【技术实现步骤摘要】
本专利技术涉及税务风险预测方法，更具体地说是指企业税务风险预测方法、装置、计算机设备及存储介质。
技术介绍
1、现有技术在预测企业税务风险时，主要依赖于传统的财务审计和人工检查方法。然而，这些方法存在一些显著的缺陷，影响了风险评估的有效性和准确性，具体地，传统方法通常主要依赖企业自行申报的财务数据，这些数据可能存在不准确或不完整的情况。此外，这些方法往往忽视了外部公开信息，如工商注册数据、司法诉讼记录和行业动态等。这种信息缺乏整合的方式导致风险评估时难以全面了解企业的财务状况，从而可能导致风险评估结果的偏差。人工审计过程通常耗时长、成本高，难以实时监控和评估大量企业的税务风险。这种低效率使得审计人员难以及时发现潜在问题，可能导致在税务风险显现之前就错过了关键的预警信号。传统审计方法在识别非财务数据中的潜在税务风险方面存在局限性。例如，关联交易、企业高管的异常变动等非财务信息可能暗示着税务风险，但传统方法难以有效挖掘这些数据，从而遗漏了重要线索，影响了整体风险评估的准确性。目前的风险评估方法缺乏大数据和智能算法的有效应用，无法实现从海量数据中自动提取和识别有价值的信息。这种技术上的不足限制了风险识别的能力，导致无法及时发现和应对潜在的税务风险。
2、综上所述，现有技术在企业税务风险预测中存在数据来源单一、效率低下、准确性不足及技术应用缺失等问题，这些因素共同影响了风险评估的全面性和有效性。
3、因此，有必要谁一种新的方法，实现提高税务风险的识别能力，提高预测准确率和全面性。
技术
1、本专利技术的目的在于克服现有技术的缺陷，提供企业税务风险预测方法、装置、计算机设备及存储介质。
2、为实现上述目的，本专利技术采用以下技术方案：企业税务风险预测方法，包括：
3、获取待预测企业税务数据；
4、将所述待预测企业税务数据进行特征工程处理，以得到处理结果；
5、将所述处理结果输入至预测模型中进行风险值预测，以得到预测结果；
6、根据所述预测结果与设定风险阈值确定风险等级；
7、输出所述风险等级；
8、其中，所述预测模型是通过风险样本数据集以及非风险样本数据集组成的全量样本集训练多任务学习网络所得的。
9、其进一步技术方案为：所述将所述待预测企业税务数据进行特征工程处理，以得到处理结果，包括：
10、对所述待预测企业税务数据进行连续型特征woe化，以得到转换结果；
11、对所述待预测企业税务数据进行命名实体识别，以得到关键信息；
12、对所述待预测企业税务数据进行设定规则处理，以得到加工结果；
13、将所述转换结果、关键信息以及加工结果整合为处理结果。
14、其进一步技术方案为：所述对所述待预测企业税务数据进行命名实体识别，以得到关键信息，包括：
15、对所述待预测企业税务数据采用基于bilstm-crf的深度学习模型进行命名实体识别，以得到关键信息。
16、其进一步技术方案为：所述预测模型包括输入层、特征融合层、门控网络层、专家网络层以及输出层。
17、其进一步技术方案为：所述将所述处理结果输入至预测模型中进行风险值预测，以得到预测结果，包括：
18、将所述处理结果输入至预测模型中；
19、将所述处理结果进行融合，以得到融合结果；
20、根据所述融合结果由门控网络层确定参与处理专家网络层；
21、利用确定的专家网络层处理所述融合结果，以确定税务风险类型；
22、将专家网络输出的税务风险类型整合，经过softmax层计算得出税务风险预测概率，以得到预测结果。
23、其进一步技术方案为：所述根据所述融合结果由门控网络层确定参与处理专家网络层，包括：
24、所述门控网络层根据所述融合结果的特性，将任务分配给对应的专家网络层，其中，每个专家网络层专注于某一类税务风险。
25、本专利技术还提供了企业税务风险预测装置，包括：
26、数据获取单元，用于获取待预测企业税务数据；
27、特征工程处理单元，用于将所述待预测企业税务数据进行特征工程处理，以得到处理结果；
28、预测单元，用于将所述处理结果输入至预测模型中进行风险值预测，以得到预测结果；
29、风险等级确定单元，用于根据所述预测结果与设定风险阈值确定风险等级；
30、输出单元，用于输出所述风险等级；
31、其中，所述预测模型是通过风险样本数据集以及非风险样本数据集组成的全量样本集训练多任务学习网络所得的。
32、其进一步技术方案为：所述特征工程处理单元包括：
33、转换子单元，用于对所述待预测企业税务数据进行连续型特征woe化，以得到转换结果；
34、识别子单元，用于对所述待预测企业税务数据进行命名实体识别，以得到关键信息；
35、加工子单元，用于对所述待预测企业税务数据进行设定规则处理，以得到加工结果；
36、整合子单元，用于将所述转换结果、关键信息以及加工结果整合为处理结果。
37、本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
38、本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
39、本专利技术与现有技术相比的有益效果是：本专利技术通过获取待预测企业的税务数据后，对其进行特征工程处理以提取关键特征。接着，将处理结果输入预测模型进行风险值预测，确保模型通过全量样本集的多任务学习网络训练，具备更强的识别能力。根据预测结果与设定的风险阈值判断风险等级，并最终输出该风险等级。此过程不仅提高了税务风险的识别能力，还增强了预测的准确性和全面性。
40、下面结合附图和具体实施例对本专利技术作进一步描述。
本文档来自技高网...【技术保护点】
1.企业税务风险预测方法，其特征在于，包括：
2.根据权利要求1所述的企业税务风险预测方法，其特征在于，所述对所述待预测企业税务数据进行命名实体识别，以得到关键信息，包括：
3.根据权利要求1所述的企业税务风险预测方法，其特征在于，所述预测模型包括输入层、特征融合层、门控网络层、专家网络层以及输出层。
4.根据权利要求3所述的企业税务风险预测方法，其特征在于，所述将所述处理结果输入至预测模型中进行风险值预测，以得到预测结果，包括：
5.根据权利要求4所述的企业税务风险预测方法，其特征在于，所述根据所述融合结果由门控网络层确定参与处理专家网络层，包括：
6.企业税务风险预测装置，其特征在于，包括：
7.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
【技术特征摘要】
1.企业税务风险预测方法，其特征在于，包括：
2.根据权利要求1所述的企业税务风险预测方法，其特征在于，所述对所述待预测企业税务数据进行命名实体识别，以得到关键信息，包括：
3.根据权利要求1所述的企业税务风险预测方法，其特征在于，所述预测模型包括输入层、特征融合层、门控网络层、专家网络层以及输出层。
4.根据权利要求3所述的企业税务风险预测方法，其特征在于，所述将所述处理结果输入至预测模型中进行风险值预测，以得到预测结果，包括：
5.根据...
【专利技术属性】
技术研发人员：潘成挺，钟红义，张文会，张中一，
申请(专利权)人：杭州微风企科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。