财务申请的监测方法、装置、电子设备和存储介质

本申请涉及计算机技术领域，特别是涉及一种财务申请的监测方法、装置、电子设备和存储介质。

随着科学技术的快速发展，计算机功能的不断强大使其在人们日常的学习、工作和生活中得到了广泛的应用。

对于企业而言，可以通过计算机所提供的各种业务服务平台为用户提供多种业务服务以及相应的业务管理，如异常监控。传统技术中，人们通常使用计算机中所搭载的异常识别模型实现对于不同业务的异常监测。

然而，上述异常识别模型需要基于不同监测指标所对应的异常条件确定，面对异常条件多变的监测指标，特别是对于财务申请的监测指标，用户往往无法及时更新模型中每一监测指标所对应的异常条件，导致模型存在滞后性，继续使用则会产生大量的异常申请，降低了监测的准确性。

基于此，有必要针对上述技术问题，提供一种财务申请的监测方法、装置、电子设备和存储介质和计算机程序产品。

第一方面，本申请提供了一种财务申请的监测方法，包括：

将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；

根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

在其中一个实施例中，上述方法还包括：

将历史财务申请集合输入原始申请分类模型，得到原始分类结果；

根据原始分类结果和原始监测指标集合中每一原始监测指标所对应的异常条件确定历史财务申请集合中异常申请的异常占比。

在其中一个实施例中，采用监测指标优化模型确定目标监测指标集合的过程包括：

在原始监测指标集合中获取n个候选监测指标，形成候选监测指标集合；其中，n由1依次取到N-1，N为原始监测指标集合中原始监测指标的总数；

根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数；

将目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合。

在其中一个实施例中，根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数，包括：

获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本之和，作为监测指标优化模型的目标函数；或者，

获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本加权之和，作为监测指标优化模型的目标函数。

在其中一个实施例中，申请分类模型的确定过程包括：

确定历史财务申请集合中每一历史财务申请中所包括的目标监测指标，并根据每一历史财务申请所包括的目标监测指标构建指标向量组；

根据所有历史财务申请对应的指标向量组构造指标有向图；

采用普聚类算法和指标有向图确定申请分类模型。

在其中一个实施例中，采用普聚类算法和指标有向图确定申请分类模型，包括：

采用普聚类算法和指标有向图确定初始申请分类模型；其中，初始申请分类模型用于将指标有向图划分为目标数量个子图，每个子图内的指标向量组之间相似度满足相似度下限要求；

基于模拟退火算法求解初始申请分类模型中的模型参数，将模型参数带入初始申请分类模型，得到申请分类模型；其中，模型参数包括目标数量。

第二方面，本申请还提供了一种财务申请的监测装置，包括：

申请分类模块，用于将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；

异常监测模块，用于根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

第三方面，本申请还提供了一种电子设备。所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；

根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；

根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；

根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

上述财务申请的监测方法、装置、电子设备、存储介质和计算机程序产品，通过将目标财务申请集合输入申请分类模型，得到分类结果，再根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，而目标监测指标集合又是在由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选的得出的，排除了一些导致出现大量异常申请的目标监测指标，更新了原始申请分类模型，降低了监测的异常输出率，避免了监测指标所对应的异常条件未及时更新所产生的大量异常申请，进而相对性地提高了监测的准确性。

图1为一个实施例中财务申请的监测方法的流程示意图；

图2为一个实施例中确定异常占比的流程示意图；

图3为一个实施例中采用监测指标优化模型确定目标监测指标集合方法的流程示意图；

图4为一个实施例中确定申请分类模型的流程示意图；

图5为一个实施例中财务申请的监测装置的结构框图；

图6为一个实施例中电子设备的内部结构图。

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种财务申请的监测方法，本实施例以该方法应用于电子设备，如计算机设备，进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

S110、将目标财务申请集合输入申请分类模型，得到分类结果。

其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型。目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合。原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型。

需要说明的是，监测指标可以理解为对财务申请所要监测的内容，如金额，事由等等。

上述训练时间成本即为采用一定数量的监测指标对大量财务申请样本进行训练得到分类模型的所耗费的时间；上述结果偏差成本即为使用上述训练得到的分类模型进行财务申请的分类，分类模型未分类出的一类财务申请的数量或者占比。例如，采用目标监测指标A、B、C和大量财务申请的训练样本，训练得到分类模型所耗费的时间即模型的训练时间成本；而训练得到的分类模型仅能基于上述指标A、B、C的异常情况进行分类，分类结果中也仅包括指标A、B、C的异常或者不异常的，训练样本中实际还包括间目标监测指标D异常的情况，统计训练样本目标监测指标D异常的申请数量，或占比作为模型的结果偏差成本。

需要说明的是，目标财务申请集合为基于监测约束条件在财务申请数据库中所确定的目标财务申请构成的集合。可选地，监测约束条件可以是预先设定的，也可以是用户输入的。例如，监测约束条件可以是时间范围、申请类型、所属部门等等，用于在财务申请数据库中圈定目标财务申请即可。

可选地，计算机设备可接受用户输入的监测约束条件，如时间范围，以在财务申请数据库中获取产生时刻时在上述时间范围内的所有目标财务申请，构成上述目标财务申请集合。

其中，申请分类模型用于根据目标财务申请中所包括的目标监测指标对目标财务申请集合中的目标财务申请进行分类，以将属于同一类型的目标财务申请划分为一类。即申请分类模型用于根据目标监测指标将输入的目标财务申请集合划分为多个子集，每一子集代表一种类型，同一子集中的目标财务申请属于同一类型。

可选地，计算机设备将前述所确定的目标财务申请集合输入申请分类模型，通过申请分类模型识别得到每一目标财务申请中所包括的目标监测指标，并基于每一目标财务申请中目标监测指标的实际数据确定不同目标财务申请之间的数据相似性，将数据相似性大于相似性阈值的目标财务申请划分为一类，进而得到上述分类结果。

S120、根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

其中，异常申请即为监测指标达到异常条件的财务申请。

具体地，计算机设备根据目标监测指标集合中每一目标监测指标所对应的异常条件核验分类结果中每一类型的目标财务申请是否为异常申请。其中，若目标财务申请中存在任一目标监测指标达到相应地异常条件，则确定该目标财务申请为异常申请。可选地，计算机设备还可以根据异常申请的异常指标确定异常申请的异常类型。例如，目标监测指标包括指标A和指标B，目标财务申请1中同时包括指标A和指标B，核验得到指标A达到相应地异常条件即目标财务申请1中的指标A异常，指标B未达到相应地异常条件即目标财务申请1中的指标B正常，综合确定目标财务申请1为异常申请，异常类型为指标A异常。

可选地，上述分类结果中相同类型的目标财务申请之间存在很高的数据相似性，因此，计算机设备只需核验分类结果中每一类型中的一个目标财务申请是否异常，即可确定同一类型的所有目标财务申请是否异常。例如，目标监测指标包括A和B，对于目标财务申请集合的分类结果包括3类，其中，类型1中包括目标财务申请1～4，类型2中包括目标财务申请5～8，类型3中包括目标财务申请9～10，核验目标财务申请1为异常申请，且异常类型为指标A异常，计算机设备即可确定类型1中的所有目标财务申请(1～4)均为异常申请，且异常类型为指标A异常；核验目标财务申请8为异常申请，且异常类型为指标A异常且指标B异常，计算机设备即可确定类型2中的所有目标财务申请(5～8)均为异常申请，且异常类型为指标AB均异常；核验目标财务申请10为的指标A和B均正常，计算机设备即可确定类型3中的所有目标财务申请(9～10)均为正常申请。

本实施例中，计算机设备将目标财务申请集合输入申请分类模型，得到分类结果，再根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。其中，申请分类模型是由目标监测指标集合和历史财务申请集合确定的，而目标监测指标集合又是在由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选的得出的，排除了一些导致出现大量异常申请的目标监测指标，更新了原始申请分类模型，降低了监测的异常输出率，避免了监测指标所对应的异常条件未及时更新所产生的大量异常申请，进而相对性地提高了监测的准确性。

在其中一个实施例中，在原始申请分类模型得到的异常申请的占比大于异常占比阈值时，则需要对原始分类模型进行更新，以得到上述申请分类模型。

如图2所示，上述方法则还包括确定异常占比的过程，具体包括：

S210、将历史财务申请集合输入原始申请分类模型，得到原始分类结果。

其中，历史财务申请集合即由产生时刻在目标财务申请之前的财务申请构成。历史财务申请集合的确定方式可参见前述目标财务申请集合的确定方式，在此不再赘述。

与前述申请分类模型类似，原始申请分类模型用于根据历史财务申请中所包括的原始监测指标对历史财务申请集合中的历史财务申请进行分类，以将属于同一类型的历史财务申请划分为一类。即原始申请分类模型用于根据原始监测指标将输入的历史财务申请集合划分为多个子集，每一子集代表一种类型，同一子集中的历史财务申请属于同一类型。

可选地，计算机设备将历史财务申请集合输入申请分类模型，通过原始申请分类模型识别得到每一历史财务申请中所包括的原始监测指标，并基于每一历史财务申请中原始监测指标的实际数据确定不同历史财务申请之间的数据相似性，将数据相似性大于相似性阈值的历史财务申请划分为一类，进而得到上述原始分类结果。

S220、根据原始分类结果和原始监测指标集合中每一原始监测指标所对应的异常条件确定历史财务申请集合中异常申请的异常占比。

可选地，确定历史财务申请集合中异常申请的过程可参见前述确定目标财务申请集合中异常申请的过程，在此不再赘述。

可选地，计算机设备在确定出历史财务申请集合中异常申请后，可进一步统计异常申请的数量，计算异常申请的数量子在历史财务申请集合中所包括的历史财务申请的总数中的占比，即作为上述异常占比。例如，历史财务申请集合中包括500条历史财务申请，其中，异常申请有180条，得出历史财务申请集合中异常申请的异常占比即为180/500＝0.36。

在得到上述异常占比后，计算机设备则基于该异常占比确定是否需要更新原始申请分类模型，具体地，可根据该异常占比与异常占比阈值的大小关系确定。其中，若该异常占比大于异常占比阈值，计算机设备则采用上述监测指标优化模型对原始监测指标集合进行筛选后得到的目标监测指标集合，再由目标监测指标集合和历史财务申请集合得到申请分类模型，以跟新原始申请分类模型进行后续财务申请的监测；反之，若该异常占比不大于异常占比阈值，计算机设备则可继续采用上述原始申请分类模型基于原始监测指标对后续的财务申请进行监测。

本实施例中，计算机设备将历史财务申请集合输入原始申请分类模型，得到原始分类结果，进而根据原始分类结果和原始监测指标集合中每一原始监测指标所对应的异常条件确定历史财务申请集合中异常申请的异常占比，以便后续基于该异常占比确定是否需要更新该原始申请分类模型，进而实现对于原始申请分类模型的及时更新，对财务申请进行持续且稳定的监测。

在其中一个实施例中，如图3所示，采用监测指标优化模型确定目标监测指标集合的过程包括：

S310、在原始监测指标集合中获取n个候选监测指标，形成候选监测指标集合。

其中，n由1依次取到N-1，N为原始监测指标集合中原始监测指标的总数。

为确定合适的目标监测指标，计算机设备需要抽取原始监测指标集合中除过器本身以外的所有可能的候选监测指标组合(组合中至少包括一个监测指标)，原始监测指标集合中的原始监测指标即作为候选监测指标已被抽取组成候选监测指标组合。其中，每一候选监测指标组合构成一组候选监测指标集合。例如，原始监测指标集合中包括A、B、C三个原始监测指标，即N＝3，计算机设备上述方式，先在原始监测指标集合中获取n＝1个候选监测指标，即可形成3个候选监测指标集合，分别为{A}，{B}，{C}，再在原始监测指标集合中获取n＝2个候选监测指标，即可形成3个候选监测指标集合，分别为{A，B}，{B，C}，{A，C}，共得到6个候选监测指标集合。

S320、根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数。

可选地，计算机设备可获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本之和，作为监测指标优化模型的目标函数；还可以获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本加权之和，作为监测指标优化模型的目标函数。

其中，训练时间成本即用于度量模型的时间效率，结果偏差成本即用于度量模型的识别质量。

可选地，对于效率的度量，假定一个模型贯穿A个环节，其表示为M，有M＝{ma|a＝1,2,3...,A}。每个环节涉及数据类别B个，其表示为N,有N＝{nb|f＝1,2,3,...B}。对于该模型来说，其迭代出一个数据类别是否适宜纳入模型所需的时间为为因此，对于这个时间效率度量来说，其成本表示为Ze,有：

可选地，对于识别质量的度量，对于每个环节来说，识别异常有C个，其表示为E，有E＝{ec|c＝1,2,3,...C}。因此对于一个模型来说来说，其识别质量成本为Zq，有：

因此对于整个项目来说，总的费用模型为：

Z＝αZe+(1-α)Zq+β0

代入上式，有：

其中：

α表示平衡点系数，ωκ、ωλ表示检查时间系数、错误权重。β0表示常数。

对应约束为：

0≤α≤1

M＝{ma|a＝1,2,3...,A}

N＝{nb|f＝1,2,3,...B}

E＝{ec|c＝1,2,3,...C}

ωκ、ωλ>0

β0>0

S330、将目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合。

其中，目标函数的值最小即模型综合成本最小。其中，模型综合成本即为上述训练时间成本和结果偏差成本之和，或者加权之和。

具体地，计算机设备求解上述目标函数，得到目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合。

可选地，上述目标函数的求解过程如下：

基于遗传算法，将其与迭代策略模型相结合进行求解。其中，决策变量为模型中的参数类别，若选中则值为1，否则为0，因此定义变量Ψc来指代该集合，因此有Ψu＝{φb＝{0,1}|b＝1,2,3,...B}，其中φb表示文件b是由一组确定数据类别组成的监测模型。进一步，定义种符号ΩT，用于表示第T代的种，对于每个种，有ΩT＝{Ψ1,Ψ2,Ψ3,...,Ψd|d＝1,2,3,...,D}，其中D表示种数目。

(1)交叉过程

假设每次迭代的交叉概率为pcross，为保证交叉的合理进行，在此做如下假设：1)基因片段是不可分割，以一组基因(个体)为交叉基本单位；2)两基因点位相同时不发生交叉直接传给子代，否则实施交叉。

(2)变异过程

假定每个染体在每一代都有pmutation的概率发生变异，变异过程为0,1互换，变异位置随机。

(3)选择过程

选择过程是为了让好的个体能够遗传，在此采用常规对赌法，其个体适应度即为目标函数，假定某个个体的适应度为Z(Ψ),总适应度为Ztotal，则选中个体的可能性为：

至此给出整个求解步骤：

Step1初始化相关参数，基于随机数任意生成动态监测模型，即种。

Step2基于不同的模型去实施迭代，运行跑出相关的数据。

Step3基于数据结果计算个体、体的适应度。

Step4对种内个体实施变异、交叉、选择操作，生成新的种合集；

Step5对迭代次数进行判断，若超过则转Step6，否则转Step2；

Step6输出最优迭代策略。

通过以上算法，用户可以在自定义平衡点的情况下对不同模型进行智能化评估，在识别质量和时间效率中寻求平衡，以实现运行成本最低的需求。

其中，运行成本最低即上述目标函数最小。

本实施例中，计算机设备在原始监测指标集合中获取n个候选监测指标，形成候选监测指标集合；其中，n由1依次取到N-1，N为原始监测指标集合中原始监测指标的总数；再根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数，以将目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合，进而实现采用监测指标优化模型确定目标监测指标集合，为确定后续更新原始申请分类模型做好数据基础，上述过程易于计算机设备实现，可提高确定目标监测指标集合的效率，有助于申请分类模型的及时更新。

在其中一个实施例中，上述申请分类型的确定可通过引入数学规划模型来监督聚类算法来实现，如图4所示，确定申请分类模型的过程包括：

S410、确定历史财务申请集合中每一历史财务申请中所包括的目标监测指标，并根据每一历史财务申请所包括的目标监测指标构建指标向量组。

S420、根据所有历史财务申请对应的指标向量组构造指标有向图。

S430、采用普聚类算法和指标有向图确定申请分类模型。

具体地，计算机设备可采用普聚类算法和指标有向图确定初始申请分类模型；其中，初始申请分类模型用于将指标有向图划分为目标数量个子图，每个子图内的指标向量组之间相似度满足相似度下限要求。再基于模拟退火算法求解初始申请分类模型中的模型参数，将模型参数带入初始申请分类模型，得到申请分类模型；其中，模型参数包括目标数量。

可选地，确定申请分类模型的整体过程具体如下：

指标向量组作为衡量申请相似性的指标。假定，一个有V条申请的备选集，可以看成由V个向量组成的向量组集合，其可以构造为有向图G＝(V,E,w)。其中，E表示单条申请向量之间的弧，有E＝{e|e＝(vw,vv),vw,vv∈V,vw≠vv}；w表示弧的权重，有w＝{we|e∈E}。

对于图G，定义其加权邻接矩阵Aj，其维度为o×o。矩阵Aj中的元素为：

其中w、v表示索引。进一步，定义度矩阵Dj，其对角线元素为：

其余的元素均为0。此时，Lj是图Gj的拉普拉斯矩阵，有Lj＝Dj-Aj。

谱聚类(spectral clustering)的目标是将图切割为k个子图，且保证连接子图的区间权重和最小，子图内的权重和较大。

假设将图切割为两个子图，对于子图I和假设二者之间的连接路径集合为Ec，有：

则该路径集合权重为Wc，其数值为：

基于谱聚类的划分目标函数如下所示：

在此，本申请使用多路规范割集准则来作为实施方式，相比于其他准则，具备较高的执行效率，其识别模型如下：

基于该模型，本步骤要达到的目标是：将由V笔申请向量组成的图划分成若κ个子图，且分隔后子图内各笔申请向量间相似度达到最高，子图之间的申请向量相似度达到最低。而这个过程需要由智能算法驱动进行，以下介绍求解过程。

基于模拟退火的模型求解过程：

在模型建立后，存在两个待优化参数，一个是高斯核函数σ，另一个是分隔簇数目κ，为确定最优取值，提出基于模拟退火的优化算法来优化两个参数取值。

因此，约束条件为：

其中，n为迭代次数、Te为温度阈值、η为温度衰减率。

在此给出模型的具体求解过程：

Step1初始化σ以及κ，计算Aj、Dj、Lj；

Step2标准化拉普拉斯矩阵计算LS的前K小特征值对应的特征向量组成向量空间

Step3将Ψ中所有行向量转换为单位向量，得到矩阵X；

Step4对矩阵每一行使用k均值算法，得到k个簇；

Step5当矩阵X的第e行属于类别f时，将数据点xe划分到类别f中；

Step6计算目标函数值F，随机σ以及κ，重复Step1-Step5，得到新函数值；

Step7计算增量ΔF，并选择是否接收新解；

Step8若达到迭代册数，转Step9，否则转Step6；

Step9是否满足终止条件，如满足，转Step10，否则降温转Step6；

Step10输出最优解。

本实施例中，计算机设备通过确定历史财务申请集合中每一历史财务申请中所包括的目标监测指标，并根据每一历史财务申请所包括的目标监测指标构建指标向量组，根据所有历史财务申请对应的指标向量组构造指标有向图；再采用普聚类算法和指标有向图确定申请分类模型。通过上述方式将每一财务申请向量化，基于数学规划模型来确定上述申请分类模型，易于计算机设备实现，提高了申请分类模型的更新效率和准确性。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种财务申请的监测装置，包括：申请分类模块501和异常监测模块502，其中：

申请分类模块501用于将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；

异常监测模块502用于根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

在其中一个实施例中，申请分类模块501还用于：

将历史财务申请集合输入原始申请分类模型，得到原始分类结果；根据原始分类结果和原始监测指标集合中每一原始监测指标所对应的异常条件确定历史财务申请集合中异常申请的异常占比。

在其中一个实施例中，申请分类模块501具体用于：

在原始监测指标集合中获取n个候选监测指标，形成候选监测指标集合；其中，n由1依次取到N-1，N为原始监测指标集合中原始监测指标的总数；根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数；将目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合。

在其中一个实施例中，申请分类模块501具体用于：

获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本之和，作为监测指标优化模型的目标函数；或者，获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本加权之和，作为监测指标优化模型的目标函数。

在其中一个实施例中，申请分类模块501具体用于：

确定历史财务申请集合中每一历史财务申请中所包括的目标监测指标，并根据每一历史财务申请所包括的目标监测指标构建指标向量组；根据所有历史财务申请对应的指标向量组构造指标有向图；采用普聚类算法和指标有向图确定申请分类模型。

在其中一个实施例中，申请分类模块501具体用于：

采用普聚类算法和指标有向图确定初始申请分类模型；其中，初始申请分类模型用于将指标有向图划分为目标数量个子图，每个子图内的指标向量组之间相似度满足相似度下限要求；基于模拟退火算法求解初始申请分类模型中的模型参数，将模型参数带入初始申请分类模型，得到申请分类模型；其中，模型参数包括目标数量。

上述财务申请的监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种电子设备，该电子设备可以是终端，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种财务申请的监测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：

将历史财务申请集合输入原始申请分类模型，得到原始分类结果；根据原始分类结果和原始监测指标集合中每一原始监测指标所对应的异常条件确定历史财务申请集合中异常申请的异常占比。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：

在原始监测指标集合中获取n个候选监测指标，形成候选监测指标集合；其中，n由1依次取到N-1，N为原始监测指标集合中原始监测指标的总数；根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数；将目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本之和，作为监测指标优化模型的目标函数；或者，获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本加权之和，作为监测指标优化模型的目标函数。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：

确定历史财务申请集合中每一历史财务申请中所包括的目标监测指标，并根据每一历史财务申请所包括的目标监测指标构建指标向量组；根据所有历史财务申请对应的指标向量组构造指标有向图；采用普聚类算法和指标有向图确定申请分类模型。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：

采用普聚类算法和指标有向图确定初始申请分类模型；其中，初始申请分类模型用于将指标有向图划分为目标数量个子图，每个子图内的指标向量组之间相似度满足相似度下限要求；基于模拟退火算法求解初始申请分类模型中的模型参数，将模型参数带入初始申请分类模型，得到申请分类模型；其中，模型参数包括目标数量。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将历史财务申请集合输入原始申请分类模型，得到原始分类结果；根据原始分类结果和原始监测指标集合中每一原始监测指标所对应的异常条件确定历史财务申请集合中异常申请的异常占比。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

在原始监测指标集合中获取n个候选监测指标，形成候选监测指标集合；其中，n由1依次取到N-1，N为原始监测指标集合中原始监测指标的总数；根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数；将目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本之和，作为监测指标优化模型的目标函数；或者，获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本加权之和，作为监测指标优化模型的目标函数。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定历史财务申请集合中每一历史财务申请中所包括的目标监测指标，并根据每一历史财务申请所包括的目标监测指标构建指标向量组；根据所有历史财务申请对应的指标向量组构造指标有向图；采用普聚类算法和指标有向图确定申请分类模型。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

采用普聚类算法和指标有向图确定初始申请分类模型；其中，初始申请分类模型用于将指标有向图划分为目标数量个子图，每个子图内的指标向量组之间相似度满足相似度下限要求；基于模拟退火算法求解初始申请分类模型中的模型参数，将模型参数带入初始申请分类模型，得到申请分类模型；其中，模型参数包括目标数量。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

将目标财务申请集合输入申请分类模型，得到分类结果；其中，申请分类模型为根据目标监测指标集合和历史财务申请集合确定的分类模型，目标监测指标集合为由原始申请分类模型得到的异常申请的占比大于异常占比阈值时，采用监测指标优化模型根据训练时间成本和结果偏差成本对原始监测指标集合进行筛选后得到的监测指标集合；原始申请分类模型为根据原始监测指标集合和历史财务申请集合确定的分类模型；根据分类结果和目标监测指标集合中每一目标监测指标所对应的异常条件确定目标财务申请集合中的异常申请。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将历史财务申请集合输入原始申请分类模型，得到原始分类结果；根据原始分类结果和原始监测指标集合中每一原始监测指标所对应的异常条件确定历史财务申请集合中异常申请的异常占比。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

在原始监测指标集合中获取n个候选监测指标，形成候选监测指标集合；其中，n由1依次取到N-1，N为原始监测指标集合中原始监测指标的总数；根据各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本，确定监测指标优化模型的目标函数；将目标函数的值最小时对应的候选监测指标集合确定为目标监测指标集合。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本之和，作为监测指标优化模型的目标函数；或者，获取各候选监测指标集合所确定的候选申请分类模型的训练时间成本和结果偏差成本加权之和，作为监测指标优化模型的目标函数。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定历史财务申请集合中每一历史财务申请中所包括的目标监测指标，并根据每一历史财务申请所包括的目标监测指标构建指标向量组；根据所有历史财务申请对应的指标向量组构造指标有向图；采用普聚类算法和指标有向图确定申请分类模型。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：

采用普聚类算法和指标有向图确定初始申请分类模型；其中，初始申请分类模型用于将指标有向图划分为目标数量个子图，每个子图内的指标向量组之间相似度满足相似度下限要求；基于模拟退火算法求解初始申请分类模型中的模型参数，将模型参数带入初始申请分类模型，得到申请分类模型；其中，模型参数包括目标数量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。