知財求人 - 知財ポータルサイト「IP Force」
特開2024-151575会計データ変換装置、会計データ変換方法、学習装置、学習方法、及びプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024151575
(43)【公開日】2024-10-25
(54)【発明の名称】会計データ変換装置、会計データ変換方法、学習装置、学習方法、及びプログラム
(51)【国際特許分類】
G06Q 40/12 20230101AFI20241018BHJP
【ＦＩ】
G06Q40/12
G06Q40/12 420
【審査請求】有
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2023065035
(22)【出願日】2023-04-12
(11)【特許番号】
(45)【特許公報発行日】2023-12-05
(71)【出願人】
【識別番号】322006076
【氏名又は名称】弥生株式会社
(74)【代理人】
【識別番号】110000877
【氏名又は名称】弁理士法人ＲＹＵＫＡ国際特許事務所
(72)【発明者】
【氏名】牛尾 哲朗
(72)【発明者】
【氏名】古賀（鍋谷） 碧衣
(72)【発明者】
【氏名】土田 元
(72)【発明者】
【氏名】三部 剛義
【テーマコード（参考）】
5L040
5L055
【Ｆターム（参考）】
5L040BB00
5L040BB64
5L055BB00
5L055BB64
(57)【要約】 （修正有）
【課題】会計データ変換装置を提供する取引データに対応する会計データを生成する会計データ変換装置、会計データ変換方法、学習装置、学習方法及びプログラムを提供する。
【解決手段】会計管理システム１０において、会計データ変換装置は、ユーザ８２との取引の摘要を含む取引データを取得する取引データ取得部と、取引データに含まれる取引の摘要と、取引の主体属性及び取引属性の少なくともいずれかを含む属性データと、に基づいて、取引データに対応する勘定科目を選択する科目選択部と、科目選択部が選択した勘定科目を含む、取引データに対応する会計データを生成する会計データ生成部と、を備える。
【選択図】図１
【解決手段】会計管理システム１０において、会計データ変換装置は、ユーザ８２との取引の摘要を含む取引データを取得する取引データ取得部と、取引データに含まれる取引の摘要と、取引の主体属性及び取引属性の少なくともいずれかを含む属性データと、に基づいて、取引データに対応する勘定科目を選択する科目選択部と、科目選択部が選択した勘定科目を含む、取引データに対応する会計データを生成する会計データ生成部と、を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとに基づいて、前記取引データに対応する勘定科目を選択する科目選択部と、
前記科目選択部によって選択された前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成部と
を備える会計データ変換装置。
前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとに基づいて、前記取引データに対応する勘定科目を選択する科目選択部と、
前記科目選択部によって選択された前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成部と
を備える会計データ変換装置。
【請求項2】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを用いた機械学習によって生成された、取引の摘要と、前記属性データとを入力とし、前記取引に対応する勘定科目を出力とする学習モデルを記憶する学習モデル記憶部
を備え、
前記科目選択部は、前記取引データ取得部が取得した前記取引データに含まれる前記摘要と、前記属性データとを、前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を選択する、請求項１に記載の会計データ変換装置。
を備え、
前記科目選択部は、前記取引データ取得部が取得した前記取引データに含まれる前記摘要と、前記属性データとを、前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を選択する、請求項１に記載の会計データ変換装置。
【請求項3】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する前記学習モデルを生成する学習モデル生成部と
を更に備え、
前記学習モデル記憶部は、前記学習モデル生成部によって生成された前記学習モデルを記憶する、請求項２に記載の会計データ変換装置。
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する前記学習モデルを生成する学習モデル生成部と
を更に備え、
前記学習モデル記憶部は、前記学習モデル生成部によって生成された前記学習モデルを記憶する、請求項２に記載の会計データ変換装置。
【請求項4】
前記学習モデル生成部は、前記学習データに含まれる前記取引の摘要を用いて自然言語処理モデルのパラメータを更新した後、前記学習データに含まれる前記属性データを用いて前記自然言語処理モデルのパラメータを更新することによって、前記学習モデルを生成する、請求項３に記載の会計データ変換装置。
【請求項5】
前記科目選択部は、前記属性データに対して、前記摘要とは異なる重みを適用して前記学習モデルに入力する、請求項２に記載の会計データ変換装置。
【請求項6】
前記科目選択部は、複数種類の前記属性データと、前記複数種類の前記属性データ同士の相関関係とを、前記学習モデルに入力する、請求項２に記載の会計データ変換装置。
【請求項7】
前記主体属性は、前記取引の主体の業種、及び、前記取引の主体が個人事業主であるか法人であるかを示す事業形態識別データの少なくともいずれかを含む、請求項１から６のいずれか一項に記載の会計データ変換装置。
【請求項8】
前記取引属性は、前記取引が収入であるか支出であるかを示す収支識別データ、前記取引の金額の桁数、前記取引の発生元、及び前記取引の税区分の少なくともいずれかを含む、請求項１から６のいずれか一項に記載の会計データ変換装置。
【請求項9】
前記科目選択部は、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかにさらに基づいて、前記取引データに対応する前記勘定科目を選択する、請求項１から５のいずれか一項に記載の会計データ変換装置。
【請求項10】
コンピュータを、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとに基づいて、前記取引データに対応する勘定科目を選択する科目選択部、および
前記科目選択部によって選択された前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成部
として機能させるためのプログラム。
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとに基づいて、前記取引データに対応する勘定科目を選択する科目選択部、および
前記科目選択部によって選択された前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成部
として機能させるためのプログラム。
【請求項11】
コンピュータによって実行される会計データ変換方法であって、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとに基づいて、前記取引データに対応する勘定科目を選択する科目選択段階と、
前記科目選択段階において選択した前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成段階と
を備える会計データ変換方法。
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとに基づいて、前記取引データに対応する勘定科目を選択する科目選択段階と、
前記科目選択段階において選択した前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成段階と
を備える会計データ変換方法。
【請求項12】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備える学習装置。
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備える学習装置。
【請求項13】
コンピュータを、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
として機能させるためのプログラム。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
として機能させるためのプログラム。
【請求項14】
コンピュータによって実行される学習方法であって、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備える学習方法。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備える学習方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、会計データ変換装置、会計データ変換方法、学習装置、学習方法、及びプログラムに関する。
【背景技術】
【0002】
特許文献１には、取引の内容を表す取引データと当該取引の内容を仕訳した勘定科目を含む過去の仕訳データとを用いて、取引の内容を所定の勘定科目へ仕訳するための対応関係を表す仕訳ルールの作成を支援する仕訳ルール作成支援装置について記載されている。
［先行技術文献］
［特許文献］
［特許文献１］特開２０１９－１９１７４９号公報
［先行技術文献］
［特許文献］
［特許文献１］特開２０１９－１９１７４９号公報
【発明の概要】
【0003】
本発明の第１の態様によれば、会計データ変換装置が提供される。前記会計データ変換装置は、取引の摘要を含む取引データを取得する取引データ取得部を備えてよい。前記会計データ変換装置は、前記取引データに含まれる前記摘要と、前記取引の主体属性及び取引属性の少なくともいずれかとに基づいて、前記取引データに対応する勘定科目を選択する科目選択部を備えてよい。前記会計データ変換装置は、前記科目選択部によって選択された前記勘定科目を含む、前記取引データに対応する会計データを生成する会計データ生成部を備えてよい。
【0004】
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
【図面の簡単な説明】
【0005】
【図1】会計管理システム１０の一例を概略的に示す。
【図2】学習装置１００の機能構成の一例を概略的に示す。
【図3】学習装置１００による処理の流れの一例を概略的に示す。
【図4】学習モデル３００について概念的に説明するための説明図である。
【図5】学習モデル３００について概念的に説明するための説明図である。
【図6】段階別学習について概念的に説明するための説明図である。
【図7】会計データ変換装置２００の機能構成の一例を概略的に示す。
【図8】会計データ変換装置２００による処理の流れの一例を概略的に示す。
【図9】学習装置１００又は会計データ変換装置２００として機能するコンピュータ１２００のハードウェア構成の一例を概略的に示す。
【発明を実施するための形態】
【0006】
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
【0007】
図１は、会計管理システム１０の一例を概略的に示す。会計管理システム１０は、学習装置１００及び会計データ変換装置２００を備える。学習装置１００と会計データ変換装置２００とは、異なる装置であってよい。学習装置１００と会計データ変換装置２００とは、一つの装置によって実現されてもよい。学習装置１００は、複数の装置によって実現されてもよい。会計データ変換装置２００は、複数の装置によって実現されてもよい。
【0008】
会計管理システム１０は、業務サービス提供装置２０を更に備えてもよい。業務サービス提供装置２０は、学習装置１００及び会計データ変換装置２００とは異なる装置であってよい。業務サービス提供装置２０と学習装置１００とが、一つの装置によって実現されてもよい。業務サービス提供装置２０と会計データ変換装置２００とが、一つの装置によって実現されてもよい。業務サービス提供装置２０、学習装置１００、及び会計データ変換装置２００が一つの装置によって実現されてもよい。
【0009】
会計管理システム１０は、会計サービス提供装置３０を更に備えてもよい。会計サービス提供装置３０は、学習装置１００及び会計データ変換装置２００とは異なる装置であってよい。会計サービス提供装置３０と学習装置１００とが、一つの装置によって実現されてもよい。会計サービス提供装置３０と会計データ変換装置２００とが、一つの装置によって実現されてもよい。会計サービス提供装置３０、学習装置１００、及び会計データ変換装置２００が一つの装置によって実現されてもよい。
【0010】
学習装置１００、会計データ変換装置２００、業務サービス提供装置２０、及び会計サービス提供装置３０が一つの装置によって実現されてもよい。ここでは、学習装置１００、会計データ変換装置２００、業務サービス提供装置２０、及び会計サービス提供装置３０が異なる装置である場合を主に例に挙げる。
【0011】
学習装置１００、会計データ変換装置２００、業務サービス提供装置２０、及び会計サービス提供装置３０は、ネットワーク５０を介して通信する。ネットワーク５０は、クラウドネットワークを含んでよい。ネットワーク５０は、インターネットを含んでよい。ネットワーク５０は、移動体通信ネットワークを含んでもよい。ネットワーク５０は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の専用網を含んでもよい。学習装置１００と会計データ変換装置２００とは、ネットワーク５０を介さずに、直接通信してもよい。
【0012】
業務サービス提供装置２０は、取引の主体であるユーザ８２の取引データを管理する。ユーザ８２は、事業者である。ユーザ８２は、個人事業主であっても、法人であってもよい。
【0013】
取引データは、取引日、取引先、税区分、金額、収入であるか支出であるかを示す収支識別データ、消費税額、及び摘要を含んでよい。ユーザ８２が法人である場合、取引データは、法人におけるどの部門の取引であるかを示すデータを含んでもよい。
【0014】
業務サービス提供装置２０は、ユーザ８２の取引に関連する取引関連データを更に管理してよい。取引関連データは、例えば、取引の発生元を示す発生元データを含んでよい。取引の発生元の例として、ＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅ）システム、金融機関（名前、種類）、クレジットカード、電子マネー、及び請求書や納品書等の証憑が挙げられる。取引関連データは、例えば、取引の取込元を示す取込元データを含んでよい。取引の取込元の例として、取込元サービス、ＣＳＶ（Ｃｏｍｍａ Ｓｅｐａｒａｔｅｄ Ｖａｌｕｅｓ）、及び画像等が挙げられる。取込元サービスの例として、請求書サービス、インターネットバンキング、及びＰＯＳ等が挙げられる。取引関連データは、例えば、取引先に関連する取引先関連データを含んでよい。取引先関連データは、取引先の名称、取引先の規模、及び取引先の業種等を含んでよい。
【0015】
業務サービス提供装置２０は、ユーザ８２に関連するユーザ関連データを更に管理してよい。ユーザ関連データは、ユーザ８２自身のデータを含んでよい。ユーザ８２自身のデータの例として、名前、業種、兼業情報（不動産業を兼業しているか等）、会社形態（株式会社、合同会社、等）、個人事業主か法人かを示す事業形態識別データ、法人の場合に法人の規模（資本金、従業員数、取引先数、売上等）、課税事業者か否か、課税事業者の場合に消費税課税方式は何か、小規模企業者の特例対象か否か、会計サービスを利用しているか、会計サービスを利用している場合に、利用しているサービスの種類、業種別テンプレートの利用状況、部門毎に会計データを管理する部門の機能を利用しているか、会計サービスの使い込み度合い（取引件数、利用期間、利用頻度等）が挙げられる。ユーザ関連データは、ユーザ８２が属するグループのデータを含んでよい。ユーザ８２が属するグループのデータの例として、親会社の名前、業種、及び規模、ユーザ８２を担当する会計事務所の名前、及び規模等が挙げられる。
【0016】
業務サービス提供装置２０は、ユーザ８２の取引データに関連する取引データ関連データを更に管理してよい。取引データ関連データは、取引データの数を含んでよい。取引データ関連データは、取引データの偏りを示す偏りデータを含んでよい。
【0017】
業務サービス提供装置２０は、例えば、ユーザ８２の通信端末８０から、ユーザ８２の取引データを受信する。業務サービス提供装置２０は、通信端末８０から、取引関連データを受信してよい。業務サービス提供装置２０は、通信端末８０から、ユーザ関連データを受信してよい。業務サービス提供装置２０は、ネットワーク５０を介して通信端末８０と通信してよい。通信端末８０は、通信可能な端末であれば任意の端末であってよい。例えば、通信端末８０は、スマートフォン等の携帯電話、タブレット端末、及びＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等である。業務サービス提供装置２０は、ユーザ８２の取引データ、取引関連データ、ユーザ関連データを、ユーザ８２の会計情報を管理する会計事務所等から取得してもよい。
【0018】
業務サービス提供装置２０は、各種データを学習装置１００に提供してよい。学習装置１００は、業務サービス提供装置２０から、ユーザ８２の取引データを受信してよい。学習装置１００は、業務サービス提供装置２０から、ユーザ８２の取引関連データを受信してよい。学習装置１００は、業務サービス提供装置２０から、ユーザ８２のユーザ関連データを受信してよい。学習装置１００は、業務サービス提供装置２０から、ユーザ８２の取引データ関連データを受信してよい。ユーザ８２の取引関連データ及びユーザ関連データについて、学習装置１００は、業務サービス提供装置２０以外から取得してもよい。
【0019】
学習装置１００は、さらに、ユーザ８２の取引データに対して実際に仕訳が行われて生成された、取引データに対応する会計データを取得する。当該会計データは、取引に対応する勘定科目を含む。
【0020】
学習装置１００は、取得したデータを用いた機械学習を実行することによって、仕訳を行う学習モデルを生成する。従来、取引の摘要と、取引に対応する勘定科目とを学習データとして、ＢＥＲＴのような自然言語処理モデルのパラメータを調整することによって、取引の摘要から取引に対応する勘定科目を推論する学習モデルが生成されていた。
【0021】
本実施形態に係る学習装置１００は、取引の摘要、及び取引に対応する勘定科目に加えて、属性データを更に含む学習データを用いた機械学習によって、取引の摘要と、属性データとを入力とし、取引に対応する勘定科目を出力とする学習モデルを生成する。
【0022】
属性データは、取引の主体属性及び取引属性の少なくともいずれかを含む。すなわち、属性データは、主体属性を含んでよく、取引属性を含んでよく、主体属性及び取引属性の両方を含んでよい。主体属性は、取引の主体を示す属性であってよい。取引属性は、取引を示す属性であってよい。
【0023】
主体属性は、ユーザ関連データを含んでよい。主体属性は、複数種類のユーザ関連データの少なくともいずれかを含んでよい。
【0024】
摘要の内容が同一であっても、ユーザ８２によって、取引に対応する勘定科目は異なり得る。どのような勘定科目が適切かは、ユーザ８２の主体属性に依存すると考えられ、例えば、ユーザ８２が誰であるか、ユーザ８２の業種、ユーザ８２が兼業しているか、兼業している場合にユーザ８２の兼業の種類、ユーザ８２の会社形態、ユーザ８２が個人事業主であるか法人であるか、法人である場合に法人の規模、ユーザ８２が課税事業主であるか、消費税課税方式は何か、ユーザ８２が法規模企業者の特例対象か否か、会計サービスを利用しているか、利用しているサービスの種類、会計サービスの利用状況、部門の機能を利用しているか、会計サービスの使い込み度合い、ユーザ８２の親会社の名前、業種、及び規模、ユーザ８２を担当する会計事務所の名前、及び規模等に依存すると考えられる。そのため、主体属性を追加して学習することによって、摘要のみを用いて学習する場合と比較して、勘定科目の正解率を向上させることができる。なお、勘定科目の正解とは、取引に対して適切な勘定科目であり、正解率とは、適切な勘定科目を選択する確率である。
【0025】
取引属性は、取引データのうちの摘要以外のデータを含んでよい。取引属性は、取引日、取引先、税区分、金額、収入か支出か、及び消費税額の少なくともいずれかを含んでよい。取引属性は、取引関連データを含んでよい。取引属性は、複数種類の取引関連データの少なくともいずれかを含んでよい。取引属性は、取引データ関連データを含んでもよい。取引属性は、複数種類の取引データ関連データの少なくともいずれかを含んでよい。
【0026】
摘要の内容が同一であっても、取引によって、対応する勘定科目は異なり得る。どのような勘定科目が適切かは、取引属性に依存すると考えられ、例えば、取引日、取引先、税区分、金額、収入か支出か、消費税額、取引の発生元、取引の取引元、取引先の名称、規模、及び業種等に依存すると考えられる。そのため、取引属性を追加して学習することによって、摘要のみを用いて学習する場合と比較して、勘定科目の正解率を向上させることができる。
【0027】
会計データ変換装置２００は、学習装置１００によって生成された学習モデルを、学習装置１００から受信して記憶する。会計データ変換装置２００は、業務サービス提供装置２０から、ユーザ８２の取引データを受信する。会計データ変換装置２００は、業務サービス提供装置２０から、当該取引データに対応する属性データを受信してよい。例えば、会計データ変換装置２００は、業務サービス提供装置２０から、ユーザ８２の取引関連データを受信する。例えば、会計データ変換装置２００は、業務サービス提供装置２０から、ユーザ８２のユーザ関連データを受信する。例えば、会計データ変換装置２００は、業務サービス提供装置２０から、ユーザ８２の取引データ関連データを受信する。会計データ変換装置２００は、属性データを業務サービス提供装置２０以外から取得してもよい。
【0028】
会計データ変換装置２００は、学習装置１００から受信して記憶している学習モデルを用いて、会計データ変換装置２００から取得した取引データに対応する会計データを生成する。会計データ変換装置２００は、取引データに含まれる摘要と、取引データに対応する属性データとを学習モデルに入力し、学習モデルから出力された勘定科目を選択し、選択した勘定科目を含む会計データを生成してよい。会計データ変換装置２００は、生成した会計データを、会計サービス提供装置３０に出力してよい。
【0029】
会計サービス提供装置３０は、会計データ変換装置２００から取得した会計データを管理する。会計データ変換装置２００は、ユーザ８２の会計データを用いて、ユーザ８２に対して会計サービスを提供する。
【0030】
図２は、学習装置１００の機能構成の一例を概略的に示す。学習装置１００は、データ取得部１０２、学習データ記憶部１０４、学習モデル生成部１０６、及び学習モデル送信部１０８を備える。
【0031】
データ取得部１０２は、各種データを取得する。データ取得部１０２は、ユーザ８２の取引データを取得する。データ取得部１０２は、業務サービス提供装置２０から取引データを取得してよい。
【0032】
データ取得部１０２は、ユーザ８２の取引関連データを取得する。データ取得部１０２は、業務サービス提供装置２０から取引関連データを取得してよい。データ取得部１０２は、業務サービス提供装置２０以外から取引関連データを取得してもよい。
【0033】
データ取得部１０２は、ユーザ８２のユーザ関連データを取得する。データ取得部１０２は、業務サービス提供装置２０からユーザ関連データを取得してよい。データ取得部１０２は、業務サービス提供装置２０以外からユーザ関連データを取得してもよい。
【0034】
データ取得部１０２は、ユーザ８２の取引データ関連データを取得する。データ取得部１０２は、業務サービス提供装置２０から取引データ関連データを取得してよい。
【0035】
データ取得部１０２は、ユーザ８２の取引データに対して実際に仕訳が行われて生成された、取引に対応する勘定科目を含む、取引データに対応する会計データを取得する。データ取得部１０２は、業務サービス提供装置２０から当該会計データを取得してよい。データ取得部１０２は、業務サービス提供装置２０以外から当該会計データを取得してもよい。
【0036】
データ取得部１０２は、取得したデータから生成した学習データを学習データ記憶部１０４に記憶させる。
【0037】
学習データは、取引の摘要と、当該取引に対応する勘定科目とを含む。学習データは、属性データを更に含む。属性データは、取引の主体属性及び取引属性の少なくともいずれかを含む。
【0038】
学習モデル生成部１０６は、学習データ記憶部１０４に記憶されている学習データを用いた機械学習によって、取引の摘要と、属性データとを入力とし、取引に対応する勘定科目を出力とする学習モデルを生成する。すなわち、学習モデル生成部１０６は、取引の摘要と、取引の主体属性及び取引属性の少なくともいずれかとを入力とし、取引に対応する勘定科目を出力とする学習モデルを生成する。
【0039】
学習モデル生成部１０６は、取引の摘要と、当該摘要とは異なる重みを適用した属性データとを用いた機械学習を実行してもよい。摘要のような自然言語処理の対象の情報と、属性データのような自然言語処理の対象外の情報とは、次元数が大きく異なることになり得るが、属性データに、摘要とは異なる重みを適用することによって、これらのバランスをとることができる。
【0040】
学習モデル生成部１０６は、属性データに重みを適用する場合に、主体属性に適用する重みと取引属性に適用する重みとを異ならせてもよい。これにより、例えば、主体属性と取引属性のうち、一方を他方と比較して重視した学習を実行することができる。
【0041】
学習モデル生成部１０６は、属性データに含まれる複数種類のデータのそれぞれに、異なる重みを適用してもよい。例えば、学習モデル生成部１０６は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、異なる重みを適用してよい。例えば、学習モデル生成部１０６は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、学習前の初期値に異なる係数を乗じる。例えば、学習モデル生成部１０６は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、重み行列に異なる係数を乗じる。例えば、学習モデル生成部１０６は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、学習率を変更する。例えば、学習モデル生成部１０６は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、Ｏｎｅ－ｈｏｔ表現に変更する場合において、Ｏｎｅ－ｈｏｔ表現にした際の値に異なる係数を乗じる。例えば、学習モデル生成部１０６は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、Ｏｎｅ－ｈｏｔ表現に変更する場合において、Ｏｎｅ－ｈｏｔ表現にした際の次元数を揃える処理を実行する。属性データのとり得る値のパターンは、例えば、個人事業主か法人化という２値のものもあれば、取引の取込元のように複数の値をとり得るものもあって、まちまちであり、学習のされやすさに差が生じる可能性がある。それに対して、このような調整を行うことによって、学習のされやすさに意図しない差が生じる可能性を低減することができる。
【0042】
学習モデル生成部１０６は、学習データを用いて、予め記憶しておいた自然言語処理モデルのパラメータを更新することによって、取引の摘要と属性データとを入力とし、勘定科目を出力とする学習モデルを生成してもよい。すなわち、学習モデルは、学習データを用いてパラメータが更新された自然言語処理モデルであってよい。学習モデル生成部１０６は、例えば、ｆａｓｔＴｅｘｔのような自然言語処理モデルを用いてよい。学習モデル生成部１０６は、取引の摘要と、属性データとを自然言語処理モデルに入力させて、取引データに対応する勘定科目を選択し、学習データと選択結果とを比較して、自然言語処理モデルのパラメータを更新してよい。学習モデル生成部１０６は、選択結果が、学習データに含まれる勘定科目と一致するようになるように、自然言語処理モデルのパラメータを更新する。
【0043】
学習モデル生成部１０６は、まず、取引の摘要を用いて自然言語処理モデルのパラメータを更新し、その後に、属性データを用いて自然言語処理モデルのパラメータを更新する、段階別学習を実行してもよい。具体例として、学習モデル生成部１０６は、自然言語処理モデルの入力の重み行列について、先に摘要に対応する部分を学習し、単語に対する重みを固定して、属性データに対応する部分を学習する。これにより、摘要に対する重み行列を優先して学習することができる。
【0044】
学習モデル生成部１０６は、出力する勘定科目が、借方の勘定科目であるのか、貸方の勘定科目であるのかを示す貸借データを更に自然言語処理モデルに入力させてもよい。取引に対応する借方の勘定科目と貸方の勘定科目とは異なることになり、貸借データを自然言語処理モデルに入力することによって、この相違を反映した学習を実行することができ、勘定科目の正解率を向上させることができる。学習モデル生成部１０６が生成する学習モデルは、借方の勘定科目、及び貸方の勘定科目の両方を出力してもよい。この場合、学習モデル生成部１０６は、借方の勘定科目及び貸方の勘定科目の両方を示す貸借データを自然言語処理モデルに入力してもよいし、貸借データを自然言語処理モデルに入力しないようにしてもよい。
【0045】
学習モデル生成部１０６は、複数種類の属性データを入力する場合において、複数種類の属性データ同士の相関関係を反映した学習を実行するようにしてもよい。例えば、学習モデル生成部１０６は、第１の属性データと、第２の属性データとを用いる場合に、第１の属性データと第２の属性データとの相関関係を示すデータをさらに用いて学習を実行する。具体例として、ＯＮかＯＦＦを表す属性データＡと、ＯＮかＯＦＦを表す属性データＢとについて、属性データＡと、属性データＢとのいずれかのみＯＮのときにはＣが正解とはならないが、両方ＯＮ又は両方ＯＦＦの場合はＣが正解となるようなケースにおいて、学習モデル生成部１０６は、属性データＡと属性データＢとのＸＯＲを示すデータを入力する。これにより、このような相関関係を反映した学習モデルを生成することができる。
【0046】
学習モデル生成部１０６は、取引データに対して、複数種類の学習モデルのそれぞれで勘定科目を推論して、複数の推論結果から、取引データに対応する勘定科目を選択すべく、複数種類の学習モデルを生成してもよい。例えば、学習モデル生成部１０６は、取引の摘要及び勘定科目を含む学習データを用いた機械学習によって、取引の摘要を入力とし、勘定科目を出力とする学習モデル（摘要学習モデルと記載する場合がある。）を生成し、属性データ及び勘定科目を含む学習データを用いた機械学習によって、属性データを入力とし、勘定科目を出力とする学習モデル（属性学習モデルと記載する場合がある。）を生成する。学習モデル生成部１０６は、主体属性及び勘定科目を含む学習データを用いた機械学習によって、主体属性を入力とし、勘定科目を出力とする学習モデル（主体属性学習モデルと記載する場合がある。）を生成し、取引属性及び勘定科目を含む学習データを用いた機械学習によって、取引属性を入力とし、勘定科目を出力とする学習モデル（取引属性学習モデルと記載する場合がある。）を生成してもよい。学習モデル生成部１０６は、属性データについて、さらに細かい単位で、複数種類の学習モデルを生成してもよい。
【0047】
学習モデル送信部１０８は、学習モデル生成部１０６によって生成された学習モデルを会計データ変換装置２００に送信する。学習モデル生成部１０６によって、摘要学習モデルと属性学習モデルが生成された場合、学習モデル送信部１０８は、摘要学習モデルと属性学習モデルとを合わせて会計データ変換装置２００に送信する。学習モデル生成部１０６によって、摘要学習モデル、主体属性学習モデル、及び取引属性学習モデルが生成された場合、学習モデル送信部１０８は、摘要学習モデル、主体属性学習モデル、取引属性学習モデルを合わせて会計データ変換装置２００に送信する。
【0048】
図３は、学習モデル生成部１０６による処理の流れの一例を概略的に示す。
【0049】
ステップ（ステップをＳと省略して記載する場合がある。）１０２では、学習モデル生成部１０６が、学習データ記憶部１０４から学習データを取得する。学習モデル生成部１０６は、学習データ記憶部１０４に記憶されている多数の学習データのうち、学習に用いる学習データを取得する。
【0050】
Ｓ１０４では、学習モデル生成部１０６が、Ｓ１０２において取得した学習データを用いて、自然言語処理モデルのパラメータを更新する。学習モデル生成部１０６は、取引の摘要と、属性データとを自然言語処理モデルに入力させて、取引データに対応する勘定科目を選択し、学習データと選択結果とを比較して、自然言語処理モデルのパラメータを更新する。学習モデル生成部１０６は、選択結果が、学習データに含まれる勘定科目と一致するようになるように、自然言語処理モデルのパラメータを更新する。
【0051】
図４は、学習モデル３００について概念的に説明するための説明図である。本例においては、２つの属性データ（属性データＡ３０４、属性データＢ３０６）を図示しているが、属性データの数はこれに限られない。
【0052】
本例において、まず、学習モデル生成部１０６は、摘要３０２と属性データＡ３０４及び属性データＢ３０６をＯｎｅ－ｈｏｔベクトルの入力層ｘ３１０に変換する。学習モデル生成部１０６は、入力層ｘ３１０に入力の重み行列Ｗｉｎ３１２をかけて、中間層ｙ３２０（単語の分散表現）を計算する。学習モデル生成部１０６は、中間層ｙ３２０に出力の重み行列Ｗｏｕｔ３２２をかけて出力層ｚ３３０（科目毎の確度）を計算する。
【0053】
本例において、学習モデル生成部１０６は、属性データを入力層ｘ３１０に追加しているが、これに限られない。学習モデル生成部１０６は、属性データを中間層ｙ３２０に追加してもよい。学習モデル生成部１０６は、主体属性を入力層ｘ３１０に追加し、取引属性を中間層ｙ３２０に追加してもよい。学習モデル生成部１０６は、主体属性を中間層ｙ３２０に追加し、取引属性を入力層ｘ３１０に追加してもよい。学習モデル生成部１０６は、複数種類の属性データ毎に、入力層ｘ３１０に追加するか、中間層ｙ３２０に追加するかを選択してもよい。属性データの種類によって、入力層ｘ３１０に追加した方が勘定科目の正解率が向上する場合と、中間層ｙ３２０に追加した方が勘定科目の正解率が向上する場合とが異なる場合がある。複数種類の属性データのそれぞれについて、入力層ｘ３１０に追加した場合の学習モデルと、中間層ｙ３２０に追加した場合の学習モデルとを生成し、いずれの学習モデルの方が実際に勘定科目の正解率が高くなるかを検証することによって、複数の種類の属性データのそれぞれを、入力層ｘ３１０に追加するか、中間層ｙ３２０に追加するかが決定されてよい。学習モデル生成部１０６は、当該決定に従って、複数種類の属性データのそれぞれを入力層ｘ３１０又は中間層ｙ３２０に追加してよい。
【0054】
【0055】
図５に示す例においては、摘要の重みが１であるのに対して、属性データに対して重みαが適用される。αを１より小さくすることによって、摘要に比べて属性データの影響を小さくすることができ、αを１より大きくすることによって、摘要に比べて属性データの影響を大きくすることができる。
【0056】
学習モデル生成部１０６は、入力層ｘ３１０と中間層ｙ３２０の両方において、このような重みを適用してよい。学習モデル生成部１０６は、入力層ｘ３１０と中間層ｙ３２０とのうちの一方のみに、このような重みを適用してもよい。学習モデル生成部１０６は、属性データの種類毎に、異なる重みを用いてもよい。
【0057】
図６は、段階別学習について概念的に説明するための説明図である。学習モデル生成部１０６は、１回目の学習では、摘要３０２のみを入力層ｘ３１０に入力して、入力の重み行列Ｗｉｎ３１４を学習する。学習モデル生成部１０６は、２回目の学習では、重み行列Ｗｉｎ３１４を固定して、属性データに対応する重み行列Ｗｉｎ３１６を学習する。このように、摘要３０２に対応する部分を先に学習することによって、摘要３０２の効果を優先させることができる。
【0058】
図７は、会計データ変換装置２００の機能構成の一例を概略的に示す。会計データ変換装置２００は、学習モデル取得部２０２、学習モデル記憶部２０４、取引データ取得部２０６、属性データ取得部２０８、科目選択部２１０、会計データ生成部２１２、及び会計データ出力部２１４を備える。
【0059】
学習モデル取得部２０２は、摘要及び属性データを入力とし、勘定科目を出力とする学習モデルを取得する。学習モデル取得部２０２は、学習装置１００から学習モデルを取得してよい。学習モデル取得部２０２は、学習装置１００以外から学習モデルを取得してもよい。学習モデル記憶部２０４は、学習モデル取得部２０２が取得した学習モデルを記憶する。
【0060】
取引データ取得部２０６は、取引データを取得する。取引データ取得部２０６は、勘定科目を推論する対象となる取引データを取得してよい。取引データ取得部２０６は、例えば、業務サービス提供装置２０から取引データを取得する。取引データ取得部２０６は、例えば、通信端末８０から取引データを取得する。
【0061】
属性データ取得部２０８は、取引データ取得部２０６が取得した取引データに対応する属性データを取得する。属性データ取得部２０８は、複数種類の属性データを取得してよい。属性データ取得部２０８は、例えば、業務サービス提供装置２０から属性データを取得する。属性データ取得部２０８は、例えば、通信端末８０から属性データを取得する。属性データ取得部２０８は、例えば、取引データ取得部２０６が取得した取引データから、属性データを取得する。
【0062】
具体例として、属性データ取得部２０８は、取引データから、取引日、取引先、税区分、金額、収入か支出か、及び消費税額の少なくともいずれかを取得してよい。また、属性データ取得部２０８は、業務サービス提供装置２０又は通信端末８０から、取引関連データを取得してよい。また、属性データ取得部２０８は、業務サービス提供装置２０又は通信端末８０から、取込元データを取得する。また、属性データ取得部２０８は、業務サービス提供装置２０又は通信端末８０から、取引関連データを取得する。また、属性データ取得部２０８は、業務サービス提供装置２０又は通信端末８０から、ユーザ関連データを取得する。また、属性データ取得部２０８は、業務サービス提供装置２０から、取引データ関連データを取得してよい。
【0063】
科目選択部２１０は、取引データ取得部２０６が取得した取引データが示す取引に対応する勘定科目を選択する。科目選択部２１０は、取引データ取得部２０６が取得した取引データに含まれる摘要と、属性データ取得部２０８が取得した属性データとに基づいて、取引データに対応する勘定科目を選択してよい。
【0064】
科目選択部２１０は、学習モデル記憶部２０４に記憶されている学習モデルを用いて、勘定科目を選択してよい。科目選択部２１０は、取引データ取得部２０６が取得した取引データに含まれる摘要と、属性データ取得部２０８が取得した属性データとを、学習モデル記憶部２０４に記憶されている学習モデルに入力し、学習モデルから出力された勘定科目を選択してよい。科目選択部２１０は、摘要、属性データ、及び勘定科目を用いた機械学習によって生成された学習モデルに、取引データ取得部２０６が取得した取引データに含まれる摘要と、属性データ取得部２０８が取得した属性データとを入力して、学習モデルから出力された勘定科目を選択してよい。科目選択部２１０は、摘要と、主体属性及び取引属性とを学習モデルに入力してよい。科目選択部２１０は、摘要と、主体属性とを学習モデルに入力してもよい。科目選択部２１０は、摘要と、取引属性とを学習モデルに入力してもよい。
【0065】
科目選択部２１０は、複数種類の属性データのうち、指定された属性データを学習モデルに入力してよい。科目選択部２１０は、複数種類の属性データから、学習モデルに入力する属性データを選択して、選択した属性データを学習モデルに入力してもよい。科目選択部２１０は、例えば、取引の主体の業種、事業形態識別データ、収支識別データ、取引の金額の桁数、取引の発生元、取引の税区分のうちの少なくともいずれかを選択する。これらのデータは、勘定科目の選択に与える影響が相対的に大きく、これらを用いるようにすることで、勘定科目の正解率を向上させることができる。
【0066】
科目選択部２１０は、複数種類の属性データを用いる場合に、一部の属性データの優先度を、他の属性データの優先度よりも高くしてもよい。優先度を高くする属性データの例として、取引の主体の業種、事業形態識別データ、収支識別データ、取引の金額の桁数、取引の発生元、及び取引の税区分が挙げられる。これらのデータは、勘定科目の選択に与える影響が相対的に大きく、これらの優先度を高くすることによって、勘定科目の正解率を向上させることができる。
【0067】
科目選択部２１０は、属性データに対して、摘要とは異なる重みを適用して学習モデルに入力してもよい。摘要のような自然言語処理の対象の情報と、属性データのような自然言語処理の対象外の情報とは、次元数が大きく異なることになり得るが、属性データに、摘要とは異なる重みを適用することによって、これらのバランスをとることができる。
【0068】
科目選択部２１０は、属性データに重みを適用する場合に、主体属性に適用する重みと取引属性に適用する重みとを異ならせてもよい。これにより、例えば、主体属性と取引属性のうち、一方を他方と比較して重視した推論を実行することができる。
【0069】
科目選択部２１０は、属性データに含まれる複数種類のデータのそれぞれに、異なる重みを適用してもよい。例えば、科目選択部２１０は、主体属性に含まれる複数種類のデータと、取引属性に含まれる複数種類のデータとのそれぞれに対して、異なる重みを適用してよい。
【0070】
科目選択部２１０は、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかにさらに基づいて、取引データに対応する勘定科目を選択してもよい。この場合、科目選択部２１０は、摘要及び属性データに加えて、貸借データを学習モデルに入力してよい。科目選択部２１０は、例えば、ユーザ８２の指示に従って、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかを選択してよい。科目選択部２１０は、属性データ取得部２０８が取得した属性データに基づいて、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかを選択してもよい。例えば、科目選択部２１０は、取込元データによって、借方の勘定科目を選択するのか、貸方の勘定科目を選択するのかを選択する。具体例として、科目選択部２１０は、取込元データがインターネットバンキングを示す場合に、収入の取引の場合は貸方の勘定科目を選択することとし、支出の取引の場合は借方の勘定科目を選択することとする。主にＰＬ（Ｐｒｏｆｉｔ ａｎｄ Ｌｏｓｓ ｓｔａｔｅｍｅｎｔ）科目が推論対象となる。また、例えば、科目選択部２１０は、取引データがＰＯＳを示す場合に、収入の取引の場合は借方の勘定科目を選択することとし、支出の取引の場合は貸方の勘定科目を選択することとする。主にＢＳ（Ｂａｌａｎｃｅ Ｓｈｅｅｔ）科目が推論対象となる。
【0071】
科目選択部２１０は、複数種類の属性データを学習モデルに入力する場合において、複数種類の属性データ同士の相関関係を反映した入力を行うようにしてもよい。例えば、科目選択部２１０は、ＯＮかＯＦＦを表す属性データＡと、ＯＮかＯＦＦを表す属性データＢとについて、属性データＡと属性データＢとのＸＯＲを示すデータを学習モデルに入力する。
【0072】
学習モデル記憶部２０４が、摘要学習モデル及び属性学習モデルを記憶している場合、科目選択部２１０は、摘要学習モデル及び属性学習モデルを用いてもよい。例えば、科目選択部２１０は、取引データ取得部２０６が取得した取引データに含まれる摘要を適用学習モデルに入力し、摘要学習モデルから出力された勘定科目と、属性データ取得部２０８が取得した属性データを属性学習モデルに入力し、属性学習モデルから出力された勘定科目とに基づいて、取引データに対応する勘定科目を選択する。科目選択部２１０は、例えば、摘要学習モデルから出力された勘定科目と、属性学習モデルから出力された勘定科目のうち、確度がより高い勘定科目を選択する。科目選択部２１０は、例えば、摘要学習モデルから出力された勘定科目の確度と、属性学習モデルから出力された勘定科目の確度に、異なる重み付けをしたうえで、確度がより高い勘定科目を選択するようにしてもよい。これにより、摘要と属性データの一方を重視した推論を実行することができる。
【0073】
会計データ生成部２１２は、取引データ取得部２０６が取得した取引データに対応する会計データを生成する。会計データ生成部２１２は、科目選択部２１０によって選択された勘定科目を含む会計データを生成する。
【0074】
会計データ出力部２１４は、会計データ生成部２１２によって生成された会計データを出力する。会計データ出力部２１４は、会計サービス提供装置３０に対して会計データを出力してよい。会計データ出力部２１４は、通信端末８０に対して会計データを出力してもよい。
【0075】
図８は、会計データ変換装置２００による処理の流れの一例を概略的に示す。ここでは、複数の取引データのそれぞれに対応する会計データを生成する場合の処理の流れについて説明する。
【0076】
Ｓ２０２では、取引データ取得部２０６が取引データを取得する。Ｓ２０４では、属性データ取得部２０８が、Ｓ２０２において取引データ取得部２０６が取得した取引データに対応する属性データを取得する。
【0077】
Ｓ２０６では、科目選択部２１０が、Ｓ２０２において取引データ取得部２０６が取得した取引データに含まれる摘要と、Ｓ２０４において属性データ取得部２０８が取得した属性データとを、学習モデルに入力し、学習モデルから出力された勘定科目を選択する。Ｓ２０８では、会計データ生成部２１２が、Ｓ２０２において取引データ取得部２０６が取得した取引データに対応する、Ｓ２０８において科目選択部２１０が選択した勘定科目を含む会計データを生成する。
【0078】
対象となるすべての取引データについて会計データの生成が終了した場合（Ｓ２１０でＹＥＳ）、Ｓ２１２に進み、終了していない場合（Ｓ２１０でＮＯ）、Ｓ２０２に戻る。Ｓ２１２では、会計データ出力部２１４が、生成された会計データを会計サービス提供装置３０に出力する。
【0079】
図９は、学習装置１００又は会計データ変換装置２００として機能するコンピュータ１２００のハードウェア構成の一例を概略的に示す。コンピュータ１２００にインストールされたプログラムは、コンピュータ１２００を、本実施形態に係る装置の１又は複数の「部」として機能させ、又はコンピュータ１２００に、本実施形態に係る装置に関連付けられるオペレーション又は当該１又は複数の「部」を実行させることができ、及び／又はコンピュータ１２００に、本実施形態に係るプロセス又は当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１２００に、本明細書に記載のフローチャート及びブロック図のブロックのうちのいくつか又はすべてに関連付けられた特定のオペレーションを実行させるべく、ＣＰＵ１２１２によって実行されてよい。
【0080】
本実施形態によるコンピュータ１２００は、ＣＰＵ１２１２、ＲＡＭ１２１４、及びグラフィックコントローラ１２１６を含み、それらはホストコントローラ１２１０によって相互に接続されている。コンピュータ１２００はまた、通信インタフェース１２２２、記憶装置１２２４、ＤＶＤドライブ１２２６、及びＩＣカードドライブのような入出力ユニットを含み、それらは入出力コントローラ１２２０を介してホストコントローラ１２１０に接続されている。ＤＶＤドライブ１２２６は、ＤＶＤ－ＲＯＭドライブ及びＤＶＤ－ＲＡＭドライブ等であってよい。記憶装置１２２４は、ハードディスクドライブ及びソリッドステートドライブ等であってよい。コンピュータ１２００はまた、ＲＯＭ１２３０及びキーボードのようなレガシの入出力ユニットを含み、それらは入出力チップ１２４０を介して入出力コントローラ１２２０に接続されている。
【0081】
ＣＰＵ１２１２は、ＲＯＭ１２３０及びＲＡＭ１２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ１２１６は、ＲＡＭ１２１４内に提供されるフレームバッファ等又はそれ自体の中に、ＣＰＵ１２１２によって生成されるイメージデータを取得し、イメージデータがディスプレイデバイス１２１８上に表示されるようにする。
【0082】
通信インタフェース１２２２は、ネットワークを介して他の電子デバイスと通信する。記憶装置１２２４は、コンピュータ１２００内のＣＰＵ１２１２によって使用されるプログラム及びデータを格納する。ＤＶＤドライブ１２２６は、プログラム又はデータをＤＶＤ－ＲＯＭ１２２７等から読み取り、記憶装置１２２４に提供する。ＩＣカードドライブは、プログラム及びデータをＩＣカードから読み取り、及び／又はプログラム及びデータをＩＣカードに書き込む。
【0083】
ＲＯＭ１２３０はその中に、アクティブ化時にコンピュータ１２００によって実行されるブートプログラム等、及び／又はコンピュータ１２００のハードウェアに依存するプログラムを格納する。入出力チップ１２４０はまた、様々な入出力ユニットをＵＳＢポート、パラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入出力コントローラ１２２０に接続してよい。
【0084】
プログラムは、ＤＶＤ－ＲＯＭ１２２７又はＩＣカードのようなコンピュータ可読記憶媒体によって提供される。プログラムは、コンピュータ可読記憶媒体から読み取られ、コンピュータ可読記憶媒体の例でもある記憶装置１２２４、ＲＡＭ１２１４、又はＲＯＭ１２３０にインストールされ、ＣＰＵ１２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ１２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置又は方法が、コンピュータ１２００の使用に従い情報のオペレーション又は処理を実現することによって構成されてよい。
【0085】
例えば、通信がコンピュータ１２００及び外部デバイス間で実行される場合、ＣＰＵ１２１２は、ＲＡＭ１２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インタフェース１２２２に対し、通信処理を命令してよい。通信インタフェース１２２２は、ＣＰＵ１２１２の制御の下、ＲＡＭ１２１４、記憶装置１２２４、ＤＶＤ－ＲＯＭ１２２７、又はＩＣカードのような記録媒体内に提供される送信バッファ領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、又はネットワークから受信した受信データを記録媒体上に提供される受信バッファ領域等に書き込む。
【0086】
また、ＣＰＵ１２１２は、記憶装置１２２４、ＤＶＤドライブ１２２６（ＤＶＤ－ＲＯＭ１２２７）、ＩＣカード等のような外部記録媒体に格納されたファイル又はデータベースの全部又は必要な部分がＲＡＭ１２１４に読み取られるようにし、ＲＡＭ１２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ１２１２は次に、処理されたデータを外部記録媒体にライトバックしてよい。
【0087】
様々なタイプのプログラム、データ、テーブル、及びデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ１２１２は、ＲＡＭ１２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプのオペレーション、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ１２１４に対しライトバックする。また、ＣＰＵ１２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ１２１２は、当該複数のエントリの中から、第１の属性の属性値が指定されている条件に一致するエントリを検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。
【0088】
上で説明したプログラム又はソフトウエアモジュールは、コンピュータ１２００上又はコンピュータ１２００近傍のコンピュータ可読記憶媒体に格納されてよい。また、専用通信ネットワーク又はインターネットに接続されたサーバシステム内に提供されるハードディスク又はＲＡＭのような記録媒体が、コンピュータ可読記憶媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ１２００に提供する。
【0089】
本実施形態におけるフローチャート及びブロック図におけるブロックは、オペレーションが実行されるプロセスの段階又はオペレーションを実行する役割を持つ装置の「部」を表わしてよい。特定の段階及び「部」が、専用回路、コンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、及び／又はコンピュータ可読記憶媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタル及び／又はアナログハードウェア回路を含んでよく、集積回路（ＩＣ）及び／又はディスクリート回路を含んでよい。プログラマブル回路は、例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、及びプログラマブルロジックアレイ（ＰＬＡ）等のような、論理積、論理和、排他的論理和、否定論理積、否定論理和、及び他の論理演算、フリップフロップ、レジスタ、並びにメモリエレメントを含む、再構成可能なハードウェア回路を含んでよい。
【0090】
コンピュータ可読記憶媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読記憶媒体は、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読記憶媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読記憶媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭ又はフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（登録商標）ディスク、メモリスティック、集積回路カード等が含まれてよい。
【0091】
コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又はＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、及び「Ｃ」プログラミング言語又は同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１又は複数のプログラミング言語の任意の組み合わせで記述されたソースコード又はオブジェクトコードのいずれかを含んでよい。
【0092】
コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路が、フローチャート又はブロック図で指定されたオペレーションを実行するための手段を生成するために当該コンピュータ可読命令を実行すべく、ローカルに又はローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサ、又はプログラマブル回路に提供されてよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。
【0093】
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
【0094】
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階などの各処理の実行順序は、特段「より前に」、「先立って」などと明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」などを用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
【符号の説明】
【0095】
１０ 会計管理システム、２０ 業務サービス提供装置、３０ 会計サービス提供装置、５０ ネットワーク、８０ 通信端末、８２ ユーザ、１００ 学習装置、１０２ データ取得部、１０４ 学習データ記憶部、１０６ 学習モデル生成部、１０８ 学習モデル送信部、２００ 会計データ変換装置、２０２ 学習モデル取得部、２０４ 学習モデル記憶部、２０６ 取引データ取得部、２０８ 属性データ取得部、２１０ 科目選択部、２１２ 会計データ生成部、２１４ 会計データ出力部、３００ 学習モデル、３１０ 入力層、３２０ 中間層、３３０ 出力層、１２００ コンピュータ、１２１０ ホストコントローラ、１２１２ ＣＰＵ、１２１４ ＲＡＭ、１２１６ グラフィックコントローラ、１２１８ ディスプレイデバイス、１２２０ 入出力コントローラ、１２２２ 通信インタフェース、１２２４ 記憶装置、１２２６ ＤＶＤドライブ、１２２７ ＤＶＤ－ＲＯＭ、１２３０ ＲＯＭ、１２４０ 入出力チップ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【手続補正書】
【提出日】2023-09-08
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。
【請求項2】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。
【請求項3】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部と、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部と、
取引の摘要を含む取引データを取得する取引データ取得部と、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部と、
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部と
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置。
【請求項4】
前記主体属性は、前記取引の主体の業種、及び、前記取引の主体が個人事業主であるか法人であるかを示す事業形態識別データの少なくともいずれかを含む、請求項１から３のいずれか一項に記載の会計データ変換装置。
【請求項5】
前記取引属性は、前記取引が収入であるか支出であるかを示す収支識別データ、前記取引の金額の桁数、前記取引の発生元、及び前記取引の税区分の少なくともいずれかを含む、請求項１から３のいずれか一項に記載の会計データ変換装置。
【請求項6】
コンピュータを、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、および
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部
を備え、
前記学習モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置
として機能させるためのプログラム。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、および
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部
を備え、
前記学習モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置
として機能させるためのプログラム。
【請求項7】
コンピュータを、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、および
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置
として機能させるためのプログラム。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、および
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置
として機能させるためのプログラム。
【請求項8】
コンピュータを、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、および
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置
として機能させるためのプログラム。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成部、
前記学習モデル生成部によって生成された前記学習モデルを記憶する学習モデル記憶部、
取引の摘要を含む取引データを取得する取引データ取得部、
前記取引データ取得部が取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択部、および
前記取引データに含まれる情報と前記科目選択部によって選択された前記勘定科目とを含む会計データを生成する会計データ生成部
を備え、
前記学習モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換装置
として機能させるためのプログラム。
【請求項9】
コンピュータによって実行される会計データ変換方法であって、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階と
を備え、
前記学習モデル生成段階は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階と
を備え、
前記学習モデル生成段階は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。
【請求項10】
コンピュータによって実行される会計データ変換方法であって、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階と
を備え、
前記学習モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階と
を備え、
前記学習モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。
【請求項11】
コンピュータによって実行される会計データ変換方法であって、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階と
を備え、
前記学習モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを学習データ記憶部に記憶する学習データ記憶段階と、
前記学習データ記憶部に記憶された前記学習データを用いた機械学習によって、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成する学習モデル生成段階と、
前記学習モデル生成段階において生成された前記学習モデルを学習モデル記憶部に記憶する学習モデル記憶段階と、
取引の摘要を含む取引データを取得する取引データ取得段階と、
前記取引データ取得段階において取得した前記取引データに含まれる前記摘要と前記取引の前記属性データとを前記学習モデル記憶部に記憶されている前記学習モデルに入力し、前記学習モデルから出力された勘定科目を、前記取引データに対応する勘定科目として選択する科目選択段階と、
前記取引データに含まれる情報と前記科目選択段階において選択した前記勘定科目とを含む会計データを生成する会計データ生成段階と
を備え、
前記学習モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、会計データ変換方法。
【請求項12】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備え、
前記モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備え、
前記モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。
【請求項13】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。
【請求項14】
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部と
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置。
【請求項15】
コンピュータを、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
を備え、
前記モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置
として機能させるためのプログラム。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
を備え、
前記モデル生成部は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置
として機能させるためのプログラム。
【請求項16】
コンピュータを、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置
として機能させるためのプログラム。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置
として機能させるためのプログラム。
【請求項17】
コンピュータを、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置
として機能させるためのプログラム。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを有する学習データを記憶する学習データ記憶部、及び
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成部
を備え、
前記モデル生成部は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習装置
として機能させるためのプログラム。
【請求項18】
コンピュータによって実行される学習方法であって、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備え、
前記モデル生成段階は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備え、
前記モデル生成段階は、入力層と、中間層と、勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの、前記入力層に、前記学習データに含まれる前記取引の摘要のみを入力して、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習した後、前記入力層に、前記摘要及び前記属性データを入力して、前記摘要にかける前記重み行列を固定して、前記属性データにかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。
【請求項19】
コンピュータによって実行される学習方法であって、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備え、
前記モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備え、
前記モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要及び前記属性データをＯｎｅ－ｈｏｔ表現として入力し、前記摘要の重みを１とし、前記属性データの重みを１より小さい又は１より大きい値とし、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。
【請求項20】
コンピュータによって実行される学習方法であって、
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備え、
前記モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。
取引の摘要と、前記取引に対応する勘定科目と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを含む学習データを学習データ記憶部に記憶する記憶段階と、
前記学習データ記憶部に記憶された前記学習データに基づいて、取引の摘要と、前記取引の主体属性及び取引属性の少なくともいずれかを含む属性データとを入力とし、前記取引に対応する勘定科目を出力する学習モデルを生成するモデル生成段階と
を備え、
前記モデル生成段階は、入力層と中間層と勘定科目毎の確度を示す出力層とによって構成されるニューラルネットワークである前記学習モデルの前記入力層に、前記学習データに含まれる前記取引の摘要と、ＯＮかＯＦＦを表す第１の属性データと、ＯＮかＯＦＦを表す第２の属性データと、前記第１の属性データと前記第２の属性データとのＸＯＲを示す相関関係データとを入力し、前記入力層にかける重み行列と、前記中間層にかける重み行列とを学習する、学習方法。