检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

主体间性视域下中文简历的英译

吉林工商学院学报 2015年第2期31卷 122-125页

作者：王辰卉吉林工商学院外国语学院吉林长春130507

近几年翻译学者对翻译的研究逐渐从主体性向主体间性过渡,主体间性不仅体现了主体的主观能动性,还体现了主体间的相互关系,但以往的讨论多仅限于理论的说明,缺乏对实践的指导。本文创新性地探讨中文简历翻译成英语简历过程中译者、读者... 详细信息

近几年翻译学者对翻译的研究逐渐从主体性向主体间性过渡,主体间性不仅体现了主体的主观能动性,还体现了主体间的相互关系,但以往的讨论多仅限于理论的说明,缺乏对实践的指导。本文创新性地探讨中文简历翻译成英语简历过程中译者、读者、原作者等主体,以主体间性为纽带,共同影响中文简历翻译,并进一步以此来阐明中文简历翻译的注意事项。

关键词：主体间性中文简历英译主体

在线全文

学校读者我要写书评

暂无评论

基于自然语言处理的简历信息抽取与识别研究

基于自然语言处理的简历信息抽取与识别研究

作者：杨济萍兰州交通大学

学位级别：硕士

近年来我国就业人群日益增长，截至2021年末，全社会求职人数预计超过1000万人，新增用人单位招聘需求预计达到2000万人以上。同时，人才市场越来越趋向于智能化，简历信息也呈现出多元化、复杂化的特点。在求职者与用人单位双方需求增... 详细信息

近年来我国就业人群日益增长，截至2021年末，全社会求职人数预计超过1000万人，新增用人单位招聘需求预计达到2000万人以上。同时，人才市场越来越趋向于智能化，简历信息也呈现出多元化、复杂化的特点。在求职者与用人单位双方需求增加与网络信息资源日益庞大的背景下，如何从半结构化简历中准确高效地抽取识别文本关键信息，在提高用人单位人岗匹配结果、帮助求职者获得工作岗位具体需求等方面有着重要意义。　　本文以半结构化中文简历为研究对象，采用自然语言处理方法，通过计算机理解技术和生成式自然语言相关理论方法，对半结构化中文简历文本进行命名实体抽取与识别。研究选取适用于半结构化中文简历的解析模型，对提高信息抽取技术在简历解析的应用，加深自然语言处理技术在人力资源等相关产业结合，促进企业工作效率的提升，推动人工智能技术在实际应用领域等方面研究有着重要意义。本文主要研究内容如下：　　首先，本文以半结构化中文简历为研究对象，通过对大量不同版式结构简历总结出半结构化简历文本同构性与异构性特征，基于此完成对半结构化中文简历结构特征和内容特征进行分析。从同构性角度出发，总结半结构化简历文本固定模块信息，并对其进行层级划分。在异构性角度方面，通过人工标注校准和关键词排序的方式，对简历标题词典进行构建与扩充。　　其次，引入循环神经网络原始模型与长短期循环神经网络模型，并将长短期循环神经网络(BiLSTM)应用到中文简历信息提取与识别任务中。针对BiLSTM模型不足，引入条件随机场(CRF)层，将特征提取与文本分类融合，利用BiLSTM层通过自动学习半结构化中文简历中特征信息，随后输出全部可能的标签词序列的概率到CRF层，在CRF层中再利用标签之间约束关系，计算得到最优标签序列。模型利用准确率、召回以及F1值对模型进行评价。为检验该模型在半结构化中文简历解析任务上的有效性，模型与传统RNN、LSTM、BiLSTM以及分别结合CRF层进行结果比照，结果显示，BiLSTM-CRF模型在半结构化中文简历NER任务F1值最高，达到90.4734%，以此证明该模型在中文简历NER任务上有不错潜力。　　最后，由于词向量预处理作为模型输入层直接决定了下游识别任务的效果，因此本文引入预训练语言模型，具体介绍的包括静态预训练语言模型和动态预训练语言模型，以及目前中文命名实体任务常用的BERT预训练语言模型。经过分析并对比各预训练模型优缺点，最后选择将BERT模型和BiLSTM-CRF模型结合。模型通过BERT层对输入的上下文文本数据信息通过编码得到字向量表示，将所取得的字向量作为输入通过BiLSTM模型完成训练，进而提取文本特征，并产生各种可能的标签序列，最后使用过CRF解码获取最优标签序列，完成中文简历信息抽取与识别任务。结果显示，引入预训练语言层后BiLSTM-CRF模型在中文简历识别任务有了不错的提升，识别结果F1值达到94.1706%，由此可见BERT层在中文简历NER任务中有较好的预训练效果。

关键词：自然语言处理中文简历信息抽取中文实体识别双向长短期记忆网络 BERT

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向科技人物简历的信息抽取方法

计算机工程与设计 2021年第11期42卷 3099-3106页

作者：杨永秀白宇蔡东风何佳蔚沈阳航空航天大学人机智能研究中心辽宁沈阳110136

为有效识别科技人物简历中研究领域信息,对部分时间和单位信息精准分类,提出一种基于字词协同的深度学习序列标注模型与梯度提升决策树模型相结合的科技人物简历信息抽取方法。利用字词协同的双向LSTM-CRF模型对科技人物简历文本进行初... 详细信息

为有效识别科技人物简历中研究领域信息,对部分时间和单位信息精准分类,提出一种基于字词协同的深度学习序列标注模型与梯度提升决策树模型相结合的科技人物简历信息抽取方法。利用字词协同的双向LSTM-CRF模型对科技人物简历文本进行初步解析,在此基础上使用梯度提升决策树模型实现对时间和单位信息的分类矫正。实验结果表明,该方法能够准确获取研究领域信息的关键特征,有效结合序列标注模型与分类模型的优点,对科技人物简历信息识别的F1值达到91.84%。

关键词：中文简历信息抽取字词协同梯度提升决策树领域术语

在线全文

学校读者我要写书评

暂无评论

基于字序列的非结构化简历信息解析方法

计算机工程与设计 2019年第6期40卷 1769-1774页

作者：陈毅符磊张剑黄石磊重庆邮电大学光通信与网络重点实验室重庆400065 安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601 北京大学深圳研究院广东深圳518057 深港产学研基地深圳市智能媒体和语音重点实验室广东深圳518057 深港产学研基地产业发展中心广东深圳518057

为有效解决传统简历解析方法效率低、成本高、泛化能力差的问题,提出一种基于字序列的非结构化文本简历解析方法。利用BLSTM对字序列进行建模,获得一个包含字序列信息的词表示;由BLSTM神经网络强大的学习能力对特征进行学习,获得相应的... 详细信息

为有效解决传统简历解析方法效率低、成本高、泛化能力差的问题,提出一种基于字序列的非结构化文本简历解析方法。利用BLSTM对字序列进行建模,获得一个包含字序列信息的词表示;由BLSTM神经网络强大的学习能力对特征进行学习,获得相应的特征;根据前后标签的约束,使用CRF获得最优标签序列(CBLSTM-CRF);利用梯度下降算法训练神经网络,使用预训练字向量、Dropout优化神经网络,完成对中文简历的解析工作。实验结果表明,CBLSTM-CRF方法对简历解析的效果优于传统方案,利用BLSTM对字序列进行建模的方法在其它模型上也取得了较好的效果。

关键词：中文简历字序列非结构化神经网络条件随机场

在线全文

学校读者我要写书评

暂无评论

基于简历文本数据的人才知识图谱构建

基于简历文本数据的人才知识图谱构建

作者：沈振国福建师范大学

学位级别：硕士

近年来,随着高校扩招和人才培养质量的不断提升,社会上高学历人才存量呈快速增长态势。但是,许多企事业单位仍要面对难以找到合适员工的难题,究其原因,一方面是因为这些单位所仰赖的传统招聘方式获取信息的形式往往是被动的,即需要人才... 详细信息

近年来,随着高校扩招和人才培养质量的不断提升,社会上高学历人才存量呈快速增长态势。但是,许多企事业单位仍要面对难以找到合适员工的难题,究其原因,一方面是因为这些单位所仰赖的传统招聘方式获取信息的形式往往是被动的,即需要人才主动投递简历才会获取具体信息;另一方面是因为这些单位所依赖的传统招聘方式对人才地评估比较片面,缺少其他相关求职人员信息的关联和融合。与此同时,在互联网技术与计算机技术发展的共同引导下,人才相关信息的获取成本也大大降低。因此,以计算机技术和数据挖掘技术为基础,构建大规模人才知识图谱以帮助企业和政府主动、准确地匹配人才,势在必行。为此本文将中文简历作为人才知识图谱构建的主要数据来源,利用多种方法对其关键信息进行提取,并构建人才知识图谱。本文主要工作包括以下内容:(1)描述了人才知识图谱的研究背景,阐明了当前企事业单位招聘主要难点,说明了本文研究目的及意义。以命名实体识别技术为重点,知识图谱应用技术为扩展,详细介绍了当前知识图谱构建框架的研究现状,为开展后续工作做好充分的理论准备。(2)对简历文本内容特征和结构特征进行了充分的分析。本文通过对大量简历的浏览,总结出了半结构化简历文本具体结构性与异构性的表现。并以结构性为出发点,定义了简历标题的层级关系;以异构性为准则,结合主观经验与算法的方式构建了简历标题词典。(3)基于词典与规则的方式对简历文本命名实体进行了初步标注。本文依据简历文本结构性特征,利用“夹逼”模式与正则表达式对简历文本中的命名实体信息进行了初步识别与标注。(4)基于神经网络与概率图模型的方式对简历文本命名实体识别进行了精确识别。本文在介绍相关模型基本原理后,利用基于词典与规则方式获取的标注数据训练了多个有监督模型,如条件随机场模型、双向长短期记忆模型等,在实验对各模型结果按字符粒度进行评估比较的同时,验证了迁移学习在半结构化场景的可行性,最终以条件随机场与长短期记忆网络相结合的模型进行了实体信息抽取。(5)结合简历实体信息抽取结果与简历文本结构性构建人才知识图谱。本文首先介绍了图数据库的优势和特点,以及人才知识图谱相关应用场景。并从简历实体信息抽取结果为基础,以知识图谱设计原则为指导,以业务需求为目的,设计并构建了人才知识图谱。

关键词：中文简历条件随机场循环神经网络命名实体识别知识图谱

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向科技人物图谱构建的简历信息抽取

面向科技人物图谱构建的简历信息抽取

作者：杨永秀沈阳航空航天大学

学位级别：硕士

科技人物信息的获取是构建科技人物图谱的重要内容,如何精准有效地抽取非结构化的科技人物简历信息是构建科技人物图谱过程中的关键问题。当前,使用基于深度学习序列标注的信息抽取方法是解析非结构化文本内容的主流方法。但现有方法对... 详细信息

科技人物信息的获取是构建科技人物图谱的重要内容,如何精准有效地抽取非结构化的科技人物简历信息是构建科技人物图谱过程中的关键问题。当前,使用基于深度学习序列标注的信息抽取方法是解析非结构化文本内容的主流方法。但现有方法对科技人物简历文本的处理仍然存在信息表达不充分,相似信息分类混淆的缺点。针对上述问题,本文提出了以下解决方法:第一,由于传统基于字或基于词的深度学习方法并不能有效表达科技人物简历中专业名词较多、组成结构复杂的研究领域信息。本文提出使用基于字词协同的深度学习序列标注方法,有效提高了研究领域信息的抽取效果。第二,由于对科技人物简历的抽取需要区分人物的学习经历和工作经历,然而人物简历中学习和工作经历所包含的时间和单位语言学特征相似,现有序列标注方法不能准确区分其所属经历类别,本文提出在序列标注识别基础上使用GBDT进行分类矫正的方法,有效提高了对时间和单位信息的分类正确率。最后,本文集成了以上两种方法,设计并实现了基于深度学习序列标注与GBDT分类矫正相结合的科技人物简历信息抽取系统,该系统能够有效识别科技人物简历信息,并且实现了对科技人物图谱的更新与查询。

关键词：中文简历信息抽取知识图谱字词协同梯度提升决策树