基于Apriori與AOI組合算法的會計核算智能化研究

【關(guān)鍵詞】 布爾映射矩陣; Apriori改進算法; AOI; 智能會計核算

【中圖分類號】 F275.2? 【文獻標識碼】 A? 【文章編號】 1004-5937（2021）24-0123-08

一、引言

經(jīng)過40多年的發(fā)展，我國已基本實現(xiàn)會計賬簿與報表處理自動化，但在編制記賬憑證環(huán)節(jié)卻始終離不開會計人員的職業(yè)判斷，導致我國會計核算自動化止步不前。隨著人工智能技術(shù)在會計行業(yè)的不斷發(fā)展，研發(fā)具有自我學習、自動判斷推理能力的智能會計核算系統(tǒng)，讓計算機代替會計人員進行職業(yè)判斷并自動編制記賬憑證已成為我國會計核算由自動化邁向智能化的重點研究領(lǐng)域。

實現(xiàn)會計核算智能化的關(guān)鍵在于讓計算機具有無人監(jiān)督模式下的自主學習能力、智能判斷與推理能力，借助智能學習算法自動獲取的會計核算規(guī)則，對經(jīng)濟業(yè)務進行智能分析判斷并自動編制記賬憑證。筆者認為，事先將人類會計專家賬務處理規(guī)則嵌入計算機系統(tǒng)，通過調(diào)用預設的記賬憑證模板實現(xiàn)自動記賬不是智能會計核算，因為計算機不具備自主學習功能，當賬務處理規(guī)則改變時，需要人工改變記賬憑證模板;基于RPA（Robotic Process Automation）技術(shù)的財務機器人也不是智能會計核算，因為RPA實質(zhì)上是計算機根據(jù)預先設計的固定規(guī)則與流程，通過模擬人工操作計算機，協(xié)助人類完成規(guī)則固定、重復性較高的標準化工作的計算機程序。

本文采用基于布爾映射矩陣的Apriori改進算法，從會計憑證數(shù)據(jù)庫中自動挖掘頻繁項集，通過屬性歸納學習算法（Attribute-Oriented Induction，AOI），從原始憑證數(shù)據(jù)庫中自主學習并提取會計核算規(guī)則，形成會計核算規(guī)則庫，使計算機具備無人監(jiān)督模式下的自我學習能力。根據(jù)原始憑證及會計核算規(guī)則庫，借助推理機技術(shù)使計算機具備自動編制記賬憑證功能，最終實現(xiàn)會計核算全流程智能化，助推我國會計人員由會計核算向管理輔助決策轉(zhuǎn)型。

二、智能會計核算研究現(xiàn)狀、存在的問題及實現(xiàn)路徑研究

（一）智能會計核算研究現(xiàn)狀及存在的問題

我國的會計信息化之路始于改革開放初期，當時的會計工作主要關(guān)注會計核算領(lǐng)域[1]。1989年10月，中國化工進出口總公司專門針對外貿(mào)企業(yè)研發(fā)智能財會電算管理系統(tǒng)。通過事先嵌入外貿(mào)會計制度、財務管理制度、審計制度及外貿(mào)行業(yè)會計專家賬務處理經(jīng)驗與技巧，計算機可自動、準確地對會計事項加以判斷并自動編制記賬憑證。該系統(tǒng)經(jīng)過半年的試運行后，最終實現(xiàn)由計算機處理全部經(jīng)濟業(yè)務[2]。李萌[3]從經(jīng)濟業(yè)務分類的角度，通過構(gòu)建會計核算判斷條件碼的方式研究自動會計憑證編制;王文蓮等[4]通過對銷售業(yè)務分類構(gòu)建記賬憑證模板的方式研究自動會計憑證編制的實現(xiàn)路徑;王文蓮等[5]從影響記賬憑證編制的關(guān)鍵因素角度，通過讓計算機從構(gòu)建的記賬憑證關(guān)鍵因素集合中做出合理選擇，進而實現(xiàn)記賬憑證自動編制;吳龍庭等[6]以自然語言識別為出發(fā)點，探索會計事項智能判斷的方法與路徑;王軍[7]通過引入BP神經(jīng)網(wǎng)絡，以網(wǎng)店業(yè)務數(shù)據(jù)為訓練樣本，對BP神經(jīng)網(wǎng)絡模型進行會計確認、計量基本規(guī)則的學習訓練，研究會計自動化核算。其他學者（王愛國，2020;王家燦，2017等）主要圍繞人工智能對會計行業(yè)及會計人員的影響、會計轉(zhuǎn)型背景下智能會計人才培養(yǎng)及智能會計信息系統(tǒng)重構(gòu)等開展了系列相關(guān)研究。

當前，人工智能背景下會計核算由自動化向智能化轉(zhuǎn)型已形成普遍共識，但是，現(xiàn)有智能會計研究大多停留在人工智能對會計行業(yè)及人員的沖擊、智能會計系統(tǒng)架構(gòu)的設想與展望等方面。雖有部分文獻對智能會計憑證編制的實現(xiàn)開展應用研究，但研究過程始終無法擺脫會計憑證模板論、會計專家模擬論及會計人員輔助判斷，研究成果大多屬于半自動化或弱人工智能范疇?，F(xiàn)有文獻中，將人工智能數(shù)據(jù)挖掘算法引入會計實務，對機器學習智能算法與會計信息系統(tǒng)開展改進性、融合性研究，并采用計算機語言平臺開發(fā)出可實際運行的智能會計核算系統(tǒng)的成果相對較少。雖有部分文獻從理論上引入BP人工神經(jīng)網(wǎng)絡算法對會計要素確認進行探索，但由于BP神經(jīng)網(wǎng)絡學習參數(shù)的動態(tài)性及網(wǎng)絡輸出的不穩(wěn)定性，相關(guān)理論研究成果尚不能達到會計實務應用的基本要求。

（二）智能會計核算實現(xiàn)路徑研究

傳統(tǒng)會計核算是會計人員根據(jù)會計法律法規(guī)，以“權(quán)責發(fā)生制”為基礎，對會計核算政策、會計估計、會計核算程序與方法等的綜合權(quán)衡與選擇的過程。根據(jù)記賬憑證登記賬簿，進而編制會計報表等環(huán)節(jié)均已實現(xiàn)自動化，但在編制記賬憑證及其前置環(huán)節(jié)，會計人員需根據(jù)原始憑證及其他相關(guān)信息，逐一確定每筆經(jīng)濟業(yè)務的記賬科目、記賬方向及記賬金額。該過程涉及到大量的會計職業(yè)判斷，能否讓計算機代替會計人員進行職業(yè)判斷并自動編制記賬憑證是決定我國會計核算由自動化邁向智能化的關(guān)鍵[8]。

智能會計核算系統(tǒng)的智能化主要體現(xiàn)在計算機必須自身具備無人監(jiān)督模式下的自主學習、知識更新、判斷推理及知識記憶存儲等能力，為此，智能會計核算系統(tǒng)一方面要有足量的機器學習訓練樣本，另一方面需引入機器學習智能算法，兩者缺一不可。目前我國主流會計信息系統(tǒng)中只有記賬憑證、賬簿及報表等相關(guān)數(shù)據(jù)，機器學習智能算法需要的關(guān)鍵信息（原始憑證及相關(guān)業(yè)務數(shù)據(jù)）尚屬空白。隨著財政部《關(guān)于規(guī)范電子會計憑證報銷入賬歸檔的通知》（財會〔2020〕6號）的發(fā)布實施及電子發(fā)票①的日益普及，通過會計信息系統(tǒng)采集、存儲原始憑證數(shù)據(jù)不僅必要，而且可行。會計確認計量的核心是確定經(jīng)濟業(yè)務應計入的會計賬戶名稱、記賬方向及記賬金額，不同的經(jīng)濟業(yè)務對會計要素產(chǎn)生的影響不盡相同，產(chǎn)生的賬戶組合與記賬規(guī)律在不同時期、單位發(fā)展的不同階段也會有一定的變化。智能學習算法應能夠從記賬憑證數(shù)據(jù)庫中精準挖掘并儲存賬戶組合規(guī)律，同時從會計憑證數(shù)據(jù)庫中學習、提取原始憑證與記賬憑證之間的對應關(guān)系（實質(zhì)上是原始憑證屬性及屬性值與記賬憑證的賬戶名稱、記賬方向、記賬金額之間的對應關(guān)系），如此會計核算系統(tǒng)才具有智能屬性，才可代替會計人員做出職業(yè)判斷并自動編制會計憑證。

1.會計賬戶組合規(guī)律研究

在借貸記賬法下，每筆交易或事項都要在兩個或兩個以上的賬戶中進行登記，即每筆會計分錄都是兩個或兩個以上賬戶的組合。理論上，只有當兩筆會計分錄所包含的賬戶名稱、記賬方向及金額全都相同，這兩個組合才是相同組合，但對于機器學習算法而言，需要區(qū)分下列三種情形：

情形一：借貸賬戶完全相同，僅是金額不同。如：

借：銀行存款——工商銀行? ?100

貸：應收賬款——甲公司? ? ? 100

借：銀行存款——工商銀行? ?200

貸：應收賬款——甲公司? ? ? 200

情形二：借貸賬戶中變量型末級賬戶與金額不同，非變量型末級賬戶完全相同②。如：

借：原材料——主要材料——鋼材——軋鋼——170型

100

應交稅費——應交增值稅——進項稅額 13

貸：應付賬款——甲公司? ? ? ? ?113

借：原材料——主要材料——鋼材——軋鋼——280型

200

應交稅費——應交增值稅——進項稅額 26

貸：應付賬款——乙公司? ? ? ? ?226

情形三：借貸賬戶完全不同。如：

借：銀行存款——工商銀行 100

貸：應收賬款——甲公司? ? ?100

借：管理費用——辦公費? 200

貸：庫存現(xiàn)金? ? ? ? ? 200

情形一兩筆業(yè)務的經(jīng)濟含義分別是收回甲公司100元欠款與收回甲公司200元欠款，兩筆業(yè)務的核算邏輯與記賬規(guī)則完全相同，區(qū)別僅在于金額。對機器學習算法而言，兩筆業(yè)務的金額差異不構(gòu)成實質(zhì)性差別。因此，在會計分錄三要素中，記賬金額不構(gòu)成區(qū)別不同賬戶組合的要件（即記賬金額為無關(guān)變量）。情形二的兩筆業(yè)務都是采取賒購方式購買主要材料，不同之處是兩種主材的型號及供應商不同（即變量型末級賬戶不同，非變量型末級賬戶相同）。就會計核算規(guī)則而言，購買材料與購買設備是不同類型的經(jīng)濟業(yè)務，涉及的賬戶組合是有顯著差異的，但由于情形二兩筆業(yè)務的會計核算邏輯與規(guī)則完全相同，因此情形二的兩筆業(yè)務也屬于同類型組合。情形三的兩筆業(yè)務由于涉及的經(jīng)濟業(yè)務內(nèi)容、會計核算賬戶組合及核算邏輯完全不同，因此情形三的兩個賬戶組合屬于不同類型組合。綜上，對會計賬戶組合類型產(chǎn)生影響的因素是一級賬戶或非變量型末級賬戶及記賬方向。例如：情形一屬同組合（“銀行存款——借”&“應收賬款——貸”）;情形二屬同組合（“原材料——主要材料——借”&“應交稅費——應交增值稅——進項稅額——借”&“應付賬款——貸”）;情形三屬不同組合，分別為（“銀行存款——借”&“應收賬款——貸”）與（“管理費用——辦公費——借”&“庫存現(xiàn)金——貸”）。因此，為了提高機器學習算法效率與效果，智能學習算法在數(shù)據(jù)預處理環(huán)節(jié)需要提前對記賬憑證數(shù)據(jù)庫中的每個會計賬戶進行數(shù)據(jù)簡約，移除會計憑證中的無關(guān)變量，對同一組合的經(jīng)濟業(yè)務進行智能、高效地歸集、分類，為智能會計核算學習算法提供高質(zhì)量訓練樣本。

2.原始憑證與記賬憑證對應關(guān)系研究

會計實務中，除少數(shù)不需原始憑證的結(jié)賬及錯賬更正業(yè)務外，會計人員依據(jù)審核無誤的原始憑證編制記賬憑證，理論上原始憑證與記賬憑證之間為典型的因果關(guān)系，具體表現(xiàn)為三種類型：一是“一對一”型，即某類原始憑證只能對應唯一特定的賬戶組合，反之亦然。如：“現(xiàn)金存款憑條”只能產(chǎn)生（“銀行存款——借”&“庫存現(xiàn)金——貸”）組合，反之亦然。二是“一對多”型，即某種原始憑證可對應多種類型的賬戶組合，如：“增值稅專用發(fā)票”既可對應（“銀行存款——借”&“主營業(yè)務收入——貸”&“應交稅費——應交增值稅——銷項稅額——貸”）組合，也可能對應（“原材料——借”&“應交稅費——應交增值稅——進項稅額——借”&“應付賬款——貸”）等多種不同類型的組合。該情形下，智能學習算法需采用原始憑證屬性概化或增加屬性等方式對原始憑證做進一步分類，直至將原始憑證與記賬憑證之間的“一對多”型對應關(guān)系轉(zhuǎn)化為“一對一”型。三是“多對一”型，即多種類型的原始憑證組合對應某種固定的賬戶組合，該情形是會計實務中最常見的類型，和“一對一”型同屬于智能學習算法擅長學習的關(guān)系模式。

當智能學習算法從記賬憑證學習樣本庫中提取到頻繁項集時，說明該類型的經(jīng)濟業(yè)務在本單位頻繁發(fā)生，智能學習算法將從會計憑證數(shù)據(jù)庫中提取與頻繁賬戶組合相對應的原始憑證樣本數(shù)據(jù)。如屬于前述情形一、三，則可直接輸出會計核算規(guī)則;如屬于情形二，智能學習算法需對原始憑證屬性逐步進行屬性泛化或增加附加屬性，通過反復迭代，直至將其轉(zhuǎn)化為“一對一”型時，算法終止。例如，記賬憑證數(shù)據(jù)庫中挖掘出的頻繁項組合為（“銀行存款——借”&“主營業(yè)務收入——貸”&“應交稅費——應交增值稅——銷項稅額——貸”），該組合對應的原始憑證樣本數(shù)據(jù)庫中的原始憑證名稱均為“銀行回單”與“增值稅專用發(fā)票”，銀行回單的“收款方”屬性值均為本單位名稱，銀行回單的“付款方”屬性值比較雜亂，無顯著規(guī)律;“增值稅專用發(fā)票”的“銷售方”屬性值均為本單位名稱，“增值稅專用發(fā)票”的“購買方”“貨物、應稅勞務及服務名稱”“稅額”屬性值均無顯著規(guī)律。顯然智能學習算法無法提取到會計核算規(guī)則。但如對原始憑證屬性進行適度泛化：將所有購買本單位產(chǎn)品的對方單位名稱均泛化為“客戶”;將本單位銷售的貨物、應稅勞務及服務名稱泛化為“主營商品”;將“增值稅專用發(fā)票”的“稅額”屬性值泛化為“非零值”。智能學習算法可挖掘到如下會計核算規(guī)則：增值稅專票.銷售方∈本單位∧增值稅專票.購買方∈客戶∧增值稅專票.貨物∈主營商品∧增值稅專票.稅額∈非零值∧銀行回單.收款方∈本單位∧銀行回單.付款方∈客戶→（“銀行存款——借”&“主營業(yè)務收入——貸”&“應交稅費——應交增值稅——銷項稅額——貸”）。通過回溯驗證，該規(guī)則在會計憑證數(shù)據(jù)庫中已轉(zhuǎn)化為“一對一”類型，計算機即可根據(jù)該強關(guān)聯(lián)規(guī)則代替會計人員進行職業(yè)判斷并自動生成會計分錄，實現(xiàn)智能會計核算。

三、會計核算智能學習算法研究

（一）基于布爾映射矩陣的Apriori算法改進研究

1.Apriori算法簡介

關(guān)聯(lián)規(guī)則挖掘算法由Agarwal R et al.[9]提出，主要用于挖掘顧客數(shù)據(jù)庫中項集間的關(guān)聯(lián)規(guī)則問題，用于從指定的記錄集中挖掘出支持度（Support）和可信度（Confidence）都不低于給定閾值的關(guān)聯(lián)規(guī)則。在眾多的關(guān)聯(lián)規(guī)則挖掘算法中，Apriori是最基本、最著名的算法。

設物品集R={I1，I2，…，Im}是某單位一級賬戶或非變量型末級賬戶與記賬方向的組合集，例如：I1代表“庫存現(xiàn)金——借”，I2代表“庫存現(xiàn)金——貸”，I3代表“銀行存款——借”，I4代表“銀行存款——貸”，…。事務集W={T1，T2，…，Tn}是某單位一定期間的記賬憑證集。W中的每個事務Ti是R的子集，T？奐R。智能會計核算中的賬戶組合規(guī)律研究可以抽象為從事務集W中挖掘某個頻繁出現(xiàn)的事務Ti，構(gòu)成事務Ti的R的子集即為頻繁賬戶組合，綜上，本文引入Apriori算法完全契合智能會計核算的研究目標。

Apriori算法的基本思想是基于頻集理論，通過逐層搜索迭代的方法，挖掘頻繁項集的一種機器學習智能算法[10]?？紤]到Apriori算法在迭代過程中會產(chǎn)生大量的候選集，且會計實務中有些會計賬戶的交集為空集，因此，Apriori算法的迭代過程會產(chǎn)生大量的無效候選集;同時Apriori算法需頻繁掃描數(shù)據(jù)庫，以完成剪枝與頻數(shù)統(tǒng)計工作，這些都會極大降低算法挖掘效率。

2.Apriori算法改進研究

針對傳統(tǒng)Apriori算法的不足，本文結(jié)合會計賬戶組合規(guī)律，提出基于布爾映射矩陣的Apriori改進算法，改進思路與實現(xiàn)路徑如下：

（1）構(gòu)建布爾型賬戶組合矩陣，矩陣首列代表事務集W的編號，第二列至倒數(shù)第二列代表物品集R中的每個項目，末列為每個事務中的項目合計數(shù)。布爾映射規(guī)則是：若事務Ti中某個項目出現(xiàn)，則將布爾型賬戶組合矩陣的第i行，項目所在列的矩陣元素映射為“1”，將第i行不出現(xiàn)項目所在列的矩陣元素映射為“0”，通過對構(gòu)建的布爾型賬戶組合矩陣開展向量內(nèi)積運算③，Apriori改進算法只需一次掃描數(shù)據(jù)庫，即可完成所需的計算與統(tǒng)計工作，算法效率顯著提升。

（2）針對傳統(tǒng)Apriori算法在迭代過程中會產(chǎn)生大量無效候選集問題，本文提出基于會計賬戶組合規(guī)律構(gòu)建候選集的改進策略：一是將復合會計分錄分解為簡單會計分錄后，事務集中所有事務均為三種類型，即“一借一貸型”“一借多貸型”“一貸多借型”④。根據(jù)借貸記賬法的記賬規(guī)則，在構(gòu)建“一借多貸型”事務候選集時，所有候選集中不得同時出現(xiàn)兩個以上借方賬戶組合;同理，在構(gòu)建“一貸多借型”事務候選集時，所有候選集中不得同時出現(xiàn)兩個以上貸方賬戶組合。二是考察會計賬戶之間的對應關(guān)系，充分利用賬戶組合為空集的情形屏蔽無效候選集。例如：在“一借多貸型”事務集中，如第一個項目為“應收賬款——借”組合，則在構(gòu)建候選集時，應將“應付賬款——貸”“應付票據(jù)——貸”“短期借款——貸”“長期借款——貸”“實收資本（股本）——貸”“資本公積——貸”等排除，因在會計實務中，“應收賬款——借”與“應付賬款——貸”等的交集為空集。三是根據(jù)借貸記賬法的記賬規(guī)則“有借必有貸，借貸必相等”，在算法迭代過程中，若發(fā)現(xiàn)某事務中僅有一個項目，則該事務應從學習樣本中刪除。本文設計的Apriori改進算法通過上述三個策略對構(gòu)建組合候選集進行優(yōu)化后，迭代過程中Apriori改進算法產(chǎn)生的無效候選集將大大減少，算法剪枝及頻數(shù)統(tǒng)計運算量明顯減少，算法運行效率獲得顯著提升?；诓紶栍成渚仃嚨腁priori改進算法流程及偽代碼見表1。

（二）AOI算法改進研究

1.AOI算法簡介

為了挖掘原始憑證屬性、屬性值與頻繁會計賬戶組合之間的關(guān)聯(lián)關(guān)系，本文引入AOI算法，在借鑒Han et al.[11]提出的對屬性值進行屬性壓縮的基礎上，通過提升屬性概念層次，逐級產(chǎn)生宏元組并輸出對應規(guī)則。

2.AOI算法改進研究

為了提高算法效率，針對原始憑證屬性及屬性值的特征，本文提出對原始憑證名稱、原始憑證屬性及屬性值的組合進行智能學習研究。

（1）構(gòu)建原始憑證屬性學習樣本數(shù)據(jù)庫

從原始憑證數(shù)據(jù)庫中提取所有涉及頻繁項集的元組，將原始憑證名稱與屬性組合作為列名，將原始憑證中該組合相對應的屬性值作為列值。此外，原始憑證屬性也包括單位為了內(nèi)部管理需要而新增的屬性及屬性值組合，如單位開出的增值稅專用發(fā)票的經(jīng)手人及所屬部門組合等。

（2）統(tǒng)計每列屬性值類型數(shù)

如屬性值類型數(shù)等于1，則說明該原始憑證的屬性組合與頻繁項集為100%正相關(guān);如屬性值類型數(shù)等于元組數(shù)，則說明該原始憑證與屬性組合與頻繁項集不相關(guān);如屬性值類型數(shù)介于1與元組數(shù)之間，則說明該原始憑證的屬性組合與頻繁項集有一定關(guān)聯(lián)，但關(guān)聯(lián)度不高。

（3）面向?qū)傩苑夯?/p>

對于屬性值類型數(shù)大于1的情形，需結(jié)合原始憑證屬性與經(jīng)濟業(yè)務實質(zhì)，對原始憑證屬性進行概念提升;對于原始憑證中的部分確實不可泛化的屬性，將該列從原始憑證學習樣本數(shù)據(jù)庫中移除。

（4）指定泛化閾值，進行屬性壓縮

通過設定泛化閾值，即宏元組的最大數(shù)量，控制屬性學習進度與效率。對于知識基表中的某個屬性，如果類型數(shù)大于指定的泛化閾值，需把該屬性進一步泛化。如果已泛化關(guān)系的元組數(shù)仍大于用戶指定的泛化閾值，則應對該關(guān)系繼續(xù)泛化，直至滿足設定條件，算法終止。否則從樣本庫中移除該屬性。

（5）規(guī)則驗證

當原始憑證屬性組合的類型數(shù)小于或等于設定泛化閾值后，從記賬憑證數(shù)據(jù)庫中提取所有經(jīng)濟業(yè)務數(shù)據(jù)，對會計核算規(guī)則進行驗證。當記賬憑證數(shù)據(jù)庫中所有涉及該業(yè)務的元組均為真時，可輸出該核算規(guī)則到規(guī)則庫。否則，存入待驗證規(guī)則庫，為會計人員提供參考，AOI算法結(jié)束。

（三）算法示例

設從記賬憑證數(shù)據(jù)庫中提取到7個學習樣本（見表2），設Minsup為2，改進算法學習過程如下：

1.按照布爾映射原理，對記賬憑證數(shù)據(jù)庫進行數(shù)據(jù)二值化處理，產(chǎn)生的布爾映射矩陣見表3。

2.因F項小計數(shù)小于Minsup閾值，將F列從矩陣中刪除后形成5個1-項集項目A、B、C、D、E。根據(jù)借貸記賬法基本原理，T6事務小計小于2，將T6從矩陣中刪除，具體結(jié)果見表4。

3.調(diào)用Apriori_gen函數(shù)，對A、B、C、D、E進行連接并產(chǎn)生候選集C2。由于本次學習樣本均為“一借多貸型”經(jīng)濟業(yè)務，且A、B同屬借方賬戶，因此AB組合為空集，在連接過程中直接屏蔽該組合;同時根據(jù)賬戶對應關(guān)系，“應收賬款——借”（A）與“其他應付款——貸”（D）不構(gòu)成對應關(guān)系，A、D組合為空集，在連接過程中應直接排除。算法產(chǎn)生的候選集C2及其對應列向量的向量內(nèi)積運算結(jié)果見表5。

4.候選集C2向量內(nèi)積計算結(jié)果顯示，僅有BC、BD、BE、CE四個組合滿足Minsup閾值，因此算法再次調(diào)用Apriori_gen函數(shù)，根據(jù)四個頻繁2-項集，連接后產(chǎn)生候選集C3，列向量內(nèi)積計算結(jié)果見表6。

5.候選集C3中僅有BCE滿足Minsup閾值，因此BCE即為頻繁項集，即該數(shù)據(jù)庫中出現(xiàn)頻次最高的賬戶組合為（“銀行存款——借”&“主營業(yè)務收入——貸”&“應交稅費——應交增值稅——銷項稅額——貸”），至此，Apriori改進算法學習終止。

6.從原始憑證數(shù)據(jù)庫中提取涉及BCE組合的所有原始憑證樣本數(shù)據(jù)，調(diào)用AOI算法進行學習。構(gòu)建的原始憑證屬性學習樣本數(shù)據(jù)庫見表7。

7.刪除原始憑證屬性學習樣本數(shù)據(jù)庫中對會計核算規(guī)則無影響的數(shù)值型變量（如“專票——數(shù)量”“專票——單價”“銀行回單——金額”等）后，統(tǒng)計每列中原始憑證屬性值類型數(shù)：“專票——購買方”為5;“專票——銷售方”為1;“專票——貨物”為5，“專票——開票人”為2;“銀行回單——收款方”為1;“銀行回單——付款方”為5。

8.設屬性學習閾值為2，對數(shù)據(jù)庫中屬性值類型數(shù)大于2的屬性值進行泛化：將“專票——購買方”的各屬性值提升為“客戶”;將“專票——貨物”的各屬性值提升為“主營產(chǎn)品”;將“銀行回單——付款方”的各屬性值提升為“客戶”后，所有列中的屬性值類型均小于等于設定的閾值。（如將“專票——開票人”泛化為“銷售部開票人”，則所有列屬性值類型均為1，可輸出強會計核算規(guī)則）

9.提取會計憑證數(shù)據(jù)庫中所有經(jīng)濟業(yè)務對輸出規(guī)則進行驗證，即在專票的購買方為“客戶”，銷售方為“A公司”，貨物名稱為“主營產(chǎn)品”，開票人為“張三”或“李四”，銀行回單收款方為“A公司”，銀行回單付款方為“客戶”的情形下，相應記賬憑證中的會計賬戶組合是否為頻繁項集BCE。如為真，則該規(guī)則為強規(guī)則，可將該會計核算規(guī)則存入規(guī)則庫，智能會計核算算法學習成功。如為假，則該規(guī)則為弱規(guī)則，可存入待驗證規(guī)則庫，為會計人員職業(yè)判斷提供參考，減輕會計人員工作強度。同時隨著學習樣本數(shù)據(jù)量的不斷增加，弱規(guī)則有可能變?yōu)閺娨?guī)則。

四、智能會計核算系統(tǒng)設計研究

根據(jù)會計實務流程及智能會計核算的需求，本文設計的智能會計核算信息系統(tǒng)架構(gòu)見圖1，主要功能模塊如下：

（一）系統(tǒng)定義與維護

該功能模塊主要包括會計科目初始化、會計期間定義、人員權(quán)限管理等基礎工作。同時系統(tǒng)還需采集、存儲大量人員信息、組織機構(gòu)信息、產(chǎn)品信息等基礎數(shù)據(jù)，為實現(xiàn)計算機智能判斷奠定基礎。

（二）原始憑證管理

原始憑證管理是智能會計核算系統(tǒng)區(qū)別于普通會計信息系統(tǒng)的重要內(nèi)容。智能會計核算系統(tǒng)學習訓練需要的大量原始憑證信息均通過該環(huán)節(jié)采集與存儲，借助電子票據(jù)、OCR文本識別技術(shù)及其他智能數(shù)據(jù)采集技術(shù)為AOI算法高效、準確獲取學習樣本[12]。原始憑證屬性及屬性值管理中涉及的概念提升、屬性值泛化均在該環(huán)節(jié)由會計人員或智能學習算法進行定義與存儲。

（三）記賬憑證管理

該環(huán)節(jié)為Apriori改進算法提供大量的學習樣本，在智能學習系統(tǒng)尚未產(chǎn)生核算規(guī)則前，為會計人員手工編制憑證的數(shù)據(jù)入口，同時還可對計算機自動編制的智能記賬憑證進行確認或修正。

（四）智能學習系統(tǒng)

智能學習系統(tǒng)是智能會計核算系統(tǒng)中最重要的模塊，主要從原始憑證與記賬憑證數(shù)據(jù)庫中學習、提取相關(guān)規(guī)則：

1.學習樣本數(shù)據(jù)預處理，一是為系統(tǒng)智能學習設置控制參數(shù)，主要包括Minsup、學習系統(tǒng)激活參數(shù)、屬性學習閾值等。二是根據(jù)記賬憑證數(shù)據(jù)庫創(chuàng)建布爾映射矩陣，為Apriori改進算法提供學習樣本。

2.關(guān)聯(lián)規(guī)則挖掘，通過調(diào)用Apriori改進算法，對記賬憑證數(shù)據(jù)庫中的賬戶組合規(guī)律進行學習訓練，輸出頻繁會計賬戶組合項集，為原始憑證屬性學習提供基本數(shù)據(jù)。

3.原始憑證屬性學習，從原始憑證數(shù)據(jù)庫中提取學習樣本數(shù)據(jù)后，調(diào)用改進AOI算法，對記賬憑證與原始憑證之間的對應關(guān)系進行挖掘，輸出會計核算規(guī)則可為推理機提供會計核算規(guī)則庫。

4.推理機自動核算，實現(xiàn)自動編制記賬憑證的重要功能。推理機子系統(tǒng)的業(yè)務流程是：首先從原始憑證數(shù)據(jù)庫中提取待記賬樣本數(shù)據(jù);其次，引入正向推理機制，建立循環(huán)逐條將待記賬樣本數(shù)據(jù)中的屬性、屬性值與會計核算規(guī)則庫中的數(shù)據(jù)進行匹配;最后對于每一筆經(jīng)濟業(yè)務，取各屬性、屬性值匹配結(jié)果產(chǎn)生的交集，輸出記賬憑證賬戶組合，完成相關(guān)數(shù)據(jù)采集并更新記賬憑證數(shù)據(jù)庫。至此，計算機已完全實現(xiàn)無人監(jiān)督模式下的自主學習與智能編制記賬憑證功能。

五、結(jié)語

隨著人工智能技術(shù)在會計領(lǐng)域的深入應用，會計智能化已成為現(xiàn)階段會計行業(yè)發(fā)展中最熱門的話題之一。本文圍繞會計核算智能化，以計算機智能判斷代替會計專家職業(yè)判斷為方向，綜合應用基于布爾映射矩陣的Apriori改進算法及AOI改進算法，對原始憑證屬性、屬性值與記賬憑證之間的關(guān)系進行數(shù)據(jù)挖掘，形成會計核算規(guī)則庫。在此基礎上，應用推理機正向推理技術(shù)，實現(xiàn)了無人監(jiān)督模式下的計算機自主學習、智能判斷推理、自主更新規(guī)則庫、自動編制記賬憑證的智能會計核算。

【參考文獻】

[1] 劉勤，楊寅.改革開放40年的中國會計信息化：回顧與展望[J].會計研究，2019（2）：26-34.

[2] 智能財會電算管理系統(tǒng).創(chuàng)造單位：中國化工進出口總公司[J].企業(yè)管理，1993（8）：39-40.

[3] 李萌.會計信息處理智能化研究[D].天津：天津商業(yè)大學碩士學位論文，2007.

[4] 王文蓮，劉海穎.經(jīng)濟業(yè)務與會計核算銜接的智能化[J].中國管理信息化，2008（1）：12-14.

[5] 王文蓮，張麗霞.會計核算智能化的突破[J].會計之友（中旬刊），2009（2）：37-38.

[6] 吳龍庭，肖聰.基于自然語言的會計事項智能判斷方法研究[J].財會通訊，2017（7）：101-104，4.

[7] 王軍.基于BP人工神經(jīng)網(wǎng)絡會計確認研究[D].石河子：石河子大學碩士學位論文，2016.

[8] 吳浩忠.智能會計核算系統(tǒng)的研究與應用[D].無錫：江南大學碩士學位論文，2020.

[9] AGARWAL R，IMIELINSKI T，SWAMI A.Mining associaiton rules between sets of items in large databases[C]//Proceeding of the 1993 ACM SIGMOD International Conference on Management of Data，1993.

[10] 吳浩忠，錢雪忠.采用布爾映射矩陣的Apriori算法改進研究[J].福建電腦，2020，36（3）：15-18.

[11] HAN JIAWEI，MICHELINE KAMBER.Data mining concepts and techniques [M].China Machine Press，2001.

[12] 黃京菁.集中核算、平臺變革與會計輸入前端重塑[J].會計之友，2020（2）：2-7.