[发明专利]一种基于深度学习的简历解析方法

权利要求书

1.一种基于深度学习的简历解析方法，其特征在于，其包括以下步骤：

数据预处理：将简历统一转换为文本格式，确定简历的内容分段标签，并将简历文本按行进行数据标记；

模型训练：利用RNN神经网络将简历文本按行表达为一个固定长度的向量从而获得行向量，并根据所述行向量对简历进行内容分段；

信息提取：在完成内容分段后，从指定的内容段中提取标签字段，获得相关信息；

其中，利用RNN神经网络将简历文本按行表达为一个固定长度的向量从而获得行向量，包括：

获取符号向量：对所述简历文本中的每个符号表示为一个固定长度的实数向量；

获取行向量：通过神经网络根据构成该行文本的所述符号向量，依据时序来训练成一个固定长度的向量，得到行向量；

在所述模型训练步骤中，在将简历文本按行表达为一个固定长度的向量时，还对该行文本设定一个上下文窗口k；

其中，所述内容分段的步骤包括：

以所述行向量对应的行为基准，获取该行的前k行文本，以及获取该行的后k行文本；

通过神经网络将所述文本行表达成2k+1个行向量，然后将所述2k+1个行向量合并成一个向量，并输入到分类器中进行类别判定以实现内容分段。

2.如权利要求1所述的基于深度学习的简历解析方法，其特征在于，在所述获取符号向量步骤中，简历文本中的所述符号包括中文字符、英文字符、数字字符、标点字符、制表符、空格符中的一种或多种。

3.如权利要求1所述的基于深度学习的简历解析方法，其特征在于，将所述2k+1个行向量合并成一个向量的方式是加权求和或者直接串联。

4.如权利要求1所述的基于深度学习的简历解析方法，其特征在于，在信息提取步骤中，提取标签字段的方法是NER。

5.如权利要求1-4任一项所述的基于深度学习的简历解析方法，其特征在于，在所述模型训练步骤中，所述RNN神经网络是LSTM或GRU。

6.如权利要求1-4任一项所述的基于深度学习的简历解析方法，其特征在于，在所述数据预处理步骤中，所述文本格式是txt格式。