CN113255496A - 基于区块链技术的财务费用报销管理方法 - Google Patents

基于区块链技术的财务费用报销管理方法 Download PDF

Info

Publication number
CN113255496A
CN113255496A CN202110534628.XA CN202110534628A CN113255496A CN 113255496 A CN113255496 A CN 113255496A CN 202110534628 A CN202110534628 A CN 202110534628A CN 113255496 A CN113255496 A CN 113255496A
Authority
CN
China
Prior art keywords
feature
electronic form
classification
reimbursement
compliance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110534628.XA
Other languages
English (en)
Inventor
吴雨淅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Xiyu Technology Co ltd
Original Assignee
Hangzhou Xiyu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Xiyu Technology Co ltd filed Critical Hangzhou Xiyu Technology Co ltd
Priority to CN202110534628.XA priority Critical patent/CN113255496A/zh
Publication of CN113255496A publication Critical patent/CN113255496A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/12—Accounting
    • G06Q40/125—Finance or payroll
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

公开了一种基于区块链技术的财务费用报销管理方法，该方法针对区块链技术存储数据的不可篡改性和可溯源性，基于统计模型的深度学习技术来处理多种费用报销申请表单数据和多个合规管控标准，从而基于高维统计特征的深度挖掘来进行分类，以确定最终的审核结果。这样，通过采用区块链来对费用报销的审核结果进行验证，以确定最终的审核结果。

Description

基于区块链技术的财务费用报销管理方法
技术领域
本发明涉及区块链领域下的财务数据管理，且更为具体地，涉及一种基于区块链技术的财务费用报销管理方法、基于区块链技术的财务费用报销管理***和电子设备。
背景技术
区块链是一个分布式的共享账本和数据库，具有去中心化、不可篡改、全程留痕、可以追溯、集体维护、公开透明等特点。这些特点保证了区块链的“诚实”与“透明”，为区块链创造信任奠定基础。近年来，随着区块链技术的成熟与发展，由于区块链具有独特的不可更改特征，各种基于区块链技术的数据管理技术及其应用应运而生。
费用报销属于公司内部财务管理事项，其需要公司依据员工个人提交的报销单据，将费用报销至员工银行卡。这里，员工个人提交的报销单据除***以外，还可能包括员工出差申请单、招待费审批单、差旅费超标准申请单、借款单等多种申请单据，这可能涉及到公司内部的多个部门的合规管控项目，例如差旅、劳务、招待等。一方面，由于财务集中管理的大趋势，集团财务部门期望对各部门以及子公司等的费用报销申请进行统一管理和审核，这涉及到区块链技术的数据的分布式存储功能，此外，因为财务数据的重要性，也希望能够使用区块链技术来确保数据的不可篡改性和可溯源性。
但是，由于员工的费用报销可能涉及到多个表单以及相应的多个合规管控标准，一方面，由于财务集中管理的大趋势，集团财务部门期望对各部门以及子公司等的费用报销申请进行统一管理和审核，而涉及到的各部门可能处于不同地理位置，造成了管理难度，另一方面费用报销数据容易篡改，其存储的准确性和管理的安全性也十分重要。
因此，期望能够提供一种基于区块链技术的用于费用报销的财务审核管理方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于区块链技术的财务费用报销管理方法、基于区块链技术的财务费用报销管理***和电子设备，其针对区块链技术存储数据的不可篡改性和可溯源性，基于统计模型的深度学习技术来处理多种费用报销申请表单数据和多个合规管控标准，从而基于高维统计特征的深度挖掘来进行分类，以确定最终的审核结果。这样，通过采用区块链来对费用报销的审核结果进行验证，以确定最终的审核结果。
根据本申请的一个方面，提供了一种基于区块链技术的财务费用报销管理方法，其包括：
从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像；
将所述报销单据的***图像和申请单据图像通过卷积神经网络，以获得多个特征图；
计算所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵，所述特征关联矩阵用于表示所述特征图之间的关联信息；
从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据；
将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量；
对于所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值；
计算所述多个距离值中每两个距离值之间的乘积以获得距离矩阵；
将所述距离矩阵与所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵；
将所述高维关联矩阵通过多个卷积层以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
根据本申请的另一方面，提供了一种基于区块链技术的财务费用报销管理***，其包括：
报销单据获取单元，用于从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像；
特征图生成单元，用于将所述报销单据获取单元获得的所述报销单据的***图像和申请单据图像通过卷积神经网络，以获得多个特征图；
特征关联矩阵生成单元，用于计算所述特征图生成单元获得的所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵，所述特征关联矩阵用于表示所述特征图之间的关联信息；
电子表单数据获取单元，用于从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据；
特征向量生成单元，用于将所述电子表单数据获取单元获得的所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量；
距离值生成单元，用于对于所述特征向量生成单元获得的所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值；
距离矩阵生成单元，用于计算所述距离值生成单元获得的所述多个距离值中每两个距离值之间的乘积以获得距离矩阵；
高维关联矩阵生成单元，用于将所述距离矩阵生成单元获得的所述距离矩阵与所述特征关联矩阵生成单元获得的所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵；
分类特征图生成单元，用于将所述高维关联矩阵生成单元获得的所述高维关联矩阵通过多个卷积层以获得分类特征图；以及
分类结果生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于区块链技术的财务费用报销管理方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于区块链技术的财务费用报销管理方法。
与现有技术相比，本申请提供的基于区块链技术的财务费用报销管理方法、基于区块链技术的财务费用报销管理***和电子设备，其针对区块链技术存储数据的不可篡改性和可溯源性，基于统计模型的深度学习技术来处理多种费用报销申请表单数据和多个合规管控标准，从而基于高维统计特征的深度挖掘来进行分类，以确定最终的审核结果。这样，通过采用区块链来对费用报销的审核结果进行验证，以确定最终的审核结果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于区块链的报销单据数据库的架构示意图；
图2为根据本申请实施例的基于区块链技术的财务费用报销管理方法的应用场景图；
图3为根据本申请实施例的基于区块链技术的财务费用报销管理方法的流程图；
图4为根据本申请实施例的基于区块链技术的财务费用报销管理方法的***架构示意图；
图5为根据本申请实施例的基于区块链技术的财务费用报销管理方法中，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量的流程图；
图6为根据本申请实施例的基于区块链技术的财务费用报销管理方法中，将所述分类特征图通过分类器以获得分类结果的流程图；
图7为根据本申请实施例的基于区块链技术的财务费用报销管理***的框图；
图8为根据本申请实施例的基于区块链技术的财务费用报销管理***中特征向量生成单元的框图；
图9为根据本申请实施例的基于区块链技术的财务费用报销管理***中分类结果生成单元的框图；
图10为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
区块链架构概述
图1图示了根据本申请实施例的基于区块链的报销单据数据库的架构示意图。如图1所示，根据本申请实施例的基于区块链的报销单据数据库采用典型的区块链架构，报销单据，例如出差、招待费、借款等报销单据P1、P2、…、Pn存储在以区块链构造的各个存储区块B1、B2、…、Bn中。当然，本领域技术人员可以理解，不同类型的报销单据也可以分别存储在单独的区块中，例如，某个区块专用于存储出差的报销单据，而另一区块专用于存储借款的报销单据。
按照典型的区块链存储架构，每个区块B1、B2、…、Bn包括指针H1、H2、…、Hn和数据部分D1、D2、…、Dn。指针H1、H2、…、Hn可以是各种类型的哈希指针，比如区块链存储架构中常用的SHA-256哈希函数，该哈希指针指向上一个区块。
在本申请实施例中，下一区块的哈希指针的值基于上一区块的哈希指针的值与数据部分的哈希函数值，例如，H2＝H1×H(D1)，H(D1)表示数据部分D1的哈希函数值。首个区块的哈希指针的值可以是随机数值。这样，任何对某个区块内的数据部分的修改都将反应在下一区块的哈希指针的值上，并进一步改变后续所有区块的哈希指针的值，使得对于数据部分的修改实质上不可能的。
这里，本领域技术人员可以理解，根据本申请实施例的基于区块链的报销单据数据库可以采用任意的通用的区块链架构，本申请实施例并不意在限制区块链架构的具体实现。并且，在本申请实施例中，区块链优选地采用私有链或者联盟链，从而利于在公司或者企业内部进行报销单据存储管理，相应地，用于存储报销单据的各个存储区块可以预先配置，而不需要基于共识算法生成，这样，可以避免共识算法所导致的计算资源的消耗。
也就是说，根据本申请实施例的基于区块链的报销单据数据库的区块链架构聚焦于报销单据的存储管理，而不涉及类似电子货币的基于区块链的价值传递功能，因此，该区块链架构可以由公司或者企业内部的管理部门预先配置在云端，并由各个技术部门从终端接入，进行报销单据的上传，并在云端进行统一存储和管理。所以，由于各个技术部门很可能分布在不同的地理位置，应用区块链架构可以方便地实现报销单据的分布式存储。
另一方面，根据本申请实施例的区块链架构中的各个区块也可以与公有链的区块相关联，以使得每个区块具有与公有链的关联区块相对应的时间戳信息。这样，当需要记录需要时间属性的信息，比如报销单据的上传时间，从而确定报销单据是否为早期版本时，就可以利用区块链中各区块的时间顺序属性。
场景概述
如前所述，费用报销属于公司内部财务管理事项，其需要公司依据员工个人提交的报销单据，将费用报销至员工银行卡。这里，员工个人提交的报销单据除***以外，还可能包括员工出差申请单、招待费审批单、差旅费超标准申请单、借款单等多种申请单据，这可能涉及到公司内部的多个部门的合规管控项目，例如差旅、劳务、招待等。因此，期望能够提供一种用于费用报销的财务审核管理方法。
基于此，本申请的发明人考虑使用区块链技术来解决该问题，一方面，由于财务集中管理的大趋势，集团财务部门期望对各部门以及子公司等的费用报销申请进行统一管理和审核，这涉及到区块链技术的数据的分布式存储功能，此外，因为财务数据的重要性，也希望能够使用区块链技术来确保数据的不可篡改性和可溯源性。
并且，如上所述，由于员工的费用报销可能涉及到多个表单以及相应的多个合规管控标准，因此在使用区块链架构来进行费用报销的统一管理时，期望能够对费用报销的审核结果进行验证，也就是，期望能够基于员工提交的费用报销表单以及合规管控标准，来确定审核结果是否正确。
因此，考虑到以上验证过程主要涉及到对于多个不同类型数据的统计学习和比较，本申请的发明人采用目前成熟的基于统计模型的深度学习技术来处理多种表单数据和多个合规管控标准，从而基于高维统计特征的深度挖掘来进行分类，以确定最终的审核结果。
基于此，在本申请的技术方案中，从两方面来进行基于深度神经网络的高维统计特征的提取。首先，在第一方面，从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像，以及其他相关联的申请单据图像，并将该多个图像分别通过卷积神经网络以获得多个特征图。然后，计算所述多个特征图中的每两个特征图之间的余弦距离，以获得特征关联矩阵，这里，特征关联矩阵用于表示特征图之间的关联信息，也就是作为员工提交的报销单据是否具有一致性的衡量标准。这是因为各项合规管控标准虽然归属于不同部门，但其应该在总的原则上符合公司整体财务管理规程，因此，这相当于利用多个证据本身来进行交叉验证。
在第二方面，从区块链架构的存储区块中获取待验证的员工提交的报销单据的电子表单数据，并以该电子表单数据和相对应的合规管控标准数据进行基于文本的语义理解，来分别判断单据的合规性。也就是，将电子表单数据和相对应的合规管控标准数据分别转换为文本向量后输入语义理解模型，例如双向LSTM模型以得到相应的多个电子表单特征向量和合规管控标准特征向量，并分别计算对应的向量之间的距离以获得多个距离值。
这里，为了融合两方面的结果，考虑到在合规情况下，在对第二方面的单独验证结果进行交叉处理之后，其在高维特征空间中的分布也应该与第一方面的校验验证结果在高维特征空间中的分布具有一定的对应性，因此首先对第二方面获得的多个距离值进行每两个距离值的相乘以获得距离矩阵，然后与特征关联矩阵相乘以统一到同一高维特征空间中，再通过多个卷积层挖掘其对应性特征以获得分类特征图。
最后，将分类特征图输入分类器以获得分类结果，该分类结果表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。并且，可以进一步从区块链架构中获得实际审核结果，并以此来对费用报销的审核进行验证。
图2图示了根据本申请实施例的基于区块链技术的财务费用报销管理方法的应用场景图。如图2所示，在该应用场景中，首先，从区块链架构(例如，如图2中所示意的T)的存储区块中获取待验证的员工提交的报销单据图像和电子表单数据；然后，将所述报销单据图像和电子表单数据输入至部署有基于区块链技术的财务费用报销管理算法的服务器中(例如，如图2中所示意的云服务器S)，其中，所述服务器能够基于区块链技术的财务费用报销管理算法对所述报销单据图像和电子表单数据进行处理，以生成表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确的分类结果。并且，可进一步从区块链架构中获得实际审核结果，并以此来对费用报销的审核进行验证。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图3图示了基于区块链技术的财务费用报销管理方法的流程图。如图3所示，根据本申请实施例的基于区块链技术的财务费用报销管理方法，包括：S110，从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像；S120，将所述报销单据的***图像和申请单据图像通过卷积神经网络，以获得多个特征图；S130，计算所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵，所述特征关联矩阵用于表示所述特征图之间的关联信息；S140，从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据；S150，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量；S160，对于所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值；S170，计算所述多个距离值中每两个距离值之间的乘积以获得距离矩阵；S180，将所述距离矩阵与所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵；S190，将所述高维关联矩阵通过多个卷积层以获得分类特征图；以及，S200，将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
图4图示了根据本申请实施例的基于区块链技术的财务费用报销管理方法的架构示意图。如图4所示，在所述基于区块链技术的财务费用报销管理方法的网络架构中，首先，从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像(例如，如图4中所示意的IN11到IN1n)；接着，将所述报销单据的***图像和申请单据图像通过卷积神经网络(例如，如图4中所示意的CNN)，以获得多个特征图(例如，如图4中所示意的F1到Fn)；接着，计算所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵(例如，如图4中所示意的M1)；接着，从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据(例如，如图4中所示意的IN2)；接着，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据(例如，如图4中所示意的IN3)通过基于深度学习的语义理解模型(例如，如图4中所示意的SUM)，以获得多个电子表单特征向量(例如，如图4中所示意的V21到V2n)和多个合规管控标准特征向量(例如，如图4中所示意的V31到V3n)；接着，对于所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值(例如，如图4中所示意的D1到Dn)；接着，计算所述多个距离值中每两个距离值之间的乘积以获得距离矩阵(例如，如图4中所示意的M2)；接着，将所述距离矩阵与所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵(例如，如图4中所示意的Mt1)；接着，将所述高维关联矩阵通过多个卷积层(例如，如图4中所示意的CL)以获得分类特征图(例如，如图4中所示意的Fc)；然后，将所述分类特征图通过分类器(例如，如图4中所示意的分类器)以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
在步骤S110中，从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像。如前所述，由于员工的费用报销可能涉及到多个表单以及相应的多个合规管控标准，因此在使用区块链架构来进行费用报销的统一管理时，期望能够对费用报销的审核结果进行验证，也就是，期望能够基于员工提交的费用报销表单以及合规管控标准来确定审核结果是否正确。因此，在本申请中，首先从区块链架构的存储区块中获取待验证的员工提交的报销单据。
应可以理解，区块链技术具有不可篡改性，因此，从区块链架构中获取的待验证员工的报销单据具有真实性。
在步骤S120中，将所述报销单据的***图像和申请单据图像通过卷积神经网络，以获得多个特征图。也就是，以卷积神经网络提取出所述报销单据的***图像和申请单据图像中的高维特征。
特别地，在本申请实施例中，所述卷积神经网络为深度残差网络。本领域普通技术人员应知晓，残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。深度残差网络采用多个带残差连接的残差卷积块(多个卷积层构成)和全连接层所构成，其中残差卷积块用于特征学习，在不增加神经网络模型训练难度的基础上增加了模型的规模。这是因为残差连接的存在，该连接可以有效降低由于多层卷积层的存在而导致的不利于模型训练的梯度消失或者***的现象的发生，降低了对更深更大的神经网络的训练难度。
在步骤S130中，计算所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵，所述特征关联矩阵用于表示所述特征图之间的关联信息，也就是，所述特征关联矩阵作为员工提交的报销单据是否具有一致性的衡量标准。应可以理解，由于各项合规管控标准虽然归属于不同部门，但其应该在总的原则上符合公司整体财务管理规程，因此，计算每两个特征图之间的余弦距离相当于利用多个证据本身来进行交叉验证。并且，本领域普通技术人员应知晓，余弦距离能够体现两个特征图在方向上的相对差异，更关注于相对差异，可以形容两个特征图之间的相似度。
在步骤S140中，从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据。应可以理解，获取所述待验证的员工提交的报销单据的电子表单数据，就可以以电子表单数据和相对应的合规管控标准数据进行基于文本的语义理解，来分别判断单据的合规性。
在步骤S150中，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量。
具体地，在本申请实施例中，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量的过程，包括：首先，分别提取所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据中的文本数据。接着，将所述电子表单数据的文本数据和所述合规管控标准数据的文本数据分别通过词嵌入模型，以获得电子表单文本词向量和合规管控标准文本词向量。应可以理解，文本是一类非常重要的非结构化数据，通过词嵌入模型可以将文本转化为结构化数据，即，以向量的形式表示文本数据。这里，词嵌入模型可采用Word2Vec等。然后，将所述电子表单文本词向量和所述合规管控标准文本词向量输入双向长短期记忆模型，以获得所述多个电子表单特征向量和所述多个合规管控标准特征向量。应可以理解，通过双向长短期记忆模型可以学习到上下文的信息，更好的捕捉双向的语义依赖。
图5图示了根据本申请实施例的基于区块链技术的财务费用报销管理方法中，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量的流程图。如图5所示，在本申请实施例中，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量，包括：S310，分别提取所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据中的文本数据；S320，将所述电子表单数据的文本数据和所述合规管控标准数据的文本数据分别通过词嵌入模型，以获得电子表单文本词向量和合规管控标准文本词向量；及，S330，将所述电子表单文本词向量和所述合规管控标准文本词向量输入双向长短期记忆模型，以获得所述多个电子表单特征向量和所述多个合规管控标准特征向量。
在步骤S160中，对于所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值。具体地，在本申请实施例中，在分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离以获得多个距离值中，所述距离为L1距离或者L2距离。本领域普通技术人员应知晓，L1距离也就是哈曼顿距离，是目标值与估计值的绝对差值的总和，可以从数值维度上反映出所述电子表单特征向量和所述合规管控标准特征向量每个位置之间的特征差异。L2距离就是欧氏距离，是目标值与估计值的差值的平方和，可以从空间距离维度上反映出所述电子表单特征向量和所述合规管控标准特征向量每个位置之间的特征差异。
在步骤S170中，计算所述多个距离值中每两个距离值之间的乘积以获得距离矩阵。应可以理解，通过计算所述多个距离值中每两个距离值之间的乘积以获得距离矩阵，该距离矩阵用于表示所述多个电子表单特征向量和所述多个合规管控标准特征向量之间的关联信息，也就是作为员工提交的电子表单是否与合规管控标准具有一致性的衡量标准。
在步骤S180中，将所述距离矩阵与所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵。应可以理解，将所述距离矩阵与所述特征关联矩阵进行矩阵相乘，可以将所述特征关联矩阵映射到所述距离矩阵所在的高维空间中，以方便后续在同一高维特征空间中挖掘所述距离矩阵与所述特征关联矩阵中的对应性特征。
在步骤S190中，将所通过述高维关联矩阵通过多个卷积层以获得分类特征图。也就是，通过多个卷积层挖掘所述高维关联矩阵中对应性特征以获得分类特征图。
在步骤S200中，将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
具体地，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果的过程，包括：首先，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量。也就是，以一个或多个全连接层对所述分类特征图进行编码，以充分利用所述分类特征图中各个位置的信息，以获得分类特征向量。然后，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
图6图示了根据本申请实施例的基于区块链技术的财务费用报销管理方法中，将所述分类特征图通过分类器以获得分类结果的流程图。如图6所示，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果，包括：S410，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，S420，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
值得一提的是，在本申请实施例中，可以进一步从区块链架构中获得实际审核结果，并以此来对费用报销的审核进行验证。具体地，验证过程，包括：首先，从所述区块链架构的存储区块中获得实际审核结果。然后，以分类结果对所述实际审核结果进行验证，以获得验证结果。
综上，本申请实施例的基于区块链技术的财务费用报销管理方法被阐明，其针对区块链技术存储数据的不可篡改性和可溯源性，基于统计模型的深度学习技术来处理多种费用报销申请表单数据和多个合规管控标准，从而基于高维统计特征的深度挖掘来进行分类，以确定最终的审核结果。这样，通过采用区块链来对费用报销的审核结果进行验证，以确定最终的审核结果。
示例性***
图7图示了根据本申请实施例的基于区块链技术的财务费用报销管理***的框图。如图7所示，根据本申请实施例的基于区块链技术的财务费用报销管理***700，包括：报销单据获取单元710，用于从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像；特征图生成单元720，用于将所述报销单据获取单元710获得的所述报销单据的***图像和申请单据图像通过卷积神经网络，以获得多个特征图；特征关联矩阵生成单元730，用于计算所述特征图生成单元720获得的所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵，所述特征关联矩阵用于表示所述特征图之间的关联信息；电子表单数据获取单元740，用于从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据；特征向量生成单元750，用于将所述电子表单数据获取单元740获得的所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量；距离值生成单元760，用于对于所述特征向量生成单元750获得的所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值；距离矩阵生成单元770，用于计算所述距离值生成单元760获得的所述多个距离值中每两个距离值之间的乘积以获得距离矩阵；高维关联矩阵生成单元780，用于将所述距离矩阵生成单元770获得的所述距离矩阵与所述特征关联矩阵生成单元730获得的所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵；分类特征图生成单元790，用于将所述高维关联矩阵生成单元780获得的所述高维关联矩阵通过多个卷积层以获得分类特征图；以及分类结果生成单元800，用于将所述分类特征图生成单元790获得的所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
在一个示例中，在上述财务费用报销管理***700中，如图8所示，所述特征向量生成单元750，包括：文本数据提取子单元751，用于分别提取所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据中的文本数据；文本词向量生成子单元752，用于将所述文本数据提取子单元751获得的所述电子表单数据的文本数据和所述合规管控标准数据的文本数据分别通过词嵌入模型，以获得电子表单文本词向量和合规管控标准文本词向量；以及，特征提取子单元753，用于将所述文本词向量生成子单元752获得的所述电子表单文本词向量和所述合规管控标准文本词向量输入双向长短期记忆模型，以获得所述多个电子表单特征向量和所述多个合规管控标准特征向量。
在一个示例中，在上述财务费用报销管理***700中，在分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离以获得多个距离值中，所述距离为L1距离或者L2距离。
在一个示例中，在上述财务费用报销管理***700中，如图9所示，所述分类结果生成单元800，包括：分类特征向量生成子单元801，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，分类子单元802，用于将所述分类特征向量生成子单元801获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在一个示例中，在上述财务费用报销管理***700中，所述卷积神经网络为深度残差网络。
在一个示例中，在上述财务费用报销管理***700中，所述***，进一步包括：实际审核结果生成单元810，用于从所述区块链架构的存储区块中获得实际审核结果；以及，验证单元820，用于以分类结果对所述实际审核结果进行验证，以获得验证结果。
这里，本领域技术人员可以理解，上述财务费用报销管理***700中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于区块链技术的财务费用报销管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的财务费用报销管理***700可以实现在各种终端设备中，例如用于财务费用报销管理的服务器等。在一个示例中，根据本申请实施例的财务费用报销管理***700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该财务费用报销管理***700可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该财务费用报销管理***700同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该财务费用报销管理***700与该终端设备也可以是分立的设备，并且该财务费用报销管理***700可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图10来描述根据本申请实施例的电子设备。如图10所示，电子设备包括10包括一个或多个处理器11和存储器12。处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于区块链技术的财务费用报销管理方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如特征关联矩阵、距离矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入***13和输出***14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入***13可以包括例如键盘、鼠标等等。
该输出***14可以向外部输出各种信息，包括分类结果等。该输出***14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图10中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

Claims (10)

1.一种基于区块链技术的财务费用报销管理方法，其特征在于，包括：
从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像；
将所述报销单据的***图像和申请单据图像通过卷积神经网络，以获得多个特征图；
计算所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵，所述特征关联矩阵用于表示所述特征图之间的关联信息；
从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据；
将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量；
对于所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值；
计算所述多个距离值中每两个距离值之间的乘积以获得距离矩阵；
将所述距离矩阵与所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵；
将所述高维关联矩阵通过多个卷积层以获得分类特征图；以及
将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
2.根据权利要求1所述的基于区块链技术的财务费用报销管理方法，其中，将所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量，包括：
分别提取所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据中的文本数据；
将所述电子表单数据的文本数据和所述合规管控标准数据的文本数据分别通过词嵌入模型，以获得电子表单文本词向量和合规管控标准文本词向量；以及
将所述电子表单文本词向量和所述合规管控标准文本词向量输入双向长短期记忆模型，以获得所述多个电子表单特征向量和所述多个合规管控标准特征向量。
3.根据权利要求1所述的基于区块链技术的财务费用报销管理方法，其中，在分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离以获得多个距离值中，所述距离为L1距离或者L2距离。
4.根据权利要求1所述的基于区块链技术的财务费用报销管理方法，其中，将所述分类特征图通过分类器以获得分类结果，包括：
将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及
将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
5.根据权利要求1所述的基于区块链技术的财务费用报销管理方法，其中，所述卷积神经网络为深度残差网络。
6.根据权利要求1所述的基于区块链技术的财务费用报销管理方法，进一步包括：
从所述区块链架构的存储区块中获得实际审核结果；以及
以分类结果对所述实际审核结果进行验证，以获得验证结果。
7.一种基于区块链技术的财务费用报销管理***，其特征在于，包括：
报销单据获取单元，用于从区块链架构的存储区块中获取待验证的员工提交的报销单据，所述报销单据包括以图像形式存储的***图像和其他相关联的申请单据图像；
特征图生成单元，用于将所述报销单据获取单元获得的所述报销单据的***图像和申请单据图像通过卷积神经网络，以获得多个特征图；
特征关联矩阵生成单元，用于计算所述特征图生成单元获得的所述多个特征图中每两个特征图之间的余弦距离，以获得特征关联矩阵，所述特征关联矩阵用于表示所述特征图之间的关联信息；
电子表单数据获取单元，用于从所述区块链结构的存储区块中获取所述待验证的员工提交的报销单据的电子表单数据；
特征向量生成单元，用于将所述电子表单数据获取单元获得的所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据通过基于深度学习的语义理解模型，以获得多个电子表单特征向量和多个合规管控标准特征向量；
距离值生成单元，用于对于所述特征向量生成单元获得的所述多个电子表单特征向量和所述多个合规管控标准特征向量，分别计算相对应的所述电子表单特征向量和所述合规管控标准特征向量之间的距离，以获得多个距离值；
距离矩阵生成单元，用于计算所述距离值生成单元获得的所述多个距离值中每两个距离值之间的乘积以获得距离矩阵；
高维关联矩阵生成单元，用于将所述距离矩阵生成单元获得的所述距离矩阵与所述特征关联矩阵生成单元获得的所述特征关联矩阵进行矩阵相乘以将所述特征关联矩阵和所述距离矩阵统一到同一高维特征空间中，以获得高维关联矩阵；
分类特征图生成单元，用于将所述高维关联矩阵生成单元获得的所述高维关联矩阵通过多个卷积层以获得分类特征图；以及
分类结果生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示基于员工提交的费用报销表单以及合规管控标准，审核结果是否正确。
8.根据权利要求7所述的基于区块链技术的财务费用报销管理***，其中，所述特征向量生成单元，包括：
文本数据提取子单元，用于分别提取所述电子表单数据和与所述电子表单数据相对应的合规管控标准数据中的文本数据；
文本词向量生成子单元，用于将所述文本数据提取子单元获得的所述电子表单数据的文本数据和所述合规管控标准数据的文本数据分别通过词嵌入模型，以获得电子表单文本词向量和合规管控标准文本词向量；以及
特征提取子单元，用于将所述文本词向量生成子单元获得的所述电子表单文本词向量和所述合规管控标准文本词向量输入双向长短期记忆模型，以获得所述多个电子表单特征向量和所述多个合规管控标准特征向量。
9.根据权利要求7所述的基于区块链技术的财务费用报销管理***，其中，所述分类结果生成单元，包括：
分类特征向量生成子单元，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及
分类子单元，用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于区块链技术的财务费用报销管理方法。
CN202110534628.XA 2021-05-17 2021-05-17 基于区块链技术的财务费用报销管理方法 Withdrawn CN113255496A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110534628.XA CN113255496A (zh) 2021-05-17 2021-05-17 基于区块链技术的财务费用报销管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110534628.XA CN113255496A (zh) 2021-05-17 2021-05-17 基于区块链技术的财务费用报销管理方法

Publications (1)

Publication Number Publication Date
CN113255496A true CN113255496A (zh) 2021-08-13

Family

ID=77182176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110534628.XA Withdrawn CN113255496A (zh) 2021-05-17 2021-05-17 基于区块链技术的财务费用报销管理方法

Country Status (1)

Country Link
CN (1) CN113255496A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952240A (zh) * 2023-03-15 2023-04-11 深圳市迪博企业风险管理技术有限公司 一种基于区块链的财务数据合规审查方法及装置
CN115994743A (zh) * 2023-03-24 2023-04-21 广东电网有限责任公司 单据摘要规范管理方法及其***
CN116627913A (zh) * 2023-07-19 2023-08-22 江苏华存电子科技有限公司 一种数据多通道快速存储管理方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952240A (zh) * 2023-03-15 2023-04-11 深圳市迪博企业风险管理技术有限公司 一种基于区块链的财务数据合规审查方法及装置
CN115994743A (zh) * 2023-03-24 2023-04-21 广东电网有限责任公司 单据摘要规范管理方法及其***
CN116627913A (zh) * 2023-07-19 2023-08-22 江苏华存电子科技有限公司 一种数据多通道快速存储管理方法及***
CN116627913B (zh) * 2023-07-19 2023-11-17 江苏华存电子科技有限公司 一种数据多通道快速存储管理方法及***

Similar Documents

Publication Publication Date Title
CN113255496A (zh) 基于区块链技术的财务费用报销管理方法
US11074442B2 (en) Identification of table partitions in documents with neural networks using global document context
CN108876166A (zh) 财务风险验证处理方法、装置、计算机设备及存储介质
CN112016273A (zh) 文档目录生成方法、装置、电子设备及可读存储介质
CN111639291A (zh) 内容分发方法、装置、电子设备以及存储介质
US20210256052A1 (en) Image search method, apparatus, and device
CN111651552B (zh) 结构化信息确定方法、装置和电子设备
US20220139098A1 (en) Identification of blocks of associated words in documents with complex structures
CN111985207B (zh) 一种访问控制策略的获取方法、装置及电子设备
CN115392237B (zh) 情感分析模型训练方法、装置、设备及存储介质
CN115620303A (zh) 人事档案智慧管理***
CN113255498A (zh) 基于区块链技术的财务报销***管理方法
Dell et al. American stories: A large-scale structured text dataset of historical us newspapers
US20230138491A1 (en) Continuous learning for document processing and analysis
CN116150663A (zh) 数据分级方法、装置、计算机设备和存储介质
CN117709317A (zh) 报表文件的处理方法、装置及电子设备
CN115168848B (zh) 基于大数据分析拦截的拦截反馈处理方法
CN115063143A (zh) 账户数据处理方法、装置、计算机设备和存储介质
CN114495121A (zh) 高欺诈风险案件的识别方法、装置及计算机设备
CN113297850B (zh) 基于区块链技术的跨部门财务支出管理方法
CN117813601A (zh) 用于能够使得相关数据从多个文档中被提取的***和方法
CN113297849B (zh) 基于区块链技术的财务预提费用管理方法
CN112347738B (zh) 基于裁判文书的双向编码器表征量模型优化方法和装置
CN113282952B (zh) 一种工程***设计文件篡改检测定位方法及装置
CN113255753A (zh) 使用区块链技术的元器件供应一致性管控方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210813