科学网—JFDS┃通过Graph Representation Learning优化银行对账流程，提升记账员决策力
精选
已有 126 次阅读
2025-11-27 15:34
| 系统分类: 科研笔记
研究人员开发了一款以图表为基础的专业系统，该系统可提高银行自动化对账的准确性及预测的稳定性。该系统的图表模型是以历史交易数据为基础，且适应复杂的“一对多”匹配场景，现有工具对这类场景的预测通常缺乏准确性。研究结果表明，该系统可为金融、会计等高风险领域提供更可靠的自动化解决方案。
--------------
银行对账是维护企业财务健康的重要环节，需由记账员将银行对账单的入账明细与发票进行匹配。对于需处理数千条记录的大型企业而言，这项工作既耗时又繁琐，因此许多企业会依赖自动化工具——这类工具会根据算法推荐“可能”匹配的项目，供记账员确认。现有工具在处理简单的“一对一”匹配时效果尚可，但当单笔付款需与多张发票对账（即“一对多”匹配）时，其表现往往不佳。
一组澳大利亚研究人员对Graph Representation Learning方法进行测试，以确认其能否在上述应用场景中提高推荐(匹配)的准确性。
该研究的主要作者Justin Munoz表示：“该项系统不需要孤立地对每笔交易进行建模，而是通过一个整体记账网络。在这个网络中，每条历史记录及其对账信息分别以图谱中的‘节点’和‘边’来表示。新记录可被添加到该图谱中，并转换为数值表示（即‘嵌入向量’），再输入下游Machine Learning模型。该模型会评估任意两组记录匹配的可能性。”
研究团队使用这种图表方式对三年的真实记账数据进行了训练和评估。结果显示，该方法显著提高了匹配准确性，性能优于行业标准工具，尤其在“一对多”匹配场景中的提升最为显著。研究人员认为，准确性的提升得益于更高质量的嵌入向量——这类向量既捕捉了总账图谱的结构特征，又包含了交易中的上下文信息。
此外，研究团队发现，与谷歌的BERT（一种广泛使用的语言模型）等非图嵌入方法相比，以图表为基础的模型其预测不稳定性*会低很多。
*预测不稳定性:指模型经多次重新训练后，其性能出现的波动。如图所示，性能最佳的模型集中在“高准确性、低预测不稳定性”的左上角区域。*
Munoz补充道：“对于金融、会计等高风险领域，稳定性与准确性同样重要。我们的研究在技术层面为会计行业提供了一个有价值的策略，也为记账员的日常工作提供可靠支持，同时提升记账系统的可信度与可靠性。”
文章现已发表在期刊 The Journal of Finance and Data Science 上，欢迎有兴趣的读者及领域内学者阅读、下载：
期刊简介 Journal of Finance and Data Science
The Journal of Finance and Data Science 旨在成为金融和数据科学交叉领域研究的前沿期刊。
期刊主编由美国宾州州立大学的黄京志教授担任。编委成员包括来自世界各地金融、经济、数学、统计及计算机领域的著名学者及业界人士，包括两位诺贝尔经济学奖获得者Lars Peter Hansen和Robert J. Shiller。
目前，期刊已被ESCI、DOAJ、Scopus、ProQuest、EBSCO Essentials、EBSCOhost、The Journal Whitelist (Cabells)等数据库收录。
转载本文请联系原作者获取授权，同时请注明本文来自科爱KeAi科学网博客。 链接地址： https://blog.sciencenet.cn/blog-3496796-1512004.html
上一篇： BMT新文11║无线磁电刺激技术助力骨折修复 下一篇： JOBB高引用文章┃卡方自动交互作用检测（CHAID）分析：安全护目镜与面罩作为个人防护装备（PPE）在防范职业生物危害