一种基于纳税人年报的纳税人税务交易行为识别方法

摘要

一种基于纳税人年报的纳税人税务交易行为识别方法，利用领域知识构建纳税人税务交易行为核心触发词库，对税务数据进行逐句分析，并根据核心触发词库对税务数据进行过滤，对待处理的句子进行分词、词性标注、句法分析等操作构建特征向量。最后，采用多元分类和条件随机场等方法抽取出与税务相关的收购、重组、变更、经营四种典型交易行为。本发明的贡献在于为税务数据构建触发词库并提供触发词的自动识别功能,利用机器学的方法从税务数据中抽取纳税人的交易行为，为纳税人的缴税内容提供参考。

主权项

一种基于纳税人年报的纳税人税务交易行为识别方法，其特征在于，包括以下步骤：1)税务领域触发词表的构建：1.1)抽取纳税人年报训练文档的数据中所有句子作为触发词构建的输入数据；1.2)利用谓语‐论元模型解析输入数据中所有句子以抽取所有句子中的主谓关系二元组SBV(V_sbv,sub)和动宾关系二元组VOB(V_vob,obj)，当主谓关系二元组SBV(V_sbv,sub)中的动词V_sbv和动宾关系二元组VOB(V_vob,obj)中的动词V_vob相同时，抽取主谓关系二元组SBV(V_sbv,sub)中的动词V_sbv作为候选触发词并生成候选触发词集合；其中，sub为主语，obj为宾语；1.3)使用最大熵模型ME将候选触发词集合中的选触发词的词性分为8类，分别是系动词VX、助动词VZ、形式动词VF、趋向动词VQ、补动动词VB、一般动词VG、名动词VN以及副动词VD，然后滤除系动词VX、助动词VZ、形式动词VF、趋向动词VQ、补动动词VB以及副动词VD，形成由一般动词VG和名动词VN作为候选触发词的过滤后候选触发词集合；1.4)根据过滤后候选触发词集合中候选触发词在税务领域术语库和纳税人年报训练文档中的分布情况计算过滤后候选触发词集合中所有的候选触发词与税务领域的相关度，其计算公式为：rel(v)＝Freq_s(v)/Freq_a(v)其中，rel(v)是候选触发词v与税务领域相关度值，Freq_s(v)是候选触发词v出现在税务领域术语库中的频率，Freq_a(v)是候选触发词v出现在纳税人年报训练文档中的频率；1.5)根据rel(v)的大小对过滤后候选触发词集合中所有候选触发词进行排序，选取前100个rel(v)所对应的候选触发词以形成税务领域触发词表；2)触发词检测：2.1)对纳税人年报训练文档中触发词所在的句子进行人工标注，以标注出所在句子中的触发词以及出现的位置；然后对触发词所在的句子进行分词以及词性标注，判断分词结果与人工标注的触发词的词性是否一致，将不一致的触发词的词性人工标注情况进行记录以生成分词勘误表；2.2)对待检测的纳税人年报中所有交易行为描述句进行分词；将所有交易行为描述句的分词结果与税务领域触发词表中的候选触发词进行匹配；匹配成功时，抽取税务领域触发词表中的候选触发词作为已知触发词，并同时得到其对应的候选交易行为描述句；匹配不成功时，对税务领域触发词表中的候选触发词不做任何处理；2.3)对待检测的纳税人年报中所有交易行为描述句的分词结果使用分词勘误表进行更新，并使用税务领域触发词表中的候选触发词与更新后的每个交易行为描述句的分词结果分别进行匹配，匹配成功时，抽取税务领域触发词表中的候选触发词作为已知触发词，并同时得到其对应的候选交易行为描述句；匹配不成功时，对税务领域触发词表中的候选触发词不做任何处理；2.4)计算税务领域触发词表中未被抽取的候选触发词v1与已知触发词v2的相似度trSim(v1,v2)，相似度计算公式为：trSim(v1,v2)＝constructSim(v1,v2)×wordSim(v1,v2)其中，constructSim(v1,v2)表示未知触发词与已知触发词的构词结构相似度，wordSim(v1,v2)表示未知触发词与已知触发词基于《知网》的语义相似度；当时，抽取税务领域触发词表中未被抽取的候选触发词v1作为未知触发词，并同时得到其对应的候选交易行为描述句，其中，triggerTable为税务领域触发词表，triggerTable.size为税务领域触发词表的大小，α为调节因子；2.5)依据向量空间模型VSM，使用词法特征和上下文特征，将已知触发词和未知触发词对应的候选交易行为描述句转换为对应的候选交易行为向量；将该候选交易行为向量映射到特征空间并使用svm开源工具liblinear识别交易行为的触发词trigger以及对应的交易行为描述句；3)交易行为句信息识别：3.1)根据向量空间模型VSM，使用词法特征和上下文特征，将候选交易行为描述句转换为对应的候选交易行为向量；将该候选交易行为向量映射到特征空间并使用svm开源工具liblinear识别交易行为的类别type；3.2)根据交易行为的触发词trigger对应的交易行为描述句的依存关系，使用句子的词性、依存树标签、依存树中主谓特征将候选交易行为描述句转化为多行的特征字符串，使用条件随机场CRF++标注候选交易行为描述句的各字标签，从而完成交易行为描述句的交易行为元素{subject,object,time,place}的识别；4)将识别的交易行为的触发词trigger、交易行为的类别type以及交易行为元素{subject,object,time,place}作为纳税人收购、重组、交易、经营四种典型交易行为的结构化六元组信息用以判断纳税人税务交易行为。