文摘
机器学习属于人工智能的科学,所以其主要勘探目标是人工智能,主要是积累经验和提高算法的相关性能。毫升是一个复杂的学科,主要通过模仿学习,提高技能。非结构化文本数据指非结构化数据以文本的形式。财务会计是一个企业的基本工作,主要为企业管理者提供决策参考信息,以确保企业的正常运行。财务会计是一种管理活动,监控业务和向有关部门提供相关信息。本文旨在研究财务会计的先进的人工智能模型转换基于机器学习和企业非结构化文本数据,预计使用机器学习和非结构化文本技术升级财务会计的管理和提高分析水平。本文改进了公里算法对非结构化数据的关键字匹配问题。然后,研究了非结构化文本的数据抓取技术。它主要使用爬虫技术基于Python语言和获得大量的信息在互联网上通过制定适当的正则表达式。该算法用于矿山数据集和生成频繁项集。 The association rules mining algorithm is proposed and implemented, and the association rules with practical reference value are obtained. The test leads in this document indicate that the return on assets of the enterprise is −11.2%, the net interest rate on equity is −44.5%, and the business profit rate is −12.1%. This shows that the profitability of the company has been declining in recent years, and there is even the risk of bankruptcy.
1。介绍
随着经济全球化的深入,企业的业务范围正在变得越来越广泛,财务信息变得越来越复杂,企业面临的商业环境也在不断变化。促进互联网技术使信息传播迅速,和人类对信息技术的依赖程度也增加。从信息化的角度,财务会计管理是企业进行信息化建设的唯一途径。在今天的企业信息化越来越发达,传统的方法不能满足人们的需求信息。数据仓库集成了整个组织的最新数据,及时获得各种数据,反映了企业的经济运行状况,并实现企业管理者的决策支持。然而,有很多市场信息,以及如何找到人们需要的信息在大量的信息是当前的关键问题。因此,本文将财务信息与机器学习和非结构化文本技术的帮助下,提高财务会计的信息集成能力,从而提高了分析的财务会计水平。
有价值的信息可以从非结构化信息形成知识挖掘概念框架和关系图,最后实现知识共享,知识重用和推理服务。企业的财务分析有助于企业的操作和分析缺陷查找操作模式中存在的问题。财政计划帮助公司提高盈利能力和贡献他们的长期增长。
在案例分析的过程中,使用定量和定性研究方法全面分析企业的业务模型定性和定量企业的经营效率和财务状况的分析方法。使用支持向量机来分析企业的财务状况,降低数据的维数,和简化变量,从而获得全局最优的解决方案。
2。相关工作
财务会计管理是企业正常运行的重要基础,并提高一个企业的财务分析能力有利于防止企业风险。Khorunzhak Koshchynets批判性评估和目前的拨款和既存的方法和记录不同的金融资源在宗教领域和技术。他也建议消除的缺陷和不足,为教育机构组织有效的管理信息系统,并合理化预算资金的使用。授予教育机构的自主权被证明对他们有利的影响治理和财政手段但可以清楚地复杂的会计问题1]。μ等人分析房地产和金融市场的不同阶段的房地产金融风险,和他们讨论过渡条件不同程度的风险。通过计算概率和风险,分析一个警告,如果房地产市场金融风险的任何能量释放超出系统的承载能力(2]。金等人开发了一个对这个小型的开放经济体拉姆齐模型。实验表明,如果金永林的世俗的自给自足经济大于公司,可贸易部门就业和附加值的比例将上升随着时间的推移,(3周]等人提出了大数据机器学习框架。毫升的各种组件和MLBiD提供方向识别相关的感兴趣的领域和定义相关的可能性和任务,并进一步开启未开发或未开发的领域中研究[4]。阿拉维等人从事人工智能工具。这个模型的主要目的是减少赤字的数额在水中释放灌溉和供应要求。目前的调查对象的行为SML模型与流行的进化计算方法,即算法和遗传算法。遗传算法是一种证明达尔文的生物进化理论。SMLA方法显示执行甚至比传统算法在仿真(5]。Stenheim和马德森检查公允价值会计系统。之前的研究表明,采用IFRS混合对会计质量的影响。IFRS,在中国被称为国际财务报告准则(IFRS),指的是一组国际会计准则理事会(IASB)声明,包括国际会计准则委员会批准的标准和解释声明。探讨会计质量的变化,他们采用了面板设计和使用四种常用的会计质量调查方法进行调查。结果表明,会计信息的相关性在估值方面,改进了采用国际财务报告准则(6]。陆等人想要发展一个新想法的常见的智能识别技术。他们还将演示BI智能采集模型开发的自主驾驶,精密医学和工业机器人(7]。哈萨比斯等人认为,更为优越的生物的思想认识水平创造能力的设备可以支付一个至关重要的作用。他们主要强调了当前先进的人工智能。他们得出的结论是通过强调共同的主题,可能会推动未来的研究在这两个关键字段(8]。尽管这些理论探索机器学习和财务会计在某种程度上,欧盟的两个常见和实用。
3所示。先进的人工智能模型方法基于机器学习财务会计转变
3.1。财务会计的概述
财务会计是一种管理方法对企业的财务状况,通常是会计报告,宣传企业的财务状况一段时间(9,10]。外面的世界可以分析和评价企业的经营状况的基础上,企业披露的信息。事实上,它是不可能获得科学合理评估通过分析财务指标。因此,分析企业的财务状况,有必要进行相关的评价,这是解释从许多方面11,12]。图1显示了金融情报系统架构:
金融情报系统的总体体系结构分为三个层次:数据采集层,数据组织存储组织层,数据分析显示层。数据组织存储层是一个平台的组织和存储数据从数据源获得。
金融监控系统是企业的内部监督;该系统是金融监管的一种手段。在整个系统中,它渗透到企业的各个方面,不仅要求相关人员的积极参与,但更重要的是需要技术支持。数据仓库是一个重要组成部分,数据仓库是数据挖掘技术的一个组成部分13,14]。数据仓库包含三个结构协同工作来满足企业管理决策的需求(15,16]。软件的市场份额如图2。
3.2。数据挖掘概述
哪里有数据,数据分析是必需的。包含大量的信息数据,包括显性和隐性信息,和隐式信息需要进行分析,以揭示其价值(17]。数据挖掘是指的过程搜索信息隐藏在大量数据通过算法,并通过分析每个数据,从大量数据找到它的规则。一个企业的正常运行的前提是确保内部经济系统的合理性。因此,有必要分析数据出现在企业和挖掘其潜在的信息。决策树的每个节点有不同的信息(18,19]。准确的设置如图3。 在哪里代表获得的信息资产,A代表属性的信息增益。
在这里,代表时代的集合J信息的数量的裂片。
公式(6)代表多个集成操作。
ID3算法是一个流行的方法解决问题的优化(20.]。ID3方法使用下降的速度信息熵来选择测试属性然后继续这个过程,直到生成的决策树可以分类训练的完美例子。图4说明了ID3算法的基本原理。 在哪里代表的代表在整个人体标本。 在哪里的要求,之间的变化需求,是一个常数。
神经网络的研究进展可以加速了人工智能的发展。卷积神经网络是人工神经网络的有关部门,它可以处理复杂的信息和存储有价值的信息。图5是一个简单的神经网络的原理图:
公式(11)代表了神经网络函数表达式。
卷积神经网络的正向传播过程类似于普通的人工神经网络。公式如下:
在这里,代表了当前水平,代表接收到的输入,代表输出,和分别代表了连接权重和添加剂的偏见。
远期继电器卷积层的公式如下:
在这里,代表了下标。代表的层与特征图的 - - - - - -th层C代表卷积窗。
d - s证据理论是一种经常应用的融合的信息来源。它不需要以前的输入在计算阶段和在实践中很容易使用。以下公式可以表示:
在这里,代表的基本概率赋值年代和的大小代表命题的信心程度年代。
当θ是判别帧,域是0 - 1,可以得到:
3.3。机器学习
机器学习是一个重要的领域崛起的高性能计算机系统在大数据的时代。它集成了人工智能和大数据应用技术,及其应用已经扩散到所有分支的人工智能。深入学习是机器学习的一个新的研究方向。深入学习是一种机器学习,事实上,深度学习来源于人工神经网络。深度学习探索目标的内在联系,最终使机器人能够获得分析功能。机器学习是分为监督学习和非监督学习根据训练和测试数据是否需要手动标记。虽然复发性网络有自己的优势,梯度消失的问题仍然没有解决。为了解决上述问题,长期和短期网络形成。长期和短期的神经网络是一种特殊的递归神经网络。所谓的递归神经网络是网络可以解决时间序列的预测问题。 The recurrent neural network can be imagined as a neural network with multiple layers of the same network structure, and each layer transmits information to the next layer. Figure6显示了分布式机器学习系统的结构:
4所示。先进的人工智能模型试验基于机器学习的财务会计转型和企业非结构化的文本数据
4.1。实验数据分析
随着经济全球化的发展,越来越多的经济活动都与其它行业。基金稳定是前提,确保企业的正常运行。因此,企业管理需要防止金融危机,建立一个科学合理的财务预警机制,并提醒企业提前采取措施,防止企业免于破产。为了预测财务风险,我们以公司为对象,分析其财务状况。细节如表所示1。
根据表中的数据1,我们使用四种不同的方法来预测企业和使用不同的样本大小的结果,以确保预测结果的准确性。根据数据,第一个决策树的预测结果是92.6%,第二个预测结果是93.1%,综合预测结果是92.85%。第一个预测判别的结果是96.5%,第二个预测结果是84.5%,综合预测结果是88.55%。第一个物流二元回归的预测结果是91.3%,第二个预测结果是82.7%,综合预测结果是87%。第一个支持向量机的预测结果是97.4%,第二个预测结果是94.3%,综合预测结果是94.85%。数据显示,第一个测试还是第二个测试,支持向量机的测试结果是最高的。
4.2。企业财务风险分析
一个企业的各种类型的基金代表不同的风险情况。例如,速动比率值越大,公司的短期偿债能力越强,降低公司的财务风险的可能性。企业可以采取不同的管理方法,为企业根据其资本状况。根据其不同的指标,分析了该公司的财务状况,具体情况如表2。
根据表中的数据2,我们做了一个简要分析了公司近年来的销售和操作。数据显示,2021年销售增长率将−15%,全年和累积资本增长率将−57%。根据上面提到的资本指标,前者是一个沉重的警钟,后者是大型报警,显示操作条件很穷。2020年销售增长率−7%,全年和资本累积增长率−34%。前者是一个沉重的警报,后者是一个大型报警,这表明今年的销售下降是很高的。2019年销售增长率为47%,和累积资本今年的增长率为16%,两者都属于没有地位,表明今年的经营状况是好的。
企业在未来可以发展更快,通常通过融资。尽管这种情况会给企业带来资金在短期内,企业的资产负债率将继续增加,和财务费用过高的现象会出现从长远来看。当财务成本太高时,它会导致企业利润的损失。根据表中的数据32021年,企业的资产负债率为85%,速动比率为0.21。根据报警的分类情况,前者属于重型报警,而后者属于巨人报警。2020年,公司的资产负债率为74.3%,速动比率为0.43。根据报警的分类情况,前者属于中等报警,而后者属于沉重的警钟。2019年,该公司的资产偿债比率为71.6%,速动比率为0.85。根据报警的分类情况,前者属于中等报警,而后者属于光报警。数据显示,企业的资产偿债比率远远高于标准的价值,和价值不断上升,表明企业的财务费用太高,和企业的短期偿债能力较低。
4.3。综合分析企业利润
根据前面的数据,企业的操作水平近年来有所下降,盈利能力有所下降。为了分析其利润水平,我们进行了一项调查其盈利能力的指标,如表4。
根据表中的数据4,我们已经调查该公司的资产。数据显示,2021年的资产回报率将−5%,权益净利率将−54.3%,和业务利润率将达到0.78%。根据报警级别的分类,所有三个属于巨大的警报,表明公司的业务情况,是令人担忧的,和公司的收入是很小的。2020年,资产回报率−11.2%,股本−44.5%,净利润率、营业利润率−12.1%。根据报警级别的分类,所有三个属于大型报警,表明公司的利润很小。2019年资产回报率为0.4%,净利润率在股本−10.2%,营业利润率为19%。根据报警的分类水平,资产报酬是沉重的警报,净利润是巨大的警报,利润率是光报警,这表明今年经营相对一般。根据总体数据情况下,该公司的盈利能力近年来一直在下降,甚至有破产的危险。
5。综合分析财务会计先进的人工智能模型转换
5.1。资产项目的综合分析
一个企业的正常运行期间,将会有许多资本活动。我们以大型零售企业为例进行调查和分析。在这个过程中,我们调查了公司的资金情况,细节图7。
根据图中的数据7,我们已经进行了一个简短的调查公司的资产和账户来分析该公司的资产。根据具体的数据,2017年,公司的流动资产为5500亿元,其中8200亿元资产。2018年,该公司的流动资产5100亿元,其中8350亿元资产。2019年,该公司的流动资产5800亿元,其中资产8700亿元;2020年,该公司的流动资产8200亿元,其中1.37万亿元资产。2021年,该公司的流动资产8500亿元,其中1.58万亿元资产。数据显示,近年来,公司的流动资产作为一个整体在上升,公司的总资产已经慢慢在早期阶段。数据显示,近年来,公司的流动资产作为一个整体在上升,公司的总资产增长缓慢的早期阶段,但在2020年,总资产增加了58%左右。从这可以看出企业的融资近年来继续扩大,和生产规模也增加。
从公司的账目的角度来看,2017年,该公司的应收账款为100亿元,其预付账户450亿元。2018年,公司应收账款75亿元,预付账户420亿元;2019年,公司的应收账款为120亿元,预付账户700亿元。2020年,企业应收账款210亿元,和提前支付970亿元;2021年,公司的应收账款为300亿元,提前支付800亿元。数据显示,2018年,该公司的应收账款及预付款项与前一年相比下降,在其他年份,它显示一个上升趋势,和应收账款的波动相对较大。可以看出,近年来,企业的资产规模不断扩大,资产结构不断优化,资本周转率相对不错。
根据图中的数据8,我们分析了该公司的负债和账户。根据调查数据,2017年,企业的流动负债420亿元,总负债530亿元。2018年,该公司的流动负债415亿元,总负债为520亿元;2019年,该公司的流动负债460亿元,总负债为560亿元。2020年,该公司的流动负债610亿元,总负债为670亿元;2021年,该公司的流动负债650亿元,总负债为730亿元。数据显示,除了减少负债2018年,流动负债和总负债增加在其他年份,和流动负债占总负债的80%以上。这在一定程度上减少资金的利用率,不利于维护与合作伙伴的关系,容易引发信任关系,使业务操作风险。
从公司的账目,在2017年,公司的应付账款10亿元,收入为7000万元。2018年,公司的应付账款8.1亿元,收入为1.4亿元。2019年,公司的应付账款8.5亿元,和促进收入1亿元;2020年,公司的应付账款12.5亿元,收入为1.7亿元。2021年,公司的应付账款13亿元,及其推进收入1.5亿元。数据显示,公司的账目的变化很小,提前和应付账款2018年下降,但在其他年份增加,表明公司的债务不断增加,和该公司需要注意防止债务危机及时的出现。
5.2。综合分析来自经营活动的现金
作为一个大型零售企业,企业以不同的方式运作。尽管大多数情况下的电子支付,它仍然是现金流的一部分。为了讨论公司的现金流情况,我们进行了一项调查公司的现金活动,细节图9。
根据图中的数据9,我们已经调查各种现金流的企业。从经营活动现金的角度来看,在2017年,来自经营活动的现金流入1300亿元,活动和现金流出1250亿元;2018年,来自经营活动的现金流入1400亿元,活动的现金流出1430亿元。2019年,来自经营活动的现金流入1590亿元,和活动的现金流出1520亿元;2020年,来自经营活动的现金流入1750亿元,和活动的现金流出1700亿元;2021年,来自经营活动的现金流入2300亿元,和2370亿元的现金流出活动。数据显示,在过去5年,该公司的经营现金流入和流出一直上升,和两者之间的差异很小,这表明该公司的现金流保持相对稳定。
从融资活动的现金情况,2017年,融资现金流入50亿元,融资现金流出20亿元;2018年,融资现金流入40亿元,融资现金流出37亿元。2019年,融资现金流入70亿元,融资现金流出42亿元;2020年,融资现金流入470亿元,融资现金流出110亿元;2021年,融资现金流入160亿元,融资现金流出185亿元。数据显示,2020年资金流入企业的迅速增长,表明在2020年,企业进行了大量的资金,在2021年,有一个大的资金流入的成熟度账户。
5.3。盈利能力分析
一个企业的目的是盈利,盈利能力是企业获取利润的能力操作,这是企业的经营的化身。这种能力将影响企业的融资情况和有一个伟大的对企业的后续发展的影响。为了了解公司的盈利能力,我们进行了一项调查,该公司的盈利能力,如图10。
根据图中的数据10从销售利润的角度来看,2017年公司的销售利润为15%,而市场的销售利润是21%。2018年,该公司的销售利润是15.2%,和市场的销售利润是21.4%;2019年,该公司的销售利润是16.3%,和市场的销售利润是19.5%。2020年,该公司的销售利润是14.7%,和市场的销售利润是20%;2021年,该公司的销售利润是15.4%,和市场的销售利润是21.1%。数据显示,公司的利润一直低于市场情况,但当市场利润减少,公司的利润不下降。这表明企业并不被市场环境,这表明,企业的市场竞争的行业相对较大。
从资产回报的角度来看,在2017年,该公司的股本收益率是2.3%,市场的9%;2018年,该公司的股本收益率是3.6%,市场的10%;2019年,该公司的股本收益率是3.4%,市场的4%;2020年,公司的股本收益率是2.4%,和市场的资产回报率是5.4%。2021年,公司的资产回报率是6%,市场的资产回报率是17%。数据显示,该公司的收入波动较大,整体收入低于市场水平。公司应该纠正它的管理方法。
6。结论
财务会计的发展时间很长,而且它在每个发展阶段都有其特点。随着技术的不断进步,技术和生产的结合已经成为主流。信息化的不断深化也迫使财务会计的不断转型升级模式。本文旨在研究财务会计的先进的人工智能模型转换基于机器学习和企业非结构化文本数据,希望升级财务会计的管理和提高其分析与机器学习和非结构化文本技术的帮助。虽然探讨,但仍有不足。虽然作者试图进行定量分析,水平有限,和企业的操作存在的问题不能深入讨论,所以令人信服的结论需要改进的力量。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。