基于语义信号的逆向物流检查与回收分配

# 逆向物流中的语义信号辅助检测与恢复分配
来源：https://arxiv.org/html/2609.02116
何佳妮††注：通讯作者：何佳妮 \(jianihe@alum\.mit\.edu\)\. © ̃2026 IEEE\. 本材料允许个人使用\. 在任何当前或未来媒体中出于广告或促销目的重印/再版此材料、创建新的汇编作品、或向服务器或列表进行转售或再分发，或在其他作品中使用本作品的任何受版权保护的组件，均须获得IEEE的许可\.尚丁岩 隶属关系：独立研究者 美国弗里斯科 dingyanshang@gmail\.com徐一华 隶属关系：独立研究者 美国圣何塞 yxu442@gmail\.com黄诗琪 隶属关系：独立研究者 美国贝尔维尤 juliahuangsq01@gmail\.com隶属关系：吕衍 隶属关系：独立研究者 美国波士顿 lyu\.yan@northeastern\.edu李济泽 隶属关系：独立研究者 美国波士顿 jizel@bu\.edu唐尚景 隶属关系：独立研究者 美国印第安纳波利斯 tangshangjing@gmail\.com

###### 摘要

逆向物流操作员通常需要在完全观测退回资产状况之前，就决定如何检查和路由这些资产，而全面检查会消耗稀缺的劳动力。语义信号辅助决策支持将退货说明转化为状况因子和信号质量分数，以在共享劳动力能力下指导检查深度和恢复分配。我们在三个合成基准场景（涵盖信息技术设备报废、飞机维护和消费电子产品退货）中评估了该框架。在30对模拟种子中，关键词实现在所有三个场景中相较于具有噪声全检查的结构化特征比较器，提升了净恢复价值，同时降低了检查成本。一个完全跳过检查的风险盲比较器在基准的纯经济目标下仍然记录了更高的价值。在匹配的检查成本下，基于分数的定向在飞机场景中每批次增加了5.39万美元，但在其他两种配置中经济影响很小；短语和大型语言模型提取器在飞机场景中提供了进一步的增益。这些结果表明，在做出恢复决策之前，叙事性证据如何支持检查分配。

###### 关键词：

逆向物流，文本信号，检查，恢复

## I 引言

通过逆向物流进行资源回收是一个规模庞大且不断增长的运营挑战。全球数据中心信息技术资产处置市场在2025年估计为131亿美元\[1 (https://arxiv.org/html/2609.02116#bib.bib1)\]；飞机维修、修理和大修需求在2024年预计为1040亿美元\[2 (https://arxiv.org/html/2609.02116#bib.bib2)\]，而美国零售退货预计在2024年将达到8900亿美元，占年销售额的16.9%\[3 (https://arxiv.org/html/2609.02116#bib.bib3)\]\。

实际瓶颈是状况的不确定性。全面检查降低了这种不确定性，但它需要时间、劳动力，有时还需要专业设备。许多资产在到达时已经带有叙事性证据，如技术员说明、维护记录和客户描述，但标准的逆向物流优化模型期望结构化输入，如价格、拆卸成本、产出先验和产能，而不是自由文本注释\[4 (https://arxiv.org/html/2609.02116#bib.bib4),5 (https://arxiv.org/html/2609.02116#bib.bib5),6 (https://arxiv.org/html/2609.02116#bib.bib6)\]\。

为了在决策模型中使用这些信息，语义信号辅助决策支持将每条退货说明映射到一个状况因子和一个信号质量分数。该说明被视为检查前可用的噪声证据。状况因子调整预期的恢复产出，信号质量分数设定检查深度：资产可以选择跳过自由裁量检查、接受快速功能测试，或进行完整的组件级检查。然后，恢复优化器在产能约束下按预期净价值对资产进行排序，并为每个资产分配一个场景可行的恢复处置或报废。在这种表述中，检查成为资产级别的分配决策，而非统一的预处理步骤。我们使用逆向物流决策基准在三个结构不同的场景中评估SSADS，以测试退货说明如何影响恢复决策。这些场景分别使用描述性的技术员说明来定向检查，使用维护记录来支持监管工作流程中的检查优先级排序，以及使用简短的客户描述在有限的恢复能力下对大批量退货进行分类。

- • S1（IT基础设施）：计划性IT报废，具有描述性的技术员说明和最低监管约束。
- • S2（飞机MRO）：依据《美国联邦法规》第14编第145部分，维修站设置中，基于说明的分数优先处理符合该站质量体系\[7 (https://arxiv.org/html/2609.02116#bib.bib7)\]所要求的检查和恢复服务控制内的工作。
- • S3（消费电子产品）：消费者退货强调规模。客户文本噪声更大，单位价值更低，因此分类成为核心任务。

本文有三点贡献：

1. 1\. 基于退货说明的检查定向：我们将退货说明的使用表述为一个检查分配问题。SSADS将每条说明映射到一个状况因子φ\\phi和一个信号质量分数σ\\sigma，从而可以在资产级别调整预期产出和检查深度。
2. 2\. 模块化恢复流程：SSADS将文本读取器与恢复优化器分离。只要读取器返回φ\\phi和σ\\sigma，相同的检查策略和产能约束分配器就可以用于关键词规则、短语匹配或大型语言模型提取。
3. 3\. 可复现的基准评估：我们使用RLDB在IT报废、飞机MRO和消费电子产品退货中测试相同的机制。该基准使用共享基线、配对种子和三级提取器阶梯来衡量提取器准确度如何转化为检查定向和恢复价值。我们还将分配器与对应固定动作0-1准入问题的精确最优解进行验证，并比较等成本检查策略。

第II节将SSADS置于先前工作背景中，第III节定义框架，第IV节报告基准，第V-VI节讨论启示并得出结论。

## II 背景与相关工作

逆向物流决策是顺序且部分不可逆的。优化工作涵盖了随机拆卸批量 sizing\[4 (https://arxiv.org/html/2609.02116#bib.bib4)\]、更广泛的逆向物流和闭环供应链设计\[5 (https://arxiv.org/html/2609.02116#bib.bib5)\]，以及最近用于动态逆向物流网络设计的仿真-优化框架\[6 (https://arxiv.org/html/2609.02116#bib.bib6)\]，但它通常需要结构化的数值输入：在优化前指定的拆卸物料清单、成本表和产出率。另一条研究线从传感器和维护数据预测状况或剩余使用寿命，从运行至故障的预测\[9 (https://arxiv.org/html/2609.02116#bib.bib9)\]到深度剩余使用寿命模型\[10 (https://arxiv.org/html/2609.02116#bib.bib10)\]；拆卸研究也优化处理顺序\[11 (https://arxiv.org/html/2609.02116#bib.bib11)\]\。这些方法解决的是预测或排序问题，而非联合选择文本引导的检查深度和恢复分配。在实践中，许多决策相关信息存在于非结构化叙述中，该场景下的现有优化模型通常不直接摄取这些信息，除非手动转译；用于维护文本的信息提取模式\[12 (https://arxiv.org/html/2609.02116#bib.bib12)\]对叙述进行了结构化，但并未延伸到处置决策。

最近的文本方法在正向供应链中取得了进展：OptiGuide\[13 (https://arxiv.org/html/2609.02116#bib.bib13)\]将语言转换为优化代码，InvAgent\[14 (https://arxiv.org/html/2609.02116#bib.bib14)\]协调库存代理，其他方法通过零样本学习或大型语言模型提取供应链结构\[15 (https://arxiv.org/html/2609.02116#bib.bib15),16 (https://arxiv.org/html/2609.02116#bib.bib16)\]\。这些引用的系统针对的是正向链优化或结构提取，而非产出不确定性下的逆向物流处置。

维护研究也开始将叙述记录与运营决策联系起来。最近的工作自动化了维护工单的分析和分配\[17 (https://arxiv.org/html/2609.02116#bib.bib17)\]，并从长篇维护文档中提取因果关系\[18 (https://arxiv.org/html/2609.02116#bib.bib18)\]\。邓*等人*使用LLM代理进行上下文感知的维护决策支持\[19 (https://arxiv.org/html/2609.02116#bib.bib19)\]，而Getz和Tong使用LLM加速维护洞察生成\[20 (https://arxiv.org/html/2609.02116#bib.bib20)\]\。相反，SSADS将叙事证据映射到共享劳动力能力下的检查深度和恢复分配。

使用提取器的信号质量分数来设定检查深度的动机源于信息价值推理\[21 (https://arxiv.org/html/2609.02116#bib.bib21)\]：将昂贵的测量保留给信息量较少的记录。类似的逻辑出现在主动学习\[22 (https://arxiv.org/html/2609.02116#bib.bib22)\]和最优检查工作\[23 (https://arxiv.org/html/2609.02116#bib.bib23)\]中。SSADS使用固定的分数阈值，而非显式估计信息价值，且其接口独立于文本提取器。

## III 框架设计

### III-A 问题设定

资产按周期批次到达。每个资产\(m\)具有结构化属性（类型、年龄和物料清单）和退货说明\(\mathcal\{T\}(m)\)。SSADS在选择场景可行的恢复操作或报废之前，选择一个检查级别\(q\_\{m\}\\in\\\{0,1,2\\\}\)（跳过、快速或全面）。对于组件恢复操作\(a\)，预期总价值为：

\(G(m,a)=\\sum\_\{c\\in\\mathrm\{BOM\}(m,a)\}n\_\{mc\}p\_\{c\}\\,\\tilde\{y\}\_\{c\}(m)\)，(1)
其中\(n\_\{mc\}\)是组件数量，\(p\_\{c\}\)是恢复价格，\(\tilde\{y\}\_\{c\}(m)\)是当前预期产出。整机翻新则使用其配置的资产级别价值乘以\(\phi(m)\)。部分恢复拆解以较低的成本和时间恢复配置组件价值的一部分（所有场景中为0.60）；路由比较器可以实现它，而按利润率排序的分配器则在组件恢复和整机翻新之间选择。处理利润率减去操作成本，并将每个恢复操作与默认报废处置进行比较。检查成本和时间总是被计入，包括对于后来因产能耗尽而报废的资产；报废处理也会消耗成本和时间。

### III-B 系统架构

SSADS有两层（图）。*语义提取层*读取每条说明并返回\(\phi\\in(0,1]\)和\(\sigma\\in[0,1]\)。*恢复决策引擎*使用\(\phi\)设定产出先验，并使用\(\sigma\)来控制检查深度。在每个选定的检查执行并计费后，引擎按每分钟处理价值对正预期利润进行排序，并分配剩余的共享劳动力产能。

SEMANTIC EXTRACTION LAYERRECOVERY DECISION ENGINEReturn textExtractorkeyword / phrase / LLM\(\sigma\\sigma\)score\(\phi\\phi\)condition\(\phi\\phi\)Adaptive inspection\(depth set by\(\sigma\\sigma\)\)\(\tau\_\{h\}\\tau\_\{h\}\)\(\tau\_\{l\}\\tau\_\{l\}\)skipquickfullconditionExpected yield\(\tilde\{y\}\_\{c\}=\\phi\\hat\{y\}\_\{c\}\\tilde\{y\}\_\{c\}=\\phi\\hat\{y\}\_\{c\}\)Decision engineanalytical marginrank per minuteunder capacityDispositionrefurbishcomponent recoveryscrapFig\. 1：SSADS流程。*语义提取层*将退货文本读取为两个标量：状况因子\(\phi\\phi\)（产出先验偏移）和信号质量分数\(\sigma\\sigma\)。在*恢复决策引擎*中，\(\sigma\\sigma\)控制检查深度（当\(\sigma\\geq\\tau\_\{h\}\sigma\{\\geq\}\\tau\_\{h\}\)时跳过，快速功能测试，或当\(\sigma<\\tau\_\{l\}\sigma\{<\}\\tau\_\{l\}\)时进行全面组件检查），而\(\phi\\phi\)调整预期产出。检查之后，一个分析预期利润步骤在剩余的共享劳动力产能下对资产进行排序，并选择一种处置方式（高亮：组件恢复）。

### III-C 语义提取层

任何提供状况因子\(\phi\\in(0,1]\)和信号质量分数\(\sigma\\in[0,1]\)的提取器都可以使用，无需更改检查策略或决策引擎。这使得关键词、短语匹配器和LLM读取器可以在相同的下游决策逻辑下进行比较。主要的基准测试使用了一个受限词汇的关键词和模式分类器，当没有信号触发时，回退到\(\phi=1.0\)。短语匹配器和缓存LLM在端到端恢复评估（第节）中提供了更强的比较点。所有提取器仅接收文本。在配置的说明生成噪声（\(p\_\{\\text\{omit\}\}=0.15\)，\(p\_\{\\text\{mislabel\}\}=0.25\)）下，它们报告的相关性保持在\(r=1\)以下。负向信号会乘法降低\(\phi\)，而正向信号不能将其增加到超过1.0。

短语匹配器是确定性的，并且特定于场景。它统计每个状况的声明短语，选择计数最多的状况，并将该状况映射到固定的\(\phi\)和\(\sigma=0.90\)；声明的状况顺序用于打破平局。如果没有短语匹配，它返回\(\phi=1.0\)，\(\sigma=0.20\)，以及一个回退标志。完整的短语列表和映射位于`experiments/src/s2s/extractors/strong.py`；没有生成的模板会产生跨状况的最高分平局。

基于提示的大型语言模型提取器。LLM级使用DeepSeek聊天补全应用编程接口，模型标识符为`deepseek-chat`，温度为`0`。一个特定于场景的系统提示（在读取任何说明之前设置）指定了\(\phi\)的评分标准（例如，S1：をきれいに紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹紹�