审计报告生成方法技术

本申请涉及人工智能技术领域，公开一种审计报告生成方法

【技术实现步骤摘要】
审计报告生成方法、装置、设备和存储介质


[0001]本申请涉及人工智能
，尤其是一种审计报告生成方法
、
装置
、
设备和存储介质
。

技术介绍

[0002]传统的审计方式是业务侧人员向审计侧人员提审计需求，把审计可能用到的信息用自然语言描述出来，这种方式在审计侧人员接收到需求之后，需要由审计侧人员跟业务侧人员进行审计需求反复沟通，明确业务侧中各个业务数据的数据表内容和字段含义，然后由审计侧人员根据经验来编写审计报告，一方面，人工成本高且出错概率高，另一方面，这种审计对象的准确性取决于审计侧人员的经验，存在错审漏审的潜在风险，审计效率低且不够可靠
。

技术实现思路

[0003]本申请的目的是提供一种审计报告生成方法
、
装置
、
设备和存储介质，旨在降低人工成本和出错概率，提高审计报告的生成效率和质量
。
[0004]本申请实施例提供一种审计报告生成方法，包括：获取若干个维度的审计数据；对审计数据进行多尺度特征融合，得到融合信息；将融合信息输入到训练好的自注意力模型，以基于稀疏注意力机制提取融合信息中与审计需求相关的关键特征，得到预测信息；将预测信息输入到训练好的高斯混合模型，以基于混合高斯分布确定预测信息所属的分类类别，得到分类结果；基于分类结果确定对应预测信息在预设的报告模板中的关联位置，将预测信息插入至对应的关联位置，从而生成审计报告
。
[0005]在一些实施例中，所述对审计数据进行多尺度特征融合，得到融合信息，包括：对审计数据进行预处理，得到预处理数据；使用预处理数据构建协方差矩阵，得到融合矩阵；在所述融合矩阵中，同一维度的审计数据所对应的矩阵元素排列为一行，每个矩阵元素分别表示一个审计数据的特征值；对融合矩阵进行特征值分解，得到审计数据的特征值和特征值所对应的特征向量，选取具有较大特征值的若干个特征向量作为主成分；通过将数据映射到主成分所构成的新空间中，得到融合信息
。
[0006]在一些实施例中，所述自注意力模型包括稀疏编码层
、
自注意力层和池化层；所述将融合信息输入到训练好的自注意力模型，以基于稀疏注意力机制提取融合信息中与审计需求相关的关键特征，得到预测信息，包括：在稀疏编码层中，使用预设的稀疏编码目标函数对融合信息进行稀疏特征抽取，以获取融合信息的特征进行稀疏表示，得到稀疏编码；
在自注意力层中，使用预设的权重矩阵对稀疏编码进行加权拟合处理，得到稀疏编码的特征向量，对特征向量进行归一化处理，得到归一化向量；在池化层中，对归一化向量进行最大池化操作，以对归一化向量中元素的特征进行提取，得到预测信息
。
[0007]在一些实施例中，所述自注意力模型的训练方法，包括：获取若干个维度的样本数据；对样本数据进行多尺度特征融合，得到样本信息；获取待训练的自注意力模型；将样本信息输入到待训练的自注意力模型，以基于稀疏注意力机制提取样本信息中与审计需求相关的关键特征，得到粗预测信息；确定样本信息真实的审计关键特征，得到真实信息；基于粗预测信息与真实信息，确定模型损失信息；所述模型损失信息用于表征粗预测信息与真实信息之间的审计属性匹配程度；基于模型损失信息调整待训练的自注意力模型的权重参数，在模型损失信息符合结束条件时，得到训练好的自注意力模型
。
[0008]在一些实施例中，所述高斯混合模型至少由两个高斯子模型组成，各所述高斯子模型分别配置有相应的高斯权重
、
均值向量和协方差矩阵；所述将预测信息输入到训练好的高斯混合模型，以基于混合高斯分布确定预测信息所属的分类类别，得到分类结果，包括：设定训练好的高斯子模型表示相应的分类类别；计算预测信息的各个预测值属于每个高斯子模型的后验概率，得到预测值属于分类类别的后验概率；根据最大后验概率，确定预测值所对应的高斯子模型和分类类别，使用该分类类别作为预测信息中对应预测值的分类结果
。
[0009]在一些实施例中，所述高斯混合模型的训练方法，包括：初始化各个待训练的高斯子模型的高斯权重
、
均值向量和协方差矩阵；使用待训练的高斯子模型表示相应的分类类别，计算预测信息的预测值来自每个高斯子模型的后验概率，得到预测值属于分类类别的训练后验概率；使用最大训练后验概率更新待训练的高斯子模型的高斯权重
、
均值向量和协方差矩阵，迭代使用更新后的高斯子模型计算预测值属于分类类别的训练后验概率，在达到迭代结束条件时，得到训练好的高斯混合模型；所述迭代结束条件为达到预设的迭代次数或相邻两次迭代得到的高斯权重
、
均值向量和协方差矩阵的变化率均小于预设的阈值
。
[0010]在一些实施例中，所述基于分类结果确定对应预测信息在预设的报告模板中的关联位置，将预测信息插入至对应的关联位置，从而生成审计报告，包括：从报告模板中获取与关联位置相关联的文本标签；对分类结果和文本标签进行语义关联识别，得到识别结果；根据识别结果确定预测信息所对应的关联位置，将预测信息插入至对应的关联位置，从而生成审计报告
。
[0011]本申请实施例还提供一种审计报告生成装置，包括：
第一模块，用于获取若干个维度的审计数据；第二模块，用于对审计数据进行多尺度特征融合，得到融合信息；第三模块，用于将融合信息输入到训练好的自注意力模型，以基于稀疏注意力机制提取融合信息中与审计需求相关的关键特征，得到预测信息；第四模块，用于将预测信息输入到训练好的高斯混合模型，以基于混合高斯分布确定预测信息所属的分类类别，得到分类结果；第五模块，用于基于分类结果确定对应预测信息在预设的报告模板中的关联位置，将预测信息插入至对应的关联位置，从而生成审计报告
。
[0012]本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的审计报告生成方法
。
[0013]本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的审计报告生成方法
。
[0014]本申请的有益效果：首先获取多个维度的审计数据，对多个维度的审计数据进行多尺度特征融合，可以在以最少的信息丢失为前提快速地对审计数据进行降维并提取出审计数据的关键特征，然后利用训练好的自注意力模型提取特征融合得到的融合信息中与审计需求相关的关键特征，再利用训练好的高斯混合模型对提取得到的预测信息进行分类，确定预测信息的分类类别，最后根据预测信息的分类类别将预测信息的内容插入到预设报告模板中对应的关联位置，从而生成审计报告，通过自注意力模型和混合高斯模型相结合的主动学习的手段，从大量审计数据中有策略地进行关键特征提取和分类，可以通过尽量少的人工处理获得较优的分类效果，能够降低人工成本和出错概率，提高审计报告的生成效率和质量
...

【技术保护点】

【技术特征摘要】
1.
一种审计报告生成方法，其特征在于，包括：获取若干个维度的审计数据；对审计数据进行多尺度特征融合，得到融合信息；将融合信息输入到训练好的自注意力模型，以基于稀疏注意力机制提取融合信息中与审计需求相关的关键特征，得到预测信息；将预测信息输入到训练好的高斯混合模型，以基于混合高斯分布确定预测信息所属的分类类别，得到分类结果；基于分类结果确定对应预测信息在预设的报告模板中的关联位置，将预测信息插入至对应的关联位置，从而生成审计报告
。2.
根据权利要求1所述的审计报告生成方法，其特征在于，所述对审计数据进行多尺度特征融合，得到融合信息，包括：对审计数据进行预处理，得到预处理数据；使用预处理数据构建协方差矩阵，得到融合矩阵；在所述融合矩阵中，同一维度的审计数据所对应的矩阵元素排列为一行，每个矩阵元素分别表示一个审计数据的特征值；对融合矩阵进行特征值分解，得到审计数据的特征值和特征值所对应的特征向量，选取具有较大特征值的若干个特征向量作为主成分；通过将数据映射到主成分所构成的新空间中，得到融合信息
。3.
根据权利要求1所述的审计报告生成方法，其特征在于，所述自注意力模型包括稀疏编码层
、
自注意力层和池化层；所述将融合信息输入到训练好的自注意力模型，以基于稀疏注意力机制提取融合信息中与审计需求相关的关键特征，得到预测信息，包括：在稀疏编码层中，使用预设的稀疏编码目标函数对融合信息进行稀疏特征抽取，以获取融合信息的特征进行稀疏表示，得到稀疏编码；在自注意力层中，使用预设的权重矩阵对稀疏编码进行加权拟合处理，得到稀疏编码的特征向量，对特征向量进行归一化处理，得到归一化向量；在池化层中，对归一化向量进行最大池化操作，以对归一化向量中元素的特征进行提取，得到预测信息
。4.
根据权利要求1或3所述的审计报告生成方法，其特征在于，所述自注意力模型的训练方法，包括：获取若干个维度的样本数据；对样本数据进行多尺度特征融合，得到样本信息；获取待训练的自注意力模型；将样本信息输入到待训练的自注意力模型，以基于稀疏注意力机制提取样本信息中与审计需求相关的关键特征，得到粗预测信息；确定样本信息真实的审计关键特征，得到真实信息；基于粗预测信息与真实信息，确定模型损失信息；所述模型损失信息用于表征粗预测信息与真实信息之间的审计属性匹配程度；基于模型损失信息调整待训练的自注意力模型的权重参数，在模型损失信息符合结束条件时，得到训练好的自注意力模型
。
5.
根据权利要求1所述的审计报告生成方法，其特征在于，所述高斯混合模型至少由两个高斯子模型组成，各所述高斯子模型分别配置有相应的高斯权重
、
均值向量和协方差矩...

【专利技术属性】
技术研发人员：胡为民，黄婵娟，张芷鸣，谢丽慧，何永定，
申请(专利权)人：深圳市迪博企业风险管理技术有限公司，
类型：发明
国别省市：