一种基于多维协同的智能筛选设计方法及装置

技术领域

本申请属于线上投标技术领域，特别的涉及一种基于多维协同的智能筛选设计方法及装置。

背景技术

投标是一个投标招标的专业术语，一般指投标人应招标人的邀请，根据招标公告或投标邀请书所规定的条件，并在规定的期限内向招标人递盘的行为。大多数国家政府机构和公用事业单位可通过招标购买设备、材料和日用品等，且在进行资源勘探、开发矿藏或招商承建工程项目时，也常采用招标方式。

投标模式逐渐由线下转变为线上，在收到大量供应商或投标人的投标信息之后，仅可通过人工对该大量投标信息进行筛选，不仅极大增加了招标的时间成本，还易影响到招标整体的评审效率。

发明内容

本申请为解决上述提到的人工对该大量投标信息进行筛选，不仅极大增加了招标的时间成本，还易影响到招标整体的评审效率等技术问题，提出一种基于多维协同的智能筛选设计方法及装置，其技术方案如下：

第一方面，本申请实施例提供了一种基于多维协同的智能筛选设计方法，包括：

在供应商数据库中确定目标供应商名称，并查询出与目标供应商名称对应的至少两种产品信息；其中，供应商数据库中包括至少两个供应商名称，供应商数据库中的供应商名称个数按照预设时间间隔进行更新；

从至少两种产品信息中提取出至少两种目标关键词，并基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标；

将至少两种产品信息输入至训练好的第一卷积神经网络，并根据第一卷积神经网络的预测结果得到每种产品信息的分类特征；其中，第一卷积神经网络由多个已知分类特征的样本产品信息以及第二卷积神经网络训练得到；

根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，并基于目标供应商的参考指标对目标供应商进行筛选处理。

在第一方面的一种可选方案中，基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标，包括：

根据至少两种目标关键词的总个数以及每种目标关键词的个数，得到计算出每种目标关键词的占比参数；

基于预设关键词等级确定出与每种目标关键词对应的等级指标，并根据每种目标关键词的占比参数以及与每种目标关键词对应的等级指标，计算出每种目标关键词的权重指标。

在第一方面的又一种可选方案中，根据第一卷积神经网络的预测结果得到每种产品信息的分类特征，包括：

从第一卷积神经网络的预测结果中划分出与每种产品信息对应的预测值；

当与产品信息对应的预测值处于预设第一区间时，确定产品信息的分类特征为第一类别；

当与产品信息对应的预测值处于预设第二区间时，确定产品信息的分类特征为第二类别；

当与产品信息对应的预测值处于预设第三区间时，查询出与产品信息对应的关联信息；

对产品信息以及与产品信息对应的关联信息进行叠加处理，并对经过叠加处理后的产品信息进行归一化处理；

将经过归一化处理后的产品信息重新输入至第一卷积神经网络，并根据第一卷积神经网络的预测结果得到产品信息的分类特征。

在第一方面的又一种可选方案中，根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，包括：

将分类特征为第一类别的所有产品信息进行汇总处理，得到目标关键词的第一集合；

根据每种目标关键词的权重指标以及目标关键词的第一集合，计算出目标供应商的第一参考指标；

将分类特征为第二类别的所有产品信息进行汇总处理，得到目标关键词的第二集合；

根据每种目标关键词的权重指标以及目标关键词的第二集合，计算出目标供应商的第二参考指标；

基于与第一类别对应的预设第一参数、目标供应商的第一参考指标、与第二类别对应的预设第二参数以及目标供应商的第二参考指标，计算出目标供应商的参考指标。

在第一方面的又一种可选方案中，在计算出目标供应商的参考指标之后，基于目标供应商的参考指标对目标供应商进行筛选处理之前，还包括：

获取与至少两种产品信息对应的历史出货数据；

根据历史出货数据预测出目标供应商的理论出货数据，并基于目标供应商的理论出货数据以及预设出货数据，得到目标供应商的第三参考指标；

基于目标供应商的参考指标对目标供应商进行筛选处理，包括：

根据目标供应商的参考指标以及目标供应商的第三参考指标，计算出目标供应商的目标参考指标；

基于目标供应商的目标参考指标对目标供应商进行筛选处理。

在第一方面的又一种可选方案中，基于目标供应商的目标参考指标对目标供应商进行筛选处理，包括：

当目标供应商的目标参考指标低于预设指标阈值时，在供应商数据库中对目标供应商的名称进行剔除处理；

当目标供应商的目标参考指标高于预设指标阈值时，在供应商数据库中对目标供应商的名称进行标记处理。

在第一方面的又一种可选方案中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知分类特征的样本产品信息训练得到。

第二方面，本申请实施例提供了一种基于多维协同的智能筛选设计装置，包括：

数据查询模块，用于在供应商数据库中确定目标供应商名称，并查询出与目标供应商名称对应的至少两种产品信息；其中，供应商数据库中包括至少两个供应商名称，供应商数据库中的供应商名称个数按照预设时间间隔进行更新；

第一计算模块，用于从至少两种产品信息中提取出至少两种目标关键词，并基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标；

第二计算模块，用于将至少两种产品信息输入至训练好的第一卷积神经网络，并根据第一卷积神经网络的预测结果得到每种产品信息的分类特征；其中，第一卷积神经网络由多个已知分类特征的样本产品信息以及第二卷积神经网络训练得到；

数据分析模块，用于根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，并基于目标供应商的参考指标对目标供应商进行筛选处理。

在第二方面的一种可选方案中，第一计算模块包括：

第一计算单元，用于根据至少两种目标关键词的总个数以及每种目标关键词的个数，得到计算出每种目标关键词的占比参数；

第二计算单元，用于基于预设关键词等级确定出与每种目标关键词对应的等级指标，并根据每种目标关键词的占比参数以及与每种目标关键词对应的等级指标，计算出每种目标关键词的权重指标。

在第二方面的又一种可选方案中，第二计算模块包括：

划分单元，用于从第一卷积神经网络的预测结果中划分出与每种产品信息对应的预测值；

第一确定单元，用于当与产品信息对应的预测值处于预设第一区间时，确定产品信息的分类特征为第一类别；

第二确定单元，用于当与产品信息对应的预测值处于预设第二区间时，确定产品信息的分类特征为第二类别；

第三确定单元，用于当与产品信息对应的预测值处于预设第三区间时，查询出与产品信息对应的关联信息；

处理单元，用于对产品信息以及与产品信息对应的关联信息进行叠加处理，并对经过叠加处理后的产品信息进行归一化处理；

预测单元，用于将经过归一化处理后的产品信息重新输入至第一卷积神经网络，并根据第一卷积神经网络的预测结果得到产品信息的分类特征。

在第二方面的又一种可选方案中，数据分析模块包括：

第一汇总单元，用于将分类特征为第一类别的所有产品信息进行汇总处理，得到目标关键词的第一集合；

第三计算单元，用于根据每种目标关键词的权重指标以及目标关键词的第一集合，计算出目标供应商的第一参考指标；

第二汇总单元，用于将分类特征为第二类别的所有产品信息进行汇总处理，得到目标关键词的第二集合；

第四计算单元，用于根据每种目标关键词的权重指标以及目标关键词的第二集合，计算出目标供应商的第二参考指标；

第五计算单元，用于基于与第一类别对应的预设第一参数、目标供应商的第一参考指标、与第二类别对应的预设第二参数以及目标供应商的第二参考指标，计算出目标供应商的参考指标。

在第二方面的又一种可选方案中，数据分析模块还包括：

获取单元，用于在计算出目标供应商的参考指标之后，基于目标供应商的参考指标对目标供应商进行筛选处理之前，获取与至少两种产品信息对应的历史出货数据；

第六计算单元，用于根据历史出货数据预测出目标供应商的理论出货数据，并基于目标供应商的理论出货数据以及预设出货数据，得到目标供应商的第三参考指标；

基于目标供应商的参考指标对目标供应商进行筛选处理，具体用于：

根据目标供应商的参考指标以及目标供应商的第三参考指标，计算出目标供应商的目标参考指标；

基于目标供应商的目标参考指标对目标供应商进行筛选处理。

在第二方面的又一种可选方案中，基于目标供应商的目标参考指标对目标供应商进行筛选处理，具体用于：

当目标供应商的目标参考指标低于预设指标阈值时，在供应商数据库中对目标供应商的名称进行剔除处理；

当目标供应商的目标参考指标高于预设指标阈值时，在供应商数据库中对目标供应商的名称进行标记处理。

在第二方面的又一种可选方案中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知分类特征的样本产品信息训练得到。

第三方面，本申请实施例还提供了一种基于多维协同的智能筛选设计装置，包括处理器以及存储器；

处理器与存储器连接；

存储器，用于存储可执行程序代码；

处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现本申请实施例第一方面或第一方面的任意一种实现方式提供的基于多维协同的智能筛选设计方法。

第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本申请实施例第一方面或第一方面的任意一种实现方式提供的基于多维协同的智能筛选设计方法。

在本申请实施例中，可在初步筛选供应商时，在供应商数据库中确定目标供应商名称，并查询出与目标供应商名称对应的至少两种产品信息；从至少两种产品信息中提取出至少两种目标关键词，并基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标；将至少两种产品信息输入至训练好的第一卷积神经网络，并根据第一卷积神经网络的预测结果得到每种产品信息的分类特征；根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，并基于目标供应商的参考指标对目标供应商进行筛选处理。通过结合关键词提取算法以及卷积神经网络等智能分析手段对与目标供应商名称对应的产品信息进行高效处理，以实现对该目标供应商的初步筛选，不仅提高整体筛选效率，还可保障结果的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于多维协同的智能筛选设计方法的整体流程图；

图2为本申请实施例提供的一种卷积神经网络的结构示意图；

图3为本申请实施例提供的一种类别-预设参数类型列表的示意图；

图4为本申请实施例提供的一种基于多维协同的智能筛选设计装置的结构示意图；

图5为本申请实施例提供的又一种基于多维协同的智能筛选设计装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。

下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。

请参阅图1，图1示出了本申请实施例提供的一种基于多维协同的智能筛选设计方法的整体流程图。

如图1所示，该基于多维协同的智能筛选设计方法至少可以包括以下步骤：

步骤102、在供应商数据库中确定目标供应商名称，并查询出与目标供应商名称对应的至少两种产品信息。

在本申请实施例中，基于多维协同的智能筛选设计方法可以但不局限于应用在招标线上系统，该招标线上系统可获取由各个参与投标的供应商所发送的投标信息，并根据该投标信息完成对参与投标的供应商的初步智能筛选。

具体地，在对参与投标的供应商进行初步筛选时，可先结合各个参与投标的供应商所发送的投标信息建立供应商数据库，在该供应商数据库中可包括至少两个参与投标的供应商名称。可以理解的是，该供应商数据库可按照预设时间间隔进行更新，以便于可在规定投标时间内实时将参与投标的所有供应商所发送的投标信息进行汇总。

进一步的，在建立供应商数据库之后，可在该供应商数据库中确定出待筛选的目标供应商名称，该目标供应商名称可为供应商数据库中任意一个记录的供应商名称。可以理解的是，此处确定待筛选的目标供应商名称的方式可由人工实现，例如操作人员可在招标线上系统的显示界面中手动输入待筛选的目标供应商名称，或是可在与供应商数据库对应的选择框内选择任意一个供应商名称作为待筛选的目标供应商名称，并可以但不局限于通过选择查询控件来自动执行后续步骤。可能的，此处确定待筛选的目标供应商名称的方式还可由招标线上系统自动执行，例如该招标线上系统可根据供应商数据库中每个供应商名称的记录时间，按照从前至后的顺序来确定待筛选的目标供应商名称。

需要说明的是，在供应商数据库中每个供应商名称均可作为待筛选的目标供应商名称，以便于可对该供应商数据库中每个供应商进行初步筛选，进而提高整体投标效率。

进一步的，可在确定出目标供应商名称之后，根据该目标供应商名称查询出与该目标供应商名称所对应的至少两种产品信息，该至少两种产品信息可以但不局限于包括至少两种产品各自对应的名称信息以及介绍信息，该介绍信息可理解为对产品功能的说明信息以及对产品用法的说明信息。其中，至少两种产品信息可根据供应商所发送的投标信息进行获取，或是也可通过互联网查询获取。可以理解的是，此处至少两种产品信息还可理解为至少两种业务信息，该业务信息可以但不局限于为目标供应商所可提供的业务能力以及相关介绍信息。

在本申请实施例中，具体是可通过对各个供应商所能提供的多种产品信息进行智能分析，以实现对各个供应商的初步筛选，例如剔除完全不符合的供应商，并保留可继续进行筛选的供应商。

步骤104、从至少两种产品信息中提取出至少两种目标关键词，并基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标。

具体地，在查询出与目标供应商名称所对应的至少两种产品信息之后，可从该至少两种产品中提取出至少两种目标关键词，该目标关键词的提取方式可以但不局限于为采用自然语言处理技术，例如可将该至少两种产品信息输入至训练好的Bert模型，以根据Bert模型的预测结果来确定出至少两种目标关键词。

可以理解的是，至少两种目标关键词中每种目标关键词所包含的总字数或是相同的字数均可保持不一致，例如可从至少两种产品中提取出两种目标关键词A以及B，其中目标关键词A对应的总字数可为a个，目标关键词B 对应的总字数可为b个，且目标关键词A与目标关键词B相同的字数可为c个，此处可以但不局限于a大于b，b大于c。

需要说明的是，此处至少两种目标关键词中每种目标关键词的个数可以但不局限于为一个或多个，例如对于第一种产品信息可提取出三种目标关键词A、B以及C，第二种产品信息可提取出三种目标关键词B、C以及D，则可得出目标关键词A以及目标关键词D的个数均为1个，目标关键词B以及目标关键词C的个数均为2个，且在本申请实施例中不限定于此。

进一步的，在提取出至少两种目标关键词之后，可统计出所有目标关键词的总个数，以及每种目标关键词的个数，进而可分别计算出每种目标关键词的占比参数，例如目标关键词A的个数为a，所有目标关键词的总个数为n，则该目标关键词A的占比参数可表示为：a/n。

进一步的，在提取出至少两种目标关键词之后，还可基于预设关键词等级确定出每种目标关键词所对应的等级指标，其中，预设关键词等级可以但不局限于由招标线上系统预先根据招标需求建立，其包含多个根据招标需求所生成的预设关键词以及与每个预设关键词所对应的等级，不同类型的等级可用于表征相应的预设关键词的重要程度，且每种类型的等级可对应有不同的等级指标，该等级指标可同样反应出相应的预设关键词的重要程度。此处以预设关键词等级分为等级S、等级M以及等级T为例，每种等级可对应有一种或多种目标关键词，且每种等级所对应的目标关键词各不相同，其中，等级S可表征相应的目标关键词的重要程度为非常重要，其对应的等级指标可表示为s；等级M可表征相应的目标关键词的重要程度为一般重要，其对应的等级指标可表示为m；等级T可表征相应的目标关键词的重要程度为较不重要，其对应的等级指标可表示为t；可以理解的是，此处s大于m，m大于t，且在本申请实施例中不限定于此。

进一步的，在得到每种目标关键词的占比参数以及与每种目标关键词对应的等级指标之后，可以但不局限于通过将每种目标关键词的占比参数以及对应的等级指标进行相乘得到每种目标关键词的权重指标。

步骤106、将至少两种产品信息输入至训练好的第一卷积神经网络，并根据第一卷积神经网络的预测结果得到每种产品信息的分类特征。

具体地，在得到至少两种产品信息之后，还可将该至少两种产品信息输入至训练好的第一卷积神经网络，以得到该第一卷积神经网络的预测结果。

可以理解的是，本申请实施例中提到的第一卷积神经网络可由多个已知分类特征的样本产品信息以及第二卷积神经网络训练得到，该第一卷积神经网络包括有一个沙漏结构，该第二卷积神经网络包括有相同的四个沙漏结构，在第一卷积神经网络的训练过程中，先基于上述提到的多个已知分类特征的样本产品信息对第二卷积神经网络进行训练，并再基于该多个已知分类特征的样本产品信息对第一卷积神经网络进行训练时加入训练后的第二卷积神经网络中的损失参数，进而得到训练后的第一卷积神经网络。此处可参阅图2示出的本申请实施例提供的一种卷积神经网络的结构示意图，该图中上半部分可表示为第二卷积神经网络的训练过程，该图中下半部分可表示为第一卷积神经网络的训练过程。

需要说明的是，在本申请实施例中提到的第一卷积神经网络相较于其它神经网络，不仅整体设计结构简单，通过使用基础的算子和轻量的模型架构来减少控制终端内的占据空间，而且还可保障输出结果的精度以及效率。

在对该第二卷积神经网络进行训练的过程中，可先构建包括有四个相同的四个沙漏结构的第二卷积神经网络，该四个相同的四个沙漏结构串联组成，且每个沙漏结构包含4个编码层、4个蒸馏层以及4个解码层，且在该沙漏结构中数据可以跳过连接直接传递到更深的层，也可以通过下采样层和上采样层。

可以理解的是，在第二卷积神经网络中前一个沙漏结构输出的特征可作为后一个沙漏结构的输入，该第二卷积神经网络仅用来提升第一卷积神经网络的性能，使得第一卷积神经网络可以使用1/4的参数就达到逼近第二卷积神经网络的性能。

进一步的，在构建出第二卷积神经网络的结构之后，可将已知分类特征的样本产品信息输入该第二卷积神经网络中，并根据预测结果计算相应的损失函数。其中，第二卷积神经网络中最后一个沙漏结构的四个蒸馏层将与前三个沙漏结构的四个蒸馏层做损失函数。当第二卷积神经网络训练完成后，可基于上述提到的多个已知分类特征的样本产品信息对第一卷积神经网络进行训练，并在计算第一卷积神经网络的损失函数的过程中，先将第一卷积神经网络的沙漏结构的四个蒸馏层与第二卷积神经网络的最后一个沙漏结构的四个蒸馏层做损失并加入该第一卷积神经网络的损失函数中，再将第一卷积神经网络的预测结果与第二卷积神经网络的预测结果做损失并加入该第一卷积神经网络的损失函数中。

在第一卷积神经网络以及第二卷积神经网络训练完成后，还可使用pytorch的quantization函数将所有参数从32-bit压缩到8-bit，在几乎没有损失性能的情况下大幅降低模型的大小。

进一步的，在得到第一卷积神经网络的预测结果之后，可从该预测结果中划分出与每种产品信息对应的预测值，例如以至少两种产品信息可包括Q以及W为例，可依次将产品信息Q以及产品信息W输入至第一卷积神经网络中，得到的预测结果可表示为（q，w），则可以但不局限于按照字符“，”对该预测结果进行划分，其中，产品信息Q对应的预测值可为q，产品信息W对应的预测值可为w，且在本申请实施例中不限定于此。

可能的，当检测到某种产品信息对应的预测值处于预设第一区间时，可确定该产品信息的分类特征为第一类别，此处第一类别可以但不局限于表征该产品信息属于重要类别。

可能的，当检测到某种产品信息对应的预测值处于预设第二区间时，可确定该产品信息的分类特征为第二类别，此处第二类别可以但不局限于表征该产品信息属于非重要类别。可以理解的是，预设第一区间的最小值大于预设第二区间的最大值。

可能的，当检测到某种产品信息对应的预测值处于预设第三区间时，可表明该产品信息的分类特征无法有效确定，进而可查询出与该产品信息对应的关联信息。其中，与该产品信息对应的关联信息可以但不局限于包括与该产品信息相似的其他产品信息，或是与目标供应商关联的其他供应商名称以及与该其他供应商名称对应的产品信息，此处与该产品信息对应的关联信息可通过互联网查询获取，且在本申请实施例中不限定于此。可以理解的是，此处预设第三区间的最大值小于预设第一区间的最小值，该预设第三区间的最小值大于预设第二区间的最大值。

接着，可在获取到与产品信息对应的关联信息之后，可对该产品信息以及关联信息进行叠加处理，并对该经过叠加处理的产品信息进行归一化处理，以保障该经过归一化处理后的产品信息具有可靠性以及有效性。

接着，可将经过归一化处理后的产品信息重新输入至第一卷积神经网络，并根据该第一卷积神经网络的预测结果对该经过归一化处理后的产品信息的分类特征再次进行判断。可能的，当该产品信息对应的预测值处于预设第一区间时，可确定该产品信息的分类特征为第一类别。可能的，当检测到某种产品信息对应的预测值处于预设第二区间时，可确定该产品信息的分类特征为第二类别。

需要说明的是，当经过归一化处理后的产品信息所对应的预测结果仍无法确定出分类特征时，可以但不局限于对该产品信息进行剔除处理，以保障整体的筛选效率。

步骤108、根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，并基于目标供应商的参考指标对目标供应商进行筛选处理。

具体地，在得到每种产品信息的分类特征之后，可将分类特征对应为第一类别的所有产品信息进行汇总处理，并可将该所有产品信息的集合作为目标关键词的第一集合。

进一步的，在得到目标关键词的第一集合之后，可对该目标关键词的第一集合中所有产品信息所对应的目标关键词进行汇总，例如但不局限于可统计出所有目标关键词的总个数以及每种目标关键词的个数。接着，可通过计算每种目标关键词的个数与所有目标关键词的总个数的比例来得到每种目标关键词对应于该目标关键词的第一集合的占比参数，并可结合上述提到的每种目标关键词的权重指标来计算出目标供应商的第一参考指标。

此处以目标关键词的第一集合中包括目标关键词A、B以及C，其中目标关键词A的个数为M，目标关键词B的个数为N，目标关键词C的个数为T，且目标关键词A对应的权重指标为a，目标关键词B对应的权重指标为b以及目标关键词C对应的权重指标为c为例，可以但不局限于通过下式得到目标供应商的第一参考指标：

S1=a*M/（M+N+T）+b*N/（M+N+T）+c*T/（M+N+T）

同样的，还可将分类特征对应为第二类别的所有产品信息进行汇总处理，并可将该所有产品信息的集合作为目标关键词的第二集合。

进一步的，进一步的，在得到目标关键词的第二集合之后，可对该目标关键词的第二集合中所有产品信息所对应的目标关键词进行汇总，例如但不局限于可统计出所有目标关键词的总个数以及每种目标关键词的个数。接着，可通过计算每种目标关键词的个数与所有目标关键词的总个数的比例来得到每种目标关键词对应于该目标关键词的第二集合的占比参数，并可结合上述提到的每种目标关键词的权重指标来计算出目标供应商的第二参考指标。

此处以目标关键词的第二集合中包括目标关键词D、E以及F，其中目标关键词D的个数为m，目标关键词E的个数为n，目标关键词F的个数为t，且目标关键词D对应的权重指标为d，目标关键词E对应的权重指标为e以及目标关键词F对应的权重指标为f为例，可以但不局限于通过下式得到目标供应商的第二参考指标：

S2=d*m/（m+n+t）+e*n/（m+n+t）+f*t/（m+n+t）

进一步的，可在分别得到目标供应商的第一参考指标以及第二参考指标之后，可基于与第一类别对应的预设第一参数、目标供应商的第一参考指标、基于与第二类别对应的预设第二参数以及目标供应商的第二参考指标，计算出目标供应商的参考指标。此处可参阅图3示出的本申请实施例提供的一种类别-预设参数类型列表的示意图。如图3所示，该类别-预设参数类型列表可以但不局限于由招标线上系统预先建立，在该类别-预设参数类型列表中第一类别对应的预设参数类型可为第一参数，第二类别对应的预设参数类型可为第二参数。

可以理解的是，以与第一类别对应的预设第一参数表示为P1，与第二类别对应的预设第二参数表示为P2，目标供应商的第一参考指标表示为S1，目标供应商的第二参考指标表示为S2为例，可以但不局限于通过下式得到目标供应商的参考指标：

S= P1*S1+P2*S2

作为本申请实施例的一种可选，在计算出目标供应商的参考指标之后，基于目标供应商的参考指标对目标供应商进行筛选处理之前，还包括：

获取与至少两种产品信息对应的历史出货数据；

根据历史出货数据预测出目标供应商的理论出货数据，并基于目标供应商的理论出货数据以及预设出货数据，得到目标供应商的第三参考指标；

基于目标供应商的参考指标对目标供应商进行筛选处理，包括：

根据目标供应商的参考指标以及目标供应商的第三参考指标，计算出目标供应商的目标参考指标；

基于目标供应商的目标参考指标对目标供应商进行筛选处理。

在本申请实施例中还可结合目标供应商的历史出货数据以及产品信息共同进行分析，以进一步提高对目标供应商进行初步筛选的准确性以及可靠性。

具体地，可在计算出目标供应商的参考指标之后，可以但不局限于通过互联网查询与该目标供应商的至少两种产品所对应的历史出货数据，或是可根据目标供应商的投标信息进行获取，此处不限定于此。接着，可将该历史出货数据输入至训练号的深度学习神经网络，以得到预测出的理论出货数据。其中，历史出货数据可为在预设时间间隔内的多个历史出货数据，例如该历史出货数据可包括从即日起前三个月每个月对应的出货数据。可以理解的是，在本申请实施例中提到的深度学习神经网络结构可与本领域常用的神经网络（例如RNN）一致，其可以但不局限于根据输入的前三个月每个月对应的出货数据，预测出本月对应的理论出货数据，且此处不限定于此。

进一步的，可在预测出理论出货数据之后，结合预设出货数据以及该理论出货数据，得到目标供应商的第三参考指标。其中，预设出货数据与预设参考指标可预先建立为线性关系（例如但不局限于y=k*x+b，y对应为参考指标，x对应为出货数据），并可将预测出的理论出货数据代入至该线性关系中，以得到目标供应商的第三参考指标。

进一步的，可通过对目标供应商的参考指标以及目标供应商的第三参考指标进行求和，计算出目标供应商的目标参考指标，并可根据该目标供应商的目标参考指标对目标供应商进行筛选处理。

当然，本申请实施例还可结合目标供应商的产品评价信息，得到该目标供应商的目标参考指标，此处目标供应商的目标参考指标可结合有目标供应商的历史出货数据、产品信息以及产品评价信息，以进一步提高对目标供应商进行初步筛选的准确性以及可靠性，且在此不过多赘述。

作为本申请实施例的又一种可选，基于目标供应商的目标参考指标对目标供应商进行筛选处理，包括：

当目标供应商的目标参考指标低于预设指标阈值时，在供应商数据库中对目标供应商的名称进行剔除处理；

当目标供应商的目标参考指标高于预设指标阈值时，在供应商数据库中对目标供应商的名称进行标记处理。

具体地，当检测到目标供应商的目标参考指标低于预设指标阈值时，可表明该目标供应商不符合招标初步要求，进而可在供应商数据库中对目标供应商的名称进行剔除处理；当检测到目标供应商的目标参考指标高于预设指标阈值时，可表明该目标供应商符合招标初步要求，进而可在供应商数据库中对目标供应商的名称进行标记处理，并可针对该经过标记处理的目标供应商进行后续筛选。

请参阅图4，图4示出了本申请实施例提供的一种基于多维协同的智能筛选设计装置的结构示意图。

如图4所示，该基于多维协同的智能筛选设计装置至少可以包括数据查询模块401、第一计算模块402、第二计算模块403以及数据分析模块404，其中：

数据查询模块401，用于在供应商数据库中确定目标供应商名称，并查询出与目标供应商名称对应的至少两种产品信息；其中，供应商数据库中包括至少两个供应商名称，供应商数据库中的供应商名称个数按照预设时间间隔进行更新；

第一计算模块402，用于从至少两种产品信息中提取出至少两种目标关键词，并基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标；

第二计算模块403，用于将至少两种产品信息输入至训练好的第一卷积神经网络，并根据第一卷积神经网络的预测结果得到每种产品信息的分类特征；其中，第一卷积神经网络由多个已知分类特征的样本产品信息以及第二卷积神经网络训练得到；

数据分析模块404，用于根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，并基于目标供应商的参考指标对目标供应商进行筛选处理。

在一些可能的实施例中，第一计算模块包括：

第一计算单元，用于根据至少两种目标关键词的总个数以及每种目标关键词的个数，得到计算出每种目标关键词的占比参数；

第二计算单元，用于基于预设关键词等级确定出与每种目标关键词对应的等级指标，并根据每种目标关键词的占比参数以及与每种目标关键词对应的等级指标，计算出每种目标关键词的权重指标。

在一些可能的实施例中，第二计算模块包括：

划分单元，用于从第一卷积神经网络的预测结果中划分出与每种产品信息对应的预测值；

第一确定单元，用于当与产品信息对应的预测值处于预设第一区间时，确定产品信息的分类特征为第一类别；

第二确定单元，用于当与产品信息对应的预测值处于预设第二区间时，确定产品信息的分类特征为第二类别；

第三确定单元，用于当与产品信息对应的预测值处于预设第三区间时，查询出与产品信息对应的关联信息；

处理单元，用于对产品信息以及与产品信息对应的关联信息进行叠加处理，并对经过叠加处理后的产品信息进行归一化处理；

预测单元，用于将经过归一化处理后的产品信息重新输入至第一卷积神经网络，并根据第一卷积神经网络的预测结果得到产品信息的分类特征。

在一些可能的实施例中，数据分析模块包括：

第一汇总单元，用于将分类特征为第一类别的所有产品信息进行汇总处理，得到目标关键词的第一集合；

第三计算单元，用于根据每种目标关键词的权重指标以及目标关键词的第一集合，计算出目标供应商的第一参考指标；

第二汇总单元，用于将分类特征为第二类别的所有产品信息进行汇总处理，得到目标关键词的第二集合；

第四计算单元，用于根据每种目标关键词的权重指标以及目标关键词的第二集合，计算出目标供应商的第二参考指标；

第五计算单元，用于基于与第一类别对应的预设第一参数、目标供应商的第一参考指标、与第二类别对应的预设第二参数以及目标供应商的第二参考指标，计算出目标供应商的参考指标。

在一些可能的实施例中，数据分析模块还包括：

获取单元，用于在计算出目标供应商的参考指标之后，基于目标供应商的参考指标对目标供应商进行筛选处理之前，获取与至少两种产品信息对应的历史出货数据；

第六计算单元，用于根据历史出货数据预测出目标供应商的理论出货数据，并基于目标供应商的理论出货数据以及预设出货数据，得到目标供应商的第三参考指标；

基于目标供应商的参考指标对目标供应商进行筛选处理，具体用于：

根据目标供应商的参考指标以及目标供应商的第三参考指标，计算出目标供应商的目标参考指标；

基于目标供应商的目标参考指标对目标供应商进行筛选处理。

在一些可能的实施例中，基于目标供应商的目标参考指标对目标供应商进行筛选处理，具体用于：

当目标供应商的目标参考指标低于预设指标阈值时，在供应商数据库中对目标供应商的名称进行剔除处理；

当目标供应商的目标参考指标高于预设指标阈值时，在供应商数据库中对目标供应商的名称进行标记处理。

在一些可能的实施例中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知分类特征的样本产品信息训练得到。

本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammableGate Array，FPGA）、集成电路（IntegratedCircuit，IC）等。

请参阅图5，图5示出了本申请实施例提供的又一种基于多维协同的智能筛选设计装置的结构示意图。

如图5所示，该基于多维协同的智能筛选设计装置500可以包括至少一个处理器501、至少一个网络接口504、用户接口503、存储器505以及至少一个通信总线502。

其中，通信总线502可用于实现上述各个组件的连接通信。

其中，用户接口503可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。

其中，网络接口504可以但不局限于包括蓝牙模块、NFC模块、Wi-Fi模块等。

其中，处理器501可以包括一个或者多个处理核心。处理器501利用各种接口和线路连接整个电子设备500内的各个部分，通过运行或执行存储在存储器505内的指令、程序、代码集或指令集，以及调用存储在存储器505内的数据，执行路由设备500的各种功能和处理数据。可选的，处理器501可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器501可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器501中，单独通过一块芯片进行实现。

其中，存储器505可以包括RAM，也可以包括ROM。可选的，该存储器505包括非瞬时性计算机可读介质。存储器505可用于存储指令、程序、代码、代码集或指令集。存储器505可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器505可选的还可以是至少一个位于远离前述处理器501的存储装置。如图5所示，作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及基于多维协同的智能筛选设计应用程序。

具体地，处理器501可以用于调用存储器505中存储的基于多维协同的智能筛选设计应用程序，并具体执行以下操作：

在供应商数据库中确定目标供应商名称，并查询出与目标供应商名称对应的至少两种产品信息；其中，供应商数据库中包括至少两个供应商名称，供应商数据库中的供应商名称个数按照预设时间间隔进行更新；

从至少两种产品信息中提取出至少两种目标关键词，并基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标；

将至少两种产品信息输入至训练好的第一卷积神经网络，并根据第一卷积神经网络的预测结果得到每种产品信息的分类特征；其中，第一卷积神经网络由多个已知分类特征的样本产品信息以及第二卷积神经网络训练得到；

根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，并基于目标供应商的参考指标对目标供应商进行筛选处理。

在一些可能的实施例中，基于预设关键词等级以及至少两种目标关键词的总个数，计算出每种目标关键词的权重指标，包括：

根据至少两种目标关键词的总个数以及每种目标关键词的个数，得到计算出每种目标关键词的占比参数；

基于预设关键词等级确定出与每种目标关键词对应的等级指标，并根据每种目标关键词的占比参数以及与每种目标关键词对应的等级指标，计算出每种目标关键词的权重指标。

在一些可能的实施例中，根据第一卷积神经网络的预测结果得到每种产品信息的分类特征，包括：

从第一卷积神经网络的预测结果中划分出与每种产品信息对应的预测值；

当与产品信息对应的预测值处于预设第一区间时，确定产品信息的分类特征为第一类别；

当与产品信息对应的预测值处于预设第二区间时，确定产品信息的分类特征为第二类别；

当与产品信息对应的预测值处于预设第三区间时，查询出与产品信息对应的关联信息；

对产品信息以及与产品信息对应的关联信息进行叠加处理，并对经过叠加处理后的产品信息进行归一化处理；

将经过归一化处理后的产品信息重新输入至第一卷积神经网络，并根据第一卷积神经网络的预测结果得到产品信息的分类特征。

在一些可能的实施例中，根据每种目标关键词的权重指标以及每种产品信息的分类特征，计算出目标供应商的参考指标，包括：

将分类特征为第一类别的所有产品信息进行汇总处理，得到目标关键词的第一集合；

根据每种目标关键词的权重指标以及目标关键词的第一集合，计算出目标供应商的第一参考指标；

将分类特征为第二类别的所有产品信息进行汇总处理，得到目标关键词的第二集合；

根据每种目标关键词的权重指标以及目标关键词的第二集合，计算出目标供应商的第二参考指标；

基于与第一类别对应的预设第一参数、目标供应商的第一参考指标、与第二类别对应的预设第二参数以及目标供应商的第二参考指标，计算出目标供应商的参考指标。

在一些可能的实施例中，在计算出目标供应商的参考指标之后，基于目标供应商的参考指标对目标供应商进行筛选处理之前，还包括：

获取与至少两种产品信息对应的历史出货数据；

根据历史出货数据预测出目标供应商的理论出货数据，并基于目标供应商的理论出货数据以及预设出货数据，得到目标供应商的第三参考指标；

基于目标供应商的参考指标对目标供应商进行筛选处理，包括：

根据目标供应商的参考指标以及目标供应商的第三参考指标，计算出目标供应商的目标参考指标；

基于目标供应商的目标参考指标对目标供应商进行筛选处理。

在一些可能的实施例中，基于目标供应商的目标参考指标对目标供应商进行筛选处理，包括：

当目标供应商的目标参考指标低于预设指标阈值时，在供应商数据库中对目标供应商的名称进行剔除处理；

当目标供应商的目标参考指标高于预设指标阈值时，在供应商数据库中对目标供应商的名称进行标记处理。

在一些可能的实施例中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知分类特征的样本产品信息训练得到。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（RandomAccess Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory， ROM）、随机存取器（RandomAccessMemory，RAM）、磁盘或光盘等。

以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。