|
1.业务目标 一家企业的进项和销项是直接反应其经营性质最为显著的特征之一，同样性质的企业，其进销内容应该存在一定的相似。比如同样是服装企业，它们的进项大部分都是布匹、纽扣、拉链等，而销项则是衣服、箱包等。通过进项和销项的比对，可以在一定程度上反映两家企业是否相似。 所谓近朱者赤近墨者黑，如果我们已经锁定一批高风险企业，甚至是已经定性为虚开企业的黑名单。再以它们为基点，挖掘与它们相似度比较高的其它企业，不难想象，这些相似度高的企业，很有可能同样值得我们给予更加密切的关注，顺藤摸瓜的挖掘更多问题企业。 例如下图就是对黑名单企业A进行进销相似度分析、相似企业对比分析，找出嫌疑企业B、C、D…的效果示例： 进销相似度分析 相似企业对比分析 2.算法目标 在“互联网+税务”时代，可运用机器学习算法，利用纳税人进销发票数据，建立纳税人之间的相似度模型。从纳税人进销数据的角度，分析它们之间的关系。让更多潜在的风险纳税人暴露在我们的监控之下。 3.数据特征 这是一个无监督学习的算法模型，既然通过进销数据来评估相似度，那模型需要的数据自然就是纳税人的进项和销项发票数据，因为发票数据最能真实的反映一家企业的经营细节。 但是发票的内容是纯文本的信息，而且纳税人填写的发票文本信息非常复杂和多样化，以某省为例，截至到2019年4月份，全省纳税人填写的发票内容去重后还有4个多亿，无法直接使用，所以第一步就需要通过商品归集算法对发票进行分类（详见《机器学习算法在发票商品名称归集中的应用》）。 4.算法模型 关于相似度的统计指标有很多，它们各有各的优缺点，总体来说，可以分成3种不同的类别。
经过多次尝试验证，最后我们选用了闵科夫斯基距离，余弦相似度这两个的综合结果，作为企业间的相似度衡量指标。 TIPS：闵科夫斯基距离 闵科夫斯基距离（Minkowski distance），指在m维空间中两个点之间的超距离，或者向量在超立体空间上的距离。 TIPS：余弦相似度 又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值，绘制到向量空间中，如最常见的二维空间。 如果仅仅是计算两个企业的相似度，用这两个指标就可以了。但我们的目标是找到与某个企业相似度高的若干个企业，比如Top 100。这样的话，我们需要把这家企业和其他所有企业作比较，然后挑前100个出来。如果全省所有企业都需要找Top 100的话，那我们则需要将全省700万企业纳税人两两相交（笛卡儿积），这是一个相当惊人的计算量。所以我们必须要想法优化算法，降低计算量。 TIPS：标签传播 从已标记节点的标签信息来预测未标记节点的标签信息，利用样本间的关系，建立完全图模型。在节点传播的每一步，每个节点根据相邻节点的标签来更新自己的标签。 标签传播是半监督学习算法模型，对于我们的无监督模型不能完全适用，所以我们必须要经过一定的修正调整，将其变成适合我们的实际情况。 5.结果验证 经过多次迭代调试，随着模型的调整优化，最终结果确实能挖掘出进销非常类似的企业，如下表，相似系数大于0.7的企业之间，它们的进项和销项都是比较类似的货物，而且它们的金额也在同一个数量级别，不同货物之间的金额比例也大致接近。 6.算法价值 目前该算法及配套的软件功能进行产品化封装，可以基于阿里云大数据、Hadoop大数据平台环境进行快速部署与发布。在税务数据分析的工作中，可以根据纳税人之间的相似系数，挖掘经营雷同的企业，以点带面，扩展分析范围，挖掘更多有价值的信息。
北京华云慧通科技有限公司是领先的专注于云计算、大数据的新型高科技公司，以咨询规划、业务上云、数据采集、数据治理、数据智能五大核心能力，致力于为政务、行业、企业提供云计算、大数据、应用上云、数据上云、智能应用等整体解决方案。 |
|
|
