[發明專利]一種簡歷解析中二次提取實體的方法

有效

• 申請號: 202011125481.0
• 申請日: 2020-10-20
• 公開（公告）號: CN112214572B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 陳其賓;李銳;王建華
• 申請（專利權）人: 山東浪潮科學研究院有限公司
• 主分類號: G06F16/31
• 分類號: G06F16/31;G06F40/295
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 姜鵬

本發明涉及簡歷解析、人工智能和自然語言處理領域，具體提供了一種簡歷解析中二次提取實體的方法，具有如下步驟：S1、實體提取及拆分記錄；S2、拆分片段進行文本預處理；S3、劃分符合條件的潛在實體和待提取字段；S4、采用打分法對符合條件的潛在實體進行打分；S5、選取最高分；S6、最高分與閾值對比，輸出二次提取實體及對應字段。與現有技術相比，本發明的一種簡歷解析中二次提取實體的方法，通過進行二次實體抽取，能夠準確的提取全部實體，能夠有效的解決實體遺漏的問題，具有良好的推廣價值。

技術領域

本發明涉及簡歷解析、人工智能和自然語言處理領域，具體提供一種簡歷解析中二次提取實體的方法。

背景技術

簡歷內容解析是把非結構化的簡歷數據轉化為結構化數據，以便進行簡歷打分、篩選等進一步的分析工作。目前主流的解決方法包括兩個步驟，首先，對簡歷進行分塊，分成個人信息、教育經歷和工作經歷等模塊，其次對每一模塊進行分析，提取目標字段。在提取教育經歷、工作經歷和項目經歷等包含多條記錄的信息時，還需要對其中的每條記錄進行切分，分別提取每條記錄中的信息，如教育信息中每條記錄往往包括學校、專業、起止時間、主修課程、GPA等信息，工作信息中每條記錄往往包括工作單位、部門、崗位、起止時間等信息。

目前主流的提取方法是，先通過規則以及機器學習或深度學習方法識別實體，然后基于識別出的實體對記錄拆分，并將識別出的實體分配到各條拆分的記錄中，每條記錄對應一組實體，如第一條記錄結果為(單位1，部門1，起止時間1)，第二條記錄結果為(單位2，部門2，起止時間2)。但是，由于簡歷類型多樣，現有的方法往往不能準確提取全部實體，導致結果中部分實體缺失的問題。

發明內容

本發明是針對上述現有技術的不足，提供一種實用性強的簡歷解析中二次提取實體的方法。

本發明解決其技術問題所采用的技術方案是：

一種簡歷解析中二次提取實體的方法，其特征在于，具有如下步驟：

S1、實體提取及拆分記錄；

S2、拆分片段進行文本預處理；

S3、劃分符合條件的潛在實體和待提取字段；

S4、采用打分法對符合條件的潛在實體進行打分；

S5、選取最高分；

S6、最高分與閾值對比，輸出二次提取實體及對應字段。

進一步的，在步驟S1中，將已提取實體分配到已拆分的各條記錄中，對每條記錄中已提取實體按照位置進行排序，使用已提取實體對所在的記錄進行拆分。

進一步的，在步驟S2中，所在記錄進行拆分后的片段作為潛在實體，對所述潛在實體進行文本預處理。

進一步的，在步驟S3中，文本預處理中，篩選掉格式不符合條件的潛在實體，得到符合條件的潛在實體，將已提取的實體對應的字段定義為已提取字段，將其他字段定義為待提取字段。

作為優選，在步驟S4中，打分法的打分因素包括通用因素和專用因素，

所述通用因素包括潛在實體的位置、字符長度、中文字符和英文字符長度；

所述專用因素包括每個字段特有的因素。

進一步的，在步驟S4中，對符合條件的潛在實體進行打分，包括：

對每個符合條件的潛在實體和每個待提取字段的組合進行打分。

進一步的，在步驟S5中，對于每個符合條件的潛在實體，選擇得分最高的待提取字段作為最優字段；