CN114741482A - 基于招标信息的中标信息匹配方法、***、设备及介质 - Google Patents
基于招标信息的中标信息匹配方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114741482A CN114741482A CN202210544779.8A CN202210544779A CN114741482A CN 114741482 A CN114741482 A CN 114741482A CN 202210544779 A CN202210544779 A CN 202210544779A CN 114741482 A CN114741482 A CN 114741482A
- Authority
- CN
- China
- Prior art keywords
- bid
- target
- characteristic value
- bidding
- winning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于招标信息的中标信息匹配方法、***、设备及介质,涉及大数据分析技术领域,所述方法包括以下步骤:确定招标文本数据,从招标文本数据中获取目标特征信息;基于所述招标文本数据的目标特征信息,筛选出N个目标公司;对于每个目标公司,调用对应的预设数据模型计算出与招标需求关联的特征值Ⅰ、特征值Ⅳ、特征值Ⅴ、特征值Ⅵ、特征值Ⅶ和特征值Ⅷ,以构建待测数据矩阵;将N个待测数据矩阵输入预置的深度学习推荐模型获得N个目标公司的推荐评分;对N个目标公司的推荐评分进行排序,将前M个目标公司信息作为匹配结果进行输出。本发明基于大数据分析根据招标文件和预存的历史中标文件数据库,快速且准确地预测中标单位。
Description
技术领域
本发明涉及大数据分析技术领域,具体的说,涉及了一种基于招标信息的中标信息匹配方法、***及介质。
背景技术
在当前竞争激烈的投标环境中,企业了解自己的竞争对手、降低投标成本、提升中标概率显得尤为重要;当前预测中标单位方式主要有两种:(1)人工校对预测中标单位,人工查看投标文件与招标文件要求是否一致,根据评分标准作出是否能中标的预测,不足之处:时效性差、效率低,需要投入大量人力成本,且只有等到评标时,才能得到答案,如若未中标,前期的投入都付之一炬;依赖工作人员的阅历,评分标准难以精细到每一分,不同的工作人员可能得出不同的评分结果,导致人工校对的评分结果一致性差;(2)搜集投标公司信息预测中标单位,即猜测哪些竞争对手可能会参与投标,搜集竞争对手相关信息,预测中标单位;不足之处:成本高、需要投入大量人力成本且效率低,竞争对手多,任务量重。
自电子招投标在行内兴起以来,伴随着科技的进步、经济的发展和交易量的不断增加,全国已建的各类电子招投标所产生的数据量与日剧增。这些电子招投标交易产生的大数据在招投标交易过程完成后,并没有被充分地开发和应用起来。
由于招投标活动的特殊性,其对各类信息的合法性、准确性、安全性均有较高要求,因此电子招投标交易产生的大数据具有较高可信度,而数据的可信度,是数据可利用和分析的前提。从招标类型看,电子招投标的数据来源包括住建、交通、水利、政府采购、货物招标等类型的项目信息;从招投标流程涉及的角色看,电子招投标的数据来源包括招标人、招标代理机构、投标人等机构的信息;从招投标过程的分类看,电子招投标数据包括招标、投标、开标、评标、中标甚至事后评价的各种交易信息;从数据属性看,电子招投标数据包括招投标各有关单位的机构信息,也包括几乎所有招投标从业人员的个人信息,从基本信息、资质资格信息、业绩信息到信用信息等,可谓应有尽有。
如何对电子招投标交易产生的大数据进行预处理提取出与招标需求紧密关联的关键特征信息,以及如何基于这些关键特征信息快速且准确地预测中标信息,成为亟待解决的问题。
为了解决以上存在的问题,人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足,从而提供一种基于招标信息的中标信息匹配方法、***及介质。
为了实现上述目的,本发明所采用的技术方案是:
本发明第一方面提供一种基于招标信息的中标信息匹配方法,所述方法包括以下步骤:
确定招标文本数据,从所述招标文本数据中获取目标特征信息;
基于所述招标文本数据的目标特征信息与历史中标文件数据库中各个公司的历史中标文件中的目标特征信息,筛选出N个目标公司;
调用第一预设数据模型,调用第一预设数据模型,计算出所述招标文本数据中的标的物以及每个目标公司的历史中标标的物之间的相似度,作为对应目标公司的特征值Ⅰ;
调用第二预设数据模型,计算出所述招标文本数据中的标的物与每个目标公司的历史中标标的物所属行业之间的匹配度,作为对应目标公司的特征值Ⅱ;
调用第三预设数据模型,计算出所述招标文本数据中的招标金额与每个目标公司的历史中标项目金额之间的匹配度,作为对应目标公司的特征值Ⅲ;
调用第四预设数据模型,计算出所述招标文本数据中的招标项目所在城市位置以及每个目标公司的历史中标项目所在城市位置之间的匹配度,作为对应目标公司的特征值Ⅳ;
调用第五预设数据模型,根据每个目标公司的注册年限数值和历史中标金额中值,计算出每个目标公司的特征值Ⅴ;
调用第六预设数据模型,根据每个目标公司的中标项目所属行业历史中标总金额和公司历史中标总金额,计算出每个目标公司的特征值Ⅵ;
调用第七预设数据模型,根据每个目标公司的区域历史中标累计次数和区域历史中标总金额,计算出每个目标公司的特征值Ⅶ;
调用第八预设数据模型,根据每个目标公司的全国历史中标累计次数和全国历史中标总金额,计算出每个目标公司的特征值Ⅷ;
根据N个目标公司的特征值Ⅰ、特征值Ⅱ、特征值Ⅲ、特征值Ⅳ、特征值Ⅴ、特征值Ⅵ、特征值Ⅶ和特征值Ⅷ,构建N个待测数据矩阵:
将N个待测数据矩阵输入预置的深度学习推荐模型获得N个目标公司的推荐评分;
对N个目标公司的推荐评分进行排序,将前M个目标公司信息作为匹配结果进行输出,其中,M≤N。
本发明第二方面提供一种基于招标信息的中标信息匹配***,所述***包括获取模块、筛选模块、数据预处理模块、预测模块以及排序模块,所述数据预处理模块包括第一预处理单元、第二预处理单元、第三预处理单元、第四预处理单元、第五预处理单元、第六预处理单元、第七预处理单元、第八预处理单元和输出单元;
其中,所述获取模块用于获取招标文本数据中的目标特征信息,所述筛选模块用于筛选出N个目标公司,所述第一预处理单元用于生成每个目标公司的特征值Ⅰ,所述第二预处理单元用于生成每个目标公司的特征值Ⅱ,所述第三预处理单元用于生成每个目标公司的特征值Ⅲ,所述第四预处理单元用于生成每个目标公司的特征值Ⅳ,所述第五预处理单元用于生成每个目标公司的特征值Ⅴ,所述第六预处理单元用于生成每个目标公司的特征值Ⅵ,所述第七预处理单元用于生成每个目标公司的特征值Ⅶ,所述第八预处理单元用于生成每个目标公司的特征值Ⅷ,所述输出单元用于根据N个目标公司的特征值Ⅰ、特征值Ⅱ、特征值Ⅲ、特征值Ⅳ、特征值Ⅴ、特征值Ⅵ、特征值Ⅶ和特征值Ⅷ,构建N个待测数据矩阵;所述预测模块用于获得N个目标公司的推荐评分,所述排序模块用于将前M个目标公司信息作为匹配结果进行输出;
所述获取模块、所述筛选模块、所述数据预处理模块、所述预测模块以及排序模块依次相连,所述第一预处理单元、所述第二预处理单元、所述第三预处理单元、所述第四预处理单元、所述第五预处理单元、所述第六预处理单元、所述第七预处理单元、所述第八预处理单元分别连接所述输出单元,实现如上述的基于招标信息的中标信息匹配方法的步骤。
本申请第三方面提供一种基于招标信息的中标信息匹配设备,包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于招标信息的中标信息匹配程序,所述基于招标信息的中标信息匹配程序被所述处理器执行时,实现如上述的基于招标信息的中标信息匹配方法的步骤。
本申请第四方面提供一种可读存储介质,其上存储有指令,该指令被处理器执行时实现如上述的基于招标信息的中标信息匹配方法的步骤。
本发明相对现有技术具有突出的实质性特点和显著的进步,具体的说:
1)本发明基于大数据分析根据招标文件和预存的历史中标文件数据库,快速且准确地输出与所选招标文件匹配的中标单位信息,相对于人工搜集投标公司信息预测中标单位的方式,本发明具有成本低且效率高的优点;
2)本发明基于招标文件数据库中的招标文件获得招标需求,根据招标需求得到目标特征信息相似度,基于目标特征信息相似度进行初步筛选,能够有效降低初步筛选出的公司数量,从而缩小待测数据矩阵,进而减小计算量,并缩短基于招标信息的中标信息匹配时间,降低计算成本;
3)本发明基于招标文本数据以及目标公司的历史中标文件,先对调用对应的预设数据模型对历史中标文件进行预处理,再将对预处理之后的各个特征值构成的待测数据矩阵,输入预置的深度学习推荐模型,快速且准确地预测出目标公司对于所选招标文件的匹配结果;
4)相对传统人工校对预测中标单位的方式,本发明具有时效性好的优点,使得用户提前知晓中标的可能性,降低前期的投入付之一炬的风险;
本发明还具有中标信息匹配过程以及预测结果一致性高的优点,避免依赖工作人员的阅历;
5)对历史中标文本信息进行预处理,提取出历史中标标的物匹配特征值、行业匹配特征值、金额匹配特征值、城市匹配特征值、公司全国知名度匹配特征值、行业知名度匹配特征值、区域竞争匹配特征值和全国竞争匹配特征值作为关键特征值,很好地反应了招标项目与目标公司之间的契合度,使得预测结果更加准确、可靠,从而提高预测准确率。
附图说明
图1是本发明的基于招标信息的中标信息匹配方法的流程图;
图2是本发明的深度学习推荐模型的结构示意图;
图3是本发明的基于招标信息的中标信息匹配***的结构示意图。
具体实施方式
下面通过具体实施方式,对本发明的技术方案做进一步的详细描述。
实施例1
附图1示出了一种基于招标信息的中标信息匹配方法,所述基于招标信息的中标信息匹配方法包括以下步骤:
确定招标文本数据,从所述招标文本数据中获取目标特征信息;
基于所述招标文本数据的目标特征信息与历史中标文件数据库中各个公司的历史中标文件中的目标特征信息,筛选出N个目标公司;
调用第一预设数据模型,调用第一预设数据模型,计算出所述招标文本数据中的标的物以及每个目标公司的历史中标标的物之间的相似度,作为对应目标公司的特征值Ⅰ;
调用第二预设数据模型,计算出所述招标文本数据中的标的物与每个目标公司的历史中标标的物所属行业之间的匹配度,作为对应目标公司的特征值Ⅱ;
调用第三预设数据模型,计算出所述招标文本数据中的招标金额与每个目标公司的历史中标项目金额之间的匹配度,作为对应目标公司的特征值Ⅲ;
调用第四预设数据模型,计算出所述招标文本数据中的招标项目所在城市位置以及每个目标公司的历史中标项目所在城市位置之间的匹配度,作为对应目标公司的特征值Ⅳ;
调用第五预设数据模型,根据每个目标公司的注册年限数值和历史中标金额中值,计算出每个目标公司的特征值Ⅴ;
调用第六预设数据模型,根据每个目标公司的中标项目所属行业历史中标总金额和公司历史中标总金额,计算出每个目标公司的特征值Ⅵ;
调用第七预设数据模型,根据每个目标公司的区域历史中标累计次数和区域历史中标总金额,计算出每个目标公司的特征值Ⅶ;
调用第八预设数据模型,根据每个目标公司的全国历史中标累计次数和全国历史中标总金额,计算出每个目标公司的特征值Ⅷ;
根据N个目标公司的特征值Ⅰ、特征值Ⅱ、特征值Ⅲ、特征值Ⅳ、特征值Ⅴ、特征值Ⅵ、特征值Ⅶ和特征值Ⅷ,构建N个待测数据矩阵:
将N个待测数据矩阵输入预置的深度学习推荐模型获得N个目标公司的推荐评分;
对N个目标公司的推荐评分进行排序,将前M个目标公司信息作为匹配结果进行输出,其中,M≤N。
可以理解,所述招标文本数据可以是用户从招标文件数据库中选取的,也可以是用户直接导入的;所述匹配结果包括公司名称及对应的分数,使得预测结果更能凸显出来公司之间的差距;若用户不在匹配结果的中标单位名单中但在N个目标公司中,则说明用户有一定的中标希望,若用户不在匹配结果的中标单位名单中也不在N个目标公司中,则说明用户中标可能性较小。
具体的,第一个目标公司的待测数据矩阵=[特征值Ⅰ11、特征值Ⅱ12、特征值Ⅲ13、特征值Ⅳ14、特征值Ⅴ15、特征值Ⅵ16、特征值Ⅶ17、特征值Ⅷ18];依次类推,第N个目标公司的待测数据矩阵=[特征值ⅠN1、特征值ⅡN2、特征值ⅢN3、特征值ⅣN4、特征值ⅤN5、特征值ⅥN6、特征值ⅦN7、特征值ⅧN8];将每个目标公司的待测数据矩阵一一或者一并,输入预置的深度学习推荐模型时,所述深度学习推荐模型依次对每个目标公司的待测数据矩阵进行计算,输出推荐评分。
其中,所述特征值Ⅰ为历史中标标的物匹配特征值,所述特征值Ⅱ为行业匹配特征值,所述特征值Ⅲ为金额匹配特征值,所述特征值Ⅳ为城市匹配特征值,所述特征值Ⅴ为公司全国知名度匹配特征值,所述特征值Ⅵ为行业知名度匹配特征值,所述特征值Ⅶ为区域竞争匹配特征值,所述特征值Ⅷ为全国竞争匹配特征值。
在一种具体实施方式中,基于所述招标文本数据的目标特征信息与历史中标文件数据库中各个公司的历史中标文件中的目标特征信息筛选出N个目标公司时,执行:
预先配置所述目标特征信息为标的物的一级分类标签和历史中标项目所在地域信息;
提取各个公司的历史中标标的物的一级分类标签,去重后构建各个公司的历史中标标的物的一级分类标签集合;
提取招标标的物的一级分类标签,将所述招标标的物的一级分类标签与每个公司的历史中标标的物的一级分类标签集合做交集;若有交集,则将所述历史中标标的物的一级分类标签集合对应的公司名称,存放至预设的第一集合中;
提取各个公司的历史中标项目所在地域信息,去重后构建各个公司的历史中标项目所在地域信息集合;其中,所述地域信息指的是省份、地区(例如华北、华中);
提取所述招标文本数据中的地域信息,将所述招标文本数据中的地域信息与每个历史中标项目所在地域信息集合做交集;若有交集,则将所述历史中标项目所在地域信息集合对应的公司名称,存放至预设的第二集合中;
对所述第一集合和所述第二集合做交集,将所述第一集合和所述第二集合的交集,作为N个目标公司;可以理解,这里的N的值并非预先设置的,与第一集合和第二集合的交集数量有关。
需要说明的是,基于招标需求与历史中标文件数据库中各个公司的历史中标信息之间的相似度初步筛选出N个公司作为目标公司,能够降低计算公司数量,从而缩短基于招标信息的中标信息匹配时间,降低计算成本。
进一步的,调用第一预设数据模型,计算出所述招标文本数据中的标的物以及每个目标公司的历史中标标的物之间的相似度,作为对应目标公司的特征值Ⅰ时,执行:
由于招标文本数据中的招标标的物可能不止一个,一个目标公司的中标文件可能不止一个,每个中标文件中的标的物也可能是不同的;因此,提取招标文本数据中的招标标的物名称,去重后获得招标标的物集合,提取每个目标公司的历史中标标的物名称,去重后获得每个目标公司的历史中标标的物集合;
预先配置所述第一预设数据模型为:EⅠ=(SMAX1+ SMAX2+…+ SMAXw)÷w,其中,EⅠ表示特征值Ⅰ,SMAXi表示招标标的物集合中第i个招标标的物对应的相似度最大值,w表示招标标的物集合中的元素个数;
采用n_gram算法依次计算(招标标的物集合中)每个招标标的物名称,与(每个目标公司的历史中标标的物集合中)每个历史中标标的物名称之间的相似度;提取第i个招标标的物对应的相似度最大值,作为SMAXi;
需要说明的是,采用n_gram算法计算招标标的物名称(词)和中标标的物名称(词)之间相似度的方法为本领域技术人员知晓的现有技术,本实施例在此不再赘述;例如,招标标的物集合中有3个招标标的物,某个目标公司的历史中标标的物集合中10个中标标的物,计算第一招标标的物名称与这10个中标标的物名称之间的相似度,取最大值作为第一招标标的物对应的相似度;
可以理解,所述特征值Ⅰ反映的是招标文件所采购物品涉及的物品特征;若二者之间相似度较大,则说明该目标公司以前曾经中标过类似的标的物;就标的物类型来说,该公司所销售的物品与招标需求中的标的物是匹配的;因此,所述特征值Ⅰ从侧面反映出目标企业所销售物品与招标需求之间的匹配度。
进一步的,调用第二预设数据模型,计算出所述招标文本数据中的标的物与每个目标公司的历史中标标的物所属行业之间的匹配度,作为对应目标公司的特征值Ⅱ时,执行;
预先配置所述第二预设数据模型为:EⅡ=φ/σ,其中,EⅡ表示特征值Ⅱ,φ表示二级分类标签交集参数,σ表示招标标的物的二级分类标签总数;
提取所述招标文本数据中的招标标的物的二级分类标签,去重后获得招标标的物的二级分类标签集合;提取N个目标公司的历史中标标的物的二级分类标签,去重后构建N个目标公司的历史中标标的物的二级分类标签集合;
对所述招标标的物的二级分类标签集合与所述目标公司的历史中标标的物的二级分类标签集合做交集,若有交集,则将二级分类标签交集参数φ设置为交集中的元素总数;否则将二级分类标签交集参数φ设置为0;
例如,招标标的物的二级分类标签集合中有3个二级分类标签,其中2个二级分类标签与某个目标公司的历史中标标的物的二级分类标签集合有交集,则将2/3作为所述招标文本数据中的标的物与目标公司的历史中标标的物所属行业之间的匹配度,即特征值Ⅱ;
可以理解,所述特征值Ⅱ反映的是招标文件采购物品涉及的行业特征,若特征值Ⅱ为0,则说明该目标公司以前从未中标过该行业的标的物,该公司所销售的物品所属行业与招标需求中的标的物所属行业是不匹配的;因此,所述特征值Ⅱ从侧面反映出目标企业所属行业与招标需求之间的匹配度。
进一步的,调用第三预设数据模型,计算出所述招标文本数据中的招标金额与每个目标公司的历史中标项目金额之间的匹配度,作为对应目标公司的特征值Ⅲ时,执行:
预先配置所述第三预设数据模型为:EⅢ=β,EⅢ表示特征值Ⅲ,β表示所述招标文本数据中的招标金额在目标公司的历史中标项目金额阶梯中的映射位置对应的范围系数;
提取目标公司的历史中标项目金额,得到历史中标项目金额数组;基于历史中标金额中值依次向两侧扩展,得到主要投标金额数组;将所述主要投标金额数组的最小值和最大值分别与10的n次幂做比较,若主要投标金额数组的最小值>10^a,最大值900000<10^b,则将第一级金额阶梯范围设置为[10^a,10^b],第二级金额阶梯范围设置为[10^(a-1),10^(b+1)],第三级金额阶梯范围设置为[0,10^(a-1)),及(10^(b+1),c];其中,a<b,a、b为正整数,c为某个目标公司的历史中标金额最大值;
将第一级金额阶梯范围对应的范围系数预先配置为0.5,将第二级金额阶梯范围对应的范围系数预先配置为0.34,将第三级金额阶梯范围对应的范围系数预先配置为0.16;调用所述第三预设数据模型,根据所述招标文本数据中的招标金额所在金额阶梯范围,获得特征值Ⅲ;
例如,对目标公司的历史中标项目金额进行从小到大排序,得到数组Y,数组Y=[1000,50000,100000,200000,300000,400000,500000,650000,700000,750000,900000];取数组Y的中位数(数组Y中的字符数为偶数时,添加中间两位数的平均数作为中位数)作为历史中标金额中值,由中位数(如400000)依次向两侧扩展,得到主要投标金额数组X,数组X=[50000,100000,200000,300000,400000,500000,650000,700000,750000,900000];扩展规则:左边除以右边,值大优先,300000/400000<400000/500000!,则数组X=[400000]->[400000,500000]->[300000,400000,500000],至Len(X)/Len(Y)>0.9停止扩展;其中,LEN函数,其功能是返回文本字符串(数组X或者Y)中的字符数,语法格式为Len(text);
以10的n次幂为范围(如:10,100,1000,10000),将数组X的最小值和最大值分别与10的n次幂做比较,最小值50000>10^4,最大值900000<10^6,则金额阶梯范围为:第一级[10^4,10^6],对应的范围系数为0.5;第二级[10^3,10^7],对应的范围系数为0.34;第三级为不在前两个范围内的区间,对应的范围系数为0.16;范围系数计算方式如下:6x=1,x=1/6;第一级:3/6=0.5;第二级:2/6=0.34(向上取整);第三级:1/6=0.16(向下取整);若招标项目金额为200000,映射到第二级,则返回特征值Ⅲ为0.34;可以理解,每个公司的中标金额不一致,所以金额阶梯范围也不一致;
可以理解,所述特征值Ⅲ反映的是招标文件采购物品涉及的金额特征,若特征值Ⅲ较大,则说明该目标公司以前中标的项目金额与招标金额高度匹配,有承接类似招标金额的项目的经验;因此,所述特征值Ⅲ从侧面反映出目标企业中标金额与招标需求之间的匹配度。
进一步的,调用第四预设数据模型,计算出所述招标文本数据中的招标项目所在城市位置以及每个目标公司的历史中标项目所在城市位置之间的匹配度,作为对应目标公司的特征值Ⅳ时,执行:
预先配置所述第四预设数据模型为:EⅣ=1.0或者0.75或者0.56,其中,EⅣ表示特征值Ⅳ;
需要说明的是,若招标项目所在城市与目标公司的某个历史中标项目所在城市同城,则EⅣ=1.0;若招标项目所在城市与目标公司的所有历史中标项目所在城市均不同城,且招标项目所在城市与目标公司的某个历史中标项目所在城市相邻,则EⅣ=0.75;若招标项目所在城市与目标公司的所有历史中标项目所在城市均不同城且不相邻(包含招标项目所在城市与目标公司的某个历史中标项目所在城市处于相同区域的情况),则EⅣ=0.56;这里的相同区域指的是招标项目所在城市与目标公司的所有历史中标项目所在城市位于同一省份、或者同一地区(例如华北、华中);
数值化计算公式:(1+1/3)^3*P=1,P=9/16=0.56(保留两位小数);需要说明的是,三种情况平均增幅1/3的情况下,最高限制为1.0,最小值为P就是0.56;三种模型数据:第一种:同城,特征值Ⅳ为1.0;第二种:相邻,特征值Ⅳ为0.56×(1+1/3)=0.75(保留两位小数);第三种:其他位置关系(包含同区域),特征值Ⅳ为0.56;
可以理解,所述特征值Ⅳ反映的是招标项目涉及的位置关系特征,若特征值Ⅳ较大,则说明该目标公司以前中标的项目位置与招标项目所在位置高度匹配,有承接该位置项目的经验;因此,所述特征值Ⅳ从侧面反映出目标企业中标项目位置与招标需求之间的匹配度。
进一步的,调用第五预设数据模型,根据每个目标公司的注册年限数值和历史中标金额中值,计算出每个目标公司的特征值Ⅴ时,执行:
预先配置第五预设数据模型的计算公式为:EⅤ=log10(η+10×log10(λ)+10×log10(μ));
其中,所述第五预设数据模型采用log10(number)函数,返回number的以10为底的对数;EⅤ表示特征值Ⅴ,保留两位小数;η表示公司注册年限数值year,λ表示公司注册资本数值register,μ表示历史中标金额中值money;
可以理解,所述特征值Ⅴ用于体现目标公司的实力特征值,若特征值Ⅴ较大,则说明该目标公司有承接该招标项目的实力;因此,所述特征值Ⅴ从侧面反映出目标公司的注册信息和历史中标金额中值与招标需求之间的匹配度。
进一步的,调用第六预设数据模型,根据每个目标公司的中标项目所属行业历史中标总金额和公司历史中标总金额,计算出每个目标公司的特征值Ⅵ时,执行:
预先配置所述第六预设数据模型为: EⅥ=1/(log10(1/((IW+1)/(CW+1)))+1);
其中,EⅥ表示特征值Ⅵ,IW表示中标项目所属行业历史中标总金额,CW表示目标公司历史中标总金额;
可以理解,所述特征值Ⅵ用于体现目标公司在招标文本数据中的招标项目所属行业的专注度,若特征值Ⅵ较大,则说明该目标公司在招标项目所属行业专注度较高;因此,所述特征值Ⅵ从侧面反映出目标公司的行业历史中标总金额和公司历史中标总金额与招标需求之间的匹配度。
进一步的,调用第七预设数据模型,根据每个目标公司的区域历史中标累计次数和区域历史中标总金额,计算出每个目标公司的特征值Ⅶ时,执行:
预先配置所述第七预设数据模型为:EⅦ=log10(1/(((AE+1)/10000)×((AW+1)/100000000)));
其中,EⅦ表示特征值Ⅶ,AE表示区域历史中标累计次数,AW表示区域历史中标总金额;这里的区域指的是同一省份、或者同一地区(例如华北、华中);
具体的,历史中标累计次数AE默认不大于1万,历史中标总金额AW默认不大于10亿;
可以理解,所述特征值Ⅶ用于体现目标公司在招标项目所在区域的竞争匹配特征值,若特征值Ⅶ较大,则说明该目标公司在招标项目所在区域竞争力较强;因此,所述特征值Ⅶ从侧面反映出目标公司的区域历史中标累计次数和区域历史中标总金额与招标需求之间的匹配度。
进一步的,调用第八预设数据模型,根据每个目标公司的全国历史中标累计次数和全国历史中标总金额,计算出每个目标公司的特征值Ⅷ时,执行:
预先配置所述第八预设数据模型为:EⅧ=log10(1/(((NE+1)/10000)×((NW+1)/100000000)));
其中,NC表示特征值Ⅷ,NE表示目标公司在全国历史中标累计次数,NW表示目标公司在全国历史中标总金额;具体的,全国历史中标累计次数NE默认不大于1万,全国历史中标总金额NW默认不大于10亿;
可以理解,所述特征值Ⅷ用于体现目标公司在全国的竞争匹配特征值,若特征值Ⅷ较大,则说明该目标公司在全国的竞争力较强;因此,所述特征值Ⅷ从侧面反映出目标公司的全国历史中标累计次数和全国历史中标总金额与招标需求之间的匹配度。
需要说明的是,采用预设数据模型对历史中标文本信息进行预处理之后,获得的历史中标标的物匹配特征值、行业匹配特征值、金额匹配特征值、城市匹配特征值、公司全国知名度匹配特征值、行业知名度匹配特征值、区域竞争匹配特征值和全国竞争匹配特征值,能够凸显出来目标公司是否与所选招标文件的招标需求紧密关联,很好地反应所选招标文件与目标公司之间的契合度,使得匹配(预测)结果更加可靠。
如附图2所示,所述深度学习推荐模型包括依次设置的K级残差网络单元和评分层,每级残差网络单元均包括依次设置的连接层Ⅰ、激活层Ⅰ、连接层Ⅱ、激活层Ⅱ、修正层和激活层Ⅲ,所述评分层包括依次设置的连接层Ⅲ和激活层Ⅳ;
将N个待测数据矩阵输入预置的深度学习推荐模型获得N个目标公司的推荐评分时,执行:
将所述待测数据矩阵输入第一级残差网络单元的连接层Ⅰ进行升维处理,将升维后的待测数据矩阵输入第一级残差网络单元的激活层Ⅰ进行稀疏化处理,得到特征矩阵Ⅰ;
将所述特征矩阵Ⅰ输入第一级残差网络单元的连接层Ⅱ进行降维处理,将降维处理的特征矩阵Ⅰ输入第一级残差网络单元的激活层Ⅱ进行稀疏化处理,得到特征矩阵Ⅱ;
将所述特征矩阵Ⅱ和所述待测数据矩阵输入所述修正层,获得特征矩阵Ⅲ;将所述特征矩阵Ⅲ输入所述激活层Ⅲ,获得第一目标特征矩阵;
将所述第一目标特征矩阵输入第二级残差网络单元,获得第二目标特征矩阵,将所述第二目标特征矩阵输入下一级残差网络单元进行特征提取,直至获得第K目标特征矩阵;
将所述第K目标特征矩阵输入所述深度学习推荐模型的评分层,获得对应目标公司的推荐评分。
需要说明的是,在循环过程中梯度可能消失,甚至导致残差网络单元输出结果中的特征丢失;为了防止特征丢失,本实施例在每级残差网络单元中设置修正层,并将该级残差网络单元的输入矩阵配置为所述修正层的输入参数,重新赋予该级残差网络单元的输入矩阵的特征,从而提高所述深度学习推荐模型输出推荐评分的准确性。
可以理解,所述连接层Ⅱ的输出通道数与所述连接层Ⅰ的输入通道数(或者待测数据矩阵的元素个数)相等,所述修正层对所述特征矩阵Ⅱ和所述待测数据矩阵相加后,输出特征矩阵Ⅲ;
具体的,所述连接层Ⅰ的输入通道数为8,所述连接层Ⅰ的输出通道数为16,所述连接层Ⅱ的输入通道数为16,所述连接层Ⅱ的输出通道数为8;所述连接层Ⅲ的输入通道数为8,所述连接层Ⅲ的输出通道数为2;所述激活层Ⅰ、所述激活层Ⅱ和激活层Ⅲ采用Relu激活函数,所述激活层Ⅳ采用Sigmoid激活函数。
所述评分层(输出层)的激活函数sigmoid用于把评分层的输入值激活后归一化到0~1的范围;预先配置二分类标签为1(推荐)和0(不推荐),将所述第K目标特征矩阵输入评分层,输出每个目标公司的特征值矩阵对应输出值为0及1的概率,本实施例取1的概率作为每个目标公司的推荐评分;将N个目标公司的推荐评分倒序排列,取其前M家公司作为匹配结果。
可以理解,在训练所述深度学习推荐模型时,可以采用已开标的相关数据(招标文件数据、中标文件数据和其他投标文件数据)作为输入值,将中标单位对应的待测数据矩阵的分类标签设置为1,其他未中标单位对应的待测数据矩阵的分类标签设置0,并利用交叉商损失函数cross-entropy监督训练所述深度学习推荐模型,来不断优化所述深度学习推荐模型;交叉商损失函数cross-entropy配合评分层(输出层)的激活函数sigmoid能更快地加速深度学习的训练速度。
为了保证推荐结果的准确性,本发明采用预置的深度学习推荐模型对所述待测数据矩阵进行处理;所述深度学习推荐模型的每级残差网络单元均包括两层残差处理模块,为了增加特征值的可解释性,第一层残差处理模块的连接层Ⅰ进行通道数提升,在中标信息匹配过程最大限度地保留与招标需求紧密关联的关键特征信息,第一层残差处理模块的激活层Ⅰ使用Relu激活函数,去掉不积极的特征因素,加强关键特征信息的表达,从而得到准确的中标信息匹配结果。
为了解决过拟合所引起的中标信息匹配结果准确度下降的问题,本实施例在通过第二层残差处理模块的连接层Ⅱ进行降维处理后,利用第二层残差处理模块的激活层Ⅱ和该级残差网络单元的激活层Ⅲ,来减少中标信息匹配过程中过拟合现象的发生,进而提高中标信息匹配准确度。
另外,所述第二层残差处理模块的激活层Ⅱ和该级残差网络单元的激活层Ⅲ组成两层Relu网络,相当于直接把梯度传递到下一层,这也使残差网络的收敛速度更快,从而提高中标信息匹配效率。
具体的,M、N、K均为自然数,N不是预先配置的,是动态变化的;M的值是预先配置的,M的取值范围为1至5,可以为1、2、3、4或者5,也可以根据实际需求进行修改;K的取值范围为2至6,可以为2、3、4、5或者6,也可以根据实际需求进行修改。
本领域技术人员在建立历史中标文件数据库的标的物知识图谱时,通常会采用商品分类类似规则,根据标的物所属的大类、所应用的行业以及品类将标的物分为三类,并将标的物所属的大类名称记为标的物的一级分类标签,将标的物所应用的行业名称记为标的物的二级分类标签,将标的物的品类名称记为标的物的三级分类标签;
例如:标的物为计算机时,一级分类标签为IT通讯,二级分类标签为电子数码\办公设备,三级分类标签为电脑。
实施例2
如附图3所示,在实施例1的基础上,本实施例给出了一种基于招标信息的中标信息匹配***的具体实施方式,所述***包括获取模块、筛选模块、数据预处理模块、预测模块以及排序模块,所述数据预处理模块包括第一预处理单元、第二预处理单元、第三预处理单元、第四预处理单元、第五预处理单元、第六预处理单元、第七预处理单元、第八预处理单元和输出单元;其中,
所述获取模块用于确定招标文本数据,从所述招标文本数据中获取目标特征信息;
所述筛选模块用于基于所述招标文本数据的目标特征信息与历史中标文件数据库中各个公司的历史中标文件中的目标特征信息,筛选出N个目标公司;
所述第一预处理单元用于调用第一预设数据模型,计算出所述招标文本数据中的标的物以及每个目标公司的历史中标标的物之间的相似度,作为对应目标公司的特征值Ⅰ;
所述第二预处理单元用于调用第二预设数据模型,计算出所述招标文本数据中的标的物与每个目标公司的历史中标标的物所属行业之间的匹配度,作为对应目标公司的特征值Ⅱ;
所述第三预处理单元用于调用第三预设数据模型,计算出所述招标文本数据中的招标金额与每个目标公司的历史中标项目金额之间的匹配度,作为对应目标公司的特征值Ⅲ;
所述第四预处理单元用于调用第四预设数据模型,计算出所述招标文本数据中的招标项目所在城市位置以及每个目标公司的历史中标项目所在城市位置之间的匹配度,作为对应目标公司的特征值Ⅳ;
所述第五预处理单元用于调用第五预设数据模型,根据每个目标公司的注册年限数值和历史中标金额中值,计算出每个目标公司的特征值Ⅴ;
所述第六预处理单元用于调用第六预设数据模型,根据每个目标公司的中标项目所属行业历史中标总金额和公司历史中标总金额,计算出每个目标公司的特征值Ⅵ;
所述第七预处理单元用于调用第七预设数据模型,根据每个目标公司的区域历史中标累计次数和区域历史中标总金额,计算出每个目标公司的特征值Ⅶ;
所述第八预处理单元用于调用第八预设数据模型,根据每个目标公司的全国历史中标累计次数和全国历史中标总金额,计算出每个目标公司的特征值Ⅷ;
所述输出单元用于根据N个目标公司的特征值Ⅰ、特征值Ⅱ、特征值Ⅲ、特征值Ⅳ、特征值Ⅴ、特征值Ⅵ、特征值Ⅶ和特征值Ⅷ,构建N个待测数据矩阵;
所述预测模块用于将N个待测数据矩阵输入预置的深度学习推荐模型,获得N个目标公司的推荐评分;
所述排序模块用于对N个目标公司的推荐评分进行排序,将前M个目标公司信息作为匹配结果进行输出,其中,M≤N;
所述获取模块、所述筛选模块、所述数据预处理模块、所述预测模块以及排序模块依次相连,所述第一预处理单元、所述第二预处理单元、所述第三预处理单元、所述第四预处理单元、所述第五预处理单元、所述第六预处理单元、所述第七预处理单元、所述第八预处理单元分别连接所述输出单元,实现如实施例1中的基于招标信息的中标信息匹配方法的步骤。
可以理解,基于招标信息的中标信息匹配方法的步骤进行中标信息匹配的过程中,所述筛选模块所需的目标特征信息可以预先从招标文本数据或者各个公司的历史中标文件中提取或者查找出并预存;所述第一预处理单元、所述第二预处理单元、所述第三预处理单元、所述第四预处理单元、所述第五预处理单元、所述第六预处理单元、所述第七预处理单元、所述第八预处理单元所需的各种参数,例如招标标的物、招标金额、招标项目所在城市位置、历史中标标的物、历史中标项目金额、历史中标项目所在城市位置、目标公司的注册年限数值和历史中标金额中值等,也可以预先从招标文本数据或者各个公司的历史中标文件中提取或者查找出并预存,以提高中标信息匹配效率。
实施例3
本实施例给出了一种基于招标信息的中标信息匹配设备的具体实施方式,其包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于招标信息的中标信息匹配程序,所述基于招标信息的中标信息匹配程序被所述处理器执行时,实现如实施例1的基于招标信息的中标信息匹配方法的步骤。
本实施例还给出了一种可读存储介质的具体实施方式,其上存储有指令,该指令被处理器执行时实现如实施例1的基于招标信息的中标信息匹配方法的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的***和设备,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,上述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (10)
1.一种基于招标信息的中标信息匹配方法,其特征在于,包括以下步骤:
确定招标文本数据,从所述招标文本数据中获取目标特征信息;
基于所述招标文本数据的目标特征信息与历史中标文件数据库中各个公司的历史中标文件中的目标特征信息,筛选出N个目标公司;
调用第一预设数据模型,计算出所述招标文本数据中的标的物以及每个目标公司的历史中标标的物之间的相似度,作为对应目标公司的特征值Ⅰ;
调用第二预设数据模型,计算出所述招标文本数据中的标的物与每个目标公司的历史中标标的物所属行业之间的匹配度,作为对应目标公司的特征值Ⅱ;
调用第三预设数据模型,计算出所述招标文本数据中的招标金额与每个目标公司的历史中标项目金额之间的匹配度,作为对应目标公司的特征值Ⅲ;
调用第四预设数据模型,计算出所述招标文本数据中的招标项目所在城市位置以及每个目标公司的历史中标项目所在城市位置之间的匹配度,作为对应目标公司的特征值Ⅳ;
调用第五预设数据模型,根据每个目标公司的注册年限数值和历史中标金额中值,计算出每个目标公司的特征值Ⅴ;
调用第六预设数据模型,根据每个目标公司的中标项目所属行业历史中标总金额和公司历史中标总金额,计算出每个目标公司的特征值Ⅵ;
调用第七预设数据模型,根据每个目标公司的区域历史中标累计次数和区域历史中标总金额,计算出每个目标公司的特征值Ⅶ;
调用第八预设数据模型,根据每个目标公司的全国历史中标累计次数和全国历史中标总金额,计算出每个目标公司的特征值Ⅷ;
根据N个目标公司的特征值Ⅰ、特征值Ⅱ、特征值Ⅲ、特征值Ⅳ、特征值Ⅴ、特征值Ⅵ、特征值Ⅶ和特征值Ⅷ,构建N个待测数据矩阵:
将N个待测数据矩阵输入预置的深度学习推荐模型,获得N个目标公司的推荐评分;
对N个目标公司的推荐评分进行排序,将前M个目标公司信息作为匹配结果进行输出,其中,M≤N。
2.根据权利要求1所述的基于招标信息的中标信息匹配方法,其特征在于:所述深度学习推荐模型包括依次设置的K级残差网络单元和评分层,每级残差网络单元均包括依次设置的连接层Ⅰ、激活层Ⅰ、连接层Ⅱ、激活层Ⅱ、修正层和激活层Ⅲ,所述评分层包括依次设置的连接层Ⅲ和激活层Ⅳ;
将N个待测数据矩阵输入预置的深度学习推荐模型获得N个目标公司的推荐评分时,执行:
将所述待测数据矩阵输入第一级残差网络单元的连接层Ⅰ进行升维处理,将升维后的待测数据矩阵输入第一级残差网络单元的激活层Ⅰ进行稀疏化处理,得到特征矩阵Ⅰ;
将所述特征矩阵Ⅰ输入第一级残差网络单元的连接层Ⅱ进行降维处理,将降维处理的特征矩阵Ⅰ输入第一级残差网络单元的激活层Ⅱ进行稀疏化处理,得到特征矩阵Ⅱ;
将所述特征矩阵Ⅱ和所述待测数据矩阵输入所述修正层,获得特征矩阵Ⅲ;将所述特征矩阵Ⅲ输入所述激活层Ⅲ,获得第一目标特征矩阵;
将所述第一目标特征矩阵输入第二级残差网络单元,获得第二目标特征矩阵,将所述第二目标特征矩阵输入下一级残差网络单元进行特征提取,直至获得第K目标特征矩阵;
将所述第K目标特征矩阵输入所述深度学习推荐模型的评分层,获得对应目标公司的推荐评分。
3.根据权利要求2所述的基于招标信息的中标信息匹配方法,其特征在于:所述连接层Ⅰ的输入通道数为8,所述连接层Ⅰ的输出通道数为16,所述连接层Ⅱ的输入通道数为16,所述连接层Ⅱ的输出通道数为8;所述连接层Ⅲ的输入通道数为8,所述连接层Ⅲ的输出通道数为2;
所述激活层Ⅰ、所述激活层Ⅱ和激活层Ⅲ采用Relu激活函数,所述激活层Ⅳ采用Sigmoid激活函数。
4.根据权利要求1所述的基于招标信息的中标信息匹配方法,其特征在于,所述第一预设数据模型的计算公式为:
EⅠ=(SMAX1+ SMAX2+…+ SMAXw)÷w
其中,EⅠ表示特征值Ⅰ,SMAXi表示招标标的物集合中第i个招标标的物对应的相似度最大值,w表示招标标的物集合中的元素个数。
5.根据权利要求1所述的基于招标信息的中标信息匹配方法,其特征在于,所述第五预设数据模型的计算公式为:
EⅤ=log10(η+10×log10(λ)+10×log10(μ))
其中,EⅤ表示特征值Ⅴ,η表示公司注册年限数值,λ表示公司注册资本数值,μ表示历史中标金额中值。
6.根据权利要求1所述的基于招标信息的中标信息匹配方法,其特征在于,所述第六预设数据模型的计算公式为:
EⅥ=1/(log10(1/((IW+1)/(CW+1)))+1)
其中,EⅥ表示特征值Ⅵ,IW表示中标项目所属行业历史中标总金额,CW表示目标公司历史中标总金额。
7.根据权利要求1所述的基于招标信息的中标信息匹配方法,其特征在于,所述第七预设数据模型的计算公式为:
EⅦ=log10(1/(((AE+1)/10000)×((AW+1)/100000000)))
其中,EⅦ表示特征值Ⅶ,AE表示区域历史中标累计次数,AW表示区域历史中标总金额。
8.一种基于招标信息的中标信息匹配***,其特征在于:包括获取模块、筛选模块、数据预处理模块、预测模块以及排序模块,所述数据预处理模块包括第一预处理单元、第二预处理单元、第三预处理单元、第四预处理单元、第五预处理单元、第六预处理单元、第七预处理单元、第八预处理单元和输出单元;
其中,所述获取模块用于获取招标文本数据中的目标特征信息,所述筛选模块用于筛选出N个目标公司,所述第一预处理单元用于生成每个目标公司的特征值Ⅰ,所述第二预处理单元用于生成每个目标公司的特征值Ⅱ,所述第三预处理单元用于生成每个目标公司的特征值Ⅲ,所述第四预处理单元用于生成每个目标公司的特征值Ⅳ,所述第五预处理单元用于生成每个目标公司的特征值Ⅴ,所述第六预处理单元用于生成每个目标公司的特征值Ⅵ,所述第七预处理单元用于生成每个目标公司的特征值Ⅶ,所述第八预处理单元用于生成每个目标公司的特征值Ⅷ,所述输出单元用于根据N个目标公司的特征值Ⅰ、特征值Ⅱ、特征值Ⅲ、特征值Ⅳ、特征值Ⅴ、特征值Ⅵ、特征值Ⅶ和特征值Ⅷ,构建N个待测数据矩阵;所述预测模块用于获得N个目标公司的推荐评分,所述排序模块用于将前M个目标公司信息作为匹配结果进行输出;
所述获取模块、所述筛选模块、所述数据预处理模块、所述预测模块以及排序模块依次相连,所述第一预处理单元、所述第二预处理单元、所述第三预处理单元、所述第四预处理单元、所述第五预处理单元、所述第六预处理单元、所述第七预处理单元、所述第八预处理单元分别连接所述输出单元,实现如权利要求1-7任一项所述的基于招标信息的中标信息匹配方法的步骤。
9.一种基于招标信息的中标信息匹配设备,其特征在于:包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于招标信息的中标信息匹配程序,所述基于招标信息的中标信息匹配程序被所述处理器执行时,实现如权利要求1-7任一项所述的基于招标信息的中标信息匹配方法的步骤。
10.一种可读存储介质,其上存储有指令,其特征在于:该指令被处理器执行时实现如权利要求1-7任一项所述的基于招标信息的中标信息匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544779.8A CN114741482B (zh) | 2022-05-19 | 2022-05-19 | 基于招标信息的中标信息匹配方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544779.8A CN114741482B (zh) | 2022-05-19 | 2022-05-19 | 基于招标信息的中标信息匹配方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114741482A true CN114741482A (zh) | 2022-07-12 |
CN114741482B CN114741482B (zh) | 2022-08-30 |
Family
ID=82287627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210544779.8A Active CN114741482B (zh) | 2022-05-19 | 2022-05-19 | 基于招标信息的中标信息匹配方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741482B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912905A (zh) * | 2022-07-15 | 2022-08-16 | 北京拓普丰联信息科技股份有限公司 | 一种目标对象的挖掘方法及装置 |
CN114943593A (zh) * | 2022-07-26 | 2022-08-26 | 北京拓普丰联信息科技股份有限公司 | 一种标讯信息合并方法、装置、电子设备及存储介质 |
CN116228043A (zh) * | 2023-05-05 | 2023-06-06 | 苏州德耐纳米科技有限公司 | 一种镀膜机镀膜均匀性评估*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐***及方法 |
WO2019245182A1 (ko) * | 2018-06-21 | 2019-12-26 | (주)엔터랩 | 조달입찰정보 매칭방법, 장치 및 프로그램 |
CN112396211A (zh) * | 2019-08-19 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据预测方法及装置、设备和计算机存储介质 |
CN113656690A (zh) * | 2021-08-16 | 2021-11-16 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN113793199A (zh) * | 2021-09-14 | 2021-12-14 | 北京捷风数据技术有限公司 | 一种招中标信息推荐方法、***及存储介质 |
CN114492368A (zh) * | 2022-01-26 | 2022-05-13 | 河南小海带数据科技有限公司 | 一种ai投标自动评分方法、***以及存储介质 |
-
2022
- 2022-05-19 CN CN202210544779.8A patent/CN114741482B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019245182A1 (ko) * | 2018-06-21 | 2019-12-26 | (주)엔터랩 | 조달입찰정보 매칭방법, 장치 및 프로그램 |
CN108959603A (zh) * | 2018-07-13 | 2018-12-07 | 北京印刷学院 | 基于深度神经网络的个性化推荐***及方法 |
CN112396211A (zh) * | 2019-08-19 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据预测方法及装置、设备和计算机存储介质 |
CN113656690A (zh) * | 2021-08-16 | 2021-11-16 | 中国平安财产保险股份有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN113793199A (zh) * | 2021-09-14 | 2021-12-14 | 北京捷风数据技术有限公司 | 一种招中标信息推荐方法、***及存储介质 |
CN114492368A (zh) * | 2022-01-26 | 2022-05-13 | 河南小海带数据科技有限公司 | 一种ai投标自动评分方法、***以及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912905A (zh) * | 2022-07-15 | 2022-08-16 | 北京拓普丰联信息科技股份有限公司 | 一种目标对象的挖掘方法及装置 |
CN114943593A (zh) * | 2022-07-26 | 2022-08-26 | 北京拓普丰联信息科技股份有限公司 | 一种标讯信息合并方法、装置、电子设备及存储介质 |
CN116228043A (zh) * | 2023-05-05 | 2023-06-06 | 苏州德耐纳米科技有限公司 | 一种镀膜机镀膜均匀性评估*** |
Also Published As
Publication number | Publication date |
---|---|
CN114741482B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114741482B (zh) | 基于招标信息的中标信息匹配方法、***、设备及介质 | |
CN110210952B (zh) | 一种评标方法及装置 | |
CN110413319B (zh) | 一种基于深度语义的代码函数味道检测方法 | |
CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
CN113535963A (zh) | 一种长文本事件抽取方法、装置、计算机设备及存储介质 | |
CN110990529A (zh) | 企业的行业明细划分方法及*** | |
Nguyen et al. | Spherical Fuzzy WASPAS-based Entropy Objective Weighting for International Payment Method Selection. | |
Zhong et al. | Effects of cost-benefit analysis under back propagation neural network on financial benefit evaluation of investment projects | |
Moedjahedy et al. | Stock price forecasting on telecommunication sector companies in Indonesia Stock Exchange using machine learning algorithms | |
CN113379432B (zh) | 一种基于机器学习的销售***客户匹配方法 | |
CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
CN112784049B (zh) | 一种面向文本数据的在线社交平台多元知识获取方法 | |
Kumar et al. | Efficient binary grasshopper optimization based neural network algorithm for bitcoin value prediction | |
CN117435603A (zh) | 数据一致性确定模型的训练方法、装置和计算机设备 | |
CN117114812A (zh) | 一种针对企业的金融产品推荐方法及装置 | |
Azadeh et al. | The impact of decision-making units features on efficiency by integration of data envelopment analysis, artificial neural network, fuzzy C-means and analysis of variance | |
Seo et al. | Measuring News Sentiment of Korea Using Transformer | |
CN109635289A (zh) | 词条分类方法及审计信息抽取方法 | |
CN114611515B (zh) | 一种基于企业舆情信息识别企业实际控制人的方法和*** | |
Jiang et al. | Identifying predictors of analyst rating quality: An ensemble feature selection approach | |
Yang | RETRACTED ARTICLE: Financial Information Extraction Using the Improved Hidden Markov Model and Deep Learning | |
Islam et al. | Stock market prediction of Bangladesh using multivariate long short-term memory with sentiment identification. | |
Liu | Computer Method Research on Risk Control Identification System Based on Deep Learning | |
Lee | Exploring predictive variables affecting the sales of companies listed with Korean stock indices through machine learning analysis | |
Zhou et al. | Research on the Financial Data Fraud Detection of Chinese Listed Enterprises by Integrating Audit Opinions. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |