arXiv cs.CL· Mochamad Rizal Fauzan, Naila Nursyifa, Irgi Surya·· 10 小时前AI 评分18
Halal-NeSyNet：子句级神经符号交叉注意力用于食品配料审计与清真物流风险分级
Halal-NeSyNet: Clause-Scoped Neuro-Symbolic Cross-Attention for Automated Food Ingredient Auditing and Risk-Aware Halal Logistics Triage
AI 导读
Halal-NeSyNet 将 DistilBERT 编码器与 16 维规则符号向量通过交叉注意力和门控融合结合，在 3,199 条配料审计基准上达到 97.04±0.34% 准确率和 99.67±0.50% 反事实三元组一致性，而纯文本 TF-IDF 基线仅 86.25-86.71%，假清真泄漏率 13.42-21.73%。
正文 · AI 翻译
摘要：要验证包装食品是否为清真食品，需要在商品进入认证仓库之前阅读配料声明和 E 编号添加剂。E471、E422、E441 和 E920 等双重来源添加剂属于 Mushbooh（存疑），除非在同一配料条款中出现植物性、微生物性或经认证的清真限定词，因此某一配料条款中的植物性限定词不得使另一条款中未加限定的添加剂获得通过。我们将未能遵守这一范围限定的情况称为跨条款修饰词混淆，并构建了一个包含 3,199 个条目的基准（277 条 Open Food Facts 记录和 2,922 个模板生成的条款替换条目，由显式的 50 条规则库而非认证机构标注），并配有 540 个条目的反事实测试集。我们提出 Halal-NeSyNet，它通过交叉注意力和门控融合将 DistilBERT 编码器与 16 维规则导出的符号向量耦合，并使用非对称误判清真风险损失进行训练。在五个随机种子上，仅文本的 TF-IDF 基线达到 86.25-86.71 % 的准确率，误判清真泄漏率为 13.42-21.73 %，反事实三元组一致性为 6.33-26.00 %，而 Halal-NeSyNet 达到 97.04+/-0.34 % 和 99.67+/-0.50 %。在给定相同符号向量的情况下，梯度提升达到 96.25+/-1.24 %（比 Halal-NeSyNet 高 0.59 个百分点，95 % CI [-1.11, +2.28]），因此大部分增益来自条款范围的符号特征而非网络本身，且风险损失没有帮助。在留出整个模板族的情况下，仅文本模型降至 61.91-78.35 %，Halal-NeSyNet 降至 90.87+/-11.76 %，使用符号向量的逻辑回归降至 91.11+/-2.88 %，其中 Halal-NeSyNet 的波动范围大得多。三通道收货模拟以 0.76 % 的绿色通道污染率自动放行 49.33 % 的货物。由于标签和特征来自同一个规则引擎，且 91.3 % 的条目是模板化的，因此结果衡量的是对规则策略的符合程度，而非宗教认证。
| 评论： | 14 页，7 幅图，13 张表 |
| 主题： | 计算与语言 (cs.CL)；人工智能 (cs.AI)；机器学习 (cs.LG) |
| 引用为： | arXiv:2611.01612 [cs.CL] |
| （或 arXiv:2611.01612v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.01612 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Mochamad Rizal Fauzan [查看电子邮件]
[v1]
2026 年 11 月 1 日星期日 05:56:41 UTC（151 KB）
来源：arXiv cs.CL · arxiv.org