[发明专利]一种基于机器学习的简历信息抽取方法

说明书

本发明公开了一种基于机器学习的简历信息抽取方法，包括以下步骤：构建行业关键词库；根据多个样本简历和行业关键词库的数据构建简历向量模型；将待抽取简历处理成结构化字段和非结构化字段；从结构化字段中正则提取出个人基本信息；利用分类器预测待抽取简历所属行业；简历向量模型将非结构化数据与行业关键词进行匹配，生成待抽取简历的行业特征向量。本发明简历信息提取准确率高，且能够对不同格式、不同行业的简历信息进行提取，应用更加广泛。

技术领域

本发明涉及文本处理技术领域，尤其涉及一种基于机器学习的简历信息抽取方法。

背景技术

求职者在书写简历的时候，经常会使用各种形式的模板、结构，或者不同形式的书写风格，以较好地描写自己的履历，面试官也能够看到不同风格的丰富的求职者信息。但是对于简历匹配系统来说，数据处理非常繁琐，包括数据清洗、数据去重、字段抽取等，因为不同简历的风格样式各不相同，因此不同简历数据的处理也会异常复杂。

同时，由于简历的描述内容千差万别，且某些用户在其简历中未写明行业类别，目前简历信息抽取系统无法准确抽取出行业类别，且提取不同风格样式的简历时，提取结果的准确性很难得到保证。

发明内容

有鉴于此，本发明提供了一种基于机器学习的简历信息抽取方法，用以解决上述背景技术中存在的问题。

一种基于机器学习的简历信息抽取方法，具体包括以下步骤：

S1，构建行业关键词库，所述行业关键词库包括若干种行业以及每种行业对应的行业关键词列表；

S2，将多个样本简历数据输入word2vector模型进行训练和测试，生成简历向量模型；

S3，将待抽取简历预处理成结构化字段和非结构化字段；

S4，从所述结构化字段中正则提取出求职者的个人基本信息；

S5，利用分类器从所述非结构化字段中预测待抽取简历所属行业；

S6，对所述非结构化字段进行分词，将分词得到的每个词输入简历向量模型，并根据待抽取简历所属行业对应的行业关键词组，得到待抽取简历的行业特征向量。

优选地，所述步骤S1中构建行业关键词库的具体步骤为：

获取多份样本简历；

按照行业类别对多份样本简历进行分组；

对每份样本简历进行分词，利用卡方检验方法计算每个词与每个行业类别的关联性；

按照行业类别，对切分得到的所有词进行关联度排序，得到各个行业的行业关键词列表，构建出行业关键词库。

优选地，每个行业对应唯一一个行业关键词组。

优选地，所述行业关键词组中包含1024个关键词。

优选地，所述行业特征向量为1024维向量。

优选地，所述分类器采用的是SVM分类器。

优选地，所述个人基本信息包括名字、出生日期、学校。

本发明的有益效果是：

本申请的方法通过将待抽取简历处理成结构化字段和非结构化字段，结构化字段使用正则的方法抽取，非结构化字段通过机器学习模型进行抽取，有效解决了人工提取简历信息繁琐、工作量大的问题，简历信息提取准确率高，且本申请能够对不同格式、不同行业的简历信息进行提取，应用更加广泛。

附图说明