网站改版后的内容,可以定制衣服的软件,seo是什么姓氏,哪个网站可以做中文云文字前言
本文公开了”讯飞AI算法挑战大赛-校招简历信息完整性检测挑战赛“赛道的技术方案#xff0c;本次比赛主要采用pdf解析和特征工程的方法#xff0c;通过使用lightgbm的树模型10折交叉验证进行二分类的任务#xff0c;最终取得三等奖的成绩。
一、赛题任务
简历智能化…前言
本文公开了”讯飞AI算法挑战大赛-校招简历信息完整性检测挑战赛“赛道的技术方案本次比赛主要采用pdf解析和特征工程的方法通过使用lightgbm的树模型10折交叉验证进行二分类的任务最终取得三等奖的成绩。
一、赛题任务
简历智能化判断需要大量的数据集作为支撑同时简历的半结构化数据特点和多变的简历风格给简历智能化判断带来了挑战本次大赛将提供脱敏的学生中文简历数据集pdf或docx格式作为训练样本参赛选手需要基于提供的样本数据构建模型预测简历是否符合简历投递基本要求。任务如下
简历完整性检测。根据要求提取简历要素特征数据并根据样本数据构建模型预测简历是否符合简历投递基本要求预测结果可分为两个类别即完整标签1或不完整标签0。
二、数据和评价指标
数据脱敏后的学生简历数据集pdf或docx格式。训练数据提供脱敏后的数据集共800余份。测试集不可见由真实简历数据组成共100余份。训练集全部为pdf格式。
注数据集分为正样本和负样本其中正样本为完整性简历数据集符合简历投递基本要求负样本为不完整简历数据集不符合简历投递基本要求。
评价指标F1 score
三、方案
3.1.方案概述
本次比赛主要采用pdf解析和特征工程的方法通过使用lightgbm的树模型10折交叉验证进行二分类的任务。
3.2.pdf2text解析
本次比赛主要实验了以下几种解析工具最终最高分选择了pymupdf
pdfplumberPyPDF2pymupdf…
3.3.特征工程
主要文本特征如下 页数 pdf2text的文本长度 按行切分后的平均长度 按行切分后的最大长度 按行切分后的长度标准差 text字符集合的大小 pdf2text的文本长度-text字符集合的大小 text字符集合的大小/pdf2text的文本长度1 text空格切分后的列表大小 text换行符切分后的列表大小 -的数量 x的数量 xxx的数量 数字的数量 的数量 .com的数量 *的数量 的数量 ****的数量 正则匹配电话号码的数量
特征提取对应的code
pattern r[\D](1\d{10})(?!\d)def extract_feature_from_pdf(path):doc fitz.open(path)all_content []page_nums 0for i in doc.pages():page_nums 1all_content.append(i.get_text())text .join(all_content)text .join(text.split(\n))feat [page_nums,len(text),np.mean([len(x) for x in text.split(\n)]),np.max([len(x) for x in text.split(\n)]),np.std([len(x) for x in text.split(\n)]),len(set(text)),len(text) - len(set(text)),len(set(text)) / (len(text) 1),len(text.split()),len(text.split(\n)),text.count(-),text.count(x),text.count(xxx),sum([text.count(x) for x in 0123456789]),text.count(),text.count(.com),text.count(*),text.count(),text.count(****),len(re.compile(pattern).findall(text)),1 if 正样本 in path else 0,]return feat3.4.训练代码
本次比赛主要使用的是lightgbm的树模型视为二分类任务进行10折交叉验证的训练。
#!/usr/bin/env python
# _*_coding:utf-8_*_
# Author : Junhui Yuimport warningswarnings.simplefilter(ignore)import gcimport pandas as pdpd.set_option(display.max_columns, None)
pd.set_option(display.max_rows, 100)from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import accuracy_score, classification_reportimport lightgbm as lgbimport globimport pandas as pd
from tqdm import tqdm
import numpy as np
import re
import fitzpattern r[\D](1\d{10})(?!\d)def extract_feature_from_pdf(path):doc fitz.open(path)all_content []page_nums 0for i in doc.pages():page_nums 1all_content.append(i.get_text())text .join(all_content)text .join(text.split(\n))feat [page_nums,len(text),np.mean([len(x) for x in text.split(\n)]),np.max([len(x) for x in text.split(\n)]),np.std([len(x) for x in text.split(\n)]),len(set(text)),len(text) - len(set(text)),len(set(text)) / (len(text) 1),len(text.split()),len(text.split(\n)),text.count(-),text.count(x),text.count(xxx),sum([text.count(x) for x in 0123456789]),text.count(),text.count(.com),text.count(*),text.count(),text.count(****),len(re.compile(pattern).findall(text)),1 if 正样本 in path else 0,]return feattrain_paths glob.glob(../xfdata/校招简历信息完整性检测训练集/*/*.pdf)df_train pd.DataFrame(columns[page_nums,text_len,text_len_mean,text_len_max,text_len_std,text_set_len,lentext-lenset,lenset_div_lentext,text_split_len,text_split_ent_len,-_nums,x_nums,xxx_nums,dig_sum,_nums,.com_nums,*_nums,_nums,****_nums,phone_nums,label])for t_p in tqdm(train_paths):df_train.loc[len(df_train)] extract_feature_from_pdf(t_p)not_use_feats [label]
use_features [col for col in df_train.columns if col not in not_use_feats]
print(len(use_features))
train df_train[df_train[label].notna()]NUM_CLASSES 2
FOLDS 10
TARGET labeldef run_lgb(df_train, use_features):target TARGEToof_pred np.zeros((len(df_train), NUM_CLASSES))folds StratifiedKFold(n_splitsFOLDS, shuffleTrue, random_state42)for fold, (tr_ind, val_ind) in enumerate(folds.split(train, train[TARGET])):print(fFold {fold 1})x_train, x_val df_train[use_features].iloc[tr_ind], df_train[use_features].iloc[val_ind]y_train, y_val df_train[target].iloc[tr_ind], df_train[target].iloc[val_ind]train_set lgb.Dataset(x_train, y_train)val_set lgb.Dataset(x_val, y_val)params {learning_rate: 0.1,metric: multiclass,objective: multiclass,num_classes: NUM_CLASSES,feature_fraction: 0.75,bagging_fraction: 0.75,bagging_freq: 2,n_jobs: -1,seed: 1029,max_depth: 10,num_leaves: 100,lambda_l1: 0.5,lambda_l2: 0.8,verbose: -1}model lgb.train(params,train_set,num_boost_round500,early_stopping_rounds100,valid_sets[train_set, val_set],verbose_eval100)oof_pred[val_ind] model.predict(x_val)print(acc:, accuracy_score(np.argmax(oof_pred, axis1), df_train[label]))del x_train, x_val, y_train, y_val, train_set, val_setgc.collect()return oof_pred, modeloof_pred, model run_lgb(train, use_features)
print(classification_report(np.argmax(oof_pred, axis1), df_train[label]))model.save_model(model.txt)
3.5.推理代码
#!/usr/bin/env python
# _*_coding:utf-8_*_
# Author : Junhui Yuimport globimport pandas as pd
import numpy as np
import re
import fitzimport lightgbm as lgbpatter r[\D](1\d{10})(?!\d)def extract_feature_from_pdf(path):doc fitz.open(path)all_content []page_nums 0for i in doc.pages():page_nums 1all_content.append(i.get_text())text .join(all_content)text .join(text.split(\n))feat [page_nums,len(text),np.mean([len(x) for x in text.split(\n)]),np.max([len(x) for x in text.split(\n)]),np.std([len(x) for x in text.split(\n)]),len(set(text)),len(text) - len(set(text)),len(set(text)) / (len(text) 1),len(text.split()),len(text.split(\n)),text.count(-),text.count(x),text.count(xxx),sum([text.count(x) for x in 0123456789]),text.count(),text.count(.com),text.count(*),text.count(),text.count(****),len(re.compile(patter).findall(text)),1 if 正样本 in path else 0,]return featdf pd.DataFrame(columns[page_nums,text_len,text_len_mean,text_len_max,text_len_std,text_set_len,lentext-lenset,lenset_div_lentext,text_split_len,text_split_ent_len,-_nums,x_nums,xxx_nums,dig_sum,_nums,.com_nums,*_nums,_nums,****_nums,phone_nums,label])test_paths glob.glob(/work/data/integrity-check-of-resume-test-set/*.pdf)[:]for t_f in test_paths:df.loc[len(df)] extract_feature_from_pdf(t_f)not_use_feats [label]
use_features [col for col in df.columns if col not in not_use_feats]model lgb.Booster(model_filemodel.txt)y_pred model.predict(df[use_features])predict_label np.argmax(y_pred, axis1)pd.DataFrame({ResumeID: [x.split(/)[-1] for x in test_paths],label: predict_label.astype(int)
}).to_csv(/work/output/result.csv, indexNone)
3.6.特征重要度与f1-score feature split gain
16 *_nums 96 23.080862
15 .com_nums 68 15.428008
6 lentext-lenset 126 12.632440
7 lenset_div_lentext 222 10.997545
13 dig_sum 218 7.045122
1 text_len 110 4.449556
17 _nums 179 4.178767
8 text_split_len 165 4.169549
10 -_nums 137 3.483447
5 text_set_len 184 3.018025
14 _nums 13 2.870494
11 x_nums 94 2.141016
19 phone_nums 16 1.668496
18 ****_nums 12 1.608449
12 xxx_nums 24 1.249654
2 text_len_mean 31 1.066294
0 page_nums 31 0.803168
3 text_len_max 5 0.109109
9 text_split_ent_len 0 0.000000
4 text_len_std 0 0.000000precision recall f1-score support0 0.75 0.84 0.79 1051 0.98 0.96 0.97 710accuracy 0.94 815macro avg 0.86 0.90 0.88 815
weighted avg 0.95 0.94 0.94 815四、延伸
本次比赛任务相对简单如果真正做到应用级别还需要考虑更多维度综合对简历的完整性进行评价。比如简历中核心字段的填充率、设计简历中核心字段的重要性权值等等多维度信息。涉及技术可能有基于实体识别的简历解析从本文特征工程也可以看出技术等。
结论
本文仅记录8月份参与该比赛思路至于代码也很普通。该比赛任务由于比较简单线下指标虚高训练数据与线上评测数据较少耐心做特征工程分数可以非常高并且技术价值不高。因此前前后后投入差不多一个小时左右时间速刷了一下最后偶然获奖。
参考文献
【1】校招简历信息完整性检测挑战赛https://challenge.xfyun.cn/topic/info?typeinformation-integrityoptionssgy
