استفاده از یادگیری ماشینی برای شناسایی لات و اقلام در مناقصه ها

جدول پیوندها

1. چکیده و مقدمه

2. دامنه و وظیفه

   2.1. منابع داده و پیچیدگی

   2.2. تعریف وظیفه

3. کار مرتبط

   3.1. بررسی اجمالی تحقیق متن کاوی و NLP

   3.2. متن کاوی و NLP در استفاده در صنعت

   3.3. متن کاوی و NLP برای تهیه

   3.4. نتیجه گیری از بررسی ادبیات

4. روش پیشنهادی

   4.1. دانش دامنه

   4.2. استخراج محتوا

   4.3. منطقه بندی لات

   4.4. تشخیص آیتم لات

   4.5. تجزیه فراوان

   4.6. تجزیه XML، پیوستن به داده ها، و توسعه شاخص های ریسک

5. آزمایش و نمایش

   5.1. ارزیابی مولفه

   5.2. نمایش سیستم

6. بحث

   6.1. تمرکز “صنعت” پروژه

   6.2. ناهمگونی داده ها، ماهیت چند زبانه و چند وظیفه ای

   6.3. معضل انتخاب های الگوریتمی

   6.4. هزینه داده های آموزشی

7. نتیجه گیری، قدردانی و مراجع

4.4. تشخیص آیتم لات

با شناسایی صفحات و جداول مربوطه، گام بعدی ما در این فرآیند، شناسایی عناصر متنی در صفحات/جدول است که در واقع موارد و موارد را توصیف می‌کنند. ما می‌خواهیم دو نوع اطلاعات را به دست آوریم: متن‌هایی که ارجاع زیادی را نشان می‌دهند و متن‌هایی که موارد فردی را به مقدار زیادی توصیف می‌کنند. در عمل، این اغلب در یک متن متنی منسجم وجود دارد، مانند آنچه در شکل 5 نشان داده شده است.