本发明涉及财务管理领域，具体是指一种基于深度学习的企业财务管理辅助方法及系统。
背景技术：
1、企业财务管理是企业管理的重要组成部分，着重于有效管理、分配和利用财务资源，促进企业实现财务目标和长期发展战略，其核心在于资金的合理运用、风险的有效控制、财务信息的准确披露和决策的科学支持，企业管理提供了一个有效的框架，帮助企业规划和实施财务策略，确保企业在激烈竞争中稳健运营，实现可持续发展。
2、然而，在企业信用风险管理中，传统方法存在面对快速变化的市场环境时，忽视提供动态经营状况演变趋势的顺序特征，无法多维度、全面理解企业信用风险，导致难以发现潜在风险因素和变化趋势、信用风险评估缺乏深度和精度的技术问题；传统的企业信用风险管理方法存在面对具有高维、稀疏、高干扰特点的财务序列数据时，难以提取数据中的关键信息、复杂关系和语义，无法深入挖掘、理解数据中的信息和潜在规律的技术问题；企业信用风险管理的传统方法存在面对大规模、高维度、具有复杂非线性交互关系的财务数据时，难以捕捉数据中的复杂关联和非线性特征，无法充分发挥非顺序特征的信息价值，对企业信用风险的评估不够准确和全面的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于深度学习的企业财务管理辅助方法及系统，针对传统方法存在面对快速变化的市场环境时，忽视提供动态经营状况演变趋势的顺序特征，无法多维度、全面理解企业信用风险，导致难以发现潜在风险因素和变化趋势、信用风险评估缺乏深度和精度的技术问题，本方案创造性地采用了综合考虑顺序特征和非顺序特征的方法，充分考量动态企业经营演变趋势以及静态企业描述，全面且深入地理解企业信用风险状况，提升了企业信用风险管理的精度和效果；针对传统的企业信用风险管理方法存在面对具有高维、稀疏、高干扰特点的财务序列数据时，难以提取数据中的关键信息、复杂关系和语义，无法深入挖掘、理解数据中的信息和潜在规律的技术问题，本方案创造性地采用了转换财务序列数据为文档向量，并使用变压器模型处理的方法，能够将财务序列数据转化为机器可理解的形式，充分利用自然语言处理技术提取数据中的关键信息和复杂语义，捕捉财务序列数据中的复杂关系和趋势，从而更准确地评估信用风险；针对企业信用风险管理的传统方法存在面对大规模、高维度、具有复杂非线性交互关系的财务数据时，难以捕捉数据中的复杂关联和非线性特征，无法充分发挥非顺序特征的信息价值，对企业信用风险的评估不够准确和全面的技术问题，本方案创造性地采用了结合因子分解机和深度神经网络的方法处理非顺序特征，能够有效地捕获特征之间的高阶交互关系，理解复杂的非线性特征映射，更好地拟合高维、大规模的数据，提高了对非顺序特征的抽象能力和学习效果。
2、本发明采取的技术方案如下：本发明提供的一种基于深度学习的企业财务管理辅助方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：信用风险顺序特征处理；
6、步骤s4：信用风险非顺序特征处理；
7、步骤s5：辅助企业财务管理。
8、进一步地，在步骤s1中，所述数据采集，用于采集企业财务管理所需的原始财务数据，具体为从财务信息系统中，通过数据采集，得到企业财务原始数据集；
9、所述企业财务原始数据集，具体包括用户基本信息、三方信用报告和信用行为数据；
10、所述用户基本信息具体包括用户年龄、用户性别、用户住址、用户受教育程度和用户收入，所述三方信用报告具体包括信用查询记录和账户类型记录，所述信用行为数据具体包括用户限制使用率、还款金额、借款金额、距离最近逾期日期的天数。
11、进一步地，在步骤s2中，所述数据预处理，用于对原始财务数据进行数据预处理，具体包括以下步骤：
12、步骤s21：缺失值处理，用于补完缺失数据，具体为通过多元插补链式方程模型对所述企业财务原始数据集进行缺失值处理，得到企业财务补完数据集；
13、步骤s22：特征提取，用于提取与企业财务风险管理相关的数据特征，具体为采用卷积神经网络对所述企业财务补完数据集进行特征提取，得到企业财务特征数据集；
14、步骤s23：数据集划分：用于进行数据划分，具体为对企业财务特征数据集进行数据划分，得到信用风险顺序特征集和信用风险非顺序特征集；
15、所述信用风险顺序特征集，具体为有特定的顺序和时间维度的时间序列特征，所述信用风险非顺序特征集，具体为无特定的顺序和时间维度的非时间序列特征；
16、步骤s24：数据预处理，具体为通过所述缺失值处理、所述特征提取和所述数据集划分对所述企业财务原始数据集进行数据预处理，得到所述信用风险顺序特征集和所述信用风险非顺序特征集。
17、进一步地，在步骤s3中，所述信用风险顺序特征处理，用于基于顺序特征进行信用风险管理，具体为采用变压器模型对信用风险顺序特征集进行处理，得到顺序特征信用风险管理数据；
18、所述信用风险顺序特征处理，具体包括以下步骤：
19、步骤s31：构造财务信用行为轨迹，用于表示收集到的结构化数据序列，所用公式如下：
20、；
21、式中，表示财务信用行为轨迹，d表示不随所述财务信用行为轨迹变化的非顺序特征，表示由时间点tp的结构化数据矩阵组成的序列，ch表示数据源的总数，di表示结构化数据的维度，seq表示来自数据源的包含顺序特征的序列；
22、步骤s32：构造增广序列，用于构造扩充的包含顺序特征的序列，具体为将特征分类器标记连接到所述来自数据源的包含顺序特征的序列seq的每个特征的开头，得到增广序列；
23、所述构造增广序列，所用公式如下：
24、；
25、式中，表示向量连接函数，表示增广序列，表示特征分类器标记；
26、步骤s33：构造文档向量，具体为将片段摘要分类器标记与所述增广序列连接起来，得到文档向量；
27、所述构造文档向量，所用公式如下：
28、；
29、式中，表示文档向量，表示片段摘要分类器标记；
30、步骤s34：变压器模型处理，所用公式如下：
31、；
32、式中，表示所述数据源经过变压器模型处理后的结果，表示relu激活函数，表示dropout正则化输出函数，表示变压器模型输出函数，表示对变压器模型输出进行向量切片处理；
33、步骤s35：数据聚合，用于聚合每个数据源经过变压器处理后的结果聚合，具体为通过向量连接操作，连接每个数据源经过变压器处理后的结果，得到所述顺序特征信用风险管理数据；
34、所述数据聚合，所用公式如下：
35、；
36、式中，表示顺序特征信用风险管理数据，表示第一个数据源经过变压器模型处理后的结果，表示第二个数据源经过变压器模型处理后的结果，表示第ch个数据源经过变压器模型处理后的结果。
37、进一步地，在步骤s4中，所述信用风险非顺序特征处理，用于基于非顺序特征进行信用风险管理，具体为采用因子分解机和深度神经网络对信用风险非顺序特征集进行处理，得到非顺序特征信用风险管理数据；
38、所述信用风险非顺序特征处理，具体包括以下步骤：
39、步骤s41：构建因子分解机模块，步骤包括：
40、步骤s411：构建一阶交互子模块，用于捕获特征之间的线性相互作用，所用公式如下：
41、；
42、式中，表示一阶交互的输出，l表示非顺序特征的总数，表示第l个非顺序特征，表示第l个非顺序特征通过嵌入层获得的嵌入向量；
43、步骤s412：构建二阶交互子模块，用于捕获特征之间的非线性相互作用，所用公式如下：
44、；
45、式中，表示二阶交互的输出，表示第l个非顺序特征通过嵌入层获得的嵌入向量的第k个维度，k表示嵌入向量的维度总数；
46、步骤s42：构建深度神经网络模块，所用公式如下：
47、；
48、式中，表示深度神经网络的输出，表示深度神经网络输出函数，表示展平为一维操作函数；
49、步骤s43：构建输出连接模块，用于连接因子分解机模块的输出和深度神经网络模块的输出，具体为采用向量连接操作连接所述因子分解机模块的输出和所述深度神经网络模块的输出，并经过多层感知机处理，得到非顺序特征信用风险管理数据；
50、所述构建输出连接模块，所用公式如下：
51、；
52、式中，表示非顺序特征信用风险管理数据，表示多层感知机输出函数，表示线性变换权重矩阵，表示用于调整线性变换的结果的偏置项。
53、进一步地，在步骤s5中，所述辅助企业财务管理，用于整合顺序特征管理数据和非顺序特征管理数据辅助进行企业财务管理，具体为采用向量连接操作连接所述顺序特征信用风险管理数据和所述非顺序特征信用风险管理数据，得到综合企业信用风险管理数据，并基于综合企业信用风险管理数据分析企业信用风险，辅助进行企业财务管理；
54、所述辅助企业财务管理，所用公式如下：
55、；
56、式中，表示综合企业信用风险管理数据。
57、本发明提供的一种基于深度学习的企业财务管理辅助系统，包括数据采集模块、数据预处理模块、信用风险顺序特征处理模块、信用风险非顺序特征处理模块和辅助企业财务管理模块；
58、所述数据采集模块，用于数据采集，通过数据采集，得到企业财务原始数据集，并将所述企业财务原始数据集发送至数据预处理模块；
59、所述数据预处理模块，用于数据预处理，通过数据预处理，得到信用风险顺序特征集和信用风险非顺序特征集，并将所述信用风险顺序特征集发送至信用风险顺序特征处理模块，将所述信用风险非顺序特征集发送至信用风险非顺序特征处理模块；
60、所述信用风险顺序特征处理模块，用于处理信用风险顺序特征，通过处理信用风险顺序特征，得到顺序特征信用风险管理数据，并将所述顺序特征信用风险管理数据发送至辅助企业财务管理模块；
61、所述信用风险非顺序特征处理模块，用于处理信用风险非顺序特征，通过处理信用风险非顺序特征，得到非顺序特征信用风险管理数据，并将所述非顺序特征信用风险管理数据发送至辅助企业财务管理模块；
62、所述辅助企业财务管理模块，用于辅助进行企业财务管理，通过综合处理顺序特征信用风险管理数据和非顺序特征信用风险管理数据，得到综合企业信用风险管理数据，辅助进行企业财务管理。
63、采用上述方案本发明取得的有益效果如下：
64、（1）针对传统方法存在面对快速变化的市场环境时，忽视提供动态经营状况演变趋势的顺序特征，无法多维度、全面理解企业信用风险，导致难以发现潜在风险因素和变化趋势、信用风险评估缺乏深度和精度的技术问题，本方案创造性地采用了综合考虑顺序特征和非顺序特征的方法，充分考量动态企业经营演变趋势以及静态企业描述，全面且深入地理解企业信用风险状况，提升了企业信用风险管理的精度和效果；
65、（2）针对传统的企业信用风险管理方法存在面对具有高维、稀疏、高干扰特点的财务序列数据时，难以提取数据中的关键信息、复杂关系和语义，无法深入挖掘、理解数据中的信息和潜在规律的技术问题，本方案创造性地采用了转换财务序列数据为文档向量，并使用变压器模型处理的方法，能够将财务序列数据转化为机器可理解的形式，充分利用自然语言处理技术提取数据中的关键信息和复杂语义，捕捉财务序列数据中的复杂关系和趋势，从而更准确地评估信用风险；
66、（3）针对企业信用风险管理的传统方法存在面对大规模、高维度、具有复杂非线性交互关系的财务数据时，难以捕捉数据中的复杂关联和非线性特征，无法充分发挥非顺序特征的信息价值，对企业信用风险的评估不够准确和全面的技术问题，本方案创造性地采用了结合因子分解机和深度神经网络的方法处理非顺序特征，能够有效地捕获特征之间的高阶交互关系，理解复杂的非线性特征映射，更好地拟合高维、大规模的数据，提高了对非顺序特征的抽象能力和学习效果。
1.一种基于深度学习的企业财务管理辅助方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的企业财务管理辅助方法，其特征在于：在步骤s2中，所述数据预处理，具体包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的企业财务管理辅助方法，其特征在于：在步骤s3中，所述信用风险顺序特征处理，包括以下步骤：
4.根据权利要求3所述的一种基于深度学习的企业财务管理辅助方法，其特征在于：在步骤s31中，所述构造财务信用行为轨迹，用于表示收集到的结构化数据序列，所用公式如下：
5.根据权利要求1所述的一种基于深度学习的企业财务管理辅助方法，其特征在于：在步骤s4中，所述信用风险非顺序特征处理，具体包括以下步骤：
6.根据权利要求1所述的一种基于深度学习的企业财务管理辅助方法，其特征在于：在步骤s5中，所述辅助企业财务管理，所用公式如下：
7.一种基于深度学习的企业财务管理辅助系统，用于实现如权利要求1-6中任一项所述的一种基于深度学习的企业财务管理辅助方法，其特征在于：包括数据采集模块、数据预处理模块、信用风险顺序特征处理模块、信用风险非顺序特征处理模块和辅助企业财务管理模块。
8.根据权利要求7所述的一种基于深度学习的企业财务管理辅助系统，其特征在于：所述数据采集模块，用于数据采集，通过数据采集，得到企业财务原始数据集，并将所述企业财务原始数据集发送至数据预处理模块；
