4. 传统分类方法回顾：基于规则的分类

在机器学习与深度学习模型大规模应用于采购品类分类之前，企业普遍依赖基于规则的分类方法。这些方法以人工定义的逻辑为核心，通过关键字匹配、正则表达式或脚本自动化实现品类映射。虽然实现成本低、可解释性强，但在复杂采购场景下存在明显的性能瓶颈。

4.1 基于关键字匹配的分类

关键字匹配是最直观的分类方式：为每个品类预定义一组触发词，当采购物料描述中包含这些词时，直接分配对应品类。

IF 物料描述包含 "笔记本电脑" OR "台式机" OR "显示器" THEN 品类 = "IT硬件"
IF 物料描述包含 "A4纸" OR "文件夹" OR "订书机" THEN 品类 = "办公用品"
IF 物料描述包含 "轴承" OR "齿轮" OR "液压泵" THEN 品类 = "MRO备件"

这种方法的优点在于规则透明、部署迅速，但存在以下致命缺陷：

• 语义盲区：无法处理同义词（如“笔记本”可能指电脑也可能指纸质笔记本）
• 规则爆炸：随着品类数量增加，规则数量呈指数级增长，维护成本急剧上升
• 零泛化能力：遇到未在规则中出现的新物料描述时，直接分类失败

4.2 基于正则表达式的分类

正则表达式（Regex）在关键字匹配基础上增加了模式匹配能力，可以处理更复杂的文本结构，如型号、规格、尺寸等。

# 匹配CPU型号
品类_CPU = r'\b(i[3-7]-\d{4,5}[A-Z]?|Ryzen\s[3-9]\s\d{3,4}[X]?)\b'

# 匹配内存规格
品类_内存 = r'\b(DDR[4-5]\s?\d{1,2}GB)\b'

# 匹配工业阀门规格
品类_阀门 = r'\b(闸阀|截止阀|止回阀)\s?DN\d{2,3}\b'

正则表达式相比纯关键字匹配，在以下方面有所提升：

• 支持通配符、量词、分组，能匹配型号变体
• 可提取结构化信息（如尺寸、容量、电压）辅助分类
• 减少部分规则数量，提高匹配精度

但正则表达式仍然无法解决语义歧义问题，且编写和调试成本高，非技术人员难以维护。

4.3 基于Excel/VBA的自动化分类

在缺乏专业分类系统的企业中，Excel VBA（Visual Basic for Applications）常被用作自动化分类工具。通过编写宏，实现批量物料描述的规则匹配与品类赋值。

Function ClassifyItem(desc As String) As String
    If InStr(1, desc, "轴承", vbTextCompare) > 0 Then
        ClassifyItem = "MRO-机械备件"
    ElseIf InStr(1, desc, "电缆", vbTextCompare) > 0 Then
        ClassifyItem = "电气材料"
    ElseIf desc Like "*DN*mm*" Then
        ClassifyItem = "管阀件"
    Else
        ClassifyItem = "未分类"
    End If
End Function

Excel/VBA方案的优势在于零额外成本、业务人员可自行维护。但其局限性同样显著：

4.4 传统方法的局限性分析

综合以上三种传统分类方法，其核心局限性可归纳为以下五个方面：

1. 语义理解缺失：无法区分一词多义（如“笔记本”）、上下文依赖（如“泵”在化工vs水务中的差异）
2. 规则维护成本高：采购物料描述变化快，规则需持续人工更新，大型企业规则数量可达数千条
3. 泛化能力为零：对未见过的描述、新供应商、新品类完全失效，分类覆盖率通常仅60%-75%
4. 无法处理拼写/格式噪声：实际采购数据中，物料描述常包含拼写错误、缩写、单位混用等噪声
5. 缺乏置信度评估：规则匹配只有“是/否”结果，无法给出分类置信度，导致错误分类难以识别

4.5 传统方法与机器学习方法的对比

为更直观地理解传统方法的定位，下表从多个关键维度进行对比：