[發明專利]一種文檔分類方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202110614052.8
• 申請日: 2021-06-02
• 公開（公告）號: CN113515629A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 嚴蕾;蘇曉輝;任澤;沈志遠;李維盈;陳建
• 申請（專利權）人: 中國神華國際工程有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/216;G06F40/284;G06N20/00
• 代理公司: 北京聿宏知識產權代理有限公司 11372
• 代理人: 陳敏;吳昊

本發明公開了一種文檔分類方法、裝置、計算機設備及存儲介質，涉及計算機及招標技術領域，該文檔分類方法包括：獲取待分類的目標招標文檔；基于目標招標文檔的文本內容提取分類特征向量；所述分類特征向量至少包括所述目標招標文檔的標的物及分類信息；所述分類特征向量輸入預先建立的文檔分類模型，得到針對所述目標招標文檔的分類結果；所述文檔分類模型是以歷史招標文檔為訓練數據、利用XGBoost算法對所述訓練數據進行機器學習、并建立分類特征向量與分類結果之間的映射關系的分類器。可見，本發明實現了招標業務的自動高效管理，無需工作人員進行復雜操作，使得招標業務更加智能化和電子化，在提高效率的同時還降低了人力成本。

技術領域

本發明涉及計算機及招標技術領域，特別涉及一種文檔分類方法、裝置、計算機設備及存儲介質。

背景技術

現有的文檔歸檔應用中，利用計算機對自然語言進行分類的技術已經涉及多個行業，然而，對于招標業務領域而言，由于招標業務數據繁多，使得工作人員難以實現對招標文檔的高效管理，因此，有必要提出一種適用于招標業務領域的文檔分類方案，以實現招標業務自動高效的管理，使得招標業務更加智能化、電子化。

發明內容

本發明要解決的技術問題是：提出一種適用于招標業務領域的文檔分類方案，以實現招標業務自動高效的管理，使得招標業務更加智能化、電子化。

為解決上述技術問題，本發明提供了一種文檔分類方法，包括：

獲取待分類的目標招標文檔；

基于所述目標招標文檔的文本內容提取分類特征向量；其中，所述分類特征向量至少包括所述目標招標文檔的標的物及分類信息；

將所述分類特征向量輸入預先建立的文檔分類模型，得到針對所述目標招標文檔的分類結果；其中，所述文檔分類模型是以歷史招標文檔為訓練數據、利用XGBoost算法對所述訓練數據進行機器學習、并建立分類特征向量與分類結果之間的映射關系的分類器。

可選地，所述基于所述目標招標文檔的文本內容提取分類特征向量，包括：

對所述目標招標文檔的文本內容進行預處理；

對預處理后的文本內容進行分詞處理并得到多個分詞；

基于所述多個分詞提取分類特征向量。

可選地，所述基于所述多個分詞提取分類特征向量，包括：

對所述多個分詞進行向量化表示，得到多個特征向量；

利用詞性級TF-IDF算法對多個特征向量進行加權處理，并得到各特征向量對應的文檔頻率；

根據所述文檔頻率從所述多個特征向量中確定分類特征向量。

可選地，所述分類信息至少包括行業類別和項目類型。

可選地，所述對預處理后的文本內容進行分詞處理并得到多個分詞，包括：

基于N-Gram語言模型以滑動窗口方式對預處理后的文本內容進行分詞處理，并得到多個分詞。

可選地，所述N-Gram語言模型中N的取值為2和/或3。

可選地，所述根據所述文檔頻率從所述多個特征向量中確定分類特征向量，包括：

逐一判斷各特征向量的文檔頻率是否大于設定值；

保留文檔頻率不大于設定值的特征向量，作為分類特征向量。

為解決上述技術問題，本發明提供了一種文檔分類裝置，包括：

文檔獲取模塊，用于獲取待分類的目標招標文檔；