讯飞AI算法挑战大赛-校招简历信息完整性检测挑战赛-三等奖方案

本文主要是介绍讯飞AI算法挑战大赛-校招简历信息完整性检测挑战赛-三等奖方案，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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

pdfplumber
PyPDF2
pymupdf
…

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 feat

3.4.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 = 'label'def run_lgb(df_train, use_features):target = TARGEToof_pred = np.zeros((len(df_train), NUM_CLASSES))folds = StratifiedKFold(n_splits=FOLDS, shuffle=True, random_state=42)for fold, (tr_ind, val_ind) in enumerate(folds.split(train, train[TARGET])):print(f'Fold {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_round=500,early_stopping_rounds=100,valid_sets=[train_set, val_set],verbose_eval=100)oof_pred[val_ind] = model.predict(x_val)print('acc:', accuracy_score(np.argmax(oof_pred, axis=1), 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, axis=1), 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_file='model.txt')y_pred = model.predict(df[use_features])predict_label = np.argmax(y_pred, axis=1)pd.DataFrame({'ResumeID': [x.split('/')[-1] for x in test_paths],'label': predict_label.astype(int)
}).to_csv('/work/output/result.csv', index=None)

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