Estratégias computacionais baseadas em similaridade de textos e visualização exploratória para a identificação de inconsistências em notas fiscais eletrônicas

Abstract

A fiscalização e a detecção de fraudes fiscais têm sido um desafio significativo devido à grande quantidade de notas fiscais geradas diariamente. Nesse contexto, esta pesquisa propõe duas abordagens para auxiliar os especialistas na tarefa de auditoria, utilizando

o conjunto de dados não rotulado das Notas Fiscais Eletrônicas do Consumidor do Dis- trito Federal. A primeira abordagem é baseada em rotulação automática por meio de

similaridade de textos para a detecção de casos suspeitos de fraude, e avaliação da repro- ducibilidade desses rótulos por Aprendizado de Máquina, utilizando a distância cosseno

e a Edit Distance, e as formas de representação de textos Word2vec, Doc2vec, Trans- former Distiluse Multilingual e BERT. A segunda abordagem é baseada em visualização

interativa utilizando TF-IDF e similaridade em conjunto com as técnicas MDS, t-SNE e UMAP para a análise visual dos dados e K-Means para a definição de agrupamentos. Os melhores resultados de avaliação automática foram obtidos com rótulos criados pela Edit Distance e os de visualização foram obtidos com a combinação da distância euclideana e cosseno, t-SNE e K-Means. Foi criada uma ferramenta web interativa de visualização, na qual os especialistas podem explorar as notas fiscais e obter informações relevantes para a otimização do processo de detecção de inconsistências em notas fiscais.