基于關聯(lián)規(guī)則的電子發(fā)票摘要與會計科目名稱相關性分析

李燕萍 劉凡 謝軍

摘要：目的：研究電子發(fā)票摘要與會計科目名稱之間的相關性，考察由電子發(fā)票自動生成會計分錄的方法。方法：對收集到的電子發(fā)票中的摘要信息和會計科目名稱，運用Apriori關聯(lián)規(guī)則算法找出兩者之間的對應關系。結(jié)果：通過應用Apriori關聯(lián)規(guī)則算法，在一定程度上找到了發(fā)票摘要與科目名稱之間的相關性，為下一步自動生成會計分錄提供了可參考的信息。

關鍵詞：電子發(fā)票;會計分錄;關聯(lián)規(guī)則

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）17-0244-02

開放科學（資源服務）標識碼（OSID）：

會計分錄將記賬憑證和包括發(fā)票的原始憑證得以有效的對應和核對，實際起到了連接會計業(yè)務的紐帶作用。記賬憑證和會計賬簿是對經(jīng)濟業(yè)務往來主要內(nèi)容的簡要記錄。會計科目的設置把各項會計要素的增減變化分門別類地歸集起來，為企業(yè)內(nèi)部經(jīng)營管理和向有關方面提供一系列具體分類核算指標。會計科目的名稱一般不超過八個漢字，屬于短文本。按其所提供信息的詳細程度及其統(tǒng)馭關系不同，分為總分類科目和明細分類科目。發(fā)票摘要要求簡明扼要，既要把情況講明白，但又不能煩瑣，文字敘述簡短，屬于短文本。

1 關聯(lián)規(guī)則算法

關聯(lián)規(guī)則是反映一個事件和其他事件之間的依賴或關聯(lián)的知識。文本關聯(lián)規(guī)則挖掘是從大量文本中發(fā)現(xiàn)項集之間有意義的關聯(lián)或相關聯(lián)系。已不少研究在文本較短的情況下，利用關聯(lián)規(guī)則算法去找尋兩者甚至多者之間的關系，陳海霞等（2018）利用關鍵詞關聯(lián)融合CNN的短文本分類[1]，荊琪等（2018）基于維基百科的短文本計算相關度[2]，但尚未有學者解析發(fā)票摘要與會計科目名稱之間的關系。本文利用關聯(lián)規(guī)則中較為常用的關聯(lián)規(guī)則算法—Apriori算法計算分析發(fā)票摘要與會計科目名稱之間的相關性，為自動生成會計分錄提供可參考的信息。

近幾年大數(shù)據(jù)的理念和應用逐步深入，大數(shù)據(jù)應用滲透在各行各業(yè)中，并以此為基礎達到快速處理事務的目的。其中，利用數(shù)據(jù)挖掘技術研究財務報銷已為財務智能的一項主要內(nèi)容，且數(shù)據(jù)挖掘技術的一大優(yōu)勢就是從海量數(shù)據(jù)中發(fā)掘大量隱匿于其中的信息，本文采用的Apriori關聯(lián)規(guī)則算法在找到發(fā)票摘要與會計科目名稱之間的關聯(lián)規(guī)則之后應用于大量處理發(fā)票內(nèi)容的數(shù)據(jù)，自動制成會計分錄。

Apriori算法是一種較為常用的通過頻繁項集挖掘關聯(lián)規(guī)則的算法，它能夠發(fā)現(xiàn)事物數(shù)據(jù)庫中頻繁出現(xiàn)的數(shù)據(jù)集，構(gòu)造數(shù)據(jù)與數(shù)據(jù)之間的聯(lián)系，這些聯(lián)系構(gòu)成的規(guī)則可幫助找出某些行為特征，以便迅速地進行事務處理。關聯(lián)規(guī)則為在某一數(shù)據(jù)或與其相似數(shù)據(jù)出現(xiàn)時，可推導另一對應數(shù)據(jù)信息出現(xiàn)的可能。

Apriori算法中計算的指標包括：

頻繁項集：是指那些經(jīng)常會同時出現(xiàn)的事物，例如辦公桌對應會計科目的管理費用。

支持度：一個項集的支持度被定義為數(shù)據(jù)集中包含該項集的記錄所占的比例。支持度是針對項集來說，在實際應用中可設置一個最小支持度，只保留最小支持度的項集。

support = [同時發(fā)生的事件（X，Y）總事件]

置信度：反映A和B兩個事物彼此之間同時出現(xiàn)的概率。例如經(jīng)典案例{啤酒}→{尿布}這樣的關聯(lián)規(guī)則。

confidence（X→Y） = [同時發(fā)生的事件（X，Y）X發(fā)生的事件]，

confidence（Y→X） = [同時發(fā)生的事件（X，Y）Y發(fā)生的事件]

提升度：提升度表示含有X的條件下，同時含有Y的概率，與只看Y發(fā)生的概率之比。提升度反映了關聯(lián)規(guī)則中的X與Y的相關性，提升度大于1且越高表明正相關性越高，提升度小于1且越低表明負相關性越高，提升度等于1表明沒有相關性，即相互獨立。

Lift（X→Y） = P（Y | X） / P（Y）

本文運用以上計算方法尋找發(fā)票摘要與會計科目名稱之間的關聯(lián)規(guī)則，為進一步自動生成會計分錄做準備。

2 發(fā)票摘要的數(shù)據(jù)準備

從搜集到的電子發(fā)票中隨機抽取200份作為教師數(shù)據(jù)，按照會計學相關原理，根據(jù)發(fā)票摘要的信息內(nèi)容制作了相應的會計分錄，保存在excel里。原始發(fā)票摘要多以日常辦公用品及辦公開銷為主，所對應的分錄多為管理費用、銷售費用等。原始數(shù)據(jù)的具體準備過程如下所述。

電子發(fā)票通常為pdf格式，本文使用python開源工具包PDFMiner中的兩個內(nèi)置工具pdf2txt.py和dumppdf.py獲取發(fā)票摘要中的文字內(nèi)容。首先使用pdf2txt.py從PDF文件中提取所有文本內(nèi)容，將提取的文字按所在位置劃分區(qū)段，再用dumppdf.py把PDF文件內(nèi)容轉(zhuǎn)變成pseudo-XML格式，標識出各區(qū)段文字的意義。最后利用PDFMiner其他工具識別電子發(fā)票提取電子發(fā)票摘要里的內(nèi)容，將其導出到文本文件中。

在前期的準備過程中，綜合考慮到一些發(fā)票摘要填寫不規(guī)范，以及填寫的內(nèi)容所涉及的范圍較廣，產(chǎn)品術語和名詞術語較多等方面問題，對發(fā)票摘要中的信息用jieba分詞中的全模式進行分詞處理，使摘要中的文字信息保持一致，進行數(shù)據(jù)挖掘及統(tǒng)計分析。

根據(jù)發(fā)票摘要中的這些信息，按照會計學相關原理人工選取對應的會計科目名稱，填寫會計分錄，并制成表格，表1列舉了部分發(fā)票摘要對應的會計科目名稱。利用python的pandas工具包讀取所填的會計分錄的表格，導出其中的摘要文本后，再用jieba分詞將發(fā)票摘要短文本中所有可能成詞的詞語都掃描出來，這樣做便于發(fā)現(xiàn)發(fā)票摘要與會計科目名稱的關聯(lián)性。

3 基于Apriori算法的關聯(lián)規(guī)則挖掘

關聯(lián)規(guī)則最早出現(xiàn)在購物籃問題的研究中，如經(jīng)典的“啤酒與尿布”案例，常用的關聯(lián)規(guī)則挖掘算法包括Eclat、FP-growth、Apriori等，本文采用Apriori算法對已經(jīng)填寫過會計科目名稱的樣本數(shù)據(jù)進行關聯(lián)規(guī)則挖掘，旨在找出發(fā)票摘要與會計科目名稱的關聯(lián)關系。

3.1 算法的步驟

以apriori算法為基礎尋找關聯(lián)規(guī)則的方法主要由以下幾個步驟組成：

步驟一：使用pdfminer提取發(fā)票摘要內(nèi)容，人工選取對應的會計科目名稱，制作會計分錄表格;

步驟二：使用pandas讀取表格，使用jieba分詞將發(fā)票摘要分詞;

步驟三：根據(jù)發(fā)票數(shù)量及摘要的詞頻，設置最小支持度和最小置信度;

步驟四：讀取分詞處理后的發(fā)票摘要分詞表;

步驟五：根據(jù)最小置信度尋找符合條件的關聯(lián)規(guī)則;

步驟六：輸出關聯(lián)規(guī)則;

步驟七：將所有發(fā)票摘要的數(shù)據(jù)進行處理，檢驗規(guī)則;

步驟八：輸出結(jié)果。

3.2 運行結(jié)果

設置最小支持度為1%，最小置信度為15%，運用Apriori算法在200份已經(jīng)處理好的實驗發(fā)票數(shù)據(jù)中計算得到57條符合條件的關聯(lián)規(guī)則。最小支持度是根據(jù)實際情況定義衡量支持度的一個閾值，表示需要完成的項目集中統(tǒng)計意義上的最低程度。在本文的實驗數(shù)據(jù)中，設置最小支持度為1%時，可最快速簡便地得到最想要的關聯(lián)規(guī)則;將最小支持度設置為其他數(shù)值時，計算結(jié)果包含大量無效數(shù)據(jù)。表2是計算得出的部分關聯(lián)規(guī)則及其包含的支持度、置信度與提升度。

利用Apriori關聯(lián)規(guī)則算法對收集的電子發(fā)票進行分析，得出發(fā)票摘要和會計科目名稱之間的關聯(lián)規(guī)則，即表2中的規(guī)則項集欄，用A→B表示，A是發(fā)票摘要的單詞，B是會計科目名稱。

本文使用的原始發(fā)票數(shù)據(jù)在現(xiàn)實業(yè)務中常見，上述結(jié)果經(jīng)財務專業(yè)人員檢查，符合財務制作記賬憑證填寫會計分錄的部分要求，說明關聯(lián)規(guī)則方法可以提取挖掘發(fā)票摘要和會計科目名稱之間的關聯(lián)規(guī)則，并為進一步自動生成會計分錄提供參考信息。

3.3 驗證

在機器學習、自然語言處理及信息檢索等領域，評測（Evaluation）是一項必要工作，常采用的評測指標有精確率（Precision）和召回率（Recall）。其中精確率=TP/（TP+FP），表示所有“正確被檢索的item（TP）”占所有“實際被檢索到的（TP+FP）”的比例;

召回率=TP/（TP+FN），表示“正確被檢索的item（TP）”占所有“應該檢索到的item（TP+FN）”的比例。

本文利用上述關聯(lián)規(guī)則針對另外200份發(fā)票判斷對應的會計科目名稱，得到精確率為0.17，召回率為0.185。表明計算的準確程度不高，主要是因為發(fā)票摘要的內(nèi)容繁雜以及經(jīng)濟業(yè)務往來內(nèi)容的不確定。

4 結(jié)論與展望

本文以從眾多發(fā)票中隨機抽取的兩百張發(fā)票內(nèi)容為數(shù)據(jù)樣本進行了摘要與科目名稱之間關聯(lián)規(guī)則的挖掘，實際驗證了關聯(lián)規(guī)則挖掘的準確程度。根據(jù)apriori算法挖掘出的關聯(lián)規(guī)則，可以為將發(fā)票摘要輸入時直接生成會計分錄提供參考，便于財會人員更快速地進行財務處理，可節(jié)約財會人員的時間和精力。

在本課題的調(diào)查中作者了解到，目前市場上的財務報銷應用還無法將發(fā)票中的摘要自動生成會計分錄。在后繼研究中，將采用人工填寫制作的大量會計分錄數(shù)據(jù)挖掘出關聯(lián)規(guī)則，利用規(guī)則對發(fā)票內(nèi)容進行有規(guī)律的處理，快速精準地將報銷中發(fā)票的摘要自動生成會計分錄，為財務核算提供實際且有效的幫助。

根據(jù)財會人員填制正確會計分錄的實際情況來看，發(fā)票摘要涉及的業(yè)務實為廣泛，難以精準確定應該歸屬于哪一類，為此在后繼研究中，將自動推測摘要中的中心詞，并進行擴展，探討大幅提高短文本分類精度的方法。另外，將業(yè)務范圍進行劃分，優(yōu)化數(shù)據(jù)，在此基礎上再提高精確度。

參考文獻：

[1] 陳海霞，楊喜旺，衛(wèi)潔潔.關鍵詞關聯(lián)融合CNN的短文本分類算法[J].電腦知識與技術，2018，14（22）：261-264.

[2] 荊琪，段利國，李愛萍，等.基于維基百科的短文本相關度計算[J].計算機工程，2018，44（2）：197-202.

【通聯(lián)編輯：李雅琪】