申请/专利权人：辽宁省网联数字科技产业有限公司

申请日：2024-01-19

公开（公告）日：2024-04-05

公开（公告）号：CN117592458B

主分类号：G06F40/205

分类号：G06F40/205;G06F40/226;G06F40/279;G06F40/151;G06F16/35;G06F18/213;G06N3/0442;G06N3/045;G06N3/0464;G06N7/02;G06N3/084;G06N3/086;G06N3/0985;G06Q10/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明涉及人工智能技术领域，具体是指基于人工智能的数字化投标文件盲盒解析方法及系统，所述方法包括数据采集和处理、盲盒解析、数据验证和格式化、报价计算和安全性和隐私保护，本方案通过使用基于模糊的饥饿游戏搜索算法，引入了模糊适应度值和模糊选择机制，增强了算法的全局搜索能力，从而提高算法的收敛速度，增强了算法的鲁棒性，更好的处理不确定性和模糊信息；同时使用可扩展多目标优化的可学习进化算法，通过学习超参数空间的结构来指导超参数的搜索，使该算法快速找到最优的超参数组合，增强鲁棒性；所述系统包括数据采集和处理模块、盲盒解析模块、数据验证和格式化模块、报价计算标注模块和安全隐私保护模块。

主权项：1.基于人工智能的数字化投标文件盲盒解析方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集和处理，获取数字化投标文件盲盒数据，对数字化投标文件盲盒数据进行预处理，包括数据清洗、去除噪声和格式转换，得到预处理后的数字化投标文件盲盒数据；步骤S2：盲盒解析，使用自然语言处理和机器学习对预处理后的数字化投标文件盲盒数据进行解析，包括招标要求、招标规格、招标条件和截止日期，得到解析后的数字化投标文件盲盒数据；步骤S3：数据验证和格式化，对数字化投标文件盲盒数据进行验证和格式化，使用数据验证算法检查数字化投标文件盲盒数据完整性和合法性，并对数字化投标文件盲盒数据进行标准化和格式化；步骤S4：报价计算，根据解析后的数字化投标文件盲盒数据，进行报价计算；步骤S5：安全性和隐私保护，在整个过程中，使用数据加密和访问控制保护数据隐私；在步骤S2中，使用自然语言处理和机器学习对预处理后的数字化投标文件盲盒数据进行解析，具体包括以下步骤：步骤S21：文本分类，建立文本分类模型，使用文本分类模型对投标文件进行分类，将文本内容分为不同的类别，包括招标要求、招标规格和招标条件，得到文本分类结果；步骤S22：实体识别，建立实体识别模型，使用实体识别模型对投标文件的实体进行识别，包括公司名称、产品名称和产品类别，得到实体识别结果；步骤S23：关系提取，建立关系抽取模型，使用关系抽取模型识别投标文件中的关系，包括供应商和产品之间的关系、供应商和交货时间之间的关系、产品之间的关系、产品和规格之间的关系、产品和技术特性之间的关系，得到关系提取结果；步骤S24：结果整合，将文本分类结果、实体识别结果和关系提取结果进行整合，形成结构化的数据表示；在步骤S21中，建立文本分类模型，使用文本分类模型对投标文件进行分类，具体包括以下步骤：步骤S211：收集数据与预处理，从预处理后的数字化投标文件盲盒数据提取投标文件中的文本内容，同时进行清洗和处理，得到处理后的文本内容；步骤S212：特征提取，将处理后的文本内容作为数据集，将数据集的80%作为训练集，数据集的20%作为验证集，使用基于模糊的饥饿游戏搜索算法对数据集进行特征提取；步骤S213：模型选择与训练，选择RNN-CNN-LSTM建立文本分类模型，使用训练集进行训练；步骤S214：模型评估，使用测试集对训练好的文本分类模型进行评估，计算分类准确率、精确率和召回率，得到评估结果；步骤S215：模型优化，根据评估结果对文本分类模型进行调优，优化完成后得到文本分类模型；在步骤S212中，使用基于模糊的饥饿游戏搜索算法对数据集进行特征提取，具体包括以下步骤：步骤S2121：使用模糊逻辑，定义模糊集，使用隶属度函数表示，所用公式如下： ；其中，为模糊集，为模糊集定义的范围，为模糊集的隶属度函数，为隶属度函数的取值范围，为[0,1]；步骤S2122：使用试错法，确定模糊集形式，包括三角形、梯形和高斯形，确定模糊集的间隔和数量；步骤S2123：初始化，设置最大隶属度函数评估次数，使用均匀随机分布随机初始化代理种群，所用公式如下： ；其中，是随机初始化的解向量，、是解向量的上限和下限，表示每个代理，为随机数函数，取值为[0,1]；步骤S2124：使用线性种群缩减方法，所用公式如下： ；其中，为下一代代理种群的大小，为最大代理种群大小，为最小代理种群大小，为最大隶属度函数评估次数，为当前隶属度函数评估次数，表示四舍五入函数；步骤S2125：更新当前隶属度函数评估次数，所用公式如下： ；步骤S2126：特征提取，使用饥饿游戏搜索算法进行特征提取；步骤S2127：迭代步骤，重复步骤S2124至步骤S2126，直至达到最大隶属度函数评估次数；在步骤S213中，选择RNN-CNN-LSTM建立文本分类模型，使用训练集进行训练，具体包括以下步骤：步骤S2131：设置模型架构，定义输入层、卷积层、LSTM层、全连接层和输出层；步骤S2132：模型训练，使用训练集对文本分类模型进行训练，通过反向传播和优化算法更新文本分类模型的参数；步骤S2133：模型预测，使用验证集评估模型的性能，并使用可扩展多目标优化的可学习进化算法自动调整超参数；在步骤S2131中，定义输入层、卷积层、LSTM层、全连接层和输出层，具体包括以下内容：输入层：将训练集转换为词嵌入向量，采用预训练的词向量模型Word2Vec训练词嵌入向量；卷积层：提取训练集中的局部特征，定义卷积核大小和卷积核数量；LSTM层：定义LSTM层中LSTM单元的数量，添加Dropout层；全连接层：在文本分类模型的顶部添加全连接层，整合局部特征并输出分类结果，定义神经元数量和激活函数ReLU；输出层：定义分类数，分类数的数量与神经元数量保持一致，定义激活函数softmax；在步骤S2133中，使用验证集评估模型的性能，并使用可扩展多目标优化的可学习进化算法自动调整超参数，具体包括以下步骤：步骤S21331：初始化超参数空间；步骤S21332：初始化进化算法种群，在超参数空间中随机生成个体，所有个体作为初始种群；步骤S21333：个体评估，对种群的每个个体进行评估，计算每个个体的适应度值，选择适应度值高的个体；步骤S21334：交叉和变异操作，对适应度最高的个体进行交叉和变异操作，产生新的个体；步骤S21335：重复步骤，重复步骤S21333至步骤S21334，直至找到最优超参数组合；步骤S21336：返回最优超参数组合，返回适应度值最高的超参数组合，作为最优的超参数组合。

全文数据：

权利要求：

百度查询： 辽宁省网联数字科技产业有限公司 基于人工智能的数字化投标文件盲盒解析方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD