[發明專利]標的物參數信息抽取方法、裝置、存儲介質及電子設備

在審

• 申請號: 202110732582.2
• 申請日: 2021-06-30
• 公開（公告）號: CN113590655A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 付建卓;李海華;詹傳鑫;邰世康;韓春雨
• 申請（專利權）人: 中國神華國際工程有限公司
• 主分類號: G06F16/245
• 分類號: G06F16/245;G06F16/215;G06F16/25
• 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

本申請涉及計算機科學技術領域，具體涉及一種標的物參數信息抽取方法、裝置、存儲介質及電子設備，包括：接收招標文件，并對所述招標文件進行預處理，得到PDF格式的招標文件；對所述PDF格式的招標文件進行結構化處理，得到結構化的招標文件；構建正則規則對所述結構化的招標文件中的目標標的物的參數信息進行信息抽取；根據信息抽取過程中的中間信息建立抽取報告，得到抽取結果。本申請能夠利用自然語言處理領域的技術實現對招標文本的結構化處理，同時自動高效抽取指定標的物的參數信息，節省大量人力、物力，為后續招標標準文件的編制以及其他數據分析提供了堅實的基礎。

技術領域

本申請涉及計算機科學技術領域，特別地涉及一種標的物參數信息抽取方法、裝置、存儲介質及電子設備。

背景技術

招投標業務是企業進行項目管理的一項重要工作，并且標書具有相對規范化的書寫要求和文本內容，在以往的招標工作中，招標文件的標的物的參數信息提取均靠人工進行抽取，需要花費大量人工及時間，耗時耗力，效率低下。

目前，用于招標文件的標的物參數信息提取的方法，主要應用兩種文本自動生成的技術實現，分別是自動文摘技術和文本自動生成技術。自動文摘技術主要才是采取抽取式自動文摘方法，然后在考慮句子之間的合理指代以及連貫性和可讀性。文本的自動生成技術又可分為基于規劃的生成技術、基于規則的模板生成、技術深度學習的生成技術。

雖然現有的招標文件的標的物參數信息提取的方法可以完成招標文件作為文本的一種的自動生成，但是由于不考慮核心的參數諸如標的物等信息的自動生成，導致在投標文件可用性差。其次自動文摘技術的連續性和段落之間的關系，也沒有考慮投標文件的信息重要性的排列順序等等特性，而且在生成的時候，特定的參數信息會有遺漏。

發明內容

針對上述問題，本申請提供一種標的物參數信息抽取方法、裝置、存儲介質及電子設備，解決了相關技術中提取標的物參數信息的能力較差，甚至會遺漏參數信息的技術問題。

第一方面，本申請提供了一種標的物參數信息抽取方法，所述方法包括：

接收招標文件，并對所述招標文件進行預處理，得到PDF格式的招標文件；

對所述PDF格式的招標文件進行結構化處理，得到結構化的招標文件；

構建正則規則對所述結構化的招標文件中的目標標的物的參數信息進行信息抽取；

根據信息抽取過程中的中間信息建立抽取報告，得到抽取結果。

在一些實施例中，所述對所述PDF格式的招標文件進行結構化處理，得到結構化的招標文件，包括：

采用pypdf2提取PDF格式的招標文件中的書簽信息；

構建正則規則對所述書簽信息中的書簽名稱進行正則匹配，得到章節書簽信息，所述章節書簽信息包括各個章節的書簽名稱和位置；

根據所述章節書簽信息對所述PDF格式的招標文件進行劃分，得到招標文件中的各個章節內容；

構建正則規則對所述各個章節內容進行劃分，得到每個章節內容中的各個小節的小節信息，所述小節信息包括各個小節的小節名稱和位置。

在一些實施例中，所述根據所述章節書簽信息對所述PDF格式的招標文件進行劃分，分別得到招標文件中的各個章節內容，包括：

根據所述各個章節的書簽名稱構建正則規則定位各個章節，并根據各個章節的位置劃分所述招標文件，得到各個章節對應的章節文件；

采用pdfplumber識別每個章節文件，得到章節文本；

采用自然語言處理技術對所述章節文本進行清洗，得到清洗后的章節文本；

將所述清洗后的章節文本以txt格式進行存儲。