[发明专利]一种基于深度学习的简历解析方法和系统

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，包括：

富文本提取：从文档中提取文本以及相关信息，所述相关信息包括文本样式、文本位置、文本对应的表格和图片；

文本排序：在提取文本过程中，根据提取的文本位置将所有文本块的横坐标累加到一个一维数组上，所述一维数组的长度即页面宽度，从而将文本块分区域分别读取文本；

文本清洗：替换特殊字符，删除中英混合简历的英文部分，基于规则进行文本清洗，进行通用文本清洗，基于解析配置进行文本清洗，纠正OCR识别后的易混字符；

语句切分：先对整个简历文本进行分词，然后采用双向LSTM+CRF建模，完成语句切分；模型输入是分词后的词列表，及其对应的样式特征；每个词对应输出标签“m”或“e”，标签“m”表示处于句中，标签“e”表示处于句尾；

语句分类：对关键信息进行分类，然后使用包括LSTM和Albert的深度学习模型建模进行多分类拟合；

区块和条目识别：在语句切分和语句分类结束之后，设置区块和条目识别模型进行区块和条目识别；区块为简历中的各个部分，条目为区块中每段信息内容不同但结构相似的字段；区块和条目识别模型的输入以句子为单位，输出是每个句子对所有区块开始结束标签的置信度；

区块内字段值提取：对每个区块，从已知的句子类别列表中，找出需要的标准字段的值，此过程也称为类别映射；采用与区块和条目识别相同的网络架构，设置类别映射模型，类别映射模型的输入是所有的句子，输出是映射后的类别；

其中，语句切分包括：

分句模型设计：采用LSTM+CRF建模，模型输入包括词向量，以及每个词对应的样式特征编码；分句模型分为3个阶段训练：第一阶段使用词向量和样式特征作为输入，经过一层LSTM+CRF后输出，输出结果是每个词的词性；第一阶段训练完毕后，第一层LSTM学习到了词的词性特征；然后加上第二层LSTM层，使用词向量和样式特征作为输入，第一层的结果再与词向量合并，作为第二层输入；第二层的输出是命名实体识别结果，包括人名、机构名和地址三类；最后一层LSTM是分句层，结合词向量、样式特征、词性和命名实体识别，输出该词的分句标签；

训练数据生成：先通过用于分句的符号和分句规则得到分句器，用此分句器对提取后的文本生成n个分句结果；然后对初步分句结果进行标注和校对，校对之后再经过分词作为训练数据使用。

2.根据权利要求1所述的一种基于深度学习的简历解析方法，其特征在于，文本清洗包括：

替换特殊字符：将特殊字符替换为对应的可输入汉字；

删除中英混合简历的英文部分：对中英文混合的，将英文部分删除；

基于规则进行文本清洗：将简历页眉页脚或开始结束位置的无关信息删除；

进行通用文本清洗：记录空格特征并删除冗余空格；

基于解析配置进行文本清洗：对样式相似的简历制作解析配置，加入文本清洗规则；

纠正OCR识别后易混字符：根据上下文纠正OCR识别后的易混字。

3.根据权利要求1所述的一种基于深度学习的简历解析方法，其特征在于，针对模型分句后的结果，再次通过若干的分句中间件进行调整：

预识别分句调整器：在模型分句后，利用包括正则表达式的方法提取固定格式的字段，然后修改模型分句结果，确保这些字段不会切分错误；

规则分句调整器：加入合并规则和拆分规则，当满足给定的正则或者条件时，即对一个句子拆分或将两个句子合并；

基于样式的分句调整器：根据提取的文本样式，对分句结果再次调整，调整规则包括：如果不在同一行，且字体大小或加粗情况不一致，则切分；如果字体颜色不一致，且中间有空格，则切分；如果是特殊样式，遇到换行切分；

基于解析配置的分句调整器：如果是样式相同的一批简历在某处分句有问题，则维护一个解析配置，并在其中添加分句调整规则。