基于關(guān)聯(lián)規(guī)則的電子發(fā)票摘要與會(huì)計(jì)科目名稱相關(guān)性分析

李燕萍 劉凡 謝軍

摘要：目的：研究電子發(fā)票摘要與會(huì)計(jì)科目名稱之間的相關(guān)性，考察由電子發(fā)票自動(dòng)生成會(huì)計(jì)分錄的方法。方法：對(duì)收集到的電子發(fā)票中的摘要信息和會(huì)計(jì)科目名稱，運(yùn)用Apriori關(guān)聯(lián)規(guī)則算法找出兩者之間的對(duì)應(yīng)關(guān)系。結(jié)果：通過應(yīng)用Apriori關(guān)聯(lián)規(guī)則算法，在一定程度上找到了發(fā)票摘要與科目名稱之間的相關(guān)性，為下一步自動(dòng)生成會(huì)計(jì)分錄提供了可參考的信息。

關(guān)鍵詞：電子發(fā)票;會(huì)計(jì)分錄;關(guān)聯(lián)規(guī)則

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）17-0244-02

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

會(huì)計(jì)分錄將記賬憑證和包括發(fā)票的原始憑證得以有效的對(duì)應(yīng)和核對(duì)，實(shí)際起到了連接會(huì)計(jì)業(yè)務(wù)的紐帶作用。記賬憑證和會(huì)計(jì)賬簿是對(duì)經(jīng)濟(jì)業(yè)務(wù)往來主要內(nèi)容的簡(jiǎn)要記錄。會(huì)計(jì)科目的設(shè)置把各項(xiàng)會(huì)計(jì)要素的增減變化分門別類地歸集起來，為企業(yè)內(nèi)部經(jīng)營管理和向有關(guān)方面提供一系列具體分類核算指標(biāo)。會(huì)計(jì)科目的名稱一般不超過八個(gè)漢字，屬于短文本。按其所提供信息的詳細(xì)程度及其統(tǒng)馭關(guān)系不同，分為總分類科目和明細(xì)分類科目。發(fā)票摘要要求簡(jiǎn)明扼要，既要把情況講明白，但又不能煩瑣，文字?jǐn)⑹龊?jiǎn)短，屬于短文本。

1 關(guān)聯(lián)規(guī)則算法

關(guān)聯(lián)規(guī)則是反映一個(gè)事件和其他事件之間的依賴或關(guān)聯(lián)的知識(shí)。文本關(guān)聯(lián)規(guī)則挖掘是從大量文本中發(fā)現(xiàn)項(xiàng)集之間有意義的關(guān)聯(lián)或相關(guān)聯(lián)系。已不少研究在文本較短的情況下，利用關(guān)聯(lián)規(guī)則算法去找尋兩者甚至多者之間的關(guān)系，陳海霞等（2018）利用關(guān)鍵詞關(guān)聯(lián)融合CNN的短文本分類[1]，荊琪等（2018）基于維基百科的短文本計(jì)算相關(guān)度[2]，但尚未有學(xué)者解析發(fā)票摘要與會(huì)計(jì)科目名稱之間的關(guān)系。本文利用關(guān)聯(lián)規(guī)則中較為常用的關(guān)聯(lián)規(guī)則算法—Apriori算法計(jì)算分析發(fā)票摘要與會(huì)計(jì)科目名稱之間的相關(guān)性，為自動(dòng)生成會(huì)計(jì)分錄提供可參考的信息。

近幾年大數(shù)據(jù)的理念和應(yīng)用逐步深入，大數(shù)據(jù)應(yīng)用滲透在各行各業(yè)中，并以此為基礎(chǔ)達(dá)到快速處理事務(wù)的目的。其中，利用數(shù)據(jù)挖掘技術(shù)研究財(cái)務(wù)報(bào)銷已為財(cái)務(wù)智能的一項(xiàng)主要內(nèi)容，且數(shù)據(jù)挖掘技術(shù)的一大優(yōu)勢(shì)就是從海量數(shù)據(jù)中發(fā)掘大量隱匿于其中的信息，本文采用的Apriori關(guān)聯(lián)規(guī)則算法在找到發(fā)票摘要與會(huì)計(jì)科目名稱之間的關(guān)聯(lián)規(guī)則之后應(yīng)用于大量處理發(fā)票內(nèi)容的數(shù)據(jù)，自動(dòng)制成會(huì)計(jì)分錄。

Apriori算法是一種較為常用的通過頻繁項(xiàng)集挖掘關(guān)聯(lián)規(guī)則的算法，它能夠發(fā)現(xiàn)事物數(shù)據(jù)庫中頻繁出現(xiàn)的數(shù)據(jù)集，構(gòu)造數(shù)據(jù)與數(shù)據(jù)之間的聯(lián)系，這些聯(lián)系構(gòu)成的規(guī)則可幫助找出某些行為特征，以便迅速地進(jìn)行事務(wù)處理。關(guān)聯(lián)規(guī)則為在某一數(shù)據(jù)或與其相似數(shù)據(jù)出現(xiàn)時(shí)，可推導(dǎo)另一對(duì)應(yīng)數(shù)據(jù)信息出現(xiàn)的可能。

Apriori算法中計(jì)算的指標(biāo)包括：

頻繁項(xiàng)集：是指那些經(jīng)常會(huì)同時(shí)出現(xiàn)的事物，例如辦公桌對(duì)應(yīng)會(huì)計(jì)科目的管理費(fèi)用。

支持度：一個(gè)項(xiàng)集的支持度被定義為數(shù)據(jù)集中包含該項(xiàng)集的記錄所占的比例。支持度是針對(duì)項(xiàng)集來說，在實(shí)際應(yīng)用中可設(shè)置一個(gè)最小支持度，只保留最小支持度的項(xiàng)集。

support = [同時(shí)發(fā)生的事件（X，Y）總事件]

置信度：反映A和B兩個(gè)事物彼此之間同時(shí)出現(xiàn)的概率。例如經(jīng)典案例{啤酒}→{尿布}這樣的關(guān)聯(lián)規(guī)則。

confidence（X→Y） = [同時(shí)發(fā)生的事件（X，Y）X發(fā)生的事件]，

confidence（Y→X） = [同時(shí)發(fā)生的事件（X，Y）Y發(fā)生的事件]

提升度：提升度表示含有X的條件下，同時(shí)含有Y的概率，與只看Y發(fā)生的概率之比。提升度反映了關(guān)聯(lián)規(guī)則中的X與Y的相關(guān)性，提升度大于1且越高表明正相關(guān)性越高，提升度小于1且越低表明負(fù)相關(guān)性越高，提升度等于1表明沒有相關(guān)性，即相互獨(dú)立。

Lift（X→Y） = P（Y | X） / P（Y）

本文運(yùn)用以上計(jì)算方法尋找發(fā)票摘要與會(huì)計(jì)科目名稱之間的關(guān)聯(lián)規(guī)則，為進(jìn)一步自動(dòng)生成會(huì)計(jì)分錄做準(zhǔn)備。

2 發(fā)票摘要的數(shù)據(jù)準(zhǔn)備

從搜集到的電子發(fā)票中隨機(jī)抽取200份作為教師數(shù)據(jù)，按照會(huì)計(jì)學(xué)相關(guān)原理，根據(jù)發(fā)票摘要的信息內(nèi)容制作了相應(yīng)的會(huì)計(jì)分錄，保存在excel里。原始發(fā)票摘要多以日常辦公用品及辦公開銷為主，所對(duì)應(yīng)的分錄多為管理費(fèi)用、銷售費(fèi)用等。原始數(shù)據(jù)的具體準(zhǔn)備過程如下所述。

電子發(fā)票通常為pdf格式，本文使用python開源工具包PDFMiner中的兩個(gè)內(nèi)置工具pdf2txt.py和dumppdf.py獲取發(fā)票摘要中的文字內(nèi)容。首先使用pdf2txt.py從PDF文件中提取所有文本內(nèi)容，將提取的文字按所在位置劃分區(qū)段，再用dumppdf.py把PDF文件內(nèi)容轉(zhuǎn)變成pseudo-XML格式，標(biāo)識(shí)出各區(qū)段文字的意義。最后利用PDFMiner其他工具識(shí)別電子發(fā)票提取電子發(fā)票摘要里的內(nèi)容，將其導(dǎo)出到文本文件中。

在前期的準(zhǔn)備過程中，綜合考慮到一些發(fā)票摘要填寫不規(guī)范，以及填寫的內(nèi)容所涉及的范圍較廣，產(chǎn)品術(shù)語和名詞術(shù)語較多等方面問題，對(duì)發(fā)票摘要中的信息用jieba分詞中的全模式進(jìn)行分詞處理，使摘要中的文字信息保持一致，進(jìn)行數(shù)據(jù)挖掘及統(tǒng)計(jì)分析。

根據(jù)發(fā)票摘要中的這些信息，按照會(huì)計(jì)學(xué)相關(guān)原理人工選取對(duì)應(yīng)的會(huì)計(jì)科目名稱，填寫會(huì)計(jì)分錄，并制成表格，表1列舉了部分發(fā)票摘要對(duì)應(yīng)的會(huì)計(jì)科目名稱。利用python的pandas工具包讀取所填的會(huì)計(jì)分錄的表格，導(dǎo)出其中的摘要文本后，再用jieba分詞將發(fā)票摘要短文本中所有可能成詞的詞語都掃描出來，這樣做便于發(fā)現(xiàn)發(fā)票摘要與會(huì)計(jì)科目名稱的關(guān)聯(lián)性。

3 基于Apriori算法的關(guān)聯(lián)規(guī)則挖掘

關(guān)聯(lián)規(guī)則最早出現(xiàn)在購物籃問題的研究中，如經(jīng)典的“啤酒與尿布”案例，常用的關(guān)聯(lián)規(guī)則挖掘算法包括Eclat、FP-growth、Apriori等，本文采用Apriori算法對(duì)已經(jīng)填寫過會(huì)計(jì)科目名稱的樣本數(shù)據(jù)進(jìn)行關(guān)聯(lián)規(guī)則挖掘，旨在找出發(fā)票摘要與會(huì)計(jì)科目名稱的關(guān)聯(lián)關(guān)系。

3.1 算法的步驟

以apriori算法為基礎(chǔ)尋找關(guān)聯(lián)規(guī)則的方法主要由以下幾個(gè)步驟組成：

步驟一：使用pdfminer提取發(fā)票摘要內(nèi)容，人工選取對(duì)應(yīng)的會(huì)計(jì)科目名稱，制作會(huì)計(jì)分錄表格;

步驟二：使用pandas讀取表格，使用jieba分詞將發(fā)票摘要分詞;

步驟三：根據(jù)發(fā)票數(shù)量及摘要的詞頻，設(shè)置最小支持度和最小置信度;

步驟四：讀取分詞處理后的發(fā)票摘要分詞表;

步驟五：根據(jù)最小置信度尋找符合條件的關(guān)聯(lián)規(guī)則;

步驟六：輸出關(guān)聯(lián)規(guī)則;

步驟七：將所有發(fā)票摘要的數(shù)據(jù)進(jìn)行處理，檢驗(yàn)規(guī)則;

步驟八：輸出結(jié)果。

3.2 運(yùn)行結(jié)果

設(shè)置最小支持度為1%，最小置信度為15%，運(yùn)用Apriori算法在200份已經(jīng)處理好的實(shí)驗(yàn)發(fā)票數(shù)據(jù)中計(jì)算得到57條符合條件的關(guān)聯(lián)規(guī)則。最小支持度是根據(jù)實(shí)際情況定義衡量支持度的一個(gè)閾值，表示需要完成的項(xiàng)目集中統(tǒng)計(jì)意義上的最低程度。在本文的實(shí)驗(yàn)數(shù)據(jù)中，設(shè)置最小支持度為1%時(shí)，可最快速簡(jiǎn)便地得到最想要的關(guān)聯(lián)規(guī)則;將最小支持度設(shè)置為其他數(shù)值時(shí)，計(jì)算結(jié)果包含大量無效數(shù)據(jù)。表2是計(jì)算得出的部分關(guān)聯(lián)規(guī)則及其包含的支持度、置信度與提升度。

利用Apriori關(guān)聯(lián)規(guī)則算法對(duì)收集的電子發(fā)票進(jìn)行分析，得出發(fā)票摘要和會(huì)計(jì)科目名稱之間的關(guān)聯(lián)規(guī)則，即表2中的規(guī)則項(xiàng)集欄，用A→B表示，A是發(fā)票摘要的單詞，B是會(huì)計(jì)科目名稱。

本文使用的原始發(fā)票數(shù)據(jù)在現(xiàn)實(shí)業(yè)務(wù)中常見，上述結(jié)果經(jīng)財(cái)務(wù)專業(yè)人員檢查，符合財(cái)務(wù)制作記賬憑證填寫會(huì)計(jì)分錄的部分要求，說明關(guān)聯(lián)規(guī)則方法可以提取挖掘發(fā)票摘要和會(huì)計(jì)科目名稱之間的關(guān)聯(lián)規(guī)則，并為進(jìn)一步自動(dòng)生成會(huì)計(jì)分錄提供參考信息。

3.3 驗(yàn)證

在機(jī)器學(xué)習(xí)、自然語言處理及信息檢索等領(lǐng)域，評(píng)測(cè)（Evaluation）是一項(xiàng)必要工作，常采用的評(píng)測(cè)指標(biāo)有精確率（Precision）和召回率（Recall）。其中精確率=TP/（TP+FP），表示所有“正確被檢索的item（TP）”占所有“實(shí)際被檢索到的（TP+FP）”的比例;

召回率=TP/（TP+FN），表示“正確被檢索的item（TP）”占所有“應(yīng)該檢索到的item（TP+FN）”的比例。

本文利用上述關(guān)聯(lián)規(guī)則針對(duì)另外200份發(fā)票判斷對(duì)應(yīng)的會(huì)計(jì)科目名稱，得到精確率為0.17，召回率為0.185。表明計(jì)算的準(zhǔn)確程度不高，主要是因?yàn)榘l(fā)票摘要的內(nèi)容繁雜以及經(jīng)濟(jì)業(yè)務(wù)往來內(nèi)容的不確定。

4 結(jié)論與展望

本文以從眾多發(fā)票中隨機(jī)抽取的兩百張發(fā)票內(nèi)容為數(shù)據(jù)樣本進(jìn)行了摘要與科目名稱之間關(guān)聯(lián)規(guī)則的挖掘，實(shí)際驗(yàn)證了關(guān)聯(lián)規(guī)則挖掘的準(zhǔn)確程度。根據(jù)apriori算法挖掘出的關(guān)聯(lián)規(guī)則，可以為將發(fā)票摘要輸入時(shí)直接生成會(huì)計(jì)分錄提供參考，便于財(cái)會(huì)人員更快速地進(jìn)行財(cái)務(wù)處理，可節(jié)約財(cái)會(huì)人員的時(shí)間和精力。

在本課題的調(diào)查中作者了解到，目前市場(chǎng)上的財(cái)務(wù)報(bào)銷應(yīng)用還無法將發(fā)票中的摘要自動(dòng)生成會(huì)計(jì)分錄。在后繼研究中，將采用人工填寫制作的大量會(huì)計(jì)分錄數(shù)據(jù)挖掘出關(guān)聯(lián)規(guī)則，利用規(guī)則對(duì)發(fā)票內(nèi)容進(jìn)行有規(guī)律的處理，快速精準(zhǔn)地將報(bào)銷中發(fā)票的摘要自動(dòng)生成會(huì)計(jì)分錄，為財(cái)務(wù)核算提供實(shí)際且有效的幫助。

根據(jù)財(cái)會(huì)人員填制正確會(huì)計(jì)分錄的實(shí)際情況來看，發(fā)票摘要涉及的業(yè)務(wù)實(shí)為廣泛，難以精準(zhǔn)確定應(yīng)該歸屬于哪一類，為此在后繼研究中，將自動(dòng)推測(cè)摘要中的中心詞，并進(jìn)行擴(kuò)展，探討大幅提高短文本分類精度的方法。另外，將業(yè)務(wù)范圍進(jìn)行劃分，優(yōu)化數(shù)據(jù)，在此基礎(chǔ)上再提高精確度。

參考文獻(xiàn)：

[1] 陳海霞，楊喜旺，衛(wèi)潔潔.關(guān)鍵詞關(guān)聯(lián)融合CNN的短文本分類算法[J].電腦知識(shí)與技術(shù)，2018，14（22）：261-264.

[2] 荊琪，段利國，李愛萍，等.基于維基百科的短文本相關(guān)度計(jì)算[J].計(jì)算機(jī)工程，2018，44（2）：197-202.

【通聯(lián)編輯：李雅琪】