资产负债智能管理方法、装置及计算机可读存储介质与流程
本发明涉及人工智能技术领域，尤其涉及一种基于智能查询企业负债情况的资产负债智能管理方法、装置及计算机可读存储介质。
背景技术：
目前多数企业债务查询方法都以传统方法为主，如审查企业会计账本、利用银行的信贷管理系统查询企业贷款情况等，但审查企业会计账本耗时费力，且容错率较高；而银行的信贷管理系统可查询的信息不够全面，因此传统方法不能有效的解决企业债务查询问题。
技术实现要素：
本发明提供一种资产负债智能管理方法、装置及计算机可读存储介质，其主要目的在于当用户输入待查询的企业债务时，给用户呈现出精准的企业债务情况。
为实现上述目的，本发明提供的一种资产负债智能管理方法，包括：
通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；
利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；
将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；
接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
可选地，所述通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中，包括：
源数据层接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类；
所述源数据层查询数据库的当前编号后，将所述当前编号的下一个编号作为分类后的所述企业数据及所述负债标签的编号；
所述源数据层将分类后的所述企业数据及所述负债标签输入至数据库，并更新所述数据库的当前编号。
可选地，所述利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征，包括：
所述数据整合层查询所述数据库的当前编号，根据所述编号从所述数据库中提取所述企业数据；
所述数据整合层将所述企业数据作为因子分析模型的输入数据并训练所述因子分析模型，直至所述因子分析模型的最大化似然函数值小于阈值时，所述因子分析模型退出训练并输出资产特征。
可选地，所述因子分析模型包括似然函数
其中∧为变化矩阵，μ为高斯分布的均值，
所述最大化似然函数为：
其中qi(zi)为琴生不等式的参数值：
可选地，将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时，所述前向神经网络层退出训练，包括：
将所述资产特征输入至所述前向神经网络层的输入层，所述负债标签输入至所述前向神经网络层的损失函数中；
根据所述输入层数据对所述前向神经网络层进行训练得出训练值，并将所述训练值输入至所述损失函数中；
通过所述损失函数，根据所述训练值与所述负债标签计算出损失值，并判断所述损失值与所述预设阈值的大小，直至所述损失值小于所述阈值时，所述前向神经网络层退出训练。
此外，为实现上述目的，本发明还提供一种资产负债智能管理装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的资产负债智能管理程序，所述资产负债智能管理程序被所述处理器执行时实现如下步骤：
通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；
利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；
将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练；
接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
可选地，所述通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中，包括：
源数据层接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类；
所述源数据层查询数据库的当前编号后，将所述当前编号的下一个编号作为所述分类后的企业数据及所述负债标签的编号；
所述源数据层将所述分类后的企业数据及所述负债标签输入至数据库，并更新所述数据库的当前编号。
可选地，所述利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征，包括：
所述数据整合层查询所述数据库的当前编号，根据所述编号从所述数据库中提取所述企业数据；
所述数据整合层将所述企业数据作为因子分析模型的输入数据并训练所述因子分析模型，直至所述因子分析模型的最大化似然函数值小于阈值时，所述因子分析模型退出训练并输出资产特征。
可选地，所述因子分析模型包括似然函数
其中∧为变化矩阵，μ为高斯分布的均值，
所述最大化似然函数为：
其中qi(zi)为琴生不等式的参数值：
此外，为实现上述目的，本发明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上存储有资产负债智能管理程序，所述资产负债智能管理程序可被一个或者多个处理器执行，以实现如上所述的资产负债智能管理方法的步骤。
本发明提出的资产负债智能管理方法、装置及计算机可读存储介质，源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中；数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征；将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时退出训练；接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。为用户可以实现高效的资产负债管理。
附图说明
图1为本发明一实施例提供的资产负债智能管理方法的流程示意图；
图2为本发明一实施例提供的资产负债智能管理装置的内部结构示意图；
图3为本发明一实施例提供的资产负债智能管理装置中资产负债智能管理程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种资产负债智能管理方法。参照图1所示，为本发明一实施例提供的资产负债智能管理方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，资产负债智能管理方法包括：
s1、通过源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中。
本发明较佳实施例的企业数据包括专利申请数量、资产负债数据、投融资金额、股权变更情况、大额专项资金流动量、年度财务快报、企业运营经费等。所述负债标签分为正常盈利和已负债两种标签。所述源数据层是一个多层循环嵌套模型，接收所述企业数据及标签。
本发明较佳实施例构建的数据库可使用关系型数据库管理系统mysql，所述编号可使用公司名简写加数字排序的方式，如pa00001等方式。
本发明较佳实施所述的源数据层接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类，所述分类种类包括专利、固定资产、流动资产和涉外投资。进一步地，所述源数据层查询数据库的当前编号后，将所述当前编号的下一个编号作为所述分类后的企业数据及所述负债标签的编号，如所述源数据层查询数据库的当前编号为pa89757，则下一个编号根据所述公司名简称和查询结果可为pa89758，并将所述pa89758作为所述企业数据及负债标签编号。进一步地，所述源数据层将所述分类后的企业数据及所述负债标签存入至数据库。
s2、利用数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征。
本发明较佳实施例构建的数据整合层包括数据提取层和特征提取层，所述数据提取层根据所述编号，从关系型数据库管理系统mysql中提取企业数据，并将所述企业数据输入至特征提取层。
本发明较佳实施例中所构建的特征提取层将所述企业数据作为因子分析模型的输入数据并训练，直至所述因子分析模型的最大化似然函数值小于预设阈值时，所述因子分析模型退出训练并输出资产特征。所述因子分析模型包括似然函数
进一步地，本发明较佳实施例所述似然函数
其中∧为变化矩阵，μ为高斯分布的均值，
进一步地，本发明较佳实施例最大化似然函数根据jensen不等式，若函数f(x)为凸函数，则f(x)的期望函数大于或等于函数的期望，数学表达式为f(e[x])≤e[f(x)]，因此：
其中，按照jensen不等式等号成立条件，当且仅当x为常量时f(e[x])＝e[f(x)]。其中qi(zi)为琴生不等式的参数值，故qi(zi)值为：
本发明较佳实施例所述最大化似然函数因此为：
进一步地，本发明较佳实施例的最大化似然函数值小于阈值后，所述特征提取层退出训练，完成资产特征的提取。
s3、将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足预设阈值要求时，所述前向神经网络层退出训练。
本发明较佳实施例所述的前向神经网络层包括输入层、隐藏层和输出层，所述资产特征输入至所述前向神经网络层的输入层，并将所述负债标签输入至所述损失函数中。
进一步地，本发明较佳实施例所述前向神经网络层根据所述输入层数据和所述隐藏层得出训练值，并将所述训练值输入至所述损失函数中。所述损失函数根据所述训练值与所述负债标签计算出损失值，并判断所述损失值与所述阈值的大小，直至所述损失值小于所述阈值时，所述前向神经网络层退出训练，所述损失函数为最小二乘法，所述损失值为l(e)：
其中，e为所述训练值与所述负债标签的误差值，k为所述资产特征的数量，yi为所述资产特征，y′i为所述训练值，所述阈值一般设置为0.01。
s4、接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
本发明较佳实施例接收用户的企业负债查询指令，并对所述企业负债查询指令进行编码后查询数据库编号，将所述数据库编号的企业数据及负债标签输入至所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
发明还提供一种资产负债智能管理装置。参照图2所示，为本发明一实施例提供的资产负债智能管理装置的内部结构示意图。
在本实施例中，所述资产负债智能管理装置1可以是pc(personalcomputer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该资产负债智能管理装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是资产负债智能管理装置1的内部存储单元，例如该资产负债智能管理装置1的硬盘。存储器11在另一些实施例中也可以是资产负债智能管理装置1的外部存储设备，例如资产负债智能管理装置1上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，存储器11还可以既包括资产负债智能管理装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于资产负债智能管理装置1的应用软件及各类数据，例如资产负债智能管理程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(centralprocessingunit，cpu)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行资产负债智能管理程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如wi-fi接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(display)、输入单元比如键盘(keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在资产负债智能管理装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及资产负债智能管理程序01的资产负债智能管理装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对资产负债智能管理装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有资产负债智能管理程序01；处理器12执行存储器11中存储的资产负债智能管理程序01时实现如下步骤：
步骤一、源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中。
本发明较佳实施例的企业数据包括专利申请数量、资产负债数据、投融资金额、股权变更情况、大额专项资金流动量、年度财务快报、企业运营经费等。所述负债标签分为正常盈利和已负债两种标签。所述源数据层是一个多层循环嵌套模型，接收所述企业数据及标签。
本发明较佳实施例构建的数据库可使用关系型数据库管理系统mysql，所述编号可使用公司名简写加数字排序的方式，如pa00001等方式。
本发明较佳实施所述的源数据层接收企业数据及负债标签，并根据企业数据的类型对所述企业数据分类，所述分类种类包括专利、固定资产、流动资产和涉外投资。进一步地，所述源数据层查询数据库的当前编号后，将所述当前编号的下一个编号作为所述分类后的企业数据及所述负债标签的编号，如所述源数据层查询数据库的当前编号为pa89757，则下一个编号根据所述公司名简称和查询结果可为pa89758，并将所述pa89758作为所述企业数据及负债标签编号。进一步地，所述源数据层将所述分类后的企业数据及所述负债标签存入至数据库。
步骤二、数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征。
本发明较佳实施例构建的数据整合层包括数据提取层和特征提取层，所述数据提取层根据所述编号，从关系型数据库管理系统mysql中提取企业数据，并将所述企业数据输入至特征提取层。
本发明较佳实施例中所构建的特征提取层将所述企业数据作为因子分析模型的输入数据并训练，直至所述因子分析模型的最大化似然函数值小于阈值时，所述因子分析模型退出训练并输出资产特征。所述因子分析模型包括似然函数
进一步地，本发明较佳实施例所述似然函数
其中∧为变化矩阵，μ为高斯分布的均值，
进一步地，本发明较佳实施例最大化似然函数根据jensen不等式，若函数f(x)为凸函数，则f(x)的期望函数大于或等于函数的期望，数学表达式为f(e[x])≤e[f(x)]，因此：
其中，按照jensen不等式等号成立条件，当且仅当x为常量时f(e[x])＝e[f(x)]。其中qi(zi)为琴生不等式的参数值，故qi(zi)值为：
本发明较佳实施例所述最大化似然函数因此为：
进一步地，本发明较佳实施例的最大化似然函数值小于阈值后，所述特征提取层退出训练，完成资产特征的提取。
步骤三、将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时，所述前向神经网络层退出训练。
本发明较佳实施例所述的前向神经网络层包括输入层、隐藏层和输出层，所述资产特征输入至所述前向神经网络层的输入层，并将所述负债标签输入至所述损失函数中。
进一步地，本发明较佳实施例所述前向神经网络层根据所述输入层数据和所述隐藏层得出训练值，并将所述训练值输入至所述损失函数中。所述损失函数根据所述训练值与所述负债标签计算出损失值，并判断所述损失值与所述阈值的大小，直至所述损失值小于所述阈值，所述前向神经网络层退出训练。其中，所述损失函数为最小二乘法，所述损失值为l(e)：
其中，e为所述训练值与所述负债标签的误差值，k为所述资产特征的数量，yi为所述资产特征，y′i为所述训练值，所述阈值一般设置为0.01。
步骤四、接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
本发明较佳实施例接收用户的企业负债查询指令，并对所述企业负债查询指令进行编码后查询数据库编号，将所述数据库编号的企业数据及负债标签输入至所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
可选地，在其他实施例中，资产负债智能管理程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述资产负债智能管理程序在资产负债智能管理装置中的执行过程。
例如，参照图3所示，为本发明资产负债智能管理装置一实施例中的资产负债智能管理程序的程序模块示意图，该实施例中，所述资产负债智能管理程序可以被分割为源数据接收模块10、特征提取模块20、特征分析模块30以及企业负债结果模块40，示例性地：
所述源数据接收模块10用于：源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中。
所述特征提取模块20用于：数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征。
所述特征分析模块30用于：将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时退出训练。
所述企业负债结果模块40用于：接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
上述源数据接收模块10、特征提取模块20、特征分析模块30以及企业负债结果模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例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上存储有资产负债智能管理程序，所述资产负债智能管理程序可被一个或多个处理器执行，以实现如下操作：
源数据层接收企业数据及负债标签，并对所述企业数据及负债标签编号后存入数据库中。
数据整合层根据所述编号，从所述数据库中提取所述企业数据，通过因子分析模型从所述企业数据中提取资产特征。
将所述资产特征及所述负债标签输入至前向神经网络层中训练，直至所述前向神经网络层的损失函数值满足阈值要求时，所述前向神经网络层退出训练。
接收用户的企业负债查询指令，利用所述数据整合层和所述前向神经网络层进行企业负债情况计算，输出企业负债结果。
本发明计算机可读存储介质具体实施方式与上述资产负债智能管理装置和方法各实施例基本相同，在此不作累述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！