[发明专利]标的物参数信息抽取方法、装置、存储介质及电子设备

说明书

本申请涉及计算机科学技术领域，具体涉及一种标的物参数信息抽取方法、装置、存储介质及电子设备，包括：接收招标文件，并对所述招标文件进行预处理，得到PDF格式的招标文件；对所述PDF格式的招标文件进行结构化处理，得到结构化的招标文件；构建正则规则对所述结构化的招标文件中的目标标的物的参数信息进行信息抽取；根据信息抽取过程中的中间信息建立抽取报告，得到抽取结果。本申请能够利用自然语言处理领域的技术实现对招标文本的结构化处理，同时自动高效抽取指定标的物的参数信息，节省大量人力、物力，为后续招标标准文件的编制以及其他数据分析提供了坚实的基础。

技术领域

本申请涉及计算机科学技术领域，特别地涉及一种标的物参数信息抽取方法、装置、存储介质及电子设备。

背景技术

招投标业务是企业进行项目管理的一项重要工作，并且标书具有相对规范化的书写要求和文本内容，在以往的招标工作中，招标文件的标的物的参数信息提取均靠人工进行抽取，需要花费大量人工及时间，耗时耗力，效率低下。

目前，用于招标文件的标的物参数信息提取的方法，主要应用两种文本自动生成的技术实现，分别是自动文摘技术和文本自动生成技术。自动文摘技术主要才是采取抽取式自动文摘方法，然后在考虑句子之间的合理指代以及连贯性和可读性。文本的自动生成技术又可分为基于规划的生成技术、基于规则的模板生成、技术深度学习的生成技术。

虽然现有的招标文件的标的物参数信息提取的方法可以完成招标文件作为文本的一种的自动生成，但是由于不考虑核心的参数诸如标的物等信息的自动生成，导致在投标文件可用性差。其次自动文摘技术的连续性和段落之间的关系，也没有考虑投标文件的信息重要性的排列顺序等等特性，而且在生成的时候，特定的参数信息会有遗漏。

发明内容

针对上述问题，本申请提供一种标的物参数信息抽取方法、装置、存储介质及电子设备，解决了相关技术中提取标的物参数信息的能力较差，甚至会遗漏参数信息的技术问题。

第一方面，本申请提供了一种标的物参数信息抽取方法，所述方法包括：

接收招标文件，并对所述招标文件进行预处理，得到PDF格式的招标文件；

对所述PDF格式的招标文件进行结构化处理，得到结构化的招标文件；

构建正则规则对所述结构化的招标文件中的目标标的物的参数信息进行信息抽取；

根据信息抽取过程中的中间信息建立抽取报告，得到抽取结果。

在一些实施例中，所述对所述PDF格式的招标文件进行结构化处理，得到结构化的招标文件，包括：

采用pypdf2提取PDF格式的招标文件中的书签信息；

构建正则规则对所述书签信息中的书签名称进行正则匹配，得到章节书签信息，所述章节书签信息包括各个章节的书签名称和位置；

根据所述章节书签信息对所述PDF格式的招标文件进行划分，得到招标文件中的各个章节内容；

构建正则规则对所述各个章节内容进行划分，得到每个章节内容中的各个小节的小节信息，所述小节信息包括各个小节的小节名称和位置。

在一些实施例中，所述根据所述章节书签信息对所述PDF格式的招标文件进行划分，分别得到招标文件中的各个章节内容，包括：

根据所述各个章节的书签名称构建正则规则定位各个章节，并根据各个章节的位置划分所述招标文件，得到各个章节对应的章节文件；

采用pdfplumber识别每个章节文件，得到章节文本；

采用自然语言处理技术对所述章节文本进行清洗，得到清洗后的章节文本；

将所述清洗后的章节文本以txt格式进行存储。