一种基于AI的商品HS编码智能匹配方法与流程

本发明涉及人工智能，尤其涉及一种基于ai的商品hs编码智能匹配方法。

背景技术：

1、hs编码是对进出口商品进行类别标识的重要数据。商品归类过程中通常需要综合商品名称、规格型号、主体材质、成分比例、用途功能、加工状态及组成结构等多类申报信息，并结合相应的类注、章注、品目条文及排他性条件确定商品对应的编码。然而，实际获取的商品申报数据通常来源于商品管理系统、订单系统、企业数据库或人工填写终端，不同数据源之间存在字段结构不一致、属性名称不统一、同义表述较多及关键参数缺失等情况，导致商品申报文本难以直接转换为规则推理所需的结构化属性。

2、现有商品hs编码匹配系统通常根据文本语义相似度生成多个候选编码，但语义模型输出的概率关联与排他性规则中的阈值条件、适用范围及排除结论采用不同的数据表示形式，难以在同一计算结构中进行状态校验。当商品属性缺失或置信度不足时，系统无法准确确定导致候选路径互斥的具体属性节点及约束关系，通常需要对全部规则节点和候选编码路径进行重复遍历；在补充单一商品属性后，还需要重新执行全量规则匹配，造成无关节点访问、约束边重复校验及候选路径反复计算，降低冲突定位和约束传播的处理效率。

技术实现思路

1、本发明为解决上述技术问题，提出了一种基于ai的商品hs编码智能匹配方法，以解决至少一个上述技术问题。

2、本技术提供了一种基于ai的商品hs编码智能匹配方法，包括以下步骤：

3、获取商品申报数据，并对商品申报数据进行归类要素抽取，得到商品属性数据；

4、对商品属性数据以及预设的排他性规则库进行约束关联建图，得到归类约束图数据；

5、基于归类约束图数据进行最小冲突子图提取，得到归类冲突数据；

6、基于归类冲突数据进行反向溯源推理，得到补全申报数据；

7、基于补全申报数据以及归类约束图数据进行排他性约束收敛，得到目标hs编码数据。

8、本发明中通过对商品申报数据进行归类要素抽取，将非结构化申报文本转换为可计算的商品属性数据，并进一步将商品属性与排他性规则统一映射至归类约束图中，使语义关联关系、阈值条件及排他规则能够以节点和约束边的形式进行协同处理。通过提取最小冲突子图，可将冲突分析范围限定于导致候选归类路径互斥的局部图结构，减少对无关节点及约束边的重复遍历；再利用反向溯源推理定位影响冲突消解的关键缺失属性，形成针对性的补全申报数据，避免对全部申报字段进行无差别补充。基于补全结果执行排他性约束收敛，可对受影响的局部节点和候选路径进行增量更新及剪枝，从而降低全图重建和重复推理所产生的计算开销，提高冲突定位效率、约束传播速度及hs编码匹配结果的一致性和可解释性。

9、可选地，归类要素抽取包括：

10、基于商品申报数据进行申报字段语义编码，得到商品申报语义数据；对商品申报语义数据进行归类实体识别，得到归类要素数据；基于归类要素数据进行归类属性类别映射，得到归类要素映射数据；基于归类要素映射数据以及商品申报语义数据进行属性值要素关联，得到商品属性数据。

11、本发明中通过对商品申报数据进行申报字段语义编码，将分散于商品名称、规格型号、材质说明、用途描述及加工状态等不同字段中的上下文信息转换为统一的语义表征，降低字段表达不一致、简称混用及同义描述对后续识别造成的干扰；通过归类实体识别，可准确定位影响商品归类的材质、成分比例、功能、用途及加工深度等关键实体，减少无关文本参与计算。通过归类属性类别映射，将不同表述的归类实体归并至统一属性类别，并结合商品申报语义数据完成属性值与归类要素之间的关联，能够降低属性值错配、跨字段误关联及要素缺失造成的数据偏差，从而形成结构清晰、语义一致且可直接用于约束建图的商品属性数据，提高后续冲突检测、约束传播及hs编码匹配的计算稳定性和处理准确性。

12、可选地，约束关联建图包括：

13、基于商品属性数据以及预设的排他性规则库进行规则槽位对齐，得到属性规则映射数据；基于属性规则映射数据进行阈值关系绑定，得到阈值约束关联数据；对阈值约束关联数据进行排他路径编排，得到排他规则路径数据；基于排他规则路径数据进行优先级定向，得到规则定向关系数据；对规则定向关系数据进行约束边生成，得到归类约束边数据；基于归类约束边数据进行异构图封装，得到归类约束图数据。

14、本发明中通过将商品属性数据与排他性规则库进行规则槽位对齐，使材质、成分比例、用途、功能及加工状态等属性能够准确映射至对应的机器可执行规则条件，降低自然语言属性与结构化规则之间的语义偏差；通过阈值关系绑定，将数值型属性、区间条件及触发边界固化为可计算的约束关系，避免模糊语义匹配越过硬性阈值。对排他关系进行路径编排和优先级定向，可明确不同规则之间的触发顺序、排除方向及层级依赖，减少规则并行执行引起的结论冲突。通过约束边生成及异构图封装，将商品属性、排他规则与候选编码之间的关联统一组织为可遍历图结构，并减少全量规则反复比对造成的节点访问及计算开销，提高归类约束传播的有序性、可追溯性和处理效率。

15、可选地，最小冲突子图提取包括：

16、基于归类约束图数据进行约束状态标定，得到约束状态图数据；对约束状态图数据进行互斥路径寻址，得到互斥归类路径数据；基于互斥归类路径数据进行冲突闭包生成，得到冲突子图数据；对冲突子图数据进行冲突核缩减，得到最小冲突子图数据；基于最小冲突子图数据进行证据链封装，得到归类冲突数据。

17、本发明中通过对归类约束图中的属性节点、规则节点、约束边及候选编码节点进行约束状态标定，将各约束关系的满足、违背、未决及未激活状态转换为可计算的图状态数据，为冲突定位提供明确的状态基础；通过互斥路径寻址，能够沿已激活约束方向快速锁定结论不能同时成立的候选归类路径，避免对全部图节点进行无差别遍历。通过冲突闭包生成，将与互斥结论存在传播关联的必要节点及约束边限定于局部子图，并利用冲突核缩减剔除不影响互斥状态的冗余路径和非必要约束，从而形成不可继续缩减的最小冲突结构。对最小冲突子图进行证据链封装，可保留冲突来源、规则触发关系及路径传递次序，在降低图搜索范围、节点访问次数及重复校验开销的同时，提高归类冲突定位的准确性、可解释性及后续反向溯源推理效率。

18、可选地，反向溯源推理包括：

19、基于归类冲突数据进行冲突边逆溯，得到冲突源链数据；对冲突源链数据进行未决槽筛选，得到待补全槽位数据；对待补全槽位数据进行解冲增益评估，得到目标补全要素数据；基于目标补全要素数据进行申报项重构，得到补全提示数据，并基于补全提示数据获取补全申报数据。

20、本发明中通过对归类冲突数据中的冲突边进行逆向追踪，能够沿约束传播方向定位导致候选hs编码路径互斥的属性来源及规则触发链，避免在完整归类约束图中进行无目的回溯；从冲突源链中筛选未赋值、低置信度或取值不确定的属性槽位，可将信息补充范围限定于直接影响冲突解除的关键节点。通过对待补全槽位进行解冲增益评估，比较各槽位对冲突边解除数量、候选路径削减程度及局部传播范围的影响，优先确定具有较高区分能力的目标补全要素。将目标补全要素重构为对应的申报提示并获取补全申报数据，可减少无关字段的重复询问及数据传输量，为后续局部属性回填和约束收敛提供准确输入，从而提高冲突溯源效率、补全信息有效性及归类推理过程的计算稳定性。

21、可选地，排他性约束收敛包括：

22、基于补全申报数据以及归类约束图数据进行属性回填校正，得到更新约束图数据；基于更新约束图数据进行排他规则激活，得到规则激活路径数据；对规则激活路径数据进行路径剪枝，得到收敛归类路径数据；基于收敛归类路径数据进行编码唯一判定，得到目标hs编码数据。

23、本发明中通过将补全申报数据回填至归类约束图中对应的商品属性节点，并同步校正相关节点状态及约束边状态，可在保留原有图结构的基础上完成局部增量更新，避免因单一属性补充而重新构建完整归类约束图。依据校正后的属性取值激活相应排他规则，使规则触发条件、排除方向及候选编码路径之间形成明确的传播关系；通过对违反硬性约束、阈值条件或排他结论的路径进行定向剪枝，可快速压缩候选路径搜索空间，减少无效节点遍历及重复规则校验。对收敛后的归类路径进行编码唯一判定，能够在满足已激活约束且候选集合稳定的条件下输出目标hs编码，从而提高约束传播效率、归类结果一致性及编码生成过程的可追溯性。

24、可选地，互斥路径寻址包括：

25、基于约束状态图数据进行冲突端点锁定，得到互斥端点数据；对互斥端点数据进行约束方向追踪，得到定向约束链数据；基于定向约束链数据进行互斥分支交汇，得到互斥路径数据；基于互斥路径数据进行路径对偶封装，得到互斥归类路径数据。

26、本发明中通过对约束状态图中的冲突端点进行锁定，可优先确定归类结论相互排斥的候选hs编码节点，避免对全部编码节点及规则节点进行无差别搜索；沿约束边方向追踪端点对应的属性来源、规则触发关系及排除传递链，可保持冲突路径的方向性和因果连续性。通过对定向约束链进行互斥分支交汇，能够识别由相同属性节点或规则节点出发、但分别指向不相容归类结论的关键分支，降低无关路径对冲突分析的干扰。将互斥路径进行对偶封装，使两条对应路径的节点、约束边及触发状态形成结构化路径对，从而缩小图遍历范围，减少重复寻址与约束校验次数，提高互斥路径定位的准确性、处理效率及可追溯性。

27、可选地，冲突核缩减包括：

28、基于冲突子图数据进行必要边试删，得到边删验证数据；基于边删验证数据进行冲突保持校验，得到必要约束数据；对必要约束数据进行冗余节点剔除，得到冲突核心数据；对冲突核心数据进行最小闭包确认，得到最小冲突子图数据。

29、本发明中通过对冲突子图中的属性约束边、规则触发边及编码排斥边进行必要边试删，并在每次试删后执行冲突保持校验，可准确判断各约束边对互斥归类结论的实际贡献，避免仅依据边权或连接度进行粗略筛选。保留导致冲突状态发生变化的必要约束，并剔除未参与有效传播、重复连接或不影响冲突成立的冗余节点，可持续压缩冲突子图的节点规模与边规模。系统进行最小闭包确认，能够保证缩减后的图结构仍保持连通性、约束完整性及冲突可复现性，从而获得不可继续缩减的最小冲突子图。由此可减少后续反向溯源过程中无关节点访问和重复约束校验，降低处理器的图遍历与状态更新开销，并提高冲突源定位、关键缺失属性识别及局部推理的准确性和计算效率。

30、可选地，解冲增益评估包括：

31、基于待补全槽位数据进行槽位取值展开，得到槽位假设数据；对槽位假设数据进行局部传播仿真，得到局部传播数据；基于局部传播数据进行解冲增益量化，得到槽位增益数据；基于槽位增益数据进行增益代价排序，得到目标补全要素数据。

32、本发明中通过对各待补全槽位的可选属性值进行展开，形成能够覆盖不同排他条件及候选归类分支的槽位假设数据，为缺失属性的可计算评估提供基础；随后将各槽位假设分别回填至对应冲突局部区域进行传播仿真，可预先获得相关规则节点、约束边及候选hs编码路径的状态变化，避免对完整归类约束图进行反复试算。依据各假设能够解除的冲突数量、剪除的候选路径数量及约束传播范围进行解冲增益量化，并结合属性获取难度、交互次数及数据补充成本进行增益代价排序，从而优先确定以较低补全代价获得较大冲突消减效果的目标补全要素，减少无效信息询问和重复图遍历，提高补全决策的针对性、局部推理效率及后续编码收敛的稳定性。

33、可选地，本技术还提供了一种基于ai的商品hs编码智能匹配系统，包括：

34、至少一个存储器，用于存储计算机可执行指令；

35、至少一个处理器，所述处理器用于执行所述存储器中存储的计算机可执行指令，以实现如上所述的基于ai的商品hs编码智能匹配方法；

36、数据传输接口，与所述处理器相连，用于接收商品申报数据、预设的排他性规则库以及与补全提示数据对应的补充申报数据，并将所述商品申报数据、预设的排他性规则库以及补全申报数据传输至所述处理器，以及输出所述处理器生成的目标hs编码数据。

37、本发明的目的在于：针对商品申报文本字段分散、属性表达不统一以及排他性规则存在多层嵌套的问题，首先通过归类要素抽取，将商品名称、材质、成分比例、用途、功能及加工状态等非结构化信息转换为可计算的商品属性数据；将商品属性、排他规则、阈值条件及候选hs编码统一封装至归类约束图中，使软语义关联与硬约束关系能够在同一图结构内进行有序传播。通过最小冲突子图提取，将互斥归类结论的分析范围压缩至直接导致冲突的必要节点和约束边，减少对无关规则路径的重复遍历；再沿冲突源链反向定位未赋值或低置信度的关键属性槽位，并依据解冲增益生成具有针对性的补全提示，避免对全部申报字段进行无差别补充。利用补全申报数据对局部图结构进行属性回填、规则激活和候选路径剪枝，在无需重新构建完整约束图的情况下实现增量收敛，从而降低图遍历、状态校验及重复推理产生的计算开销，提高冲突定位效率、约束传播稳定性以及目标hs编码生成过程的一致性、准确性和可追溯性。