【技术实现步骤摘要】
本专利技术涉及人工智能，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。
技术介绍
1、现有的投标文件解析通常基于规则和模板，容易受到投标文件格式和结构变化的影响，导致解析准确率低，传统的特征提取方法，使用普通的搜索算法容易陷入局部最优解，同时存在收敛速度慢、鲁棒性差的问题；一般寻找超参数组合的算法存在寻找速度慢、鲁棒性差和通用性差的问题，导致非常耗时，可能会错过一些好的超参数组合。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的数字化投标文件盲盒解析方法及系统，针对传统的特征提取方法，使用普通的搜索算法容易陷入局部最优解，同时存在收敛速度慢、鲁棒性差的问题，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，更好的跳出局部最优解，生成更多样化的候选解，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；针对一般寻找超参数组合的算法存在寻找速度慢、鲁棒性差和通用性差的问题，导致非常耗时，可能会错过一些好的超参数组合，本方案通过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，使结构更准确可靠。
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的数字化投标文件盲盒解析方法，该方法包括以下步骤：
3、步骤s1：数据采集和处理，获取数字化投标文件盲盒数据，对
4、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；
5、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；
6、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；
7、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。
8、进一步地，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：
9、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；
10、进一步的，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：
11、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；
12、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；
13、进一步的，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：
14、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：
15、；
16、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]；
17、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；
18、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：
19、；
20、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]；
21、步骤s2124：使用线性种群缩减方法，所用公式如下：
22、<msup><mi>np</mi><mi>(t+1)</mi></msup><mi>=round[</mi><mfrac><mrow><msub><mi>np</mi><mi>max</mi></msub><mi>-</mi><msub><mi>np</mi><mi>min</mi></msub></mrow><mrow><mi>ma</mi><msub><mi>x</mi><mi>fe</mi></msub></mrow></mfrac></mfenced><mi>*fe+</mi><msub><mi>np</mi><mi>min</mi></msub><mi>]</mi>；
23、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，<mi>round[ ]</mi>表示四舍五入函数；
24、步骤s2125：更新当前隶属度函数评估次数，所用公式如下：
25、；
26、步骤s2126：特征提取，使用饥饿游戏搜索算法进行特征提取；
27、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；
28、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；
29、进一步的，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：
30、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；
31、进一步的，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：
32、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；
33、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；
34、lstm层：定义lstm层中lstm单元的数量，添加d本文档来自技高网...
【技术保护点】
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：
2.根据权利要求1所述的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：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：
3.根据权利要求2所述的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：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：
4.根据权利要求3所述的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：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：
5.根据权利要求3所述的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：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：
6.根据权利要求5所述的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：进一步的，在步骤S2131中，定义输入层、卷积层、LSTM层、全连接层和输出
7.根据权利要求5所述的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：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：
8.基于人工智能的数字化投标文件盲盒解析系统，用于实现如权利要求1-7任一项所述的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：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；
...【技术特征摘要】
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：
2.根据权利要求1所述的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：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：
3.根据权利要求2所述的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：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：
4.根据权利要求3所述的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：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：
5.根据权利要求3所述的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：在步骤s213中...
【专利技术属性】
技术研发人员：张汪洋，陈洪岭，金萍，张晨曦，罗欣桐，孟鑫，
申请(专利权)人：辽宁省网联数字科技产业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。