[发明专利]一种标的物信息提取方法、装置、计算机设备及存储介质

说明书

本发明公开了一种标的物信息提取方法、装置、计算机设备及存储介质，该方法包括：获取待提取标的物信息的当前招标文档；对当前招标文档的文本内容进行数据清洗，得到初始数据；基于正则匹配方式从初始数据中定位到疑似存在标的物信息的关键句集，并获得关键句集对应的目标短语集；基于命名实体识别方式对目标短语集进行数据分类标注，并基于标注结果提取到结构化的标的物信息。应用本发明方案，能够对标的物信息进行自动化提取，且所提取的标的物信息为结构化的标的物信息，提高了企业工作人员的工作效率和招标业务的质量，使得招标业务更加智能化、电子化。通过与人工标注的标的物信息进行比对，发现该方法在标的物信息提取时取得良好效果。

技术领域

本发明涉及计算机及招标技术领域，特别涉及一种标的物信息提取方法、装置、计算机设备及存储介质。

背景技术

招标业务是企业进行项目管理的一项重要工作，招标文档通常具有相对规范化的书写要求和文本内容。对于招标业务而言，招标管理企业数据产生速度快、数量高，而且企业在招标项目管理过程中的标的物信息提取依然采用人工方式进行，不仅消耗大量的人力和物力，也难以保证所提取标的物的准确率。

可见，如果将招标文档的文本内容作为语料进行研究，能够实现标准招标文档的管理、应用、反馈、更新迭代等功能，有利于提高企业工作人员的工作效率和招标业务的质量，也有利于控制风险，以及促进企业对招标的管理方式朝着智能化、电子化的方向发展。因此，有必要提供一种标的物信息提取方案来实现招标项目管理的标准化、高效化与准确化。

发明内容

本发明要解决的技术问题是：提供一种标的物信息提取方案，以提高企业工作人员的工作效率和招标业务的质量，促进企业对招标的管理方式朝着智能化、电子化的方向发展。

为解决上述技术问题，本发明提供了一种标的物信息提取方法，包括：

获取待提取标的物信息的当前招标文档；

对所述当前招标文档的文本内容进行数据清洗，得到初始数据；

基于正则匹配方式从所述初始数据中定位到疑似存在标的物信息的关键句集，并获得所述关键句集对应的目标短语集；

基于命名实体识别方式对所述目标短语集进行数据分类标注，并基于标注结果提取到结构化的标的物信息。

可选地，所述对所述当前招标文档的文本内容进行数据清洗，包括：

将HTML格式的当前招标文档转换成目标格式的文本内容；

对文本内容进行数据清洗并去除无用信息，得到初始数据。

可选地，所述基于正则匹配的方式从所述初始数据中定位到疑似存在标的物信息的关键句集，包括：

利用预先建立的规则集与字段词典对所述初始数据中疑似存在标的物信息的关键句集进行定位。

可选地，按照如下方式建立规则集与字段词典，包括：

将历史招标文档中标的物信息的关联内容作为初始信息；其中，所述标的物信息的关联内容至少包括所述历史招标文档的文档名称；

从所述初始信息中去除预设符号，得到有效数据；

检测所述有效数据中是否包含预设的针对于每种项目类型的高频词；

若包含，则以检测到的高频词为分割点去除分割点后面的文本内容，得到有效数据的主体内容；

去除所述有效数据的主体内容中的非关键数据；其中，所述非关键数据为对于提取标的物信息不具有显著影响的数据；

对去除非关键数据后的所述有效数据的主体内容进行冗余及兼容处理，建立规则集与字段词典。