➡️ Как LLM помогает классифицировать описания товаров для таможни?
Авторы разработали гибридную рекомендательную систему для извлечения структурированных данных из неформализованных описаний товаров и их последующей классификации.
В основе решения — разреженная модель Mixtral-8×7B, адаптированная к таможенной предметной области методом Low-Rank Adaptation (LoRA), а также детерминированная постобработка и проверка по правилам. На корпусе из 847 русскоязычных описаний модель формировала синтаксически корректный JSON в 98,1% случаев, а постобработка снизила долю некорректных результатов до 1,06%. При активации двух из восьми экспертов модель превзошла плотные архитектуры на 10–15 процентных пунктов в задачах, требующих рассуждения. При этом авторы отмечают ограничения, связанные с интерпретацией чисел и единиц измерения, семантической точностью и оценкой неопределённости.
💗 НОЦ ФНС России и МГТУ им. Н.Э. Баумана, #ИУ12, #СМ12
💗 The ACM Web Conference 2026 | CORE A*
💗 doi.org/10.1145/3774905.3795719
📚 Для цитирования:
Мalashin I.P., Masich I.S., Tynchenko V.S., Borodulin A.S., Gantimurov A.P., Nelyub V.A., Martysyuk D.A., Kurashkin S.O. LLM-augmented hybrid recommendation system for structured classification of customs commodity descriptions. WWW Companion 2026 - Companion Proceedings of the ACM Web Conference 2026 2026:721–728.
https://doi.org/10.1145/3774905.3795719
#публикация #CORE_A #large_language_models #customs_classification #recommendation_systems #mixture_of_experts #low_rank_adaptation #structured_information_extraction #decision_support
Научные публикации | Бауманка
Мы в MAX