CN115617986B - 智能招标管理系统及其管理方法 - Google Patents

智能招标管理系统及其管理方法 Download PDF

Info

Publication number
CN115617986B
CN115617986B CN202211080316.7A CN202211080316A CN115617986B CN 115617986 B CN115617986 B CN 115617986B CN 202211080316 A CN202211080316 A CN 202211080316A CN 115617986 B CN115617986 B CN 115617986B
Authority
CN
China
Prior art keywords
feature
purchase application
matrix
historical
purchase
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.)
Active
Application number
CN202211080316.7A
Other languages
English (en)
Other versions
CN115617986A (zh
Inventor
魏建华
王胜昱
闫红林
袁广辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Affiliated Hospital Of Xi'an Medical University
Xi'an Qiyue Huachen Software Consulting Development Co ltd
Original Assignee
First Affiliated Hospital Of Xi'an Medical University
Xi'an Qiyue Huachen Software Consulting Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Affiliated Hospital Of Xi'an Medical University, Xi'an Qiyue Huachen Software Consulting Development Co ltd filed Critical First Affiliated Hospital Of Xi'an Medical University
Priority to CN202211080316.7A priority Critical patent/CN115617986B/zh
Publication of CN115617986A publication Critical patent/CN115617986A/zh
Application granted granted Critical
Publication of CN115617986B publication Critical patent/CN115617986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)

Abstract

本申请涉及智能管理技术领域，其具体地公开了一种智能招标管理系统及其管理方法，其使用上下文编码器分别对同类型的采购申请的历史数据和待校验的采购申请进行上下文语义编码，然后，使用卷积神经网络模型对采购申请特征向量排列的二维特征矩阵进行局部特征提取，并使用位置提议局部推理对历史采购申请特征矩阵中各个元素的特征值进行校正，最后，以待校验采购申请特征向量作为查询特征向量与校正后历史采购申请特征矩阵进行相乘以得到分类特征向量，并通过分类器以获得用于表示待校验的采购申请是否合理的分类结果，通过这样的方式，从而更为准确的对填写的采购申请进行智能审核，以避免不必要的经济损失。

Description

智能招标管理系统及其管理方法
技术领域
本申请涉及智能管理技术领域，且更为具体地，涉及一种智能招标管理系统及其管理方法。
背景技术
招标采购管理系统主要是对采购过程中的相关事项进行管理，包括货物、服务、工程计划及招标、设备计划、设备招标、企业投标、开标评标、合同管理、设备管理等医疗设备全生命周期管理的信息系统，对招标相关人员承担工作进行详细划分，提高人员的效率产出。
在招标管理系统中，采购申请是开始招标管理的第一步，也是常出错的一个环节。常见的错误包括，采购申请数据项缺失，采购申请数据不合理，这些常见的错误可以通过简单的数据项校验机制来解决，但有一些问题是隐藏的，例如，在进行采购申请时估计设置相对较高的预算单价来谋取不正当利益等。
因此，期待一种智能招标管理系统，其能够对填写的采购申请进行智能审核以确定其是否合理。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能招标管理系统及其管理方法，其使用上下文编码器分别对同类型的采购申请的历史数据和待校验的采购申请进行上下文语义编码，然后，使用卷积神经网络模型对采购申请特征向量排列的二维特征矩阵进行局部特征提取，并使用位置提议局部推理对历史采购申请特征矩阵中各个元素的特征值进行校正，最后，以待校验采购申请特征向量作为查询特征向量与校正后历史采购申请特征矩阵进行相乘以得到分类特征向量，并通过分类器以获得用于表示待校验的采购申请是否合理的分类结果，通过这样的方式，从而更为准确的对填写的采购申请进行智能审核，以避免不必要的经济损失。
根据本申请的一个方面，提供了一种智能招标管理系统，其包括：
历史数据采集模块，用于获取同类型的采购申请的历史数据；
单项采购申请编码模块，用于将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量；
历史数据关联编码模块，用于将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵；
历史特征校正模块，用于基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；
待校验采购申请获取模块，用于获取待校验的采购申请；
待校验采购申请编码模块，用于将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量；
查询模块，用于以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量；以及
管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
根据本申请的另一方面，提供了一种智能招标管理方法，其包括：
获取同类型的采购申请的历史数据；
将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量；
将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵；
基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；
获取待校验的采购申请；
将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量；
以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能招标管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能招标管理方法。
与现有技术相比，本申请提供的一种智能招标管理系统及其管理方法，其使用上下文编码器分别对同类型的采购申请的历史数据和待校验的采购申请进行上下文语义编码，然后，使用卷积神经网络模型对采购申请特征向量排列的二维特征矩阵进行局部特征提取，并使用位置提议局部推理对历史采购申请特征矩阵中各个元素的特征值进行校正，最后，以待校验采购申请特征向量作为查询特征向量与校正后历史采购申请特征矩阵进行相乘以得到分类特征向量，并通过分类器以获得用于表示待校验的采购申请是否合理的分类结果，通过这样的方式，从而更为准确的对填写的采购申请进行智能审核，以避免不必要的经济损失。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的智能招标管理系统的框图示意图。
图2图示了根据本申请实施例的智能招标管理系统中单项采购申请编码模块的框图。
图3图示了根据本申请实施例的智能招标管理系统中历史特征校正模块的框图。
图4图示了根据本申请实施例的智能招标管理系统中待校验采购申请编码模块的框图。
图5图示了根据本申请实施例的智能招标管理方法的流程图。
图6图示了根据本申请实施例的智能招标管理方法的系统架构的示意图。
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，在招标管理系统中，采购申请是开始招标管理的第一步，也是常出错的一个环节。常见的错误包括，采购申请数据项缺失，采购申请数据不合理，这些常见的错误可以通过简单的数据项校验机制来解决，但有一些问题是隐藏的，例如，在进行采购申请时估计设置相对较高的预算单价来谋取不正当利益等。因此，期待一种智能招标管理系统，其能够对填写的采购申请进行智能审核以确定其是否合理。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为招标管理系统的采购申请的智能审核提供了新的解决思路和方案。
相应地，在本申请的技术方案中，可基于采购申请的历史数据作为参考来对待检验的采购申请进行智能校验，以确定待校验的采购申请是否合理。具体地，利用深度神经网络从采购申请的历史数据(被人工标注有合理或不合理的分裂标签)中学习以采购申请的历史数据为整体的高维特征表示，然后，在将待校验的采购申请映射到高维特征空间以得到待校验采购申请特征向量后，以待校验采购申请特征向量作为查询特征向量在所述以采购申请的历史数据为整体的高维特征表示的高维特征空间中进行特征查询以得到特征查询结果，并将所述特征查询结果通过分类器以得到用于表示待校验的采购申请是否合理的分类结果。
具体地，在本申请的技术方案中，首先获取同类型的采购申请的历史数据，然后，将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量。也就是，在本申请的技术方案中，将所述采购申请中的所有数据项视为一个文本序列，并使用包含嵌入层的上下文编码器对所述采购申请的所有数据项进行基于全局的上下文语义编码以得到所述对应于各个采购申请的采购申请特征向量。
进一步地，将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵。也就是，考虑到所述采购申请的历史数据中各个采购申请之间存在关联，在本申请的技术方案中，首先将所述对应于各个采购申请的采购申请特征向量进行结构化，即，将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵；并使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取每个采购申请的语义关联特征和多个采购申请之间的语义关联特征，以得到所述历史采购申请特征矩阵。
在得到所述历史采购申请特征矩阵，能够以所述历史采购申请特征矩阵的高维特征空间分布作为查询空间来对待校验的采购申请进行智能校验。具体地，首先使用所述包含嵌入层的上下文编码器对待校验的采购申请进行语义编码以得到待校验采购申请特征向量；然后，以所述待校验采购申请特征向量作为查询特征向量与所述历史采购申请特征矩阵进行相乘以得到分类特征向量；接着，将所述分类特征向量输入分类器就可以得到用于表示待校验的采购申请是否合理的分类结果。
特别地，在本申请的技术方案中，所述第一卷积神经网络的特征提取器能够提取出每个采购申请的语义关联特征，和多个采购申请之间的语义关联特征，但这种特征聚焦于局部关联语义。但是，由于以所述待校验采购申请特征向量作为查询特征向量与所述历史采购申请特征矩阵进行相乘属于全局特征查询，因此，期望提高所述历史采购申请特征矩阵的全局表达能力。
具体地，在本申请的技术方案中，使用位置提议局部推理：
Figure BDA0003832787510000061
Cov1()和Cov2()均为单个卷积层，
Figure BDA0003832787510000062
用于将二维位置坐标映射为一维数值，PM表示矩阵M的(x,y)坐标矩阵。
使用位置信息作为提议，通过卷积层的局部感知场对全局场景语义进行推理，可以全面融合所捕获的局部语义并进一步衍生全局语义，以实现关联特征语义的局部-全局迁移，和基于局部关联语义的全局语义的推理预测，从而提高了所述历史采购申请特征矩阵的全局表达能力。这样，提高对待校验的采购申请的合理性校验的精准度。
基于此，本申请提供了一种智能招标管理系统，其包括：历史数据采集模块，用于获取同类型的采购申请的历史数据；单项采购申请编码模块，用于将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量；历史数据关联编码模块，用于将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵；历史特征校正模块，用于基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；待校验采购申请获取模块，用于获取待校验的采购申请；待校验采购申请编码模块，用于将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量；查询模块，用于以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量；以及，管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1图示了根据本申请实施例的智能招标管理系统的框图示意图。如图1所示，根据本申请实施例的所述智能招标管理系统100，包括：历史数据采集模块110，用于获取同类型的采购申请的历史数据；单项采购申请编码模块120，用于将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量；历史数据关联编码模块130，用于将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵；历史特征校正模块140，用于基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；待校验采购申请获取模块150，用于获取待校验的采购申请；待校验采购申请编码模块160，用于将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量；查询模块170，用于以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量；以及，管理结果生成模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
在本申请实施例中，所述历史数据采集模块110，用于获取同类型的采购申请的历史数据。如上所述，在招标管理系统中，采购申请是开始招标管理的第一步，也是常出错的一个环节。例如，采购申请数据项缺失，采购申请数据不合理，有些错误可以通过简单的数据项校验机制来解决，但有一些问题是隐藏的，例如，在进行采购申请时估计设置相对较高的预算单价来谋取不正当利益等，这些需要结合历史数据并通过复杂计算才能发现。因此，在本申请的技术方案中，基于采购申请的历史数据作为参考来对待检验的采购申请进行智能校验，以确定待校验的采购申请是否合理。这本质是一个分类问题，即，提取采购申请的历史数据的高维隐含特征，并通过采购申请的历史数据的高维隐含特征对待校验的采购申请进行分类以得到表示待校验的采购申请是否合理的分类结果。
在本申请一个具体的实施例中，采购申请的历史数据包括申请人、申请部门、项目名称、申请日期、采购设备、设备型号、预算单价、采购类型以及采购来源等。
在本申请实施例中，所述单项采购申请编码模块120，用于将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量。也就是，在本申请的技术方案中，将所述采购申请中的所有数据项视为一个文本序列，并使用包含嵌入层的上下文编码器对所述采购申请的所有数据项进行基于全局的上下文语义编码以得到所述对应于各个采购申请的采购申请特征向量。
图2图示了根据本申请实施例的智能招标管理系统中单项采购申请编码模块的框图。如图2所示，在本申请一个具体的实施例中，所述单项采购申请编码模块120，包括：嵌入向量化单元121，用于使用所述上下文编码器的嵌入层将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项转化为嵌入向量以得到嵌入向量的序列；上下文编码单元122，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个数据项语义理解特征向量；以及，级联单元123，用于所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量。
在本申请实施例中，所述历史数据关联编码模块130，用于将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵。应可以理解，考虑到所述采购申请的历史数据中各个采购申请之间存在关联，在本申请的技术方案中，首先将所述对应于各个采购申请的采购申请特征向量进行结构化，即，将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵；并使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取每个采购申请的语义关联特征和多个采购申请之间的语义关联特征，以得到所述历史采购申请特征矩阵。
在本申请一个具体的实施例中，所述历史数据关联编码模块130，所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：使用所述第一卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；使用所述第一卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图；以及，使用所述第一卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述历史采购申请特征矩阵。
在本申请实施例中，所述历史特征校正模块140，用于基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵。应可以理解，在本申请的技术方案中，所述第一卷积神经网络的特征提取器能够提取出每个采购申请的语义关联特征，和多个采购申请之间的语义关联特征，但这种特征聚焦于局部关联语义。但是，由于后续需要以所述待校验采购申请特征向量作为查询特征向量与所述历史采购申请特征矩阵进行相乘属于全局特征查询，因此，期望提高所述历史采购申请特征矩阵的全局表达能力。
图3图示了根据本申请实施例的智能招标管理系统中历史特征校正模块的框图。如图3所示，在本申请一个具体的实施例中，所述历史特征校正模块140，包括：位置信息编码单元141，用于将所述历史采购申请特征矩阵中各个元素的二维位置坐标映射为一维数值作为所述历史采购申请特征矩阵中各个元素的位置信息以得到位置特征矩阵；局部感知单元142，用于对所述历史采购申请特征矩阵进行卷积处理以得到局部感知历史采购申请特征矩阵；全局感知单元143，用于计算所述局部感知历史采购申请特征矩阵与所述历史采购申请特征矩阵的转置矩阵之间的乘积以得到全局关联特征矩阵；再局部感知单元144，用于对所述全局关联特征矩阵进行卷积处理以得到局部感知全局关联特征矩阵；以及，校正单元145，用于计算所述位置特征矩阵与所述局部感知全局关联特征矩阵的按位置点乘以得到所述校正后历史采购申请特征矩阵。
在本申请一个具体的实施例中，所述历史特征校正模块140，进一步用于：基于所述历史采购申请特征矩阵中各个元素的位置信息，以如下公式对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；
其中，所述公式为
Figure BDA0003832787510000101
其中，M是所述历史采购申请特征矩阵，Cov1()和Cov2()均为单个卷积层，
Figure BDA0003832787510000102
用于将二维位置坐标映射为一维数值，PM表示矩阵M的(x,y)坐标矩阵，且M′是所述校正后历史采购申请特征矩阵。
使用位置信息作为提议，通过卷积层的局部感知场对全局场景语义进行推理，可以全面融合所捕获的局部语义并进一步衍生全局语义，以实现关联特征语义的局部-全局迁移，和基于局部关联语义的全局语义的推理预测，从而提高了所述历史采购申请特征矩阵的全局表达能力。这样，提高对待校验的采购申请的合理性校验的精准度。
在本申请实施例中，所述待校验采购申请获取模块150，用于获取待校验的采购申请。如上所述，本申请期望通过采购申请的历史数据的高维隐含特征对待校验的采购申请进行分类，因此，需要获取待校验的采购申请。
在本申请一个具体的实施例中，待校验的采购申请的所有数据包括申请人、申请部门、项目名称、申请日期、采购设备、设备型号、预算单价、采购类型以及采购来源等。
在本申请实施例中，所述待校验采购申请编码模块160，用于将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量。应可以理解，考虑到采购申请中的所有数据项之间存在关联，如设备型号、预算单价以及采购来源之间必然存在联系。不同的采购来源，不同的设备型号，则预算单价也会有所差异，但同时也会存在关联，因此，需要使用包含嵌入层的上下文编码器对采购申请中的所有数据项进行上下文语义编码。也就是使用上下文编码器对采购申请中的所有数据项进行基于采购申请的全局特征提取，以得到用于表示所述采购申请整体特征的待校验采购申请特征向量。
图4图示了根据本申请实施例的智能招标管理系统中待校验采购申请编码模块的框图。如图4所示，在本申请一个具体的实施例中，所述待校验采购申请编码模块160，包括：嵌入向量生成单元161，用于使用所述上下文编码器的嵌入层将所述待校验的采购申请中的所有数据项转化为嵌入向量以得到嵌入向量的序列；待校验数据项特征向量生成单元162，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个待校验数据项特征向量；以及，待校验采购申请特征向量生成单元163，用于所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量。
在本申请实施例中，所述查询模块170，用于以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量。也就是，在将待校验的采购申请映射到高维特征空间以得到待校验采购申请特征向量后，以待校验采购申请特征向量作为查询特征向量在所述以采购申请的历史数据为整体的高维特征表示的高维特征空间中进行特征查询以得到特征查询结果。
在本申请一个具体的实施例中，所述查询模块170，以如下公式计算所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵之间的乘积以得到分类特征向量；
其中，所述公式为：
Figure BDA0003832787510000111
其中，V2是所述分类特征向量，V1是所述待校验采购申请特征向量，M是所述校正后历史采购申请特征矩阵。
在本申请实施例中，所述管理结果生成模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
在本申请一个具体的实施例中，所述管理结果生成模块180，进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；
其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。
综上，基于本申请实施例的所述智能招标管理系统，其使用上下文编码器分别对同类型的采购申请的历史数据和待校验的采购申请进行上下文语义编码，然后，使用卷积神经网络模型对采购申请特征向量排列的二维特征矩阵进行局部特征提取，并使用位置提议局部推理对历史采购申请特征矩阵中各个元素的特征值进行校正，最后，以待校验采购申请特征向量作为查询特征向量与校正后历史采购申请特征矩阵进行相乘以得到分类特征向量，并通过分类器以获得用于表示待校验的采购申请是否合理的分类结果，通过这样的方式，从而更为准确的对填写的采购申请进行智能审核，以避免不必要的经济损失。
如上所述，本申请实施例的所述智能招标管理系统着重描述了智能招标管理系统中应用于对待校验的采购申请的合理性校验的一些功能和模块，但不代表智能招标管理系统仅仅只有上述记载的功能和模块，在其他实施例中，智能招标管理系统还包括有采购申请模块、预算管理模块、调研任务模块、采购计划模块、采购执行模块、合同管理模块和基础数据字典模块。
其中，所述采购申请模块主要包含有功能搜索、添加、导入。用户可以从此模块添加采购申请数据并且上传附件，可以通过条件筛选出指定的数据列表，可以通过导入功能实现批量添加采购申请数据。
其中，所述预算管理模块的数据为导入已有的预算数据，在此模块可以对预算数据进行编辑删除操作。其中，根据添加采购计划的时候具体采购的明细绑定此条预算实时计算的数据包含下达次数、累计下达金额、可用余额、采购数量字段等。
其中，所述调研任务模块包括：分配调研单元、进口产品论证单元和单一来源论证单元。其中，所述分配调研单元分为调研任务列表、调研分配及调研工作单元，调研分配单元的数据为未参与调研的采购数据，可以在此处进行调研分配。调研任务列表为已分配完成的调研任务单，当前用户登录只能看到分配给自己的调研任务，通过点击作业详情按钮跳转到调研工作单元进行调研工作。所述进口产品论证单元的数据主要为采购申请中是否进口字段为是的数据，该数据需要进行进口论证。此单元包括申请列表、论证任务列表和论证作业单元。现在申请列表中进行任务分配，分配完成的数据进入到论证任务列表单元，然后点击进口论证按钮跳转到论证工作单元进行进口产品论证。所述单一来源论证单元的数据主要为采购申请中是否单一来源字段为是的数据，该数据需要进行单一来源论证。此单元包括申请列表、论证任务列表和论证作业单元。可以在申请列表中进行任务分配，分配完成的数据进入到论证任务列表单元，然后点击进口论证按钮跳转到论证工作单元进行进口产品论证。
其中，所述采购计划模块，包括采购计划指定单元、采购计划委托单元、采购计划确认单元、采购计划汇总单元。其中，采购计划指定单元分为未做采购计划与已做采购计划单元，添加采购计划填写基础数据选择此计划中的采购明细，保存成功后数据进入到已做采购计划列表。所述采购计划委托单元主要做计划委托操作，选中一条计划填写委托机构信息，把此条计划委托给采购机构。所述采购计划确认单元为代理机构用户登录后看到的是委托给此代理机构的数据，代理机构在此单元进行确认操作。所述采购计划汇总单元为所有计划的一个总视角单元，可以查看数据所在节点及计划详情数据。
其中，所述采购执行模块包括：采购计划列表单元和平台/代理机构采购单元。其中，所述采购计划列表单元表现为采购计划执行列表，可以看到此条计划所在节点位置及进入工作界面的入口。平台/代理机构采购单元为采购计划的工作单元，展示的是只有设置了代理机构的采购计划数据。自行采购，此单元为自行采购的工作单元，展示的是只有设置了自行采购和不委托代理的采购计划数据。
其中，所述合同管理模块包括：待签订合同单元，此单元为执行完计划等待签订合同通的数据列表，可以查看信息详情、通过点击合同签订按钮跳转到合同签订的工作单元。已签订合同单元，此单元为已经签订的合同列表，通过点击编辑按钮进入到合同编辑单元，对此条合同进行修改、提交、审核、归档等操作。合同审计单元，此单元的数据为某个审核节点通过后展示的合同列表数据，然后在此单元进行后面的审核流程。合同执行单元，此单元为合同审计完成所有审核后数据流转到的单元，在此单元进行合同执行操作。
其中，所述基础数据字典模块包括：机构管理单元，此单元用于对机构进行添加、编辑、删除管理，可以批量导入。科室管理单元，此单元用于对科室进行维护、管理。用户管理，此单元对用户进行维护、管理。专家库单元，此单元用于对专家进行维护、管理。权限管理单元，此单元为添加、分配角色具体权限单元。供应商管理单元，此单元用于为供应商数据的维护、管理。标的模板单元，此单元用于对标的模板进行维护、管理。合同流程管理单元，此单元可自定义配置审批流程。选择维护管理，此单元用于对所有单元的下拉框的值进行维护。
示例性方法
图5图示了根据本申请实施例的智能招标管理方法的流程图。如图5所示，根据本申请实施例的智能招标管理方法，包括：S110，获取同类型的采购申请的历史数据；S120，将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量；S130，将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵；S140，基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；S150，获取待校验的采购申请；S160，将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量；S170，以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量；以及，S180，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
图6图示了根据本申请实施例的智能招标管理方法的系统架构的示意图。如图6所示，在本申请实施例的智能招标管理方法的系统架构中，首先，获取同类型的采购申请的历史数据。然后，将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量。接着，将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵，并基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵。同时，获取待校验的采购申请。然后，将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量。最后，以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
这里，本领域技术人员可以理解，上述智能招标管理方法中的各个步骤的具体操作已经在上面参考图1到图4的智能招标管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智能招标管理以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如同类型的采购申请的历史数据、待校验的采购申请等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能招标管理方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智能招标管理方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种智能招标管理系统，其特征在于，包括：
历史数据采集模块，用于获取同类型的采购申请的历史数据；
单项采购申请编码模块，用于将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量；
历史数据关联编码模块，用于将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵；
历史特征校正模块，用于基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；
待校验采购申请获取模块，用于获取待校验的采购申请；
待校验采购申请编码模块，用于将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量；
查询模块，用于以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量；以及
管理结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
2.根据权利要求1所述的智能招标管理系统，其特征在于，所述单项采购申请编码模块，包括：
嵌入向量化单元，用于使用所述上下文编码器的嵌入层将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项转化为嵌入向量以得到嵌入向量的序列；
上下文编码单元，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个数据项语义理解特征向量；以及
级联单元，用于所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量。
3.根据权利要求2所述的智能招标管理系统，其特征在于，所述历史数据关联编码模块，所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：
使用所述第一卷积神经网络的各层的卷积单元对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图；
使用所述第一卷积神经网络的各层的池化单元对所述卷积特征图进行沿通道维度的全局均值池化以得到池化特征图；以及
使用所述第一卷积神经网络的各层的激活单元对所述池化特征图中各个位置的特征值进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络的最后一层的输出为所述历史采购申请特征矩阵。
4.根据权利要求3所述的智能招标管理系统，其特征在于，所述历史特征校正模块，包括：
位置信息编码单元，用于将所述历史采购申请特征矩阵中各个元素的二维位置坐标映射为一维数值作为所述历史采购申请特征矩阵中各个元素的位置信息以得到位置特征矩阵；
局部感知单元，用于对所述历史采购申请特征矩阵进行卷积处理以得到局部感知历史采购申请特征矩阵；
全局感知单元，用于计算所述局部感知历史采购申请特征矩阵与所述历史采购申请特征矩阵的转置矩阵之间的乘积以得到全局关联特征矩阵；
再局部感知单元，用于对所述全局关联特征矩阵进行卷积处理以得到局部感知全局关联特征矩阵；以及
校正单元，用于计算所述位置特征矩阵与所述局部感知全局关联特征矩阵的按位置点乘以得到所述校正后历史采购申请特征矩阵。
5.根据权利要求3所述的智能招标管理系统，其特征在于，所述历史特征校正模块，进一步用于：基于所述历史采购申请特征矩阵中各个元素的位置信息，以如下公式对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；
其中，所述公式为
Figure FDA0003832787500000031
其中，M是所述历史采购申请特征矩阵，Cov1()和Cov2()均为单个卷积层，
Figure FDA0003832787500000032
用于将二维位置坐标映射为一维数值，PM表示矩阵M的(x,y)坐标矩阵，且M′是所述校正后历史采购申请特征矩阵。
6.根据权利要求5所述的智能招标管理系统，其特征在于，所述待校验采购申请编码模块，包括：
嵌入向量生成单元，用于使用所述上下文编码器的嵌入层将所述待校验的采购申请中的所有数据项转化为嵌入向量以得到嵌入向量的序列；
待校验数据项特征向量生成单元，用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个待校验数据项特征向量；以及
待校验采购申请特征向量生成单元，用于所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量。
7.根据权利要求6所述的智能招标管理系统，其特征在于，所述查询模块，进一步用于：以如下公式计算所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵之间的乘积以得到分类特征向量；
其中，所述公式为：
Figure FDA0003832787500000033
其中，V2是所述分类特征向量，V1是所述待校验采购申请特征向量，M是所述校正后历史采购申请特征矩阵。
8.根据权利要求7所述的智能招标管理系统，其特征在于，所述管理结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；
其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。
9.一种智能招标管理方法，其特征在于，包括：
获取同类型的采购申请的历史数据；
将所述同类型的采购申请的历史数据中的各个采购申请的所有数据项分别通过包含嵌入层的上下文编码器以得到多个数据项语义理解特征向量，并将所述多个数据项语义理解特征向量进行级联以得到对应于各个采购申请的采购申请特征向量；
将所述对应于各个采购申请的采购申请特征向量排列为二维特征矩阵后通过作为特征提取器的第一卷积神经网络以得到历史采购申请特征矩阵；
基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵；
获取待校验的采购申请；
将所述待校验的采购申请中的所有数据项通过所述包含嵌入层的上下文编码器以得到多个待校验数据项特征向量，并将所述多个待校验数据项特征向量进行级联以得到待校验采购申请特征向量；
以所述待校验采购申请特征向量作为查询特征向量与所述校正后历史采购申请特征矩阵进行相乘以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待校验的采购申请是否合理。
10.根据权利要求9所述的智能招标管理方法，其特征在于，基于所述历史采购申请特征矩阵中各个元素的位置信息，对所述历史采购申请特征矩阵中各个元素的特征值进行校正以得到校正后历史采购申请特征矩阵，包括：
将所述历史采购申请特征矩阵中各个元素的二维位置坐标映射为一维数值作为所述历史采购申请特征矩阵中各个元素的位置信息以得到位置特征矩阵；
对所述历史采购申请特征矩阵进行卷积处理以得到局部感知历史采购申请特征矩阵；
计算所述局部感知历史采购申请特征矩阵与所述历史采购申请特征矩阵的转置矩阵之间的乘积以得到全局关联特征矩阵；
对所述全局关联特征矩阵进行卷积处理以得到局部感知全局关联特征矩阵；以及
计算所述位置特征矩阵与所述局部感知全局关联特征矩阵的按位置点乘以得到所述校正后历史采购申请特征矩阵。
CN202211080316.7A 2022-09-05 2022-09-05 智能招标管理系统及其管理方法 Active CN115617986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211080316.7A CN115617986B (zh) 2022-09-05 2022-09-05 智能招标管理系统及其管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211080316.7A CN115617986B (zh) 2022-09-05 2022-09-05 智能招标管理系统及其管理方法

Publications (2)

Publication Number Publication Date
CN115617986A CN115617986A (zh) 2023-01-17
CN115617986B true CN115617986B (zh) 2023-05-19

Family

ID=84858641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211080316.7A Active CN115617986B (zh) 2022-09-05 2022-09-05 智能招标管理系统及其管理方法

Country Status (1)

Country Link
CN (1) CN115617986B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1963850A (zh) * 2006-11-21 2007-05-16 南京鑫源招标咨询有限公司 企业采购业务管理系统
WO2018201199A1 (en) * 2017-05-05 2018-11-08 Bizcaps Pty Ltd Tender management system
CN109086920A (zh) * 2018-07-19 2018-12-25 中国神华能源股份有限公司 物资采购预测方法、装置及物资采购管理系统
CN111539692A (zh) * 2020-04-28 2020-08-14 广西智汇谷科技有限公司 一种资产采购管理系统
CN112446649A (zh) * 2019-08-27 2021-03-05 国网山西省电力公司运城供电公司 物资采购计划的审查方法和装置
CN113570315A (zh) * 2021-09-24 2021-10-29 中核凯利(深圳)餐饮管理有限公司 一种数字化餐饮采购合理性分析方法、装置、系统及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2779034C (en) * 2011-06-08 2022-03-01 Accenture Global Services Limited High-risk procurement analytics and scoring system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1963850A (zh) * 2006-11-21 2007-05-16 南京鑫源招标咨询有限公司 企业采购业务管理系统
WO2018201199A1 (en) * 2017-05-05 2018-11-08 Bizcaps Pty Ltd Tender management system
CN109086920A (zh) * 2018-07-19 2018-12-25 中国神华能源股份有限公司 物资采购预测方法、装置及物资采购管理系统
CN112446649A (zh) * 2019-08-27 2021-03-05 国网山西省电力公司运城供电公司 物资采购计划的审查方法和装置
CN111539692A (zh) * 2020-04-28 2020-08-14 广西智汇谷科技有限公司 一种资产采购管理系统
CN113570315A (zh) * 2021-09-24 2021-10-29 中核凯利(深圳)餐饮管理有限公司 一种数字化餐饮采购合理性分析方法、装置、系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高校图书馆图书招标采购研究;邹迅;;情报探索(第04期);131-133 *

Also Published As

Publication number Publication date
CN115617986A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN115796173A (zh) 针对监管报送需求的数据处理方法和系统
CN111324738B (zh) 一种确定文本标签的方法和系统
CN112100401B (zh) 面向科技服务的知识图谱构建方法、装置、设备及存储介质
CN115269512A (zh) 结合rpa及ai实现ia的对象推荐方法、装置及存储介质
CN113592605B (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
CN111291936B (zh) 产品生命周期预估模型生成方法、装置及电子设备
CN115423040A (zh) 互动营销平台的用户画像识别方法及ai系统
CN114091684A (zh) 增强业务结果可解释性的方法及装置
CN115617986B (zh) 智能招标管理系统及其管理方法
CN114726870B (zh) 基于可视化拖拽的混合云资源编排方法、系统和电子设备
Cesario Alternative models for spatial choice
Pane et al. Mapping log data activity using heuristic miner algorithm in manufacture and logistics company
CN114429384B (zh) 基于电商平台的产品智能推荐方法及系统
CN115659005A (zh) 产品推送方法、装置、计算机设备和存储介质
CN114092057A (zh) 一种项目模型的构建方法、装置、终端设备和存储介质
CN111930350A (zh) 一种基于计算模板的精算模型建立方法
CN116029520B (zh) 基于电力需求响应的在线调度方法及其系统
CN113255891B (zh) 对事件特征进行处理的方法、神经网络模型和装置
CN116911715B (zh) 一种基于人工智能的物流识别分配机器人及其控制方法
CN112307227B (zh) 一种数据分类方法
CN116383883A (zh) 一种基于大数据的数据管理权限处理方法及系统
CN115994668B (zh) 智慧社区资源管理系统
CN113297490A (zh) 基于图卷积神经网络的双向推荐方法
Hy Employing Machine Learning in the Policy-based Blockchain Selection Process

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
GR01 Patent grant
GR01 Patent grant