Predição de Relevância em Licitações Públicas com Modelos Híbridos Baseados em Texto e Metadados
Resumo
A triagem manual de editais públicos é um processo custoso devido ao grande volume de documentos e ao forte desbalanceamento entre oportunidades relevantes e irrelevantes. Este trabalho propõe uma abordagem híbrida para predição de relevância utilizando técnicas de Processamento de Linguagem Natural e aprendizado de máquina aplicadas a metadados e ao texto dos documentos. O sistema utiliza o BERTimbau quando informações textuais estruturadas estão disponíveis e, caso contrário, um fluxo alternativo baseado em embeddings documentais e Random Forest. Experimentos realizados em bases históricas reais contendo milhares de editais públicos anotados avaliaram o sistema sob a perspectiva de ranqueamento de documentos. Em média, os 20% documentos mais bem posicionados concentraram aproximadamente 75% dos editais relevantes, enquanto os 50 primeiros documentos do ranking alcançaram 72% de recall. Esses resultados demonstram o potencial da abordagem proposta para apoiar a triagem automática em compras públicas.
Palavras-chave:
Compras Públicas, Processamento de Linguagem Natural, Predição de Relevância, Ranqueamento de Documentos
Referências
Conlicitação (2026). Conlicitação. [link]. Acessado em: 11 maio 2026.
Ministério da Economia (2026). Painel de compras do governo federal - relatório anual. Portal de Transparência. Acesso em: 08 maio 2026.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
RHS Licitações (2026). Rhs licitações. [link]. Acessado em: 11 maio 2026.
Silva, E., Medeiros, I., Menezes, M., and Kamikawachi, D. (2024). Segmentation and summarization for extracting information about information technology equipment from government procurement notice. In Anais do XII Symposium on Knowledge Discovery, Mining and Learning, pages 145–152, Porto Alegre, RS, Brasil. SBC.
Souza, F., Nogueira, R., and Lotufo, R. (2020). Bertimbau: pretrained bert models for brazilian portuguese. In Brazilian conference on intelligent systems, pages 403–417. Springer.
Ministério da Economia (2026). Painel de compras do governo federal - relatório anual. Portal de Transparência. Acesso em: 08 maio 2026.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
RHS Licitações (2026). Rhs licitações. [link]. Acessado em: 11 maio 2026.
Silva, E., Medeiros, I., Menezes, M., and Kamikawachi, D. (2024). Segmentation and summarization for extracting information about information technology equipment from government procurement notice. In Anais do XII Symposium on Knowledge Discovery, Mining and Learning, pages 145–152, Porto Alegre, RS, Brasil. SBC.
Souza, F., Nogueira, R., and Lotufo, R. (2020). Bertimbau: pretrained bert models for brazilian portuguese. In Brazilian conference on intelligent systems, pages 403–417. Springer.
Publicado
08/09/2026
Como Citar
PINHEIRO DE LEMOS LOPES, Beatriz; DE MEDEIROS, Ivo; FERREIRA DE ARAÚJO, Adaílton.
Predição de Relevância em Licitações Públicas com Modelos Híbridos Baseados em Texto e Metadados. In: SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 41. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 910-916.
ISSN 2763-8979.
DOI: https://doi.org/10.5753/sbbd.2026.249467.
