面向法规驱动细粒度分类的约束感知层级搜索

关税税则归类、出口管制归类与基于标准的设备编码等任务，要求把输入实例归到显式监管层级下的细粒度类别。与标准文本分类不同，这些任务的正确标签不由语义相似度单独决定，而由规则定义的边界、阈值条件、排除条款、定义与本地例外决定。结果：两个高度相似的输入可能需要不同标签，而检索到的看似相关段落仍可能不适用于治理规则。既有扁平分类器、层级文本分类方法与检索增强LLM系统都不是为联合强制层级有效性、规则一致性与细粒度边界推理而设计。本文把该设定形式化为法规驱动的细粒度层级分类：外部实例必须经监管层级中的有效路径归入细粒度类别，并有可审计证据支撑。我们从代表性法规密集场景构建四个基准数据集并经专家在环流程校验标注；进一步提出约束感知层级搜索框架：把法规文档转为可搜索树、只检索有效的局部候选节点、并以结构化法规字段与证据片段引导每次下一跳决策。实验显示该方法在全部四个数据集上取得最佳平均准确率并提供可解释决策路径，在细粒度相邻类别与规则边界条件案例上增益最大。