当前企业逐步追求高质量、高效率发展,实施精细化管理理念,进一步提升经营水平。对于一些大型制造企业和有大量物资存储,对接众多供应商的企业来说,更多的将其物流和仓储业务转移至第三方物流公司,以将精力转移至核心业务。但是对于第三方物流企业来说,难以完全掌握需求方和多个供方的物资数据信息,而多家厂商提供的物资存在名称不统一,信息不全面的问题,且供应商名录和其供应的物资都是不断变化的,这使得第三方物流企业难以将不同供应商的物资准确划归于唯一的类别编码,降低了物资流转工作的效率,增加了物资管理和人员培训成本,对供应链中企业的合作造成阻碍,因此建立一个标准化,准确率高的编码匹配识别模型是有现实意义和必要作用的。本文基于这一问题,考虑到同一类别编码下的物资名称有关键词和语义之间的强联系,因此以Z公司的物资供应数据作为原始资料,建立了基于人工智能领域文本分析技术的编码识别模型,通过数据清洗,人工建立有正确对应关系的编码—物资对应表,以类别编码为标签,对每个标签下众多物资名称规格的文本关键词进行语义分析和大样本训练学习,使模型对每一类别编码形成语义和关键词的识别规则,从而给出对新物资唯一类别编码的识别参考结果,本文的主要工作有:设计物资数据预处理模块,实现物资编码拆分、最细类别编码识别、分词、样本和标签数字化等功能;构建Word2Vec词向量空间模型,实现文本的向量化转换;构建物资编码识别机器学习模型,包括传统机器学习模型和深度神经网络模型,并对模型进行训练,通过对模型结构和参数的反复实验和调整,得出适用于物资编码识别的各模型最佳结构和参数,并使用测试数据测试和对比各模型算法的效果,结果表明对于此场景下应用机器学习模型进行编码匹配识别是具有可行性的,且在此数据背景下传统机器学习采用的最佳算法是逻辑回归,物资编码识别准确率为90.62%;表现最佳的深度神经网络学习模型为双向LSTM模型,准确率达到90.73%。