随着计算机技术的成熟,电子化招投标发展迅速,评标形式从专家线下评标逐步转为专家线上评标。但“专家评审制”的评标方式依旧有着其自身的局限性,其一是投标书中文本过多,但专家精力有限,无法在有限时间内对投标书进行高效的对比分析,判断其是否有串标行为;其二是人工整合专家意见费时费力,且存在主观性等问题,不利于招标方最终的决策。针对以上问题,本文主要研究文本处理技术,构建出投标文本相似计算模型和专家意见整合模型,以图给专家审查标书提供便利,并完成专家意见文本的整合。本文构建的投标文本相似计算模型是以深度学习为基础理论的。该模型的基础架构是孪生网络。本文在输入层提出了使用Cw2vec模型训练的词向量,并融入词性特征及依存特征,丰富投标文本的语义信息。在网络层使用三层网络结构,双层Bi LSTM+Self-attention,并且为了使模型训练效果更好,本文将第一层Bi LSTM和Self-attention的输出结果相拼接作为第二层Bi LSTM的输入。最后使用交叉熵损失函数优化余弦相似距离。经实验验证,Cw2vec+词性特征+依存特征能很好的表示投标文本中的词语,双层Bi LSTM+Self-attention能有效增强词向量的特征表示,最终该模型的相似度计算准确率及F1值较好。本文构建的专家意见整合模型是以机器学习和决策方法为基础理论的。在预处理环节,按照中文的语法、行文特点,提出了8组SAO提取规则,提取意见的主谓宾结构。在意见标注环节,提出基于两步融合的意见分类方法进行主题、情感倾向的标注。最后,基于模糊综合评价法对非解释性意见进行融合,基于句子融合方法对解释性意见进行融合,得到最终的整合意见。经实验验证,提取规则较为有效,基于两步融合的意见分类方法具有较好的准确率,本文模型最终能有效完成专家意见的整合,减少人工整合的弊端。