一种智能财务处理系统及方法与流程

1.本发明涉及一种智能财务处理系统及方法，属于财务自动化处理领域。


背景技术：

2.普遍应用的会计电算化软件实现了会计核算工作后半程的自动化，即可以自动登记账簿和生成财务报表。但是对于录入材料信息、筛选审核以及会计核算处理中的重要环节(如编制会计分录)，仍需进行手工处理
1.。目前有一些基于机器学习的财务处理系统对上述问题进行优化，在部分处理环节实现了一定程度的自动化，比如利用图像识别技术实现材料信息录入，利用内置规则库的审计引擎实现材料审核
2.。
3.但还存在以下问题：企业的财务制度和财务处理要求不尽相同，一般采用不同的财务处理规则。由于财务处理规则跟企业财务制度和财务处理要求密切相关，其所需的财务处理系统需要个性化定制，则系统的可扩展性和复用性差。
4.而领域知识图谱能够对领域知识进行表达与沉淀，使得机器能够具备领域数据认知能力，与机器学习(特别是深度学习)相比具有独到优势。但领域知识图谱的落地应用是业界难点之一，目前在财务领域知识图谱的研究方向集中在如何构建知识推理模型，应用层面停留在对企业或高校的财务状况进行可视化展现，辅助审计人员进行可视化管理及财务风险分析，如论文《领域知识图谱构建及其在财务审计的应用》和《知识图谱在医疗保险基金审计中的应用研究》。
5.公开号为cn111813960a的专利《基于知识图谱的数据安全审计模型装置、方法及终端设备》，公开了通过对从数据库中获取的第一审计数据经过实体关系抽取以及知识推理处理构建知识图谱，采用数据采集模块从知识图谱中获取需要安全审计的第二审计数据，数据分析挖掘模块对数据采集模块中审计记录数据进行分析得到审计数据规则，并对审计数据规则极性处理得到规则数值，根据设定的规则阈值判断审计记录数据中的行为是否是违规行为，实现对大数据背景下各类复杂数据的安全审计。该方案仅实现对审计数据的风险预警，无法实现自动化财务处理。
6.综上，需要一种基于知识图谱的财务自动化处理方案。
7.[1]人工智能背景下河北省会计人才培养路径研究.薛楠.2021-11-22[2]基于人工智能的“八项费用”智慧审计研究与应用.陶春华.周进山等.2021-10-15


技术实现要素：

[0008]
为了解决上述现有技术中存在的问题，本发明提供一种智能财务处理系统及方法，通过知识推理模块学习兼容不同企业财务制度和不同财务处理要求，积累沉淀大量财务知识，使财务处理系统具有可扩展性和复用性，降低财务处理成本与时间。
[0009]
本发明的技术方案如下：
[0010]
技术方案一：
[0011]
一种智能财务处理系统，包括：数据预处理模块、知识推理模块和财务处理模块；
[0012]
所述数据预处理模块用于获取财务处理相关数据，提取财务处理相关数据中的元数据输入至知识推理模块；
[0013]
所述知识推理模块包括若干个实体分层、以及若干个设置在实体分层内或实体分层之间的连接关系模型，实体分层内设有若干个实体；知识推理模块用于利用连接关系模型，得到元数据/第i分层实体与第i分层实体/第i 1分层实体的连接关系，根据所述连接关系得到实体知识；所述实体知识包括财务处理所需规则，财务处理所需方法及财务处理所需数据；
[0014]
所述财务处理模块用于根据所述实体知识，输出财务处理结果。
[0015]
进一步的，所述连接关系模型为神经网络模型/机器学习模型或专家系统。
[0016]
进一步的，所述连接关系模型还用于动态更新实体的属性值。
[0017]
进一步的，所述数据预处理模块包括文档分类模型、图像文字识别模型、结构化信息抽取模型。
[0018]
进一步的，所述知识推理模块包括第一实体分层和第二实体分层，所述第一实体分层包括若干个业务实体和经济行为实体；所述第二实体分层包括若干个费用实体和处理规则实体。
[0019]
进一步的，还包括第一连接关系模型和第二连接关系模型；所述第一连接关系模型用于得到元数据与业务实体的连接关系；所述第二连接关系模型用于得到元数据与经济行为实体的连接关系；
[0020]
进一步的，还包括第三连接关系模型；所述第三连接关系模型用于根据业务实体和费用实体，得到对应的经济行为实体。
[0021]
进一步的，还包括第四连接关系模型；所述第四连接关系模型用于根据业务实体和费用实体，得到对应的处理规则实体。
[0022]
进一步的，所述处理规则实体包括报销规则实体、审核规则实体和稽核规则实体。
[0023]
进一步的，所述元数据分为多个层次。
[0024]
技术方案二：
[0025]
一种智能财务处理方法，包括以下步骤：
[0026]
预先构建数据预处理模块、知识推理模块和财务处理模块；所述知识推理模块包括若干个实体分层、以及若干个设置在实体分层内或实体分层之间的连接关系模型，实体分层内设有若干个实体；
[0027]
数据预处理模块获取财务处理相关数据，提取财务处理相关数据中的元数据输入至知识推理模块；
[0028]
知识推理模块利用连接关系模型，得到元数据/第i分层实体与第i分层实体/第i 1分层实体的连接关系，根据所述连接关系得到实体知识；所述实体知识包括财务处理所需规则，财务处理所需方法及财务处理所需数据；
[0029]
财务处理模块根据所述实体知识，输出财务处理结果。
[0030]
本发明具有如下有益效果：
[0031]
1、本发明通过知识推理模块学习兼容不同企业财务制度和不同财务处理要求，积累沉淀大量财务知识，使财务处理系统具有可扩展性和复用性，降低财务处理成本与时间。
[0032]
2、本发明利用连接关系模型动态更新实体的部分属性值，用于存储知识推理模块
处理得到的中间数据或者处理规则，为知识推理模块或者财务处理模块后续的数据处理提供数据支撑。
[0033]
3、本发明考虑到业务实体与费用实体的对应关系较为复杂，通过经济行为实体与业务实体联合确定与费用实体的连接关系，以及与处理规则实体的连接关系，则知识推理模块能根据输入的元数据，推理出正确的新事实、新关系、新公理以及新规则等，替代会计完成认知推理工作，实现复杂知识的推理过程，从而实现财务自动化处理。
附图说明
[0034]
图1为本发明所述系统示意图；
[0035]
图2为本发明所述数据预处理模块示意图；
[0036]
图3为实施例三所述处理过程示意图；
[0037]
图4为实施例四所述处理过程示意图；
[0038]
图5为实施例五所述处理过程示意图。
具体实施方式
[0039]
下面结合附图和具体实施例来对本发明进行详细的说明。
[0040]
实施例一
[0041]
参见图1，一种智能财务处理系统，包括数据预处理模块、知识推理模块和财务处理模块；
[0042]
如图2所示，数据预处理模块设有多个数据预处理模型，如图像分类模型、文档分类模型、图像文字提取模型(采用craft模型和crnn模型)、结构化信息提取模型(采用命名实体模型)。数据预处理模块获取用户上传的财务处理相关数据以及从企业内部信息管理系统获取财务处理相关数据，如人员信息、项目信息、费用信息(报销发票等)、报销事件信息(会议通知，接待函等等)、业务相关电子文档或图像文档数据；并提取其中的元数据输入至知识推理模块。
[0043]
知识推理模块包括两个实体分层、以及若干个设置在实体分层内或实体分层之间的连接关系模型，实体分层内设有若干个实体。知识推理模块用于利用连接关系模型，得到元数据/第i分层实体与第i分层实体/第i 1分层实体的连接关系，根据所述连接关系得到实体知识。
[0044]
其中，连接关系模型采用神经网络模型/机器学习模型/专家系统。在知识推理模块训练阶段或使用阶段，利用连接关系模型动态更新实体的属性值。比如，将报销凭证相关元数据(火车票、金额)输入至业务分类模型后，得到其与实体(小交通)的连接关系，并将小交通实体属性(票据类别、字段、数值)的值分别更新为(火车票、总金额、金额数目)。
[0045]
所述财务处理模块包括若干个财务处理模型，用于根据所述实体知识，输出财务处理结果。
[0046]
本实施例的有益效果在于，利用知识推理模块替代会计的认知推理工作，实现复杂财务知识的推理过程，从而实现财务自动化处理，降低财务处理成本与时间。同时，知识推理模块能学习兼容不同企业财务制度和不同需求，积累大量财务知识，使财务处理系统具有可扩展性和复用性。
[0047]
此外，利用连接关系模型动态更新实体的部分属性值，用于存储知识推理模块处理得到的中间数据或者处理规则，为知识推理模块或者财务处理模块后续的数据处理提供数据支撑。
[0048]
实施例二
[0049]
知识推理主要围绕关系的推理展开，即基于已有事实或关系推断出未知事实或关系。故实体之间关系的确定是知识图谱技术中的关键点之一。在财务领域知识图谱中，虽然财务与业务之间的对应关系相对明确，但是由于业务类型和会计科目(本发明中体现为费用类型和处理规则)都有繁多的种类、复杂的结构，两者的对应关系是复杂的，这其中存在一对一、一对多的关系，难以判断具体的业务活动和具体的会计科目之间的连接关系。
[0050]
王倩玉在论文《领域知识图谱构建及其在财务审计的应用
·
3.1.2.3财务与业务关系抽取》中提出了财务及业务指标间关联对应关系建立思路(在会计科目下设明细科目处理多种被审计单位的日常业务)，但未深入研究，形成具体有效的解决方案。
[0051]
本实施例中提出一种业务实体分别与费用实体、处理规则实体对应关系确定方法，具体为：
[0052]
知识推理模块包括第一实体分层和第二实体分层，所述第一实体分层包括若干个业务实体和经济行为实体；所述第二实体分层包括若干个费用实体和处理规则实体；
[0053]
第一连接关系模型根据输入的元数据，得到其与业务实体的连接关系；第二连接关系模型根据输入的元数据，得到其与经济行为实体的连接关系；
[0054]
第三连接关系模型根据业务实体和费用实体，得到对应的经济行为实体；第四连接关系模型根据业务实体和费用实体，得到对应的处理规则实体。
[0055]
比如，当员工需要报销火车票时，第一连接关系模型根据输入的元数据，得到其与实体(小交通)的连接关系；第二连接关系模型根据输入的元数据，得到其与实体(办公)的连接关系；第三连接关系模型根据实体(小交通、办公)，得到对应的实体(办公交通费)；第四连接关系模型根据实体(小交通、办公)，得到对应的处理规则实体(办公交通报销规则)。
[0056]
或者，第二连接关系模型根据输入的元数据，得到其与实体(招待)的连接关系；第三连接关系模型根据实体(小交通、招待)，得到对应的实体(招待交通费)；第四连接关系模型根据实体(小交通、办公)，得到对应的处理规则实体(招待交通报销规则)。
[0057]
又或者，第二连接关系模型根据输入的元数据，得到其与实体(福利)的连接关系；第三连接关系模型根据实体(小交通、福利)，得到对应的实体(福利-员工活动费)；第四连接关系模型根据实体(小交通、福利)，得到对应的处理规则实体(福利-员工活动报销规则)。
[0058]
上述业务分类模型和经济行为分类模型基于神经网络技术，费用分类模型和报销规则库基于神经网络技术或财务知识规则库。通过训练样本和监督学习对神经网络进行训练得到。
[0059]
考虑到业务实体与费用实体的对应关系较为复杂，本实施例通过经济行为实体与业务实体联合确定与费用实体的连接关系，以及与处理规则实体的连接关系，则知识推理模块能根据输入的元数据，推理出正确的新事实、新关系、新公理以及新规则等，替代会计完成认知推理工作，实现复杂知识的推理过程，从而实现财务自动化处理。
[0060]
实施例三
[0061]
本实施例中以员工甲某报销差旅费为例：
[0062]
s1、甲某上传报销凭证(火车票图像、出差审批单图像和报销申请单图像)至数据预处理模块。数据预处理模块获取甲某的人员信息(姓名、职称)。
[0063]
数据预处理模块中设有多个数据预处理模型，如图像分类模型、文档分类模型、图像文字提取模型、结构化信息提取模型。
[0064]
将火车票图像输入至图像分类模型，得到分类结果为火车票；将火车票图像输入至图像文字提取模型，得到其中的文字信息；再将文字信息输入至结构化信息提取模型，得到起点站、终点站、金额等结构化信息。同理，由出差审批单图像得到分类结果为出差审批单以及出差人姓名、出差时间、出发地、到达地等结构化信息；由报销申请单图像得到分类结果为报销申请单，以及出差人姓名、出差时间、出发地、到达地，报销申请人姓名、报销金额等结构化信息。
[0065]
将上述人员信息、分类结果和结构化信息作为元数据输入至知识推理模型。
[0066]
s2、将由出差审批单图像得到的元数据输入至第一连接关系模型(业务分类模型)，得到其与第一层实体(小交通)的连接关系；
[0067]
将由报销申请单图像得到的元数据输入至第二连接关系模型(经济行为分类模型)，得到其与第一层实体(出差报销)的连接关系；
[0068]
将两个实体(小交通和差旅报销)联合输入到第三连接关系模型(费用分类模型)，得到与第二层实体(小交通)的连接关系；
[0069]
将两个实体(小交通、差旅报销)联合输入到第四连接关系模型(报销规则库)，得到与第二层实体(出差报销规则、出差报销计算方法和出差报销数据)的连接关系，并得到相应的实体知识；实体知识包括出差报销数据的实体属性(本实施例中具体为各票据面额总值)、出差报销计算方法的实体属性(本实施例中具体为叠加各票据面额值)、出差报销规则的实体属性。
[0070]
s3、财务处理模块根据所述实体知识，调用相应的处理模型，得到财务处理规则，具体为：
[0071]
根据出差报销数据的实体属性(各票据面额值)，从元数据获取该实体属性的值；本实例只有一张火车票，金额为109元。
[0072]
根据出差报销计算方法的实体属性，调用相应的计算模型，输入出差报销数据的实体属性值(109元)，计算得到各票据面额总值(109元)。
[0073]
实施例四
[0074]
本实施例对实施例三得到的审计结果进行审核：
[0075]
将两个实体(小交通、差旅报销)联合输入到第五连接关系模型(审核规则库)，得到与第二层实体(出差审核规则、出差审核计算方法和出差审核数据)的连接关系，并得到相应的实体知识；实体知识包括出差审核数据的实体属性(本实施例中具体为各票据面额总值、出差报销额度)、出差审核计算方法的实体属性(本实施例中具体为比较各票据面额总值与出差报销额度)、出差报销规则的实体属性(本实施例中具体为各票据面额总值不超过出差报销额度)。
[0076]
从元数据获取出差审核数据实体属性值(109元)和出差审核规则实体属性值(500元)。根据出差审核计算方法的实体属性，调用相应的计算模型，输入各票据面额总值(109
元)和出差报销额度(500元)，计算各票据面额总值与出差报销额度的差值。若差值为正，则报销审核结果为不通过，否则报销审核结果为通过。
[0077]
实施例五
[0078]
本实施例对实施例三得到的审计结果进行稽核：
[0079]
将两个实体(小交通、差旅报销)联合输入到第六连接关系模型(稽核规则库)，得到与第二层实体(出差稽核规则、出差稽核计算方法和出差稽核数据)的连接关系，并得到相应的实体知识；实体知识包括出差稽核数据的实体属性(本实施例中具体为报销人姓名、报销人签名)、出差稽核计算方法的实体属性(本实施例中具体为利用签名鉴定模型鉴定报销人签名)、出差稽核规则的实体属性(本实施例中具体为鉴定报销人签名)。
[0080]
从元数据获取报销人姓名实体属性值(甲某姓名)、报销人签名实体属性值(甲某签名图片)；调用签名鉴定模型，输入甲某姓名和甲某签名图片，鉴定报销人的签名是否是真实的。若鉴定结果为真实，则报销稽核结果为通过；否则报销稽核结果为不通过。
[0081]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。