[发明专利]一种文档分类方法、装置、计算机设备及存储介质

说明书

本发明公开了一种文档分类方法、装置、计算机设备及存储介质，涉及计算机及招标技术领域，该文档分类方法包括：获取待分类的目标招标文档；基于目标招标文档的文本内容提取分类特征向量；所述分类特征向量至少包括所述目标招标文档的标的物及分类信息；所述分类特征向量输入预先建立的文档分类模型，得到针对所述目标招标文档的分类结果；所述文档分类模型是以历史招标文档为训练数据、利用XGBoost算法对所述训练数据进行机器学习、并建立分类特征向量与分类结果之间的映射关系的分类器。可见，本发明实现了招标业务的自动高效管理，无需工作人员进行复杂操作，使得招标业务更加智能化和电子化，在提高效率的同时还降低了人力成本。

技术领域

本发明涉及计算机及招标技术领域，特别涉及一种文档分类方法、装置、计算机设备及存储介质。

背景技术

现有的文档归档应用中，利用计算机对自然语言进行分类的技术已经涉及多个行业，然而，对于招标业务领域而言，由于招标业务数据繁多，使得工作人员难以实现对招标文档的高效管理，因此，有必要提出一种适用于招标业务领域的文档分类方案，以实现招标业务自动高效的管理，使得招标业务更加智能化、电子化。

发明内容

本发明要解决的技术问题是：提出一种适用于招标业务领域的文档分类方案，以实现招标业务自动高效的管理，使得招标业务更加智能化、电子化。

为解决上述技术问题，本发明提供了一种文档分类方法，包括：

获取待分类的目标招标文档；

基于所述目标招标文档的文本内容提取分类特征向量；其中，所述分类特征向量至少包括所述目标招标文档的标的物及分类信息；

将所述分类特征向量输入预先建立的文档分类模型，得到针对所述目标招标文档的分类结果；其中，所述文档分类模型是以历史招标文档为训练数据、利用XGBoost算法对所述训练数据进行机器学习、并建立分类特征向量与分类结果之间的映射关系的分类器。

可选地，所述基于所述目标招标文档的文本内容提取分类特征向量，包括：

对所述目标招标文档的文本内容进行预处理；

对预处理后的文本内容进行分词处理并得到多个分词；

基于所述多个分词提取分类特征向量。

可选地，所述基于所述多个分词提取分类特征向量，包括：

对所述多个分词进行向量化表示，得到多个特征向量；

利用词性级TF-IDF算法对多个特征向量进行加权处理，并得到各特征向量对应的文档频率；

根据所述文档频率从所述多个特征向量中确定分类特征向量。

可选地，所述分类信息至少包括行业类别和项目类型。

可选地，所述对预处理后的文本内容进行分词处理并得到多个分词，包括：

基于N-Gram语言模型以滑动窗口方式对预处理后的文本内容进行分词处理，并得到多个分词。

可选地，所述N-Gram语言模型中N的取值为2和/或3。

可选地，所述根据所述文档频率从所述多个特征向量中确定分类特征向量，包括：

逐一判断各特征向量的文档频率是否大于设定值；

保留文档频率不大于设定值的特征向量，作为分类特征向量。

为解决上述技术问题，本发明提供了一种文档分类装置，包括：

文档获取模块，用于获取待分类的目标招标文档；