稅收優(yōu)惠政策關(guān)鍵要素抽取與可視化分析

關(guān)海山，鄭玉龍，魏筆凡，張澤民，岳浩，師斌，董博

1. 西安交通大學(xué)軟件學(xué)院，陜西 西安 710049；

2. 陜西省天地網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710049；

3. 西安交通大學(xué)繼續(xù)教育學(xué)院，陜西 西安 710049；

4. 西安交通大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710049

0 引言

稅收優(yōu)惠政策是指稅法對(duì)某些納稅人和征稅對(duì)象給予鼓勵(lì)和照顧的一種特殊規(guī)定，是國(guó)家利用稅收調(diào)節(jié)經(jīng)濟(jì)的具體手段。國(guó)家通過(guò)稅收優(yōu)惠政策可以扶持某些特殊地區(qū)、產(chǎn)業(yè)、企業(yè)和產(chǎn)品的發(fā)展，促進(jìn)產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整和社會(huì)經(jīng)濟(jì)的協(xié)調(diào)發(fā)展，保證了企業(yè)的競(jìng)爭(zhēng)力和存活力，并且對(duì)就業(yè)和再就業(yè)具有極大的積極影響。稅收優(yōu)惠政策的形式各種各樣，包括稅額減免、稅基扣除、稅率降低等。稅收優(yōu)惠政策的范圍越廣、差別越大、方式越多、內(nèi)容越豐富，納稅人稅收籌劃的空間就越大、節(jié)減稅收的合理方式就越多，因此納稅人可合法利用稅收優(yōu)惠政策來(lái)減輕自身的稅收壓力。

為了“減稅降負(fù)”“精準(zhǔn)施策”以及推進(jìn)“放管服”等改革措施，稅務(wù)主管部門(mén)近年來(lái)推出了大量不同類(lèi)型的稅收優(yōu)惠政策。這些稅收優(yōu)惠政策主要通過(guò)專(zhuān)題講座、納稅教育輔導(dǎo)以及網(wǎng)站政策公告等方式進(jìn)行宣傳和推廣，時(shí)效性差、覆蓋面小。納稅人需要花費(fèi)大量的時(shí)間跟蹤稅收優(yōu)惠政策的發(fā)布，快速?gòu)暮Ａ慷愂諆?yōu)惠政策中查找并定位與自身相關(guān)的優(yōu)惠信息變得越來(lái)越困難，導(dǎo)致許多納稅人沒(méi)有享受到應(yīng)該享受的優(yōu)惠，甚至有些納稅人不清楚哪些優(yōu)惠政策與自己相關(guān)。隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)數(shù)據(jù)呈現(xiàn)出大規(guī)模、多元化、組織結(jié)構(gòu)松散等特點(diǎn)。稅收優(yōu)惠信息也難以避免這種情況，多源、異構(gòu)導(dǎo)致的信息碎片化等問(wèn)題[1]給納稅人獲取有效的稅收優(yōu)惠信息造成了困擾。

國(guó)家稅務(wù)總局在《關(guān)于進(jìn)一步深化稅收征管改革的意見(jiàn)》中強(qiáng)調(diào)，要優(yōu)化以滿足納稅人正當(dāng)需求和維護(hù)合法權(quán)益為中心的納稅服務(wù)，構(gòu)建更加方便、快捷、高效的納稅服務(wù)機(jī)制[2-3]。目前少數(shù)研究者希望通過(guò)大數(shù)據(jù)技術(shù)等前沿技術(shù)實(shí)行稅收優(yōu)惠政策的“直達(dá)快享”，但是稅務(wù)大數(shù)據(jù)推薦技術(shù)需要從多個(gè)維度分析納稅人的過(guò)程信息和行為信息，而目前的稅務(wù)信息系統(tǒng)還無(wú)法提供這些信息。此外，為了保證大數(shù)據(jù)推薦技術(shù)的質(zhì)量，需要集成稅務(wù)領(lǐng)域中大量的業(yè)務(wù)系統(tǒng)，但是各個(gè)系統(tǒng)提供的原始數(shù)據(jù)往往存在標(biāo)準(zhǔn)不統(tǒng)一、一致性低、規(guī)范性差等問(wèn)題，需要進(jìn)行海量數(shù)據(jù)的清洗、轉(zhuǎn)換、對(duì)碰等預(yù)處理工作，工作量大、錯(cuò)誤率高。利用少量數(shù)據(jù)預(yù)測(cè)大量未知信息則可能產(chǎn)生過(guò)擬合等風(fēng)險(xiǎn)[1,4]。

為此，本文基于深度學(xué)習(xí)與特征規(guī)則聯(lián)合抽取方法構(gòu)建了一個(gè)稅收優(yōu)惠法規(guī)可視化分析系統(tǒng)，該系統(tǒng)的貢獻(xiàn)主要體現(xiàn)在以下兩點(diǎn)：

● 根據(jù)稅務(wù)專(zhuān)家的經(jīng)驗(yàn)知識(shí)，制作稅收優(yōu)惠關(guān)鍵要素?cái)?shù)據(jù)模板，提供了一種針對(duì)稅收優(yōu)惠政策的結(jié)構(gòu)化數(shù)據(jù)抽取方法，解決了稅收優(yōu)惠政策信息碎片化等問(wèn)題，完成了復(fù)雜稅收優(yōu)惠信息到結(jié)構(gòu)化信息的轉(zhuǎn)換；

● 基于稅收優(yōu)惠關(guān)鍵要素?cái)?shù)據(jù)模板，設(shè)計(jì)了以納稅人為主體的徑向圖可視化查詢方式，解決了納稅人在面對(duì)海量的稅收優(yōu)惠政策時(shí)，無(wú)法快速定位與自身相關(guān)的優(yōu)惠內(nèi)容的問(wèn)題。

該系統(tǒng)的構(gòu)建主要有3個(gè)步驟：稅收優(yōu)惠主題構(gòu)建、稅收優(yōu)惠分面識(shí)別、稅收優(yōu)惠查詢與可視化。

（1）稅收優(yōu)惠主題構(gòu)建

● 文本分割：對(duì)稅收優(yōu)惠政策進(jìn)行文本分割處理。根據(jù)大量觀察與統(tǒng)計(jì)，稅收優(yōu)惠政策的文件表現(xiàn)形式一般為由若干個(gè)條款組成的完整文檔，每個(gè)條款都描述了一些與其他條款不同的稅收信息。因此根據(jù)優(yōu)惠文檔的特征設(shè)計(jì)出文本分割算法，把一個(gè)稅收優(yōu)惠政策文檔分割為若干個(gè)稅收優(yōu)惠條款，得到一個(gè)由若干個(gè)條款組成的集合。

● 稅收條款的優(yōu)惠信息識(shí)別：將單個(gè)稅收優(yōu)惠政策處理為若干個(gè)條款后，并非所有條款的內(nèi)容都包含與稅收優(yōu)惠相關(guān)的信息，因此構(gòu)建一個(gè)深度學(xué)習(xí)的分類(lèi)模型，識(shí)別出與稅收優(yōu)惠相關(guān)的條款。

（2）稅收優(yōu)惠分面識(shí)別

制作稅收優(yōu)惠政策關(guān)鍵要素?cái)?shù)據(jù)模板，該模板包含條款內(nèi)容、享受主體、標(biāo)題、文號(hào)、減免方式、減免類(lèi)型、稅種、政策類(lèi)型和有效期限9個(gè)關(guān)鍵要素。根據(jù)不同的關(guān)鍵要素構(gòu)建不同類(lèi)型的模型任務(wù)對(duì)其內(nèi)容進(jìn)行識(shí)別和抽取，然后使用關(guān)系型數(shù)據(jù)庫(kù)將抽取的知識(shí)進(jìn)行存儲(chǔ)，為查詢與可視化提供數(shù)據(jù)支撐。

（3）稅收優(yōu)惠查詢與可視化

面對(duì)海量稅收優(yōu)惠政策文件，納稅人難以精準(zhǔn)檢索到相關(guān)稅收優(yōu)惠內(nèi)容，且難以直接了解稅收優(yōu)惠的重要信息。因此，該系統(tǒng)設(shè)計(jì)了稅收優(yōu)惠政策查詢與可視化的功能模塊。當(dāng)用戶輸入稅收優(yōu)惠政策的享受主體后，就能快速查詢到該享受主體以及與其相似的享受主體相關(guān)的稅收優(yōu)惠政策，并以徑向圖的方式展示，顯示每個(gè)政策條款的關(guān)鍵要素內(nèi)容，提高政策條款的易讀性。

1 相關(guān)工作

近年來(lái)稅務(wù)領(lǐng)域的相關(guān)工作側(cè)重于偷稅漏稅檢測(cè)、發(fā)票虛開(kāi)檢測(cè)、金融欺詐識(shí)別等，文本信息抽取方面的工作較少。因此，本節(jié)將從兩方面進(jìn)行介紹，一是針對(duì)某一特定領(lǐng)域的文本信息抽取工作，二是可視化布局的相關(guān)工作。

1.1 特定領(lǐng)域內(nèi)的文本信息抽取工作

在特定領(lǐng)域內(nèi)進(jìn)行文本信息抽取的工作已有許多。針對(duì)特定領(lǐng)域中的語(yǔ)料個(gè)性化、訓(xùn)練數(shù)據(jù)稀缺等問(wèn)題，如何進(jìn)行文本信息抽取工作是研究者一直關(guān)心的問(wèn)題。Zhang R X等人[5]對(duì)少量監(jiān)管文件和物業(yè)租賃協(xié)議文檔進(jìn)行人工注釋?zhuān)眠@些文檔對(duì)BERT（bidirectional encoder representations from transformers）模型進(jìn)行微調(diào)，之后成功利用該模型從這兩種不同類(lèi)型的商業(yè)文檔中提取結(jié)構(gòu)化實(shí)體，并將成果展示在一個(gè)端到端云平臺(tái)，允許用戶上傳文檔并檢查模型的結(jié)果，說(shuō)明少量特定領(lǐng)域的注釋數(shù)據(jù)足以微調(diào)BERT模型，實(shí)現(xiàn)具有一定準(zhǔn)確度的元素內(nèi)容的提取。Nguyen M T等人[6]在BERT模型上疊加卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）層完成了遷移學(xué)習(xí)，基于Transformers開(kāi)發(fā)了原型產(chǎn)品AURORA，該系統(tǒng)解決了在訓(xùn)練樣本數(shù)量有限的情況下，從特定領(lǐng)域中提取結(jié)構(gòu)化信息的問(wèn)題。Friedrich A等人[7]針對(duì)材料科學(xué)領(lǐng)域提出了3個(gè)信息提取任務(wù)：實(shí)驗(yàn)描述句子的檢測(cè)、實(shí)體識(shí)別和輸入以及與實(shí)驗(yàn)相關(guān)的數(shù)值的識(shí)別，針對(duì)這些任務(wù)，他們標(biāo)注了一個(gè)新的語(yǔ)料庫(kù)，使用不同的模型進(jìn)行信息抽取的對(duì)比工作，實(shí)驗(yàn)發(fā)現(xiàn)BERT模型的性能優(yōu)于其他模型的性能，同時(shí)他們使用BERT+BiLSTM（雙向長(zhǎng)短期記憶網(wǎng)絡(luò)）的組合以應(yīng)對(duì)更加復(fù)雜的挑戰(zhàn)。Zeghdaoui M W等人[8]提出了一種基于CNN結(jié)合長(zhǎng)短期記憶（long shortterm memory，LSTM）神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)文本分類(lèi)模型，CNN-LSTM模型使用通過(guò)FastText計(jì)算的詞向量來(lái)實(shí)現(xiàn)最高準(zhǔn)確度，獲得了較好的結(jié)果。

1.2 可視化布局

如何合理地將與納稅人相關(guān)的優(yōu)惠信息可視化，并通過(guò)簡(jiǎn)單直觀的方式進(jìn)行展示，是一個(gè)值得思考的問(wèn)題。Brandes U等人[9-10]提出，中心性是圖分析中一個(gè)重要的研究?jī)?nèi)容，它量化了節(jié)點(diǎn)在圖結(jié)構(gòu)中的重要性，因此徑向布局是一種直觀地表達(dá)節(jié)點(diǎn)間相對(duì)重要性的有效方法。之后他們又提出了一種新型的徑向布局，該方法是基于應(yīng)力最小化的擴(kuò)展，其加權(quán)方案在優(yōu)化過(guò)程中逐漸對(duì)中間布局施加徑向約束。Raj M等人[11]提出了一種新的無(wú)向圖布局方法，將頂點(diǎn)約束在一組閉合的曲線上，這種布局可以很好地顯示圖的中心性和頂點(diǎn)距離信息，同時(shí)提供了一種可視化策略證明了布局方法的有效性。Fenu G等人[12]在社交網(wǎng)絡(luò)、YouTube、Wikipedia上使用了徑向布局來(lái)表示用戶與特定對(duì)象的匹配關(guān)系，認(rèn)為簡(jiǎn)單而有效的可視化狀態(tài)可以給用戶帶來(lái)不同的好處。Bostock M等人[13-14]提出了ProtoVis和D3.js框架，ProtoVis可以將數(shù)據(jù)直接映射到可視元素，使設(shè)計(jì)者無(wú)須計(jì)算細(xì)節(jié)即可實(shí)現(xiàn)可視化；D3.js可以將輸入數(shù)據(jù)綁定到任意的文檔元素中，通過(guò)動(dòng)態(tài)轉(zhuǎn)換修改內(nèi)容。Li D Q等人[15]提出了Echart可視化框架，它是一個(gè)開(kāi)源的、基于Web的、跨平臺(tái)的框架，具有簡(jiǎn)單易用、交互內(nèi)容豐富以及高性能的特點(diǎn)，它的核心是一套聲明式可視化設(shè)計(jì)語(yǔ)言，設(shè)計(jì)者可以自定義內(nèi)置圖表類(lèi)型。

本文的主要工作是抽取稅務(wù)領(lǐng)域中的一些關(guān)鍵信息，通過(guò)實(shí)驗(yàn)對(duì)比將性能較好的BERT模型作為核心，針對(duì)不同的信息抽取任務(wù)采用不同的處理方式，實(shí)現(xiàn)對(duì)稅收優(yōu)惠關(guān)鍵信息的抽取，并采取徑向圖布局的方法進(jìn)行可視化展示。

2 系統(tǒng)概述

2.1 系統(tǒng)結(jié)構(gòu)框架

該系統(tǒng)包含兩個(gè)概念定義：稅收優(yōu)惠主題和稅收優(yōu)惠條款分面。將每個(gè)稅收優(yōu)惠政策文檔看作一個(gè)獨(dú)立的集合，用N表示，將每個(gè)文檔內(nèi)部包含的各個(gè)優(yōu)惠條款看作最小的不可分割的元素，用C表示。定義一個(gè)集合N由若干個(gè)元素C組成，表示為N={C1,C2,…,Cn}，如果Ci包含了稅收優(yōu)惠的相關(guān)內(nèi)容，則稱(chēng)Ci為一個(gè)稅收優(yōu)惠主題。根據(jù)稅務(wù)專(zhuān)家經(jīng)驗(yàn)，制作稅收優(yōu)惠政策的數(shù)據(jù)結(jié)構(gòu)模板。該模板包括條款內(nèi)容、享受主體、標(biāo)題、文號(hào)、減免方式、減免類(lèi)型、稅種、政策類(lèi)型和有效期限9個(gè)關(guān)鍵要素，這些關(guān)鍵要素可以有效地對(duì)稅收優(yōu)惠文檔的重要內(nèi)容進(jìn)行表示。其中，一個(gè)關(guān)鍵要素就是稅收優(yōu)惠條款的一個(gè)分面，每個(gè)元素Ci都由這9個(gè)分面組成。最終的結(jié)構(gòu)為一個(gè)稅收優(yōu)惠政策文檔包含一個(gè)或多個(gè)主題，每個(gè)主題具有9個(gè)分面，每個(gè)分面都對(duì)應(yīng)一個(gè)關(guān)鍵要素內(nèi)容。

圖1所示為稅收優(yōu)惠法規(guī)可視化系統(tǒng)3個(gè)模塊的框架。每個(gè)模塊的功能和特性描述如下。

圖1 系統(tǒng)框架

為了保證數(shù)據(jù)源的權(quán)威性以及準(zhǔn)確性，將國(guó)家稅務(wù)總局官方網(wǎng)站以及各省市地方分局官方網(wǎng)站作為本系統(tǒng)的數(shù)據(jù)來(lái)源。使用Python爬蟲(chóng)技術(shù)的Requests庫(kù)和BeautifulSoup庫(kù)進(jìn)行頁(yè)面文檔的全面解析，過(guò)濾除文檔自身內(nèi)容以外的不必要元素，以保證數(shù)據(jù)源的質(zhì)量。

模塊1：稅收優(yōu)惠主題構(gòu)建。根據(jù)稅務(wù)專(zhuān)家系統(tǒng)的先驗(yàn)知識(shí)，對(duì)大量稅收優(yōu)惠政策文檔的結(jié)構(gòu)、特征進(jìn)行歸納和總結(jié)。通過(guò)特征提取，定位文檔關(guān)鍵位置，使用基于規(guī)則的方法，設(shè)計(jì)了針對(duì)稅收優(yōu)惠政策文檔的文本切割算法，該算法可以將稅收優(yōu)惠政策文檔分割為若干條以單個(gè)條款為最小文本單位的文本序列集合。最后將每個(gè)稅收優(yōu)惠文檔形式化為一個(gè)獨(dú)立的集合，用N表示。將文檔內(nèi)部的各個(gè)優(yōu)惠條款看作最小且不可分割的元素，用Ci表示。定義一個(gè)集合N由若干個(gè)元素Ci組成，表示為N={C1,C2,…,Cn}。通過(guò)深度學(xué)習(xí)技術(shù)構(gòu)建的算法模型對(duì)集合N中的每個(gè)主題進(jìn)行識(shí)別，得到集合N中含有稅收優(yōu)惠政策的主題Ci，形成新的集合T={Ci,…,Cm}。

模塊2：稅收優(yōu)惠條款分面識(shí)別。對(duì)模塊1中集合T的元素進(jìn)行處理，使用深度學(xué)習(xí)與規(guī)則處理相結(jié)合的方法對(duì)每個(gè)元素進(jìn)行識(shí)別和抽取，使得每個(gè)主題都包含9個(gè)稅收優(yōu)惠條款分面。該模塊的輸入為經(jīng)過(guò)模塊1處理后得到的集合T，輸出為每個(gè)條款的各個(gè)關(guān)鍵要素信息。

模塊3：稅收優(yōu)惠查詢和可視化。根據(jù)稅收優(yōu)惠關(guān)鍵要素?cái)?shù)據(jù)模板，設(shè)計(jì)分類(lèi)查詢以及相應(yīng)的可視化算法，實(shí)現(xiàn)系統(tǒng)的查詢與可視化功能。

在該系統(tǒng)中，數(shù)據(jù)源的預(yù)處理部分簡(jiǎn)單利用了爬蟲(chóng)程序和基于規(guī)則的算法解析，因此不進(jìn)一步描述這些算法的詳細(xì)實(shí)現(xiàn)。

2.2 稅收優(yōu)惠主題構(gòu)建

首先，對(duì)大量稅收優(yōu)惠文檔結(jié)構(gòu)、特征進(jìn)行歸納和總結(jié)，通過(guò)提取特征、定位文檔關(guān)鍵位置的索引，使用基于規(guī)則的方法設(shè)計(jì)文本切割算法，把一個(gè)文本分割成若干條款，如圖2所示。

圖2 稅收優(yōu)惠條款分割示例

之后，對(duì)分割后的條款進(jìn)行數(shù)據(jù)標(biāo)注，標(biāo)記該條款是否包含與稅收優(yōu)惠政策相關(guān)的內(nèi)容，如果包含，則標(biāo)記為1，否則標(biāo)記為0；然后使用深度學(xué)習(xí)模型學(xué)習(xí)帶有標(biāo)記的樣本。本系統(tǒng)采用性能較好的BERT模型，BERT模型是一種基于Transformer的Encoder結(jié)構(gòu)的預(yù)訓(xùn)練語(yǔ)言模型，通過(guò)海量的文本數(shù)據(jù)訓(xùn)練掩碼語(yǔ)言模型（masked language model，MLM）和下一句預(yù)測(cè)（next sentence prediction，NSP）任務(wù)，使BERT模型可以學(xué)習(xí)更深層的語(yǔ)義信息[16]。在經(jīng)過(guò)預(yù)訓(xùn)練的BERT模型上進(jìn)行微調(diào)，可以使一些下游應(yīng)用表現(xiàn)出更好的效果。

圖3所示為稅收優(yōu)惠主題識(shí)別模型結(jié)構(gòu)，具體步驟如下。

步驟1：把輸入的條款轉(zhuǎn)換為字符級(jí)別的序列。如圖3所示，設(shè)置BERT模型可處理的最大序列長(zhǎng)度為maxlen，加上首位CLS符號(hào)，故可處理的條款最大長(zhǎng)度為maxlen-1。對(duì)于超出最大長(zhǎng)度的輸入條款，根據(jù)文本的結(jié)構(gòu)特征，優(yōu)先處理句子的頭部和尾部，即將前0.25×maxlen個(gè)字符和后0.75×maxlen個(gè)字符作為模型輸入；對(duì)于長(zhǎng)度小于maxlen-1的輸入文本，填充空字符，后文采取同樣的處理方式，不再贅述。

圖3 稅收優(yōu)惠主題識(shí)別模型結(jié)構(gòu)

步驟2：序列首增加CLS符號(hào)，生成序列表示。

其中，S表示輸入序列，V表示詞表，除了涉及全部字符外，還包括特殊口令CLS、SEP、UNK、PAD和MASK，Vlookup是指在詞表V中尋找字符的編號(hào)，input表示S根據(jù)詞表中的編號(hào)計(jì)算出的序列。Word_Embedding指將字符映射為詞嵌入向量，結(jié)果E為輸入序列的嵌入向量，計(jì)算過(guò)程是inpute×W，We表示計(jì)算結(jié)果E的權(quán)重參數(shù)，隨機(jī)初始化其值，在訓(xùn)練過(guò)程中根據(jù)梯度更新We。

步驟3：使用BERT對(duì)序列嵌入進(jìn)行特征提取。

①字向量與位置編碼：

根據(jù)式（4）計(jì)算位置嵌入P，式（5）中pos(input)指獲得字符在序列中的位置，Wp表示計(jì)算結(jié)果P的權(quán)重參數(shù)。

②計(jì)算：

其中，X為字符嵌入向量E與位置嵌入向量P之和。

③自注意力機(jī)制：

其中，Q為查詢矩陣，K為鍵矩陣，V為值矩陣，Z為自注意力矩陣，分別為權(quán)重參數(shù)，其值進(jìn)行隨機(jī)初始化。

④自注意力殘差連接與歸一化

定義歸一化函數(shù)：

計(jì)算：

⑤前饋殘差連接與歸一化：

其中，Xattention表示自注意力分?jǐn)?shù)，Xhidden表示輸入序列的隱藏狀態(tài)。此時(shí)，文本的深層語(yǔ)義特征提取全部完成，為了方便描述，后文統(tǒng)一用Xhidden=BERT（S）表示BERT對(duì)序列嵌入進(jìn)行特征提取。

步驟4：使用全鏈接層將隱藏層第1個(gè)位置（CLS對(duì)應(yīng)的特征向量）進(jìn)行特征提取。此向量包括整句的所有語(yǔ)義信息，全連接層將CLS特征向量維度降至標(biāo)簽個(gè)數(shù)t。

步驟5：最后使用Softmax分類(lèi)器計(jì)算相應(yīng)的標(biāo)簽，Y為最終輸出結(jié)果，即預(yù)測(cè)標(biāo)簽。

由于BERT模型的輸入有最大長(zhǎng)度限制，為了得到更好的分類(lèi)結(jié)果，對(duì)于超出最大長(zhǎng)度的條款，按句號(hào)切割后分別作為模型的輸入，把模型輸出的多個(gè)結(jié)果集成起來(lái)作為該條款的分類(lèi)結(jié)果。圖4展示了稅收優(yōu)惠主題識(shí)別的示例，其中第1個(gè)和第2個(gè)條款包含與稅收優(yōu)惠相關(guān)的內(nèi)容，第3個(gè)條款則不包含。

圖4 稅收優(yōu)惠主題識(shí)別示例

2.3 稅收優(yōu)惠條款分面識(shí)別

根據(jù)稅務(wù)專(zhuān)家的經(jīng)驗(yàn)，在單個(gè)條款中人們關(guān)心的主要內(nèi)容和稅收優(yōu)惠關(guān)鍵要素見(jiàn)表1，筆者分別以不同的形式對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，使用不同的方法和模型進(jìn)行處理。

表1 稅收優(yōu)惠關(guān)鍵要素描述

2.3.1 享受主體識(shí)別

從一個(gè)樣本序列中識(shí)別出享受主體字段，這是一種典型的序列標(biāo)注任務(wù)。例如在“一、自2015年1月1日起至2016年12月31日止，對(duì)物流企業(yè)自有的（包括自用和出租）大宗商品倉(cāng)儲(chǔ)設(shè)施用地，減按所屬土地等級(jí)適用稅額標(biāo)準(zhǔn)的50%計(jì)征城鎮(zhèn)土地使用稅。”這個(gè)條款中，“物流企業(yè)”是享受主體。把這個(gè)樣本按照字符順序拆分成一系列漢字，每個(gè)字符都擁有標(biāo)簽，標(biāo)簽類(lèi)型為“BIO”形式，之后模型需要給出每個(gè)字符的標(biāo)簽類(lèi)型，最終識(shí)別為BI標(biāo)簽的字符被認(rèn)為是享受主體。圖5所示為享受主體識(shí)別模型結(jié)構(gòu)，具體步驟如下。

圖5 享受主體識(shí)別模型結(jié)構(gòu)

步驟1：把輸入的條款轉(zhuǎn)換為字符級(jí)別的序列。

步驟2：序列前端增加CLS符號(hào)，生成序列的向量表示。

步驟3：使用BERT對(duì)序列嵌入進(jìn)行特征提取。

步驟4：使用BiLSTM將隱藏層參數(shù)降維為k，接著使用全連接層將維度降至標(biāo)簽個(gè)數(shù)t。

步驟5：使用條件隨機(jī)場(chǎng)（conditional random fields，CRF）對(duì)輸出層的標(biāo)簽進(jìn)行約束，輸出最優(yōu)的標(biāo)注序列[17-18]。

2.3.2 稅種、減免類(lèi)型、減免方式、政策類(lèi)型識(shí)別

在標(biāo)注數(shù)據(jù)的過(guò)程中，筆者發(fā)現(xiàn)28.3%的條款涉及多個(gè)稅種，如“五、對(duì)青藏鐵路公司及其所屬單位自用的房產(chǎn)、土地免征房產(chǎn)稅、城鎮(zhèn)土地使用稅?！逼渲猩婕胺慨a(chǎn)稅和城鎮(zhèn)土地使用稅兩個(gè)稅種。因此筆者采用了多標(biāo)簽識(shí)別的方法。給定訓(xùn)練集：、詞表V、標(biāo)簽空間L={l1,l2,l3,…,ln}，第i個(gè)條款文本表示為Si={w1,w2,w3,…,wm}，其中?w∈V。詞表V除樣本集包含的字符外，還包含MASK、CLS、PAD、UNK、SEQ這些無(wú)實(shí)際語(yǔ)義的特殊字符。Yi={y1,y2,y3,…,yn}是由0或1組成的列表，yi為1時(shí)對(duì)應(yīng)第i個(gè)標(biāo)簽的稅種，標(biāo)簽空間L={l1,l2,l3,…,ln}對(duì)應(yīng)一個(gè)映射函數(shù)，其中。

步驟1：把輸入的條款轉(zhuǎn)換為字符級(jí)別的序列。

步驟2：序列前端增加CLS符號(hào)，生成序列的向量表示。

步驟3：使用BERT模型對(duì)序列嵌入進(jìn)行特征提取。

步驟4：使用全連接層對(duì)隱藏層第1個(gè)位置（CLS對(duì)應(yīng)的特征向量）進(jìn)行特征提取。此向量包括整句的所有語(yǔ)義信息，全連接層將CLS特征向量維度降至標(biāo)簽個(gè)數(shù)t。

步驟5：最后使用sigmoid分類(lèi)器計(jì)算相應(yīng)的標(biāo)簽。

減免類(lèi)型、減免方式、政策類(lèi)型均屬于文本分類(lèi)任務(wù)，采用與稅收優(yōu)惠主題識(shí)別同樣的方法進(jìn)行處理。

2.3.3 有效期限、標(biāo)題、文號(hào)識(shí)別

對(duì)于有效期限、標(biāo)題、文號(hào)這3個(gè)相對(duì)簡(jiǎn)單、規(guī)律性強(qiáng)、特征比較突出的關(guān)鍵要素，采用基于規(guī)則的算法進(jìn)行抽取識(shí)別。絕大多數(shù)稅收優(yōu)惠政策是由國(guó)家稅務(wù)主管部門(mén)進(jìn)行撰寫(xiě)和公布的，因此稅收優(yōu)惠政策的結(jié)構(gòu)和格式有很強(qiáng)的規(guī)律性和統(tǒng)一性，見(jiàn)表2。經(jīng)過(guò)大量的稅收優(yōu)惠政策總結(jié)，筆者共發(fā)現(xiàn)有效期限、標(biāo)題、文號(hào)的特征30余種。根據(jù)總結(jié)特征，分別使用正則算法進(jìn)行規(guī)則匹配，可以有效地提取和識(shí)別有效期限、標(biāo)題和文號(hào)3個(gè)關(guān)鍵數(shù)據(jù)字段。

表2 特征規(guī)則示例

如圖6所示，在處理完稅收優(yōu)惠主題識(shí)別和稅收優(yōu)惠分面識(shí)別后，將結(jié)果全部輸出到稅收優(yōu)惠關(guān)鍵要素?cái)?shù)據(jù)模板，該模板界面支持識(shí)別結(jié)果的全覽和修正工作，并使用S Q L數(shù)據(jù)庫(kù)存儲(chǔ)和管理數(shù)據(jù)。

圖6 稅收政策處理后結(jié)果預(yù)覽

為了方便擴(kuò)充更多的數(shù)據(jù)集，本文在設(shè)計(jì)數(shù)據(jù)庫(kù)時(shí)結(jié)合了數(shù)據(jù)標(biāo)注時(shí)的場(chǎng)景，分別設(shè)計(jì)了{(lán)BIG_TAX，CLAUSE，CLAUSE_TAX，CLAUSE_ENJOY，ENJOY，NOTICE，SMALL_TAX}數(shù)據(jù)表。在使用者提交經(jīng)過(guò)調(diào)整的正確數(shù)據(jù)后，這些數(shù)據(jù)表不僅存儲(chǔ)了數(shù)據(jù)信息，同時(shí)存儲(chǔ)了每個(gè)條款對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽，如“享受主體”字段在條款中的索引位置以及BIO標(biāo)簽、“稅種”字段的標(biāo)簽類(lèi)型等。該系統(tǒng)處理新的稅收優(yōu)惠文檔后，數(shù)據(jù)集也會(huì)不斷擴(kuò)充，可以在數(shù)據(jù)庫(kù)中導(dǎo)出擴(kuò)充后的新數(shù)據(jù)集對(duì)模型進(jìn)行再次訓(xùn)練，在大量、高質(zhì)量數(shù)據(jù)集的支持下，該系統(tǒng)的算法模型性能也會(huì)進(jìn)一步提高[19]。

2.4 稅收優(yōu)惠政策查詢與可視化

如圖7所示，稅收政策優(yōu)惠查詢與可視化是一種基于結(jié)構(gòu)化數(shù)據(jù)的應(yīng)用，使用戶能夠快速檢索與享受主體相關(guān)的稅收優(yōu)惠信息，并采用徑向布局的可視化方式來(lái)展示以納稅人為核心的相關(guān)內(nèi)容。其中，綠色節(jié)點(diǎn)代表輸入的享受主體，黃色節(jié)點(diǎn)代表該享受主體所能享受的稅種，橘紅色節(jié)點(diǎn)代表對(duì)應(yīng)稅種納稅人能享受的優(yōu)惠條款。右側(cè)部分是每個(gè)條款關(guān)鍵要素的詳情信息，用戶可以從中快速了解該條款描述的重要內(nèi)容。

圖7 稅收優(yōu)惠政策可視化查詢

稅收政策優(yōu)惠查詢與可視化的主要過(guò)程是：①客戶端用戶輸入待了解的享受主體內(nèi)容，發(fā)送至服務(wù)端；②服務(wù)端在數(shù)據(jù)庫(kù)中匹配享受主體內(nèi)容，如果沒(méi)有匹配到當(dāng)前輸入的享受主體，則匹配與該享受主體語(yǔ)義相似的其他享受主體內(nèi)容并返回客戶端（例如，“老師”和“教師”在語(yǔ)義上比較相似，當(dāng)匹配“老師”失敗時(shí)，則返回“教師”的信息）；③客戶端收到相關(guān)內(nèi)容后，以享受主體為中心進(jìn)行徑向圖布局。

享受主體相似匹配算法將萊文斯坦距離（Levenshtein distance）算法作為技術(shù)基礎(chǔ)。萊文斯坦距離是一種編輯距離算法，通過(guò)求出編輯距離，計(jì)算兩個(gè)字符串的相似度Similarity =( Max(x,y)-Levenshtein)/Max(x,y)，其中x、y為源串和目標(biāo)串的長(zhǎng)度。最后，根據(jù)設(shè)定的相似度閾值，遍歷搜索數(shù)據(jù)庫(kù)中所有享受主體，當(dāng)相似度大于或等于該閾值時(shí)，則認(rèn)為其是當(dāng)前要查詢的享受主體的相似享受主體。

在可視化的實(shí)現(xiàn)過(guò)程中，大多數(shù)可視化工具的內(nèi)置基礎(chǔ)布局并不能完全滿足享受主體相關(guān)徑向圖，因此本文采用G61G6是一個(gè)簡(jiǎn)單、易用的圖可視化引擎，它提供了圖的繪制、布局、分析、交互、動(dòng)畫(huà)等圖可視化的基礎(chǔ)功能，相比于其他可視化工具，G6在關(guān)系圖形方面具有更多的類(lèi)別選擇和更強(qiáng)的可操作性。提供的自定義布局算法接口輔助可視化算法的實(shí)現(xiàn)。

主體相關(guān)徑向圖G=(V,E)，節(jié)點(diǎn)類(lèi)型為，節(jié)點(diǎn)數(shù)目為節(jié)點(diǎn)有3種類(lèi)型：主體節(jié)點(diǎn)、稅種節(jié)點(diǎn)、條款節(jié)點(diǎn)。一個(gè)主體對(duì)應(yīng)多個(gè)稅種，相應(yīng)的一個(gè)稅種對(duì)應(yīng)多個(gè)條款。在主體相關(guān)徑向圖中，以一種享受優(yōu)惠政策的享受主體為焦點(diǎn)并將其布局在圖的中心，相關(guān)稅種距離為一度，各稅種相關(guān)的條款距離為二度進(jìn)行布局。

步驟1：可視化布局，以享受主體為中心，享受主體圓心半徑如下。

步驟2：計(jì)算一度布局，一度布局描述的是與享受主體相關(guān)的稅種，其圍繞在享受主體外一層附近的環(huán)上。

首先，計(jì)算單位偏移角度k，然后根據(jù)偏移角度k，按照順序依次計(jì)算各個(gè)節(jié)點(diǎn)的坐標(biāo)位置。因?yàn)椴煌亩惙N對(duì)應(yīng)的條款數(shù)目不同，所以其與享受主體的距離不一樣，距離與有關(guān)，即條款數(shù)目越多，距離圓心越遠(yuǎn)。α為調(diào)整距離比的參數(shù)，享受主體與任一稅種節(jié)點(diǎn)的直徑之和不大于包含最大條款數(shù)目稅種與參數(shù)α的乘積。

滿足：

圓心直徑如下：

步驟3：計(jì)算二度布局，二度布局是指每個(gè)稅種節(jié)點(diǎn)對(duì)應(yīng)的條款節(jié)點(diǎn)圍繞在與之對(duì)應(yīng)的稅種節(jié)點(diǎn)外層的環(huán)狀布局。

3 稅收優(yōu)惠政策數(shù)據(jù)集

3.1 數(shù)據(jù)集說(shuō)明

系統(tǒng)開(kāi)發(fā)階段用到了許多數(shù)據(jù)集，具體說(shuō)明如下。

（1）稅收優(yōu)惠政策法規(guī)數(shù)據(jù)集

數(shù)據(jù)來(lái)源于國(guó)家稅務(wù)總局網(wǎng)站以及各省市地方稅務(wù)分局官方網(wǎng)站等，包括1990—2020年發(fā)布的稅務(wù)優(yōu)惠政策4 000余篇文檔。每個(gè)文檔平均包含996個(gè)漢字，經(jīng)過(guò)文本分割算法切分條款共計(jì)12 000余條。為了給系統(tǒng)提供減免稅主題識(shí)別的功能，筆者根據(jù)需要篩選并標(biāo)注了2 000條數(shù)據(jù)用于訓(xùn)練。

（2）享受主體識(shí)別數(shù)據(jù)集

該數(shù)據(jù)集對(duì)識(shí)別享受稅收優(yōu)惠政策的納稅人提供數(shù)據(jù)支撐。目前專(zhuān)業(yè)領(lǐng)域的中文數(shù)據(jù)集尚為稀缺，因此筆者針對(duì)稅務(wù)領(lǐng)域納稅實(shí)體標(biāo)注了2 000余條包含稅收優(yōu)惠的減免稅主題條款。

（3）稅種多標(biāo)簽分類(lèi)數(shù)據(jù)集

該數(shù)據(jù)集為識(shí)別稅收優(yōu)惠政策涉及的稅種提供數(shù)據(jù)支撐。對(duì)于該數(shù)據(jù)集的構(gòu)建，筆者通過(guò)統(tǒng)計(jì)4 000余篇稅收優(yōu)惠政策文檔包含的稅種類(lèi)型，同時(shí)結(jié)合稅務(wù)主管部門(mén)官方提供的稅種分類(lèi)體系，在數(shù)據(jù)集構(gòu)建過(guò)程中，共設(shè)立并標(biāo)注稅種標(biāo)簽19種，其中包含：增值稅、消費(fèi)稅、企業(yè)所得稅、個(gè)人所得稅、資源稅、城市維護(hù)建設(shè)稅、房產(chǎn)稅、印花稅、城鎮(zhèn)土地使用稅、土地增值稅、車(chē)船稅、車(chē)輛購(gòu)置稅、煙葉稅、耕地占用稅、契稅、環(huán)境保護(hù)稅、進(jìn)出口稅收、營(yíng)業(yè)稅、其他稅種。

（4）其他稅收優(yōu)惠條款分面識(shí)別數(shù)據(jù)集

這部分?jǐn)?shù)據(jù)集與上述數(shù)據(jù)集類(lèi)似，只是在上述數(shù)據(jù)集原有的基礎(chǔ)上做了更多的分類(lèi)標(biāo)注和實(shí)體標(biāo)注。

3.2 實(shí)驗(yàn)對(duì)比結(jié)果

本文實(shí)驗(yàn)是基于第3.1節(jié)的數(shù)據(jù)集開(kāi)展的。筆者使用不同的方法對(duì)比任務(wù)類(lèi)型相同的關(guān)鍵要素。本文將精確率（precision）、召回率（recall）以及F1分?jǐn)?shù)（F1 s c o re）作為評(píng)估指標(biāo)。其中TP、FP、FN分別表示真陽(yáng)率、假陽(yáng)率、假陰率。

實(shí)驗(yàn)設(shè)置：深度學(xué)習(xí)實(shí)驗(yàn)框架為PyTorch 1.10 Release，預(yù)訓(xùn)練語(yǔ)言模型BERT為Bert-Base-Chinese版本，詞表大小為 21 12 8個(gè)詞，隱藏層數(shù)為12，詞嵌入向量維度為768，注意力機(jī)制為12個(gè)。將數(shù)據(jù)集中的數(shù)據(jù)順序隨機(jī)打亂，將其中80%作為訓(xùn)練集，剩余20%作為測(cè)試集。訓(xùn)練時(shí)采用十折交叉驗(yàn)證，將訓(xùn)練數(shù)據(jù)集分成10組，每次使用9組訓(xùn)練模型，1組進(jìn)行驗(yàn)證，一共進(jìn)行10次訓(xùn)練，最后取10次驗(yàn)證的平均值作為最終的分?jǐn)?shù)。其中，文本分類(lèi)任務(wù)、多標(biāo)簽任務(wù)和序列標(biāo)注任務(wù)的參數(shù)設(shè)置如下：學(xué)習(xí)率為0.0001，批次大小為16，迭代次數(shù)為50，可處理序列最大長(zhǎng)度maxlen為512；BiLSTM模塊的參數(shù)設(shè)置如下：隱藏輸出維度為256，隱藏層數(shù)為1，丟棄率為0.3；Linear模塊的參數(shù)設(shè)如下：輸出維度為2；BiGRU模塊的參數(shù)設(shè)置如下：隱藏輸出維度為256，隱藏層數(shù)為1，丟失率為0.3；CRF的參數(shù)設(shè)置如下：標(biāo)簽數(shù)為2。

標(biāo)題、文號(hào)、有效期限的抽取屬于基于規(guī)則的任務(wù)。該任務(wù)筆者把抽取內(nèi)容與原目標(biāo)內(nèi)容進(jìn)行比較，如果相同，則標(biāo)記為1，否則標(biāo)記為0。從數(shù)據(jù)中隨機(jī)抽樣10組，每組為總數(shù)據(jù)的20%，將precision作為評(píng)價(jià)指標(biāo)，實(shí)驗(yàn)結(jié)果見(jiàn)表3。

表3 規(guī)則抽取結(jié)果

條款內(nèi)容、減免類(lèi)型、減免方式、政策類(lèi)型屬于文本分類(lèi)任務(wù)。該實(shí)驗(yàn)選擇了兩種文本分類(lèi)的方法Fa st t ex t和TextCNN進(jìn)行比較。評(píng)價(jià)指標(biāo)采用F1分?jǐn)?shù)、precision、recall。見(jiàn)表4，在其他處理方法相同的情況下，BERT模型的處理結(jié)果優(yōu)于Fasttext和TextCNN的處理結(jié)果。

表4 分類(lèi)結(jié)果對(duì)比

稅種的識(shí)別屬于文本多標(biāo)簽分類(lèi)任務(wù)。該任務(wù)將漢明損失（Hamming loss）作為指標(biāo)。

式（4 0）的結(jié)果表示所有標(biāo)簽中錯(cuò)誤樣本的比例，該值越小，則分類(lèi)器的分類(lèi)能力越強(qiáng)。其中表示標(biāo)簽總數(shù)，|Γ|表示樣本總數(shù)，xo r表示異或運(yùn)算。如圖8所示，在處理數(shù)據(jù)時(shí)筆者發(fā)現(xiàn)，各稅種數(shù)量的高度不均衡導(dǎo)致了長(zhǎng)尾效應(yīng)。因此采用分步處理的方式，首先使用分類(lèi)模型判斷條款中的稅種數(shù)目，如果該數(shù)目大于4個(gè)，則使用基于規(guī)則的方法進(jìn)行識(shí)別，否則使用文本多標(biāo)簽分類(lèi)方法進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果（見(jiàn)表5）表明，相比于直接使用BERT模型的方法，該處理方式的效果有所提升。

表5 多標(biāo)簽文本分類(lèi)結(jié)果

圖8 各個(gè)稅種比例分布情況

享受主體的抽取屬于序列標(biāo)注任務(wù)，該實(shí)驗(yàn)分別采用BERT+BiLSTM+CRF、BERT+Linear+CRF和BERT+BiGRU+CRF 3種不同的方法進(jìn)行對(duì)比，具體實(shí)驗(yàn)結(jié)果見(jiàn)表6。

表6 序列標(biāo)注結(jié)果對(duì)比

4 結(jié)束語(yǔ)

本文設(shè)計(jì)開(kāi)發(fā)了一個(gè)使用簡(jiǎn)單、操作便捷的稅收優(yōu)惠法規(guī)可視化分析系統(tǒng)。該系統(tǒng)設(shè)計(jì)了稅收優(yōu)惠關(guān)鍵要素?cái)?shù)據(jù)模板，定義了稅收優(yōu)惠主題和稅收優(yōu)惠分面，實(shí)現(xiàn)了主題和分面的識(shí)別和抽取工作，完成了由非結(jié)構(gòu)化的稅收優(yōu)惠政策到結(jié)構(gòu)化的稅收優(yōu)惠關(guān)鍵要素?cái)?shù)據(jù)模板的轉(zhuǎn)換，研究開(kāi)發(fā)了稅收優(yōu)惠法規(guī)查詢與可視化分析功能。納稅人可以通過(guò)該系統(tǒng)查詢所有與自身利益相關(guān)的稅收優(yōu)惠政策。并且，該系統(tǒng)的信息抽取功能可以經(jīng)過(guò)人工干預(yù)，完成數(shù)據(jù)的修正調(diào)優(yōu)，存儲(chǔ)后的數(shù)據(jù)可以作為該系統(tǒng)的新數(shù)據(jù)集再次訓(xùn)練，從而使系統(tǒng)的識(shí)別與處理精度繼續(xù)提升。

目前的工作只是一個(gè)開(kāi)始，下一步筆者計(jì)劃在稅務(wù)領(lǐng)域做出更多的工作。首先是不斷地?cái)U(kuò)大稅務(wù)領(lǐng)域的數(shù)據(jù)集，同時(shí)在方法層面繼續(xù)改進(jìn)，進(jìn)一步提高模型性能；其次，筆者的目標(biāo)是把當(dāng)前的工作應(yīng)用到稅務(wù)常識(shí)圖譜的構(gòu)建中，通過(guò)構(gòu)建該圖譜能夠更好地為稅務(wù)智能查詢以及稅務(wù)智能問(wèn)答等任務(wù)提供有力支撐。