端到端的賬務智能處理研究

楊睿行 張心澤

摘要 在企業管理的各細分領域，會計是十分重要的一環。如何進一步提高會計信息處理的智能化水平，實現會計工作由電算化向智能化的提升，是現代會計技術及方法研究領域的前沿課題。本文對此進行了探索性研究，建立了一種端到端的賬務智能處理框架，以推動會計智能化發展，滿足企業管理需要，提高企業管理能力與水平。

[關鍵詞]賬務處理 機器理解 機器編制

1 引言

在“大數據”時代，信息技術的發展為社會、經濟和生活等各個領域帶來變革。用戶創造內容與社會化媒體，移動支付與電子商務，物聯網與共享經濟等新的技術與商業模式層出不窮，UGC、金融、零售、物流等多種來源的大數據正為企業快速創造著價值。每個企業都可能擁有自己的大數據。如何從自身內部理解大數據并挖掘其價值對于企業而言既是機遇也是挑戰。

企業內部的大數據體現在業務和管理的各個方面。在這其中，會計大數據是十分重要的一環。作為確認、計量和傳達經濟信息的信息系統，會計記錄和反映企業經濟資源配置的過程并始終為管理服務。認識與挖掘會計大數據是大數據時代下企業完善業務控制和提高管理水平的重要手段。如何挖掘會計大數據使其為企業管理服務和創造價值是企業重點關注的問題。

在會計大數據的挖掘中，實現智能化的賬務處理是企業的現實需求。在信息化和大數據時代，會計在承擔作為企業核心的核算責任的同時直接承受了經濟活動劇增所帶來的賬務處理壓力。事實上，現在的會計電算化系統無法有效緩解這種賬務壓力。一方面，面對種類繁多的會計事項仍只能由會計專業人員根據歸納的會計事項在電算化系統中填制分錄與記賬憑證，這種手工處理的方法難以適應企業愈加頻繁復雜的經濟活動，迫切需要改變;另一方面，會計事項以自然語言為載體對企業復雜經濟活動進行歸納，其文本形式的表示結構提高了賬務處理的難度。在面對關聯復雜、來源廣泛或種類繁多的會計事項時，編制會計分錄需要大量的會計知識和推理，僅能依靠會計專業人員完成，企業現實需要一種能夠模仿或取代會計專業人員進行分錄編制的賬務處理方法以滿足信息化和大數據時代下的企業管理需求。智能處理企業賬務己成為大數據時代背景下企業管理和會計研究的熱門研究課題。

在如今企業內的會計賬務處理中，雖然如原始憑證的電子信息傳遞、會計憑證的匯總和財務報表的生成等絕大部分流程由專門的會計電算化或辦公自動化軟件來完成。但在編制會計分錄的過程中，仍是由會計人員手工完成即根據核對好的經濟交易業務和原始憑證在會計電算化或辦公自動化軟件中手工選擇或填制該業務對應的會計科目、記賬金額和記賬方向，之后再由軟件生成相應的會計憑證做入賬處理。Anandarajan等[2]認為這種非全自動化的原因在于目前的會計電算化或自動化軟件不具有智能，僅能夠依靠會計人員憑借其會計知識對非結構化的經濟交易業務和原始憑證信息進行處理進而得到結構化的會計信息，在此基礎上再對信息按照邏輯運算關系歸納到會計期間的對應科目上，完成會計賬務處理。如何讓機器學習該過程中的會計知識從而具有會計領域賬務處理層面的智能，是實現賬務智能化處理的基礎問題。

在現有的賬務自動與信息化處理研究中，學者較為關注于賬務處理流程，即根據系統工程的相關原理，在原始憑證和經濟交易業務歸納、財務報表生成等層面結合具體企業需求情景進行優化。對于實現會計分錄機器編制的研究較少。王世杰等[3]提出了一種結合商務智能的會計信息系統結構體系，對會計智能化的發展進行了構想。該體系將賬務處理的各個環節歸納到輸入、處理、輸出和控制等子系統，針對不同的子系統闡述了規則生成、關聯識別和數據存取等商務智能技術的可應用性。吳龍庭等[4]則就會計核算智能進行了具體研究，提出了一種會計事項的判斷方法，通過句法分析和貝葉斯模型對語料進行分類完成會計事項的判別。

基于現有的研究內容，本文針對現有賬務處理方法和會計電算化系統仍然嚴重依賴會計專業人員，無法適應愈加頻繁復雜的企業經濟活動的問題，基于會計核算視角，針對人工編制會計分錄這一現狀，以非結構化的會計事項和結構化的會計分錄為研究對象，利用自然語言處理、數據挖掘和深度學習等技術，提出一種端到端的賬務智能處理方法，以期挖掘會計大數據，推動會計智能化發展，滿足企業管理需要，提高企業管理能力與水平。

2 概念與界定

賬務處理的過程嚴格、復雜且需要很高的會計專業知識。現有的賬務處理電算化或自動化軟件多集中在流程控制和數據導入導出階段，而在關鍵需要會計專業人員根據企業實際發生的經濟交易業務來編制會計分錄的階段卻未有一種代理或輔助機制。原因在于傳統的系統工程方法難以建立一個具有會計知識和學習能力即具有會計智能的機器代理來幫助或替代會計專業人員編制分錄。針對此問題，本文重點關注會計分錄的編制過程，從會計事項和會計分錄兩端出發，提出一種具有學習能力擁有會計智能的賬務處理框架。在賬務智能處理的框架中，會計智能的定義和實現至關重要。為更好的實現會計智能，在此首先對本文中的會計智能進行界定。

機器智能是研究人員一直以來的研究焦點。智能的概念難以確切定義，Turing[5]就此問題提出了圖靈測試（Turning Test）的思想：機器在沒有直接物理接觸的情況下接受人類的詢問，并盡可能把自己偽裝成人類，若未被辨識出機器身份，則稱該機器具有智能。具體至本文所研究的會計領域會計分錄編制過程，該過程類似圖靈測試的問答情景但有不同。區別之處在于圖靈測試中的問答為無目標驅動，一方面就非某一特定專業領域持續提出問題，另一方面更希望獲得類人而不一定專業的應答;會計分錄的智能編制則對機器在會計專業領域，尤其是會計分錄編制方法上提出了很高的知識要求，并期許獲得正確的會計分錄結果。相同之處在于這一過程均涉及機器對于自然語言的理解和應答。因此，本文中機器的會計智能即為機器能夠學習會計知識，理解以自然語言為形式的會計事項，并反饋相應正確的會計分錄。

針對現有會計電算化系統無法智能編制會計分錄的問題，在本文所研究的端到端賬務智能處理框架中，“端到端”指代的是會計分錄編制過程中從以自然語言形式歸納后的企業經濟交易業務即會計事項端到具有會計知識以分錄形式所記錄的企業經濟活動即會計分錄端的過程。其中，為使賬務智能處理框架滿足企業的現實需要，會計分錄的編制規則為復試記賬下的借貸記賬法規則;為使賬務處理能夠正常進行，歸納后的經濟活動即會計事項中應當至少包括經濟活動中發生變動的資源和事件，在賬務智能處理框架中生成的會計分錄則應當滿足借貸記賬法的要求。

通過這種“端到端”過程，本文所提的賬務智能處理框架承接會計數據流動的上游即經會計或相關業務參與者歸納后的企業經濟活動事項數據，在框架中進行會計數據的處理使其轉化為具有會計知識、按照資源變動對應關系嚴格分錄的會計分錄數據即會計信息，之后轉接會計電算化或辦公自動化系統完成記賬憑證和財務報表，實現賬務處理的智能化與全過程自動化。

3 框架與方法

區別于現有的賬務的電算化或自動化系統中會計人員人工輸入會計分錄的方式，以機器為會計代理的賬務處理方式能夠根據企業日常發生的經濟業務描述智能編制對應的會計分錄，實現賬務的智能處理。為實現這種賬務處理方式，將會計專業人員從重要但冗雜的日常賬務處理中解脫出來，本文提出了一種上游承接企業部門經濟活動賬務處理，下游轉接通用會計電算化系統收錄記賬，從理解會計事項到編制會計分錄的端到端賬務智能處理框架，如圖1所示。

在現在的賬務處理過程中，企業各部門發生了經濟活動，由會計或經濟活動參與者提供具體的活動事件和憑據并歸納為會計事項，通過會計專業人員完成會計分錄的編制工作，然后在會計電算化系統中完成記賬憑證、期間會計科目匯總和財務報表生成等工作，其中理解會計事項與編制會計分錄的工作依靠會計專業人員來完成。

在本文提出的端到端賬務智能處理框架中，從會計事項端到會計分錄端的機器理解和編制過程均在會計機器代理處完成，企業各部門向會計機器代理提供歸納后的日常經濟交易業務即會計事項，會計專業人員根據機器代理提供的會計事項編制正確的會計分錄并輸入給機器代理。會計機器代理根據會計人員反饋的會計事項與分錄進行理解和學習編制會計分錄。在會計專業人員的指導和會計機器代理的學習下，機器代理完成會計專業知識的積累，掌握理解會計事項和正確編制對應會計分錄的能力。在會計機器代理完成會計分錄的編制后，將具有會計事項、記賬方向、會計科目與金額的結構化會計分錄數據轉接給企業會計電算化系統進行收錄記賬，由會計電算化系統完成隨后的記賬憑證、科目匯總和財務報表等會計信息傳輸工作。

在會計機器代理的結構中，機器需要理解以自然語言為形式的會計事項并學習掌握正確編制會計分錄的能力。如何實現會計事項機器理解和會計分錄機器編制是會計機器代理實現賬務智能處理的核心問題。

具體地，在會計機器代理實現賬務智能處理的過程中，機器代理首先理解以自然語言為形式的會計事項，認知與學習會計事項的語義信息和語法結構，識別企業經濟活動中變動的事件、資源和對應金額的關聯關系。在理解會計事項的基礎上，會計機器代理繼續學習會計專業人員所編制的會計分錄并嘗試自己編制。在編制過程中，會計機器代理將自己的編制結果與會計專業人員編制的正確結果進行比對，隨后記憶和更正錯誤并多次重復此過程，最終完成理解企業會計事項、學習會計專業人員會計知識和智能編制會計分錄，實現賬務的智能處理。

3.1 會計事項的機器理解

會計分錄的編制起始于會計事項的理解。機器與人不同，實現智能會計機器代理需要首先解決以下兩個問題：如何將以自然語言為表現形式的會計事項轉化為機器可理解的類型;如何使機器認知會計事項中自然語言的關聯關系。

因此，可采用一種考慮連續關聯詞組的會計事項詞向量空間嵌入方法[6]，該方法首先將會計事項的詞隨機散布到一定維度的向量空間中，完成會計事項的初步向量表示;利用關聯詞組向量，通過神經網絡預測目標詞向量的方式使機器在這一過程中學習會計事項的詞關聯關系，進而完成語義的理解。

具體地，對于一個給定的會計事項，有其分詞且向量化后的詞向量有序組合Event= {wo，wl，…，wi-1，wi，wi+1，"'Wn}，Wevent表示會計事項的詞向量集合，wi為會計事項中的第i個詞。對于關聯詞組ContexF{wi-k，…，wi-1，wi+1，…，Wi+k}，有神經網絡的輸入層與之對應，對于每一個關聯詞組詞向量均有對應的神經網絡節點使之輸入。對于目標詞Target=wi，有輸出層與之對應，由神經網絡的輸入層、隱藏層和輸出層對其進行預測。該方法的目標函數可表示為：

其中，T表示關聯詞組和目標詞對的總數，即T=∑rFlpair， （Context，Target），t表示第t個關聯詞組與目標詞對。該目標函數的函數值為對于所有的關聯詞組和目標詞對下以關聯詞組詞向量為條件的目標詞預測的聯合概率密度最大值。通過此目標函數，可將詞向量關聯問題轉化為該目標函數的最大值求解問題。

3.2 會計分錄的機器編制

賬務處理的核心在于編制會計分錄。如何讓機器學習會計分錄編制過程中的會計知識從而具有會計領域賬務處理層面的智能，是實現會計分錄機器編制的關鍵。

因此，為解決賬務處理中的會計分錄機器編制問題，可建立一種編碼和解碼機制的會計分錄編制方法，將會計事項的詞空間進行編碼作為輸入，針對會計事項詞空間的詞序列性質建立具有記憶的循環神經網絡，通過該循環神經網絡將生成的會計分錄進行解碼作為輸出，最終實現會計分錄的機器編制。

具體地，在分錄的編制過程中機器代理在會計事項理解的基礎上生成會計分錄。其中會計事項和會計分錄均可看作為由詞組成的序列數據，因此可將會計事項的詞向量序列作為輸入并利用一層循環神經網絡進行編碼，實現可變長度的會計事項及對應可變維度向量空間到固定維度參數向量空間的映射，從而確定神經網絡的參數向量維度。在此基礎上，通過另一層循環神經網絡進行解碼，實現固定維度參數向量空間到會計分錄詞向量序列的映射，完成會計分錄的機器編制。該方法的目標函數可表示為：

其中，O表示以會計事項及分錄序列數據（輸入）和會計分錄序列數據（輸出）對pair（Xn，Yn）為訓練集合的模型參數集合，N表示輸入和輸出對的總數。該目標函數的函數值表示以會計事項詞向量序列數據為條件的會計分錄詞序列的聯合概率密度最大值。通過該目標函數，可將會計分錄的編制問題轉化為此目標函數的最大值求解問題。

通過會計事項的機器理解方法，會計事項完成了從自然語言文本到具有內生關聯的向量空間的映射，從而使會計事項能夠被機器所認知和處理。通過會計分錄的機器編制方法，會計機器代理完成了機器學習會計專業人員編制會計分錄的過程并逐漸具備了一定程度會計智能，賬務智能處理得以實現。

4 結語

在信息化與大數據時代，企業產品或服務快速更迭、經營業務頻繁發生且種類繁多、關聯業務頻繁復雜成為了常態，會計在承擔企業核心的核算責任的同時直接承受了經濟活動劇增所帶來的賬務處理壓力。同時，企業也更需要會計參與管理，發揮幫助企業管理具體經濟活動的連接作用。但在實際工作中，會計人員無法從現有會計電算化系統中獲取有效幫助。面對企業頻發和復雜的經濟活動，如何將會計從傳統、基本且重要的賬務處理工作中解脫出來，尋找一個可替代的人員或方法完成同樣的賬戶處理工作成為企業面臨的一個實際問題。

基于此，本文提出了一種上游承接企業部門經濟活動賬務處理，下游轉接通用會計電算化系統收錄記賬，從理解會計事項到編制會計分錄的端到端賬務智能處理框架。在框架中，會計機器代理能夠認知企業的經濟活動，學習會計專業人員的會計知識，具體完成會計事項理解和編制會計分錄的工作。本文的賬務智能處理框架實現了賬務處理從歸納企業會計事項、完成分錄編制到收錄記賬和報表生成的全自動化過程，為賬務處理提供了新的系統框架，推動企業賬務處理朝智能化方向發展。

參考文獻

[1]Ghasemi M，Shafeiepour V，Aslani M，et al.The impact of InformationTechnology （IT） on modern accountingsystems[J].Procedia-Social andBehavioral Sciences，2 011， 28： 112-116.

[2]Anandarajan M，Anandarajan A，Srinivasan C A.Business intelligencetechniques：a perspective fromaccounting and finance [M]： SpringerScience&Business; Media，2012.

[3]王世杰，黃容，面向小企業的智能會計信息系統研究 兼論會計智能化[J].中國管理信息化，2016，19 （21）：49-53.

[4]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，2017，728.

[5]Turing A M.Computing machineryand

intelligence [J].Mind，1950， 59 （236）： 433-460.

[6] Mikolov T，Sutskever I，Chen K， etal.Distributed representationsof words and phrases and theircompositionality[C]， 2013.

[7] Cho K，Van Merrienboer B，Gulcehre C，et al. Learning PhraseRepresentations using RNN Encoder-Decoder for Statistical MachineTranslation [C]，2014.