Das traditionelle intelligente Finanz-Shared-Service-Center (IFSSC) steht vor drei Herausforderungen: Datenheterogenität, Aufgabenfragmentierung und Szenendynamik. Um diese Herausforderungen zu bewältigen, schlägt dieses Papier ein Klassifikations- und Vorhersagemodell für multinationale Finanzdaten (DGAT-MTL) für IFSSC vor, das darauf abzielt, ein Multi-Task-Lernparadigma für den Finanzbereich durch dynamische Gewichtszuteilung und Injection von Fachwissen zu etablieren. Das Modell basiert auf einem dynamischen Graph-Attention-Mechanismus und umfasst einen gemeinsamen Merkmals-Encoder, ein Modul zur Modellierung der dynamischen Aufgabenkorrelation, ein Modul zur Injection von Fachwissen und ein Modul zur domänenspezifischen Anpassung. Durch die Analyse der Gradientenähnlichkeit und die Quantifizierung von Geschäftsregeln kann das Modell die Gewichtungen von Aufgaben dynamisch anpassen, die sich entwickelnden Muster der finanziellen Aufgabenkorrelationen aufdecken und den Domänenschwankungen in Finanzdaten mithilfe von Maximum Mean Discrepancy (MMD) und Gradient Reversal Layer (GRL) begegnen. Die experimentellen Ergebnisse zeigen, dass DGAT-MTL in den Aufgaben der Kreditorenklassifikation und der Cashflow-Vorhersage gut abschneidet, mit einer Genauigkeitsrate von 91,5 % und einem Root Mean Square Error (RMSE) von 7,3, und zeigt eine starke Generalisierungsfähigkeit in der Domänenüberprüfung. Das Modell verbessert nicht nur die Effizienz und Genauigkeit der Verarbeitung von Finanzdaten, sondern erhöht auch signifikant die Stabilität und Anpassungsfähigkeit des Modells in verschiedenen Geschäftsstufen und Unternehmensumgebungen, was eine starke Unterstützung für den Aufbau eines intelligenten Finanz-Shared-Service-Centers bietet.
Cai Li (Sun,) hat diese Frage untersucht.