基于人工智能的财务预开票风险管控系统及其运行方法与流程

本技术涉及财务风险管控，具体涉及一种基于人工智能的财务预开票风险管控系统及其运行方法。

背景技术：

1、相关技术中，通常采用人工核对的方式对预开发票的财务风险进行控制，这就要求财务专员需要广泛的搜集企业外部信息，并依据所掌握外部信息对企业履行相关合同和经济承诺的能力和意愿进行总体评价，最后结合自身经验判断是否同意该企业的预开发票申请；当外部信息数据搜索数量较多时，数据类型繁杂导致人工整理数据更加困难，且财务专员根据工作经验进行预开票审核时，受主观判断的影响，不同的财务专员可能产生不同的评估结果，导致预开票的审核决策不准确。

技术实现思路

1、本技术实施例提供一种基于人工智能的财务预开票风险管控系统及其运行方法，用以解决采用人工核对的方式对预开发票的财务风险进行控制时数据整理困难，且预开票的审核决策不准确的技术问题。

2、第一方面，本技术实施例提供一种基于人工智能的财务预开票风险管控系统，包括：

3、企业风控数据采集机器人，所述企业风控数据采集机器人基于智能流程自动化ipa开发平台搭建，企业风控数据采集机器人用于采集多源异构数据，并对所述多源异构数据进行定性分析、定量分析和数据统计，得到结构化数据；其中，所述多源异构数据包括企业内部数据和企业外部数据；

4、企业信用预测模型，所述企业信用预测模型基于卷积注意力机制训练得到，所述企业信用预测模型用于对所述结构化数据进行信用等级分类，得到信用等级分类结果；

5、企业信用服务模块，所述企业信用服务模块用于在票据中心接收到企业发送的预开票请求的情况下，将结构化数据和所述信用等级分类结果发送至票据中心进行核查。

6、在一个实施例中，所述企业风控数据采集机器人包括：

7、内部信息采集模块，所述内部信息采集模块用于从公司员工持股计划esop系统和票据中心数据库中采集历史交易数据，得到所述企业内部数据；

8、外部信息采集模块，所述外部信息采集模块用于通过互联网从企业信息库中采集企业信用信息，得到所述企业外部数据；

9、信息标准化模块，信息标准化模块用于对所述多源异构数据中的定量信息进行规范化处理，对所述多源异构数据中的定性信息进行数字化处理，并统计所述多源异构数据中的同类信息的数量，得到所述结构化数据；

10、企业信息库搭建模块，所述企业信息库搭建模块用于根据所述标准化数据构建企业信息库，所述企业信息库用于对多源异构数据进行数字化管理。

11、在一个实施例中，所述企业风控数据采集机器人还包括：

12、数据预处理模块，所述数据预处理模块用于对所述多源异构数据进行数据清洗、格式转换、数据衍生和数据降维的处理，得到数据标签，所述数据标签为所述企业信用预测模型关联的训练标签。

13、在一个实施例中，企业信用预测模型包括：

14、多个全连接层，全连接层用于对结构化数据对应的特征矩阵进行扩展，得到扩展后的特征矩阵；

15、卷积层，所述卷积层用于通过卷积核对所述扩展后的特征矩阵进行特征映射，得到映射矩阵；

16、池化层，所述池化层用于对所述映射矩阵进行将采样处理，得到池化矩阵；

17、注意力层，所述注意力层用于将所述池化矩阵中的企业内部数据对应的特征向量和企业外部数据对应的特征向量映射到统一的特征空间，得到特征隐藏矩阵，基于所述特征隐藏矩阵和映射参数得到注意力权重分布信息；

18、softmax层，所述softmax层用于对所述注意力权重分布信息进行分类概率计算，得到所述信用等级分类结果。

19、第二方面，本技术实施例提供一种基于人工智能的财务预开票风险管控系统的运行方法，包括：

20、基于企业风控数据采集机器人采集多源异构数据，并对所述多源异构数据进行定性分析、定量分析和数据统计，得到结构化数据；其中，所述多源异构数据包括企业内部数据和企业外部数据，所述企业风控数据采集机器人基于智能流程自动化ipa开发平台搭建；

21、基于企业信用预测模型对所述结构化数据进行信用等级分类，得到信用等级分类结果，所述企业信用预测模型基于卷积注意力机制训练得到；

22、在票据中心接收到企业发送的预开票请求的情况下，将所述结构化数据和所述信用等级分类结果发送至票据中心进行核查。

23、在一个实施例中，所述基于企业风控数据采集机器人采集多源异构数据，并对所述多源异构数据进行定性分析、定量分析和数据统计，得到结构化数据，包括：

24、基于内部信息采集模块从公司员工持股计划esop系统和票据中心数据库中采集历史交易数据，得到所述企业内部数据；基于外部信息采集模块用于通过互联网从企业信息库中采集企业信用信息，得到所述企业外部数据；

25、基于信息标准化模块对所述多源异构数据中的定量信息进行规范化处理，对所述多源异构数据中的定性信息进行数字化处理，并统计所述多源异构数据中的同类信息的数量，得到所述结构化数据；

26、基于企业信息库搭建模块根据所述标准化数据构建企业信息库，所述企业信息库用于对多源异构数据进行数字化管理。

27、在一个实施例中，所述企业信用预测模型包括多个全连接层、卷积层、池化层、注意力层和softmax层；

28、所述基于企业信用预测模型对所述结构化数据进行信用等级分类，得到信用等级分类结果，包括：

29、基于全连接层用于对结构化数据对应的特征矩阵进行扩展，得到扩展后的特征矩阵；

30、基于卷积层通过卷积核对所述扩展后的特征矩阵进行特征映射，得到映射矩阵；

31、基于池化层对所述映射矩阵进行将采样处理，得到池化矩阵；

32、基于注意力层将所述池化矩阵中的企业内部数据对应的特征向量和企业外部数据对应的特征向量映射到统一的特征空间，得到特征隐藏矩阵，基于所述特征隐藏矩阵和映射参数得到注意力权重分布信息；

33、基于softmax层对所述注意力权重分布信息进行分类概率计算，得到所述信用等级分类结果。

34、第三方面，本技术实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的基于人工智能的财务预开票风险管控系统的运行方法的步骤。

35、第四方面，本技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的基于人工智能的财务预开票风险管控系统的运行方法的步骤。

36、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的基于人工智能的财务预开票风险管控系统的运行方法的步骤。

37、本技术实施例提供的基于人工智能的财务预开票风险管控系统及其运行方法，通过企业风控数据采集机器人采集多源异构数据，并对多源异构数据进行信息标准化分析，得到结构化数据；再通过企业信用预测模型对结构化数据进行信用等级分类，得到信用等级分类结果，最后通过企业信用服务模块于在票据中心接收到企业发送的预开票请求的情况下，将结构化数据和信用等级分类结果发送至票据中心进行核查，实现了对企业的多源异构数据的自动化采集，减少了人工操作流程，提升了财务预开票核对效率，同时提高风控评级的全面性和准确性。