CN115099911A - 一种适用于大宗商品的招投标方法及系统 - Google Patents
一种适用于大宗商品的招投标方法及系统 Download PDFInfo
- Publication number
- CN115099911A CN115099911A CN202210796016.2A CN202210796016A CN115099911A CN 115099911 A CN115099911 A CN 115099911A CN 202210796016 A CN202210796016 A CN 202210796016A CN 115099911 A CN115099911 A CN 115099911A
- Authority
- CN
- China
- Prior art keywords
- bidding
- information
- key information
- tender
- matching degree
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012163 sequencing technique Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (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
本发明提出了一种适用于大宗商品的招投标方法及系统，涉及招投标技术领域。该方法包括：若招标平台的实时更新信息为招标信息，则获取招标书文件和招标方信息。获取目标投标方的投标书文件。根据第一关键信息和第二关键信息，得到匹配度。若匹配度低于预设匹配值，则判定目标投标方不适合该招标项目，反之，则将招标信息和投标书文件输入至训练好的SVM模型中。根据SVM模型得分，判断目标投标方是否适合该招标项目。按照SVM模型得分从高到低的顺序，得到第一排序结果。按照匹配度从高到低的顺序，得到第二排序结果。从而为投标方选择相对最适合的大宗商品招标项目以及为招标方选择相对合适的投标方建立风向标，以有效指示双方的选择。
Description
技术领域
本发明涉及招投标技术领域，具体而言，涉及一种适用于大宗商品的招投标方法及系统。
背景技术
招投标，是招标投标的简称。招标与投标是一种国际上普遍应用的、有组织的市场交易行为，是工程、货物或服务贸易的买卖方式。通常是招标人通过事先公布的采购要求，吸引众多的投标人按照同等条件进行平等竞争，按照规定程序并组织技术、经济和法律等方面专家对众多的投标人进行综合评审，从中择优选定项目的中标人的行为过程。在招投标活动中，招标方通过招标文件对要招标的项目做出各方面的要求，比如招标时间、规模、内容、要求资质、采取的规范、工程量清单报价及依据、评标办法以及其他所需要注意的事项等。投标人针对所投标项目的具体情况结合招标文件的要求编制投标文件，以对自己在本项目中准备投入的人力、物力、财力等方面的情况进行描述。
在招投标项目中，有一种招投标项目类型为大宗商品招标。大宗商品是指同质化、可交易、被广泛作为工业基础原材料的商品，如原油、有色金属、钢铁、农产品、铁矿石、煤炭等。大宗商品交易招标书是商业企业面对众多生产厂家、供应单位所采取的一种选择优质商品的较好形式。在这种招标书中，要写明在什么时间，向什么单位，供应哪种商品，以及商品的规格、数量、质量、型号、价格或价格幅度等。因此，大宗商品交易招标书具有涉及商品众多、供应商较复杂、商品需求方式单一、内容单一，招标范围又较其他招标广泛的特点。则对于大宗商品招标而言，招标方和投标方都会比其他招投标项目更多，然而不管是投标方还是招标方目前都是按照各自主观意识进行选择，如何为投标方选择相对最适合的大宗商品招标项目以及为招标方选择相对合适的投标方建立风向标，以有效指示双方的选择，对于减少经济损失、提高双方的项目执行体验度具有重要意义。
发明内容
本发明的目的在于提供一种适用于大宗商品的招投标方法及系统，用以改善现有技术中不管是投标方还是招标方都是按照各自主观意识进行选择，并不能为投标方选择相对最适合的大宗商品招标项目以及为招标方选择相对合适的投标方建立风向标，以有效指示双方的选择的问题。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种适用于大宗商品的招投标方法，其包括如下步骤：
获取招标平台的实时更新信息，并对实时更新信息进行判断；
若实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据招标书文件确定招标项目类型；
若招标项目类型为大宗商品，则基于招标书文件，获取目标投标方的投标书文件；
提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，根据第一关键信息和第二关键信息，得到匹配度；
若匹配度低于预设匹配值，则判定目标投标方不适合该招标项目，若匹配度高于预设匹配值，则将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分；
根据SVM模型得分，判断目标投标方是否适合该招标项目；
按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向招标方展示第一排序结果；
按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向目标投标方展示第二排序结果。
在本发明的一些实施例中，上述提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，根据第一关键信息和第二关键信息，得到匹配度的步骤包括：
将招标书文件输入至预置关键信息提取模型中，得到所有第一关键信息，并按照预设模板，对所有第一关键信息进行排版；
将投标书文件输入至预置关键信息提取模型中，得到所有第二关键信息，并按照预设模板，对所有第二关键信息进行排版；
根据排版后的第一关键信息和排版后的第二关键信息，计算得到匹配度。
在本发明的一些实施例中，上述将招标书文件输入至预置关键信息提取模型中，得到所有第一关键信息的步骤之前，该方法还包括：
建立关键信息提取初始模型；
利用网络爬虫从招标平台中爬取历史招标书文件和历史投标书文件，其中，历史招标书文件和历史投标书文件的招标项目类型分别为大宗商品；
将历史招标书文件和历史投标书文件作为样本，利用样本训练关键信息提取初始模型，得到预置关键信息提取模型。
在本发明的一些实施例中，上述根据SVM模型得分，判断目标投标方是否适合该招标项目的步骤包括：
若SVM模型得分高于第一预设分数，则认定目标投标方适合该招标项目；
若SVM模型得分低于第一预设分数，则认定目标投标方不适合该招标项目。
在本发明的一些实施例中，上述若实时更新信息为招标信息，则获取招标书文件和招标方信息的步骤之后，该方法还包括：
根据招标书文件，确定招标项目估算价；
根据招标项目估算价，配置加密解密方式，并通过加密解密方式对招标书文件和招标方信息进行加密和解密。
在本发明的一些实施例中，上述根据招标项目估算价，配置加密解密方式，并通过加密解密方式对招标书文件和招标方信息进行加密和解密的步骤包括：
利用OpenSSL开源库生成用于加密的公钥和用于解密的私钥；
调用jsencrypt开源库的加密函数，传入公钥、招标书文件和招标方信息，以得到加密招标参数；
调用jsencrypt开源库的解密函数，传入私钥、加密招标参数，以得到招标参数。
在本发明的一些实施例中，上述将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分的步骤之前，该方法还包括：
获取多个负训练样本和多个正训练样本，负训练样本包括多个不满足招标信息的投标书信息，正训练样本包括多个满足招标信息的投标书信息；
利用SVM模型对正训练样本和负训练样本进行训练学习，以得到训练好的SVM模型。
第二方面，本申请实施例提供一种适用于大宗商品的招投标系统，其包括：
实时更新信息获取模块，用于获取招标平台的实时更新信息，并对实时更新信息进行判断；
招标项目类型确定模块，用于若实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据招标书文件确定招标项目类型；
投标书文件获取模块，用于若招标项目类型为大宗商品，则基于招标书文件，获取目标投标方的投标书文件；
匹配度得到模块，用于提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，根据第一关键信息和第二关键信息，得到匹配度；
匹配度比较模块，用于若匹配度低于预设匹配值，则判定目标投标方不适合该招标项目，若匹配度高于预设匹配值，则将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分；
判断模块，用于根据SVM模型得分，判断目标投标方是否适合该招标项目；
第一排序模块，用于按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向招标方展示第一排序结果；
第二排序模块，用于按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向目标投标方展示第二排序结果。
第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请实施例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如上述第一方面中任一项的方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
本发明提供一种适用于大宗商品的招投标方法及系统，其包括如下步骤：获取招标平台的实时更新信息，并对实时更新信息进行判断。若实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据招标书文件确定招标项目类型。若招标项目类型为大宗商品，则基于招标书文件，获取目标投标方的投标书文件。提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，通过比较第一关键信息和第二关键信息，即可得到招标书文件和投标书文件的匹配度，也就反映了目标投标方与该招标项目是否适合。若匹配度低于预设匹配值，则判定目标投标方不适合该招标项目，若匹配度高于预设匹配值，则将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分。根据SVM模型得分，判断目标投标方是否适合该招标项目，从而较为准确判断出目标投标方是否适合该招标项目。最后按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向招标方展示第一排序结果，通过第一排序结果可以为招标方建立风向标，以直观反映在有限招投标时间内适合该招标项目的各个投标方的排名，进而有效为招标方选择投标方提供了指示，从而提高了招标方的项目执行体验度。同时按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向目标投标方展示第二排序结果，通过第二排序结果可以为目标投标方建立风向标，以直观反映各个招标项目与该目标投标方的匹配度，进而为目标投标方判断选择招标项目提供了指示，从而提高了目标投标方的项目执行体验度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种适用于大宗商品的招投标方法的流程图；
图2为本发明实施例提供的另一种适用于大宗商品的招投标方法的流程图；
图3为本发明实施例提供的一种SVM模型得分判断的流程图；
图4为本发明实施例提供的一种适用于大宗商品的招投标系统的结构框图；
图5为本发明实施例提供的一种电子设备的示意性结构框图。
图标：110-实时更新信息获取模块；120-招标项目类型确定模块；130-投标书文件获取模块；140-匹配度得到模块；150-匹配度比较模块；160-判断模块；170-第一排序模块；180-第二排序模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，若出现术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，若出现由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例
请参照图1，图1所示为本发明实施例提供的一种适用于大宗商品的招投标方法的流程图。本申请实施例提供一种适用于大宗商品的招投标方法，其包括如下步骤：
S110：获取招标平台的实时更新信息，并对实时更新信息进行判断；
示例性的，上述招标平台可以包括各地政府采购网、各地公共资源交易网和民营招标网站等等。上述实时更新信息可以包括招标信息、网站功能更新信息等等。
S120：若实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据招标书文件确定招标项目类型；
具体的，招标书文件是对要招标的项目做出各方面的要求，比如招标时间、规模、内容、要求资质、采取的规范、工程量清单报价及依据、评标办法以及其他所需要注意的事项等。通过对招标书文件的初步分析，可以确定招标项目类型。
示例性的，上述招标项目类型包括大宗商品招标项目、地铁项目等等。
S130：若招标项目类型为大宗商品，则基于招标书文件，获取目标投标方的投标书文件；
具体的，投标方可以是应招标方的邀请或投标方满足招标方最低资质要求而主动申请的。作为投标方，需要根据招标书文件，针对所投标项目的具体情况结合自己在本项目中准备投入的人力、物力、财力等方面的情况，编制对应的投标书文件。
S140：提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，根据第一关键信息和第二关键信息，得到匹配度；
具体的，对于大宗商品招标项目而言，其招标书文件和投标书文件的内容形式都较为单一，例如都需要写明供应哪种商品，以及商品的规格、数量、质量、型号、价格或价格幅度等。则可以利用预置关键信息提取模型提取招标书文件的第一关键信息和投标书文件的第二关键信息，从而通过比较第一关键信息和第二关键信息，即可得到招标书文件和投标书文件的匹配度，也就反映了目标投标方与该招标项目是否适合。
S150：若匹配度低于预设匹配值，则判定目标投标方不适合该招标项目，若匹配度高于预设匹配值，则将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分；
S160：根据SVM模型得分，判断目标投标方是否适合该招标项目；
具体的，首先通过匹配度初步判断目标投标方与该招标项目是否适合，如果匹配度低于预设匹配值，则直接判定目标投标方不适合该招标项目。如果匹配度高于预设匹配值，则需要利用训练好的SVM模型对两者是否适合进行进一步判断，从而较为准确判断出目标投标方是否适合该招标项目。
其中，SVM模型为低耗模型，减少了对招标信息和投标书文件进行判别的计算资源消耗。
S170：按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向招标方展示第一排序结果；
具体的，大部分招投标的时间均在1周到2周之间，即15天以内。通过第一排序结果可以为招标方建立风向标，以直观反映在有限招投标时间内适合该招标项目的各个投标方的排名，进而有效为招标方选择投标方提供了指示，从而提高了招标方的项目执行体验度。
S180：按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向目标投标方展示第二排序结果。
具体的，当目标投标方中标很多项目且需要摒弃一些项目时，通过第二排序结果可以为目标投标方建立风向标，以直观反映各个招标项目与该目标投标方的匹配度，进而为目标投标方判断选择招标项目提供了指示，从而提高了目标投标方的项目执行体验度。
在本实施例的一些实施方式中，上述提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，根据第一关键信息和第二关键信息，得到匹配度的步骤包括：
将招标书文件输入至预置关键信息提取模型中，得到所有第一关键信息，并按照预设模板，对所有第一关键信息进行排版；
将投标书文件输入至预置关键信息提取模型中，得到所有第二关键信息，并按照预设模板，对所有第二关键信息进行排版；
根据排版后的第一关键信息和排版后的第二关键信息，计算得到匹配度。
具体的，通过排版后的第一关键信息和排版后的第二关键信息可以更加直观反映招标书文件和投标书文件的区别和相同之处，进而进一步得到准确的匹配度。
请参照图2，图2所示为本发明实施例提供的另一种适用于大宗商品的招投标方法的流程图。在本实施例的一些实施方式中，上述将招标书文件输入至预置关键信息提取模型中，得到所有第一关键信息的步骤之前，该方法还包括：
建立关键信息提取初始模型；
利用网络爬虫从招标平台中爬取历史招标书文件和历史投标书文件，其中，历史招标书文件和历史投标书文件的招标项目类型分别为大宗商品；
将历史招标书文件和历史投标书文件作为样本，利用样本训练关键信息提取初始模型，得到预置关键信息提取模型。通过预置关键信息提取模型可以提取招标书文件的第一关键信息和投标书文件的第二关键信息。
其中，关键信息提取初始模型可以为卷积神经网络，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有可共享卷积核、无需手动选取特征，以及能够按其阶层结构对输入信息进行平移不变分类的特点。
此外，关键信息提取初始模型还可以为递归神经网络，递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络，是深度学习算法之一。
请参照图3，图3所示为本发明实施例提供的一种SVM模型得分判断的流程图。在本实施例的一些实施方式中，上述根据SVM模型得分，判断目标投标方是否适合该招标项目的步骤包括：
S161：若SVM模型得分高于第一预设分数，则认定目标投标方适合该招标项目；
S162：若SVM模型得分低于第一预设分数，则认定目标投标方不适合该招标项目。
上述实现过程中，如果SVM模型得分较高，则可以直接认定目标投标方适合该招标项目，如果SVM模型得分较低，则可以直接认定目标投标方不适合该招标项目。
在本实施例的一些实施方式中，上述若实时更新信息为招标信息，则获取招标书文件和招标方信息的步骤之后，该方法还包括：
根据招标书文件，确定招标项目估算价；
根据招标项目估算价，配置加密解密方式，并通过加密解密方式对招标书文件和招标方信息进行加密和解密。从而保证了招标书文件和招标方信息不被泄露，也就保障了招标方的信息安全。
在本实施例的一些实施方式中，上述根据招标项目估算价，配置加密解密方式，并通过加密解密方式对招标书文件和招标方信息进行加密和解密的步骤包括：
利用OpenSSL开源库生成用于加密的公钥和用于解密的私钥；
调用jsencrypt开源库的加密函数，传入公钥、招标书文件和招标方信息，以得到加密招标参数；
调用jsencrypt开源库的解密函数，传入私钥、加密招标参数，以得到招标参数。
其中，上述加密算法可以为RSA非对称加密算法。具体的，首先利用OpenSSL开源库生成用于加密的公钥和用于解密的私钥，然后对招标书文件和招标方信息进行拼接。接着调用jsencrypt开源库的加密函数，传入公钥和拼接后的招标书文件和招标方信息，得到RSA加密后的字符串，即加密招标参数，达到了通过RSA非对称加密算法对拼接后的招标书文件和招标方信息进行加密的效果，从而可以极大限度保证招标书文件和招标方信息的安全性。然后通过jsencrypt开源库的解密函数对加密招标参数进行解密，得到招标参数。
在本实施例的一些实施方式中，上述将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分的步骤之前，该方法还包括：
获取多个负训练样本和多个正训练样本，负训练样本包括多个不满足招标信息的投标书信息，正训练样本包括多个满足招标信息的投标书信息；
利用SVM模型对正训练样本和负训练样本进行训练学习，以得到训练好的SVM模型。
上述实现过程中，人工挑选一批不满足招标信息的投标书信息作为负训练样本，并挑选一批满足招标信息的投标书信息作为正训练样本，然后利用正训练样本和负训练样本进行训练学习，得到训练好的SVM模型。
请参照图4，图4所示为本发明实施例提供的一种适用于大宗商品的招投标系统的结构框图。本申请实施例提供一种适用于大宗商品的招投标系统，其包括：
实时更新信息获取模块110，用于获取招标平台的实时更新信息，并对实时更新信息进行判断；
招标项目类型确定模块120，用于若实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据招标书文件确定招标项目类型；
投标书文件获取模块130，用于若招标项目类型为大宗商品，则基于招标书文件，获取目标投标方的投标书文件；
匹配度得到模块140，用于提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，根据第一关键信息和第二关键信息，得到匹配度；
匹配度比较模块150，用于若匹配度低于预设匹配值，则判定目标投标方不适合该招标项目，若匹配度高于预设匹配值，则将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分；
判断模块160，用于根据SVM模型得分，判断目标投标方是否适合该招标项目；
第一排序模块170，用于按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向招标方展示第一排序结果；
第二排序模块180，用于按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向目标投标方展示第二排序结果。
上述实现过程中，该系统获取招标平台的实时更新信息，并对实时更新信息进行判断。若实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据招标书文件确定招标项目类型。若招标项目类型为大宗商品，则基于招标书文件，获取目标投标方的投标书文件。提取招标书文件的第一关键信息，同时提取投标书文件的第二关键信息，通过比较第一关键信息和第二关键信息，即可得到招标书文件和投标书文件的匹配度，也就反映了目标投标方与该招标项目是否适合。若匹配度低于预设匹配值，则判定目标投标方不适合该招标项目，若匹配度高于预设匹配值，则将招标信息和投标书文件输入至训练好的SVM模型中，得到SVM模型得分。根据SVM模型得分，判断目标投标方是否适合该招标项目，从而较为准确判断出目标投标方是否适合该招标项目。最后按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向招标方展示第一排序结果，通过第一排序结果可以为招标方建立风向标，以直观反映在有限招投标时间内适合该招标项目的各个投标方的排名，进而有效为招标方选择投标方提供了指示，从而提高了招标方的项目执行体验度。同时按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向目标投标方展示第二排序结果，通过第二排序结果可以为目标投标方建立风向标，以直观反映各个招标项目与该目标投标方的匹配度，进而为目标投标方判断选择招标项目提供了指示，从而提高了目标投标方的项目执行体验度。
请参照图5，图5为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的一种适用于大宗商品的招投标系统对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图5所示的结构仅为示意，电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种适用于大宗商品的招投标方法，其特征在于，包括如下步骤：
获取招标平台的实时更新信息，并对所述实时更新信息进行判断；
若所述实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据所述招标书文件确定招标项目类型；
若所述招标项目类型为大宗商品，则基于所述招标书文件，获取目标投标方的投标书文件；
提取所述招标书文件的第一关键信息，同时提取所述投标书文件的第二关键信息，根据所述第一关键信息和所述第二关键信息，得到匹配度；
若所述匹配度低于预设匹配值，则判定所述目标投标方不适合该招标项目，若所述匹配度高于所述预设匹配值，则将所述招标信息和所述投标书文件输入至训练好的SVM模型中，得到SVM模型得分；
根据所述SVM模型得分，判断所述目标投标方是否适合该招标项目；
按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向所述招标方展示所述第一排序结果；
按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向所述目标投标方展示所述第二排序结果。
2.根据权利要求1所述的适用于大宗商品的招投标方法，其特征在于，提取所述招标书文件的第一关键信息，同时提取所述投标书文件的第二关键信息，根据所述第一关键信息和所述第二关键信息，得到匹配度的步骤包括：
将所述招标书文件输入至预置关键信息提取模型中，得到所有第一关键信息，并按照预设模板，对所有第一关键信息进行排版；
将所述投标书文件输入至所述预置关键信息提取模型中，得到所有第二关键信息，并按照所述预设模板，对所有第二关键信息进行排版；
根据排版后的第一关键信息和排版后的第二关键信息，计算得到匹配度。
3.根据权利要求2所述的适用于大宗商品的招投标方法，其特征在于，将所述招标书文件输入至预置关键信息提取模型中，得到所有第一关键信息的步骤之前，还包括：
建立关键信息提取初始模型；
利用网络爬虫从所述招标平台中爬取历史招标书文件和历史投标书文件，其中，所述历史招标书文件和所述历史投标书文件的招标项目类型分别为大宗商品；
将所述历史招标书文件和所述历史投标书文件作为样本，利用所述样本训练所述关键信息提取初始模型，得到预置关键信息提取模型。
4.根据权利要求1所述的适用于大宗商品的招投标方法，其特征在于，根据所述SVM模型得分，判断所述目标投标方是否适合该招标项目的步骤包括：
若所述SVM模型得分高于第一预设分数，则认定所述目标投标方适合该招标项目；
若所述SVM模型得分低于第一预设分数，则认定所述目标投标方不适合该招标项目。
5.根据权利要求1所述的适用于大宗商品的招投标方法，其特征在于，若所述实时更新信息为招标信息，则获取招标书文件和招标方信息的步骤之后，还包括：
根据所述招标书文件，确定招标项目估算价；
根据所述招标项目估算价，配置加密解密方式，并通过所述加密解密方式对所述招标书文件和所述招标方信息进行加密和解密。
6.根据权利要求5所述的适用于大宗商品的招投标方法，其特征在于，根据所述招标项目估算价，配置加密解密方式，并通过所述加密解密方式对所述招标书文件和所述招标方信息进行加密和解密的步骤包括：
利用OpenSSL开源库生成用于加密的公钥和用于解密的私钥；
调用jsencrypt开源库的加密函数，传入所述公钥、所述招标书文件和所述招标方信息，以得到加密招标参数；
调用jsencrypt开源库的解密函数，传入所述私钥、所述加密招标参数，以得到招标参数。
7.根据权利要求1所述的适用于大宗商品的招投标方法，其特征在于，将所述招标信息和所述投标书文件输入至训练好的SVM模型中，得到SVM模型得分的步骤之前，还包括：
获取多个负训练样本和多个正训练样本，所述负训练样本包括多个不满足所述招标信息的投标书信息，所述正训练样本包括多个满足所述招标信息的投标书信息；
利用SVM模型对正训练样本和负训练样本进行训练学习，以得到训练好的SVM模型。
8.一种适用于大宗商品的招投标系统，其特征在于，包括：
实时更新信息获取模块，用于获取招标平台的实时更新信息，并对所述实时更新信息进行判断；
招标项目类型确定模块，用于若所述实时更新信息为招标信息，则获取招标书文件和招标方信息，并根据所述招标书文件确定招标项目类型；
投标书文件获取模块，用于若所述招标项目类型为大宗商品，则基于所述招标书文件，获取目标投标方的投标书文件；
匹配度得到模块，用于提取所述招标书文件的第一关键信息，同时提取所述投标书文件的第二关键信息，根据所述第一关键信息和所述第二关键信息，得到匹配度；
匹配度比较模块，用于若所述匹配度低于预设匹配值，则判定所述目标投标方不适合该招标项目，若所述匹配度高于所述预设匹配值，则将所述招标信息和所述投标书文件输入至训练好的SVM模型中，得到SVM模型得分；
判断模块，用于根据所述SVM模型得分，判断所述目标投标方是否适合该招标项目；
第一排序模块，用于按照SVM模型得分从高到低的顺序，对适合该招标项目的所有投标方进行排序得到第一排序结果，并向所述招标方展示所述第一排序结果；
第二排序模块，用于按照匹配度从高到低的顺序，对该目标投标方满足的所有招标项目进行排序得到第二排序结果，并向所述目标投标方展示所述第二排序结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210796016.2A CN115099911A (zh) | 2022-07-07 | 2022-07-07 | 一种适用于大宗商品的招投标方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210796016.2A CN115099911A (zh) | 2022-07-07 | 2022-07-07 | 一种适用于大宗商品的招投标方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115099911A true CN115099911A (zh) | 2022-09-23 |
Family
ID=83296354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210796016.2A Withdrawn CN115099911A (zh) | 2022-07-07 | 2022-07-07 | 一种适用于大宗商品的招投标方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099911A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720933A (zh) * | 2023-06-12 | 2023-09-08 | 嘉兴云切在线科技有限公司 | 一种用于云切平台的智能化管理方法及系统 |
| CN117035674A (zh) * | 2023-08-17 | 2023-11-10 | 国义招标股份有限公司 | 一种应用于招投标的智慧分包管理系统及方法 |
| CN117131197A (zh) * | 2023-10-27 | 2023-11-28 | 北京大学 | 一种招标书的需求类别处理方法、装置、设备及存储介质 |
| CN117150000A (zh) * | 2023-10-27 | 2023-12-01 | 北京大学 | 一种投标书的生成方法、装置、设备及存储介质 |
-
2022
- 2022-07-07 CN CN202210796016.2A patent/CN115099911A/zh not_active Withdrawn
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720933A (zh) * | 2023-06-12 | 2023-09-08 | 嘉兴云切在线科技有限公司 | 一种用于云切平台的智能化管理方法及系统 |
| CN116720933B (zh) * | 2023-06-12 | 2024-05-10 | 嘉兴云切在线科技有限公司 | 一种用于云切平台的智能化管理方法及系统 |
| CN117035674A (zh) * | 2023-08-17 | 2023-11-10 | 国义招标股份有限公司 | 一种应用于招投标的智慧分包管理系统及方法 |
| CN117131197A (zh) * | 2023-10-27 | 2023-11-28 | 北京大学 | 一种招标书的需求类别处理方法、装置、设备及存储介质 |
| CN117150000A (zh) * | 2023-10-27 | 2023-12-01 | 北京大学 | 一种投标书的生成方法、装置、设备及存储介质 |
| CN117131197B (zh) * | 2023-10-27 | 2024-01-12 | 北京大学 | 一种招标书的需求类别处理方法、装置、设备及存储介质 |
| CN117150000B (zh) * | 2023-10-27 | 2024-02-02 | 北京大学 | 一种投标书的生成方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115099911A (zh) | 一种适用于大宗商品的招投标方法及系统 | |
| US10902490B2 (en) | Account manager virtual assistant using machine learning techniques | |
| US20210117417A1 (en) | Real-time content analysis and ranking | |
| Dionysis et al. | Examining the influential factors of consumer purchase intentions for blockchain traceable coffee using the theory of planned behaviour | |
| WO2019169756A1 (zh) | 产品推荐方法、装置及存储介质 | |
| CN108241867B (zh) | 一种分类方法及装置 | |
| Kukharenko et al. | On the introduction of digital economics in the transport industry | |
| CN112150014A (zh) | 一种企业风险预警方法、装置、设备及可读存储介质 | |
| CN112750029A (zh) | 信用风险预测方法、装置、电子设备及存储介质 | |
| CN110263233B (zh) | 企业舆情库构建方法、装置、计算机设备及存储介质 | |
| Carrignon et al. | Tableware trade in the Roman East: Exploring cultural and economic transmission with agent-based modelling and approximate Bayesian computation | |
| CN107507052B (zh) | 一种报价信息获取方法及装置 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| Rodrigues et al. | Beyond the stars: Towards a novel sentiment rating to evaluate applications in web stores of mobile apps | |
| CN108595580B (zh) | 新闻推荐方法、装置、服务器及存储介质 | |
| CN114066336A (zh) | 一种招标风险控制的方法和装置 | |
| Vazquez Melendez et al. | Blockchain technology for supply chain provenance: increasing supply chain efficiency and consumer trust | |
| US20170039196A1 (en) | Computing system to evaluate sentiment of entities by processing data | |
| CN108460049A (zh) | 一种确定信息类别的方法和系统 | |
| US20220084091A1 (en) | Continuous learning for seller disambiguation, assessment, and onboarding to electronic marketplaces | |
| CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN113706252A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113656586A (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
| CN114255112A (zh) | 一种软件招标预评审的方法 | |
| Harfoushi et al. | Amazon Machine Learning vs. Microsoft Azure Machine Learning as Platforms for Sentiment Analysis |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220923 |
|
| WW01 | Invention patent application withdrawn after publication |