我的问题是关于这个问题的理论，不一定是语法。

我想知道这里是否有人有自动化 HTS（统一税表）分类的经验，特别是训练分类器来预测应该分配给产品的 HTS 代码？这些名称有一些规则，这些名称存储为“解释”产品的描述性文本数据。这似乎（在我看来）使预测零件的分类方式变得非常困难。

就上下文而言，NLP 似乎大量参与了这一过程，但由于这些描述中涉及的基数很高，并且从一个描述到另一个描述的大量重叠，是否有任何成功进行此类预测的最佳实践？同样，我很难找到任何关于此事的公开研究。似乎几乎所有在这一重点方面的进步都是在公司闭门造车的情况下发展起来的。我理解他们为什么会做出这个决定，但考虑到它对全球业务的影响程度，我有点惊讶于这个话题很少有公开讨论。

我正在考虑/研究的事情：

词向量化（Word2Vec）：我从这里的另一个用户那里得到了这个想法，但鉴于通常使用大型公共语料库训练向量化器，我不确定这将如何影响向量化过程，因为我正在分类的产品是特定领域。

n-gram：我认为使用 2、3 或 4 就足以进行分类，因为我能看到的大多数描述都很简洁。但正如我所说，很多这些描述会有重叠，例如：

    HTS CODE             HTS Description
------------------     ------------------
11111 = 'football'     An inflated ball (used for kicking)
11112 = 'basketball'   An inflated ball (used for dribbling)
11113 = 'ball'         An inflated ball

在这种情况下（如果我的理解是正确的），前两个产品需要 n-gram 6，但第三个产品只需要 n-gram 3。n-gram 值是我们可以“软编码”以适应每条记录的东西，还是我需要以某种方式为 n 找到合适的数字？

谢谢