TWI759785B - 整合定性資料及定量資料進行稽核準則推薦的系統及方法 - Google Patents

整合定性資料及定量資料進行稽核準則推薦的系統及方法 Download PDF

Info

Publication number
TWI759785B
TWI759785B TW109122785A TW109122785A TWI759785B TW I759785 B TWI759785 B TW I759785B TW 109122785 A TW109122785 A TW 109122785A TW 109122785 A TW109122785 A TW 109122785A TW I759785 B TWI759785 B TW I759785B
Authority
TW
Taiwan
Prior art keywords
data
audit
analysis data
feature vector
module
Prior art date
Application number
TW109122785A
Other languages
English (en)
Other versions
TW202107348A (zh
Inventor
王其宏
Original Assignee
王其宏
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 王其宏 filed Critical 王其宏
Publication of TW202107348A publication Critical patent/TW202107348A/zh
Application granted granted Critical
Publication of TWI759785B publication Critical patent/TWI759785B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一種整合定性資料及定量資料進行稽核準則推薦的系統，執行一種整合定性資料及定量資料進行稽核準則推薦的方法：一儲存模組接收供應商稽核的一進行中分析資料及儲存一歷史分析資料；一主題模型轉換模組分析所述歷史分析資料之一稽核發現，取得一主題模型概率分布，以供一特徵向量模組依據所述主題模型概率分布及所述歷史分析資料之一供應商經營數據產生對應的一特徵向量集合及所述進行中分析資料的一特徵向量值；一歸類模組決定所述特徵向量值所屬的一聚類，以供一推薦模組依據所述聚類提供就一稽核準則清單預先演算的一推薦稽核準則各項。

Description

整合定性資料及定量資料進行稽核準則推薦的系統及方法
本發明屬於自然語言處理領域，具體係關於一種推薦系統及方法，尤其指整合定性資料及定量資料進行稽核準則推薦的系統及方法。
過去在財務稽核中有如US 8,050,988 B2以及US 2006/0106686 A1就財務風險提出結構化的稽核系統與從風險面提出財務稽核的機會與建議，其他如US 7,885,841 B2、US 5,765,138、US 7,346,527 B2、US 2008/019546 A1、US 8,504,412 B1等專利也包含如稽核計畫與稽核項目產生的自動化。
雖有利用如自然語言處理的推薦系統過去公開或公告如US 2016/0148327 A1、US 2018/0165696 A1以及CN 107,807,962 B，但未能考慮供應商的風險可能與其背景資訊如規模、經營績效及運營時間等定量資訊。
爰此，本發明人為較佳地推薦稽核準則，而提出一種整合定性資料及定量資料進行稽核準則推薦的系統，包含一儲存模組、一主題模型轉換模組、一特徵向量模組、一歸類模組及一推薦模組；所述儲存模組用於接收供應商稽核的一進行中分析資料及儲存過去已完成供應商稽核的一歷史分析資料，所述進行中分析資料及所述歷史分析資料皆包含一稽核發現之定性資料及一 供應商經營數據之定量資料；所述主題模型轉換模組連接所述儲存模組，用於分析所述歷史分析資料之所述稽核發現，以建立及更新一主題模型並取得所述歷史分析資料的所述稽核發現之一主題模型概率分布，及依所述主題模型轉換所述進行中分析資料之所述稽核發現，並取得所述進行中分析資料的所述稽核發現之一主題模型概率分布；所述特徵向量模組連接所述主題模型轉換模組及所述儲存模組，用於依據所述歷史分析資料的所述主題模型概率分布及所述歷史分析資料之所述供應商經營數據產生對應的一特徵向量集合，所述特徵向量模組並用於依據所述進行中分析資料的所述主題模型概率分布及所述進行中分析資料之所述供應商經營數據產生對應所述進行中分析資料的一特徵向量值；所述歸類模組連接所述特徵向量模組，用於就所述特徵向量集合進行聚類分析分成多個聚類，並決定所述特徵向量值於所述多個聚類中所屬的一聚類；所述推薦模組連接所述歸類模組及所述主題模型轉換模組，用於接收供應商稽核所用之一稽核準則清單，並依據所述特徵向量值所屬的所述聚類，就相關之一主題產生對應之一推薦稽核準則各項。
本發明也是一種整合定性資料及定量資料進行稽核準則推薦的方法，包含：由一儲存模組接收供應商稽核的一進行中分析資料及儲存過去已完成供應商稽核的一歷史分析資料，所述進行中分析資料及所述歷史分析資料皆包含一稽核發現之定性資料及一供應商經營數據之定量資料；由一主題模型轉換模組分析所述歷史分析資料之所述稽核發現，以建立及更新一主題模型並取得所述歷史分析資料的所述稽核發現之一主題模型概率分布，及所述主題模型轉換模組依所述主題模型轉換所述進行中分析資料之所述稽核發現，並取得所述進行中分析資料的所述稽核發現之一主題模型概率分布，以供一特徵向量 模組依據所述主題模型概率分布及所述歷史分析資料之所述供應商經營數據產生對應的一特徵向量集合，與供所述特徵向量模組依據所述進行中分析資料的所述主題模型概率分布及所述進行中分析資料之所述供應商經營數據產生對應所述進行中分析資料的一特徵向量值；以一歸類模組就所述特徵向量集合進行聚類分析分成多個聚類，並決定所述特徵向量值於所述多個聚類中所屬的一聚類，以供一推薦模組接收供應商稽核所用之一稽核準則清單，並依據所述特徵向量值所屬的所述聚類，就相關之一主題產生對應之一推薦稽核準則各項。
其中，所述特徵向量集合可運用K-平均演算法(K-means clustering)進行聚類分析。
其中，聚類分析可經加權K-均值(Weighted K-means)特徵選擇演算降低建立聚類分析的特徵向量的維數。
其中，所述歸類模組可運算所述特徵向量值與各個所述聚類的重心的一距離值，以所述距離值為最小的所述聚類作為所述特徵向量值所屬的所述聚類。
其中，所述主題模型可至少運用隱含狄利克雷分佈(Latent Dirichlet Allocation,LDA)或非負矩陣分解(Non-Negative Matrix Factorization,NMF)其一建立，所述主題模型轉換模組將所述歷史分析資料的所述稽核發現根據所述主題模型映射成所述歷史分析資料的所述稽核發現之所述主題模型概率分布，且將所述進行中分析資料的所述稽核發現根據所述主題模型進行映射而得所述進行中分析資料的所述稽核發現之所述主題模型概率分布。
其中，所述供應商經營數據之定量資料可至少包含一供應商人數資料、一營業額資料、一經營時間資料的任一或組合。
根據上述技術特徵可達成以下功效：
1.稽核準則的推薦考慮供應商經營的背景資訊(如規模、經營績效及運營時間等定量資訊)，將較僅以自然語言處理推薦提供較為適合的稽核準則。
2.就過去所蒐集的稽核發現的定性資訊及供應商相關的定量資訊，定期以自然語言處理及非監督學習就供應商進行聚類分析並進行特徵選擇，可客觀地建立稽核發現與經營指標的相關性。
100:系統
1:儲存模組
11:進行中分析資料
111:進行中稽核發現
112:進行中供應商經營數據
12:歷史分析資料
121:已完成稽核發現
122:歷史供應商經營數據
2:主題模型轉換模組
3:特徵向量模組
30:特徵向量集合
31:特徵向量值
4:歸類模組
40:聚類分析
5:推薦模組
50:稽核準則清單
51:推薦稽核準則各項
S10:建模步驟
S100:建模步驟之步驟一
S101:建模步驟之步驟二
S102:建模步驟之步驟三
S103:建模步驟之步驟四
S104:建模步驟之步驟五
S105:建模步驟之步驟六
S106:建模步驟之步驟七
S107:建模步驟之步驟八
S108:建模步驟之步驟九
S109:建模步驟之步驟十
S110:建模步驟之步驟十一
S111:建模步驟之步驟十二
S112:建模步驟之步驟十三
S20:稽核準則推薦步驟
S200:稽核準則推薦步驟之步驟一
S201:稽核準則推薦步驟之步驟二
S202:稽核準則推薦步驟之步驟三
S203:稽核準則推薦步驟之步驟四
[第一圖]係本發明一實施例的系統方塊示意圖。
[第二圖]係本發明另一實施例中包含建模步驟及稽核準則推薦步驟的詳細流程示意圖。
綜合上述技術特徵，本發明整合定性資料及定量資料進行稽核準則推薦的系統及方法的主要功效將可於下述實施例清楚呈現。
請參閱第一圖，係揭示本發明一實施例整合定性資料及定量資料進行稽核準則推薦的一系統100，實施上可為雲端系統或是單機設備，主要包含一儲存模組1、一主題模型轉換模組2、一特徵向量模組3、一歸類模組4及一推薦模組5；上述系統100是用於執行本發明另一實施例整合定性資料及定量資料進行稽核準則推薦的方法；以下，將先進一步具體說明整合定性資料及定量資料進行稽核準則推薦的所述系統100： 所述儲存模組1用於接收供應商稽核的一進行中分析資料11及儲存過去已完成供應商稽核的一歷史分析資料12；所述進行中分析資料11包含一定性資料，即一進行中稽核發現111，及一定量資料，即一進行中供應商經營數據112；所述進行中稽核發現111為稽核人員對被稽核供應商於稽核過程中所見之客觀陳述，資料為文字形式，一旦稽核完成則所述進行中稽核發現111狀態更新為一已完成稽核發現121；所述進行中供應商經營數據112為一數值性資料集合，可包含但不限於例如一供應商人數資料、一營業額資料、一經營時間資料等；所述進行中供應商經營數據112可以事先蒐集獲得，稽核完成後狀態更新為一歷史供應商經營數據122，所述歷史分析資料12為所述已完成稽核發現121及所述歷史供應商經營數據122的總稱。
所述主題模型轉換模組2連接所述儲存模組1，定期就所述已完成稽核發現121更新一主題模型，以取得一主題模型概率分布。所述主題模型係至少可運用隱含狄利克雷分佈(Latent Dirichlet Allocation,LDA)演算法或非負矩陣分解(Non-Negative Matrix Factorization,NMF)其一建立。所述主題模型轉換模組2以最新之所述主題模型，分別對所述儲存模組1儲存的所述已完成稽核發現121及對所述儲存模組1接收之所述進行中稽核發現111進行映射轉換成所述主題模型的線性組合而產生所述主題模型概率分布。
所述特徵向量模組3連接所述主題模型轉換模組2及所述儲存模組1，將所述已完成稽核發現121的所述主題模型概率分布讀入並與所述儲存模組1儲存的所述歷史供應商經營數據122做結合運算，以產生一特徵向量集合30，同時將所述進行中稽核發現111的所述主題模型概率分布讀入並與所述儲存模組1中的所述進行中供應商經營數據112做結合運算產生一特徵向量值31。
所述歸類模組4連接所述特徵向量模組3，可就所述特徵向量集合30利用如組內最小平方和演算法決定一最適聚類數，並以所述最適聚類數利用如K-平均演算法(K-means clustering)將所述特徵向量集合30進行聚類分析40分成多個聚類；在進行聚類分析40時，所述特徵向量集合30係就所述歷史供應商經營數據122與所述已完成稽核發現121的所述主題模型概率分布進行結合運算，而一特徵向量之各維對聚類分析40結果之貢獻與影響有異，因此歸類模組4可以利用Weighted K-means進行特徵選擇以降低建立聚類分析40的所述特徵向量的維數；並決定所述特徵向量值31於所述多個聚類中所屬的一聚類；具體而言，所述歸類模組4會透過運算所述特徵向量值31與各個所述聚類之重心的一距離值，並可將所述距離值為最小的所述聚類決定為所述特徵向量值31所屬的所述聚類。
接著，連接所述歸類模組4及所述主題模型轉換模組2的所述推薦模組5接收供應商稽核所用之一稽核準則清單50，並依據所述歸類模組4所決定之所述特徵向量值31所屬的所述聚類，由所述聚類重心之座標，取得相關性高之至少一主題，利用所述主題模型以詞頻-逆向文件頻率(term frequency-inverse document frequency,tf-idf)至所述稽核準則清單50中查詢傳回依相關排序的各所述主題對應的一推薦稽核準則各項51。
以下實施例並結合第二圖，將進一步詳細說明所述整合定性資料及定量資料進行稽核準則推薦的方法的詳細內容，主要包含一建模步驟S10及一稽核準則推薦步驟S20。所述建模步驟S10主要是依據一儲存模組中的一已完成稽核發現、一稽核準則清單及一歷史供應商經營數據(例如供應商人數資料、營業額資料、經營時間資料等)進行聚類分析，可以僅執行一次，也可以是定期 或不定期的更新。所述稽核準則推薦步驟S20則是可將新提供的一進行中稽核發現、一進行中供應商經營數據進行歸類，以提供對應的一推薦稽核準則各項。
所述建模步驟S10包含：
一建模步驟之步驟一S100：建立一稽核事件，輸入一稽核準則清單至一推薦模組，並自所述儲存模組輸出所有既存的一供應商的一編號及對應所述編號的所述已完成稽核發現(csv檔)。
一建模步驟之步驟二S101：一主題模型轉換模組利用pandas工具讀入所述建模步驟之步驟一S100所輸出的所述已完成稽核發現。
一建模步驟之步驟三S102：所述主題模型轉換模組利用gensim工具對所述建模步驟之步驟二S101中的所述已完成稽核發現進行分詞。
一建模步驟之步驟四S103：所述主題模型轉換模組以spacy工具與NLTK(Natural Language Tool Kit)工具對所述建模步驟之步驟三S102中分詞後的所述已完成稽核發現進行停用詞移除與詞根提取等前處理。要補充說明的是，上述pandas、gensim、spacy、NLTK皆為Python程式語言的自然語言或數據分析處理軟件工具。
一建模步驟之步驟五S104：所述主題模型轉換模組將所述建模步驟之步驟四S103處理後的所述已完成稽核發現轉換至詞頻(term frequency)空間向量。
一建模步驟之步驟六S105：所述主題模型轉換模組以隱含狄利克雷分佈(Latent Dirichlet Allocation,LDA)演算法對所述建模步驟之步驟五S104處理後的所述已完成稽核發現建立一主題模型並最佳化。
一建模步驟之步驟七S106：所述主題模型轉換模組將所述已完成稽核發現映射成所述主題模型的一主題模型概率分布，亦即D=Σ φ T，其中，D為所述已完成稽核發現，T為所述主題模型，而φ為T於D之中的概率。
一建模步驟之步驟八S107：一特徵向量模組取出φ並自所述儲存模組讀入一定量資訊，即所述歷史供應商經營數據V並作結合運算，產生一特徵向量F=V+=φ，並由所有的所述特徵向量F構成一特徵向量集合Fn。
一建模步驟之步驟九S108：一歸類模組對所述特徵向量集合Fn利用K-平均演算法進行分析，以最小組內平方和(within-cluster sum of squares,WCSS)求得一最適聚類數k。
一建模步驟之步驟十S109：就m維所述特徵向量F隨意給定w j ，但
Figure 109122785-A0305-02-0011-1
w j =1，其中，w j 為對應m個一特徵的權重集合。
一建模步驟之步驟十一S110：給定β(β>1)及k，隨意給定一聚類重心Zk，固定兩者遞迴依次解最小
Figure 109122785-A0305-02-0011-6
c il
Figure 109122785-A0305-02-0011-7
d(x ij ,z lj )之(C,Z,w)，其中，C il 為一正交矩陣，僅當i=l時為1，亦即是僅計算n個x與其所屬聚類重心Zk的距離值。
一建模步驟之步驟十二S111：m=p+q，依wj大小自m中選擇p而q≧0，且p中的r為選取的φ，更詳細的說，所述建模步驟之步驟十二S111係自m個所述特徵中，選擇前p個權重w較大的所述特徵，剩餘q個所述特徵未被選擇，而這p個所述特徵中，有r個所述特徵來自於所述主題模型概率分布。
一建模步驟之步驟十三S112：以r個主題利用tf-idf對所述稽核準則清單查詢傳回依相關排序的各所述主題對應的一稽核準則各項。
所述稽核準則推薦步驟S20包含：
一稽核準則推薦步驟之步驟一S200：所述儲存模組接收來自一用戶端(例如智慧型手機、筆記型電腦、平板電腦等)的一進行中分析資料，所述進行中分析資料包含所述進行中供應商經營數據及所述進行中稽核發現。
一稽核準則推薦步驟之步驟二S201：所述主題模型轉換模組對所述進行中分析資料的所述進行中稽核發現以已建立的所述主題模型進行映射而得所述進行中稽核發現的一主題模型概率分布，DA=Σ φATA，A代表所述稽核事件。所述特徵向量模組將所述進行中稽核發現的所述主題模型概率分布讀入並與所述儲存模組中的所述進行中供應商經營數據做結合運算產生一特徵向量值。
一稽核準則推薦步驟之步驟三S202：所述歸類模組以所述特徵向量值的pA個特徵計算與各所述聚類重心Zk間的最小距離，決定當時的一聚類CA。
一稽核準則推薦步驟之步驟四S203：所述推薦模組自所述聚類CA的重心依與所述主題的相關程度依序推薦由所述建模步驟之步驟十三S112所生成的對應之所述稽核準則各項給所述用戶端，即所述推薦稽核準則各項。
藉此，使用者可於稽核現場即時上傳供應商經營數據及稽核發現，其中，稽核發現經主題模型(Topic Model)轉換運算後形成主題分佈，並整合供應商經營數據以非監督學習(如K-means運算法)後就原先聚類進行歸類後，取聚類中概率較高的主題排序後，便可依序傳回各主題的對應推薦稽核準則各項做為稽核機會的參考。
綜合上述實施例之說明，當可充分瞭解本發明之操作、使用及本發明產生之功效，惟以上所述實施例僅係為本發明之較佳實施例，當不能以此限定本發明實施之範圍，即依本發明申請專利範圍及發明說明內容所作簡單的等效變化與修飾，皆屬本發明涵蓋之範圍內。
S10:建模步驟
S100:建模步驟之步驟一
S101:建模步驟之步驟二
S102:建模步驟之步驟三
S103:建模步驟之步驟四
S104:建模步驟之步驟五
S105:建模步驟之步驟六
S106:建模步驟之步驟七
S107:建模步驟之步驟八
S108:建模步驟之步驟九
S109:建模步驟之步驟十
S110:建模步驟之步驟十一
S111:建模步驟之步驟十二
S112:建模步驟之步驟十三
S20:稽核準則推薦步驟
S200:稽核準則推薦步驟之步驟一
S201:稽核準則推薦步驟之步驟二
S202:稽核準則推薦步驟之步驟三
S203:稽核準則推薦步驟之步驟四

Claims (10)

  1. 一種整合定性資料及定量資料進行稽核準則推薦的系統，包含：一儲存模組，用於接收供應商稽核的一進行中分析資料及儲存過去已完成供應商稽核的一歷史分析資料，所述進行中分析資料及所述歷史分析資料皆包含一稽核發現之定性資料及一供應商經營數據之定量資料；一主題模型轉換模組，連接所述儲存模組，用於分析所述歷史分析資料之所述稽核發現，以建立一主題模型或更新所述主題模型，並取得所述歷史分析資料的所述稽核發現之一主題模型概率分布，所述主題模型轉換模組並依所述主題模型轉換所述進行中分析資料的所述稽核發現，並取得所述進行中分析資料的所述稽核發現之一主題模型概率分布；一特徵向量模組，連接所述主題模型轉換模組及所述儲存模組，用於依據所述歷史分析資料的所述主題模型概率分布及所述歷史分析資料之所述供應商經營數據產生對應的一特徵向量集合，所述特徵向量模組並用於依據所述進行中分析資料的所述主題模型概率分布及所述進行中分析資料之所述供應商經營數據產生對應所述進行中分析資料的一特徵向量值；一歸類模組，連接所述特徵向量模組，用於對所述特徵向量集合進行聚類分析分成多個聚類，並決定所述特徵向量值於所述多個聚類中所屬的一聚類；以及一推薦模組，連接所述歸類模組及所述主題模型轉換模組，用於接收供應商稽核所用之一稽核準則清單，並依據所述特徵向量值所屬的所述聚類就相關之一主題產生對應之一推薦稽核準則各項。
  2. 如請求項1之整合定性資料及定量資料進行稽核準則推薦的系統，其中，所述歸類模組係運算所述特徵向量值與各個所述聚類的重心的一距離值，以所述距離值為最小的所述聚類作為所述特徵向量值所屬的所述聚類。
  3. 如請求項1之整合定性資料及定量資料進行稽核準則推薦的系統，其中，所述供應商經營數據之定量資料至少包含一供應商人數資料、一營業額資料、一經營時間資料的任一或組合。
  4. 如請求項1之整合定性資料及定量資料進行稽核準則推薦的系統，所述主題模型係至少運用隱含狄利克雷分佈(Latent Dirichlet Allocation,LDA)或非負矩陣分解(Non-Negative Matrix Factorization)其一建立，所述主題模型轉換模組將所述歷史分析資料的所述稽核發現根據所述主題模型映射成所述歷史分析資料的所述稽核發現之所述主題模型概率分布，且將所述進行中分析資料的所述稽核發現根據所述主題模型進行映射而得所述進行中分析資料的所述稽核發現之所述主題模型概率分布。
  5. 一種整合定性資料及定量資料進行稽核準則推薦的方法，包含：由一儲存模組接收供應商稽核的一進行中分析資料及儲存過去已完成供應商稽核的一歷史分析資料，所述進行中分析資料及所述歷史分析資料皆包含一稽核發現之定性資料及一供應商經營數據之定量資料；由一主題模型轉換模組分析所述歷史分析資料之所述稽核發現，以建立一主題模型或更新所述主題模型，並取得所述歷史分析資料的所述稽核發現之一主題模型概率分布，及所述主題模型轉換模組依所述主題模型轉換所述進行中分析資料之所述稽核發現，並取得所述進行中分析資料的所述稽核發現之一主題模 型概率分布，以供一特徵向量模組依據所述主題模型概率分布及所述歷史分析資料之所述供應商經營數據產生對應的一特徵向量集合，與供所述特徵向量模組依據所述進行中分析資料的所述主題模型概率分布及所述進行中分析資料之所述供應商經營數據產生對應所述進行中分析資料的一特徵向量值；以及以一歸類模組就所述特徵向量集合進行聚類分析分成多個聚類，並決定所述特徵向量值於所述多個聚類中所屬的一聚類，以供一推薦模組接收供應商稽核所用之一稽核準則清單，並依據所述特徵向量值所屬的所述聚類，就相關之一主題產生對應之一推薦稽核準則各項。
  6. 如請求項5之整合定性資料及定量資料進行稽核準則推薦的方法，其中，所述特徵向量集合係運用K-平均演算法(K-means clustering)進行聚類分析。
  7. 如請求項5之整合定性資料及定量資料進行稽核準則推薦的方法，其中，所述歸類模組係運算所述特徵向量值與各個所述聚類的重心的一距離值，以所述距離值為最小的所述聚類作為所述特徵向量值所屬的所述聚類。
  8. 如請求項5之整合定性資料及定量資料進行稽核準則推薦的方法，其中，聚類分析經加權K-均值(Weighted K-means)特徵選擇演算降低建立聚類分析的特徵向量的維數。
  9. 如請求項5之整合定性資料及定量資料進行稽核準則推薦的方法，其中，所述主題模型係至少運用隱含狄利克雷分佈或非負矩陣分解其一建立，所述主題模型轉換模組將所述歷史分析資料的所述稽核發現根據所述主題模型映射成所述歷史分析資料的所述稽核發現之所述主題模型概率分布，且將 所述進行中分析資料的所述稽核發現根據所述主題模型進行映射而得所述進行中分析資料的所述稽核發現之所述主題模型概率分布。
  10. 如請求項5之整合定性資料及定量資料進行稽核準則推薦的方法，其中，所述供應商經營數據之定量資料至少包含一供應商人數資料、一營業額資料、一經營時間資料的任一或組合。
TW109122785A 2019-07-22 2020-07-06 整合定性資料及定量資料進行稽核準則推薦的系統及方法 TWI759785B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910661396.7A CN112256740A (zh) 2019-07-22 2019-07-22 整合定性资料及定量资料进行稽核准则推荐的***及方法
CN201910661396.7 2019-07-22

Publications (2)

Publication Number Publication Date
TW202107348A TW202107348A (zh) 2021-02-16
TWI759785B true TWI759785B (zh) 2022-04-01

Family

ID=74224735

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109122785A TWI759785B (zh) 2019-07-22 2020-07-06 整合定性資料及定量資料進行稽核準則推薦的系統及方法

Country Status (2)

Country Link
CN (1) CN112256740A (zh)
TW (1) TWI759785B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9037607B2 (en) * 2012-02-20 2015-05-19 Galisteo Consulting Group Inc. Unsupervised analytical review
CN105247544A (zh) * 2013-03-15 2016-01-13 马克·根比茨基 使用情报指标的增强型营运弹性评分
TWI536289B (zh) * 2014-07-18 2016-06-01 迪密楚 立拉司 用以識別用於一企業之相關資訊之系統及方法
TWI645350B (zh) * 2017-11-24 2018-12-21 財團法人工業技術研究院 決策因素分析裝置與決策因素分析方法
TWI650719B (zh) * 2018-02-12 2019-02-11 中華電信股份有限公司 從文字內容評核客戶服務品質之系統及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7110970B2 (en) * 1999-12-30 2006-09-19 Ge Capital Commercial Finance, Inc. Methods and apparatus for rapid deployment of a valuation system
US20150235143A1 (en) * 2003-12-30 2015-08-20 Kantrack Llc Transfer Learning For Predictive Model Development
GB0524572D0 (en) * 2005-12-01 2006-01-11 Univ London Information retrieval
CN1928905A (zh) * 2006-07-21 2007-03-14 北京航空航天大学 企业危机预警***
TWI423152B (zh) * 2007-07-12 2014-01-11 Chunghwa Telecom Co Ltd Intelligent digital audit record instant analysis method
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN102142117A (zh) * 2010-02-03 2011-08-03 徐丞敬 服务稽核方法及其***
CN101840423B (zh) * 2010-04-12 2012-07-04 福建工程学院 基于成对下单原理与数据挖掘技术的话单准确性稽核方法
US9336533B2 (en) * 2013-03-13 2016-05-10 Salesforce.Com, Inc. Systems, methods, and apparatuses for implementing a similar command with a predictive query interface
EP2972877B1 (en) * 2013-03-15 2021-06-16 Power Fingerprinting Inc. Systems, methods, and apparatus to enhance the integrity assessment when using power fingerprinting systems for computer-based systems
CN106503929A (zh) * 2016-11-14 2017-03-15 西安交通大学 一种智能分析围标与串标行为的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9037607B2 (en) * 2012-02-20 2015-05-19 Galisteo Consulting Group Inc. Unsupervised analytical review
CN105247544A (zh) * 2013-03-15 2016-01-13 马克·根比茨基 使用情报指标的增强型营运弹性评分
TWI536289B (zh) * 2014-07-18 2016-06-01 迪密楚 立拉司 用以識別用於一企業之相關資訊之系統及方法
TWI645350B (zh) * 2017-11-24 2018-12-21 財團法人工業技術研究院 決策因素分析裝置與決策因素分析方法
TWI650719B (zh) * 2018-02-12 2019-02-11 中華電信股份有限公司 從文字內容評核客戶服務品質之系統及方法

Also Published As

Publication number Publication date
CN112256740A (zh) 2021-01-22
TW202107348A (zh) 2021-02-16

Similar Documents

Publication Publication Date Title
CN108804641B (zh) 一种文本相似度的计算方法、装置、设备和存储介质
Gal et al. Tuning the ensemble selection process of schema matchers
CN111324642A (zh) 一种面向电网大数据分析的模型算法选型与评价方法
CN108446741B (zh) 机器学习超参数重要性评估方法、***及存储介质
CN110175697B (zh) 一种不良事件风险预测***及方法
Marie et al. Boosting schema matchers
CN111062806B (zh) 个人金融信用风险评价方法、***和存储介质
CN114119058A (zh) 用户画像模型的构建方法、设备及存储介质
CN112396428B (zh) 一种基于用户画像数据的客群分类管理方法及装置
CN110597796A (zh) 基于全生命周期的大数据实时建模方法及***
CN112667805A (zh) 一种工单类别确定方法、装置、设备及介质
CN112836750A (zh) 一种***资源分配方法、装置及设备
CN113239199B (zh) 一种基于多方数据集的信用分类方法
CN110765110A (zh) 泛化能力处理方法、装置、设备及存储介质
CN111275485A (zh) 基于大数据分析的电网客户等级划分方法、***、计算机设备及存储介质
TWI759785B (zh) 整合定性資料及定量資料進行稽核準則推薦的系統及方法
KR101456187B1 (ko) 복합 평가 요소에 기초한 특허 평가 방법
CN115712836A (zh) 一种交互式迭代建模方法
CN114528378A (zh) 文本分类方法、装置、电子设备及存储介质
CN113177642A (zh) 一种针对数据不平衡的自动建模***
CN113298447A (zh) 基于数据处理的融资租赁管理***
Wålinder Evaluation of logistic regression and random forest classification based on prediction accuracy and metadata analysis
Varghese et al. Efficient Feature Subset Selection Techniques for High Dimensional Data
CN116932487B (zh) 一种基于数据段落划分的量化式数据分析方法及***
Lima et al. Recognizing Power-law Graphs by Machine Learning Algorithms using a Reduced Set of Structural Features