借助ChatGPT实现分类：如何匹配银行/信用卡交易与会计费用类目

1. 规则引擎驱动的精准匹配 #

先梳理交易数据共性，分层构建匹配规则：

• 精确关键词映射：整理高频交易的核心关键词与类目对应表，比如GIANT FUEL直接绑定Expense: Vehicle: Fuel，优先匹配这类明确的商家+关键词组合
• 模糊正则匹配：针对带冗余信息（门店编号、地点、交易代码）的描述，用正则忽略无关内容，比如用(?i).*FUEL.*匹配所有含燃油相关关键词的交易，不区分大小写
• 规则优先级：先执行精确匹配，再触发模糊匹配，未命中的交易进入人工审核环节

2. 轻量机器学习的半自动化方案 #

如果交易类型复杂、规则覆盖不全，可快速搭建分类模型：

• 标注一批已完成匹配的样本（1000条以上即可），提取交易描述的文本特征（如TF-IDF分词）
• 用朴素贝叶斯或逻辑回归模型训练分类器，这类模型对文本分类适配性好，且不需要复杂的算力支持
• 迭代优化：将人工审核修正的结果持续补充到训练样本中，逐步提升模型准确率

3. 结合账务系统的配置优化 #

• 商户白名单绑定：在账务系统中把固定商户直接关联到指定类目，比如所有来自GIANT FUEL的交易自动匹配燃油类目
• 结构化数据对接：对接银行API获取带商户分类标签的交易数据，直接映射到内部费用类目，减少文本解析成本

4. 人工审核流程优化 #

• 设置置信度阈值：规则或模型匹配结果置信度低于80%的交易才进入人工审核，减少重复劳动
• 建立反馈闭环：人工修正的匹配结果自动更新规则库或模型训练集，实现自动化能力的持续迭代

规则引擎示例代码 #

# 类目映射配置
category_map = {
    "FUEL": "Expense: Vehicle: Fuel",
    "OFFICE SUPPLY": "Expense: Office: Supplies",
    "RESTAURANT": "Expense: Travel: Meals"
}

def assign_category(transaction_desc):
    # 统一转为大写消除大小写影响
    desc_upper = transaction_desc.upper()
    for keyword, category in category_map.items():
        if keyword in desc_upper:
            return category
    # 未命中规则返回待审核
    return "待人工审核"

# 测试示例交易
test_transaction = "Point Of Sale Withdrawal 160000100033 GIANT FUEL 6054        HANOVER      PAUS"
print(assign_category(test_transaction))  # 输出：Expense: Vehicle: Fuel

内容的提问来源于stack exchange，提问作者Patrick Wensel