1.本技术涉及财务安全的领域，且更为具体地，涉及一种财务安全智能监控方法、系统和电子设备。
背景技术：2.企业财务风险控制是财务管理的重要内容，加强对企业财务风险的识别，为决策者、管理者和投资者提供及时有效的财务信息，保障各方的利益具有重要意义。
3.市场经济条件下，财务风险是客观存在的，并贯穿于生产经营整个过程。要完全消除风险及其影响是不现实的，重要的是全面分析财务风险，及早发现哪些可能导致财务状况恶化的早期信息，将影响企业获利能力甚至危机生存的问题控制在可解决的范围内，并随时对可能引发危机的种种现象进行预警。因此，期望提供一种财务安全智能监控方法。
技术实现要素：4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种财务安全智能监控方法、系统和电子设备，其通过基于上下文的编码器模型分别对月度、季度和年度与财务风险相关的指标数据集进行高维隐含关联特征提取，并且考虑到由于获得的所述特征向量在时间尺度上的分布差异，使得所述特征向量在高维特征空间内映射到具有不同频率的目标域上，而通过频率间平衡余量损失函数来进行训练，可以使得所述编码器的上下文编码特征表示提高到所述各不同频率的目标域的归属的泛化性，使得单个时间尺度上的所述特征向量能够在不同频率的目标域上均具有良好的泛化表示特性，以在对所述特征向量进行加权融合后，提高分类特征向量的分类精度。
5.根据本技术的一个方面，提供了一种财务安全智能监控方法，其包括：
6.训练阶段，包括：
7.获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；
8.分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；
9.将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；
10.分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；
11.融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正
态分布形式的年特征向量以获得分类特征向量；
12.将所述分类特征向量通过分类器以获得分类损失函数值；
13.计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值；
14.计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；以及
15.以所述分类损失函数值和所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练；以及
16.推断阶段，包括：
17.获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；
18.分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；
19.将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；
20.分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；
21.融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量；
22.将所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。
23.根据本技术的另一方面，提供了一种财务安全智能监控系统，其包括：
24.训练模块，包括：
25.数据获取单元，用于获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；
26.上下文编码单元，用于分别将所述数据获取单元获得的所述月度与财务风险相关的指标数据集、所述数据获取单元获得的所述季度与财务风险相关的指标数据集和所述数据获取单元获得的所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；
27.级联单元，用于将所述上下文编码单元获得的所述多个第一特征向量进行级联以
获得月特征向量，将所述上下文编码单元获得的所述多个第二特征向量进行级联以获得季特征向量，以及，将所述上下文编码单元获得的所述多个第三特征向量进行级联以获得年特征向量；
28.正态化单元，用于分别对所述级联单元获得的所述月特征向量、所述级联单元获得的所述季特征向量和所述级联单元获得的所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；
29.融合单元，用于融合所述正态化单元获得的所述正态分布形式的月特征向量、所述正态化单元获得的所述正态分布形式的季特征向量和所述正态化单元获得的所述正态分布形式的年特征向量以获得分类特征向量；
30.分类损失函数值计算单元，用于将所述融合单元获得的所述分类特征向量通过分类器以获得分类损失函数值；
31.平衡余量损失计算单元，用于计算所述正态化单元获得的所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值；
32.平衡余量损失函数值计算单元，用于计算所述平衡余量损失计算单元获得的所述第一频率间平衡余量损失、所述平衡余量损失计算单元获得的所述第二频率间平衡余量损失和所述平衡余量损失计算单元获得的所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；以及训练单元，用于以所述分类损失函数值计算单元获得的所述分类损失函数值和所述平衡余量损失函数值计算单元获得的所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练；以及
33.推断模块，包括：
34.指标数据获取单元，用于获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；
35.特征向量生成单元，用于分别将所述指标数据获取单元获得的所述月度与财务风险相关的指标数据集、所述指标数据获取单元获得的所述季度与财务风险相关的指标数据集和所述指标数据获取单元获得的所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；
36.特征向量级联单元，用于将所述特征向量生成单元获得的所述多个第一特征向量进行级联以获得月特征向量，将所述特征向量生成单元获得的所述多个第二特征向量进行级联以获得季特征向量，以及，将所述特征向量生成单元获得的所述多个第三特征向量进行级联以获得年特征向量；
37.正态化特征向量生成单元，用于分别对所述特征向量级联单元获得的所述月特征向量、所述特征向量级联单元获得的所述季特征向量和所述特征向量级联单元获得的所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态
分布形式的季特征向量和正态分布形式的年特征向量；
38.分类特征向量生成单元，用于融合所述正态化特征向量生成单元获得的所述正态分布形式的月特征向量、所述正态化特征向量生成单元获得的所述正态分布形式的季特征向量和所述正态化特征向量生成单元获得的所述正态分布形式的年特征向量以获得分类特征向量；
39.分类单元，用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。
40.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的财务安全智能监控方法。
41.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的财务安全智能监控方法。
42.根据本技术提供的财务安全智能监控方法、系统和电子设备，其通过基于上下文的编码器模型分别对月度、季度和年度与财务风险相关的指标数据集进行高维隐含关联特征提取，并且考虑到由于获得的所述特征向量在时间尺度上的分布差异，使得所述特征向量在高维特征空间内映射到具有不同频率的目标域上，而通过频率间平衡余量损失函数来进行训练，可以使得所述编码器的上下文编码特征表示提高到所述各不同频率的目标域的归属的泛化性，使得单个时间尺度上的所述特征向量能够在不同频率的目标域上均具有良好的泛化表示特性，以在对所述特征向量进行加权融合后，提高分类特征向量的分类精度。
附图说明
43.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
44.图1为根据本技术实施例的财务安全智能监控方法的上市公司财务风险相关指标体系图。
45.图2a为根据本技术实施例的财务安全智能监控方法中训练阶段的流程图。
46.图2b为根据本技术实施例的财务安全智能监控方法中推断阶段的流程图。
47.图3a为根据本技术实施例的财务安全智能监控方法中训练阶段的架构示意图。
48.图3b为根据本技术实施例的财务安全智能监控方法中推断阶段的架构示意图。
49.图4为根据本技术实施例的财务安全智能监控系统的框图。
50.图5为根据本技术实施例的电子设备的框图。
具体实施方式
51.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
52.场景概述
53.如前所述，企业财务风险控制是财务管理的重要内容，加强对企业财务风险的识别，为决策者、管理者和投资者提供及时有效的财务信息，保障各方的利益具有重要意义。
54.市场经济条件下，财务风险是客观存在的，并贯穿于生产经营整个过程。要完全消除风险及其影响是不现实的，重要的是全面分析财务风险，及早发现哪些可能导致财务状况恶化的早期信息，将影响企业获利能力甚至危机生存的问题控制在可解决的范围内，并随时对可能引发危机的种种现象进行预警。因此，期望提供一种财务安全智能监控方法。
55.相应地，在本技术的技术方案中，期望加强对企业财务风险的识别监控，从而为决策者、管理者和投资者提供及时有效的财务信息，保障各方的利益，而这本质上是一个分类的问题，也就是，基于各个与财务风险相关的指标数据集来对企业的财务风险是否超过预设标准进行分类判断。
56.特别地，为了增强神经网络模型的可解释性，在本技术的技术方案中，结合统计模型和神经网络模型来对企业财务安全进行监控。具体地，根据bart lett的球形度检验，显示的显著性sig值为0.000，说明数据来自正态分布总体。因此，在本技术的方案中可采用正态分布的概率密度函数来进行数据增强。并且在基于各个与财务风险相关的指标数据集来对企业的财务风险是否超过预设标准进行分类判断时，针对具有不同时间尺度的特征向量，需要考虑特征向量在时间尺度上的差异，从而使得融合后的特征能够获得良好的分类表达。
57.具体地，在本技术的方案中，首先获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集，这里，如图1所示，与财务风险相关的指标数据集包括：基本每股收益、每股净资产、每股经营现金流、营业总收入、毛利润、净利润、总收入同比增长、净资产收益率、总资产收益率、毛利率、净利率、经营现金流/营业收入、总资产周转率、应收账款周转天数、存货周转天数、资产负债率、流动负债/总负债、流动比率和速动比率。
58.接着，将其分别通过包含嵌入层的上下文编码器以提取出具有全局性风险指标数据关联信息的第一至第三特征向量，并将其级联为月特征向量、季特征向量和年特征向量。
59.然后，分别对月特征向量、季特征向量和年特征向量进行正态化处理，以获得正态分布形式的月特征向量v
month
，季度特征向量v
quarter
和年特征向量v
year
，即：
[0060][0061]
这样，就可以融合正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量以获得分类特征向量。
[0062]
然后计算每两个特征向量之间的频率间平衡余量损失(inter-frequency balancing margin-loss)，并将三个频率间平衡余量损失值的加权和作为频率间平衡余量损失函数，以此来训练上下文编码器，表示为：
[0063]wm-q
＝exp[cos(v
month
,v
quarter
)-d(v
month
,v
quarter
)]
[0064]wm-y
＝exp[cos(v
month
,v
year
)-d(v
month
,v
year
)]
[0065]wq-y
＝exp[cos(v
quarter
,v
year
)-d(v
quarter
,v
year
)]
[0066]
loss
ifbm
＝α1w
m-q
+α2w
m-y
+α3w
q-y
[0067]
其中cos(
·
,
·
)表示向量间的余弦距离，且d(
·
,
·
)表示向量间的欧式距离。
[0068]
这里，由于特征向量在时间尺度上的分布差异，使得特征向量在高维特征空间内映射到具有不同频率的目标域上，即，月特征向量映射到高频目标域，年特征向量映射到低频目标域(又可以称为长尾目标域)，而通过频率间平衡余量损失函数来进行训练，可以使得编码器的上下文编码特征表示提高到各不同频率的目标域的归属的泛化性，使得单个时间尺度上的特征向量能够在不同频率的目标域上均具有良好的泛化表示特性，以在对特征向量进行加权融合后，提高分类特征向量的分类精度。
[0069]
基于此，本技术提出了一种财务安全智能监控方法，其包括训练阶段，包括：获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量；将所述分类特征向量通过分类器以获得分类损失函数值；计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值；计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；以及，以所述分类损失函数值和所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练；以及，推断阶段，包括：获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量；将所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的
财务风险是否超过预设标准。
[0070]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0071]
示例性方法
[0072]
图2a图示了根据本技术实施例的财务安全智能监控方法中训练阶段的流程图。图2b图示了根据本技术实施例的财务安全智能监控方法中推断阶段的流程图。如图2a所示，根据本技术实施例的财务安全智能监控方法，包括：训练阶段，包括：s110，获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；s120，分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；s130，将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；s140，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；s150，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量；s160，将所述分类特征向量通过分类器以获得分类损失函数值；s170，计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值；s180，计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；以及，s190，以所述分类损失函数值和所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练。
[0073]
如图2b所示，根据本技术实施例的财务安全智能监控方法，还包括：推断阶段，包括：s210，获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；s220，分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；s230，将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；s240，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；s250，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的
年特征向量以获得分类特征向量；s260，将所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。
[0074]
图3a图示了根据本技术实施例的财务安全智能监控方法中训练阶段的架构示意图。如图3a所示，在训练阶段中，在该网络架构中，首先，分别将所述月度与财务风险相关的指标数据集(例如，如图3中所示意的p1)、所述季度与财务风险相关的指标数据集(例如，如图3中所示意的p2)和所述年度与财务风险相关的指标数据集(例如，如图3中所示意的p3)通过包含嵌入层的上下文编码器(例如，如图3中所示意的e1)以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量(例如，如图3中所示意的vf1)、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量(例如，如图3中所示意的vf2)和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量(例如，如图3中所示意的vf3)；接着，将所述多个第一特征向量进行级联以获得月特征向量(例如，如图3中所示意的vfm)，将所述多个第二特征向量进行级联以获得季特征向量(例如，如图3中所示意的vfs)，以及，将所述多个第三特征向量进行级联以获得年特征向量(例如，如图3中所示意的vfy)；然后，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量(例如，如图3中所示意的v1)、正态分布形式的季特征向量(例如，如图3中所示意的v2)和正态分布形式的年特征向量(例如，如图3中所示意的v3)；接着，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量(例如，如图3中所示意的vf)；然后，将所述分类特征向量通过分类器(例如，如图3中所示意的圈s)以获得分类损失函数值(例如，如图3中所示意的clv)；接着，计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失(例如，如图3中所示意的ba1)、第二频率间平衡余量损失(例如，如图3中所示意的ba2)和第三频率间平衡余量损失(例如，如图3中所示意的ba3)；然后，计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值(例如，如图3中所示意的blv)；以及，最后，以所述分类损失函数值和所述频率间平衡余量损失函数值之间的加权和作为损失函数值(例如，如图3中所示意的lv)对所述上下文编码器进行训练。
[0075]
图3b图示了根据本技术实施例的财务安全智能监控方法中推断阶段的架构示意图。如图3b所示，在推断阶段中，在该网络结构中，首先，分别将所述月度与财务风险相关的指标数据集(例如，如图3中所示意的p1)、所述季度与财务风险相关的指标数据集(例如，如图3中所示意的p2)和所述年度与财务风险相关的指标数据集(例如，如图3中所示意的p3)通过包含嵌入层的上下文编码器(例如，如图3中所示意的e2)以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量(例如，如图3中所示意的vf1)、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量(例如，如图3中所示意的vf2)和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量(例如，如图3中所示意的vf3)；接着，将所述多个第一特征向量进行级联以获得月特征向量(例如，如图3中所示意的vfm)，将所述多个第二特征向量进行级联以获得季特征向量(例如，如图3中所示意的vfs)，以及，将所述多个第三特征向量进行级联以获得年特征向量(例如，如图3中所示意的vfy)；然后，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进
行正态化处理以获得正态分布形式的月特征向量(例如，如图3中所示意的v1)、正态分布形式的季特征向量(例如，如图3中所示意的v2)和正态分布形式的年特征向量(例如，如图3中所示意的v3)；接着，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量(例如，如图3中所示意的vf)；最后，将所述分类特征向量通过分类器(例如，如图3中所示意的圈s)以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。
[0076]
更具体地，在训练阶段中，在步骤s110和步骤s120中，获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集，并分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量。如前所述，在本技术的技术方案中，期望加强对企业财务风险的识别监控，从而为决策者、管理者和投资者提供及时有效的财务信息，保障各方的利益，而这本质上是一个分类的问题，也就是，基于各个与财务风险相关的指标数据集来对企业的财务风险是否超过预设标准进行分类判断。
[0077]
也就是，具体地，在本技术的技术方案中，首先，通过云存储端获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集。值得一提的是，如图1所示，这里，所述与财务风险相关的指标数据集，包括：基本每股收益、每股净资产、每股经营现金流、营业总收入、毛利润、净利润、总收入同比增长、净资产收益率、总资产收益率、毛利率、净利率、经营现金流/营业收入、总资产周转率、应收账款周转天数、存货周转天数、资产负债率、流动负债/总负债、流动比率和速动比率。然后，进一步将获得的所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器中进行编码处理，以获得具有全局性的财务风险相关数据的关联特征信息，从而获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量。
[0078]
具体地，在本技术实施例中，分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量的过程，包括：首先，使用所述基于上下文的编码器模型的嵌入层将所述月度与财务风险相关的指标数据集转化为第一输入向量以获得第一输入向量的序列；接着，使用所述基于上下文的编码器模型的转换器对所述第一输入向量的序列进行基于全局的上下文语义编码以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量；然后，使用所述基于上下文的编码器模型的嵌入层将所述季度与财务风险相关的指标数据集转化为第二输入向量以获得第二输入向量的序列；接着，使用所述基于上下文的编码器模型的转换器对所述第二输入向量的序列进
行基于全局的上下文语义编码以获得与所述季度与财务风险相关的指标数据集对应的多个第二特征向量；然后，使用所述基于上下文的编码器模型的嵌入层将所述年度与财务风险相关的指标数据集转化为第三输入向量以获得第三输入向量的序列；最后，使用所述基于上下文的编码器模型的转换器对所述第三输入向量的序列进行基于全局的上下文语义编码以获得与财务风险相关的指标数据集对应的多个第三特征向量。应可以理解，由于基于转换器的编码器模型能够基于上下文对所述输入向量进行编码，因此所获得的所述特征向量具有全局性的与财务风险相关的指标数据间的关联特征信息。
[0079]
更具体地，在训练阶段中，在步骤s130中，将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量。也就是，在本技术的技术方案中，在通过基于上下文的编码器模型将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集进行关联特征提取后，进一步将得到的所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量。这样，就可以分别将获得的所述月度与财务风险相关的指标数据关联特征、所述季度与财务风险相关的指标数据关联特征和所述年度与财务风险相关的指标数据关联特征中的关联特征信息进行按月度、季度和年度进行整合。
[0080]
更具体地，在训练阶段中，在步骤s140中，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量。应可以理解，特别地，为了增强神经网络模型的可解释性，在本技术的技术方案中，结合统计模型和神经网络模型来对企业财务安全进行监控。具体地，根据bart l ett的球形度检验，显示的显著性si g值为0.000，说明数据来自正态分布总体。因此，在本技术的技术方案中，可采用正态分布的概率密度函数来进行数据增强。也就是，在一个具体示例中，首先分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量。
[0081]
具体地，在本技术实施例中，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量的过程，包括：以如下公式分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；
[0082]
其中，所述公式为：
[0083][0084]
更具体地，在训练阶段中，在步骤s150和步骤s160中，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量，并将所述分类特征向量通过分类器以获得分类损失函数值。应可以理解，考虑到所述特征向量在时间尺度上的差异，因此，为了基于所述各个与财务风险相关的指标数据集来对企业的财务风险是否超过预设标准进行准确地判断，就需要对所述编码器模型进行
训练以使得融合后的特征能够获得良好的分类表达。
[0085]
也就是，在本技术的技术方案中，进一步地，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量。相应地，在一个具体示例中，可以计算所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量的按位置加权和以获得所述分类特征向量。然后，将所述分类特征向量通过分类器以获得分类损失函数值。
[0086]
具体地，将所述分类特征向量通过分类器以获得分类损失函数值的过程，包括：首先，使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。然后，计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
[0087]
更具体地，在训练阶段中，在步骤s170中，计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值。应可以理解，在本技术的技术方案中，在基于各个与财务风险相关的指标数据集来对企业的财务风险是否超过预设标准进行分类判断时，针对具有不同时间尺度的特征向量，需要考虑所述特征向量在时间尺度上的差异，从而使得融合后的特征能够获得良好的分类表达。因此，在本技术的技术方案中，进一步计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失。
[0088]
更具体地，在本技术实施例中，计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失的过程，包括：以如下公式计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失；
[0089]
其中，所述公式为：
[0090]wm-q
＝exp[cos(v
month
,v
quarter
)-d(v
month
,v
quarter
)]
[0091]wm-y
＝exp[cos(v
month
,v
year
)-d(v
month
,v
year
)]
[0092]wq-y
＝exp[cos(v
quarter
,v
year
)-d(v
quarter
,v
year
)]
[0093]
其中，v
month
为正态分布形式的月特征向量，v
quarter
为正态分布形式的季度特征向量和v
year
为正态分布形式的年特征向量。
[0094]
更具体地，在训练阶段中，在步骤s180和步骤s190中，计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值，并以所述分类损失函数值和所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练。也就是，在本技术的技术方案中，进一步计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第
三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值，以与所述分类损失函数的加权和来训练所述上下文编码器。应可以理解，由于所述特征向量在时间尺度上的分布差异，使得所述特征向量在高维特征空间内映射到具有不同频率的目标域上，即，所述月特征向量映射到高频目标域，所述年特征向量映射到低频目标域(又可以称为长尾目标域)，而通过所述频率间平衡余量损失函数来进行训练，可以使得所述编码器的上下文编码特征表示提高到各不同频率的目标域的归属的泛化性，使得单个时间尺度上的所述特征向量能够在不同频率的目标域上均具有良好的泛化表示特性，以在对所述特征向量进行加权融合后，提高分类特征向量的分类精度。
[0095]
具体地，在本技术实施例中，计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值的过程，包括：以如下公式计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；
[0096]
其中，所述公式为：
[0097]
loss
ifbm
＝α1w
m-q
+α2w
m-y
+α3w
q-y
[0098]
其中cos(
·
,
·
)表示向量间的余弦距离，且d(
·
,
·
)表示向量间的欧式距离。
[0099]
在训练完成后，进入推断阶段。也就是，通过训练阶段将所述上下文编码器进行训练完成后，将得到的所述编码器用于实际的推断阶段中。进而，重复上述步骤就可以得到所述分类特征向量，以通过分类器获得用于表示企业的财务风险是否超过预设标准的分类结果。
[0100]
具体地，在推断阶段中，首先，获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集。接着，分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量。然后，将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量。接着，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量。然后，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量。最后，将所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。
[0101]
综上，基于本技术实施例的财务安全智能监控方法被阐明，其通过基于上下文的编码器模型分别对月度、季度和年度与财务风险相关的指标数据集进行高维隐含关联特征提取，并且考虑到由于获得的所述特征向量在时间尺度上的分布差异，使得所述特征向量在高维特征空间内映射到具有不同频率的目标域上，而通过频率间平衡余量损失函数来进行训练，可以使得所述编码器的上下文编码特征表示提高到所述各不同频率的目标域的归属的泛化性，使得单个时间尺度上的所述特征向量能够在不同频率的目标域上均具有良好的泛化表示特性，以在对所述特征向量进行加权融合后，提高分类特征向量的分类精度。
[0102]
示例性系统
[0103]
图4图示了根据本技术实施例的财务安全智能监控系统的框图。如图4所示，根据本技术实施例的财务安全智能监控系统400，包括：训练模块410和推断模块420。
[0104]
如图4所示，所述训练模块410，包括：数据获取单元411，用于获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；上下文编码单元412，用于分别将所述数据获取单元411获得的所述月度与财务风险相关的指标数据集、所述数据获取单元411获得的所述季度与财务风险相关的指标数据集和所述数据获取单元411获得的所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；级联单元413，用于将所述上下文编码单元412获得的所述多个第一特征向量进行级联以获得月特征向量，将所述上下文编码单元412获得的所述多个第二特征向量进行级联以获得季特征向量，以及，将所述上下文编码单元412获得的所述多个第三特征向量进行级联以获得年特征向量；正态化单元414，用于分别对所述级联单元413获得的所述月特征向量、所述级联单元413获得的所述季特征向量和所述级联单元413获得的所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；融合单元415，用于融合所述正态化单元414获得的所述正态分布形式的月特征向量、所述正态化单元414获得的所述正态分布形式的季特征向量和所述正态化单元414获得的所述正态分布形式的年特征向量以获得分类特征向量；分类损失函数值计算单元416，用于将所述融合单元415获得的所述分类特征向量通过分类器以获得分类损失函数值；平衡余量损失计算单元417，用于计算所述正态化单元415获得的所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值；平衡余量损失函数值计算单元418，用于计算所述平衡余量损失计算单元417获得的所述第一频率间平衡余量损失、所述平衡余量损失计算单元417获得的所述第二频率间平衡余量损失和所述平衡余量损失计算单元417获得的所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；以及，训练单元419，用于以所述分类损失函数值计算单元416获得的所述分类损失函数值和所述平衡余量损失函数值计算单元418获得的所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练。
[0105]
如图4所示，所述推断模块420，包括：指标数据获取单元421，用于获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；特征向量生成单元422，用于分别将所述指标数据获取单元421获得的所述月度与财务风险相关的指标数据集、所述指标数据获取单元421获得的所述季度与财务风险相关的指标数据集和所述指标数据获取单元421获得的所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和
与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；特征向量级联单元423，用于将所述特征向量生成单元422获得的所述多个第一特征向量进行级联以获得月特征向量，将所述特征向量生成单元422获得的所述多个第二特征向量进行级联以获得季特征向量，以及，将所述特征向量生成单元422获得的所述多个第三特征向量进行级联以获得年特征向量；正态化特征向量生成单元424，用于分别对所述特征向量级联单元423获得的所述月特征向量、所述特征向量级联单元423获得的所述季特征向量和所述特征向量级联单元423获得的所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；分类特征向量生成单元425，用于融合所述正态化特征向量生成单元424获得的所述正态分布形式的月特征向量、所述正态化特征向量生成单元424获得的所述正态分布形式的季特征向量和所述正态化特征向量生成单元424获得的所述正态分布形式的年特征向量以获得分类特征向量；分类单元426，用于将所述分类特征向量生成单元425获得的所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。
[0106]
在另一个示例中，在上述财务安全智能监控系统400中，所述上下文编码单元412，进一步用于：使用所述基于上下文的编码器模型的嵌入层将所述月度与财务风险相关的指标数据集转化为第一输入向量以获得第一输入向量的序列；使用所述基于上下文的编码器模型的转换器对所述第一输入向量的序列进行基于全局的上下文语义编码以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量；使用所述基于上下文的编码器模型的嵌入层将所述季度与财务风险相关的指标数据集转化为第二输入向量以获得第二输入向量的序列；使用所述基于上下文的编码器模型的转换器对所述第二输入向量的序列进行基于全局的上下文语义编码以获得与所述季度与财务风险相关的指标数据集对应的多个第二特征向量；使用所述基于上下文的编码器模型的嵌入层将所述年度与财务风险相关的指标数据集转化为第三输入向量以获得第三输入向量的序列；使用所述基于上下文的编码器模型的转换器对所述第三输入向量的序列进行基于全局的上下文语义编码以获得与财务风险相关的指标数据集对应的多个第三特征向量。
[0107]
在一个示例中，在上述财务安全智能监控系统400中，所述正态化单元414，进一步用于：以如下公式分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；
[0108]
其中，所述公式为：
[0109][0110]
在一个示例中，在上述财务安全智能监控系统400中，所述融合单元415，进一步用于：计算所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量的按位置加权和以获得所述分类特征向量。
[0111]
在一个示例中，在上述财务安全智能监控系统400中，所述分类损失函数值计算单元416，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量；以及，计算所述分类结果与真实值之间的交叉熵值作为所
述分类损失函数值。
[0112]
在一个示例中，在上述财务安全智能监控系统400中，所述平衡余量损失计算单元417，进一步用于：以如下公式计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失；
[0113]
其中，所述公式为：
[0114]wm-q
＝exp[cos(v
month
,v
quarter
)-d(v
month
,v
quarter
)]
[0115]wm-y
＝exp[cos(v
month
,v
year
)-d(v
month
,v
year
)]
[0116]wq-y
＝exp[cos(v
quarter
,v
year
)-d(v
quarter
,v
year
)]
[0117]
其中，v
month
为正态分布形式的月特征向量，v
quarter
为正态分布形式的季度特征向量和v
year
为正态分布形式的年特征向量。
[0118]
在一个示例中，在上述财务安全智能监控系统400中，所述平衡余量损失函数值计算单元418，进一步用于：以如下公式计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；
[0119]
其中，所述公式为：
[0120]
loss
ifbm
＝α1w
m-q
+α2w
m-y
+α3w
q-y
[0121]
其中cos(
·
,
·
)表示向量间的余弦距离，且d(
·
,
·
)表示向量间的欧式距离。
[0122]
在一个示例中，在上述财务安全智能监控系统400中，所述与财务风险相关的指标数据集，包括：基本每股收益、每股净资产、每股经营现金流、营业总收入、毛利润、净利润、总收入同比增长、净资产收益率、总资产收益率、毛利率、净利率、经营现金流/营业收入、总资产周转率、应收账款周转天数、存货周转天数、资产负债率、流动负债/总负债、流动比率和速动比率。
[0123]
这里，本领域技术人员可以理解，上述财务安全智能监控系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3b的财务安全智能监控方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0124]
如上所述，根据本技术实施例的财务安全智能监控系统400可以实现在各种终端设备中，例如财务安全智能监控算法的服务器等。在一个示例中，根据本技术实施例的财务安全智能监控系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该财务安全智能监控系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该财务安全智能监控系统400同样可以是该终端设备的众多硬件模块之一。
[0125]
替换地，在另一示例中，该财务安全智能监控系统400与该终端设备也可以是分立的设备，并且该财务安全智能监控系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0126]
示例性电子设备
[0127]
下面，参考图5来描述根据本技术实施例的电子设备。如图5所示，电子设备10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他
组件以执行期望的功能。
[0128]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的财务安全智能监控方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如年特征向量、分类特征向量等各种内容。
[0129]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0130]
该输入装置13可以包括例如键盘、鼠标等等。
[0131]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0132]
当然，为了简化，图5中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0133]
示例性计算机程序产品和计算机可读存储介质
[0134]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的财务安全智能监控方法中的步骤。
[0135]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0136]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的财务安全智能监控方法中的步骤。
[0137]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0138]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0139]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0140]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0141]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0142]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
技术特征：1.一种财务安全智能监控方法，其特征在于，包括：训练阶段，包括：获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量；将所述分类特征向量通过分类器以获得分类损失函数值；计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值；计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；以及以所述分类损失函数值和所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练；以及推断阶段，包括：获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；将所述多个第一特征向量进行级联以获得月特征向量，将所述多个第二特征向量进行级联以获得季特征向量，以及，将所述多个第三特征向量进行级联以获得年特征向量；分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；
融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量；将所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。2.根据权利要求1所述的财务安全智能监控方法，其中，分别将所述月度与财务风险相关的指标数据集、所述季度与财务风险相关的指标数据集和所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量，包括：使用所述基于上下文的编码器模型的嵌入层将所述月度与财务风险相关的指标数据集转化为第一输入向量以获得第一输入向量的序列；使用所述基于上下文的编码器模型的转换器对所述第一输入向量的序列进行基于全局的上下文语义编码以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量；使用所述基于上下文的编码器模型的嵌入层将所述季度与财务风险相关的指标数据集转化为第二输入向量以获得第二输入向量的序列；使用所述基于上下文的编码器模型的转换器对所述第二输入向量的序列进行基于全局的上下文语义编码以获得与所述季度与财务风险相关的指标数据集对应的多个第二特征向量；使用所述基于上下文的编码器模型的嵌入层将所述年度与财务风险相关的指标数据集转化为第三输入向量以获得第三输入向量的序列；使用所述基于上下文的编码器模型的转换器对所述第三输入向量的序列进行基于全局的上下文语义编码以获得与财务风险相关的指标数据集对应的多个第三特征向量。3.根据权利要求2所述的财务安全智能监控方法，其中，分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量，包括：以如下公式分别对所述月特征向量、所述季特征向量和所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；其中，所述公式为：4.根据权利要求3所述的财务安全智能监控方法，其中，融合所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量以获得分类特征向量，包括：计算所述正态分布形式的月特征向量、所述正态分布形式的季特征向量和所述正态分布形式的年特征向量的按位置加权和以获得所述分类特征向量。5.根据权利要求4所述的财务安全智能监控方法，其中，将所述分类特征向量通过分类器以获得分类损失函数值，包括：
使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果；其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|x}，其中，w1到w
n
为权重矩阵，b1到b
n
为偏置向量，x为分类特征向量；以及计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。6.根据权利要求5所述的财务安全智能监控方法，其中，计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，包括：以如下公式计算所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失；其中，所述公式为：w
m-q
＝exp[cos(v
month
,v
quarter
)-d(v
month
,v
quarter
)]w
m-y
＝exp[cos(v
month
,v
year
)-d(v
month
,v
year
)]w
q-y
＝exp[cos(v
quarter
,v
year
)-d(v
quarter
,v
year
)]其中，v
month
为正态分布形式的月特征向量，v
quarter
为正态分布形式的季度特征向量和v
year
为正态分布形式的年特征向量。7.根据权利要求6所述的财务安全智能监控方法，其中，计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值，包括：以如下公式计算所述第一频率间平衡余量损失、所述第二频率间平衡余量损失和所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；其中，所述公式为：loss
ifbm
＝α1w
m-q
+α2w
m-y
+α3w
q-y
其中cos(
·
,
·
)表示向量间的余弦距离，且d(
·
,
·
)表示向量间的欧式距离。8.根据权利要求1所述的财务安全智能监控方法，其中，所述与财务风险相关的指标数据集，包括：基本每股收益、每股净资产、每股经营现金流、营业总收入、毛利润、净利润、总收入同比增长、净资产收益率、总资产收益率、毛利率、净利率、经营现金流/营业收入、总资产周转率、应收账款周转天数、存货周转天数、资产负债率、流动负债/总负债、流动比率和速动比率。9.一种财务安全智能监控系统，其特征在于，包括：训练模块，包括：数据获取单元，用于获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；上下文编码单元，用于分别将所述数据获取单元获得的所述月度与财务风险相关的指标数据集、所述数据获取单元获得的所述季度与财务风险相关的指标数据集和所述数据获取单元获得的所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标
数据集对应的多个第三特征向量；级联单元，用于将所述上下文编码单元获得的所述多个第一特征向量进行级联以获得月特征向量，将所述上下文编码单元获得的所述多个第二特征向量进行级联以获得季特征向量，以及，将所述上下文编码单元获得的所述多个第三特征向量进行级联以获得年特征向量；正态化单元，用于分别对所述级联单元获得的所述月特征向量、所述级联单元获得的所述季特征向量和所述级联单元获得的所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；融合单元，用于融合所述正态化单元获得的所述正态分布形式的月特征向量、所述正态化单元获得的所述正态分布形式的季特征向量和所述正态化单元获得的所述正态分布形式的年特征向量以获得分类特征向量；分类损失函数值计算单元，用于将所述融合单元获得的所述分类特征向量通过分类器以获得分类损失函数值；平衡余量损失计算单元，用于计算所述正态化单元获得的所述正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量中每两个特征向量之间的频率间平衡余量损失以获得第一频率间平衡余量损失、第二频率间平衡余量损失和第三频率间平衡余量损失，所述每两个特征向量之间的频率间平衡余量损失为以两个特征向量之间的余弦距离减去两个特征向量之间的欧式距离之差为幂的自然指数函数值；平衡余量损失函数值计算单元，用于计算所述平衡余量损失计算单元获得的所述第一频率间平衡余量损失、所述平衡余量损失计算单元获得的所述第二频率间平衡余量损失和所述平衡余量损失计算单元获得的所述第三频率间平衡余量损失之间的加权和作为频率间平衡余量损失函数值；以及训练单元，用于以所述分类损失函数值计算单元获得的所述分类损失函数值和所述平衡余量损失函数值计算单元获得的所述频率间平衡余量损失函数值之间的加权和作为损失函数值对所述上下文编码器进行训练；以及推断模块，包括：指标数据获取单元，用于获取月度与财务风险相关的指标数据集、季度与财务风险相关的指标数据集和年度与财务风险相关的指标数据集；特征向量生成单元，用于分别将所述指标数据获取单元获得的所述月度与财务风险相关的指标数据集、所述指标数据获取单元获得的所述季度与财务风险相关的指标数据集和所述指标数据获取单元获得的所述年度与财务风险相关的指标数据集通过包含嵌入层的上下文编码器以获得与所述月度与财务风险相关的指标数据集对应的多个第一特征向量、与所述季度与财务风险相关的指标数据集对应的多个第二特征向量和与所述年度与财务风险相关的指标数据集对应的多个第三特征向量；特征向量级联单元，用于将所述特征向量生成单元获得的所述多个第一特征向量进行级联以获得月特征向量，将所述特征向量生成单元获得的所述多个第二特征向量进行级联以获得季特征向量，以及，将所述特征向量生成单元获得的所述多个第三特征向量进行级联以获得年特征向量；
正态化特征向量生成单元，用于分别对所述特征向量级联单元获得的所述月特征向量、所述特征向量级联单元获得的所述季特征向量和所述特征向量级联单元获得的所述年特征向量中各个位置的特征值进行正态化处理以获得正态分布形式的月特征向量、正态分布形式的季特征向量和正态分布形式的年特征向量；分类特征向量生成单元，用于融合所述正态化特征向量生成单元获得的所述正态分布形式的月特征向量、所述正态化特征向量生成单元获得的所述正态分布形式的季特征向量和所述正态化特征向量生成单元获得的所述正态分布形式的年特征向量以获得分类特征向量；分类单元，用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得分类结果，所述分类结果为企业的财务风险是否超过预设标准。10.一种电子设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的财务安全智能监控方法。
技术总结本申请公开了一种财务安全智能监控方法、系统和电子设备，其通过基于上下文的编码器模型分别对月度、季度和年度与财务风险相关的指标数据集进行高维隐含关联特征提取，并且考虑到由于获得的所述特征向量在时间尺度上的分布差异，使得所述特征向量在高维特征空间内映射到具有不同频率的目标域上，而通过频率间平衡余量损失函数来进行训练，可以使得所述编码器的上下文编码特征表示提高到所述各不同频率的目标域的归属的泛化性，使得单个时间尺度上的所述特征向量能够在不同频率的目标域上均具有良好的泛化表示特性，以在对所述特征向量进行加权融合后，提高分类特征向量的分类精度。度。度。
技术研发人员：付植慧 贾茹芸 贠思静 安勇智 李向龙 杨蓉蓉
受保护的技术使用者：西安科技大学
技术研发日：2022.03.26
技术公布日：2022/7/5
