En los últimos años, la escalada en las ocurrencias de emergencias ha subrayado la necesidad urgente de respuestas rápidas en la entrega de suministros esenciales. La integración eficiente y la asignación precisa de recursos de emergencia bajo modelos de acopio conjunto entre el gobierno y las empresas son fundamentales para mejorar la efectividad de la respuesta ante emergencias y minimizar las repercusiones económicas. Sin embargo, la investigación actual se centra predominantemente en la coordinación de contratos y el reparto de costos dentro de estos modos de reserva conjunta, pasando por alto discrepancias significativas en los estándares de clasificación de suministros de emergencia entre los sectores gubernamental y empresarial, así como la asimetría en la información de suministro entre sectores y regiones. Esta omisión obstaculiza críticamente la puntualidad y precisión de las respuestas de suministro de emergencia. En la práctica, se ha utilizado el juicio manual para igualar los mismos materiales bajo diferentes estándares de clasificación entre las reservas gubernamentales y empresariales. Sin embargo, este enfoque es ineficiente y propenso a altas tasas de error. Para mitigar estos desafíos, este estudio propone una metodología que aprovecha el modelo de lenguaje preentrenado BERT y la red neuronal TextCNN para establecer una relación de mapeo robusta entre estos criterios de clasificación. El enfoque implica abstraer representaciones textuales de ambas clases taxonómicas, generar vectores de oraciones comparables a través de un promedio de agrupamiento y calcular puntajes de similitud coseno para facilitar un mapeo de clasificación preciso. Ilustrado con los estándares de Clasificación y Codificación de Suministros de Emergencia de China y los estándares de Clasificación de Productos Globales, la validación empírica en datos anotados demuestra la excepcional precisión del modelo BERT-TextCNN del 98.22%, superando otras metodologías de redes neuronales como BERT-CNN, BERT-RNN, BERT-BiLSTM, etc. Esto subraya el potencial de las técnicas avanzadas de redes neuronales para mejorar la gestión de suministros de emergencia en diversos sectores y regiones.