公开了一种建筑工程项目咨询费用管理方法及其系统。其首先获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告，接着，对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵，然后，基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理。这样，可以对于项目咨询费用的进行合理性审查，以减少人为错误和主观因素对审查结果的影响。
1.一种建筑工程项目咨询费用管理方法，其特征在于，包括：
获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告；
对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵；以及基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理；
其中，基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理，包括：对所述拓扑费用相关全局特征矩阵进行特征分布优化以得到优化拓扑费用相关全局特征矩阵；以及将所述优化拓扑费用相关全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示项目咨询费用是否合理；
其中，对所述拓扑费用相关全局特征矩阵进行特征分布优化以得到优化拓扑费用相关全局特征矩阵，包括：对咨询费用明细特征向量、咨询服务阶段费用特征向量、费用支付记录特征向量、费用变更调整记录特征向量、费用发票凭证特征向量和费用核算特征向量进行级联以得到第一级联特征向量；
将拓扑费用相关全局特征矩阵的各个行特征向量进行级联以得到第二级联特征向量；
对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到优化后第二级联特征向量；以及将所述优化后第二级联特征向量进行特征向量重构以得到所述优化拓扑费用相关全局特征矩阵；
其中，对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到优化后第二级联特征向量，包括：以如下优化公式对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到所述优化后第二级联特征向量；
其中，V1表示所述第一级联特征向量，V2表示所述第二级联特征向量，(·) 表示转置操作，Lp(·,·)表示闵式距离，且p为超参数， 和 分别是所述第一级联特征向量V1和所述第二级联特征向量V2的全局特征均值，且特征向量V1和V2均为行向量，⊙为按位置点乘，为按位置加法，V2’表示所述优化后第二级联特征向量。
2.根据权利要求1所述的建筑工程项目咨询费用管理方法，其特征在于，对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵，包括：提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵；以及将所述费用相关全局特征矩阵与所述相似度拓扑特征矩阵通过基于图神经网络模型的语义关联编码器以得到所述拓扑费用相关全局特征矩阵。
3.根据权利要求2所述的建筑工程项目咨询费用管理方法，其特征在于，提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵，包括：分别对所述咨询费用明细、所述咨询服务阶段费用、所述费用支付记录、所述费用变更调整记录、所述费用发票凭证和所述费用核算报告进行数据结构化以得到咨询费用明细编码向量、咨询服务阶段费用编码向量、费用支付记录编码向量、费用变更调整记录编码向量、费用发票凭证编码向量和费用核算编码向量；
分别将所述咨询费用明细编码向量、所述咨询服务阶段费用编码向量、所述费用支付记录编码向量、所述费用变更调整记录编码向量、所述费用发票凭证编码向量和所述费用核算编码向量通过全连接层的特征提取器以得到咨询费用明细特征向量、咨询服务阶段费用特征向量、费用支付记录特征向量、费用变更调整记录特征向量、费用发票凭证特征向量和费用核算特征向量；
将所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量排列为所述费用相关全局特征矩阵；
基于所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量之间的相似度关联来构建相似度拓扑矩阵；以及将所述相似度拓扑矩阵通过基于二维卷积神经网络模型的拓扑特征提取器以得到所述相似度拓扑特征矩阵。
4.根据权利要求3所述的建筑工程项目咨询费用管理方法，其特征在于，基于所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量之间的相似度关联来构建相似度拓扑矩阵，包括：计算所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量中任意两个特征特征向量之间的余弦相似度以获得所述相似度拓扑矩阵。
5.一种建筑工程项目咨询费用管理系统，其特征在于，包括：
费用审查数据获取模块，用于获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告；
语义分析模块，用于对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵；以及费用合理性判断模块，用于基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理；
对所述拓扑费用相关全局特征矩阵进行特征分布优化以得到优化拓扑费用相关全局特征矩阵；以及将所述优化拓扑费用相关全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示项目咨询费用是否合理；
其中，对所述拓扑费用相关全局特征矩阵进行特征分布优化以得到优化拓扑费用相关全局特征矩阵，包括：对咨询费用明细特征向量、咨询服务阶段费用特征向量、费用支付记录特征向量、费用变更调整记录特征向量、费用发票凭证特征向量和费用核算特征向量进行级联以得到第一级联特征向量；
将拓扑费用相关全局特征矩阵的各个行特征向量进行级联以得到第二级联特征向量；
对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到优化后第二级联特征向量；以及将所述优化后第二级联特征向量进行特征向量重构以得到所述优化拓扑费用相关全局特征矩阵；
其中，对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到优化后第二级联特征向量，包括：以如下优化公式对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到所述优化后第二级联特征向量；
其中，V1表示所述第一级联特征向量，V2表示所述第二级联特征向量，(·) 表示转置操作，Lp(·,·)表示闵式距离，且p为超参数， 和 分别是所述第一级联特征向量V1和所述第二级联特征向量V2的全局特征均值，且特征向量V1和V2均为行向量，⊙为按位置点乘，为按位置加法，V2’表示所述优化后第二级联特征向量。
6.根据权利要求5所述的建筑工程项目咨询费用管理系统，其特征在于，所述语义分析模块，包括：特征矩阵提取单元，用于提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵；以及语义关联编码单元，用于将所述费用相关全局特征矩阵与所述相似度拓扑特征矩阵通过基于图神经网络模型的语义关联编码器以得到所述拓扑费用相关全局特征矩阵。
7.根据权利要求6所述的建筑工程项目咨询费用管理系统，其特征在于，所述特征矩阵提取单元，包括：数据结构化子单元，用于分别对所述咨询费用明细、所述咨询服务阶段费用、所述费用支付记录、所述费用变更调整记录、所述费用发票凭证和所述费用核算报告进行数据结构化以得到咨询费用明细编码向量、咨询服务阶段费用编码向量、费用支付记录编码向量、费用变更调整记录编码向量、费用发票凭证编码向量和费用核算编码向量；
全连接特征提取子单元，用于分别将所述咨询费用明细编码向量、所述咨询服务阶段费用编码向量、所述费用支付记录编码向量、所述费用变更调整记录编码向量、所述费用发票凭证编码向量和所述费用核算编码向量通过全连接层的特征提取器以得到咨询费用明细特征向量、咨询服务阶段费用特征向量、费用支付记录特征向量、费用变更调整记录特征向量、费用发票凭证特征向量和费用核算特征向量；
全局特征矩阵排列子单元，用于将所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量排列为所述费用相关全局特征矩阵；
相似度计算子单元，用于基于所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量之间的相似度关联来构建相似度拓扑矩阵；以及拓扑特征提取子单元，用于将所述相似度拓扑矩阵通过基于二维卷积神经网络模型的拓扑特征提取器以得到所述相似度拓扑特征矩阵。
建筑工程项目咨询费用管理方法及其系统
技术领域
[0001] 本公开涉及智能管理领域，且更为具体地，涉及一种建筑工程项目咨询费用管理方法及其系统。
背景技术
[0002] 建筑工程项目咨询费用管理是指对咨询费用进行有效的控制和优化，以保证咨询费用的合理性、透明性和有效性。建筑工程项目咨询费用管理是建筑工程项目管理的重要组成部分，也是提高建筑工程项目效益的关键因素。
[0003] 其中，费用审查作为建筑工程项目咨询费用管理中重要的一个环节。其通常依靠人工进行。存在以下问题：（1）人工审查费用的效率低，耗时长，容易出错；（2）人工审查费用的质量不高，难以保证客观性和公正性；（3）人工审查费用的方法单一，难以考虑多方面的因素和关联性。
[0004] 因此，期待一种优化的方案。
发明内容
[0005] 有鉴于此，本公开提出了一种建筑工程项目咨询费用管理方法及其系统，其可以利用图神经网络来自动化地捕捉和构建费用审查数据中所蕴含的复杂关联关系，进而实现对于项目咨询费用的合理性审查，以减少人为错误和主观因素对审查结果的影响。
[0006] 根据本公开的一方面，提供了一种建筑工程项目咨询费用管理方法，其包括：
[0007] 获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告；
[0008] 对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵；以及[0009] 基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理。
[0010] 根据本公开的另一方面，提供了一种建筑工程项目咨询费用管理系统，其包括：
[0011] 费用审查数据获取模块，用于获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告；
[0012] 语义分析模块，用于对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵；以及
[0013] 费用合理性判断模块，用于基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理。
[0014] 根据本公开的实施例，其首先获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告，接着，对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵，然后，基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理。这样，可以对于项目咨询费用的进行合理性审查，以减少人为错误和主观因素对审查结果的影响。
[0015] 根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0016] 包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
[0017] 图1示出根据本公开的实施例的建筑工程项目咨询费用管理方法的流程图。
[0018] 图2示出根据本公开的实施例的建筑工程项目咨询费用管理方法的架构示意图。
[0019] 图3示出根据本公开的实施例的建筑工程项目咨询费用管理方法的子步骤S120的流程图。
[0020] 图4示出根据本公开的实施例的建筑工程项目咨询费用管理方法的子步骤S121的流程图。
[0021] 图5示出根据本公开的实施例的建筑工程项目咨询费用管理方法的子步骤S130的流程图。
[0022] 图6示出根据本公开的实施例的建筑工程项目咨询费用管理方法的子步骤S131的流程图。
[0023] 图7示出根据本公开的实施例的建筑工程项目咨询费用管理系统的框图。
[0024] 图8示出根据本公开的实施例的建筑工程项目咨询费用管理方法的应用场景图。
具体实施方式
[0025] 下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
[0026] 如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0027] 以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0028] 另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0029] 针对上述技术问题，本公开的技术构思为利用图神经网络来自动化地捕捉和构建费用审查数据中所蕴含的复杂关联关系，进而实现对于项目咨询费用的合理性审查，以减少人为错误和主观因素对审查结果的影响。
[0030] 应可以理解，图数据结构具有表达复杂关系的能力，能够灵活地表示节点之间的连接关系。费用审查数据的各个数据项（咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告）之间存在复杂的关联，使用图数据结构可以更好地刻画这种复杂性。
[0031] 基于此，图1示出根据本公开的实施例的建筑工程项目咨询费用管理方法的流程图。图2示出根据本公开的实施例的建筑工程项目咨询费用管理方法的架构示意图。如图1和图2所示，根据本公开实施例的建筑工程项目咨询费用管理方法，包括步骤：S110，获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告；S120，对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵；以及，S130，基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理。
[0032] 相应地，在本公开的技术方案中，首先，获取费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告。
[0033] 接着，提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵；并将所述费用相关全局特征矩阵与所述相似度拓扑特征矩阵通过基于图神经网络模型的语义关联编码器以得到所述拓扑费用相关全局特征矩阵。
[0034] 在本公开的一个具体示例中，提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵的编码过程，包括：先分别对所述咨询费用明细、所述咨询服务阶段费用、所述费用支付记录、所述费用变更调整记录、所述费用发票凭证和所述费用核算报告进行数据结构化以得到咨询费用明细编码向量、咨询服务阶段费用编码向量、费用支付记录编码向量、费用变更调整记录编码向量、费用发票凭证编码向量和费用核算编码向量；随后，分别将所述咨询费用明细编码向量、所述咨询服务阶段费用编码向量、所述费用支付记录编码向量、所述费用变更调整记录编码向量、所述费用发票凭证编码向量和所述费用核算编码向量通过全连接层的特征提取器以得到咨询费用明细特征向量、咨询服务阶段费用特征向量、费用支付记录特征向量、费用变更调整记录特征向量、费用发票凭证特征向量和费用核算特征向量；再计算所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量中任意两个特征特征向量之间的余弦相似度以获得相似度拓扑矩阵；然后，将所述相似度拓扑矩阵通过基于二维卷积神经网络模型的拓扑特征提取器以得到相似度拓扑特征矩阵；进一步地，将所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量排列为费用相关全局特征矩阵。
[0035] 也就是，提取咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告所蕴含的语义信息作为节点，以余弦相似度的方式来建立各个数据项之间的关联度信息作为边。通过这样的方式，来构建图数据结构。
[0036] 进而，将所述费用相关全局特征矩阵与所述相似度拓扑特征矩阵通过基于图神经网络模型的语义关联编码器以得到拓扑费用相关全局特征矩阵。
[0037] 相应地，如图3所示，对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵，包括：S121，提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵；以及S122，将所述费用相关全局特征矩阵与所述相似度拓扑特征矩阵通过基于图神经网络模型的语义关联编码器以得到所述拓扑费用相关全局特征矩阵。应可以理解，图神经网络（Graph Neural Network，简称GNN）是一种用于处理图结构数据的机器学习模型。它通过在图上定义节点之间的相互作用来捕捉图的拓扑结构，并将这些拓扑特征应用于节点的表示学习和预测任务中。图神经网络的主要用途是对图结构数据进行分析和建模，其中节点可以表示为图中的实体，边可以表示实体之间的关系或连接。与传统的神经网络不同，图神经网络考虑了节点之间的相互作用，能够在节点上进行信息传播和聚合。使用图神经网络模型可以从两个方面提取特征：节点特征信息和拓扑特征信息。1.节点特征信息：每个节点可以包含与其相关的特征，例如费用金额、费用类型、费用时间等，通过图神经网络模型，可以学习到节点的表示向量，其中包含了节点自身的特征信息以及与其相邻节点的信息。2.拓扑特征信息：图神经网络模型可以通过消息传递和聚合操作在图中传播和聚合信息，这样，每个节点可以获得与其相邻节点相关的拓扑特征，例如节点的邻居节点特征、节点的度中心性等，这些拓扑特征可以反映节点在图中的位置和关系，有助于理解节点在整个图结构中的作用。通过将节点特征信息和拓扑特征信息结合起来，可以得到费用相关的全局特征矩阵和相似度拓扑特征矩阵。全局特征矩阵包含了所有节点的综合特征，可以用于整体的费用相关分析。相似度拓扑特征矩阵则反映了节点之间的相似度和拓扑关系，可以用于节点的相似性度量和聚类分析。最后，通过基于图神经网络模型的语义关联编码器，可以将费用相关全局特征矩阵和相似度拓扑特征矩阵进行编码和整合，得到拓扑费用相关全局特征矩阵。这个矩阵可以用于进一步的费用分析、预测或其他相关任务，从整体上把握费用审查数据的特征和关联性。
[0038] 更具体地，在步骤S121中，如图4所示，提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵，包括：S1211，分别对所述咨询费用明细、所述咨询服务阶段费用、所述费用支付记录、所述费用变更调整记录、所述费用发票凭证和所述费用核算报告进行数据结构化以得到咨询费用明细编码向量、咨询服务阶段费用编码向量、费用支付记录编码向量、费用变更调整记录编码向量、费用发票凭证编码向量和费用核算编码向量；S1212，分别将所述咨询费用明细编码向量、所述咨询服务阶段费用编码向量、所述费用支付记录编码向量、所述费用变更调整记录编码向量、所述费用发票凭证编码向量和所述费用核算编码向量通过全连接层的特征提取器以得到咨询费用明细特征向量、咨询服务阶段费用特征向量、费用支付记录特征向量、费用变更调整记录特征向量、费用发票凭证特征向量和费用核算特征向量；S1213，将所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量排列为所述费用相关全局特征矩阵；S1214，基于所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量之间的相似度关联来构建相似度拓扑矩阵；以及，S1215，将所述相似度拓扑矩阵通过基于二维卷积神经网络模型的拓扑特征提取器以得到所述相似度拓扑特征矩阵。值得一提的是，二维卷积神经网络（2D Convolutional Neural Network，简称2D CNN）是一种用于处理二维图像数据的深度学习模型，它是卷积神经网络（Convolutional Neural Network，简称CNN）的一种变体，专门设计用于处理具有二维结构的输入数据。二维卷积神经网络通过在输入数据上应用二维卷积操作来提取特征。卷积操作是一种局部感知机制，它使用一个滤波器（也称为卷积核）在输入数据上进行滑动，并计算每个位置的卷积结果。这样可以有效地捕捉输入数据中的空间局部特征，例如边缘、纹理和形状等。在二维卷积神经网络中，卷积操作通常与其他操作结合使用，如激活函数、池化操作和全连接层等，这些操作可以进一步提取和组合特征，使网络能够学习到更高级别的表示。二维卷积神经网络的典型结构包括多个卷积层和池化层的堆叠。卷积层用于提取特征，通过不断增加卷积核的数量和层数，网络可以逐渐学习到更抽象和复杂的特征。池化层用于降低特征图的空间维度，减少参数数量，并增强网络对平移和缩放的不变性。最后，通过全连接层和输出层，二维卷积神经网络可以将提取到的特征映射到具体的类别或进行预测。
[0039] 更具体地，在步骤S1214中，基于所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量之间的相似度关联来构建相似度拓扑矩阵，包括：计算所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量中任意两个特征特征向量之间的余弦相似度以获得所述相似度拓扑矩阵。
[0040] 进一步地，将所述拓扑费用相关全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示项目咨询费用是否合理。
[0041] 相应地，如图5所示，基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理，包括：S131，对所述拓扑费用相关全局特征矩阵进行特征分布优化以得到优化拓扑费用相关全局特征矩阵；以及，S132，将所述优化拓扑费用相关全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示项目咨询费用是否合理。
[0042] 更具体地，在步骤S131中，如图6所示，对所述拓扑费用相关全局特征矩阵进行特征分布优化以得到优化拓扑费用相关全局特征矩阵，包括：S1311，对所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量进行级联以得到第一级联特征向量；S1312，将所述拓扑费用相关全局特征矩阵的各个行特征向量进行级联以得到第二级联特征向量；S1313，对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到优化后第二级联特征向量；以及，S1314，将所述优化后第二级联特征向量进行特征向量重构以得到所述优化拓扑费用相关全局特征矩阵。
[0043] 在本公开的技术方案中，将所述费用相关全局特征矩阵与所述相似度拓扑特征矩阵通过基于图神经网络模型的语义关联编码器得到所述拓扑费用相关全局特征矩阵时，所述拓扑费用相关全局特征矩阵的各个行特征向量用于表达所述费用审查数据的各数据项的编码特征表示在特征语义相似度拓扑下的拓扑关联表示，由此，在强化了拓扑关联特征表示的同时，也会影响对所述数据项的原始编码语义特征分布的表示。
[0044] 因此，本公开的申请人考虑将所述拓扑费用相关全局特征矩阵的各个行特征向量与用于表示所述数据项的原始编码语义特征分布的各个特征向量融合来优化所述拓扑费用相关全局特征矩阵，并且，进一步考虑到无论是全连接层的特征提取，还是图神经网络模型的拓扑关联编码，都是基于特征向量粒度的向量级齐次编码的密集采样式关联特征表达，因此对所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量排列为费用相关全局特征矩阵级联后得到的第一级联特征向量，例如记为和所述拓扑费用相关全局特征矩阵的各个行特征向量级联得到的第二级联特征向量，例如记为 进行齐次吉尔伯特空间度量式密集点分布采样融合。
[0045] 相应地，在一个具体示例中，对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到优化后第二级联特征向量，包括：以如下优化公式对所述第一级联特征向量和所述第二级联特征向量进行齐次吉尔伯特空间度量式密集点分布采样融合以得到所述优化后第二级联特征向量；其中，所述优化公式为： 其中， 表示所述第一级联特征向量， 表示所述第二级联特征向量， 表示转置操作， 表示闵式距离，且 为
超参数， 和 分别是所述第一级联特征向量 和所述第二级联特征向量 的全局特征均值，且特征向量 和 均为行向量， 为按位置点乘， 为按位置加法， 表示协方差矩阵， 表示所述优化后第二级联特征向量。
[0046] 这里，通过对所述第一级联特征向量 和所述第二级联特征向量 的特征分布中心的齐次吉尔伯特空间度量，来对所述第一级联特征向量 和所述第二级联特征向量的融合特征分布进行高维特征空间内的融合特征流形超平面的真实（ground‑truth）几何中心约束，并以交叉式距离约束的逐点特征关联作为偏置项，来实现特征分布的关联约束界限内的特征密集点采样式分布融合，从而增强向量间的齐次采样关联融合性，这样，再将优化后的第二级联特征向量还原为拓扑费用相关全局特征矩阵，就改进了优化后的拓扑费用相关全局特征矩阵对所述数据项的原始编码语义特征分布的表示，从而提高了其通过分类器得到的分类结果的准确性。
[0047] 进一步地，在S132中，将所述优化拓扑费用相关全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示项目咨询费用是否合理，包括：将所述优化拓扑费用相关全局特征矩阵按照行向量或者列向量展开为优化分类特征向量；使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
[0048] 也就是，在本公开的技术方案中，所述分类器的标签包括项目咨询费用合理(第一标签)，以及，项目咨询费用不合理(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化拓扑费用相关全局特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“项目咨询费用是否合理”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，项目咨询费用是否合理的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“项目咨询费用是否合理”的语言文本意义。
[0049] 应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi‑class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
[0050] 综上，基于本公开实施例的建筑工程项目咨询费用管理方法，其可以对于项目咨询费用的进行合理性审查，以减少人为错误和主观因素对审查结果的影响。
[0051] 图7示出根据本公开的实施例的建筑工程项目咨询费用管理系统100的框图。如图7所示，根据本公开实施例的建筑工程项目咨询费用管理系统100，包括：费用审查数据获取模块110，用于获取建筑工程项目的费用审查数据，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告；语义分析模块120，用于对所述费用审查数据进行语义分析以得到拓扑费用相关全局特征矩阵；以及，费用合理性判断模块130，用于基于所述拓扑费用相关全局特征矩阵，确定项目咨询费用是否合理。
[0052] 在一种可能的实现方式中，所述语义分析模块120，包括：特征矩阵提取单元，用于提取所述费用审查数据的节点特征信息和拓扑特征信息以得到费用相关全局特征矩阵和相似度拓扑特征矩阵；以及，语义关联编码单元，用于将所述费用相关全局特征矩阵与所述相似度拓扑特征矩阵通过基于图神经网络模型的语义关联编码器以得到所述拓扑费用相关全局特征矩阵。
[0053] 在一种可能的实现方式中，所述特征矩阵提取单元，包括：数据结构化子单元，用于分别对所述咨询费用明细、所述咨询服务阶段费用、所述费用支付记录、所述费用变更调整记录、所述费用发票凭证和所述费用核算报告进行数据结构化以得到咨询费用明细编码向量、咨询服务阶段费用编码向量、费用支付记录编码向量、费用变更调整记录编码向量、费用发票凭证编码向量和费用核算编码向量；全连接特征提取子单元，用于分别将所述咨询费用明细编码向量、所述咨询服务阶段费用编码向量、所述费用支付记录编码向量、所述费用变更调整记录编码向量、所述费用发票凭证编码向量和所述费用核算编码向量通过全连接层的特征提取器以得到咨询费用明细特征向量、咨询服务阶段费用特征向量、费用支付记录特征向量、费用变更调整记录特征向量、费用发票凭证特征向量和费用核算特征向量；全局特征矩阵排列子单元，用于将所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量排列为所述费用相关全局特征矩阵；相似度计算子单元，用于基于所述咨询费用明细特征向量、所述咨询服务阶段费用特征向量、所述费用支付记录特征向量、所述费用变更调整记录特征向量、所述费用发票凭证特征向量和所述费用核算特征向量之间的相似度关联来构建相似度拓扑矩阵；以及，拓扑特征提取子单元，用于将所述相似度拓扑矩阵通过基于二维卷积神经网络模型的拓扑特征提取器以得到所述相似度拓扑特征矩阵。
[0054] 这里，本领域技术人员可以理解，上述建筑工程项目咨询费用管理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的建筑工程项目咨询费用管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0055] 如上所述，根据本公开实施例的建筑工程项目咨询费用管理系统100可以实现在各种无线终端中，例如具有建筑工程项目咨询费用管理算法的服务器等。在一种可能的实现方式中，根据本公开实施例的建筑工程项目咨询费用管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该建筑工程项目咨询费用管理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该建筑工程项目咨询费用管理系统100同样可以是该无线终端的众多硬件模块之一。
[0056] 替换地，在另一示例中，该建筑工程项目咨询费用管理系统100与该无线终端也可以是分立的设备，并且该建筑工程项目咨询费用管理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
[0057] 图8示出根据本公开的实施例的建筑工程项目咨询费用管理方法的应用场景图。如图8所示，在该应用场景中，首先，获取建筑工程项目的费用审查数据（例如，图8中所示意的D），其中，所述费用审查数据包括咨询费用明细、咨询服务阶段费用、费用支付记录、费用变更调整记录、费用发票凭证和费用核算报告，然后，将所述费用审查数据输入至部署有建筑工程项目咨询费用管理算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述建筑工程项目咨询费用管理算法对所述费用审查数据进行处理以得到用于表示项目咨询费用是否合理的分类结果。
[0058] 附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0059] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
