[发明专利]网页简历页面的信息抽取方法和装置

说明书

本发明涉及一种网页简历页面的信息抽取方法、装置、计算机设备和存储介质，上述网页简历页面的信息抽取方法通过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，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，以实现所需简历信息的准确提取，可以提高简历信息的抽取效率。

技术领域

本申请涉及信号处理技术领域，特别是涉及一种网页简历页面的信息抽取方法、装置、计算机设备和存储介质。

背景技术

在相关招聘网页平台，简历往往以网页界面的形式存在，从大量简历网页界面抽取所需信息是获取简历信息的一个重要途径。传统的方法往往是将简历网页界面的数据通过人工录入或者是简单的字符串匹配算法进行少量的信息提取，信息提取的速度较慢，效率不高，对很多人名的识别效果也不佳，导致信息抽取效果低下。而且由于是对简历网页数据的信息抽取，所以在命名体识别及关系构建上尤为关键。

从自然语言文本中获取结构化知识的研究，最早开始于20世纪60年代中期，这被看作是信息抽取技术的初始研究。从20世纪80年代末开始，信息抽取研究蓬勃开展起来，这主要得益于消息理解会议(MUC，Message Understanding Conference)的召开。正是MUC系列会议使信息抽取成为了自然语言处理领域的一个重要分支，并一直推动这一领域研究的发展。从1987年到1998年，MUC会议共举行了七届，他由美国国防高级研究计划委员会资助。MUC的显著特点不是该会议本身，而是发布了对信息抽取系统的评测，估计世界各国的研究人员参与其中。近些年，信息抽取技术的研究依然很活跃。在研究方面，主要侧重利用机器学习技术增加信息抽取系统的可移植能力、探索深层语义理解技术、篇章分析技术、多语言文本处理能力、WEB信息抽取以及对时间信息的处理等等。目前，除了信息抽取技术的应用需求外，正在推动该技术进一步发展的动力主要来自于美国国家标准技术研究所(NIST)组织的自动内容抽取(ACE)评测会议。这项评测从2000年开始启动，旨在开发自动内容抽取技术以支持对三种不同来源的语言文本自动处理，这些文本分别属于普通文本、由语言识别ASR得到的文本，由光学字符识别OCR得到的文本，研究主要内容是自动抽取新闻预料中出现的实体、关系、事件等内容。与MUC相比，ACE会议不针对某个具体的领域或场景，采用基于漏报和误报的一套评价体系，还对系统跨文档处理能力进行评测。这一新的评测会议把信息抽取技术研究引向新的高度。

信息抽取的具体实现方法可以分为两类：基于规则的方法和基于统计的方法。基于规则的方法有一定局限性，如人工编织规则的过程较复杂、通过机器学习得到的规则效率偏低，系统移植性差等。基于统计的方法可以一定程度上弥补基于规则的缺陷，然而传统的信息抽取方案仍然存在抽取效率低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高简历信息抽取效率的网页简历页面的信息抽取方法、装置、计算机设备和存储介质。

一种网页简历页面的信息抽取方法，所述方法包括：

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。

在一个实施例中，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；