CN110516261A - 简历评估方法、装置、电子设备及计算机存储介质 - Google Patents

Abstract

本公开实施例涉及信息处理技术领域，公开了一种简历评估方法、装置、电子设备及计算机存储介质，其中，简历评估方法包括：确定获取到的至少一份简历的文本内容；接着基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是归属于所述预定技术领域的概率不小于预定概率阈值的技能词；接着依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。本公开实施例的方法，使得可以完整、精确地从简历文本中提取出属于预定技术领域的技能词，不仅确保了从预定技术领域中提取的技能词的完整性，提高了确定出的技能词的准确性，而且可以避免将一些不相关的词汇误当作技能词。

Description

简历评估方法、装置、电子设备及计算机存储介质

技术领域

本公开实施例涉及信息处理技术领域，具体而言，本公开涉及一种简历评估方法、装置、电子设备及计算机存储介质。

背景技术

随着互联网技术的不断发展，通过电子邮件接收应聘简历的人才招聘方式不断得到各招聘者的青睐。其中，招聘者一般会在发布的招聘启事中公布用于接收应聘简历的招聘邮箱，应聘者可以将简历邮件直接发送至招聘邮箱中，这样，招聘者对接收到的简历邮件进行评估。然而，随着公司规模的扩大，一方面应聘简历的数量与日俱增，另一方面应聘简历的内容也更为优质丰富，为评估简历带来了巨大工作量。

目前，通常是基于文本关键词提取算法，例如TFIDF(term frequency–inversedocument frequency，词频逆文档频率)算法，来从简历文本中提取技能词，以协助招聘者快速评估应聘简历。然而，本公开的发明人在具体实现过程中，发现：通过TFIDF算法无法对特定技术领域(例如互联网领域)的技能词词汇进行精准分词，通常会将一个专有名词拆分为多个词，比如将“自然语言处理”分词为“自然”、“语言”及“处理”，导致无法准确提取出“自然语言处理”这一完整词项，而且TFIDF算法仅根据词频和逆文档频率的乘积进行技能词的选择，导致提取出一些不相关的技能词。

发明内容

本公开实施例的目的旨在至少能解决上述的技术缺陷之一，特提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

一方面，提供了一种简历评估方法，包括：

确定获取到的至少一份简历的文本内容；

基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是识别概率不小于预定概率阈值的技能词；

依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

一方面，提供了一种简历评估装置，包括：

第一确定模块，用于确定获取到的至少一份简历的文本内容；

第二确定模块，用于基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是识别概率不小于预定概率阈值的技能词；

评估模块，用于依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述的简历评估方法。

一方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的简历评估方法。

本公开实施例提供的简历评估方法，通过基于训练后的预定技术领域的技能词识别模型，确定获取到的各份简历的文本内容中分别包括的至少一个技能词，使得可以完整、精确地从简历文本中提取出属于预定技术领域的技能词，不仅确保了从预定技术领域中提取的技能词的完整性，提高了确定出的技能词的准确性，而且可以避免将一些不相关的词汇误当作技能词；依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估，不仅可以提高简历的评估效率，确保简历评估的准确性，而且极大节省了招聘者的评估时间，便于招聘者快速地从简历中了解求职者的特长和技能等。

本公开实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为本公开实施例的简历评估方法的流程示意图；

图2为本公开实施例的简历评估装置的基本结构示意图；

图3为本公开实施例的简历评估装置的详细结构示意图；

图4为本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分，并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元，也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。

本公开实施例提供的简历评估方法、装置、电子设备及计算机存储介质，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本公开实施例的技术方案以及本公开实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本公开的实施例进行描述。

本公开一个实施例提供了一种简历评估方法，该方法由计算机设备执行，该计算机设备可以是终端或者服务器。终端可以是台式设备或者移动终端。服务器可以是独立的物理服务器、物理服务器集群或者虚拟服务器。如图1所示，该方法包括：

步骤S110，确定获取到的至少一份简历的文本内容。

具体地，一方面，招聘者可以将接收到的一份或多份应聘简历(即上述的简历)发送给计算机设备，例如招聘者发布的招聘邮箱接收到应聘者的简历后，就自动转发给计算机设备，相对应地，计算机设备接收招聘者发送的简历。另一方面，计算机设备可以主动从招聘邮箱中获取应聘者的一份或多份简历，例如，计算机设备以每隔5分钟、10分钟、30分钟等的时间间隔，主动访问招聘邮箱，并从招聘邮箱中获取应聘者的一份或多份简历。

具体地，计算机设备获取到一份或多份简历后，确定各份简历分别对应的文本内容，即确定获取到的至少一份简历的文本内容，为后续从简历文本中提取技能语提供前提保障。

步骤S120，基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是归属于预定技术领域的概率不小于预定概率阈值的技能词。

具体地，计算机设备在确定出获取到的至少一份简历的文本内容后，可以将各份简历各自对应的文本内容，输入到训练后的预定技术领域的技能词识别模型，以通过训练后的预定技术领域的技能词识别模型，从各份简历的文本内容中识别出相应的技能词，以确定各份简历的文本内容分别包括的至少一个技能词。

具体地，该训练后的预定技术领域的技能词识别模型可以通过训练过程中确定出的预定概率阈值，来识别确定各份简历的文本内容分别包括的至少一个技能词。其中，技能词识别模型可以通过将从各份简历的文本内容分别识别出的各个技能词的归属于预定技术领域的识别概率，来与预定概率阈值进行比较，确定各份简历的文本内容分别包括的各个技能词。比如，以任一简历A的文本内容A为例，技能词识别模型可以先确定出文本内容A中的各个技能词的识别概率，再将各个技能词的识别概率与预定概率阈值进行比较，如果某个技能词w的识别概率大于或等于预定概率阈值，则认为该某个技能词w是文本内容A的技能词，即将技能词w作为文本内容A的技能词。

步骤S130，依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

具体地，计算机设备在基于训练后的预定技术领域的技能词识别模型，确定出各份简历的文本内容分别包括的至少一个技能词后，可以根据各份简历分别包括的至少一个技能词，对各份简历分别进行评估，以确定各份简历是否符合要求。

具体地，在对各份简历分别进行评估的过程中，可以根据各份简历分别包括的至少一个技能词，来对各份简历分别进行分数计算，并根据分数的高低来对各份简历分别进行评估。在对任一份简历(例如简历A)进行打分的过程中，可以通过设定权重的方式，综合考虑简历A中包括的技能词的数量、关键技能词的数量等，来对简历A进行分数计算，其中，关键技能词是根据招聘需要预先设定的特定技能词。

具体地，在对各份简历分别进行分数计算以后，可以根据分数由高到低对各个份简历进行排序，并将排名最靠前N份简历推送给招聘者，也可以将分数大于预定分数阈值的简历全部推送给招聘者。

本公开实施例提供的简历评估方法，通过基于训练后的预定技术领域的技能词识别模型，确定获取到的各份简历的文本内容中分别包括的至少一个技能词，使得可以完整、精确地从简历文本中提取出属于预定技术领域的技能词，不仅确保了从预定技术领域中提取的技能词的完整性，提高了确定出的技能词的准确性，而且可以避免将一些不相关的词汇误当作技能词；依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估，不仅可以提高简历的评估效率，确保简历评估的准确性，而且极大节省了招聘者的评估时间，便于招聘者快速地从简历中了解求职者的特长和技能等。

在一种可能的实现方式中，在基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词的过程中，可以基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的多个待识别词属于预定技术领域的识别概率；以及将识别概率不小于预定概率阈值的待识别词确定为技能词。

在一种可能的实现方式中，在基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词之前，还包括：基于技能词词典与停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，得到训练后的预定技术领域的技能词识别模型；其中，技能词词典是根据获取到的预定技术领域的多个技能词生成的词典，停用词表是根据获取到的预定技术领域的多个停用词生成的词表。

具体地，在通过预定技术领域的技能词识别模型，从各份简历的文本内容中识别出相应的技能词之前，需要预先对该预定技术领域的技能词识别模型进行训练，在训练过程中，该预定技术领域的技能词识别模型满足预定条件(例如损失函数小于预定阈值、训练次数达到预定次数、模型收敛等)时，则停止训练，即认为此时的预定技术领域的技能词识别模型已经训练好了，随后可以基于该训练好的预定技术领域的技能词识别模型，对获取到的各份简历的文本内容进行技能词识别。其中，上述的技能词识别模型可以是根据长短期记忆网络LSTM算法与条件随机场CRF算法形成的模型。

具体地，可以基于预定技术领域的技能词词典与预定技术领域的停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练。其中，预定技术领域可以是互联网领域、人工智能领域、图像处理领域等等，本公开实施例不对其作限制；而且，技能词词典与停用词表是预先构建的。

具体地，在构建该预定技术领域的技能词词典的过程中，可以通过爬虫互联网技术网站、招聘网站等，来获取该预定技术领域的多个技能词，并根据该多个技能词来构建相应的技能词词典；也可以直接获取并使用其它研究人员已经事先构建好的该预定技术领域的技能词词典；还可以通过将爬虫互联网技术网站、招聘网站等得到的多个技能词，更新到获取到的其它研究人员事先构建好的技能词词典中，来得到更新后的技能词词典。

具体地，在构建该预定技术领域的停用词表的过程中，可以直接获取并使用其它研究人员已经事先构建好的该预定技术领域的停用词表，也可以根据海量简历样本，获取相应的停用词，并根据获取到的停用词构建相应的停用词表；也可以通过将获取到的停用词，更新其它研究人员已经事先构建好的该预定技术领域的停用词表中，来得到更新后的停用词表。其中，停用词是在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词，这些字或词即被称为停用词。

具体地，在基于技能词词典与停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练的过程中，首先，先基于技能词词典，对各个样本简历的文本内容分别进行分词，得到各个样本简历分别对应的多个分词；接着，根据停用词表，对各个样本简历分别对应的多个分词进行停用词滤除；接着，基于滤除停用词后的各个样本简历分别对应的多个分词，对技能词识别模型进行训练。

具体地，假如上述的预定技术领域的样本简历分别为简历1、简历2、简历3、…、简历60，共60个样本简历，则：(1)基于上述的技能词词典，对各个样本简历(简历1、简历2、简历3、…、简历60)的文本内容分别进行分词，得到各个样本简历分别对应的多个分词，比如简历1对应的多个分词分别为W_{1_1}、W_{1_2}、W_{1_3}、W_{1_4}及W_{1_5}，简历2对应的多个分词分别为W_{2_1}、W_{2_2}、W_{2_3}、W_{2_4}及W_{2_5}，依此类推，简历60对应的多个分词分别为W_{60_1}、W_{60_2}、W_{60_3}、W_{60_4}及W_{60_5}。(2)根据上述的停用词表，对各个样本简历分别对应的多个分词(W_{1_1}、W_{1_2}、W_{1_3}、W_{1_4}及W_{1_5}，W_{2_1}、W_{2_2}、W_{2_3}、W_{2_4}及W_{2_5}，…，W_{60_1}、W_{60_2}、W_{60_3}、W_{60_4}及W_{60_5})进行停用词滤除。以样本简历1为例，对停用词滤除进行详细说明：假如样本简历1的多个分词W_{1_1}、W_{1_2}、W_{1_3}、W_{1_4}及W_{1_5}中的W_{1_3}为停用词表中的停用词，则将的W_{1_3}滤除，得到滤除停用词后的各个分词W_{1_1}、W_{1_2}、W_{1_4}及W_{1_5}。(3)基于滤除停用词后的各个样本简历分别对应的多个分词，对技能词识别模型进行训练，仍以上述的样本简历1为例，滤除停用词后的样本简历1的多个分词分别为W_{1_1}、W_{1_2}、W_{1_4}及W_{1_5}，则基于W_{1_1}、W_{1_2}、W_{1_4}及W_{1_5}对技能词识别模型进行训练。

具体地，基于滤除停用词后的各个样本简历分别对应的多个分词，对技能词识别模型进行训练的过程中，首先，基于技能词词典，从滤除停用词后的任一样本简历的多个分词中提取属于预定技术领域的至少一个技能词；接着根据至少一个技能词，对技能词识别模型进行训练。以滤除停用词W_{1_3}后的样本简历1的多个分词W_{1_1}、W_{1_2}、W_{1_4}及W_{1_5}为例，对该过程中具体介绍：首先，基于技能词词典，从滤除停用词后的样本简历1的多个分词W_{1_1}、W_{1_2}、W_{1_4}及W_{1_5}中提取属于预定技术领域的至少一个技能词，假如W_{1_2}与W_{1_4}是属于预定技术领域的技能词，则：基于技能词词典，从滤除停用词W_{1_3}后的样本简历1的多个分词W_{1_1}、W_{1_2}、W_{1_4}及W_{1_5}中，提取出的属于预定技术领域的至少一个技能词分别为W_{1_2}与W_{1_4}；接着，根据该至少一个技能词(W_{1_2}与W_{1_4})，对技能词识别模型进行训练。

具体地，在根据至少一个技能词，对技能词识别模型进行训练的过程中，可以先根据该至少一个技能词，对该任一样本简历的文本内容分别进行技能词标注；再根据标注技能词后的任一样本简历的文本内容，对技能词识别模型进行训练。以获取到的预定技术领域的至少一个技能词W_{1_2}与W_{1_4}为例，首先，根据W_{1_2}与W_{1_4}对样本简历1的文本内容分别进行技能词标注，比如标注样本简历1的第5行的第4个字至第9个字为W_{1_2}、标注样本简历1的第7行的第8个字至第15个字为W_{1_4}；接着，将标注技能词W_{1_2}与W_{1_4}后的样本简历1的文本内容输入到时技能词识别模型，来对技能词识别模型进行训练。

在一种可能的实现方式中，在基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词之后，还可以进一步确定各份简历的文本内容分别包括的各个技能词是否正确，如果任一简历的文本内容包括的任一技能词是正确的，则可以根据该确定正确的技能词对上述的技能词词典进行更新，比如将该确定正确的技能词新增至技能词词典中。

具体地，在确定各份简历的文本内容分别包括的各个技能词是否正确的过程中，可以通过将识别出的各份简历的文本内容分别包括的各个技能词发送给招聘者，由招聘者根据经验判断各个技能词是否正确，并将相应的判断结果反馈给计算机设备，计算机设备根据招聘者的反馈信息，来确定各份简历的文本内容分别包括的各个技能词是否正确。

其中，在根据确定正确的技能词对上述的技能词词典进行更新之后，可以继续基于停用词表与更新后的技能词词典，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，以更新训练后的技能词识别模型，从而在技能词识别模型的使用过程中，不断对该技能词识别模型进行迭代，实现对技能词识别模型的不断优化，逐步提高技能词识别模型的识别准确度，使得技能词识别模型具有一定的泛华能力，不仅可以识别出技能词词典中的技能词，还可以识别出未记载于技能词词典中的技能词。

图2为本公开又一实施例提供的一种简历评估装置的结构示意图，如图2所示，该装置20可以包括第一确定模块21、第二确定模块22与评估模块23，其中：

第一确定模块21，用于确定获取到的至少一份简历的文本内容；

第二确定模块22，用于基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是识别概率不小于预定概率阈值的技能词；

评估模块23，用于依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

图3为本公开又一实施例提供的一种简历评估装置的详细结构示意图，如图3所示，该装置30可以包括第一确定模块31、第二确定模块32、评估模块33、模型训练模块34、第一更新模块35与第二更新模块36。其中，图3中的第一确定模块31所实现的功能与图2中的第一确定模块21相同，图3中的第二确定模块32所实现的功能与图2中的第二确定模块22相同，图3中的评估模块33所实现的功能与图2中的评估模块23相同，在此不再赘述。下面对图3所示的简历评估装置进行详细介绍：

具体地，第二确定模块32具体用于基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的多个待识别词属于预定技术领域的识别概率；以及用于将识别概率不小于预定概率阈值的待识别词确定为技能词。

具体地，模型训练模块34，用于基于技能词词典与停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，得到训练后的预定技术领域的技能词识别模型；

技能词词典是根据获取到的预定技术领域的多个技能词生成的词典，停用词表是根据获取到的预定技术领域的多个停用词生成的词表。

具体地，模型训练模块34包括分词子模块341、滤除子模块342与训练子模块343，其中：

分词子模块341，用于基于技能词词典，对各个样本简历的文本内容分别进行分词，得到各个样本简历分别对应的多个分词；

滤除子模块342，用于根据停用词表，对各个样本简历分别对应的多个分词进行停用词滤除；

训练子模块343，用于基于滤除停用词后的各个样本简历分别对应的多个分词，对技能词识别模型进行训练。

具体地，训练子模块343具体用于基于技能词词典，从滤除停用词后的任一样本简历的多个分词中提取属于预定技术领域的至少一个技能词；以及用于根据至少一个技能词，对技能词识别模型进行训练。

具体地，训练子模块343具体用于根据至少一个技能词，对任一样本简历的文本内容分别进行技能词标注；以及用于根据标注技能词后的任一样本简历的文本内容，对技能词识别模型进行训练。

具体地，还包括第一更新模块35与第二更新模块36，其中：

第一更新模块35，用于确定各份简历的文本内容分别包括的各个技能词是否正确，并根据确定正确的技能词对技能词词典进行更新；

第二更新模块36，用于基于停用词表与更新后的技能词词典，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，以更新训练后的技能识别模型。

具体地，技能词识别模型包括根据长短期记忆网络LSTM算法与条件随机场CRF算法形成的模型。

本公开实施例提供的装置，通过基于训练后的预定技术领域的技能词识别模型，确定获取到的各份简历的文本内容中分别包括的至少一个技能词，使得可以完整、精确地从简历文本中提取出属于预定技术领域的技能词，不仅确保了从预定技术领域中提取的技能词的完整性，提高了确定出的技能词的准确性，而且可以避免将一些不相关的词汇误当作技能词；依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估，不仅可以提高简历的评估效率，确保简历评估的准确性，而且极大节省了招聘者的评估时间，便于招聘者快速地从简历中了解求职者的特长和技能等。

需要说明的是，本实施例为与上述的方法项实施例相对应的装置项实施例，本实施例可与上述方法项实施例互相配合实施。上述方法项实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在上述方法项实施例中。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

电子设备包括存储器以及处理器，其中，这里的处理器可以称为下方所述的处理装置401，存储器包括下文中的只读存储器(ROM)402、随机访问存储器(RAM)403以及存储装置408中的至少一项，具体如下所示：

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定获取到的至少一份简历的文本内容；基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是识别概率不小于预定概率阈值的技能词；依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取模块还可以被描述为“检测到发生预定直播事件时，获取预定直播事件对应的至少一种事件处理方式的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，提供了一种简历评估方法，包括：

确定获取到的至少一份简历的文本内容；

基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是归属于预定技术领域的概率不小于预定概率阈值的技能词；

依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

在一种实现方式中，基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，包括：

基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的多个待识别词属于预定技术领域的识别概率；

将识别概率不小于预定概率阈值的待识别词确定为技能词。

在一种实现方式中，在基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词之前，还包括：

基于技能词词典与停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，得到训练后的预定技术领域的技能词识别模型；

技能词词典是根据获取到的预定技术领域的多个技能词生成的词典，停用词表是根据获取到的预定技术领域的多个停用词生成的词表。

在一种实现方式中，基于技能词词典与停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，包括：

基于技能词词典，对各个样本简历的文本内容分别进行分词，得到各个样本简历分别对应的多个分词；

根据停用词表，对各个样本简历分别对应的多个分词进行停用词滤除；

基于滤除停用词后的各个样本简历分别对应的多个分词，对技能词识别模型进行训练。

在一种实现方式中，基于滤除停用词后的任一样本简历的多个分词，对技能词识别模型进行训练，包括：

基于技能词词典，从滤除停用词后的任一样本简历的多个分词中提取属于预定技术领域的至少一个技能词；

根据至少一个技能词，对技能词识别模型进行训练。

在一种实现方式中，根据至少一个技能词，对技能词识别模型进行训练，包括：

根据至少一个技能词，对任一样本简历的文本内容分别进行技能词标注；

根据标注技能词后的任一样本简历的文本内容，对技能词识别模型进行训练。

在一种实现方式中，在基于训练后的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词之后，还包括：

确定各份简历的文本内容分别包括的各个技能词是否正确，并根据确定正确的技能词对技能词词典进行更新；

基于停用词表与更新后的技能词词典，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，以更新训练后的技能词识别模型。

在一种实现方式中，技能词识别模型包括根据长短期记忆网络LSTM算法与条件随机场CRF算法形成的模型。

根据本公开的一个或多个实施例，提供了一种简历评估装置，包括：

第一确定模块，用于确定获取到的至少一份简历的文本内容；

第二确定模块，用于基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，至少一个技能词是归属于所述预定技术领域的概率不小于预定概率阈值的技能词；

评估模块，用于依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

在一种实现方式中，第二确定模块具体用于基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的多个待识别词属于预定技术领域的识别概率；以及用于将识别概率不小于预定概率阈值的待识别词确定为技能词。

在一种实现方式中，还包括模型训练模块；

模型训练模块，用于基于技能词词典与停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，得到训练后的预定技术领域的技能词识别模型；

技能词词典是根据获取到的预定技术领域的多个技能词生成的词典，停用词表是根据获取到的预定技术领域的多个停用词生成的词表。

在一种实现方式中，模型训练模块包括分词子模块、滤除子模块与训练子模块；

分词子模块，用于基于技能词词典，对各个样本简历的文本内容分别进行分词，得到各个样本简历分别对应的多个分词；

滤除子模块，用于根据停用词表，对各个样本简历分别对应的多个分词进行停用词滤除；

训练子模块，用于基于滤除停用词后的各个样本简历分别对应的多个分词，对技能词识别模型进行训练。

在一种实现方式中，训练子模块具体用于基于技能词词典，从滤除停用词后的任一样本简历的多个分词中提取属于预定技术领域的至少一个技能词；以及用于根据至少一个技能词，对技能词识别模型进行训练。

在一种实现方式中，训练子模块具体用于根据至少一个技能词，对任一样本简历的文本内容分别进行技能词标注；以及用于根据标注技能词后的任一样本简历的文本内容，对技能词识别模型进行训练。

在一种实现方式中，还包括第一更新模块与第二更新模块；

第一更新模块，用于确定各份简历的文本内容分别包括的各个技能词是否正确，并根据确定正确的技能词对技能词词典进行更新；

第二更新模块，用于基于停用词表与更新后的技能词词典，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，以更新训练后的技能识别模型。

在一种实现方式中，技能词识别模型包括根据长短期记忆网络LSTM算法与条件随机场CRF算法形成的模型。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种简历评估方法，其特征在于，包括：

确定获取到的至少一份简历的文本内容；

基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，所述至少一个技能词是归属于所述预定技术领域的概率不小于预定概率阈值的技能词；

依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

2.根据权利要求1所述的方法，其特征在于，基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，包括：

基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的多个待识别词属于所述预定技术领域的识别概率；

将识别概率不小于预定概率阈值的待识别词确定为技能词。

3.根据权利要求1所述的方法，其特征在于，在基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词之前，还包括：

基于技能词词典与停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，得到训练后的预定技术领域的技能词识别模型；

所述技能词词典是根据获取到的所述预定技术领域的多个技能词生成的词典，所述停用词表是根据获取到的所述预定技术领域的多个停用词生成的词表。

4.根据权利要求3所述的方法，其特征在于，基于所述技能词词典与所述停用词表，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，包括：

基于所述技能词词典，对各个样本简历的文本内容分别进行分词，得到各个样本简历分别对应的多个分词；

根据所述停用词表，对各个样本简历分别对应的多个分词进行停用词滤除；

基于滤除停用词后的各个样本简历分别对应的多个分词，对技能词识别模型进行训练。

5.根据权利要求4所述的方法，其特征在于，基于滤除停用词后的任一样本简历的多个分词，对技能词识别模型进行训练，包括：

基于所述技能词词典，从滤除停用词后的任一样本简历的多个分词中提取属于所述预定技术领域的至少一个技能词；

根据所述至少一个技能词，对技能词识别模型进行训练。

6.根据权利要求5所述的方法，其特征在于，根据所述至少一个技能词，对技能词识别模型进行训练，包括：

根据所述至少一个技能词，对所述任一样本简历的文本内容分别进行技能词标注；

根据标注技能词后的所述任一样本简历的文本内容，对技能词识别模型进行训练。

7.根据权利要求1所述的方法，其特征在于，在基于训练后的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词之后，还包括：

确定各份简历的文本内容分别包括的各个技能词是否正确，并根据确定正确的技能词对所述技能词词典进行更新；

基于停用词表与更新后的技能词词典，根据预定技术领域的预设数量的样本简历，对技能词识别模型进行训练，以更新训练后的技能词识别模型。

8.根据权利要求1-6任一项所述的方法，其特征在于，所述技能词识别模型包括根据长短期记忆网络LSTM算法与条件随机场CRF算法形成的模型。

9.一种简历评估装置，其特征在于，包括：

第一确定模块，用于确定获取到的至少一份简历的文本内容；

第二确定模块，用于基于训练后的预定技术领域的技能词识别模型，确定各份简历的文本内容分别包括的至少一个技能词，所述至少一个技能词是归属于所述预定技术领域的概率不小于预定概率阈值的技能词；

评估模块，用于依据各份简历的文本内容分别包括的各个技能词，对相应的各份简历分别进行评估。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任一项所述的简历评估方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一项所述的简历评估方法。