基于人工智能的招投标数据处理方法及装置与流程

本技术涉及人工智能领域，具体涉及一种基于人工智能的招投标数据处理方法及装置。

背景技术：

1、招投标领域是商业交易中至关重要的一个环节，然而，目前存在的一个显著问题是招标文件和投标文件中的表达常常不够清晰明了，导致了在招投标匹配过程中的不准确性和效率低下。

2、具体来说，在招标文件中，招标方往往面临难以准确表达需求的挑战。有时由于技术术语使用不当、表述模糊或者描述不足，招标文件可能会引发多种解释，给投标方带来理解上的困扰。同样，在投标文件中，投标方也可能因为对招标文件理解不足而未能充分满足招标方的需求。

3、此外，由于人工审核招投标文件的匹配，存在主观判断、繁琐的手工操作和易错的问题，导致了整个招投标过程的低效性。

4、因此，现有技术在招投标文件的撰写和匹配方面存在着一系列问题，包括但不限于信息不清晰、匹配不准确、效率低下等，亟需一种新的技术手段来提高招投标过程的质量和效率。

5、以上问题，在制作招标文件时，需要考全面考虑各个方面的细节和潜在问题，确保招标文件既能满足项目需求，又能提现公平公证的竞争原则，并兼顾效率与效益。

技术实现思路

1、针对现有技术中的问题，本技术提供一种基于人工智能的招投标数据处理方法及装置，能够有效提高招投标文件的匹配准确率和效率。

2、为了解决上述问题中的至少一个，本技术提供以下技术方案：

3、第一方面，本技术提供一种基于人工智能的招投标数据处理方法，包括：

4、根据历史招标文件中的技术参数、服务标准、工期要求以及资质要求输入预设自然语言处理模型确定对应的招标需求，将所述招标需求作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型；

5、根据历史投标文件中的团队专业描述、技术方案描述以及团队资质输入预设自然语言处理模型确定对应的投标服务，将所述投标服务作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型；

6、将从所述第一特征模型提取的招标需求特征和从所述第二特征模型提取的投标服务特征输入预设集成模型的特征融合层进行特征融合，将所述特征融合的结果输入所述集成模型的输出层，并通过所述集成模型的输出层输出招投标匹配数据。

7、进一步地，所述根据历史招标文件中的技术参数、服务标准、工期要求以及资质要求输入预设自然语言处理模型确定对应的招标需求，包括：

8、将历史招标文件中的技术参数、服务标准、工期要求以及资质要求输入预设深度双向网络学习模型进行预训练，确定单词的上下文相关表示；

9、为所述单词的上下文相关表示添加招标需求标签，并通过所述深度双向网络学习模型输出对应的招标需求。

10、进一步地，所述将所述招标需求作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型，包括：

11、将所述招标需求作为模型训练集和验证集对预设决策树模型进行模型训练，逐步增加所述决策树模型的深度值和/或分裂节点所需最小样本数直至所述决策树模型在所述验证集上的性能开始下降，确定对应的性能最佳深度值；

12、根据所述性能最佳深度值得到第一特征模型。

13、进一步地， 所述根据历史投标文件中的团队专业描述、技术方案描述以及团队资质输入预设自然语言处理模型确定对应的投标服务，包括：

14、对历史投标文件中的团队专业描述、技术方案描述以及团队资质进行分词处理并添加投标服务标签后输入预设循环神经网络模型中进行文本分类；

15、通过反向传播算法对所述循环神经网络模型进行参数调优，得到所述循环神经网络模型输出的投标服务。

16、进一步地，所述将所述投标服务作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型，包括：

17、确定所述投标服务中所述文本序列的最大长度，并根据所述最大长度和预设零向量进行文本序列填充；

18、将经所述文本序列填充后的所述投标服务划分为模型训练集和验证集，并将所述训练集输入预设循环神经网络模型，通过设定均方误差损失函数对所述循环神经网络模型进行迭代训练，得到第二特征模型。

19、进一步地，所述将从所述第一特征模型提取的招标需求特征和从所述第二特征模型提取的投标服务特征输入预设集成模型的特征融合层进行特征融合，包括：

20、从所述第一特征模型中提取决策树深度值和节点分裂条件并作为招标需求特征，从所述第二特征模型中提取循环神经网络隐藏层的输出和学习到的时序关系作为投标服务特征；

21、将所述招标需求特征和所述投标服务特征输入随机森林模型的特征融合层中进行特征融合操作。

22、进一步地，所述将所述招标需求特征和所述投标服务特征输入随机森林模型的特征融合层中进行特征融合操作，包括：

23、将所述招标需求特征作为第一特征向量，将所述投标服务特征作为第二特征向量；

24、对所述第一特征向量和所述第二特征向量进行拼接操作，得到包含有来自所述决策树模型和所述循环神经网络模型的所有特征信息。

25、第二方面，本技术提供一种基于人工智能的招投标数据处理装置，包括：

26、第一特征模型构建模块，用于根据历史招标文件中的技术参数、服务标准、工期要求以及资质要求输入预设自然语言处理模型确定对应的招标需求，将所述招标需求作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型；

27、第二特征模型构建模块，用于根据历史投标文件中的团队专业描述、技术方案描述以及团队资质输入预设自然语言处理模型确定对应的投标服务，将所述投标服务作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型；

28、模型融合预测模块，用于将从所述第一特征模型提取的招标需求特征和从所述第二特征模型提取的投标服务特征输入预设集成模型的特征融合层进行特征融合，将所述特征融合的结果输入所述集成模型的输出层，并通过所述集成模型的输出层输出招投标匹配数据。

29、第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于人工智能的招投标数据处理方法的步骤。

30、第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于人工智能的招投标数据处理方法的步骤。

31、第五方面，本技术提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的基于人工智能的招投标数据处理方法的步骤。

32、由上述技术方案可知，本技术提供一种基于人工智能的招投标数据处理方法及装置，通过根据历史招标文件中的技术参数、服务标准、工期要求以及资质要求输入预设自然语言处理模型确定对应的招标需求，将所述招标需求作为模型训练集对预设决策树模型进行模型训练，得到第一特征模型；根据历史投标文件中的团队专业描述、技术方案描述以及团队资质输入预设自然语言处理模型确定对应的投标服务，将所述投标服务作为模型训练集对预设循环神经网络模型进行模型训练，得到第二特征模型；将从所述第一特征模型提取的招标需求特征和从所述第二特征模型提取的投标服务特征输入预设集成模型的特征融合层进行特征融合，由此能够有效提高招投标文件的匹配准确率和效率。