杨睿行 张心泽

摘要 在企业管理的各细分领域，会计是十分重要的一环。如何进一步提高会计信息处理的智能化水平，实现会计工作由电算化向智能化的提升，是现代会计技术及方法研究领域的前沿课题。本文对此进行了探索性研究，建立了一种端到端的账务智能处理框架，以推动会计智能化发展，满足企业管理需要，提高企业管理能力与水平。

[关键词]账务处理 机器理解 机器编制

1 引言

在“大数据”时代，信息技术的发展为社会、经济和生活等各个领域带来变革。用户创造内容与社会化媒体，移动支付与电子商务，物联网与共享经济等新的技术与商业模式层出不穷，UGC、金融、零售、物流等多种来源的大数据正为企业快速创造着价值。每个企业都可能拥有自己的大数据。如何从自身内部理解大数据并挖掘其价值对于企业而言既是机遇也是挑战。

企业内部的大数据体现在业务和管理的各个方面。在这其中，会计大数据是十分重要的一环。作为确认、计量和传达经济信息的信息系统，会计记录和反映企业经济资源配置的过程并始终为管理服务。认识与挖掘会计大数据是大数据时代下企业完善业务控制和提高管理水平的重要手段。如何挖掘会计大数据使其为企业管理服务和创造价值是企业重点关注的问题。

在会计大数据的挖掘中，实现智能化的账务处理是企业的现实需求。在信息化和大数据时代，会计在承担作为企业核心的核算责任的同时直接承受了经济活动剧增所带来的账务处理压力。事实上，现在的会计电算化系统无法有效缓解这种账务压力。一方面，面对种类繁多的会计事项仍只能由会计专业人员根据归纳的会计事项在电算化系统中填制分录与记账凭证，这种手工处理的方法难以适应企业愈加频繁复杂的经济活动，迫切需要改变;另一方面，会计事项以自然语言为载体对企业复杂经济活动进行归纳，其文本形式的表示结构提高了账务处理的难度。在面对关联复杂、来源广泛或种类繁多的会计事项时，编制会计分录需要大量的会计知识和推理，仅能依靠会计专业人员完成，企业现实需要一种能够模仿或取代会计专业人员进行分录编制的账务处理方法以满足信息化和大数据时代下的企业管理需求。智能处理企业账务己成为大数据时代背景下企业管理和会计研究的热门研究课题。

在如今企业内的会计账务处理中，虽然如原始凭证的电子信息传递、会计凭证的汇总和财务报表的生成等绝大部分流程由专门的会计电算化或办公自动化软件来完成。但在编制会计分录的过程中，仍是由会计人员手工完成即根据核对好的经济交易业务和原始凭证在会计电算化或办公自动化软件中手工选择或填制该业务对应的会计科目、记账金额和记账方向，之后再由软件生成相应的会计凭证做入账处理。Anandarajan等[2]认为这种非全自动化的原因在于目前的会计电算化或自动化软件不具有智能，仅能够依靠会计人员凭借其会计知识对非结构化的经济交易业务和原始凭证信息进行处理进而得到结构化的会计信息，在此基础上再对信息按照逻辑运算关系归纳到会计期间的对应科目上，完成会计账务处理。如何让机器学习该过程中的会计知识从而具有会计领域账务处理层面的智能，是实现账务智能化处理的基础问题。

在现有的账务自动与信息化处理研究中，学者较为关注于账务处理流程，即根据系统工程的相关原理，在原始凭证和经济交易业务归纳、财务报表生成等层面结合具体企业需求情景进行优化。对于实现会计分录机器编制的研究较少。王世杰等[3]提出了一种结合商务智能的会计信息系统结构体系，对会计智能化的发展进行了构想。该体系将账务处理的各个环节归纳到输入、处理、输出和控制等子系统，针对不同的子系统阐述了规则生成、关联识别和数据存取等商务智能技术的可应用性。吴龙庭等[4]则就会计核算智能进行了具体研究，提出了一种会计事项的判断方法，通过句法分析和贝叶斯模型对语料进行分类完成会计事项的判别。

基于现有的研究内容，本文针对现有账务处理方法和会计电算化系统仍然严重依赖会计专业人员，无法适应愈加频繁复杂的企业经济活动的问题，基于会计核算视角，针对人工编制会计分录这一现状，以非结构化的会计事项和结构化的会计分录为研究对象，利用自然语言处理、数据挖掘和深度学习等技术，提出一种端到端的账务智能处理方法，以期挖掘会计大数据，推动会计智能化发展，满足企业管理需要，提高企业管理能力與水平。

2 概念与界定

账务处理的过程严格、复杂且需要很高的会计专业知识。现有的账务处理电算化或自动化软件多集中在流程控制和数据导入导出阶段，而在关键需要会计专业人员根据企业实际发生的经济交易业务来编制会计分录的阶段却未有一种代理或辅助机制。原因在于传统的系统工程方法难以建立一个具有会计知识和学习能力即具有会计智能的机器代理来帮助或替代会计专业人员编制分录。针对此问题，本文重点关注会计分录的编制过程，从会计事项和会计分录两端出发，提出一种具有学习能力拥有会计智能的账务处理框架。在账务智能处理的框架中，会计智能的定义和实现至关重要。为更好的实现会计智能，在此首先对本文中的会计智能进行界定。

机器智能是研究人员一直以来的研究焦点。智能的概念难以确切定义，Turing[5]就此问题提出了图灵测试（Turning Test）的思想：机器在没有直接物理接触的情况下接受人类的询问，并尽可能把自己伪装成人类，若未被辨识出机器身份，则称该机器具有智能。具体至本文所研究的会计领域会计分录编制过程，该过程类似图灵测试的问答情景但有不同。区别之处在于图灵测试中的问答为无目标驱动，一方面就非某一特定专业领域持续提出问题，另一方面更希望获得类人而不一定专业的应答;会计分录的智能编制则对机器在会计专业领域，尤其是会计分录编制方法上提出了很高的知识要求，并期许获得正确的会计分录结果。相同之处在于这一过程均涉及机器对于自然语言的理解和应答。因此，本文中机器的会计智能即为机器能够学习会计知识，理解以自然语言为形式的会计事项，并反馈相应正确的会计分录。

针对现有会计电算化系统无法智能编制会计分录的问题，在本文所研究的端到端账务智能处理框架中，“端到端”指代的是会计分录编制过程中从以自然语言形式归纳后的企业经济交易业务即会计事项端到具有会计知识以分录形式所记录的企业经济活动即会计分录端的过程。其中，为使账务智能处理框架满足企业的现实需要，会计分录的编制规则为复试记账下的借贷记账法规则;为使账务处理能够正常进行，归纳后的经济活动即会计事项中应当至少包括经济活动中发生变动的资源和事件，在账务智能处理框架中生成的会计分录则应当满足借贷记账法的要求。

通过这种“端到端”过程，本文所提的账务智能处理框架承接会计数据流动的上游即经会计或相关业务参与者归纳后的企业经济活动事项数据，在框架中进行会计数据的处理使其转化为具有会计知识、按照资源变动对应关系严格分录的会计分录数据即会计信息，之后转接会计电算化或办公自动化系统完成记账凭证和财务报表，实现账务处理的智能化与全过程自动化。

3 框架与方法

区别于现有的账务的电算化或自动化系统中会计人员人工输入会计分录的方式，以机器为会计代理的账务处理方式能够根据企业日常发生的经济业务描述智能编制对应的会计分录，实现账务的智能处理。为实现这种账务处理方式，将会计专业人员从重要但冗杂的日常账务处理中解脱出来，本文提出了一种上游承接企业部门经济活动账务处理，下游转接通用会计电算化系统收录记账，从理解会计事项到编制会计分录的端到端账务智能处理框架，如图1所示。

在现在的账务处理过程中，企业各部门发生了经济活动，由会计或经济活动参与者提供具体的活动事件和凭据并归纳为会计事项，通过会计专业人员完成会计分录的编制工作，然后在会计电算化系统中完成记账凭证、期间会计科目汇总和财务报表生成等工作，其中理解会计事项与编制会计分录的工作依靠会计专业人员来完成。

在本文提出的端到端账务智能处理框架中，从会计事项端到会计分录端的机器理解和编制过程均在会计机器代理处完成，企业各部门向会计机器代理提供归纳后的日常经济交易业务即会计事项，会计专业人员根据机器代理提供的会计事项编制正确的会计分录并输入给机器代理。会计机器代理根据会计人员反馈的会计事项与分录进行理解和学习编制会计分录。在会计专业人员的指导和会计机器代理的学习下，机器代理完成会计专业知识的积累，掌握理解会计事项和正确编制对应会计分录的能力。在会计机器代理完成会计分录的编制后，将具有会计事项、记账方向、会计科目与金额的结构化会计分录数据转接给企业会计电算化系统进行收录记账，由会计电算化系统完成随后的记账凭证、科目汇总和财务报表等会计信息传输工作。

在会计机器代理的结构中，机器需要理解以自然语言为形式的会计事项并学习掌握正确编制会计分录的能力。如何实现会计事项机器理解和会计分录机器编制是会计机器代理实现账务智能处理的核心问题。

具体地，在会计机器代理实现账务智能处理的过程中，机器代理首先理解以自然语言为形式的会计事项，认知与学习会计事项的语义信息和语法结构，识别企业经济活动中变动的事件、资源和对应金额的关联关系。在理解会计事项的基础上，会计机器代理继续学习会计专业人员所编制的会计分录并尝试自己编制。在编制过程中，会计机器代理将自己的编制结果与会计专业人员编制的正确结果进行比对，随后记忆和更正错误并多次重复此过程，最终完成理解企业会计事项、学习会计专业人员会计知识和智能编制会计分录，实现账务的智能处理。

3.1 会计事项的机器理解

会计分录的编制起始于会计事项的理解。机器与人不同，实现智能会计机器代理需要首先解决以下两个问题：如何将以自然语言为表现形式的会计事项转化为机器可理解的类型;如何使机器认知会计事项中自然语言的关联关系。

因此，可采用一种考虑连续关联词组的会计事项词向量空间嵌入方法[6]，该方法首先将会计事项的词随机散布到一定维度的向量空间中，完成会计事项的初步向量表示;利用关联词组向量，通过神经网络预测目标词向量的方式使机器在这一过程中学习会计事项的词关联关系，进而完成语义的理解。

具体地，对于一个给定的会计事项，有其分词且向量化后的词向量有序组合Event= {wo，wl，…，wi-1，wi，wi+1，"'Wn}，Wevent表示会计事项的词向量集合，wi为会计事项中的第i个词。对于关联词组ContexF{wi-k，…，wi-1，wi+1，…，Wi+k}，有神經网络的输入层与之对应，对于每一个关联词组词向量均有对应的神经网络节点使之输入。对于目标词Target=wi，有输出层与之对应，由神经网络的输入层、隐藏层和输出层对其进行预测。该方法的目标函数可表示为：

其中，T表示关联词组和目标词对的总数，即T=∑rFlpair， （Context，Target），t表示第t个关联词组与目标词对。该目标函数的函数值为对于所有的关联词组和目标词对下以关联词组词向量为条件的目标词预测的联合概率密度最大值。通过此目标函数，可将词向量关联问题转化为该目标函数的最大值求解问题。

3.2 会计分录的机器编制

账务处理的核心在于编制会计分录。如何让机器学习会计分录编制过程中的会计知识从而具有会计领域账务处理层面的智能，是实现会计分录机器编制的关键。

因此，为解决账务处理中的会计分录机器编制问题，可建立一种编码和解码机制的会计分录编制方法，将会计事项的词空间进行编码作为输入，针对会计事项词空间的词序列性质建立具有记忆的循环神经网络，通过该循环神经网络将生成的会计分录进行解码作为输出，最终实现会计分录的机器编制。

具体地，在分录的编制过程中机器代理在会计事项理解的基础上生成会计分录。其中会计事项和会计分录均可看作为由词组成的序列数据，因此可将会计事项的词向量序列作为输入并利用一层循环神经网络进行编码，实现可变长度的会计事项及对应可变维度向量空间到固定维度参数向量空间的映射，从而确定神经网络的参数向量维度。在此基础上，通过另一层循环神经网络进行解码，实现固定维度参数向量空间到会计分录词向量序列的映射，完成会计分录的机器编制。该方法的目标函数可表示为：

其中，O表示以会计事项及分录序列数据（输入）和会计分录序列数据（输出）对pair（Xn，Yn）为训练集合的模型参数集合，N表示输入和输出对的总数。该目标函数的函数值表示以会计事项词向量序列数据为条件的会计分录词序列的联合概率密度最大值。通过该目标函数，可将会计分录的编制问题转化为此目标函数的最大值求解问题。

通过会计事项的机器理解方法，会计事项完成了从自然语言文本到具有内生关联的向量空间的映射，从而使会计事项能够被机器所认知和处理。通过会计分录的机器编制方法，会计机器代理完成了机器学习会计专业人员编制会计分录的过程并逐渐具备了一定程度会计智能，账务智能处理得以实现。

4 结语

在信息化与大数据时代，企业产品或服务快速更迭、经营业务频繁发生且种类繁多、关联业务频繁复杂成为了常态，会计在承担企业核心的核算责任的同时直接承受了经济活动剧增所带来的账务处理压力。同时，企业也更需要会计参与管理，发挥帮助企业管理具体经济活动的连接作用。但在实际工作中，会计人员无法从现有会计电算化系统中获取有效帮助。面对企业频发和复杂的经济活动，如何将会计从传统、基本且重要的账务处理工作中解脱出来，寻找一个可替代的人员或方法完成同样的账户处理工作成为企业面临的一个实际问题。

基于此，本文提出了一种上游承接企业部门经济活动账务处理，下游转接通用会計电算化系统收录记账，从理解会计事项到编制会计分录的端到端账务智能处理框架。在框架中，会计机器代理能够认知企业的经济活动，学习会计专业人员的会计知识，具体完成会计事项理解和编制会计分录的工作。本文的账务智能处理框架实现了账务处理从归纳企业会计事项、完成分录编制到收录记账和报表生成的全自动化过程，为账务处理提供了新的系统框架，推动企业账务处理朝智能化方向发展。

参考文献

[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，黄容，面向小企业的智能会计信息系统研究 兼论会计智能化[J].中国管理信息化，2016，19 （21）：49-53.

[4]吴龙庭，肖聪，基于自然语言的会计事项智能判断方法研究[J].财会通讯，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.