【關(guān)鍵詞】 布爾映射矩陣; Apriori改進(jìn)算法; AOI; 智能會(huì)計(jì)核算

【中圖分類號(hào)】 F275.2? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2021）24-0123-08

一、引言

經(jīng)過(guò)40多年的發(fā)展，我國(guó)已基本實(shí)現(xiàn)會(huì)計(jì)賬簿與報(bào)表處理自動(dòng)化，但在編制記賬憑證環(huán)節(jié)卻始終離不開(kāi)會(huì)計(jì)人員的職業(yè)判斷，導(dǎo)致我國(guó)會(huì)計(jì)核算自動(dòng)化止步不前。隨著人工智能技術(shù)在會(huì)計(jì)行業(yè)的不斷發(fā)展，研發(fā)具有自我學(xué)習(xí)、自動(dòng)判斷推理能力的智能會(huì)計(jì)核算系統(tǒng)，讓計(jì)算機(jī)代替會(huì)計(jì)人員進(jìn)行職業(yè)判斷并自動(dòng)編制記賬憑證已成為我國(guó)會(huì)計(jì)核算由自動(dòng)化邁向智能化的重點(diǎn)研究領(lǐng)域。

實(shí)現(xiàn)會(huì)計(jì)核算智能化的關(guān)鍵在于讓計(jì)算機(jī)具有無(wú)人監(jiān)督模式下的自主學(xué)習(xí)能力、智能判斷與推理能力，借助智能學(xué)習(xí)算法自動(dòng)獲取的會(huì)計(jì)核算規(guī)則，對(duì)經(jīng)濟(jì)業(yè)務(wù)進(jìn)行智能分析判斷并自動(dòng)編制記賬憑證。筆者認(rèn)為，事先將人類會(huì)計(jì)專家賬務(wù)處理規(guī)則嵌入計(jì)算機(jī)系統(tǒng)，通過(guò)調(diào)用預(yù)設(shè)的記賬憑證模板實(shí)現(xiàn)自動(dòng)記賬不是智能會(huì)計(jì)核算，因?yàn)橛?jì)算機(jī)不具備自主學(xué)習(xí)功能，當(dāng)賬務(wù)處理規(guī)則改變時(shí)，需要人工改變記賬憑證模板;基于RPA（Robotic Process Automation）技術(shù)的財(cái)務(wù)機(jī)器人也不是智能會(huì)計(jì)核算，因?yàn)镽PA實(shí)質(zhì)上是計(jì)算機(jī)根據(jù)預(yù)先設(shè)計(jì)的固定規(guī)則與流程，通過(guò)模擬人工操作計(jì)算機(jī)，協(xié)助人類完成規(guī)則固定、重復(fù)性較高的標(biāo)準(zhǔn)化工作的計(jì)算機(jī)程序。

本文采用基于布爾映射矩陣的Apriori改進(jìn)算法，從會(huì)計(jì)憑證數(shù)據(jù)庫(kù)中自動(dòng)挖掘頻繁項(xiàng)集，通過(guò)屬性歸納學(xué)習(xí)算法（Attribute-Oriented Induction，AOI），從原始憑證數(shù)據(jù)庫(kù)中自主學(xué)習(xí)并提取會(huì)計(jì)核算規(guī)則，形成會(huì)計(jì)核算規(guī)則庫(kù)，使計(jì)算機(jī)具備無(wú)人監(jiān)督模式下的自我學(xué)習(xí)能力。根據(jù)原始憑證及會(huì)計(jì)核算規(guī)則庫(kù)，借助推理機(jī)技術(shù)使計(jì)算機(jī)具備自動(dòng)編制記賬憑證功能，最終實(shí)現(xiàn)會(huì)計(jì)核算全流程智能化，助推我國(guó)會(huì)計(jì)人員由會(huì)計(jì)核算向管理輔助決策轉(zhuǎn)型。

二、智能會(huì)計(jì)核算研究現(xiàn)狀、存在的問(wèn)題及實(shí)現(xiàn)路徑研究

（一）智能會(huì)計(jì)核算研究現(xiàn)狀及存在的問(wèn)題

我國(guó)的會(huì)計(jì)信息化之路始于改革開(kāi)放初期，當(dāng)時(shí)的會(huì)計(jì)工作主要關(guān)注會(huì)計(jì)核算領(lǐng)域[1]。1989年10月，中國(guó)化工進(jìn)出口總公司專門針對(duì)外貿(mào)企業(yè)研發(fā)智能財(cái)會(huì)電算管理系統(tǒng)。通過(guò)事先嵌入外貿(mào)會(huì)計(jì)制度、財(cái)務(wù)管理制度、審計(jì)制度及外貿(mào)行業(yè)會(huì)計(jì)專家賬務(wù)處理經(jīng)驗(yàn)與技巧，計(jì)算機(jī)可自動(dòng)、準(zhǔn)確地對(duì)會(huì)計(jì)事項(xiàng)加以判斷并自動(dòng)編制記賬憑證。該系統(tǒng)經(jīng)過(guò)半年的試運(yùn)行后，最終實(shí)現(xiàn)由計(jì)算機(jī)處理全部經(jīng)濟(jì)業(yè)務(wù)[2]。李萌[3]從經(jīng)濟(jì)業(yè)務(wù)分類的角度，通過(guò)構(gòu)建會(huì)計(jì)核算判斷條件碼的方式研究自動(dòng)會(huì)計(jì)憑證編制;王文蓮等[4]通過(guò)對(duì)銷售業(yè)務(wù)分類構(gòu)建記賬憑證模板的方式研究自動(dòng)會(huì)計(jì)憑證編制的實(shí)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(guò)讓計(jì)算機(jī)從構(gòu)建的記賬憑證關(guān)鍵因素集合中做出合理選擇，進(jìn)而實(shí)現(xiàn)記賬憑證自動(dòng)編制;吳龍庭等[6]以自然語(yǔ)言識(shí)別為出發(fā)點(diǎn)，探索會(huì)計(jì)事項(xiàng)智能判斷的方法與路徑;王軍[7]通過(guò)引入BP神經(jīng)網(wǎng)絡(luò)，以網(wǎng)店業(yè)務(wù)數(shù)據(jù)為訓(xùn)練樣本，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行會(huì)計(jì)確認(rèn)、計(jì)量基本規(guī)則的學(xué)習(xí)訓(xùn)練，研究會(huì)計(jì)自動(dòng)化核算。其他學(xué)者（王愛(ài)國(guó)，2020;王家燦，2017等）主要圍繞人工智能對(duì)會(huì)計(jì)行業(yè)及會(huì)計(jì)人員的影響、會(huì)計(jì)轉(zhuǎn)型背景下智能會(huì)計(jì)人才培養(yǎng)及智能會(huì)計(jì)信息系統(tǒng)重構(gòu)等開(kāi)展了系列相關(guān)研究。

當(dāng)前，人工智能背景下會(huì)計(jì)核算由自動(dòng)化向智能化轉(zhuǎn)型已形成普遍共識(shí)，但是，現(xiàn)有智能會(huì)計(jì)研究大多停留在人工智能對(duì)會(huì)計(jì)行業(yè)及人員的沖擊、智能會(huì)計(jì)系統(tǒng)架構(gòu)的設(shè)想與展望等方面。雖有部分文獻(xiàn)對(duì)智能會(huì)計(jì)憑證編制的實(shí)現(xiàn)開(kāi)展應(yīng)用研究，但研究過(guò)程始終無(wú)法擺脫會(huì)計(jì)憑證模板論、會(huì)計(jì)專家模擬論及會(huì)計(jì)人員輔助判斷，研究成果大多屬于半自動(dòng)化或弱人工智能范疇。現(xiàn)有文獻(xiàn)中，將人工智能數(shù)據(jù)挖掘算法引入會(huì)計(jì)實(shí)務(wù)，對(duì)機(jī)器學(xué)習(xí)智能算法與會(huì)計(jì)信息系統(tǒng)開(kāi)展改進(jìn)性、融合性研究，并采用計(jì)算機(jī)語(yǔ)言平臺(tái)開(kāi)發(fā)出可實(shí)際運(yùn)行的智能會(huì)計(jì)核算系統(tǒng)的成果相對(duì)較少。雖有部分文獻(xiàn)從理論上引入BP人工神經(jīng)網(wǎng)絡(luò)算法對(duì)會(huì)計(jì)要素確認(rèn)進(jìn)行探索，但由于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)參數(shù)的動(dòng)態(tài)性及網(wǎng)絡(luò)輸出的不穩(wěn)定性，相關(guān)理論研究成果尚不能達(dá)到會(huì)計(jì)實(shí)務(wù)應(yīng)用的基本要求。

（二）智能會(huì)計(jì)核算實(shí)現(xiàn)路徑研究

傳統(tǒng)會(huì)計(jì)核算是會(huì)計(jì)人員根據(jù)會(huì)計(jì)法律法規(guī)，以“權(quán)責(zé)發(fā)生制”為基礎(chǔ)，對(duì)會(huì)計(jì)核算政策、會(huì)計(jì)估計(jì)、會(huì)計(jì)核算程序與方法等的綜合權(quán)衡與選擇的過(guò)程。根據(jù)記賬憑證登記賬簿，進(jìn)而編制會(huì)計(jì)報(bào)表等環(huán)節(jié)均已實(shí)現(xiàn)自動(dòng)化，但在編制記賬憑證及其前置環(huán)節(jié)，會(huì)計(jì)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(jì)業(yè)務(wù)的記賬科目、記賬方向及記賬金額。該過(guò)程涉及到大量的會(huì)計(jì)職業(yè)判斷，能否讓計(jì)算機(jī)代替會(huì)計(jì)人員進(jìn)行職業(yè)判斷并自動(dòng)編制記賬憑證是決定我國(guó)會(huì)計(jì)核算由自動(dòng)化邁向智能化的關(guān)鍵[8]。

智能會(huì)計(jì)核算系統(tǒng)的智能化主要體現(xiàn)在計(jì)算機(jī)必須自身具備無(wú)人監(jiān)督模式下的自主學(xué)習(xí)、知識(shí)更新、判斷推理及知識(shí)記憶存儲(chǔ)等能力，為此，智能會(huì)計(jì)核算系統(tǒng)一方面要有足量的機(jī)器學(xué)習(xí)訓(xùn)練樣本，另一方面需引入機(jī)器學(xué)習(xí)智能算法，兩者缺一不可。目前我國(guó)主流會(huì)計(jì)信息系統(tǒng)中只有記賬憑證、賬簿及報(bào)表等相關(guān)數(shù)據(jù)，機(jī)器學(xué)習(xí)智能算法需要的關(guān)鍵信息（原始憑證及相關(guān)業(yè)務(wù)數(shù)據(jù)）尚屬空白。隨著財(cái)政部《關(guān)于規(guī)范電子會(huì)計(jì)憑證報(bào)銷入賬歸檔的通知》（財(cái)會(huì)〔2020〕6號(hào)）的發(fā)布實(shí)施及電子發(fā)票①的日益普及，通過(guò)會(huì)計(jì)信息系統(tǒng)采集、存儲(chǔ)原始憑證數(shù)據(jù)不僅必要，而且可行。會(huì)計(jì)確認(rèn)計(jì)量的核心是確定經(jīng)濟(jì)業(yè)務(wù)應(yīng)計(jì)入的會(huì)計(jì)賬戶名稱、記賬方向及記賬金額，不同的經(jīng)濟(jì)業(yè)務(wù)對(duì)會(huì)計(jì)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(shí)期、單位發(fā)展的不同階段也會(huì)有一定的變化。智能學(xué)習(xí)算法應(yīng)能夠從記賬憑證數(shù)據(jù)庫(kù)中精準(zhǔn)挖掘并儲(chǔ)存賬戶組合規(guī)律，同時(shí)從會(huì)計(jì)憑證數(shù)據(jù)庫(kù)中學(xué)習(xí)、提取原始憑證與記賬憑證之間的對(duì)應(yīng)關(guān)系（實(shí)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(duì)應(yīng)關(guān)系），如此會(huì)計(jì)核算系統(tǒng)才具有智能屬性，才可代替會(huì)計(jì)人員做出職業(yè)判斷并自動(dòng)編制會(huì)計(jì)憑證。

1.會(huì)計(jì)賬戶組合規(guī)律研究

在借貸記賬法下，每筆交易或事項(xiàng)都要在兩個(gè)或兩個(gè)以上的賬戶中進(jìn)行登記，即每筆會(huì)計(jì)分錄都是兩個(gè)或兩個(gè)以上賬戶的組合。理論上，只有當(dāng)兩筆會(huì)計(jì)分錄所包含的賬戶名稱、記賬方向及金額全都相同，這兩個(gè)組合才是相同組合，但對(duì)于機(jī)器學(xué)習(xí)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(yīng)收賬款——甲公司? ? ? 100

借：銀行存款——工商銀行? ?200

貸：應(yīng)收賬款——甲公司? ? ? 200

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

借：原材料——主要材料——鋼材——軋鋼——170型

100

應(yīng)交稅費(fèi)——應(yīng)交增值稅——進(jìn)項(xiàng)稅額 13

貸：應(yīng)付賬款——甲公司? ? ? ? ?113

借：原材料——主要材料——鋼材——軋鋼——280型

200

應(yīng)交稅費(fèi)——應(yīng)交增值稅——進(jìn)項(xiàng)稅額 26

貸：應(yīng)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(yīng)收賬款——甲公司? ? ?100

借：管理費(fèi)用——辦公費(fèi)? 200

貸：庫(kù)存現(xiàn)金? ? ? ? ? 200

情形一兩筆業(yè)務(wù)的經(jīng)濟(jì)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(wù)的核算邏輯與記賬規(guī)則完全相同，區(qū)別僅在于金額。對(duì)機(jī)器學(xué)習(xí)算法而言，兩筆業(yè)務(wù)的金額差異不構(gòu)成實(shí)質(zhì)性差別。因此，在會(huì)計(jì)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(wú)關(guān)變量）。情形二的兩筆業(yè)務(wù)都是采取賒購(gòu)方式購(gòu)買主要材料，不同之處是兩種主材的型號(hào)及供應(yīng)商不同（即變量型末級(jí)賬戶不同，非變量型末級(jí)賬戶相同）。就會(huì)計(jì)核算規(guī)則而言，購(gòu)買材料與購(gòu)買設(shè)備是不同類型的經(jīng)濟(jì)業(yè)務(wù)，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(wù)的會(huì)計(jì)核算邏輯與規(guī)則完全相同，因此情形二的兩筆業(yè)務(wù)也屬于同類型組合。情形三的兩筆業(yè)務(wù)由于涉及的經(jīng)濟(jì)業(yè)務(wù)內(nèi)容、會(huì)計(jì)核算賬戶組合及核算邏輯完全不同，因此情形三的兩個(gè)賬戶組合屬于不同類型組合。綜上，對(duì)會(huì)計(jì)賬戶組合類型產(chǎn)生影響的因素是一級(jí)賬戶或非變量型末級(jí)賬戶及記賬方向。例如：情形一屬同組合（“銀行存款——借”&“應(yīng)收賬款——貸”）;情形二屬同組合（“原材料——主要材料——借”&“應(yīng)交稅費(fèi)——應(yīng)交增值稅——進(jìn)項(xiàng)稅額——借”&“應(yīng)付賬款——貸”）;情形三屬不同組合，分別為（“銀行存款——借”&“應(yīng)收賬款——貸”）與（“管理費(fèi)用——辦公費(fèi)——借”&“庫(kù)存現(xiàn)金——貸”）。因此，為了提高機(jī)器學(xué)習(xí)算法效率與效果，智能學(xué)習(xí)算法在數(shù)據(jù)預(yù)處理環(huán)節(jié)需要提前對(duì)記賬憑證數(shù)據(jù)庫(kù)中的每個(gè)會(huì)計(jì)賬戶進(jìn)行數(shù)據(jù)簡(jiǎn)約，移除會(huì)計(jì)憑證中的無(wú)關(guān)變量，對(duì)同一組合的經(jīng)濟(jì)業(yè)務(wù)進(jìn)行智能、高效地歸集、分類，為智能會(huì)計(jì)核算學(xué)習(xí)算法提供高質(zhì)量訓(xùn)練樣本。

2.原始憑證與記賬憑證對(duì)應(yīng)關(guān)系研究

會(huì)計(jì)實(shí)務(wù)中，除少數(shù)不需原始憑證的結(jié)賬及錯(cuò)賬更正業(yè)務(wù)外，會(huì)計(jì)人員依據(jù)審核無(wú)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(duì)一”型，即某類原始憑證只能對(duì)應(yīng)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(kù)存現(xiàn)金——貸”）組合，反之亦然。二是“一對(duì)多”型，即某種原始憑證可對(duì)應(yīng)多種類型的賬戶組合，如：“增值稅專用發(fā)票”既可對(duì)應(yīng)（“銀行存款——借”&“主營(yíng)業(yè)務(wù)收入——貸”&“應(yīng)交稅費(fèi)——應(yīng)交增值稅——銷項(xiàng)稅額——貸”）組合，也可能對(duì)應(yīng)（“原材料——借”&“應(yīng)交稅費(fèi)——應(yīng)交增值稅——進(jìn)項(xiàng)稅額——借”&“應(yīng)付賬款——貸”）等多種不同類型的組合。該情形下，智能學(xué)習(xí)算法需采用原始憑證屬性概化或增加屬性等方式對(duì)原始憑證做進(jìn)一步分類，直至將原始憑證與記賬憑證之間的“一對(duì)多”型對(duì)應(yīng)關(guān)系轉(zhuǎn)化為“一對(duì)一”型。三是“多對(duì)一”型，即多種類型的原始憑證組合對(duì)應(yīng)某種固定的賬戶組合，該情形是會(huì)計(jì)實(shí)務(wù)中最常見(jiàn)的類型，和“一對(duì)一”型同屬于智能學(xué)習(xí)算法擅長(zhǎng)學(xué)習(xí)的關(guān)系模式。

當(dāng)智能學(xué)習(xí)算法從記賬憑證學(xué)習(xí)樣本庫(kù)中提取到頻繁項(xiàng)集時(shí)，說(shuō)明該類型的經(jīng)濟(jì)業(yè)務(wù)在本單位頻繁發(fā)生，智能學(xué)習(xí)算法將從會(huì)計(jì)憑證數(shù)據(jù)庫(kù)中提取與頻繁賬戶組合相對(duì)應(yīng)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(huì)計(jì)核算規(guī)則;如屬于情形二，智能學(xué)習(xí)算法需對(duì)原始憑證屬性逐步進(jìn)行屬性泛化或增加附加屬性，通過(guò)反復(fù)迭代，直至將其轉(zhuǎn)化為“一對(duì)一”型時(shí)，算法終止。例如，記賬憑證數(shù)據(jù)庫(kù)中挖掘出的頻繁項(xiàng)組合為（“銀行存款——借”&“主營(yíng)業(yè)務(wù)收入——貸”&“應(yīng)交稅費(fèi)——應(yīng)交增值稅——銷項(xiàng)稅額——貸”），該組合對(duì)應(yīng)的原始憑證樣本數(shù)據(jù)庫(kù)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(wú)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(gòu)買方”“貨物、應(yīng)稅勞務(wù)及服務(wù)名稱”“稅額”屬性值均無(wú)顯著規(guī)律。顯然智能學(xué)習(xí)算法無(wú)法提取到會(huì)計(jì)核算規(guī)則。但如對(duì)原始憑證屬性進(jìn)行適度泛化：將所有購(gòu)買本單位產(chǎn)品的對(duì)方單位名稱均泛化為“客戶”;將本單位銷售的貨物、應(yīng)稅勞務(wù)及服務(wù)名稱泛化為“主營(yíng)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(xué)習(xí)算法可挖掘到如下會(huì)計(jì)核算規(guī)則：增值稅專票.銷售方∈本單位∧增值稅專票.購(gòu)買方∈客戶∧增值稅專票.貨物∈主營(yíng)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(yíng)業(yè)務(wù)收入——貸”&“應(yīng)交稅費(fèi)——應(yīng)交增值稅——銷項(xiàng)稅額——貸”）。通過(guò)回溯驗(yàn)證，該規(guī)則在會(huì)計(jì)憑證數(shù)據(jù)庫(kù)中已轉(zhuǎn)化為“一對(duì)一”類型，計(jì)算機(jī)即可根據(jù)該強(qiáng)關(guān)聯(lián)規(guī)則代替會(huì)計(jì)人員進(jìn)行職業(yè)判斷并自動(dòng)生成會(huì)計(jì)分錄，實(shí)現(xiàn)智能會(huì)計(jì)核算。

三、會(huì)計(jì)核算智能學(xué)習(xí)算法研究

（一）基于布爾映射矩陣的Apriori算法改進(jìn)研究

1.Apriori算法簡(jiǎn)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(kù)中項(xiàng)集間的關(guān)聯(lián)規(guī)則問(wèn)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(shè)物品集R={I1，I2，…，Im}是某單位一級(jí)賬戶或非變量型末級(jí)賬戶與記賬方向的組合集，例如：I1代表“庫(kù)存現(xiàn)金——借”，I2代表“庫(kù)存現(xiàn)金——貸”，I3代表“銀行存款——借”，I4代表“銀行存款——貸”，…。事務(wù)集W={T1，T2，…，Tn}是某單位一定期間的記賬憑證集。W中的每個(gè)事務(wù)Ti是R的子集，T？奐R。智能會(huì)計(jì)核算中的賬戶組合規(guī)律研究可以抽象為從事務(wù)集W中挖掘某個(gè)頻繁出現(xiàn)的事務(wù)Ti，構(gòu)成事務(wù)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(huì)計(jì)核算的研究目標(biāo)。

Apriori算法的基本思想是基于頻集理論，通過(guò)逐層搜索迭代的方法，挖掘頻繁項(xiàng)集的一種機(jī)器學(xué)習(xí)智能算法[10]?？紤]到Apriori算法在迭代過(guò)程中會(huì)產(chǎn)生大量的候選集，且會(huì)計(jì)實(shí)務(wù)中有些會(huì)計(jì)賬戶的交集為空集，因此，Apriori算法的迭代過(guò)程會(huì)產(chǎn)生大量的無(wú)效候選集;同時(shí)Apriori算法需頻繁掃描數(shù)據(jù)庫(kù)，以完成剪枝與頻數(shù)統(tǒng)計(jì)工作，這些都會(huì)極大降低算法挖掘效率。

2.Apriori算法改進(jìn)研究

針對(duì)傳統(tǒng)Apriori算法的不足，本文結(jié)合會(huì)計(jì)賬戶組合規(guī)律，提出基于布爾映射矩陣的Apriori改進(jìn)算法，改進(jìn)思路與實(shí)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(wù)集W的編號(hào)，第二列至倒數(shù)第二列代表物品集R中的每個(gè)項(xiàng)目，末列為每個(gè)事務(wù)中的項(xiàng)目合計(jì)數(shù)。布爾映射規(guī)則是：若事務(wù)Ti中某個(gè)項(xiàng)目出現(xiàn)，則將布爾型賬戶組合矩陣的第i行，項(xiàng)目所在列的矩陣元素映射為“1”，將第i行不出現(xiàn)項(xiàng)目所在列的矩陣元素映射為“0”，通過(guò)對(duì)構(gòu)建的布爾型賬戶組合矩陣開(kāi)展向量?jī)?nèi)積運(yùn)算③，Apriori改進(jìn)算法只需一次掃描數(shù)據(jù)庫(kù)，即可完成所需的計(jì)算與統(tǒng)計(jì)工作，算法效率顯著提升。

（2）針對(duì)傳統(tǒng)Apriori算法在迭代過(guò)程中會(huì)產(chǎn)生大量無(wú)效候選集問(wèn)題，本文提出基于會(huì)計(jì)賬戶組合規(guī)律構(gòu)建候選集的改進(jìn)策略：一是將復(fù)合會(huì)計(jì)分錄分解為簡(jiǎn)單會(huì)計(jì)分錄后，事務(wù)集中所有事務(wù)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(wù)候選集時(shí)，所有候選集中不得同時(shí)出現(xiàn)兩個(gè)以上借方賬戶組合;同理，在構(gòu)建“一貸多借型”事務(wù)候選集時(shí)，所有候選集中不得同時(shí)出現(xiàn)兩個(gè)以上貸方賬戶組合。二是考察會(huì)計(jì)賬戶之間的對(duì)應(yīng)關(guān)系，充分利用賬戶組合為空集的情形屏蔽無(wú)效候選集。例如：在“一借多貸型”事務(wù)集中，如第一個(gè)項(xiàng)目為“應(yīng)收賬款——借”組合，則在構(gòu)建候選集時(shí)，應(yīng)將“應(yīng)付賬款——貸”“應(yīng)付票據(jù)——貸”“短期借款——貸”“長(zhǎng)期借款——貸”“實(shí)收資本（股本）——貸”“資本公積——貸”等排除，因在會(huì)計(jì)實(shí)務(wù)中，“應(yīng)收賬款——借”與“應(yīng)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(guò)程中，若發(fā)現(xiàn)某事務(wù)中僅有一個(gè)項(xiàng)目，則該事務(wù)應(yīng)從學(xué)習(xí)樣本中刪除。本文設(shè)計(jì)的Apriori改進(jìn)算法通過(guò)上述三個(gè)策略對(duì)構(gòu)建組合候選集進(jìn)行優(yōu)化后，迭代過(guò)程中Apriori改進(jìn)算法產(chǎn)生的無(wú)效候選集將大大減少，算法剪枝及頻數(shù)統(tǒng)計(jì)運(yùn)算量明顯減少，算法運(yùn)行效率獲得顯著提升?；诓紶栍成渚仃嚨腁priori改進(jìn)算法流程及偽代碼見(jiàn)表1。

（二）AOI算法改進(jìn)研究

1.AOI算法簡(jiǎn)介

為了挖掘原始憑證屬性、屬性值與頻繁會(huì)計(jì)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(duì)屬性值進(jìn)行屬性壓縮的基礎(chǔ)上，通過(guò)提升屬性概念層次，逐級(jí)產(chǎn)生宏元組并輸出對(duì)應(yīng)規(guī)則。

2.AOI算法改進(jìn)研究

為了提高算法效率，針對(duì)原始憑證屬性及屬性值的特征，本文提出對(duì)原始憑證名稱、原始憑證屬性及屬性值的組合進(jìn)行智能學(xué)習(xí)研究。

（1）構(gòu)建原始憑證屬性學(xué)習(xí)樣本數(shù)據(jù)庫(kù)

從原始憑證數(shù)據(jù)庫(kù)中提取所有涉及頻繁項(xiàng)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(duì)應(yīng)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(kāi)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(jì)每列屬性值類型數(shù)

如屬性值類型數(shù)等于1，則說(shuō)明該原始憑證的屬性組合與頻繁項(xiàng)集為100%正相關(guān);如屬性值類型數(shù)等于元組數(shù)，則說(shuō)明該原始憑證與屬性組合與頻繁項(xiàng)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(shuō)明該原始憑證的屬性組合與頻繁項(xiàng)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(duì)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(jì)業(yè)務(wù)實(shí)質(zhì)，對(duì)原始憑證屬性進(jìn)行概念提升;對(duì)于原始憑證中的部分確實(shí)不可泛化的屬性，將該列從原始憑證學(xué)習(xí)樣本數(shù)據(jù)庫(kù)中移除。

（4）指定泛化閾值，進(jìn)行屬性壓縮

通過(guò)設(shè)定泛化閾值，即宏元組的最大數(shù)量，控制屬性學(xué)習(xí)進(jìn)度與效率。對(duì)于知識(shí)基表中的某個(gè)屬性，如果類型數(shù)大于指定的泛化閾值，需把該屬性進(jìn)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(yīng)對(duì)該關(guān)系繼續(xù)泛化，直至滿足設(shè)定條件，算法終止。否則從樣本庫(kù)中移除該屬性。

（5）規(guī)則驗(yàn)證

當(dāng)原始憑證屬性組合的類型數(shù)小于或等于設(shè)定泛化閾值后，從記賬憑證數(shù)據(jù)庫(kù)中提取所有經(jīng)濟(jì)業(yè)務(wù)數(shù)據(jù)，對(duì)會(huì)計(jì)核算規(guī)則進(jìn)行驗(yàn)證。當(dāng)記賬憑證數(shù)據(jù)庫(kù)中所有涉及該業(yè)務(wù)的元組均為真時(shí)，可輸出該核算規(guī)則到規(guī)則庫(kù)。否則，存入待驗(yàn)證規(guī)則庫(kù)，為會(huì)計(jì)人員提供參考，AOI算法結(jié)束。

（三）算法示例

設(shè)從記賬憑證數(shù)據(jù)庫(kù)中提取到7個(gè)學(xué)習(xí)樣本（見(jiàn)表2），設(shè)Minsup為2，改進(jìn)算法學(xué)習(xí)過(guò)程如下：

1.按照布爾映射原理，對(duì)記賬憑證數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)二值化處理，產(chǎn)生的布爾映射矩陣見(jiàn)表3。

2.因F項(xiàng)小計(jì)數(shù)小于Minsup閾值，將F列從矩陣中刪除后形成5個(gè)1-項(xiàng)集項(xiàng)目A、B、C、D、E。根據(jù)借貸記賬法基本原理，T6事務(wù)小計(jì)小于2，將T6從矩陣中刪除，具體結(jié)果見(jiàn)表4。

3.調(diào)用Apriori_gen函數(shù)，對(duì)A、B、C、D、E進(jìn)行連接并產(chǎn)生候選集C2。由于本次學(xué)習(xí)樣本均為“一借多貸型”經(jīng)濟(jì)業(yè)務(wù)，且A、B同屬借方賬戶，因此AB組合為空集，在連接過(guò)程中直接屏蔽該組合;同時(shí)根據(jù)賬戶對(duì)應(yīng)關(guān)系，“應(yīng)收賬款——借”（A）與“其他應(yīng)付款——貸”（D）不構(gòu)成對(duì)應(yīng)關(guān)系，A、D組合為空集，在連接過(guò)程中應(yīng)直接排除。算法產(chǎn)生的候選集C2及其對(duì)應(yīng)列向量的向量?jī)?nèi)積運(yùn)算結(jié)果見(jiàn)表5。

4.候選集C2向量?jī)?nèi)積計(jì)算結(jié)果顯示，僅有BC、BD、BE、CE四個(gè)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(gè)頻繁2-項(xiàng)集，連接后產(chǎn)生候選集C3，列向量?jī)?nèi)積計(jì)算結(jié)果見(jiàn)表6。

5.候選集C3中僅有BCE滿足Minsup閾值，因此BCE即為頻繁項(xiàng)集，即該數(shù)據(jù)庫(kù)中出現(xiàn)頻次最高的賬戶組合為（“銀行存款——借”&“主營(yíng)業(yè)務(wù)收入——貸”&“應(yīng)交稅費(fèi)——應(yīng)交增值稅——銷項(xiàng)稅額——貸”），至此，Apriori改進(jìn)算法學(xué)習(xí)終止。

6.從原始憑證數(shù)據(jù)庫(kù)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(jìn)行學(xué)習(xí)。構(gòu)建的原始憑證屬性學(xué)習(xí)樣本數(shù)據(jù)庫(kù)見(jiàn)表7。

7.刪除原始憑證屬性學(xué)習(xí)樣本數(shù)據(jù)庫(kù)中對(duì)會(huì)計(jì)核算規(guī)則無(wú)影響的數(shù)值型變量（如“專票——數(shù)量”“專票——單價(jià)”“銀行回單——金額”等）后，統(tǒng)計(jì)每列中原始憑證屬性值類型數(shù)：“專票——購(gòu)買方”為5;“專票——銷售方”為1;“專票——貨物”為5，“專票——開(kāi)票人”為2;“銀行回單——收款方”為1;“銀行回單——付款方”為5。

8.設(shè)屬性學(xué)習(xí)閾值為2，對(duì)數(shù)據(jù)庫(kù)中屬性值類型數(shù)大于2的屬性值進(jìn)行泛化：將“專票——購(gòu)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(yíng)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(shè)定的閾值。（如將“專票——開(kāi)票人”泛化為“銷售部開(kāi)票人”，則所有列屬性值類型均為1，可輸出強(qiáng)會(huì)計(jì)核算規(guī)則）

9.提取會(huì)計(jì)憑證數(shù)據(jù)庫(kù)中所有經(jīng)濟(jì)業(yè)務(wù)對(duì)輸出規(guī)則進(jìn)行驗(yàn)證，即在專票的購(gòu)買方為“客戶”，銷售方為“A公司”，貨物名稱為“主營(yíng)產(chǎn)品”，開(kāi)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(yīng)記賬憑證中的會(huì)計(jì)賬戶組合是否為頻繁項(xiàng)集BCE。如為真，則該規(guī)則為強(qiáng)規(guī)則，可將該會(huì)計(jì)核算規(guī)則存入規(guī)則庫(kù)，智能會(huì)計(jì)核算算法學(xué)習(xí)成功。如為假，則該規(guī)則為弱規(guī)則，可存入待驗(yàn)證規(guī)則庫(kù)，為會(huì)計(jì)人員職業(yè)判斷提供參考，減輕會(huì)計(jì)人員工作強(qiáng)度。同時(shí)隨著學(xué)習(xí)樣本數(shù)據(jù)量的不斷增加，弱規(guī)則有可能變?yōu)閺?qiáng)規(guī)則。

四、智能會(huì)計(jì)核算系統(tǒng)設(shè)計(jì)研究

根據(jù)會(huì)計(jì)實(shí)務(wù)流程及智能會(huì)計(jì)核算的需求，本文設(shè)計(jì)的智能會(huì)計(jì)核算信息系統(tǒng)架構(gòu)見(jiàn)圖1，主要功能模塊如下：

（一）系統(tǒng)定義與維護(hù)

該功能模塊主要包括會(huì)計(jì)科目初始化、會(huì)計(jì)期間定義、人員權(quán)限管理等基礎(chǔ)工作。同時(shí)系統(tǒng)還需采集、存儲(chǔ)大量人員信息、組織機(jī)構(gòu)信息、產(chǎn)品信息等基礎(chǔ)數(shù)據(jù)，為實(shí)現(xiàn)計(jì)算機(jī)智能判斷奠定基礎(chǔ)。

（二）原始憑證管理

原始憑證管理是智能會(huì)計(jì)核算系統(tǒng)區(qū)別于普通會(huì)計(jì)信息系統(tǒng)的重要內(nèi)容。智能會(huì)計(jì)核算系統(tǒng)學(xué)習(xí)訓(xùn)練需要的大量原始憑證信息均通過(guò)該環(huán)節(jié)采集與存儲(chǔ)，借助電子票據(jù)、OCR文本識(shí)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(zhǔn)確獲取學(xué)習(xí)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(huì)計(jì)人員或智能學(xué)習(xí)算法進(jìn)行定義與存儲(chǔ)。

（三）記賬憑證管理

該環(huán)節(jié)為Apriori改進(jìn)算法提供大量的學(xué)習(xí)樣本，在智能學(xué)習(xí)系統(tǒng)尚未產(chǎn)生核算規(guī)則前，為會(huì)計(jì)人員手工編制憑證的數(shù)據(jù)入口，同時(shí)還可對(duì)計(jì)算機(jī)自動(dòng)編制的智能記賬憑證進(jìn)行確認(rèn)或修正。

（四）智能學(xué)習(xí)系統(tǒng)

智能學(xué)習(xí)系統(tǒng)是智能會(huì)計(jì)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(kù)中學(xué)習(xí)、提取相關(guān)規(guī)則：

1.學(xué)習(xí)樣本數(shù)據(jù)預(yù)處理，一是為系統(tǒng)智能學(xué)習(xí)設(shè)置控制參數(shù)，主要包括Minsup、學(xué)習(xí)系統(tǒng)激活參數(shù)、屬性學(xué)習(xí)閾值等。二是根據(jù)記賬憑證數(shù)據(jù)庫(kù)創(chuàng)建布爾映射矩陣，為Apriori改進(jìn)算法提供學(xué)習(xí)樣本。

2.關(guān)聯(lián)規(guī)則挖掘，通過(guò)調(diào)用Apriori改進(jìn)算法，對(duì)記賬憑證數(shù)據(jù)庫(kù)中的賬戶組合規(guī)律進(jìn)行學(xué)習(xí)訓(xùn)練，輸出頻繁會(huì)計(jì)賬戶組合項(xiàng)集，為原始憑證屬性學(xué)習(xí)提供基本數(shù)據(jù)。

3.原始憑證屬性學(xué)習(xí)，從原始憑證數(shù)據(jù)庫(kù)中提取學(xué)習(xí)樣本數(shù)據(jù)后，調(diào)用改進(jìn)AOI算法，對(duì)記賬憑證與原始憑證之間的對(duì)應(yīng)關(guān)系進(jìn)行挖掘，輸出會(huì)計(jì)核算規(guī)則可為推理機(jī)提供會(huì)計(jì)核算規(guī)則庫(kù)。

4.推理機(jī)自動(dòng)核算，實(shí)現(xiàn)自動(dòng)編制記賬憑證的重要功能。推理機(jī)子系統(tǒng)的業(yè)務(wù)流程是：首先從原始憑證數(shù)據(jù)庫(kù)中提取待記賬樣本數(shù)據(jù);其次，引入正向推理機(jī)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(huì)計(jì)核算規(guī)則庫(kù)中的數(shù)據(jù)進(jìn)行匹配;最后對(duì)于每一筆經(jīng)濟(jì)業(yè)務(wù)，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(kù)。至此，計(jì)算機(jī)已完全實(shí)現(xiàn)無(wú)人監(jiān)督模式下的自主學(xué)習(xí)與智能編制記賬憑證功能。

五、結(jié)語(yǔ)

隨著人工智能技術(shù)在會(huì)計(jì)領(lǐng)域的深入應(yīng)用，會(huì)計(jì)智能化已成為現(xiàn)階段會(huì)計(jì)行業(yè)發(fā)展中最熱門的話題之一。本文圍繞會(huì)計(jì)核算智能化，以計(jì)算機(jī)智能判斷代替會(huì)計(jì)專家職業(yè)判斷為方向，綜合應(yīng)用基于布爾映射矩陣的Apriori改進(jìn)算法及AOI改進(jìn)算法，對(duì)原始憑證屬性、屬性值與記賬憑證之間的關(guān)系進(jìn)行數(shù)據(jù)挖掘，形成會(huì)計(jì)核算規(guī)則庫(kù)。在此基礎(chǔ)上，應(yīng)用推理機(jī)正向推理技術(shù)，實(shí)現(xiàn)了無(wú)人監(jiān)督模式下的計(jì)算機(jī)自主學(xué)習(xí)、智能判斷推理、自主更新規(guī)則庫(kù)、自動(dòng)編制記賬憑證的智能會(huì)計(jì)核算。

【參考文獻(xiàn)】

[1] 劉勤，楊寅.改革開(kāi)放40年的中國(guó)會(huì)計(jì)信息化：回顧與展望[J].會(huì)計(jì)研究，2019（2）：26-34.

[2] 智能財(cái)會(huì)電算管理系統(tǒng).創(chuàng)造單位：中國(guó)化工進(jìn)出口總公司[J].企業(yè)管理，1993（8）：39-40.

[3] 李萌.會(huì)計(jì)信息處理智能化研究[D].天津：天津商業(yè)大學(xué)碩士學(xué)位論文，2007.

[4] 王文蓮，劉海穎.經(jīng)濟(jì)業(yè)務(wù)與會(huì)計(jì)核算銜接的智能化[J].中國(guó)管理信息化，2008（1）：12-14.

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

[6] 吳龍庭，肖聰.基于自然語(yǔ)言的會(huì)計(jì)事項(xiàng)智能判斷方法研究[J].財(cái)會(huì)通訊，2017（7）：101-104，4.

[7] 王軍.基于BP人工神經(jīng)網(wǎng)絡(luò)會(huì)計(jì)確認(rèn)研究[D].石河子：石河子大學(xué)碩士學(xué)位論文，2016.

[8] 吳浩忠.智能會(huì)計(jì)核算系統(tǒng)的研究與應(yīng)用[D].無(wú)錫：江南大學(xué)碩士學(xué)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(jìn)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(tái)變革與會(huì)計(jì)輸入前端重塑[J].會(huì)計(jì)之友，2020（2）：2-7.