项目执行信息处理方法、系统、存储介质及电子装置与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及信息处理技术领域，尤其涉及一种项目执行信息处理方法、系统、存储介质及电子装置。背景技术：2.项目的来源渠道多样化，不同角色能够从各个渠道申报项目，导致重复项目多，不仅给客户之间、客户和公司员工，公司员工之间带来困扰，而且影响了项目的审批和执行效率，同时也给数据库的日常运维带来压力和不便。3.目前对于重复项目的处理方式，一般是通过线下的方式沟通协调，对于客户、员工相互之间的体验较差，获得项目全凭先沟通先得，而执行项目方不一定是真正适合实施该项目的人或单位，影响整个项目执行的效果和投资回报率(return on investment，简称roi)。4.因此，现在亟需一种项目执行信息处理方法、系统、存储介质及电子装置来解决上述问题。技术实现要素：5.本技术提供一种项目执行信息处理方法、系统、存储介质及电子装置，用以解决现有技术中相同项目存在多个执行申请方的情况下，无法准确有效的确定最合适的项目执行方的缺陷。6.本技术提供一种项目执行信息处理方法，包括：7.获取项目执行申请信息集合，其中，所述项目执行申请信息集合中的每个项目执行申请信息是通过不同项目申请渠道获取得到的，且每个项目执行申请信息对应相同的申报项目；8.将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果，其中，所述项目执行方评价预测模型是由标记有评价等级标签的项目执行申请样本信息，对神经网络进行训练得到的；9.根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方。10.根据本技术提供的一种项目执行信息处理方法，所述获取项目执行申请信息集合，包括：11.基于不同的项目申请渠道，采集每种项目申请渠道对应的项目申报数据，其中，所述项目申报数据包括项目甲方信息、项目地址信息和项目执行申请信息；12.根据所述项目甲方信息和所述项目地址信息，判断各个项目申报数据对应的申报项目是否重复，若重复，则根据重复的申报项目对应的项目执行申请信息，构建项目执行申请信息集合。13.根据本技术提供的一种项目执行信息处理方法，所述项目执行方法评价预测模型通过以下步骤训练得到：14.获取多个项目执行方的用户画像样本数据；15.基于各个项目执行方的历史项目执行评价信息，对各个所述用户画像样本数据标记对应的评价等级标签，得到标记有评价等级标签的项目执行申请样本信息；16.根据不同项目类型和所述标记有评价等级标签的项目执行申请样本信息，构建各个项目类型对应的训练样本集；17.根据所述训练样本集，对神经网络进行训练，得到不同项目类型对应的项目执行方评价预测模型。18.根据本技术提供的一种项目执行信息处理方法，所述获取多个项目执行方的用户画像样本数据，包括：19.根据项目执行方的项目申报次数、项目投资回报率、中标次数、项目偏好地址和执行方资源信息，构建用户画像样本数据。20.根据本技术提供的一种项目执行信息处理方法，在所述根据项目执行方的项目申报次数、项目投资回报率、中标次数、项目偏好地址和执行方资源信息，构建用户画像样本数据之后，所述方法还包括：21.对所述用户画像样本数据进行数据预处理，得到预处理后的样本画像样本数据，所述预处理包括数据清洗、数据审核和数据排序。22.根据本技术提供的一种项目执行信息处理方法，所述根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方，包括：23.根据所述评价预测结果，将所述各个项目执行申请信息对应的项目执行方进行评价等级排序，得到项目执行方排序结果；24.基于预设执行方选取规则和所述项目执行方排序结果，确定目标执行方。25.根据本技术提供的一种项目执行信息处理方法，在所述将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果之后，所述方法还包括：26.将所述项目执行申请信息集合和所述评价预测结果输入到所述项目执行方评价预测模型，以对所述项目执行方评价预测模型的参数进行优化，得到优化后的项目执行方评价预测模型。27.本技术还提供一种项目执行信息处理系统，包括：28.项目执行申请信息获取模块，用于获取项目执行申请信息集合，其中，所述项目执行申请信息集合中的每个项目执行申请信息是通过不同项目申请渠道获取得到的，且每个项目执行申请信息对应相同的申报项目；29.项目执行方分析模块，用于将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果，其中，所述项目执行方评价预测模型是由标记有评价等级标签的项目执行申请样本信息，对神经网络进行训练得到的；30.项目执行方确定模块，用于根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方。31.本技术还提供一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行实现如上述任一种所述项目执行信息处理方法。32.本技术还提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行实现如上述任一种所述项目执行信息处理方法。33.本技术提供的项目执行信息处理方法、系统、存储介质及电子装置，在存在重复申报项目的情况下，通过神经网络构建的预测模型，对不同渠道项目执行申请信息进行评价预测分析，从而更为准确有效的确定最合适的项目执行方。附图说明34.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。35.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。36.图1是根据本技术实施例的一种智能设备的交互方法的硬件环境示意图；37.图2为本技术提供的项目执行信息处理方法的流程示意图；38.图3为本技术提供的项目执行信息处理系统的结构示意图；39.图4为本技术提供的电子装置的结构示意图。具体实施方式40.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。41.需要说明的是，本技术中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。42.根据本技术实施例的一个方面，提供了一种项目执行信息处理方法。该项目执行信息处理方法广泛应用于智慧家庭(smart home)、智能家居、智能家用设备生态、智慧住宅(intelligence house)生态等全屋智能数字化控制应用场景。可选地，在本实施例中，上述项目执行信息处理方法可以应用于如图1所示的由终端设备102和服务器104所构成的硬件环境中。如图1所示，服务器104通过网络与终端设备102进行连接，可用于为终端或终端上安装的客户端提供服务(如应用服务等)，可在服务器上或独立于服务器设置数据库，用于为服务器104提供数据存储服务，可在服务器上或独立于服务器配置云计算和/或边缘计算服务，用于为服务器104提供数据运算服务。43.上述网络可以包括但不限于以下至少之一：有线网络，无线网络。上述有线网络可以包括但不限于以下至少之一：广域网，城域网，局域网，上述无线网络可以包括但不限于以下至少之一：wifi(wireless fidelity，无线保真)，蓝牙。终端设备102可以并不限定于为pc、手机、平板电脑、智能空调、智能烟机、智能冰箱、智能烤箱、智能炉灶、智能洗衣机、智能热水器、智能洗涤设备、智能洗碗机、智能投影设备、智能电视、智能晾衣架、智能窗帘、智能影音、智能插座、智能音响、智能音箱、智能新风设备、智能厨卫设备、智能卫浴设备、智能扫地机器人、智能擦窗机器人、智能拖地机器人、智能空气净化设备、智能蒸箱、智能微波炉、智能厨宝、智能净化器、智能饮水机、智能门锁等。44.现有对于重复项目信息的判定与对应审批流的配置机制已屡见不鲜，如申请公众号时，公众号的名字在填写的时候就会进行校验，但这是针对商对客电子商务(business to consumer，简称b2c)模式的解决方案。目前基于重复名字的项目是否真的是重复项目，其判断准确率并不高，本技术提出针对重复项目进行判断和审批流确认最合适项目执行方的双重保障方法，通过生成完整的执行人用户画像，建立项目与执行人之间的匹配分发逻辑，并且不断跟踪并优化模型结果，进行项目成功率分析，不断优化最优项目执行人逻辑和策略，极大提升预测准确性。45.图2为本技术提供的项目执行信息处理方法的流程示意图，如图2所示，本技术提供了一种项目执行信息处理方法，包括：46.步骤201，获取项目执行申请信息集合，其中，所述项目执行申请信息集合中的每个项目执行申请信息是通过不同项目申请渠道获取得到的，且每个项目执行申请信息对应相同的申报项目；47.在本技术中，对于同一个申报项目，若存在多个执行方都发起了申请信息，则将这些申请信息进行汇总，形成该申报项目涉及到的所有执行方的申请信息集合，即得到项目执行申请信息集合。优选地，在本技术中，通过不同渠道获取项目申报数据，例如，客户方和经销商方各提出一个项目申报，其中，在双方提供的申报数据中，项目甲方信息和项目地址信息均一致，则判断这两个申报数据对应的申报项目是重复的，需要根据双方提供的项目执行申请信息确认执行该项目的最优执行方(在该项目执行申请信息中包括有执行方相关用户画像信息)。48.优选地，在一实施例中，可基于现有自然语言处理算法(natural language processing，简称nlp)，对双方的项目甲方信息和项目地址信息的字段进行分析，确定是否为重复项目，若不是重复项目，则可直接按照项目申请流程，将双方提交的申请信息按照两个项目进行后续审批；进一步地，还可以通过人工方式对已判断为重复项目的申报数据进行二次判断，此种情况主要是针对相同项目甲方信息以及相同项目地址信息中存在的多期项目的情况(如不同渠道的项目申请方只提交了项目地址，具体涉及到的区域或项目期数并未提交)，例如，某申请方涉及到的项目为某地区第1期项目，而另一申请方涉及到相同地区的第2期项目，此时，可通过人工方式判定为非重复项目。49.步骤202，将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果，其中，所述项目执行方评价预测模型是由标记有评价等级标签的项目执行申请样本信息，对神经网络进行训练得到的；50.步骤203，根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方。51.针对现有项目执行方需要人工进行选取，以及没有根据既往业绩、硬实力和软实力等进行综合评估，导致构建的用户画像不够清晰的问题。本技术在项目进行审批流程前，将大量无用或者不符合项目执行的条件去除，通过申报项目次数、项目roi、中标次数、所属中心(涉及到项目的类型，例如，市政项目、园林项目或防水项目等)、项目地址偏好信息(例如，项目执行方的主要历史实施区域)和执行方资源(例如执行方资质、项目执行方的供货商信息等)等信息，通过抽取、汇总、分析和清洗数据，按照不同项目类型，建立对应的高质量数据集，再进行特征提取为每个用户画像数据标记相应的特征标签，通过对神经网络模型进行训练，得到不同项目类型对应的项目执行方评价预测模型，例如，园林项目的项目执行方评价预测模型，在确定重复项目为园林项目之后，即可通过该预测模型预测各个渠道对应的执行方的评价结果。52.进一步地，在步骤203中，项目执行方评价预测模型输出各个项目执行方的评价预测结果，在本技术中，评价预测结果包括优秀、良好、中等、一般和差，按照评价等级从优到差的顺序，将项目执行方进行排序，选取排序第一或靠前(即选取多个执行方)的项目执行方作为项目的目标执行方。53.本技术提供的项目执行信息处理方法，在存在重复申报项目的情况下，通过神经网络构建的预测模型，对不同渠道项目执行申请信息进行评价预测分析，从而更为准确有效的确定最合适的项目执行方。54.在上述实施例的基础上，所述获取项目执行申请信息集合，包括：55.基于不同的项目申请渠道，采集每种项目申请渠道对应的项目申报数据，其中，所述项目申报数据包括项目甲方信息、项目地址信息和项目执行申请信息；56.根据所述项目甲方信息和所述项目地址信息，判断各个项目申报数据对应的申报项目是否重复，若重复，则根据重复的申报项目对应的项目执行申请信息，构建项目执行申请信息集合。57.在本技术中，申请同一个项目的来源渠道多样化，不同角色能够从各个渠道申报项目，导致重复项目多，不仅给客户之间、客户和公司员工，公司员工之间带来困扰，而且影响了项目的审批和执行效率；同时，也给数据库的日常运维带来压力和不便。因此，在对多个渠道的项目执行申请信息进行分析前，本技术首先判断每个渠道提交的申请是否为重复项目，若不是重复项目则直接将该申请进行后续审批；若是重复项目，则从多个申请信息中确定最合适的项目执行人。58.进一步地，为实现高效判断冲突项目，找到最合适的项目执行人，需要针对不同角色、渠道和申报时间等校验条件，通过项目甲方信息和项目地址信息进行分析，确定是否为重复项目，并给疑似重复申报项目的申报人推送信息，实现及时且精准推送，提高有效项目申报率和客户粘性；对于明确重复的项目需要进行审批流配置，及时清除冗余项目，通过项目执行方评价预测模型，分析得到最合适的项目执行人，实现项目执行效果最大化。59.在上述实施例的基础上，所述项目执行方法评价预测模型通过以下步骤训练得到：60.获取多个项目执行方的用户画像样本数据；61.基于各个项目执行方的历史项目执行评价信息，对各个所述用户画像样本数据标记对应的评价等级标签，得到标记有评价等级标签的项目执行申请样本信息；62.根据不同项目类型和所述标记有评价等级标签的项目执行申请样本信息，构建各个项目类型对应的训练样本集；63.根据所述训练样本集，对神经网络进行训练，得到不同项目类型对应的项目执行方评价预测模型。64.在上述实施例的基础上，所述获取多个项目执行方的用户画像样本数据，包括：65.根据项目执行方的项目申报次数、项目投资回报率、中标次数、项目偏好地址和执行方资源信息，构建用户画像样本数据。66.在本技术中，对数据库中的历史项目执行申请数据进行分析，整理，确定执行人申报项目的次数、项目roi、中标次数、所属中心、项目地址偏好和执行方资源等信息，进行加工分析，结合执行方自我评价，综合形成完整的执行人用户画像样本数据，用于模型的训练，在模型训练完成之后，针对新的项目执行申请信息，利用训练好的模型预测相应项目执行方的评价结果。67.进一步地，针对不同数据特征，为该用户画像样本数据构建标签信息，例如，在园林项目中，申报项目次数10次以上，中标次数8次，项目地址偏好离当前申请项目地区距离较近(如该执行方经常实施的项目地址，与当前项目地址距离小于100公里)，执行方相关项目资助齐全，则该项目执行方的用户画像样本数据标记评价为优的标签。通过不同项目类型构建训练样本集，对神经网络进行训练，在满足预设训练次数之后，得到各个项目类型下的项目执行方评价预测模型。68.在上述实施例的基础上，在所述根据项目执行方的项目申报次数、项目投资回报率、中标次数、项目偏好地址和执行方资源信息，构建用户画像样本数据之后，所述方法还包括：69.对所述用户画像样本数据进行数据预处理，得到预处理后的样本画像样本数据，所述预处理包括数据清洗、数据审核和数据排序。70.在本技术中，对用户画像样本数据中的一些无效数据或者模糊数据进行筛除，并将一些存在画像数据按时间顺序进行排序，大大提高了后续数据挖掘的质量，降低实际数据分析所需要的时间。71.在上述实施例的基础上，所述根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方，包括：72.根据所述评价预测结果，将所述各个项目执行申请信息对应的项目执行方进行评价等级排序，得到项目执行方排序结果；73.基于预设执行方选取规则和所述项目执行方排序结果，确定目标执行方。74.在本技术中，根据评价预测结果，选取评价等级较优的项目执行方作为目标执行方，进行后续的项目流程审批。对于存在相同评价预测结果的执行方，可通过人工再次审核的方式选取合适的执行方。75.在上述实施例的基础上，在所述将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果之后，所述方法还包括：76.将所述项目执行申请信息集合和所述评价预测结果输入到所述项目执行方评价预测模型，以对所述项目执行方评价预测模型的参数进行优化，得到优化后的项目执行方评价预测模型。77.在本技术中，基于各个项目最终的预设成功率设置指标进行充分分析，挖掘成功和失败的原因，形成相应的反馈数据，连同模型输出的预测结果，不断调整模型的参数，从而优化模型对于最优项目执行人的确定逻辑和策略。78.本技术首先对各个渠道获取到的项目执行申请信息进行重复项目判断，对重复项目进行初步筛选和并通知干系人，筛选出所有符合要求的数据源；并且，对现有的项目中执行方的历史数据进行抽取、汇总、分析和清洗等操作，充分进行数据挖掘，去除无效数据，通过筛选后的数据进行标签化管理，建立高质量数据集，提取数据集的特征，进行模型的训练，得到项目执行方评价预测模型；最后，根据执行方申报项目的次数、项目roi、中标次数、所属中心、项目地址偏好和执行方资源等信息，建立完整的执行方画像，利用项目执行方评价预测模型确定项目最优执行人。79.下面对本技术提供的项目执行信息处理系统进行描述，下文描述的项目执行信息处理系统与上文描述的项目执行信息处理方法可相互对应参照。80.图3为本技术提供的项目执行信息处理系统的结构示意图，如图3所示，本技术提供了一种项目执行信息处理系统，包括项目执行申请信息获取模块301、项目执行方分析模块302和项目执行方确定模块303，其中，项目执行申请信息获取模块301用于获取项目执行申请信息集合，其中，所述项目执行申请信息集合中的每个项目执行申请信息是通过不同项目申请渠道获取得到的，且每个项目执行申请信息对应相同的申报项目；项目执行方分析模块302用于将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果，其中，所述项目执行方评价预测模型是由标记有评价等级标签的项目执行申请样本信息，对神经网络进行训练得到的；项目执行方确定模块303用于根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方。81.在本技术中，对于同一个申报项目，若存在多个执行方都发起了申请信息，项目执行申请信息获取模块301将这些申请信息进行汇总，形成该申报项目涉及到的所有执行方的申请信息集合，即得到项目执行申请信息集合。优选地，在本技术中，项目执行申请信息获取模块301通过不同渠道获取项目申报数据，例如，客户方和经销商方各提出一个项目申报，其中，在双方提供的申报数据中，项目甲方信息和项目地址信息均一致，则判断这两个申报数据对应的申报项目是重复的，需要根据双方提供的项目执行申请信息确认执行该项目的最优执行方(在该项目执行申请信息中包括有执行方相关用户画像信息)。82.然后，项目执行方分析模块302通过不同项目类型对应的项目执行方评价预测模型，输出各个项目执行方的评价预测结果，例如，园林项目的项目执行方评价预测模型，在确定重复项目为园林项目之后，即可通过该预测模型预测各个渠道对应的执行方的评价结果。83.最后，项目执行方确定模块303按照评价等级从优到差的顺序，将项目执行方进行排序，选取排序第一或靠前(即选取多个执行方)的项目执行方作为项目的目标执行方。84.本技术提供的项目执行信息处理系统，在存在重复申报项目的情况下，通过神经网络构建的预测模型，对不同渠道项目执行申请信息进行评价预测分析，从而更为准确有效的确定最合适的项目执行方。85.在上述实施例的基础上，所述项目执行申请信息获取模块包括渠道申报信息采集单元和重复项目判断单元，其中，渠道申报信息采集单元用于基于不同的项目申请渠道，采集每种项目申请渠道对应的项目申报数据，其中，所述项目申报数据包括项目甲方信息、项目地址信息和项目执行申请信息；重复项目判断单元用于根据所述项目甲方信息和所述项目地址信息，判断各个项目申报数据对应的申报项目是否重复，若重复，则根据重复的申报项目对应的项目执行申请信息，构建项目执行申请信息集合。86.在上述实施例的基础上，所述系统还包括用户画像样本获取模块、标签模块、训练集构建模块和训练模块，其中，用户画像样本获取模块用于获取多个项目执行方的用户画像样本数据；标签模块用于基于各个项目执行方的历史项目执行评价信息，对各个所述用户画像样本数据标记对应的评价等级标签，得到标记有评价等级标签的项目执行申请样本信息；训练集构建模块用于根据不同项目类型和所述标记有评价等级标签的项目执行申请样本信息，构建各个项目类型对应的训练样本集；训练模块用于根据所述训练样本集，对神经网络进行训练，得到不同项目类型对应的项目执行方评价预测模型。87.在上述实施例的基础上，所述用户画像样本获取模块具体用于：88.根据项目执行方的项目申报次数、项目投资回报率、中标次数、项目偏好地址和执行方资源信息，构建用户画像样本数据。89.在上述实施例的基础上，所述系统还包括数据预处理模块，用于对所述用户画像样本数据进行数据预处理，得到预处理后的样本画像样本数据，所述预处理包括数据清洗、数据审核和数据排序。90.在上述实施例的基础上，所述项目执行方确定模块包括处理单元和确定单元，其中，处理单元用于根据所述评价预测结果，将所述各个项目执行申请信息对应的项目执行方进行评级等级排序，得到项目执行方排序结果；确定单元用于基于预设执行方选取规则和所述项目执行方排序结果，确定目标执行方。91.在上述实施例的基础上，所述系统还包括模型参数优化模块，用于将所述项目执行申请信息集合和所述评价预测结果输入到所述项目执行方评价预测模型，以对所述项目执行方评价预测模型的参数进行优化，得到优化后的项目执行方评价预测模型。92.图4为本技术提供的电子装置的结构示意图，如图4所示，该电子装置可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行项目执行信息处理方法，该方法包括：获取项目执行申请信息集合，其中，所述项目执行申请信息集合中的每个项目执行申请信息是通过不同项目申请渠道获取得到的，且每个项目执行申请信息对应相同的申报项目；将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果，其中，所述项目执行方评价预测模型是由标记有评价等级标签的项目执行申请样本信息，对神经网络进行训练得到的；根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方。93.此外，上述的存储器430中的逻辑指令可以通过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介质中。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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。94.另一方面，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在计算机可读的存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的项目执行信息处理方法，该方法包括：获取项目执行申请信息集合，其中，所述项目执行申请信息集合中的每个项目执行申请信息是通过不同项目申请渠道获取得到的，且每个项目执行申请信息对应相同的申报项目；将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果，其中，所述项目执行方评价预测模型是由标记有评价等级标签的项目执行申请样本信息，对神经网络进行训练得到的；根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方。95.又一方面，本技术还提供一种计算机可读的存储介质，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述各方法提供的项目执行信息处理方法，该方法包括：获取项目执行申请信息集合，其中，所述项目执行申请信息集合中的每个项目执行申请信息是通过不同项目申请渠道获取得到的，且每个项目执行申请信息对应相同的申报项目；将所述项目执行申请信息集合输入到项目执行方评价预测模型中，得到每个项目执行申请信息中的项目执行方的评价预测结果，其中，所述项目执行方评价预测模型是由标记有评价等级标签的项目执行申请样本信息，对神经网络进行训练得到的；根据所述评价预测结果，确定所述项目执行申请信息集合对应的申报项目的目标执行方。96.以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。97.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。98.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!