基于深度学习的自然资源审计数据研究——以水污染图像数据分析为例

党的二十大报告指出,尊重自然、保护自然、顺应自然是全面建设社会主义现代化国家的内在要求,开展自然资源审计的重要性不言而喻。当下自然资源审计虽然已经取得了一定的成果,但在图像等非结构化数据的处理上仍然效率不高。水资源作为自然资源的重要组成部分,其审计工作的重要性不言而喻,而且图像等非结构化数据在水资源审计数据中占比很大。为此,文章以自然资源审计中的水资源审计为例,聚焦于水污染图像数据处理,设计了一种基于深度学习的自然资源审计数据处理算法。通过对主流YOLOv5网络的改进,使其在水污染图像数据处理的准确率和处理速度等方面具有良好的表现,为提升自然资源审计的效率提供了有力支撑。

数智化时代的计算机审计教学改革研究

计算机审计课程致力于培养具备审计平台开发和审计数据分析能力的应用人才。然而在数智化时代,该课程的教学尚未将新兴技术充分融入课堂,难以满足现代化审计岗位的高质量专业人才需求。据此,该研究探索了在保持培养智慧型、复合型和应用型审计专业人才的教学目标,以及遵循完整、规范和科学的审计工作流程不变的前提下,从教学资源建设、教学模式转变和评价机制完善的角度形成应变策略。由此可指明教学改革的方向,为培养具备跨领域专业知识结构、职业道德素养和创新精神的审计人才提供稳固根基。

产教融合驱动下智能审计人才培养模式创新与实践——以南京审计大学为例

信息技术迅猛发展的当代,智能审计逐渐成为审计领域的革新趋势。探索产教融合驱动下智能审计创新人才培养的有效模式,并以南京审计大学计算机学院的实践为例,分析其在培养适应新时代需求的复合型人才方面的成效与经验。研究结果表明,该模式在促进学生创新思维和实践能力方面效果显著,能够实现学科交叉深度融合与课程资源全面整合、实习实训平台强化建设与创新能力全面培育、双师型教师团队精心打造与教学质量持续提升,以及学生创新能力与就业竞争力显著提升,对其他高等教育机构颇具借鉴意义。

基于区块链的审计数据查询框架构建研究

区块链技术具有去中心化、防篡改、可追溯等技术特点,可以为审计数据安全提供帮助。然而在实际审计场景应用中,区块链系统由于其本身查询效率低下和查询功能有限等不足,难以满足审计的及时性和功能性需求。文章提出一种基于区块链的审计数据查询系统框架。首先扩展了区块链上存储的数据结构,满足对被审计数据做数据处理的需求;其次,把区块链中的数据同步到其他数据库中,实现数据的快速查询和多类型查询;最后,通过设计同步规则和构建索引,保证数据从区块链到数据库的一致性和快速更新。从仿真实验结果来看,该框架方案在查询效率、查询功能、数据同步等方面具有良好的表现。

大数据审计实践课程体系探索

审计全覆盖的实施依赖于既懂审计实践又懂大数据技术的大数据审计人才。比对工程教育认证标准中的实践教学体系要求,当前大数据审计人才的培养存在课程体系缺失、数据资源缺失和实验平台缺失等棘手问题。针对上述问题,提出了面向工程教育认证的大数据审计实践课程体系建设思路,包括基于模块化的实践课程体系构建、面向审计案例的数据资源库建设,以及基于定制化的实验教学平台建设。

RM-RT^(2)NI:融合评论时效与可信近邻影响力的推荐模型

基于矩阵分解的推荐模型虽然能够处理高维评分数据,但容易遭受评分数据稀疏性的困扰。基于评分和评论的推荐模型通过外加隐藏在评论中的用户偏好与物品属性信息,缓解了评分数据的稀疏性,但在特征提取时大多没有关注评论时效性和可信近邻影响力,无法获得更丰富的用户和物品特征。为进一步提高推荐精度,提出了融合评论时效与可信近邻影响力的推荐模型RM-RT^(2)NI。基于评分矩阵,该模型使用矩阵分解提取了用户偏好和物品属性的浅层特征,利用云模型和修正的用户相似度评估模型和新构建的信度评估模型提取出可信近邻影响力;基于评论文本,该模型利用BERT模型获得每条评论的隐表达,利用双向GRU提取评论间的联系,利用新构建的融合时间因子的注意力机制识别各评论的时效贡献度,以获取用户和物品的深层特征。在此基础上,将用户浅层特征、深层特征以及可信近邻影响力特征融合成用户特征,将物品浅层特征和深层特征融合成物品特征,并将它们输入全连接神经网络以预测用户-物品评分。在5组公开数据集上对RM-RM-RT^(2)NI的推荐性能进行了实验评估,结果显示,与7个基线模型相比,RM-RT^(2)NI具有更高的评分预测精度,且RMSE平均降低了3.0657%。

一种基于时效近邻可信选取策略的协同过滤推荐方法

传统协同过滤推荐通常基于数据是静态的假设,在数据稀疏时存在推荐精度低下的问题。为解决该问题,一些研究尝试向推荐策略中添加有关用户兴趣变化、推荐能力可信度等补充信息,但对误导或干扰推荐的恶意用户兴趣策略变化和推荐能力波动等异常情况欠缺考虑,系统抗攻击性、推荐稳定性与可信性均难以得到保证。通过引入兴趣时效相似度和推荐信度重估两个概念,提出了一种基于时效近邻可信选取策略的协同过滤推荐方法。该方法充分考虑了影响目标用户近邻筛选质量的用户兴趣异常变化和推荐能力波动两个关键因素,构建了包含时效近邻筛选、可信近邻选取和评分预测3个策略的推荐流程。在MovieLens数据集和亚马逊video game数据集上,利用平均绝对误差,平均预测增量,攻击用户查准率、查全率和调和平均等评估指标,对所提策略与其他6种基准策略进行了比较。结果显示,新策略在推荐精度、抗攻击力和攻击者识别力上均有明显的性能提升。