基于深度学习的技术标辅助评审方法、系统及存储介质与流程

本技术涉及自然语言处理，尤其涉及一种基于深度学习的技术标辅助评审方法、系统及存储介质。

背景技术：

1、技术标评审是指在招标过程中专家对投标单位的技术方案进行评审和比较，以确定最具技术优势和可行性的投标单位。技术标评审是招标过程中非常重要的环节，需要确保采购项目选择到最佳的技术解决方案，同时还需要满足招标文件中的技术要求。

2、传统的技术标评审过程中评审专家需要根据招标文件中设置的条款阅读投标文件中的相应文字内容，随后依靠自己的主观判断对投标单位的技术方案，也叫技术标文件或者投标文件进行比较和评估。评估的内容包括技术可行性、创新性、性能指标、技术实现方案等。然而通过传统方式进行技术标评审，即使招标文件对于打分方式进行了明确规定，但是评审专家的评分不可避免地仍然具有较大的主观性，从而导致同一投标文件不同评审专家的评分结果存在差异，虽然可以通过对多名评审专家的评分取平均值以尽可能平衡误差，但仍然无法从根本上消除评审专家由于主观性而导致的评分误差。

3、综上所述，通过传统方式进行技术标评审，人工成本较高，评分速度较慢，同时随着招标投标领域营商环境的持续优化，参与投标的投标单位数量屡创新高，投标文件数量持续增多，评审专家的工作量急剧增加。因此如何提升技术标的评审效率同时降低专家的自由裁量权是目前面临的难题。

技术实现思路

1、本技术提供了一种基于深度学习的技术标辅助评审方法、系统及存储介质，能够协助专家进行技术标评审，有效提高评审效率的同时，降低专家自由裁量权。本技术提供如下技术方案：

2、第一方面，本技术提供一种基于深度学习的技术标辅助评审方法，所述方法包括：

3、获取招标文件的评分点，基于评分点生成关键词列表，使用关键词列表对技术标文本进行过滤；

4、基于招标文件中的评分点构建评分点知识图谱，评分点知识图谱包括评分点相关的法律法规分析以及经验总结；

5、将过滤后的技术标文本输入预设的评分点标注模型中，模型输出带有评分点标注的技术标文本；

6、将评分点知识图谱对应到技术标文本中对应评分点标注的位置，并将带有评分点标注的技术标文本发送至评审专家进行辅助评审。

7、在一个具体的可实施方案中，所述获取招标文件的评分点，基于评分点生成关键词列表，使用关键词列表对技术标文本进行过滤包括：

8、使用正则表达式从招标文件中提取评分点信息；

9、通过自然语言处理工具提取评分点信息中的词汇，判断词汇是否为关键词并生成关键词列表；

10、使用关键词列表对技术标文本进行过滤。

11、在一个具体的可实施方案中，所述判断词汇是否为关键词包括：

12、通过计算信息熵的方式判断词汇是否为关键词，计算每个词汇在文本中的出现概率，计算公式如下：

13、

14、使用信息熵计算公式计算每个词汇的信息熵，计算公式如下：

15、其中，是词汇的信息熵，是词汇在文本中的出现概率，根据计算得到的每个词汇的信息熵，与预设阈值进行比较，将信息熵大于等于预设阈值的词汇设为关键词。

16、在一个具体的可实施方案中，所述判断词汇是否为关键词包括：

17、基于词汇相似度与频率判断词汇是否为关键词，使用预训练的词嵌入模型计算每个词汇与其他词汇的相似度，对于每个词汇，计算对应的频率加权分数，计算公式如下：

18、其中，为词汇的频率加权分数，为词汇与其他词汇的平均相似度，为词汇在文本中的词频，即在文本中的出现次数，和为权重参数，且；

19、对计算得到的频率加权分数进行归一化，将归一化后的频率加权分数与预设阈值进行比较，选择分数高于等于阈值的词汇作为关键词。

20、在一个具体的可实施方案中，所述基于招标文件中的评分点构建评分点知识图谱，评分点知识图谱包括评分点相关的法律法规分析以及经验总结包括：

21、对招标文件中各个评分点相关的法律法规进行分析，提取出其中对评分点的法律规定说明，并转化为知识形式并存储在知识图谱中；

22、通过邀请对评分点有关的专家进行经验总结，梳理为知识形式并存储在知识图谱中。

23、在一个具体的可实施方案中，所述将过滤后的技术标文本输入预设的评分点标注模型中，模型输出带有评分点标注的技术标文本包括：

24、基于语句的形式对技术标文本进行划分，生成多个技术标文本的语句，将每个语句输入评分点标注模型，评分点标注模型对语句进行多线程处理并输出带有评分点标注的语句，将所有带有评分点标注的语句整合而成带有评分点标注的技术标文本，记为第一标注文本；

25、基于段落的形式对技术标文本进行划分，生成多个技术标文本的段落，将每个段落输入评分点标注模型，评分点标注模型对段落进行多线程处理并输出带有评分点标注的段落，将所有带有评分点标注的段落整合而成带有评分点标注的技术标文本，记为第二标注文本；

26、保留第一标注文本中的语句标注，将第二标注文本中的段落标注按照段落的层次整合到第一标注文本的段落中，整合后的第一标注文本记为最终的带有评分点标注的技术标文本。

27、在一个具体的可实施方案中，所述将过滤后的技术标文本输入预设的评分点标注模型中，模型输出带有评分点标注的技术标文本还包括：

28、设计并使用自定义的目标函数定期对评分点标注模型进行训练，自定义的目标函数如下：

29、其中，为目标函数，为模型的标注准确率，为新颖性惩罚项，为平衡准确率和新颖性的权重；

30、使用带有评分点标注的训练数据对模型进行训练，在模型的训练过程使用梯度下降算法最小化目标函数，在每次迭代中，模型将根据目标函数的梯度进行参数更新；

31、其中模型的标注准确率是指模型在训练数据上正确预测的样本数量占总样本数量的比例；基于评分点在训练数据中的出现频率进行新颖性惩罚项计算：。

32、第二方面，本技术提供一种基于深度学习的技术标辅助评审系统，采用如下的技术方案：

33、一种基于深度学习的技术标辅助评审系统，包括：

34、技术标文本过滤模块，用于获取招标文件的评分点，基于评分点生成关键词列表，使用关键词列表对技术标文本进行过滤；

35、知识图谱构建模块，用于基于招标文件中的评分点构建评分点知识图谱，评分点知识图谱包括评分点相关的法律法规分析以及经验总结；

36、模型标注模块，用于将过滤后的技术标文本输入预设的评分点标注模型中，模型输出带有评分点标注的技术标文本；

37、文本反馈模块，用于将评分点知识图谱对应到技术标文本中对应评分点标注的位置，并将带有评分点标注的技术标文本发送至评审专家进行辅助评审。

38、第三方面，本技术提供一种电子设备，所述设备包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如第一方面所述的一种基于深度学习的技术标辅助评审方法。

39、第四方面，本技术提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时用于实现如第一方面所述的一种基于深度学习的技术标辅助评审方法。

40、综上所述，本技术的有益效果至少包括：

41、（1）首先通过计算信息熵的方式判断词汇为关键词的结果作为第一关键词结果，随后通过基于词汇相似度与频率判断词汇为关键词的结果作为第二关键词结果，最后将第一关键词结果和第二关键词结果进行结合，从而成为最终的关键词列表。信息熵计算关注词汇在整个文本中的分布情况，而基于词汇相似度与频率的方法考虑了词汇在局部语境中的相似性和频率。将这两个方法结合，可以综合考虑词汇在全局和局部的特性，得到更全面的关键词识别。

42、（2）第一标注文本中的语句级别标注保留了对技术标文本更细致的评分点信息，能够深入了解每个语句的评分点。第二标注文本中的段落级别标注提供了对整个段落的评分点信息，有助于在文本层次上更全面地理解评分点的分布和关联。通过在第三步中进行层次整合，将第一标注文本中的语句级别标注与第二标注文本中的段落级别标注整合，可以在两个层次上获得一致的评分点信息，避免了信息的冲突或重叠。将两个层次的标注信息整合能够在一定程度上提高整体标注的鲁棒性，如果某些句子的标注不够准确，通过整合具有更全局视角的段落级别信息，有助于弥补可能存在的误差。

43、（3）目标函数考虑了准确性和新颖性，使模型更全面地评价评分点标注。相较于模型训练中较为常见的损失函数，传统的损失函数主要关注准确性，而目标函数则考虑到了模型是否能够发现一些新颖、不常见的评分点。引入新颖性惩罚项鼓励模型在标注中关注新颖、不常见的评分点。这对于一些领域，尤其是需要创新和发现新知识的领域是有益的。引入新颖性惩罚项有助于减少过拟合的风险，因为模型不仅仅追求在训练数据上的准确性，还考虑到了在未见过的数据上的泛化能力。发现新颖性的评分点对于提高模型的实用性和价值是重要的。这种设计有助于使模型更接近实际应用场景。

44、通过首先获取招标文件的评分点，基于评分点生成关键词列表，使用关键词列表对技术标文本进行过滤。随后基于招标文件中的评分点构建评分点知识图谱，评分点知识图谱包括评分点相关的法律法规分析以及经验总结。再将过滤后的技术标文本输入预设的评分点标注模型中，模型输出带有评分点标注的技术标文本。最后将评分点知识图谱对应到技术标文本中对应评分点标注的位置，并将带有评分点标注的技术标文本发送至评审专家进行辅助评审。通过反馈带有评分点标注的技术标文本以及评分点知识图谱，能够帮助专家快速定位评分点并提供评分依据辅助专家进行打分，极大地减轻了专家评标工作的负担，提升了评标的效率，并降低了人为的主观影响因素，保证了评标的公平、公证，同时积累良好的评标数据，为后续进行智能评分打下了基础。

45、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，并可依照说明书的内容予以实施，以下以本技术的较佳实施例并配合附图详细说明如后。