本书共分为8个章节，大体上可以分为4个部分：第一部分包括第1～2章，从理论层面深入剖析企业纳税行为的基本特征、影响因素以及现有甄别方法的局限性，并梳理我国税收制度改革及税务稽查实践概况。第二部分包括第3～4章，探讨多源数据融合的内涵与方法，包括数据预处理、特征提取、特征融合和采样等关键环节，构建多源数据融合的涉税数据库以及企业纳税行为甄别指标体系。第三部分包括第5～7章，阐述Logistic回归、支持向量机和决策树等经典机器学习方法的基本原理及其在企业纳税行为甄别分析中的应用。在此基础上，本书重点介绍在分行业和分税种视角下，基于多任务学习的企业纳税行为甄别智能模型的构建过程，包括模型构建与算法、损失函数设计等关键环节，并展示实际案例应用效果分析，以及直观展现模型的有效性与实用性。第四部分包括第8章，总结本书的主要研究结论和政策建议，以及对企业纳税行为甄别研究的相关展望。

第1章 绪论
1.1 研究背景及意义
1.2 研究综述
1.3 研究内容与架构
第2章 企业纳税行为甄别研究的理论基础与政策实践
2.1 企业纳税行为相关概念与理论
2.2 企业纳税行为的影响因素分析
2.3 中国税收制度改革及税务稽查实践
2.4 小结
第3章 多源涉税数据的融合与处理
3.1 数据来源
3.2 多源涉税数据的融合
3.3 数据处理与采样
3.4 小结
第4章 企业纳税行为甄别指标体系构建
4.1 企业纳税行为甄别指标选择的方法
4.2 企业纳税行为甄别指标区分能力检验
4.3 企业纳税行为甄别指标体系的确立
4.4 小结
第5章 基于单任务学习的企业纳税行为甄别
5.1 单任务学习模型
5.2 模型评价指标及其标准
5.3 单任务学习模型应用研究
5.4 小结
第6章 基于多任务学习的分行业企业纳税行为甄别
6.1 多任务结构化稀疏学习模型
6.2 模型应用研究
6.3 模型应用效果比较分析
6.4 小结
第7章 基于多任务学习的分税种企业纳税行为甄别
7.1 多任务深度神经网络模型
7.2 模型应用研究
7.3 模型应用效果比较分析
7.4 小结
第8章 结论与展望
8.1 研究结论与政策建议
8.2 研究展望
参考文献
后记