java——》解析简历

版权声明：本文为博主原创文章，无需授权即可转载，甚至无需保留以上版权声明，转载时请务必注明作者。
https://blog.csdn.net/weixin_43453386/article/details/86605054

一、半格式化文本特征分析

具体流程：
1、 word 简历分块处理；
2、 每一块内容进行了分割处理
3、 文本分成两部分处理（基本信息和复杂信息）；
4、 对处理的文本再进行一次回溯处理，找出第一次未能分析的内容；
5、 针对重点字段再解析

1、内容组织——》元

• 特点：
  离散
  具有独立完整意义的文本段
• 分割标志：
  如回车、空格、冒号等等　或内容的（如标志性词语）

2、内容结构——》项

• 特点：
  相对独立的
  具有完整意义
  绝大多数项都具有“标题+内容”的结构

３、项的内容——》分成两大类：基本项和复杂项

• 基本项：通常是“一个标题元+一个内容元”的形式（一对一）
• 复杂项：通常是“一个标题元+多个内容元”的形式（一对多）

4、简历分块

• 基本项：集中的区域里（文本首尾区域）
• 复杂项：集中分布一个区域内（如：工作经验）

5、文本内容标识性的强弱——》强标识、弱标识、无标识

• 强标识：大概率50%以上，如"姓名"
• 弱标识：可能属于多个类别或者不具有标识类别的效果
• 无标识：不具有标识其类别的特点，也不能通过上下文来判别其类别，通常来说是因为不含有任何必要关键字造成的

6、文本的组织顺序

• 策略：二级识别
• 做法：
  第一级识别:每一条基本信息看作一个目标识别单元，复杂信息模块按整体看作一个目标识别单元
  第二级识别:针对复杂信息模块，最终识别出所需要的全部子字段

二、简历分块算法

1、描述

• 1.明确强标识界限标志的模块，如：教育经历模块，工作经历模块、自我评价模块等等；
• 2.模块以正则表达式的形式存入字典，形成预设值；
• 3.通过匹配的方法，找出目标简历中相关的分割标志，得到预设值集合；
• 4.统计已知标志的特征信息，得到分割标志的一般特征向量；
• 5.计算每一段落的文本向量和特征向量的夹角；