摘要
在诸如海关关税分类、出口控制分类和基于标准的设备编码等任务中，需要根据明确的监管层次将输入实例分配到细粒度类别中。与标准文本分类不同，这些任务的正确标签不仅由语义相似性决定，还由规则定义的边界、阈值条件、排除条款、定义和地方例外所约束。因此，两个高度相似的输入可能需要不同的标签，而看似相关的检索段落在监管规则下可能仍然不适用。
现有的平面分类器、层次文本分类方法和增强检索的LLM系统并未设计用于共同执行层次有效性、规则一致性和细粒度边界推理。在本文中，我们将这一设置表述为监管驱动的细粒度层次分类，其中外部实例必须通过监管层次中的有效路径被分配到细粒度类别，并得到可审核证据的支持。我们从具有代表性的监管密集场景构建了四个基准数据集，并通过专家参与的过程验证了标注。
此外，我们提出了一种约束感知层次搜索框架，该框架将监管文档转换为可搜索的树结构，仅检索有效的本地候选节点，并使用结构化的监管字段和证据片段来指导每一步的决策。实验表明，我们的方法在所有四个数据集上均达到了最佳的平均准确率，并提供了可解释的决策路径，在涉及细粒度相邻类别和基于规则的边界条件的案例中获得了最大的增益。
博主点评： 本文提出的层次化约束搜索框架有效解决了监管驱动的细粒度分类问题，展示了如何通过结构化的规则和证据来提高分类准确性。该方法在处理复杂的监管环境中具有重要的应用潜力，尤其是在需要遵循严格规则的场景中。其可解释性也为后续研究提供了新的思路。