[发明专利]发票类别识别方法、装置、电子设备及可读存储介质

说明书

本发明实施例提供了一种发票类别识别方法、装置、电子设备及可读存储介质，应用于数据挖掘技术领域，所述方法包括：获取用户输入的针对待识别发票的发票信息，根据发票信息中的关键词以及预先获取的发票样本训练集，确定待识别发票所属的发票编码集合；针对发票编码集合中的每个发票编码，根据关键词以及发票样本训练集，通过朴素贝叶斯算法，计算待识别发票属于该发票编码的后验概率值；将最大后验概率值对应的发票编码作为待识别发票的发票编码。与现有技术相比，本发明可以提高发票类别识别的效率。

技术领域

本发明涉及数据挖掘技术领域，特别是涉及一种发票类别识别方法、装置、电子设备及可读存储介质。

背景技术

近年来，随着我国经济的快速发展，税务票据中商品的种类和数量呈逐年增多的趋势。为加快税收现代化建设，方便纳税人便捷、规范开具增值税发票，有利于税务机关加强增值税征收管理。税务总局编写了《商品和服务税收分类与编码(试行)》，并在增值税发票系统升级版中增加了编码相关功能。自2018年1月1日起，纳税人通过增值税发票管理新系统开具增值税发票(包括：增值税专用发票、增值税普通发票、增值税电子普通发票)时，商品和服务税收分类编码对应的简称会自动显示并打印在发票票面“货物或应税劳务、服务名称”或“项目”栏次中，编码简称需要按照颁布的《商品和服务税收分类编码表》。

早期的增值税发票商品和服务名称五花八门，同一个货物名称在不同的地区会被称之为不同的名称，并没有一个全国统一的标准，现在有了国家颁布的税收分类编码，每一个商品或者服务可以依据商品和服务税收分类编码表对应到唯一编码，具有很高的通用性，也便于标识商品和服务。商品和服务税收分类编码分成了6个大类，分别是货物、劳务、销售服务、无形资产、不动产和未发生销售行为的不征税项目。每个大类下面又有数量不等的小类别，整体的编码表呈现树结构，总共4226个编码类别。编码是以19位的数字串表示，结构简化如图1所示，需要说明的是，图1中括号内为商品和服务税收分类编码，为了表示方便，仅保留到字符串最后一个非0数字，省略了后面的0。

由于商品与服务税收分类编码中的税收分类编码总数超过了4000个，税务开票系统如果对这些大量的票据中的商品分类进行手工处理，不仅会消耗大量的人力物力，而且工作效率低下。故实现商品编码分类的自动化处理，将其准确分类到对应的类别中是一个十分有意义的任务，对单一的重复劳动有很大的实用价值。如果对票据中商品的分类识别率较低，会因为不同的商品类别对应的税率不同而带来业务风险，同时增加后续手工处理的工作量。因此，商品编码推荐系统需要具备高准确率抗干扰性以及实时性，才能保证其识别结果的可靠性。相关技术中，可以通过关键字检索确定发票类别，例如，某品牌手机，可以输入手机作为关键词进行检索，根据检索出来的相关类别集合再选取合适的类别。可见，该方法依旧需要人为的从商品和服务名称中摘取关键词，同时关键词并不能涵盖整个商品和服务名称的信息，具有一定的局限性。因此，现有方法对发票类别的识别效率比较低。

发明内容

本发明实施例的目的在于提供一种发票类别识别方法、装置、电子设备及可读存储介质，以提高发票类别识别的效率。具体技术方案如下：

本发明实施例提供了一种发票类别识别方法，所述方法包括：

获取用户输入的针对待识别发票的发票信息，根据所述发票信息中的关键词以及预先获取的发票样本训练集，确定所述待识别发票所属的发票编码集合；

针对所述发票编码集合中的每个发票编码，根据所述关键词以及发票样本训练集，通过朴素贝叶斯算法，计算所述待识别发票属于该发票编码的后验概率值；

将最大后验概率值对应的发票编码作为所述待识别发票的发票编码。

可选的，本发明实施例的发票类别识别方法，还包括：

在接收到多个待识别发票的关键信息时，通过Nginx将多个待识别发票的关键信息分发至多个服务器，通过所述多个服务器对所述多个待识别发票进行发票类别识别。