趙長江 吳樂云

摘?要：在稅務(wù)領(lǐng)域如何對納稅人的稅收優(yōu)惠政策推廣更具有針對性、引導(dǎo)性，使能享受稅收優(yōu)惠政策的納稅人及時充分享受稅收優(yōu)惠政策的紅利，是稅務(wù)機(jī)關(guān)精準(zhǔn)服務(wù)的難點(diǎn)之一。本文利用文本相似度以及改進(jìn)的推薦算法確定兩個目標(biāo)集合，然后通過兩個集合取并集的方式確定最終目標(biāo)納稅人群體，實(shí)現(xiàn)稅收優(yōu)惠政策的精準(zhǔn)推薦服務(wù)。

關(guān)鍵詞：稅收優(yōu)惠政策;精準(zhǔn)推薦;文本相似度;推薦算法

中圖分類號：TP3?文獻(xiàn)標(biāo)識碼：A

引言

現(xiàn)有的稅收優(yōu)惠政策宣傳主要通過納稅學(xué)堂輔導(dǎo)、專題講座、網(wǎng)站政策公告等傳統(tǒng)的方式，傳統(tǒng)方式一方面時效性較差，另一方面對納稅人沒有針對性，使很多滿足要求的納稅人無法及時享受優(yōu)惠政策的紅利。

推薦系統(tǒng)[1]的應(yīng)用已經(jīng)在多個領(lǐng)域進(jìn)行使用，本文旨在將推薦系統(tǒng)在稅務(wù)精準(zhǔn)服務(wù)中進(jìn)行運(yùn)用，又考慮到稅收優(yōu)惠政策自身的業(yè)務(wù)性，通過運(yùn)用NLP（自然語言處理）分析稅收優(yōu)惠政策和納稅人之間的關(guān)聯(lián)關(guān)系，同時結(jié)合推薦算法構(gòu)建融合模型，以便更精準(zhǔn)地把稅收優(yōu)惠政策推薦給真正需要該政策的納稅人。

1材料與方法

1.1使用NLP獲取第一目標(biāo)集合

步驟101：獲取納稅人的基本信息，包括行業(yè)類型、經(jīng)營范圍、資格類型、企業(yè)類型、組織機(jī)構(gòu)類型、繳稅信息、職工信息以及已享受稅收優(yōu)惠政策信息。

步驟102：利用TF-IDF[2][3]對所述基本信息進(jìn)行數(shù)據(jù)提取轉(zhuǎn)換，得到基本信息特征向量。

步驟103：獲取納稅人當(dāng)前享受的稅收優(yōu)惠政策。

步驟104：對所述稅收優(yōu)惠政策進(jìn)行數(shù)據(jù)提取，得到稅收優(yōu)惠政策特征向量。對所述稅收優(yōu)惠政策進(jìn)行分詞，得到多個第二關(guān)鍵詞;對多個所述第二關(guān)鍵詞進(jìn)行優(yōu)化，得到優(yōu)化后的第二關(guān)鍵詞;根據(jù)所述優(yōu)化后的第二關(guān)鍵詞，確定稅收優(yōu)惠政策特征向量。

Step1：生成稅收優(yōu)惠政策關(guān)鍵詞。獲取正在享受的所有稅收優(yōu)惠政策的文件，根據(jù)文件內(nèi)容結(jié)合已享受納稅人信息，通過分詞生成稅收優(yōu)惠政策的關(guān)鍵詞;

Step2：利用TF-IDF計(jì)算稅收優(yōu)惠政策特征向量，計(jì)算與已享受納稅人的相似度，針對與已享受納稅人相似度較低的稅收優(yōu)惠政策進(jìn)行關(guān)鍵詞優(yōu)化;

Step3：重復(fù)Step2直至60%以上的稅收優(yōu)惠政策與已享受納稅人的相似度均不為0，確定最終關(guān)鍵詞并形成稅收優(yōu)惠政策特征向量。

步驟105：計(jì)算所述基本信息特征向量與所述稅收優(yōu)惠政策特征向量之間的相似度。

相似度S計(jì)算如下[4]：

其中Ai為第i個稅收優(yōu)惠政策的n維特征向量，Bi為第i個納稅人的n維特征向量，θ為兩特征向量的夾角。

步驟106：根據(jù)所述相似度以及設(shè)定閾值，獲取第一目標(biāo)納稅人集合。通過設(shè)定相似度S大于閾值T獲取目標(biāo)納稅人;閾值T根據(jù)稅收優(yōu)惠政策不同而不同，設(shè)定為某一稅收優(yōu)惠政策與已享受納稅人的相似度的最小值?；趦?nèi)容利用NLP分析獲取的目標(biāo)納稅人集合U1={U1（i），i=1，2，...，n}，其中U1（i）為NLP獲取的稅收優(yōu)惠政策i的第一目標(biāo)納稅人集合。

1.2使用推薦算法獲取第二目標(biāo)集合

通過協(xié)同過濾算法[5]，基于改進(jìn)的相似度，獲取第二目標(biāo)納稅人集合。

步驟1：計(jì)算納稅人同現(xiàn)相似度，找出與目標(biāo)納稅人相似的納稅人集合。納稅人同現(xiàn)相似度為改進(jìn)的余弦相似度，計(jì)算如下：

其中表示納稅人和納稅人的相似度，表示納稅人享受的稅收優(yōu)惠政策集合，表示納稅人享受的稅收優(yōu)惠政策集合，是享受稅收優(yōu)惠政策的納稅人集合，分子中的倒數(shù)懲罰了納稅人和納稅人共同享受的稅收優(yōu)惠政策中熱門稅收優(yōu)惠政策對他們的相似度影響[6]。

步驟2：找出納稅人集合中相似納稅人享受的、但目標(biāo)納稅人沒有享受的稅收優(yōu)惠政策推薦給目標(biāo)納稅人。納稅人對稅收優(yōu)惠政策的興趣度計(jì)算如下：

其中表示納稅人對稅收優(yōu)惠政策的興趣度，表示納稅人對稅收優(yōu)惠政策的興趣，此處等于納稅人享受稅收優(yōu)惠政策的次數(shù)。基于行為利用改進(jìn)的基于用戶的協(xié)同過濾算法獲取的目標(biāo)納稅人集U2={U2（i）i=1，2，...，n}，其中U2（i）為改進(jìn)的基于用戶的協(xié)同過濾算法獲取的稅收優(yōu)惠政策i的第二目標(biāo)納稅人集合。

1.3最終目標(biāo)集合確定

根據(jù)所述第一目標(biāo)集合U1以及所述第二目標(biāo)集合U2，最終目標(biāo)集合通過兩者取并集來獲取。享受稅收優(yōu)惠政策i的納稅人集合U（i）=U1（i）∪U2（i），最終目標(biāo)集合U={U（j），j=1，2，...，n}，其中j代表第j個稅收優(yōu)惠政策。

2結(jié)論

（1）基于稅收優(yōu)惠政策內(nèi)容與已享受的納稅人信息的關(guān)聯(lián)性，利用NLP不斷訓(xùn)練稅收優(yōu)惠政策關(guān)鍵詞，建立“稅收優(yōu)惠政策詞庫”;

（2）改進(jìn)的基于用戶的協(xié)同過濾算法，納稅人相似度計(jì)算中消除了熱門稅收優(yōu)惠政策對納稅人的相似度影響，使算法得到的結(jié)果更具有現(xiàn)實(shí)意義;

（3）將NLP與協(xié)同過濾算法相結(jié)合，取兩種模型獲取的納稅人集合并集作為最終目標(biāo)群體，實(shí)現(xiàn)稅收優(yōu)惠政策的精準(zhǔn)服務(wù)，在避免傳統(tǒng)的無針對性的廣撒網(wǎng)模式的同時又能盡量保證目標(biāo)群體無遺漏，精準(zhǔn)找到目標(biāo)群體;在給稅務(wù)干部提供管理決策支撐的同時，為納稅人推送個性化服務(wù)，為稅務(wù)行業(yè)的精準(zhǔn)服務(wù)提供便捷。

參考文獻(xiàn)

[1]?孟祥武，胡勛，王立才，等 . 移動推薦系統(tǒng)及其應(yīng)用 [J]. 軟件學(xué)報，2013，24（1）：91-108.

[2]?Gu Y，Yang Z，Xu G，et al. Exploration on efficient similar sentences extraction[J]. World Wide Web，2014，17（4）：595-626..

[3]?周麗杰，于偉海，郭成. 基于改進(jìn)的TF-IDF方法的文本相似度算法研究[J]. 泰山學(xué)院學(xué)報，2015，37（003）：18-22.

[4]?張啟宇，朱玲，孫愛娥. 文本相似度的計(jì)算[J]. 電腦知識與技術(shù)：學(xué)術(shù)交流，2008.