本發(fā)明屬于人工智能的，尤其涉及一種基于人工智能的財(cái)務(wù)智能問(wèn)答方法及系統(tǒng)。

背景技術(shù)：

1、隨著大數(shù)據(jù)時(shí)代的到來(lái)，海量的文本數(shù)據(jù)迅速積累，如何有效地對(duì)這些數(shù)據(jù)進(jìn)行自動(dòng)化分析和標(biāo)注成為一個(gè)至關(guān)重要的技術(shù)問(wèn)題。文本標(biāo)簽生成本發(fā)明廣泛應(yīng)用于搜索引擎、推薦本發(fā)明、自然語(yǔ)言處理等多個(gè)領(lǐng)域，能夠通過(guò)對(duì)文本數(shù)據(jù)的語(yǔ)義分析，生成適合該文本的簡(jiǎn)要標(biāo)簽，從而提高文本數(shù)據(jù)的檢索、分類(lèi)和理解能力。傳統(tǒng)的文本標(biāo)簽生成技術(shù)主要依賴于兩種方式：一種是基于人工規(guī)則的標(biāo)簽生成方法，另一種是基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型的自動(dòng)化標(biāo)簽生成方法。

2、人工規(guī)則方法的典型做法是通過(guò)專(zhuān)家根據(jù)領(lǐng)域知識(shí)設(shè)計(jì)一系列的規(guī)則和關(guān)鍵詞匹配模型，來(lái)為文本生成標(biāo)簽。然而，這種方法嚴(yán)重依賴領(lǐng)域?qū)＜业慕?jīng)驗(yàn)，適用性較差且擴(kuò)展性低，無(wú)法在不同領(lǐng)域靈活使用。尤其是在數(shù)據(jù)量急劇增加的今天，依靠人工規(guī)則的方式既耗時(shí)費(fèi)力，也無(wú)法滿足高頻率的更新需求。此外，規(guī)則方法往往只適用于特定場(chǎng)景，無(wú)法有效處理復(fù)雜語(yǔ)義、多義詞或不同語(yǔ)境下的語(yǔ)義變化，導(dǎo)致生成的標(biāo)簽難以精準(zhǔn)反映文本內(nèi)容的復(fù)雜語(yǔ)義。

3、基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的自動(dòng)化標(biāo)簽生成方法則主要依賴于大規(guī)模數(shù)據(jù)集的訓(xùn)練，通過(guò)對(duì)海量標(biāo)注數(shù)據(jù)的學(xué)習(xí)，模型能夠提取出文本的深層次語(yǔ)義并生成相應(yīng)的標(biāo)簽。深度學(xué)習(xí)技術(shù)如bert、gpt等語(yǔ)言模型的出現(xiàn)，極大提升了標(biāo)簽生成的準(zhǔn)確性和效率。然而，現(xiàn)有的深度學(xué)習(xí)方法也面臨一些局限性。首先，這類(lèi)模型的訓(xùn)練過(guò)程通常依賴于大量的標(biāo)注數(shù)據(jù)，而在許多新興領(lǐng)域或數(shù)據(jù)量較少的領(lǐng)域，標(biāo)注數(shù)據(jù)匱乏，使得模型難以充分訓(xùn)練。其次，現(xiàn)有模型多為單模態(tài)模型，主要依賴于文本輸入進(jìn)行標(biāo)簽生成，難以結(jié)合其他模態(tài)數(shù)據(jù)（如圖像、音頻等）生成更加全面的標(biāo)簽。特別是在社交媒體、新聞等多模態(tài)信息豐富的場(chǎng)景下，單純依賴文本的標(biāo)簽生成本發(fā)明難以捕捉全部信息。此外，當(dāng)前的深度學(xué)習(xí)模型大多是黑盒模型，缺乏透明性，用戶無(wú)法清楚地了解模型生成標(biāo)簽的依據(jù)，特別是在敏感領(lǐng)域如醫(yī)療、金融、法律等，無(wú)法解釋的標(biāo)簽生成過(guò)程可能會(huì)導(dǎo)致用戶對(duì)本發(fā)明的信任度下降。因此，現(xiàn)有技術(shù)雖然能夠在一定程度上提高文本標(biāo)簽生成的自動(dòng)化水平，但在跨領(lǐng)域適應(yīng)性差、標(biāo)簽生成透明度低，以及對(duì)多模態(tài)信息的整合能力不足等方面依然存在較大不足。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的設(shè)計(jì)一種基于人工智能的財(cái)務(wù)智能問(wèn)答方法及系統(tǒng)，通過(guò)結(jié)合差分隱私保護(hù)、分布式計(jì)算、分層神經(jīng)網(wǎng)絡(luò)和時(shí)效性調(diào)整機(jī)制，本發(fā)明提供了一種具有高隱私保護(hù)、高智能化水平的財(cái)務(wù)問(wèn)答系統(tǒng)，能夠有效解決現(xiàn)有技術(shù)中隱私泄露、上下文理解不足和數(shù)據(jù)處理能力有限等問(wèn)題，為大規(guī)模、跨組織的財(cái)務(wù)數(shù)據(jù)分析和智能問(wèn)答提供了新的解決方案。

2、為了達(dá)到上述目的，在本發(fā)明的第一方面提供了一種基于人工智能的財(cái)務(wù)智能問(wèn)答方法，所述方法包括以下步驟：

3、s1、采集財(cái)務(wù)問(wèn)題進(jìn)行問(wèn)題文本建模并分析問(wèn)題中的關(guān)鍵詞，并根據(jù)預(yù)設(shè)的知識(shí)圖譜與基于規(guī)則的推理方法，根據(jù)所述關(guān)鍵詞分析問(wèn)題中的隱含財(cái)務(wù)目標(biāo)，得到結(jié)構(gòu)化的財(cái)務(wù)問(wèn)題表示；

4、s2、基于結(jié)構(gòu)化的財(cái)務(wù)問(wèn)題表示使用統(tǒng)一數(shù)據(jù)訪問(wèn)層選擇與問(wèn)題相關(guān)的跨平臺(tái)數(shù)據(jù)源進(jìn)行檢索查詢，在檢索查詢過(guò)程中，通過(guò)差分隱私機(jī)制對(duì)數(shù)據(jù)進(jìn)行噪聲注入，以防泄漏敏感信息，最后通過(guò)聚合操作，將多個(gè)平臺(tái)返回的財(cái)務(wù)數(shù)據(jù)進(jìn)行聚合；

5、s3、根據(jù)跨平臺(tái)數(shù)據(jù)和上下文信息構(gòu)建上下文推理模型，通過(guò)上下文信息補(bǔ)充聚合后的財(cái)務(wù)數(shù)據(jù)的缺失性和解釋性，并對(duì)聚合后的財(cái)務(wù)數(shù)據(jù)進(jìn)行增強(qiáng)，并綜合多平臺(tái)數(shù)據(jù)源進(jìn)行多層次分析和異常財(cái)務(wù)數(shù)據(jù)檢測(cè)，當(dāng)出現(xiàn)異常財(cái)務(wù)數(shù)據(jù)時(shí)，采用自適應(yīng)異常檢測(cè)算法對(duì)異常的財(cái)務(wù)數(shù)據(jù)進(jìn)行修正，將最終的財(cái)務(wù)數(shù)據(jù)輸入s4；

6、s4、當(dāng)當(dāng)前財(cái)務(wù)市場(chǎng)情況發(fā)生變化時(shí)，設(shè)計(jì)時(shí)效性動(dòng)態(tài)調(diào)整機(jī)制對(duì)s3產(chǎn)生的財(cái)務(wù)數(shù)據(jù)進(jìn)行時(shí)效性動(dòng)態(tài)調(diào)整，根據(jù)時(shí)效性動(dòng)態(tài)調(diào)整后的財(cái)務(wù)數(shù)據(jù)引入基于深度學(xué)習(xí)的答案生成機(jī)制生成財(cái)務(wù)問(wèn)題的智能決策結(jié)果，并將智能決策結(jié)果輸入s5；

7、s5、收集基于初步智能決策結(jié)果的用戶反饋和初步智能決策結(jié)果，基于用戶反饋設(shè)計(jì)用戶反饋機(jī)制，將用戶的反饋對(duì)財(cái)務(wù)決策系統(tǒng)的影響最大化，并使其能夠動(dòng)態(tài)適應(yīng)用戶偏好的長(zhǎng)期變化，同時(shí)對(duì)所述問(wèn)題文本建模的模型進(jìn)行自適應(yīng)調(diào)整，在完成用戶反饋和自適應(yīng)調(diào)整后，生成最終決策結(jié)果。

8、進(jìn)一步地，所述結(jié)構(gòu)化的財(cái)務(wù)問(wèn)題表示包括財(cái)務(wù)目標(biāo)、報(bào)表類(lèi)型、時(shí)間區(qū)間和關(guān)鍵詞；

9、在所述s1中，采集財(cái)務(wù)問(wèn)題進(jìn)行問(wèn)題文本建模并分析問(wèn)題中的關(guān)鍵詞使用基于財(cái)務(wù)領(lǐng)域微調(diào)的transformer模型來(lái)對(duì)問(wèn)題文本進(jìn)行語(yǔ)義建模，所述基于財(cái)務(wù)領(lǐng)域微調(diào)的transformer模型采用經(jīng)過(guò)財(cái)務(wù)領(lǐng)域數(shù)據(jù)微調(diào)的bert模型進(jìn)行問(wèn)題文本的編碼，bert模型能夠?qū)⒚總€(gè)問(wèn)題的詞匯轉(zhuǎn)化為語(yǔ)義向量，從而捕捉問(wèn)題的深層含義；

10、所述關(guān)鍵詞分析如下：

11、首先，設(shè)計(jì)每個(gè)詞匯的重要性分?jǐn)?shù)對(duì)bert模型的輸出進(jìn)行分析，得到關(guān)鍵詞；

12、然后，將這些關(guān)鍵詞與其上下文進(jìn)行基于上下文信息權(quán)重的加權(quán)平均計(jì)算，獲得語(yǔ)義表示；

13、所述預(yù)設(shè)的知識(shí)圖譜與基于規(guī)則的推理方法，包括：

14、所述知識(shí)圖譜包含各類(lèi)財(cái)務(wù)指標(biāo)與財(cái)務(wù)目標(biāo)之間的關(guān)系；

15、所述規(guī)則為根據(jù)問(wèn)題中的關(guān)鍵詞推理出其可能的財(cái)務(wù)目標(biāo)。

16、進(jìn)一步地，所述s1，還包括，設(shè)置基于規(guī)則的時(shí)間識(shí)別與標(biāo)準(zhǔn)化模塊，從問(wèn)題中提取時(shí)間信息并利用正則表達(dá)式和簡(jiǎn)單規(guī)則集來(lái)提取并轉(zhuǎn)換成標(biāo)準(zhǔn)的時(shí)間區(qū)間。

17、進(jìn)一步地，所述通過(guò)差分隱私機(jī)制對(duì)數(shù)據(jù)進(jìn)行噪聲注入，以防泄漏敏感信息，最后通過(guò)聚合操作，將多個(gè)平臺(tái)返回的財(cái)務(wù)數(shù)據(jù)進(jìn)行聚合；其中，所述差分隱私機(jī)制的隱私預(yù)算控制所述噪聲注入的噪聲強(qiáng)度，以保證數(shù)據(jù)隱私和數(shù)據(jù)質(zhì)量之間的平衡；

18、其中，所述差分隱私機(jī)制，還包括：

19、所述隱私預(yù)算根據(jù)隱私預(yù)算閾值和當(dāng)前隱私預(yù)算進(jìn)行動(dòng)態(tài)調(diào)整；

20、所述s2，還包括：

21、通過(guò)aes算法加密聚合財(cái)務(wù)數(shù)據(jù)，生成加密后的財(cái)務(wù)數(shù)據(jù)，用于確保數(shù)據(jù)在存儲(chǔ)與傳輸過(guò)程中的安全性。

22、進(jìn)一步地，所述上下文推理模型使用雙重注意力機(jī)制根據(jù)時(shí)間維度和上下文信息對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行增強(qiáng)，具體包括：

23、首先，所述上下文推理模型對(duì)每個(gè)數(shù)據(jù)點(diǎn)賦予一個(gè)時(shí)間注意力權(quán)重，所述時(shí)間注意力權(quán)重會(huì)根據(jù)數(shù)據(jù)的時(shí)效性變化進(jìn)行動(dòng)態(tài)調(diào)整；

24、其次，所述上下文推理模型根據(jù)數(shù)據(jù)的行業(yè)背景或宏觀經(jīng)濟(jì)環(huán)境給出上下文信息的注意力權(quán)重；

25、最后，基于所述時(shí)間注意力權(quán)重和上下文信息的注意力權(quán)重，通過(guò)加權(quán)和計(jì)算對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，得到增強(qiáng)后的財(cái)務(wù)數(shù)據(jù)；

26、所述綜合多平臺(tái)數(shù)據(jù)源通過(guò)采用分層加權(quán)融合機(jī)制進(jìn)行財(cái)務(wù)數(shù)據(jù)整合，用于對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行分層處理，逐步整合各層次的數(shù)據(jù)特征。

27、進(jìn)一步地，所述自適應(yīng)異常檢測(cè)算法根據(jù)數(shù)據(jù)分布的標(biāo)準(zhǔn)化情況，動(dòng)態(tài)調(diào)整異常檢測(cè)的閾值，包括：

28、在檢測(cè)過(guò)程中，系統(tǒng)計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與當(dāng)前數(shù)據(jù)集的均值和標(biāo)準(zhǔn)差的偏差程度，判斷是否為異常值：

29、若偏差超過(guò)預(yù)設(shè)閾值，則該數(shù)據(jù)點(diǎn)被判定為異常值；

30、對(duì)于異常數(shù)據(jù)，系統(tǒng)根據(jù)歷史財(cái)務(wù)數(shù)據(jù)和上下文信息進(jìn)行修復(fù)，采用基于多任務(wù)學(xué)習(xí)的修復(fù)方法，能夠根據(jù)不同類(lèi)型的異常數(shù)據(jù)選擇最合適的修復(fù)策略。

31、進(jìn)一步地，所述時(shí)效性動(dòng)態(tài)調(diào)整機(jī)制，構(gòu)建如下：

32、設(shè)計(jì)時(shí)間衰減因子用于根據(jù)數(shù)據(jù)的歷史時(shí)間戳來(lái)動(dòng)態(tài)調(diào)整其在模型中的重要性；設(shè)計(jì)行業(yè)影響因子根據(jù)當(dāng)前行業(yè)經(jīng)濟(jì)環(huán)境對(duì)財(cái)務(wù)數(shù)據(jù)的影響程度進(jìn)行調(diào)整；設(shè)計(jì)外部事件調(diào)整因子用于引入外部事件對(duì)財(cái)務(wù)數(shù)據(jù)的實(shí)時(shí)影響，若某個(gè)特定事件影響到公司業(yè)績(jī)，則調(diào)整相關(guān)財(cái)務(wù)數(shù)據(jù)；

33、所述時(shí)效性動(dòng)態(tài)調(diào)整機(jī)制基于原始財(cái)務(wù)數(shù)據(jù)、行業(yè)影響因子調(diào)整后的財(cái)務(wù)數(shù)據(jù)以及外部事件調(diào)整因子，進(jìn)行基于時(shí)間衰減因子的指數(shù)加權(quán)移動(dòng)平均對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行時(shí)效性動(dòng)態(tài)調(diào)整，得到經(jīng)過(guò)時(shí)效性動(dòng)態(tài)調(diào)整的財(cái)務(wù)數(shù)據(jù)；

34、所述答案生成機(jī)制采用長(zhǎng)短期記憶網(wǎng)絡(luò)與自注意力機(jī)制結(jié)合生成。

35、進(jìn)一步地，所述智能決策結(jié)果包括預(yù)測(cè)的凈利潤(rùn)和行業(yè)風(fēng)險(xiǎn)評(píng)估，為決策者提供優(yōu)化建議和顯示經(jīng)過(guò)時(shí)效性調(diào)整的數(shù)據(jù)；所述智能決策結(jié)果通過(guò)結(jié)構(gòu)化的json格式輸出。

36、進(jìn)一步地，所述用戶反饋的調(diào)整，具體有：

37、采集時(shí)效性動(dòng)態(tài)調(diào)整后生成的初步財(cái)務(wù)決策，基于當(dāng)前用戶的即時(shí)反饋數(shù)據(jù)和用戶長(zhǎng)期偏好對(duì)初步財(cái)務(wù)決策進(jìn)行修正，得到經(jīng)過(guò)用戶反饋調(diào)整后的財(cái)務(wù)決策結(jié)果，用于將用戶的反饋對(duì)財(cái)務(wù)決策系統(tǒng)的影響最大化，并使其能夠動(dòng)態(tài)適應(yīng)用戶偏好的長(zhǎng)期變化；

38、所述自適應(yīng)調(diào)整基于自適應(yīng)優(yōu)化機(jī)制，通過(guò)基于梯度優(yōu)化對(duì)用戶反饋的調(diào)整進(jìn)行優(yōu)化，所述梯度優(yōu)化的梯度用于進(jìn)行用戶反饋的調(diào)整的優(yōu)化。

39、在本發(fā)明的第二方面提供了一種基于人工智能的財(cái)務(wù)智能問(wèn)答系統(tǒng)，所述系統(tǒng)包括：

40、財(cái)務(wù)問(wèn)題解析模塊，用于財(cái)務(wù)問(wèn)題進(jìn)行問(wèn)題文本建模并分析問(wèn)題中的關(guān)鍵詞，并根據(jù)預(yù)設(shè)的知識(shí)圖譜與基于規(guī)則的推理方法，根據(jù)所述關(guān)鍵詞分析問(wèn)題中的隱含財(cái)務(wù)目標(biāo)，得到結(jié)構(gòu)化的財(cái)務(wù)問(wèn)題表示；

41、跨平臺(tái)數(shù)據(jù)檢索模塊，用于基于結(jié)構(gòu)化的財(cái)務(wù)問(wèn)題表示使用統(tǒng)一數(shù)據(jù)訪問(wèn)層選擇與問(wèn)題相關(guān)的跨平臺(tái)數(shù)據(jù)源進(jìn)行檢索查詢，在檢索查詢過(guò)程中，通過(guò)差分隱私機(jī)制對(duì)數(shù)據(jù)進(jìn)行噪聲注入，以防泄漏敏感信息，最后通過(guò)聚合操作，將多個(gè)平臺(tái)返回的財(cái)務(wù)數(shù)據(jù)進(jìn)行聚合；

42、上下文推理整合模塊，用于根據(jù)跨平臺(tái)數(shù)據(jù)和上下文信息構(gòu)建上下文推理模型，通過(guò)上下文信息補(bǔ)充聚合后的財(cái)務(wù)數(shù)據(jù)的缺失性和解釋性，并對(duì)聚合后的財(cái)務(wù)數(shù)據(jù)進(jìn)行增強(qiáng)，并綜合多平臺(tái)數(shù)據(jù)源進(jìn)行多層次分析和異常財(cái)務(wù)數(shù)據(jù)檢測(cè)，當(dāng)出現(xiàn)異常財(cái)務(wù)數(shù)據(jù)時(shí)，采用自適應(yīng)異常檢測(cè)算法對(duì)異常的財(cái)務(wù)數(shù)據(jù)進(jìn)行修正，將最終的財(cái)務(wù)數(shù)據(jù)輸入時(shí)效性動(dòng)態(tài)調(diào)整與答案生成模塊；

43、時(shí)效性動(dòng)態(tài)調(diào)整與答案生成模塊，用于當(dāng)當(dāng)前財(cái)務(wù)市場(chǎng)情況發(fā)生變化時(shí)，設(shè)計(jì)時(shí)效性動(dòng)態(tài)調(diào)整機(jī)制對(duì)上下文推理整合模塊產(chǎn)生的財(cái)務(wù)數(shù)據(jù)進(jìn)行時(shí)效性動(dòng)態(tài)調(diào)整，根據(jù)時(shí)效性動(dòng)態(tài)調(diào)整后的財(cái)務(wù)數(shù)據(jù)引入基于深度學(xué)習(xí)的答案生成機(jī)制生成財(cái)務(wù)問(wèn)題的智能決策結(jié)果，并將智能決策結(jié)果輸入用戶反饋與答案優(yōu)化模塊；

44、用戶反饋與答案優(yōu)化模塊，用于收集基于初步智能決策結(jié)果的用戶反饋和初步智能決策結(jié)果，基于用戶反饋設(shè)計(jì)用戶反饋機(jī)制，將用戶的反饋對(duì)財(cái)務(wù)決策系統(tǒng)的影響最大化，并使其能夠動(dòng)態(tài)適應(yīng)用戶偏好的長(zhǎng)期變化，同時(shí)對(duì)所述問(wèn)題文本建模的模型進(jìn)行自適應(yīng)調(diào)整，在完成用戶反饋和自適應(yīng)調(diào)整后，生成最終決策結(jié)果。

45、本發(fā)明的有益技術(shù)效果至少在于以下幾點(diǎn)：

46、本發(fā)明采用了差分隱私技術(shù)，確保在多方數(shù)據(jù)源環(huán)境下，用戶查詢時(shí)不會(huì)泄露敏感的財(cái)務(wù)數(shù)據(jù)。與傳統(tǒng)的隱私保護(hù)方法（如加密傳輸、訪問(wèn)控制等）不同，差分隱私能夠通過(guò)加入噪聲的方式處理查詢請(qǐng)求，確保數(shù)據(jù)的隱私性同時(shí)又不影響查詢結(jié)果的有效性。這一技術(shù)能夠解決傳統(tǒng)財(cái)務(wù)問(wèn)答系統(tǒng)中由于缺乏隱私保護(hù)措施而帶來(lái)的數(shù)據(jù)泄露風(fēng)險(xiǎn)，特別是在跨組織、跨平臺(tái)的數(shù)據(jù)交換和分析中，保障了用戶的數(shù)據(jù)安全性。

47、本發(fā)明設(shè)計(jì)了一種分布式數(shù)據(jù)存儲(chǔ)與計(jì)算架構(gòu)，支持來(lái)自多個(gè)分布式節(jié)點(diǎn)（如不同企業(yè)、部門(mén)、金融平臺(tái)等）的數(shù)據(jù)進(jìn)行聯(lián)合查詢和處理。通過(guò)此架構(gòu)，系統(tǒng)能夠有效地對(duì)來(lái)自不同數(shù)據(jù)源的數(shù)據(jù)進(jìn)行統(tǒng)一分析，避免了傳統(tǒng)系統(tǒng)只能處理單一數(shù)據(jù)源的限制。采用差分隱私技術(shù)保障數(shù)據(jù)隱私的同時(shí)，系統(tǒng)能夠高效地跨組織、跨平臺(tái)進(jìn)行數(shù)據(jù)整合與分析，全面提升了財(cái)務(wù)問(wèn)答系統(tǒng)的智能化與可用性。

48、本發(fā)明通過(guò)引入分層神經(jīng)網(wǎng)絡(luò)架構(gòu)，提升了系統(tǒng)對(duì)復(fù)雜財(cái)務(wù)問(wèn)題的上下文理解能力。傳統(tǒng)的財(cái)務(wù)問(wèn)答系統(tǒng)通常無(wú)法有效理解問(wèn)題中的上下文信息，尤其是在涉及多層次、時(shí)效性強(qiáng)的財(cái)務(wù)問(wèn)題時(shí)，無(wú)法生成準(zhǔn)確的答案。本發(fā)明的分層神經(jīng)網(wǎng)絡(luò)可以在多個(gè)層級(jí)上解析財(cái)務(wù)問(wèn)題，從基礎(chǔ)的財(cái)務(wù)項(xiàng)（如收入、支出）到更復(fù)雜的時(shí)效性問(wèn)題（如財(cái)務(wù)報(bào)表的季度對(duì)比、年度趨勢(shì)等），逐步進(jìn)行推理，從而生成更為準(zhǔn)確和詳細(xì)的答案。這一創(chuàng)新能夠有效解決現(xiàn)有技術(shù)中在處理復(fù)雜、動(dòng)態(tài)財(cái)務(wù)問(wèn)題時(shí)的理解障礙，提升系統(tǒng)的智能化水平。

49、在財(cái)務(wù)問(wèn)題中，時(shí)效性是一個(gè)關(guān)鍵因素，尤其是在進(jìn)行數(shù)據(jù)對(duì)比和趨勢(shì)分析時(shí)，往往需要根據(jù)問(wèn)題中的時(shí)間維度（如“今年”，“去年”，“第一季度”）動(dòng)態(tài)調(diào)整數(shù)據(jù)的來(lái)源和分析方法。本發(fā)明通過(guò)引入時(shí)效性動(dòng)態(tài)調(diào)整機(jī)制，能夠自動(dòng)識(shí)別問(wèn)題中的時(shí)間因素，并根據(jù)時(shí)間節(jié)點(diǎn)調(diào)整數(shù)據(jù)的分析范圍和處理方法，從而確保給出的財(cái)務(wù)答案能夠反映出當(dāng)前的實(shí)時(shí)狀況和歷史變化。這一機(jī)制解決了現(xiàn)有財(cái)務(wù)問(wèn)答系統(tǒng)無(wú)法應(yīng)對(duì)復(fù)雜時(shí)間維度問(wèn)題的缺陷。

50、通過(guò)結(jié)合差分隱私保護(hù)、分布式計(jì)算、分層神經(jīng)網(wǎng)絡(luò)和時(shí)效性調(diào)整機(jī)制，本發(fā)明提供了一種具有高隱私保護(hù)、高智能化水平的財(cái)務(wù)問(wèn)答系統(tǒng)，能夠有效解決現(xiàn)有技術(shù)中隱私泄露、上下文理解不足和數(shù)據(jù)處理能力有限等問(wèn)題，為大規(guī)模、跨組織的財(cái)務(wù)數(shù)據(jù)分析和智能問(wèn)答提供了新的解決方案。