は、摘要学習モデル及び属性学習モデルを用いてもよい。例えば、科目選択部210は、取引データ取得部206が取得した取引データに含まれる摘要を適用学習モデルに入力し、摘要学習モデルから出力された勘定科目と、属性データ取得部208が取得した属性データを属性学習モデルに入力し、属性学習モデルから出力された勘定科目とに基づいて、取引データに対応する勘定科目を選択する。科目選択部210は、例えば、摘要学習モデルから出力された勘定科目と、属性学習モデルから出力された勘定科目のうち、確度がより高い勘定科目を選択する。科目選択部210は、例えば、摘要学習モデルから出力された勘定科目の確度と、属性学習モデルから出力された勘定科目の確度に、異なる重み付けをしたうえで、確度がより高い勘定科目を選択するようにしてもよい。これにより、摘要と属性データの一方を重視した推論を実行することができる。
If the learning
会計データ生成部212は、取引データ取得部206が取得した取引データに対応する会計データを生成する。会計データ生成部212は、科目選択部210によって選択された勘定科目を含む会計データを生成する。
The accounting
会計データ出力部214は、会計データ生成部212によって生成された会計データを出力する。会計データ出力部214は、会計サービス提供装置30に対して会計データを出力してよい。会計データ出力部214は、通信端末80に対して会計データを出力してもよい。
Accounting
図8は、会計データ変換装置200による処理の流れの一例を概略的に示す。ここでは、複数の取引データのそれぞれに対応する会計データを生成する場合の処理の流れについて説明する。
FIG. 8 schematically shows an example of the flow of processing by the accounting
S202では、取引データ取得部206が取引データを取得する。S204では、属性データ取得部208が、S202において取引データ取得部206が取得した取引データに対応する属性データを取得する。
In S202, the transaction
S206では、科目選択部210が、S202において取引データ取得部206が取得した取引データに含まれる摘要と、S204において属性データ取得部208が取得した属性データとを、学習モデルに入力し、学習モデルから出力された勘定科目を選択する。S208では、会計データ生成部212が、S202において取引データ取得部206が取得した取引データに対応する、S208において科目選択部210が選択した勘定科目を含む会計データを生成する。
In S206, the
対象となるすべての取引データについて会計データの生成が終了した場合(S210でYES)、S212に進み、終了していない場合(S210でNO)、S202に戻る。S212では、会計データ出力部214が、生成された会計データを会計サービス提供装置30に出力する。
If generation of accounting data has been completed for all target transaction data (YES in S210), the process proceeds to S212, and if it has not been completed (NO in S210), the process returns to S202. In S212, the accounting
図9は、学習装置100又は会計データ変換装置200として機能するコンピュータ1200のハードウェア構成の一例を概略的に示す。コンピュータ1200にインストールされたプログラムは、コンピュータ1200を、本実施形態に係る装置の1又は複数の「部」として機能させ、又はコンピュータ1200に、本実施形態に係る装置に関連付けられるオペレーション又は当該1又は複数の「部」を実行させることができ、及び/又はコンピュータ1200に、本実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ1200に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、CPU1212によって実行されてよい。
FIG. 9 schematically shows an example of the hardware configuration of a
本実施形態によるコンピュータ1200は、CPU1212、RAM1214、及びグラフィックコントローラ1216を含み、それらはホストコントローラ1210によって相互に接続されている。コンピュータ1200はまた、通信インタフェース1222、記憶装置1224、DVDドライブ1226、及びICカードドライブのような入出力ユニットを含み、それらは入出力コントローラ1220を介してホストコントローラ1210に接続されている。DVDドライブ1226は、DVD-ROMドライブ及びDVD-RAMドライブ等であってよい。記憶装置1224は、ハードディスクドライブ及びソリッドステートドライブ等であってよい。コンピュータ1200はまた、ROM1230及びキーボードのようなレガシの入出力ユニットを含み、それらは入出力チップ1240を介して入出力コントローラ1220に接続されている。
The
CPU1212は、ROM1230及びRAM1214内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ1216は、RAM1214内に提供されるフレームバッファ等又はそれ自体の中に、CPU1212によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス1218上に表示されるようにする。
The
通信インタフェース1222は、ネットワークを介して他の電子デバイスと通信する。記憶装置1224は、コンピュータ1200内のCPU1212によって使用されるプログラム及びデータを格納する。DVDドライブ1226は、プログラム又はデータをDVD-ROM1227等から読み取り、記憶装置1224に提供する。ICカードドライブは、プログラム及びデータをICカードから読み取り、及び/又はプログラム及びデータをICカードに書き込む。
ROM1230はその中に、アクティブ化時にコンピュータ1200によって実行されるブートプログラム等、及び/又はコンピュータ1200のハードウェアに依存するプログラムを格納する。入出力チップ1240はまた、様々な入出力ユニットをUSBポート、パラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ1220に接続してよい。
プログラムは、DVD-ROM1227又はICカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもある記憶装置1224、RAM1214、又はROM1230にインストールされ、CPU1212によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ1200に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ1200の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。
The program is provided by a computer readable storage medium such as a DVD-
例えば、通信がコンピュータ1200及び外部デバイス間で実行される場合、CPU1212は、RAM1214にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース1222に対し、通信処理を命令してよい。通信インタフェース1222は、CPU1212の制御の下、RAM1214、記憶装置1224、DVD-ROM1227、又はICカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。
For example, when communication is performed between the
また、CPU1212は、記憶装置1224、DVDドライブ1226(DVD-ROM1227)、ICカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がRAM1214に読み取られるようにし、RAM1214上のデータに対し様々なタイプの処理を実行してよい。CPU1212は次に、処理されたデータを外部記録媒体にライトバックしてよい。
Further, the
様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。CPU1212は、RAM1214から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索/置換等を含む、様々なタイプの処理を実行してよく、結果をRAM1214に対しライトバックする。また、CPU1212は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第2の属性の属性値に関連付けられた第1の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、CPU1212は、当該複数のエントリの中から、第1の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第2の属性の属性値を読み取り、それにより予め定められた条件を満たす第1の属性に関連付けられた第2の属性の属性値を取得してよい。
Various types of information, such as various types of programs, data, tables, and databases, may be stored on a recording medium and subjected to information processing.
上で説明したプログラム又はソフトウエアモジュールは、コンピュータ1200上又はコンピュータ1200近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はRAMのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ1200に提供する。
The programs or software modules described above may be stored in a computer-readable storage medium on or near
本実施形態におけるフローチャート及びブロック図におけるブロックは、オペレーションが実行されるプロセスの段階又はオペレーションを実行する役割を持つ装置の「部」を表わしてよい。特定の段階及び「部」が、専用回路、コンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び/又はコンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び/又はアナログハードウェア回路を含んでよく、集積回路(IC)及び/又はディスクリート回路を含んでよい。プログラマブル回路は、例えば、フィールドプログラマブルゲートアレイ(FPGA)、及びプログラマブルロジックアレイ(PLA)等のような、論理積、論理和、排他的論理和、否定論理積、否定論理和、及び他の論理演算、フリップフロップ、レジスタ、並びにメモリエレメントを含む、再構成可能なハードウェア回路を含んでよい。 Blocks in the flowcharts and block diagrams of the present embodiments may represent stages in a process in which an operation is performed or a "part" of a device responsible for performing the operation. Certain steps and units may be provided with dedicated circuitry, programmable circuitry provided with computer readable instructions stored on a computer readable storage medium, and/or provided with computer readable instructions stored on a computer readable storage medium. May be implemented by a processor. Dedicated circuitry may include digital and/or analog hardware circuits, and may include integrated circuits (ICs) and/or discrete circuits. Programmable circuits can perform AND, OR, EXCLUSIVE OR, NAND, NOR, and other logical operations, such as field programmable gate arrays (FPGAs), programmable logic arrays (PLAs), etc. , flip-flops, registers, and memory elements.
コンピュータ可読記憶媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読記憶媒体は、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読記憶媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読記憶媒体のより具体的な例としては、フロッピー(登録商標)ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ(RAM)、リードオンリメモリ(ROM)、消去可能プログラマブルリードオンリメモリ(EPROM又はフラッシュメモリ)、電気的消去可能プログラマブルリードオンリメモリ(EEPROM)、静的ランダムアクセスメモリ(SRAM)、コンパクトディスクリードオンリメモリ(CD-ROM)、デジタル多用途ディスク(DVD)、ブルーレイ(登録商標)ディスク、メモリスティック、集積回路カード等が含まれてよい。 A computer-readable storage medium may include any tangible device capable of storing instructions for execution by a suitable device such that a computer-readable storage medium with instructions stored therein may be illustrated in a flowchart or block diagram. A product will be provided that includes instructions that can be executed to create a means for performing specified operations. Examples of computer-readable storage media may include electronic storage media, magnetic storage media, optical storage media, electromagnetic storage media, semiconductor storage media, and the like. More specific examples of computer readable storage media include floppy disks, diskettes, hard disks, random access memory (RAM), read only memory (ROM), erasable programmable read only memory (EPROM or flash memory). , Electrically Erasable Programmable Read Only Memory (EEPROM), Static Random Access Memory (SRAM), Compact Disc Read Only Memory (CD-ROM), Digital Versatile Disc (DVD), Blu-ray Disc, Memory Stick , integrated circuit cards, and the like.
コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ(ISA)命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はSmalltalk(登録商標)、JAVA(登録商標)、C++等のようなオブジェクト指向プログラミング言語、及び「C」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、1又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。 Computer-readable instructions may include assembler instructions, instruction set architecture (ISA) instructions, machine instructions, machine-dependent instructions, microcode, firmware instructions, state configuration data, or instructions such as Smalltalk®, JAVA®, C++, etc. any source code or object code written in any combination of one or more programming languages, including object-oriented programming languages such as may include.
コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路が、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を生成するために当該コンピュータ可読命令を実行すべく、ローカルに又はローカルエリアネットワーク(LAN)、インターネット等のようなワイドエリアネットワーク(WAN)を介して、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路に提供されてよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。 The computer-readable instructions are for producing means for a processor of a general purpose computer, special purpose computer, or other programmable data processing device, or programmable circuit to perform the operations specified in the flowchart or block diagrams. A general purpose computer, special purpose computer, or other programmable data processor, locally or over a local area network (LAN), wide area network (WAN), such as the Internet, to execute the computer readable instructions. It may be provided in a processor or programmable circuit of the device. Examples of processors include computer processors, processing units, microprocessors, digital signal processors, controllers, microcontrollers, and the like.
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the range described in the above embodiments. It will be apparent to those skilled in the art that various changes or improvements can be made to the embodiments described above. It is clear from the claims that such modifications or improvements may be included within the technical scope of the present invention.
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階などの各処理の実行順序は、特段「より前に」、「先立って」などと明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」などを用いて説明したとしても、この順で実施することが必須であることを意味するものではない。 The order of execution of each operation, procedure, step, stage, etc. in the apparatus, system, program, and method shown in the claims, specification, and drawings is specifically defined as "before" or "before". It should be noted that they can be implemented in any order unless the output of the previous process is used in the subsequent process. Even if the claims, specifications, and operational flows in the drawings are explained using ``first'', ``next'', etc. for convenience, this does not mean that it is essential to carry out the operations in this order. It's not a thing.
10 会計管理システム、20 業務サービス提供装置、30 会計サービス提供装置、50 ネットワーク、80 通信端末、82 ユーザ、100 学習装置、102 データ取得部、104 学習データ記憶部、106 学習モデル生成部、108 学習モデル送信部、200 会計データ変換装置、202 学習モデル取得部、204 学習モデル記憶部、206 取引データ取得部、208 属性データ取得部、210 科目選択部、212 会計データ生成部、214 会計データ出力部、300 学習モデル、310 入力層、320 中間層、330 出力層、1200 コンピュータ、1210 ホストコントローラ、1212 CPU、1214 RAM、1216 グラフィックコントローラ、1218 ディスプレイデバイス、1220 入出力コントローラ、1222 通信インタフェース、1224 記憶装置、1226 DVDドライブ、1227 DVD-ROM、1230 ROM、1240 入出力チップ 10 accounting management system, 20 business service providing device, 30 accounting service providing device, 50 network, 80 communication terminal, 82 user, 100 learning device, 102 data acquisition section, 104 learning data storage section, 106 learning model generation section, 108 learning Model transmission unit, 200 Accounting data conversion device, 202 Learning model acquisition unit, 204 Learning model storage unit, 206 Transaction data acquisition unit, 208 Attribute data acquisition unit, 210 Subject selection unit, 212 Accounting data generation unit, 214 Accounting data output unit , 300 learning model, 310 input layer, 320 intermediate layer, 330 output layer, 1200 computer, 1210 host controller, 1212 CPU, 1214 RAM, 1216 graphic controller, 1218 display device, 1220 input/output controller, 1222 communication interface, 1224 storage device , 1226 DVD drive, 1227 DVD-ROM, 1230 ROM, 1240 input/output chip
Claims (20)
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。 a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute of the transaction and a transaction attribute;
By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation unit that generates a learning model that outputs account items;
a learning model storage unit that stores the learning model generated by the learning model generation unit;
a transaction data acquisition unit that acquires transaction data including a summary of the transaction;
The summary included in the transaction data acquired by the transaction data acquisition unit and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection unit that selects an item as an account item corresponding to the transaction data;
an accounting data generation unit that generates accounting data including information included in the transaction data and the account item selected by the item selection unit ;
The learning model generation unit includes the learning model that is included in the learning data in the input layer of the learning model, which is a neural network constituted by an input layer, an intermediate layer, and an output layer that indicates accuracy for each account item. After inputting only the summary of the transaction and learning the weight matrix to be applied to the input layer and the weight matrix to be applied to the intermediate layer, input the summary and the attribute data to the input layer, and then input the summary and the attribute data to the input layer. An accounting data conversion device that fixes the weight matrix to be applied and learns a weight matrix to be applied to the attribute data and a weight matrix to be applied to the intermediate layer .
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをOne-hot表現として入力し、前記摘要の重みを1とし、前記属性データの重みを1より小さい又は1より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。 a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute of the transaction and a transaction attribute;
By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation unit that generates a learning model that outputs account items;
a learning model storage unit that stores the learning model generated by the learning model generation unit;
a transaction data acquisition unit that acquires transaction data including a summary of the transaction;
The summary included in the transaction data acquired by the transaction data acquisition unit and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection unit that selects an item as an account item corresponding to the transaction data;
an accounting data generation unit that generates accounting data including information included in the transaction data and the account item selected by the item selection unit;
Equipped with
The learning model generation unit inputs a summary of the transaction included in the learning data into the input layer of the learning model, which is a neural network composed of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. and the attribute data are input as a one-hot expression, the weight of the summary is set to 1, the weight of the attribute data is set to a value smaller than 1 or larger than 1, and a weight matrix to be applied to the input layer and a weight matrix to be applied to the middle layer. An accounting data conversion device that learns the weight matrix to be applied .
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ONかOFFを表す第1の属性データと、ONかOFFを表す第2の属性データと、前記第1の属性データと前記第2の属性データとのXORを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。 a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute of the transaction and a transaction attribute;
By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation unit that generates a learning model that outputs account items;
a learning model storage unit that stores the learning model generated by the learning model generation unit;
a transaction data acquisition unit that acquires transaction data including a summary of the transaction;
The summary included in the transaction data acquired by the transaction data acquisition unit and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection unit that selects an item as an account item corresponding to the transaction data;
an accounting data generation unit that generates accounting data including information included in the transaction data and the account item selected by the item selection unit;
Equipped with
The learning model generation unit inputs a summary of the transaction included in the learning data into the input layer of the learning model, which is a neural network composed of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. , first attribute data indicating ON or OFF, second attribute data indicating ON or OFF, and correlation data indicating XOR of the first attribute data and the second attribute data are input. and learning a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer .
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、および
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部
を備え、
前記学習モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置
として機能させるためのプログラム。 computer,
a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute of the transaction and a transaction attribute;
By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation unit that generates a learning model that outputs account items;
a learning model storage unit that stores the learning model generated by the learning model generation unit;
a transaction data acquisition unit that acquires transaction data including a summary of the transaction;
The summary included in the transaction data acquired by the transaction data acquisition unit and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection unit that selects an item as an account item corresponding to the transaction data;
an accounting data generation unit that generates accounting data including information included in the transaction data and the account item selected by the item selection unit;
Equipped with
The learning model generation unit includes the learning model that is included in the learning data in the input layer of the learning model, which is a neural network constituted by an input layer, an intermediate layer, and an output layer that indicates accuracy for each account item. After inputting only the summary of the transaction and learning the weight matrix to be applied to the input layer and the weight matrix to be applied to the intermediate layer, input the summary and the attribute data to the input layer, and then input the summary and the attribute data to the input layer. An accounting data conversion device that fixes the weight matrix to be multiplied and learns the weight matrix to be multiplied by the attribute data and the weight matrix to be multiplied by the intermediate layer.
A program to function as
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute of the transaction and a transaction attribute;
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation unit that generates a learning model that outputs account items;
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、a learning model storage unit that stores the learning model generated by the learning model generation unit;
取引の摘要を含む取引データを取得する取引データ取得部、a transaction data acquisition unit that acquires transaction data including a summary of the transaction;
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、およびThe summary included in the transaction data acquired by the transaction data acquisition unit and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection unit that selects an item as an account item corresponding to the transaction data;
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部an accounting data generation unit that generates accounting data including information included in the transaction data and the account item selected by the item selection unit;
を備え、Equipped with
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをOne-hot表現として入力し、前記摘要の重みを1とし、前記属性データの重みを1より小さい又は1より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置The learning model generation unit inputs a summary of the transaction included in the learning data into the input layer of the learning model, which is a neural network composed of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. and the attribute data are input as a one-hot expression, the weight of the summary is set to 1, the weight of the attribute data is set to a value smaller than 1 or larger than 1, and a weight matrix to be applied to the input layer and a weight matrix to be applied to the middle layer. Accounting data conversion device that learns the weight matrix to be multiplied by
として機能させるためのプログラム。A program to function as
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute of the transaction and a transaction attribute;
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation unit that generates a learning model that outputs account items;
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、a learning model storage unit that stores the learning model generated by the learning model generation unit;
取引の摘要を含む取引データを取得する取引データ取得部、a transaction data acquisition unit that acquires transaction data including a summary of the transaction;
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、およびThe summary included in the transaction data acquired by the transaction data acquisition unit and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection unit that selects an item as an account item corresponding to the transaction data;
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部an accounting data generation unit that generates accounting data including information included in the transaction data and the account item selected by the item selection unit;
を備え、Equipped with
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ONかOFFを表す第1の属性データと、ONかOFFを表す第2の属性データと、前記第1の属性データと前記第2の属性データとのXORを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置The learning model generation unit inputs a summary of the transaction included in the learning data into the input layer of the learning model, which is a neural network composed of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. , first attribute data indicating ON or OFF, second attribute data indicating ON or OFF, and correlation data indicating XOR of the first attribute data and the second attribute data are input. and learns a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer.
として機能させるためのプログラム。A program to function as
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階と
を備え、
前記学習モデル生成段階は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。 A computer-implemented accounting data conversion method, comprising:
a learning data storage step of storing learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction in a learning data storage unit;
By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation stage that generates a learning model that outputs account items;
a learning model storage step of storing the learning model generated in the learning model generation step in a learning model storage unit;
a transaction data acquisition stage of acquiring transaction data including a description of the transaction;
The summary included in the transaction data acquired in the transaction data acquisition step and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection step of selecting an item as an account item corresponding to the transaction data;
an accounting data generation step of generating accounting data including information included in the transaction data and the account item selected in the item selection step;
In the learning model generation step, the input layer of the learning model, which is a neural network constituted by an input layer, an intermediate layer, and an output layer indicating accuracy for each account item, includes the information contained in the learning data. After inputting only the summary of the transaction and learning the weight matrix to be applied to the input layer and the weight matrix to be applied to the intermediate layer, input the summary and the attribute data to the input layer, and then input the summary and the attribute data to the input layer. An accounting data conversion method , wherein the weighting matrix to be applied is fixed and the weighting matrix to be applied to the attribute data and the weighting matrix to be applied to the intermediate layer are learned .
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、a learning data storage step of storing learning data having a summary of the transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction in a learning data storage unit;
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation stage that generates a learning model that outputs account items;
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、a learning model storage step of storing the learning model generated in the learning model generation step in a learning model storage unit;
取引の摘要を含む取引データを取得する取引データ取得段階と、a transaction data acquisition stage of acquiring transaction data including a description of the transaction;
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、The summary included in the transaction data acquired in the transaction data acquisition step and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection step of selecting an item as an account item corresponding to the transaction data;
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階とan accounting data generation step of generating accounting data including information included in the transaction data and the account item selected in the item selection step;
を備え、Equipped with
前記学習モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをOne-hot表現として入力し、前記摘要の重みを1とし、前記属性データの重みを1より小さい又は1より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。The learning model generation step includes adding a summary of the transaction included in the learning data to the input layer of the learning model, which is a neural network composed of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. and the attribute data are input as a one-hot expression, the weight of the summary is set to 1, the weight of the attribute data is set to a value smaller than 1 or larger than 1, and a weight matrix to be applied to the input layer and a weight matrix to be applied to the middle layer. An accounting data conversion method that learns the weight matrix to be applied.
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、a learning data storage step of storing learning data having a summary of the transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction in a learning data storage unit;
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、By machine learning using the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and the transaction corresponding to the transaction is performed. a learning model generation stage that generates a learning model that outputs account items;
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、a learning model storage step of storing the learning model generated in the learning model generation step in a learning model storage unit;
取引の摘要を含む取引データを取得する取引データ取得段階と、a transaction data acquisition stage of acquiring transaction data including a description of the transaction;
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、The summary included in the transaction data acquired in the transaction data acquisition step and the attribute data of the transaction are input into the learning model stored in the learning model storage unit, and the account output from the learning model is calculated. an item selection step of selecting an item as an account item corresponding to the transaction data;
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階とan accounting data generation step of generating accounting data including information included in the transaction data and the account item selected in the item selection step;
を備え、Equipped with
前記学習モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ONかOFFを表す第1の属性データと、ONかOFFを表す第2の属性データと、前記第1の属性データと前記第2の属性データとのXORを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。The learning model generation step includes adding a summary of the transaction included in the learning data to the input layer of the learning model, which is a neural network composed of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. , first attribute data indicating ON or OFF, second attribute data indicating ON or OFF, and correlation data indicating XOR of the first attribute data and the second attribute data are input. and learning a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer.
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備え、
前記モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。 a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute of the transaction and a transaction attribute;
Based on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. and a model generation unit that generates a learning model to be output ,
The model generation unit is configured to generate the transactions included in the learning data in the input layer of the learning model, which is a neural network constituted by an input layer, an intermediate layer, and an output layer that indicates accuracy for each account item. After inputting only the abstract and learning a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer, input the abstract and the attribute data to the input layer and apply the weight to the abstract. A learning device that fixes the weight matrix and learns a weight matrix applied to the attribute data and a weight matrix applied to the intermediate layer .
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部とBased on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. a model generation unit that generates a learning model to output;
を備え、Equipped with
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをOne-hot表現として入力し、前記摘要の重みを1とし、前記属性データの重みを1より小さい又は1より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。The model generation unit inputs a summary of the transaction included in the learning data and the input layer of the learning model, which is a neural network configured of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. The attribute data is input as a one-hot expression, the weight of the summary is set to 1, the weight of the attribute data is set to a value smaller than 1 or larger than 1, and the weight matrix applied to the input layer and the weight matrix applied to the intermediate layer are input. A learning device that learns weight matrices.
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部とBased on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. a model generation unit that generates a learning model to output;
を備え、Equipped with
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ONかOFFを表す第1の属性データと、ONかOFFを表す第2の属性データと、前記第1の属性データと前記第2の属性データとのXORを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。The model generation unit includes a summary of the transaction included in the learning data and a summary of the transaction included in the learning data in the input layer of the learning model, which is a neural network composed of an input layer, a middle layer, and an output layer indicating accuracy for each account item. , input first attribute data indicating ON or OFF, second attribute data indicating ON or OFF, and correlation data indicating XOR of the first attribute data and the second attribute data. , a learning device that learns a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer.
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
を備え、
前記モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置
として機能させるためのプログラム。 computer,
a learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction; Based on the stored learning data, a learning model is generated that takes as input a transaction summary and attribute data including at least one of a subject attribute and a transaction attribute of the transaction and outputs an account item corresponding to the transaction. model generator
Equipped with
The model generation unit is configured to generate the transactions included in the learning data in the input layer of the learning model, which is a neural network constituted by an input layer, an intermediate layer, and an output layer that indicates accuracy for each account item. After inputting only the abstract and learning a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer, input the abstract and the attribute data to the input layer and apply the weight to the abstract. A learning device that fixes the weight matrix and learns a weight matrix to be applied to the attribute data and a weight matrix to be applied to the intermediate layer.
A program to function as
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及びa learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction;
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部Based on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. Model generation unit that generates the learning model to be output
を備え、Equipped with
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをOne-hot表現として入力し、前記摘要の重みを1とし、前記属性データの重みを1より小さい又は1より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置The model generation unit inputs a summary of the transaction included in the learning data and the input layer of the learning model, which is a neural network configured of an input layer, an intermediate layer, and an output layer indicating accuracy for each account item. The attribute data is input as a one-hot expression, the weight of the summary is set to 1, the weight of the attribute data is set to a value smaller than 1 or larger than 1, and the weight matrix applied to the input layer and the weight matrix applied to the intermediate layer are input. A learning device that learns weight matrices
として機能させるためのプログラム。A program to function as
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及びa learning data storage unit that stores learning data having a summary of a transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction;
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部Based on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. Model generation unit that generates the learning model to be output
を備え、Equipped with
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ONかOFFを表す第1の属性データと、ONかOFFを表す第2の属性データと、前記第1の属性データと前記第2の属性データとのXORを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置The model generation unit includes a summary of the transaction included in the learning data and a summary of the transaction included in the learning data in the input layer of the learning model, which is a neural network composed of an input layer, a middle layer, and an output layer indicating accuracy for each account item. , input first attribute data indicating ON or OFF, second attribute data indicating ON or OFF, and correlation data indicating XOR of the first attribute data and the second attribute data. , a learning device that learns a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer.
として機能させるためのプログラム。A program to function as
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備え、
前記モデル生成段階は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。 A learning method performed by a computer, the method comprising:
a storing step of storing learning data including a summary of the transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction in a learning data storage unit;
Based on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. a model generation stage for generating a learning model to be output ;
In the model generation stage, the transaction included in the learning data is added to the input layer of the learning model, which is a neural network composed of an input layer, an intermediate layer, and an output layer that indicates accuracy for each account item. After inputting only the abstract and learning a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer, input the abstract and the attribute data to the input layer and apply the weight to the abstract. A learning method that fixes the weight matrix and learns a weight matrix to be applied to the attribute data and a weight matrix to be applied to the intermediate layer .
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、a storing step of storing learning data including a summary of the transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction in a learning data storage unit;
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階とBased on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. a model generation stage that generates a learning model to be output;
を備え、Equipped with
前記モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをOne-hot表現として入力し、前記摘要の重みを1とし、前記属性データの重みを1より小さい又は1より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。In the model generation stage, the input layer of the learning model, which is a neural network composed of an input layer, a middle layer, and an output layer indicating accuracy for each account item, is provided with a summary of the transaction included in the learning data and The attribute data is input as a one-hot expression, the weight of the summary is set to 1, the weight of the attribute data is set to a value smaller than 1 or larger than 1, and the weight matrix applied to the input layer and the weight matrix applied to the intermediate layer are input. A learning method for learning weight matrices.
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、a storing step of storing learning data including a summary of the transaction, an account item corresponding to the transaction, and attribute data including at least one of a subject attribute and a transaction attribute of the transaction in a learning data storage unit;
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階とBased on the learning data stored in the learning data storage unit, a summary of the transaction and attribute data including at least one of the subject attribute and the transaction attribute of the transaction are input, and an account item corresponding to the transaction is determined. a model generation stage that generates a learning model to be output;
を備え、Equipped with
前記モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ONかOFFを表す第1の属性データと、ONかOFFを表す第2の属性データと、前記第1の属性データと前記第2の属性データとのXORを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。In the model generation stage, the input layer of the learning model, which is a neural network composed of an input layer, a middle layer, and an output layer indicating accuracy for each account item, is provided with a summary of the transaction included in the learning data. , input first attribute data indicating ON or OFF, second attribute data indicating ON or OFF, and correlation data indicating XOR of the first attribute data and the second attribute data. , a learning method for learning a weight matrix to be applied to the input layer and a weight matrix to be applied to the intermediate layer.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023065035A JP7392190B1 (en) | 2023-04-12 | 2023-04-12 | Accounting data conversion device, accounting data conversion method, learning device, learning method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023065035A JP7392190B1 (en) | 2023-04-12 | 2023-04-12 | Accounting data conversion device, accounting data conversion method, learning device, learning method, and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7392190B1 true JP7392190B1 (en) | 2023-12-05 |
Family
ID=89023156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023065035A Active JP7392190B1 (en) | 2023-04-12 | 2023-04-12 | Accounting data conversion device, accounting data conversion method, learning device, learning method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7392190B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018116566A (en) | 2017-01-19 | 2018-07-26 | 株式会社マネーフォワード | Accounting processing system, accounting processing method and accounting processing program |
WO2018189825A1 (en) | 2017-04-12 | 2018-10-18 | ファーストアカウンティング株式会社 | Automatic journalizing device, accounts processing device, accounts processing system, accounts processing method, and accounts processing program |
JP2019191749A (en) | 2018-04-20 | 2019-10-31 | Tis株式会社 | Journalizing rule creation support device, journalizing rule creation support method, and journalizing rule creation support program |
JP7130293B1 (en) | 2022-03-30 | 2022-09-05 | トリニティ・テクノロジー株式会社 | Trust business support server, trust business support method and trust business support program |
-
2023
- 2023-04-12 JP JP2023065035A patent/JP7392190B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018116566A (en) | 2017-01-19 | 2018-07-26 | 株式会社マネーフォワード | Accounting processing system, accounting processing method and accounting processing program |
WO2018189825A1 (en) | 2017-04-12 | 2018-10-18 | ファーストアカウンティング株式会社 | Automatic journalizing device, accounts processing device, accounts processing system, accounts processing method, and accounts processing program |
JP2019191749A (en) | 2018-04-20 | 2019-10-31 | Tis株式会社 | Journalizing rule creation support device, journalizing rule creation support method, and journalizing rule creation support program |
JP7130293B1 (en) | 2022-03-30 | 2022-09-05 | トリニティ・テクノロジー株式会社 | Trust business support server, trust business support method and trust business support program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11170433B2 (en) | Method and system for using machine learning techniques to make highly relevant and de-duplicated offer recommendations | |
US11487529B2 (en) | User interface that integrates plural client portals in plural user interface portions through sharing of one or more log records | |
Von Solms | Integrating Regulatory Technology (RegTech) into the digital transformation of a bank Treasury | |
US20210287222A1 (en) | Systems and methods for classifying imbalanced data | |
Suryono et al. | Challenges in P2P lending development: Collaboration with tourism commerce | |
US20180330433A1 (en) | Attributing meanings to data concepts used in producing outputs | |
US20190180255A1 (en) | Utilizing machine learning to generate recommendations for a transaction based on loyalty credits and stored-value cards | |
US20200065914A1 (en) | Automated field-mapping of account names for form population | |
US20210312541A1 (en) | Computer systems and methods for generating valuation data of a private company | |
US11055772B1 (en) | Instant lending decisions | |
US20240095457A1 (en) | Systems and methods for generating dynamic conversational responses based on predicted user intents using artificial intelligence models | |
US20230092126A1 (en) | Banking operation support system, banking operation support method, and banking operation support program | |
JP7392190B1 (en) | Accounting data conversion device, accounting data conversion method, learning device, learning method, and program | |
US9996795B2 (en) | Generating a non-deterministic model of a process for a goal | |
Walker et al. | Fintech and banking: an overview | |
CN112465611A (en) | Method and device for pushing article information to user and electronic equipment | |
US20200349642A1 (en) | Configuring user interface functionality based on background processing of data related to pre-qualification status | |
Ajuna et al. | Utilization of financial technology in increasing the income of MSMEs in indonesia | |
Ali et al. | An intelligent model for success prediction of initial coin offerings | |
JP7392191B1 (en) | Accounting data conversion device, accounting data conversion method, learning device, learning method, and program | |
US10013538B1 (en) | Matching accounts identified in two different sources of account data | |
Zand | Towards intelligent risk-based customer segmentation in banking | |
Clark | Money and Exchange Rates from a Computational Perspective | |
Utkarsh et al. | Loan origination system in housing sector using blockchain | |
US20230376935A1 (en) | Generating bundled sets from predetermined card parameter configurations utilizing machine-learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230412 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230412 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230908 |
|
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: 20231114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231122 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7392190 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |