[发明专利]网页简历页面的信息抽取方法和装置

权利要求书

1.一种网页简历页面的信息抽取方法，其特征在于，包括：

从网页简历页面提取简历文本信息，对各个简历文本信息进行中文分词，得到各个简历文本信息分别对应的一组单元词；

设置用于描述个人简历的多个三元组；所述三元组用于描述目标特征的主实体、客实体、以及主实体和客实体之间的关系；

根据各组单元词确定各个简历文本信息的一组特征值向量；

分别在各组特征值向量中提取各个三元组的内容，根据各个三元组的内容确定简历信息。

2.根据权利要求1所述的方法，其特征在于，所述对各个简历文本信息进行中文分词包括

识别各个简历文本信息的命名体，得到各个简历文本信息分别对应的一组命名体；

采用jieba分词器根据各组命名体对各个简历文本信息进行中文分词，得到各个简历文本信息分别对应的一组单元词。

3.根据权利要求2所述的方法，其特征在于，所述识别各个简历文本信息的命名体包括：

采用bert提取词向量提取各个简历文本信息分别对应的一组词；

采用BiLSTM网络识别各组词中各个词之间的关系。

采用CRF概率模型根据各组词中各个词之间的关系确定各组词的各个命名体。

4.根据权利要求2所述的方法，其特征在于，所述采用jieba分词器根据各组命名体对各个简历文本信息进行中文分词，得到各个简历文本信息分别对应的一组单元词包括：

根据各组命名体生成各个trie树，并将每个单元词的出现次数转换为词频率，得到各个trie树中各个词的词频率；

根据各个trie树和各个trie树中各个词的词频率生成有向无环图，读取有向无环图的各个词，依次得到各个简历文本信息分别对应的一组单元词。

5.根据权利要求1所述的方法，其特征在于，所述根据各组单元词确定各个简历文本信息的一组特征值向量包括：

将各组单元词输入Embedding层，得到各组单元词对应的字向量序列；

将各个字向量序列通过一个预先训练的word2vec模型来提取对应的词向量序列，将词向量序列经过矩阵变换到与字向量序列一样的维度，并将变化后的词向量序列与字向量序列相加，得到特征值向量。

6.根据权利要求1所述的方法，其特征在于，所述分别在各组特征值向量中提取各个三元组的内容包括：

根据特征值向量预测主实体的内容，将主实体的内容传入预先训练的三元组内容提取模型预测主实体的内容对应的客实体内容以及实体关系内容。

7.根据权利要求6所述的方法，其特征在于，所述三元组内容提取模型的训练过程包括：

构建训练集和测试集；所述训练集包括多个训练样本，所述测试集包括多个测试样本，所述训练样本和测试样本均包括多个预先标志的三元组；

采用word2vec模型分别获取各个训练样本的词向量，得到各组训练向量，采用word2vec模型分别获取各个测试样本的词向量，得到各组测试向量；

将各组训练向量和各组训练向量对应的标注信息输入DGCNN网络进行训练，得到初始提取模型；

将各组测试向量输入初始提取模型，在所述初始提取模型针对各组测试向量提取得到的测试三元组与各组测试向量对应的标注信息一致时，根据初始提取模型当前的模型参数确定三元组内容提取模型。

8.一种网页简历页面的信息抽取装置，其特征在于，包括：

第一提取模块，用于从网页简历页面提取简历文本信息，对各个简历文本信息进行中文分词，得到各个简历文本信息分别对应的一组单元词；

设置模块，用于设置用于描述个人简历的多个三元组；所述三元组用于描述目标特征的主实体、客实体、以及主实体和客实体之间的关系；

确定模块，用于根据各组单元词确定各个简历文本信息的一组特征值向量；

第二提取模块，用于分别在各组特征值向量中提取各个三元组的内容，根据各个三元组的内容确定简历信息。