本發(fā)明涉及輔助評標(biāo)的，特別是涉及一種基于智能化專家管理的輔助評標(biāo)系統(tǒng)及方法。

背景技術(shù)：

1、在招投標(biāo)活動中，評標(biāo)是確保項目順利實施、選擇最優(yōu)供應(yīng)商的關(guān)鍵環(huán)節(jié)，在選擇評標(biāo)專家時，不僅需要考慮其專業(yè)背景和經(jīng)驗，還要確保專家與投標(biāo)單位之間不存在利益沖突，以保證評標(biāo)的公正性。

2、現(xiàn)有的評標(biāo)專家篩選方法，主要依靠招標(biāo)方或代理機構(gòu)的人脈資源和主觀判斷，往往只能粗略地反映專家的專業(yè)背景，無法精確匹配項目的技術(shù)要求和專業(yè)領(lǐng)域；而且利益沖突檢測主要依賴于專家的自我申報，缺乏系統(tǒng)性的自動檢測機制，容易遺漏潛在的利益沖突。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供一種提升整體評標(biāo)工作的質(zhì)量和效率的基于智能化專家管理的輔助評標(biāo)系統(tǒng)及方法。

2、第一方面，本發(fā)明提供了基于智能化專家管理的輔助評標(biāo)系統(tǒng)及方法，所述系統(tǒng)包括：

3、項目信息收集與處理模塊，用于收集待評標(biāo)項目的評標(biāo)時限特征以及項目資料信息，并對項目資料信息進(jìn)行分詞處理，獲得項目表征詞組集合；

4、評標(biāo)時限匹配模塊，用于根據(jù)評標(biāo)時限特征，在評標(biāo)專家數(shù)據(jù)庫中進(jìn)行遍歷，篩選出與所述評標(biāo)時限特征匹配的評標(biāo)專家，并將其標(biāo)記為一階評標(biāo)專家；

5、利益沖突檢測模塊，利用預(yù)先引入的沖突檢測機制，對所有一階評標(biāo)專家進(jìn)行篩查，剔除與待評標(biāo)項目存在利益關(guān)系的一階評標(biāo)專家，并將剩余一階評標(biāo)專家標(biāo)記為二階評標(biāo)專家；

6、專家信息收集與處理模塊，收集二階評標(biāo)專家對應(yīng)的專家信息，并對專家信息進(jìn)行分詞處理，獲得專家評標(biāo)特征詞組集合；

7、特征詞組匹配計算模塊，利用項目表征詞組集合依次與各個二階評標(biāo)專家對應(yīng)的專家評標(biāo)特征詞組集合進(jìn)行交集計算，獲得各個二階評標(biāo)專家對應(yīng)的項目專家特征詞組匹配集合；

8、評標(biāo)契合度計算模塊，針對每個二階評標(biāo)專家，對項目專家特征詞組匹配集合進(jìn)行權(quán)重計算獲得所述二階評標(biāo)專家與待評標(biāo)項目之間的評標(biāo)契合度；

9、評標(biāo)專家選擇模塊，基于預(yù)設(shè)的評標(biāo)專家數(shù)量要求，提取評標(biāo)契合度排名最靠前的二階評標(biāo)專家作為待評標(biāo)項目的入選評標(biāo)專家。

10、進(jìn)一步地，還包括分詞處理子模塊，所述分詞處理子模塊包括：

11、格式轉(zhuǎn)換單元，用于將收集到的項目資料信息統(tǒng)一轉(zhuǎn)換為文本格式，去除無關(guān)字符和空格，刪除重復(fù)的信息；

12、文本分割與詞性標(biāo)注單元，用于將連續(xù)的文本分割成一個個單獨的詞語，移除那些在文檔中頻繁出現(xiàn)但不攜帶實際意義的詞匯，對每個詞進(jìn)行詞性標(biāo)注，識別不同類型的詞匯；

13、相關(guān)詞匯提取單元，從項目描述中提取反映項目性質(zhì)和類別的詞匯；

14、詞組分類單元，用于對提取出的詞組進(jìn)行分類整理。

15、基于智能化專家管理的輔助評標(biāo)方法，所述方法包括：

16、收集待評標(biāo)項目的評標(biāo)時限特征以及項目資料信息，并對項目資料信息進(jìn)行分詞處理，獲得項目表征詞組集合；所述項目表征詞組集合包括項目類型詞組子集、專業(yè)領(lǐng)域詞組子集以及技術(shù)要求詞組子集；所述評標(biāo)時限特征包括評標(biāo)起始時間節(jié)點和評標(biāo)截止時間節(jié)點；

17、基于所述評標(biāo)時限特征，在評標(biāo)專家數(shù)據(jù)庫中進(jìn)行遍歷，篩選出與所述評標(biāo)時限特征匹配的評標(biāo)專家，并將其標(biāo)記為一階評標(biāo)專家；

18、利用預(yù)先引入的沖突檢測機制，對所有一階評標(biāo)專家進(jìn)行篩查，剔除與待評標(biāo)項目存在利益關(guān)系的一階評標(biāo)專家，并將剩余一階評標(biāo)專家標(biāo)記為二階評標(biāo)專家；

19、收集二階評標(biāo)專家對應(yīng)的專家信息，并對專家信息進(jìn)行分詞處理，獲得專家評標(biāo)特征詞組集合；

20、利用項目表征詞組集合依次與各個二階評標(biāo)專家對應(yīng)的專家評標(biāo)特征詞組集合進(jìn)行交集計算，獲得各個二階評標(biāo)專家對應(yīng)的項目專家特征詞組匹配集合；

21、針對每個二階評標(biāo)專家，對項目專家特征詞組匹配集合進(jìn)行權(quán)重計算獲得所述二階評標(biāo)專家與待評標(biāo)項目之間的評標(biāo)契合度；

22、基于預(yù)設(shè)的評標(biāo)專家數(shù)量要求，提取評標(biāo)契合度排名最靠前的二階評標(biāo)專家作為待評標(biāo)項目的入選評標(biāo)專家。

23、進(jìn)一步地，對項目專家特征詞組匹配集合進(jìn)行權(quán)重計算獲得所述二階評標(biāo)專家與待評標(biāo)項目之間的評標(biāo)契合度，包括：

24、將項目專家特征詞組匹配集合中的各個詞組按項目類型詞組子集、專業(yè)領(lǐng)域詞組子集以及技術(shù)要求詞組子集進(jìn)行分組；

25、統(tǒng)計各個詞組子集中詞組數(shù)量，并將其標(biāo)記為對應(yīng)詞組子集的評標(biāo)匹配量值；

26、預(yù)先設(shè)定各個詞組子集對應(yīng)的權(quán)重系數(shù)；

27、基于各個詞組子集對應(yīng)的評標(biāo)匹配量值和權(quán)重系數(shù)，進(jìn)行加權(quán)計算，獲得所述二階評標(biāo)專家與待評標(biāo)項目之間的評標(biāo)契合度。

28、進(jìn)一步地，所述權(quán)重系數(shù)的設(shè)定影響因素包括專業(yè)領(lǐng)域相關(guān)性、技術(shù)要求的重要性、詞組的頻率、專家的經(jīng)驗資歷、以往評標(biāo)的業(yè)績、研究成果和獲得的獎項榮譽。

29、進(jìn)一步地，評標(biāo)專家數(shù)據(jù)庫的構(gòu)建方法，包括：

30、通過公開資源以及行業(yè)協(xié)會獲取評標(biāo)專家信息；

31、對收集到的專家信息進(jìn)行標(biāo)準(zhǔn)化處理；

32、對敏感信息進(jìn)行加密處理，將經(jīng)過處理后的信息錄入至評標(biāo)專家數(shù)據(jù)庫中；

33、設(shè)置數(shù)據(jù)庫訪問權(quán)限，只有經(jīng)過授權(quán)的人員才能訪問和修改數(shù)據(jù)庫中的數(shù)據(jù)；

34、定期聯(lián)系專家更新個人信息，同步時間可用性和最新研究成果。

35、進(jìn)一步地，所述沖突檢測機制包括：

36、設(shè)置利益沖突數(shù)據(jù)庫，用于記錄所有評標(biāo)專家的潛在利益沖突信息；

37、將一階評標(biāo)專家的信息與利益沖突數(shù)據(jù)庫中的記錄進(jìn)行比對，檢查專家是否在投標(biāo)單位及其關(guān)聯(lián)公司工作過；

38、響應(yīng)于識別出與待評標(biāo)項目存在潛在利益沖突的一階評標(biāo)專家，沖突檢測機制會將識別出的一階評標(biāo)專家進(jìn)行標(biāo)記，并從一階評標(biāo)專家集合中剔除；將剩余的一階評標(biāo)專家標(biāo)記為二階評標(biāo)專家；

39、對二階評標(biāo)專家進(jìn)行人工復(fù)核，檢查沖突檢測機制的篩查結(jié)果是否存在誤判和遺漏。

40、進(jìn)一步地，所述二階評標(biāo)專家對應(yīng)的專家信息包括專業(yè)背景、研究類型、歷史參與評標(biāo)信息、歷史發(fā)表文章和歷史獲得獎項。

41、進(jìn)一步地，項目專家特征詞組匹配集合的獲取方法，包括：

42、對于每一個二階評標(biāo)專家，將其對應(yīng)的專家評標(biāo)特征詞組集合與項目表征詞組集合進(jìn)行交集計算；

43、記錄交集計算的結(jié)果，形成各個二階評標(biāo)專家對應(yīng)的項目專家特征詞組匹配集合；

44、對形成的項目專家特征詞組匹配集合進(jìn)行質(zhì)量檢測，獲得質(zhì)量檢測結(jié)果；

45、將質(zhì)量檢測結(jié)果高于預(yù)設(shè)質(zhì)量檢測閾值的項目專家特征詞組匹配集合應(yīng)用于評標(biāo)契合度的計算。

46、進(jìn)一步地，入選評標(biāo)專家的確定方法，包括：

47、預(yù)設(shè)評標(biāo)專家數(shù)量要求；

48、根據(jù)每個二階評標(biāo)專家的評標(biāo)契合度，對所有二階評標(biāo)專家進(jìn)行排序；

49、根據(jù)預(yù)設(shè)的評標(biāo)專家數(shù)量要求，從排序后的二階評標(biāo)專家中，提取出排名最靠前的專家作為入選評標(biāo)專家；在提取入選評標(biāo)專家的過程中，若遇到排名靠前的專家因故無法參與評標(biāo)的情況，則根據(jù)評標(biāo)契合度的排名順序，依次向下選擇備選專家，直到滿足預(yù)設(shè)的評標(biāo)專家數(shù)量要求；

50、通知入選評標(biāo)專家名單的專家，并向?qū)＜姨峁┰u標(biāo)資料和信息；

51、根據(jù)入選評標(biāo)專家名單，建立評標(biāo)團(tuán)隊。

52、與現(xiàn)有技術(shù)相比本發(fā)明的有益效果為：該系統(tǒng)通過項目信息收集與處理模塊，能夠詳細(xì)收集待評標(biāo)項目的信息，并進(jìn)行分詞處理，獲得項目表征詞組集合；使得系統(tǒng)能夠更精確地理解項目的具體需求和技術(shù)要求；利用特征詞組匹配計算模塊和評標(biāo)契合度計算模塊，系統(tǒng)能夠?qū)ΧA評標(biāo)專家的專業(yè)背景與項目需求進(jìn)行深入的匹配計算，從而篩選出與項目高度契合的專家；通過利益沖突檢測模塊，利用預(yù)先引入的沖突檢測機制，對所有一階評標(biāo)專家進(jìn)行篩查，有效提高了利益沖突檢測的全面性和準(zhǔn)確性；有助于減少人為疏忽和主觀判斷帶來的風(fēng)險，確保評標(biāo)的公正性；通過自動化和智能化的方式，快速篩選出符合要求的評標(biāo)專家，避免了傳統(tǒng)方式中人工篩選的繁瑣和耗時；評標(biāo)時限匹配模塊能夠根據(jù)項目的評標(biāo)時限特征，快速篩選出可用的評標(biāo)專家，為后續(xù)的評標(biāo)工作贏得時間；能夠根據(jù)項目的具體需求，智能匹配最合適的評標(biāo)專家，從而確保專家資源得到合理分配和利用；有助于提升專家的利用率，減少因?qū)＜屹Y源不足或不合理分配而導(dǎo)致的評標(biāo)延誤或質(zhì)量問題；通過系統(tǒng)記錄和分析評標(biāo)過程的數(shù)據(jù)，可以進(jìn)一步加強對評標(biāo)質(zhì)量的監(jiān)控和評估，提升評標(biāo)的公正性和可信度；綜上所述，該基于智能化專家管理的輔助評標(biāo)系統(tǒng)不僅解決了當(dāng)前評標(biāo)過程中存在的痛點，還為招投標(biāo)活動的規(guī)范化、專業(yè)化和高效化提供有力保障。