DOI QR코드

DOI QR Code

Multi-modal Representation Learning for Classification of Imported Goods

수입물품의 품목 분류를 위한 멀티모달 표현 학습

  • Apgil Lee (Department of Business Administration, Graduate School, Hanbat National University) ;
  • Keunho Choi (Department of Business Administration, Hanbat National University) ;
  • Gunwoo Kim (Department of Business Administration, Hanbat National University)
  • 이앞길 (한밭대학교 일반대학원 경영학과) ;
  • 최근호 (한밭대학교 융합경영학과) ;
  • 김건우 (한밭대학교 융합경영학과)
  • Received : 2022.11.19
  • Accepted : 2023.01.02
  • Published : 2023.03.31

Abstract

The Korea Customs Service is efficiently handling business with an electronic customs system that can effectively handle one-stop business. This is the case and a more effective method is needed. Import and export require HS Code (Harmonized System Code) for classification and tax rate application for all goods, and item classification that classifies the HS Code is a highly difficult task that requires specialized knowledge and experience and is an important part of customs clearance procedures. Therefore, this study uses various types of data information such as product name, product description, and product image in the item classification request form to learn and develop a deep learning model to reflect information well based on Multimodal representation learning. It is expected to reduce the burden of customs duties by classifying and recommending HS Codes and help with customs procedures by promptly classifying items.

우리나라 관세청은 효과적인 원스톱(One-stop) 업무 처리가 가능한 전자통관 시스템으로 효율적으로 업무처리를 하고 있지만 기술의 발달과 비대면 서비스의 증가로 매년 수출입건수가 증가하고 있으며 그에 따른 업무량도 폭증하고 있는 실정으로 이에 따른 보다 효과적인 방법이 매우 필요하다. 수입과 수출은 모든 물품에 대한 분류 및 세율 적용을 위한 HS Code(Harmonized system code)가 필요하고 해당 HS Code를 분류하는 품목 분류는 전문지식과 경험이 필요한 업무 난이도가 높고 관세 통관절차에서 중요한 부분이다. 이에 본 연구는 품목 분류 의뢰서의 물품명, 물품상세설명, 물품 이미지 등의 다양한 유형의 데이터 정보를 활용하여 멀티모달 표현 학습(Multimodal representation learning) 기반으로 정보를 잘 반영할 수 있도록 딥러닝 모델을 학습 및 구축하여 HS Code를 분류 및 추천해 줌으로써 관세 업무 부담을 줄이고 신속한 품목 분류를 하여 통관절차에 도움을 줄 것으로 기대한다.

Keywords

Acknowledgement

이 논문은 2022학년도 한밭대학교 교내학술연구비 지원을 받았음

References

  1. 강흥중. (2010). 품목분류 오류신고에 관한 연구. 관세학회지, 11.1 (2010): 1-28.
  2. 권유진, 최민석, 조윤호. (2022). 부가 정보를 활용한 비전 트랜스포머 기반의 추천시스템. 지능정보연구, 28(3), 119-137. https://doi.org/10.13088/JIIS.2022.28.3.119
  3. 박진영, 이민서, 이샘. (2018). HS 부분품 분류 기준 연구(기계 부분품의 분류 사례를 중심으로). 관세평가분류원.
  4. 변진호. (2020). 한국형 전자통관시스템 수출에 따른 무역환경 개선효과 실증 연구. 한성대학교 석사학위논문.
  5. 산업통상자원부. (2022, 01-01). 산업통상자원부. 김동기, 2022, http://www.motie.go.kr.
  6. 성원식, 심재원, 김은경. (2018). 관세율표상의 부분품과 부속품의 정의 및 분류기준 연구. 관세평가분류원.
  7. 정재완. (2004). HS 품목분류로 인한 관세마찰과 소급과세금지원칙 등의 적용에 관한 연구. 한국무역학회, 29.4(2004): 51-69.
  8. 윤인철. (2013). 수출입물품 품목분류 개선방안 연구. 한국해양대학교 대학원 석사학위논문.
  9. 이동주, 최근호, 김건우. (2020). HS 코드 분류를 위한 CNN 기반의 추천 모델 개발. 경영정보 연구, 39(3), 1-16.
  10. 이장식. (2021). 수출입 신고 데이터 오류 자가검증시스템 모델 연구 공주대학교 석사학위 논문.
  11. 이재규, 박희성, 김우주. (2021). 네트워크 분석을 활용한 딥러닝 기반 전공과목 추천 시스템. 지능정보연구, 27(3), 95-112. https://doi.org/10.13088/JIIS.2021.27.3.095
  12. 이종권, 최근호, 김건우. (2021). 수입물품의 HS코드 자동 분류를 위한 자연어처리 기반의 딥러닝 모델 개발. 한국디지털콘텐츠학회논문지, 22(3), 501-508.
  13. 최은주, 이준영, 한인구. (2020). 딥러닝 오픈소스 프레임워크의 사례연구를 통한 도입 전략 도출. 지능정보연구, 26(4), 27-65. https://doi.org/10.13088/JIIS.2020.26.4.027
  14. Bojanowski, P., Grave, E., Joulin, A., and Mikolov, T. (2017). Enriching word vectors with subword information. Transactions of the Association for Computational Linguistics, 5, 135-146. https://doi.org/10.1162/tacl_a_00051
  15. Ding, Z., Xia, R., Yu, J., Li, X., and Yang, J. (2018). Densely connected bidirectional lstm with applications to sentence classification. CCF International Conference on Natural Language Processing and Chinese Computing. Springer, Cham.
  16. Elman, J. L. (1990). Finding structure in time. Cognitive science, 14(2), 179-211. https://doi.org/10.1207/s15516709cog1402_1
  17. Hinton, G. E., Osindero, S., and The, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural computation, 18.7: 1527-1554. https://doi.org/10.1162/neco.2006.18.7.1527
  18. Hochreiter, S., and Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  19. Import and export trade statistics. (2020). http://unipass.customs.go.kr/ets/index.do. General import and Export.
  20. Jayagopal, A., Aiswarya, A. M., Garg, A., & Nandakumar, S. K. (2022). Multimodal Representation Learning With Text and Images. arXiv preprint, arXiv:2205.00142.
  21. Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.
  22. Mikolov, T., Karafiat, M., Burget, L., Cernocky, J., and Khudanpur, S. (2010). Recurrent neural network based language model. In Eleventh annual conference of the international speech communication association.
  23. Mikolov, T., Chen, K., Corrado, G., and Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781.
  24. Ngiam, J., Khosla, A., Kim, M., Nam, J., Lee, H., and Ng, A. Y. (2011). Multimodal deep learning. ICML.
  25. Schuster, M., and Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE transactions on Signal Processing, 45(11), 2673-2681. https://doi.org/10.1109/78.650093
  26. Simard, P. Y., Steinkraus, D., and Platt, J. C. (2003). Best practices for convolutional neural networks applied to visual document analysis. Icdar Vol.3, No.
  27. Srivastava, N., and Salakhutdinov, R. (2012). Multimodal Learning with Deep Boltzmann Machines. NIPS. Vol. 1.