基于卷积神经网络模型的审计方法、系统和可读存储介质技术方案

本发明专利技术提供一种基于卷积神经网络模型的审计方法、系统和可读存储介质，所述方法包括：获取审计对象的至少一项业务的业务数据；将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，获取所述各项业务的风险值以及造成风险的异常值。

Audit method, system and readable storage medium based on convolutional neural network model

The invention provides an audit method, system and readable storage medium based on convolutional neural network model, the method includes: obtaining the business data of at least one business of the audit object; inputting the business data of each business in the at least one business to the preset risk prediction model, obtaining the risk value of each business and the abnormal value causing the risk.

【技术实现步骤摘要】
基于卷积神经网络模型的审计方法、系统和可读存储介质
本专利技术涉及人工智能和数据处理
，尤其涉及一种基于卷积神经网络模型的审计方法、系统和可读存储介质。
技术介绍
近年来，随着计算机技术和信息化建设的飞速发展，经济管理活动的信息化广度和深度也与时俱进，作为经济活动监督、评价和鉴证的审计，遇到了前所未有的挑战，传统的手工审计已无法适应信息化条件下的审计需求，审计对象的信息化和审计自身的发展都要求审计作业方式必须与时俱进，做出相应的调整。因此，顺应信息化发展趋势，更新审计监督理念，创新审计方法迫在眉睫。模拟人类实际神经网络的数学方法问世以来，人们已慢慢习惯了把这种人工神经网络直接称为神经网络。神经网络在系统辨识、模式识别、智能控制等领域有着广泛而吸引人的前景，特别在智能控制中，人们对神经网络的自学习功能尤其感兴趣，并且把神经网络这一重要特点看作是解决自动控制中控制器适应能力这个难题的关键钥匙之一。如何利用神经网络提供一种审计方法，以替代传统的手工审计，从而改善审计方式、提高审计效率，是当前需要解决的问题。
技术实现思路
为了解决上述至少一个技术问题，本专利技术提出了一种基于卷积神经网络模型的审计方法、系统和可读存储介质。为了实现上述目的，本专利技术第一方面提出了一种基于卷积神经网络模型的审计方法，所述方法包括：获取审计对象的至少一项业务的业务数据；将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，获取所述各项业务的风险值以及造成风险的异常值。进一步地，所述方法还包括：生成所述预设的风险预测模型；包括：获取所述审计对象的各项业务的历史业务数据和风险信息；所述风险信息包括：风险值和/或造成风险的异常值；利用所述历史业务数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型。进一步地，所述历史业务数据，包括：非结构化数据集；所述非结构化数据集包括：至少一个非结构化数据；所述获取审计对象的至少一项业务的业务数据之后，所述方法还包括：根据所述非结构化数据集中每个非结构数据的上下文信息，构建所述非结构化数据集中每个非结构数据之间的层级结构；提取与每个层级对应的非结构化数据以生成节点，构建与所述非结构化数据集对应的树形数据集；根据所述非结构化数据的上下文信息，对所述非结构化数据进行数据挖掘，提取非结构化数据对应的目标数据，并确定所述非机构化数据与其他非结构化数据之间的关联关系；相应的，所述将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，包括：利用所述非结构化数据对应的目标数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型；所述目标数据携带有其对应的非结构化数据与其他非结构化数据之间的关联关系。进一步地，所述获取所述审计对象的各项业务的历史业务数据和风险信息之后，所述方法还包括：对所述历史业务数据和风险值进行数据清洗、业务梳理和数据修正，具体包括以下至少一种：对所述历史业务数据中重复记录的内容进行排查处理，并对重复内容进行删除处理；对所述历史业务数据中的异常数值进行检查，对数值漏写、笔误进行修正。进一步地，所述利用所述非结构化数据对应的目标数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型，包括：将所述至少一项业务对应的所述所述目标数据和风险信息，分别输入卷积神经网络模型的一个输入通道；结合卷积层、特征融合层和输出层，对预设的卷积神经网络模型进行修正，获得预设的风险预测模型。进一步地，所述风险预测模型，包括：N个输入通道的输入层、M第一巻积层、特征融合层以及输出层；所述N和M大于等于1；所述输入通道的数量大于等于业务项数；所述输入层，用于接收所述风险预测模型的输入数据；所述输入数据，包括：所述至少一项业务对应的所述所述目标数据和风险信息；所述巻积层，用于对所述输入数据的数据特征逐层进行卷积计算，输出特征数据；所述特征融合层，用于对所述特征数据进行特征融合；所述输出层，用于对特征融合后的数据特征进行数据分类或回归，并输出审计结果；所述风险网络模型的训练采用以下损失函数：其中，Li表示第i个样本的损失值，xi∈Rd表示第i个样本在风险网络模型的巻积层的输出值，yi表示第i个样本的标签，wj表示卷积层与融合层之间的权重的第j列，b表示偏置项，n表示总样本的类别数，λ表示权重系数，m表示决策边缘。本专利技术第二方面还提出一种基于卷积神经网络模型的审计系统，所述审基于卷积神经网络模型的审计系统包括：存储器及处理器，所述存储器中包括一种审计方法程序，所述审计方法程序被所述处理器执行时实现如下步骤：获取审计对象的至少一项业务的业务数据；将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，获取所述各项业务的风险值以及造成风险的异常值。进一步地，所述基于卷积神经网络模型的审计方法程序被所述处理器执行时，还包括：生成所述预设的风险预测模型；包括：获取所述审计对象的各项业务的历史业务数据和风险信息；所述风险信息包括：风险值和/或造成风险的异常值；利用所述历史业务数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型。进一步地，所述历史业务数据，包括：非结构化数据集；所述非结构化数据集包括：至少一个非结构化数据；所述获取审计对象的至少一项业务的业务数据之后，所述方法还包括：根据所述非结构化数据集中每个非结构数据的上下文信息，构建所述非结构化数据集中每个非结构数据之间的层级结构；提取与每个层级对应的非结构化数据以生成节点，构建与所述非结构化数据集对应的树形数据集；根据所述非结构化数据的上下文信息，对所述非结构化数据进行数据挖掘，提取非结构化数据对应的目标数据，并确定所述非机构化数据与其他非结构化数据之间的关联关系；相应的，所述将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，包括：利用所述非结构化数据对应的目标数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型；所述目标数据携带有其对应的非结构化数据与其他非结构化数据之间的关联关系。进一步地，所述获取所述审计对象的各项业务的历史业务数据和风险信息之后，所述方法还包括：对所述历史业务数据和风险值进行数据清洗、业务梳理和数据修正，具体包括以下至少一种：对所述历史业务数据中重复记录的内容进行排查处理，并对重复内容进行删除处理；对所述历史业务数据中的异常数值进行检查，对数值漏写、笔误进行修正。本专利技术第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于卷积神经网络模型的审计方法程序，所述基于卷积神经网络模型的审计方法程序被处理器执行时，实现如以上任一项所述的一种基于卷积神经网络模型的审计方法的步骤。本专利技术实施例提供了本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络模型的审计方法，其特征在于，所述方法包括：/n获取审计对象的至少一项业务的业务数据；/n将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，获取所述各项业务的风险值以及造成风险的异常值。/n

【技术特征摘要】
1.一种基于卷积神经网络模型的审计方法，其特征在于，所述方法包括：
获取审计对象的至少一项业务的业务数据；
将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，获取所述各项业务的风险值以及造成风险的异常值。


2.根据权利要求1所述的基于卷积神经网络模型的审计方法，其特征在于，所述方法还包括：生成所述预设的风险预测模型；包括：
获取所述审计对象的各项业务的历史业务数据和风险信息；所述风险信息包括：风险值和/或造成风险的异常值；
利用所述历史业务数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型。


3.根据权利要求2所述的基于卷积神经网络模型的审计方法，其特征在于，所述历史业务数据，包括：非结构化数据集；所述非结构化数据集包括：至少一个非结构化数据；
所述获取审计对象的至少一项业务的业务数据之后，所述方法还包括：
根据所述非结构化数据集中每个非结构数据的上下文信息，构建所述非结构化数据集中每个非结构数据之间的层级结构；
提取与每个层级对应的非结构化数据以生成节点，构建与所述非结构化数据集对应的树形数据集；
根据所述非结构化数据的上下文信息，对所述非结构化数据进行数据挖掘，提取非结构化数据对应的目标数据，并确定所述非机构化数据与其他非结构化数据之间的关联关系；
相应的，所述将所述至少一项业务中各项业务的业务数据输入至预设的风险预测模型，包括：
利用所述非结构化数据对应的目标数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型；所述目标数据携带有其对应的非结构化数据与其他非结构化数据之间的关联关系。


4.根据权利要求2所述的基于卷积神经网络模型的审计方法，其特征在于，所述获取所述审计对象的各项业务的历史业务数据和风险信息之后，所述方法还包括：
对所述历史业务数据和风险值进行数据清洗、业务梳理和数据修正，具体包括以下至少一种：
对所述历史业务数据中重复记录的内容进行排查处理，并对重复内容进行删除处理；
对所述历史业务数据中的异常数值进行检查，对数值漏写、笔误进行修正。


5.根据权利要求3所述的基于卷积神经网络模型的审计方法，其特征在于，所述利用所述非结构化数据对应的目标数据和风险信息对预设的卷积神经网络模型进行修正，获得预设的风险预测模型，包括：
将所述至少一项业务对应的所述所述目标数据和风险信息，分别输入卷积神经网络模型的一个输入通道；结合卷积层、特征融合层和输出层，对预设的卷积神经网络模型进行修正，获得预设的风险预测模型。


6.根据权利要求5所述的基于卷积神经网络模型的审计方法，其特征在于，所述风险预测模型，包括：N个输入通道的输入层、M第一巻积层、特征融合层以及输出层；所述N和M大于等于1；
所述输入通道的数量大于等于业务项数；所述输入层，用于接收所述风险预测...

【专利技术属性】
技术研发人员：李芳琳，梁琦，韦海玲，施传新，王胜，
申请(专利权)人：广西电网有限责任公司南宁供电局，
类型：发明
国别省市：广西;45