|-转 一种基于神经网络的智能商品税收分类系统
http://www.uml.org.cn/ai/201812041.asp
|
1. 项目背景
1.1 业务问题描述
目前企业财务人员开取商品增值税发票时，票面上的商品需要与税务总局核定的税分类编码进行关联，按分类编码上注明的税率和征收率开具发票，使得税务机关可以统计、筛选、比对数据等，最终加强征收管理。为了满足这一要求，最关键的地方就在于确定商品的税分类编码。传统的方法是人工筛选商品关键字，然后在税务总局提供的税分类编码列表中查找，无法直接查找到的，根据政策先进行行业、大类的划分，再进行小类细划分，对于无法清楚界定、归类的，按照商品的材料或用途选择最近似的编码，最后根据编码确定商品名称和税率。
例如根据商品名“夏装雪纺条纹短袖 t 恤女春半袖衣服夏天中长款大码胖 mm 显瘦上衣夏”，预测相应的税分类编码（要求类目比较精细）、税分类简称、税分类描述以及对应的税率。商品量为千万甚至亿量级，通常商品名字数不会太多，税分类编码有 4200 多种，常见的商品税分类编码应该少于该数值。
1.2 解决方案
目前存在少部分自动税分类编码系统，采取的方案主要是根据大量的商品关键词建立关键词与税分类编码的一一对应关系，并存储在数据库中，开票人员首先仍然需要人工筛选商品关键词提供给税分类系统，系统在数据库中根据关键词进行查找，输出相应的税分类编码和税率等，如果没有匹配的结果将没有输出。原有系统存在的缺点主要是需要事先人工筛选商品关键词，而目前实际的商品名称五花八门，为了提高商品的检索量添加了大量的修饰词语，在人工筛选关键词这一步仍然存在不少工作量，不能做到完全的自动化处理。
本文的思路主要是将该问题当作一个短文本多分类问题，根据商品名称分词后生成的词向量，基于神经网络学习一个文本分类模型，在此基础上构建一个智能商品税分类系统。
2. 完整的技术方案
2.1 数据接入
大数据平台数据库内存有大量已开票商品数据，从已开票商品数据中提取商品名称、税分类编码和税率三个字段，同时要筛选掉税分类编码字段为空或者编码错误的数据，将最终获取的数据按行存储到文本文件中，为训练商品模型提供数据服务。
2.2 文本预处理
文本预处理是在文本中提取关键词表示文本的过程，主要包括文本分词和去停用词两个阶段。例如商品名“夏装雪纺条纹短袖 t 恤女春半袖衣服夏天中长款大码胖 mm 显瘦上衣夏”经文本分词和去停用词之后商品示例标题变成了下面“ / ”分割的一个个关键词的形式：
夏装 / 雪纺 / 条纹 / 短袖 / t 恤 / 女 / 春 / 半袖 / 衣服 / 夏天 / 中长款 / 大码 / 胖 mm / 显瘦 / 上衣 / 夏。
由于业内中文文本分词方法已经非常成熟，我们采用目前应用较多的中文分词库 jieba 进行分词。
2.3 词嵌入生成
word embedding（词嵌入）生成模型如图 1 所示。
图 1 词嵌入生成模型架构
2.3.1 前向传播
2.3.2 反向传播和随机梯度下降学习权重
在学习权重矩阵 W 与 W’过程中，我们可以给这些权重赋一个随机值来初始化。然后按序训练样本，逐个观察输出与真实值之间的误差，并计算这些误差的梯度。并在梯度反方向纠正权重矩阵，这种方法被称为随机梯度下降，但这个衍生出来的方法叫做反向传播误差算法。具体步骤如下
首先定义 loss function（损失函数），这个损失函数就是给定输入上下文的输出词语的条件概率，一般都是取对数，如下所示：
其中 j* 表示目标词在词表 V 中的索引。
接下来对损失函数求导，得到输出权重矩阵 W’的更新规则：
类似地可以得到权重矩阵 W 的更新规则：
2.3.3 获取词嵌入
在第 2.3.2 节中经过足够次数的迭代，损失函数足够小时，我们可以得到权重矩阵 W，其中矩阵 W 的第 k 行就是词表 V 中编号为 k 的词所对应的词嵌入。...
