本發(fā)明涉及稅務(wù)風險預(yù)測方法，更具體地說是指企業(yè)稅務(wù)風險預(yù)測方法、裝置、計算機設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、現(xiàn)有技術(shù)在預(yù)測企業(yè)稅務(wù)風險時，主要依賴于傳統(tǒng)的財務(wù)審計和人工檢查方法。然而，這些方法存在一些顯著的缺陷，影響了風險評估的有效性和準確性，具體地，傳統(tǒng)方法通常主要依賴企業(yè)自行申報的財務(wù)數(shù)據(jù)，這些數(shù)據(jù)可能存在不準確或不完整的情況。此外，這些方法往往忽視了外部公開信息，如工商注冊數(shù)據(jù)、司法訴訟記錄和行業(yè)動態(tài)等。這種信息缺乏整合的方式導(dǎo)致風險評估時難以全面了解企業(yè)的財務(wù)狀況，從而可能導(dǎo)致風險評估結(jié)果的偏差。人工審計過程通常耗時長、成本高，難以實時監(jiān)控和評估大量企業(yè)的稅務(wù)風險。這種低效率使得審計人員難以及時發(fā)現(xiàn)潛在問題，可能導(dǎo)致在稅務(wù)風險顯現(xiàn)之前就錯過了關(guān)鍵的預(yù)警信號。傳統(tǒng)審計方法在識別非財務(wù)數(shù)據(jù)中的潛在稅務(wù)風險方面存在局限性。例如，關(guān)聯(lián)交易、企業(yè)高管的異常變動等非財務(wù)信息可能暗示著稅務(wù)風險，但傳統(tǒng)方法難以有效挖掘這些數(shù)據(jù)，從而遺漏了重要線索，影響了整體風險評估的準確性。目前的風險評估方法缺乏大數(shù)據(jù)和智能算法的有效應(yīng)用，無法實現(xiàn)從海量數(shù)據(jù)中自動提取和識別有價值的信息。這種技術(shù)上的不足限制了風險識別的能力，導(dǎo)致無法及時發(fā)現(xiàn)和應(yīng)對潛在的稅務(wù)風險。

2、綜上所述，現(xiàn)有技術(shù)在企業(yè)稅務(wù)風險預(yù)測中存在數(shù)據(jù)來源單一、效率低下、準確性不足及技術(shù)應(yīng)用缺失等問題，這些因素共同影響了風險評估的全面性和有效性。

3、因此，有必要誰一種新的方法，實現(xiàn)提高稅務(wù)風險的識別能力，提高預(yù)測準確率和全面性。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺陷，提供企業(yè)稅務(wù)風險預(yù)測方法、裝置、計算機設(shè)備及存儲介質(zhì)。

2、為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：企業(yè)稅務(wù)風險預(yù)測方法，包括：

3、獲取待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)；

4、將所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行特征工程處理，以得到處理結(jié)果；

5、將所述處理結(jié)果輸入至預(yù)測模型中進行風險值預(yù)測，以得到預(yù)測結(jié)果；

6、根據(jù)所述預(yù)測結(jié)果與設(shè)定風險閾值確定風險等級；

7、輸出所述風險等級；

8、其中，所述預(yù)測模型是通過風險樣本數(shù)據(jù)集以及非風險樣本數(shù)據(jù)集組成的全量樣本集訓(xùn)練多任務(wù)學習網(wǎng)絡(luò)所得的。

9、其進一步技術(shù)方案為：所述將所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行特征工程處理，以得到處理結(jié)果，包括：

10、對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行連續(xù)型特征woe化，以得到轉(zhuǎn)換結(jié)果；

11、對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行命名實體識別，以得到關(guān)鍵信息；

12、對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行設(shè)定規(guī)則處理，以得到加工結(jié)果；

13、將所述轉(zhuǎn)換結(jié)果、關(guān)鍵信息以及加工結(jié)果整合為處理結(jié)果。

14、其進一步技術(shù)方案為：所述對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行命名實體識別，以得到關(guān)鍵信息，包括：

15、對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)采用基于bilstm-crf的深度學習模型進行命名實體識別，以得到關(guān)鍵信息。

16、其進一步技術(shù)方案為：所述預(yù)測模型包括輸入層、特征融合層、門控網(wǎng)絡(luò)層、專家網(wǎng)絡(luò)層以及輸出層。

17、其進一步技術(shù)方案為：所述將所述處理結(jié)果輸入至預(yù)測模型中進行風險值預(yù)測，以得到預(yù)測結(jié)果，包括：

18、將所述處理結(jié)果輸入至預(yù)測模型中；

19、將所述處理結(jié)果進行融合，以得到融合結(jié)果；

20、根據(jù)所述融合結(jié)果由門控網(wǎng)絡(luò)層確定參與處理專家網(wǎng)絡(luò)層；

21、利用確定的專家網(wǎng)絡(luò)層處理所述融合結(jié)果，以確定稅務(wù)風險類型；

22、將專家網(wǎng)絡(luò)輸出的稅務(wù)風險類型整合，經(jīng)過softmax層計算得出稅務(wù)風險預(yù)測概率，以得到預(yù)測結(jié)果。

23、其進一步技術(shù)方案為：所述根據(jù)所述融合結(jié)果由門控網(wǎng)絡(luò)層確定參與處理專家網(wǎng)絡(luò)層，包括：

24、所述門控網(wǎng)絡(luò)層根據(jù)所述融合結(jié)果的特性，將任務(wù)分配給對應(yīng)的專家網(wǎng)絡(luò)層，其中，每個專家網(wǎng)絡(luò)層專注于某一類稅務(wù)風險。

25、本發(fā)明還提供了企業(yè)稅務(wù)風險預(yù)測裝置，包括：

26、數(shù)據(jù)獲取單元，用于獲取待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)；

27、特征工程處理單元，用于將所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行特征工程處理，以得到處理結(jié)果；

28、預(yù)測單元，用于將所述處理結(jié)果輸入至預(yù)測模型中進行風險值預(yù)測，以得到預(yù)測結(jié)果；

29、風險等級確定單元，用于根據(jù)所述預(yù)測結(jié)果與設(shè)定風險閾值確定風險等級；

30、輸出單元，用于輸出所述風險等級；

31、其中，所述預(yù)測模型是通過風險樣本數(shù)據(jù)集以及非風險樣本數(shù)據(jù)集組成的全量樣本集訓(xùn)練多任務(wù)學習網(wǎng)絡(luò)所得的。

32、其進一步技術(shù)方案為：所述特征工程處理單元包括：

33、轉(zhuǎn)換子單元，用于對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行連續(xù)型特征woe化，以得到轉(zhuǎn)換結(jié)果；

34、識別子單元，用于對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行命名實體識別，以得到關(guān)鍵信息；

35、加工子單元，用于對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行設(shè)定規(guī)則處理，以得到加工結(jié)果；

36、整合子單元，用于將所述轉(zhuǎn)換結(jié)果、關(guān)鍵信息以及加工結(jié)果整合為處理結(jié)果。

37、本發(fā)明還提供了一種計算機設(shè)備，所述計算機設(shè)備包括存儲器及處理器，所述存儲器上存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述的方法。

38、本發(fā)明還提供了一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的方法。

39、本發(fā)明與現(xiàn)有技術(shù)相比的有益效果是：本發(fā)明通過獲取待預(yù)測企業(yè)的稅務(wù)數(shù)據(jù)后，對其進行特征工程處理以提取關(guān)鍵特征。接著，將處理結(jié)果輸入預(yù)測模型進行風險值預(yù)測，確保模型通過全量樣本集的多任務(wù)學習網(wǎng)絡(luò)訓(xùn)練，具備更強的識別能力。根據(jù)預(yù)測結(jié)果與設(shè)定的風險閾值判斷風險等級，并最終輸出該風險等級。此過程不僅提高了稅務(wù)風險的識別能力，還增強了預(yù)測的準確性和全面性。

40、下面結(jié)合附圖和具體實施例對本發(fā)明作進一步描述。

技術(shù)特征：

1.企業(yè)稅務(wù)風險預(yù)測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的企業(yè)稅務(wù)風險預(yù)測方法，其特征在于，所述對所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行命名實體識別，以得到關(guān)鍵信息，包括：

3.根據(jù)權(quán)利要求1所述的企業(yè)稅務(wù)風險預(yù)測方法，其特征在于，所述預(yù)測模型包括輸入層、特征融合層、門控網(wǎng)絡(luò)層、專家網(wǎng)絡(luò)層以及輸出層。

4.根據(jù)權(quán)利要求3所述的企業(yè)稅務(wù)風險預(yù)測方法，其特征在于，所述將所述處理結(jié)果輸入至預(yù)測模型中進行風險值預(yù)測，以得到預(yù)測結(jié)果，包括：

5.根據(jù)權(quán)利要求4所述的企業(yè)稅務(wù)風險預(yù)測方法，其特征在于，所述根據(jù)所述融合結(jié)果由門控網(wǎng)絡(luò)層確定參與處理專家網(wǎng)絡(luò)層，包括：

6.企業(yè)稅務(wù)風險預(yù)測裝置，其特征在于，包括：

7.一種計算機設(shè)備，其特征在于，所述計算機設(shè)備包括存儲器及處理器，所述存儲器上存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至5中任一項所述的方法。

8.一種存儲介質(zhì)，其特征在于，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至5中任一項所述的方法。

技術(shù)總結(jié)
本發(fā)明公開了企業(yè)稅務(wù)風險預(yù)測方法、裝置、計算機設(shè)備及存儲介質(zhì)。所述方法包括：獲取待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)；將所述待預(yù)測企業(yè)稅務(wù)數(shù)據(jù)進行特征工程處理，以得到處理結(jié)果；將所述處理結(jié)果輸入至預(yù)測模型中進行風險值預(yù)測，以得到預(yù)測結(jié)果；根據(jù)所述預(yù)測結(jié)果與設(shè)定風險閾值確定風險等級；輸出所述風險等級；其中，所述預(yù)測模型是通過風險樣本數(shù)據(jù)集以及非風險樣本數(shù)據(jù)集組成的全量樣本集訓(xùn)練多任務(wù)學習網(wǎng)絡(luò)所得的。通過實施本發(fā)明的方法可實現(xiàn)提高稅務(wù)風險的識別能力，提高預(yù)測準確率和全面性。

技術(shù)研發(fā)人員：潘成挺,鐘紅義,張文會,張中一
受保護的技術(shù)使用者：杭州微風企科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6