基于關聯規則挖掘的企業財務大數據智能整合方法

楊曉燕

［摘 要］常規的企業財務數據智能整合方法以集中整合為主，最終的整合數據中存在多種類別，影響財務數據的后續應用。因此，本文設計了基于關聯規則挖掘的企業財務大數據智能整合方法。劃分出企業財務大數據智能整合層次，將基礎財務數據、業務財務數據、全面數據分層次整合，構建更加完善的信息系統，滿足數據共享度與協同性的整合需求。基于關聯規則挖掘調用企業財務數據整合智能合約，將企業財務待整合數據標記為data字段，調用智能合約的函數簽名與參數編碼，完成整合的數據標記為from字段，避免出現數據重復整合的問題。采用對比實驗，驗證了方法的整合效率更高，能夠應用于企業財務工作中。

［關鍵詞］名聯規則挖掘；企業財務；大數據；智能整合方法

doi：10.3969/j.issn.1673-0194.2023.21.019

［中圖分類號］F275；F232 ［文獻標識碼］A ［文章編號］1673-0194（2023）21-0061-04

0? ? ?引 言

當前的信息通信技術與大數據技術已經無法適應企業發展的需求，大規模的數據信息延長了數據查詢時間，甚至出現了數據丟失的問題。針對企業財務數據規模大、難查詢的問題，研究人員設計了多種智能整合方法。其中，基于DMSP-OLS與NPP-VIIRS的企業財務大數據智能整合方法，與基于SuperMap的企業財務大數據智能整合方法的應用較為廣泛。基于DMSP-OLS與NPP-VIIRS的企業財務大數據智能整合方法，主要是利用DMSP-OLS獲取企業財務數據，通過更高分辨率與灰度級的NPP-VIIRS，剔除無效數據，僅保留了有效的財務數據，從而滿足企業財務數據整合需求［1］。

基于SuperMap的企業財務大數據智能整合方法，主要是利用SuperMap中的開放GIS服務器，遠程訪問企業財務數據，并通過SuperMap提供的Software Development Kit，為每一個數據整合模塊提供了擴展功能，確保企業財務數據集成與整合效果［2］。以上兩種方法均能夠對企業財務數據進行整合，但是并未根據財務數據的內容劃分對應層次，影響最終的整合效果［3］。因此，本文利用關聯規則挖掘，設計了企業財務大數據智能整合方法。

1? ? ?企業財務關聯規則挖掘大數據的智能整合方法

設計

1.1? ?劃分企業財務大數據智能整合層次

本文將企業財務數據劃分為基礎財務數據、業務財務數據、全面數據三個層次，根據數據整合的范圍與深度，構建出更加完善的信息系統，從而滿足數據共享度與協同性的整合需求。基礎財務數據包括企業的預算、資金支付、會計核算、財務報表等數據，將此數據整合到同一文件夾中。業務財務數據整合則將業務數據與財務數據進行關聯整合，滿足業財融合的需求［4］。全面數據整合則是將企業各個部門的財務數據進行整合與共享，滿足企業對數據整合的需求。本文將整合層次分為橫向整合與縱向整合兩個方面，整合節點部署情況如表1所示。

如表1所示，BCN接收基礎財務數據中的“基礎信息”“預算”等數據；LBS接收業務數據、財務數

據、項目庫管理數據等［5］。將BCN節點與LBS節點的數據進行負載均衡，準確地接收各個接口層的企業財務數據，并到解析服務程序中完成客戶端請求，確保不同類別數據的分類整合，提高數據智能整合效率。

1.2? ?基于關聯規則挖掘調用企業財務數據整合智能合約

企業財務大數據智能整合合約是對全局數據結構進行操作、部署、調用的過程，對于企業財務集成整合具有重要作用［6］。智能整合合約中的變量包括數據整合的分支節點、擴展節點、葉子節點，功能函數包括constructor、insert、get。將企業財務待整合數據標記為data字段，調用智能合約的函數簽名與參數編碼，完成整合的數據標記為from字段，此整合過程編碼為頻繁1-項集，能夠避免數據重復整合的問題［7］。頻繁1-項集整合編碼如圖1所示。

如圖1所示，本文利用關聯規則挖掘，將整合數據中存在的冗余數據進行剔除，從而減少無意義的計算。掃描智能整合合約中的數據，獲取對應項的編碼，相應位置為1，對應項計數即為C［8］。假設一個智能整合合約中包含了n個數據，則頻繁1-項集的整合次數為：

Tk = n×φ?×丨Ck丨? ? ? ? ? ? ? ? ? ? ? ? （1）

式（1）中，Tk為頻繁1-項集的整合次數；φ為數據的平均長度；Ck為候選數據。將企業財務數據復制N次之后，得到的總整合次數為：

TNk=N×n×φ?×丨Ck丨 ? ? ? ? ? ? ? ? ? ? ?（2）

式（2）中，TNk為多次復制之后財務數據的總整合次數。有效整合次數表示為：

Ty=μ×Tk? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

式（3）中，Ty為有效整合次數；μ為有效財務數據的重復率。將Ck進行編碼轉換，得出：

式（4）中，C為轉換編碼后的有效整合數據；

Cki，Ckj為任意兩個不同的、只差一項的頻繁1-項集。將有效整合數據存儲在哈希文件中，以表示，確保整合效果。

2? ? ?實 驗

為了驗證本文設計的方法是否滿足企業財務數據智能整合的需求，本文對上述方法進行了實驗分析。最終的實驗結果則以文獻［1］基于DMSP-OLS與NPP-VIIRS的企業財務大數據智能整合方法、文獻［2］基于SuperMap的企業財務大數據智能整合方法，以及本文設計的基于關聯規則挖掘的企業財務大數據智能整合方法進行對比的形式呈現。

2.1? ?實驗過程

本次實驗的物理環境包括兩臺云服務器與五個虛擬節點。分別為139.9.131.186，42.193.105.66云服務器，Control Node、Compute Node、LBS Node、BCN Node、IDE Node等虛擬節點。給每一個BCN安裝以太坊geth客戶端，搭建成兩條私鏈，滿足企業財務數據的整合需求。智能合約采用solidity，并以官方提供的JDK的web3.py作為應用層和合約層數據整合的中介。整合合約部署流程如圖2所示。

如圖2所示，本文將整合合約進行智能編譯，隨時觀察整合內容是否滿足企業財務數據要求。當合約部署失敗時，即結束此次合約部署，根據整合格式重新調整合約內容，確保整合效率。當合約部署成功時，數據被記錄到合約文件夾中，并通過合約地址訪問整合數據，滿足數據整合需求。在企業財務數據整合網絡部署完成之后，本文對整合效率進行分析，使企業能夠應對大規模的數據整合要求。

2.2? ?實驗結果

在上述實驗條件下，本文隨機選取出10bit～8000bit

的企業財務數據量，將讀取效率與寫入效率作為數據智能整合的基準指標。并將文獻［1］基于DMSP-OLS與NPP-VIIRS的企業財務大數據智能整合方法的讀寫效率、文獻［2］基于SuperMap的企業財務大數據智能整合方法的讀寫效率，以及本文設計的基于關聯規則挖掘的企業財務大數據智能整合方法的讀寫效率進行對比。實驗結果如表2所示。

如表2所示，在企業財務大數據智能整合的過程中，財務數據寫入效率與讀取效率直接影響整合效率。在企業財務數據量一致的條件下，讀取效率與寫入效率越高，大數據智能整合效果越佳。在其他條件均一致的情況下，使用文獻［1］基于DMSP-OLS與NPP-VIIRS的企業財務大數據智能整合方法之后，讀取效率與寫入效率并未隨著企業財務數據量的增加而變化。其中，讀取效率在12bit/s～20bit/s的范圍內波動，寫入效率在33bit/s～57bit/s的范圍內波動。由此可見，該方法的讀寫效率相對較低，無法滿足企業財務大數據的智能整合需求。

使用文獻［2］基于SuperMap的企業財務大數據智能整合方法之后，讀取效率與寫入效率隨企業財務數據量的增加而變化。其中，讀取效率在12bit/s～

44bit/s的范圍內波動，寫入效率在32bit/s～99bit/s的范圍內波動。企業財務數據量越多，整合效率越低，無法為企業提供大規模數據整合服務，需對其進一步優化。而使用本文設計的基于關聯規則挖掘的企業財務大數據智能整合方法，讀取效率與寫入效率并不會隨著企業財務數據量的增加而降低，讀取效率始終在40bit/s以上，寫入效率始終在150bit/s以上。由此可見，該方法能夠為企業提供大規模數據整合服務，對于企業財務的發展具有重要作用。

3? ? ?結束語

近些年來，信息通信技術手段越發進步，各種數據資源能夠有機集成與關聯存儲，高度提升了數據共享度與整合協同性，最大限度地開發并利用了數據資源的價值。企業財務數據是企業數據資源的核心內容，整合業務系統與財務系統至關重要。本文利用關聯規則挖掘的優勢，設計了企業財務大數據智能整合方法。從整合層次、整合合約兩個方面，提升了數據資源的交換、共享與整合效率，充分挖掘了企業財務數據資源的潛在價值。

主要參考文獻

［1］何立恒，呂萌，朱婷茹.DMSP-OLS與NPP-VIIRS夜間燈光遙感影像數據整合［J］.測繪通報，2023（1）：31-38.

［2］劉國徽，曹夢北，李燕.基于SuperMap的國土空間基礎信息平臺數據整合方法［J］.地礦測繪，2022，38（3）：57-59.

［3］徐麗，何念鵬，于貴瑞，等.基于地面觀測的陸地生態系統碳儲量多源數據整合方法［J］.生態學報，2023，43（11）：4359-4368.

［4］邵澤興，張雨，陳鵬，等.基于FME的自然災害風險普查數據整合與質檢方法研究：以房屋建筑普查為例［J］.地理空間信息，2022，20（9）：14-17.

［5］陳玉瑩，王照鋒.極淺水深與岸邊地形一體化快速測量及數據整合方法研究［J］.測繪與空間地理信息，2022，45（3）：212-214，217.

［6］黃靜，張金昌，潘藝.數字金融對中小企業財務風險的影響及機制研究：基于新三板制造業企業數據［J］.技術經濟與管理研究，2023（6）：60-65.

［7］孫靜.大數據背景下基于會計信息化的化工企業財務管理創新探索：評《化工企業規范化管理制度設計》［J］.塑料工業，2023，51（5）：205.

［8］張松柏，張涵玥，趙鐵軍，等.中小企業財務數據分析評價：以F公司財務數據分析為例［J］.中國農業會計，2023，33（9）：6-9.