|
使用 NER 进行简历分析 在本节中，我们将学习如何创建简历分析系统，帮助的技能和属性筛选候选人。
导入必要的包 对于实体识别，我们将使用 spaCy。 对于可视化，我们将使用 pyLDAvis、wordcloud、plotly 和 matplotlib.pyplot 对于数据加载和操作，我们将使用 pandas 和 numpy。 对于停用词和词干分析器，我们将使用 nltk。 加载 NER 数据和模型 我们首先上传一个 CSV 文件，其中包含唯一 ID、简历文本和类别。接下来，我们将加载 spacy 模型“en_core_web_sm”。
管理实体 首先，我们需要向模型对象添加实体规则管道。接下来，我们可以通过上传包含标签和技能模式（例如“.net”、“cloud”和“aws”）的 JSON 文件来创建实体规则。
清理文本 在本节中，我们将通过几个步骤使用 NLTK 库清理数据集：
使用正则表达式删除超链接、特殊字符或标点符号。 将文本转换为小写。 根据空间将文本拆分为数组。 将文本词形还原为其基本形式以对其进行规范化。 消除英语中的停用词。 将结果添加到数组中。 实体识别 向模型添加新管道后，我们可以使用 spaCy 的显示函 捷克共和国数据 数在文本中显示命名实体。通过语言模型传递输入文本时，您可以使用 突出显示单词及其标签displacy.render(obj, style="ent", jupyter=True, options=options)。
比赛结果 让我们将简历与公司要求相匹配。系统根据相似度分数显示最相似的简历。例如，如果一家公司正在寻找 AWS 云工程师，它将显示最相关的简历。
我们如何获得相似度得分？ 我们需要创建一个 Python 函数，使用实体规则从简历中提取技能，将它们与所需技能进行匹配，并生成相似度分数。该应用程序需要一个简单的循环和一个 if-else 语句。招聘经理可以使用它根据技能筛选候选人，而不是阅读多个 PDF。
您想了解更多有关人工智能和机器学习的信息吗？查看以下资源：
| 
发表于