【技术实现步骤摘要】
本专利技术涉及简历生成的，尤其涉及一种简历的生成方法、装置、电子设备和存储介质。
技术介绍
1、在求职过程中，个人简历是展示个人能力、经验和成就的重要文件，通过人工整理效率较低。随着人工智能技术的发展，可以自动化、智能化地帮助求职者生成更为精准和个性化的简历，有效提高了简历的整理效率。现有技术中，虽然存在一些简历生成工具，但它们在实施整合方面仍存在一定的局限性，无法充分体现求职者的特点和能力。
2、因此，如何兼顾简历生成的效率和准确性，是目前亟待解决的技术问题。
技术实现思路
1、本专利技术提供的一种简历的生成方法、装置、电子设备和存储介质，能够兼顾简历生成的效率和准确性。
2、本专利技术实施例提供了以下方案：
3、第一方面，本专利技术实施例提供了一种简历的生成方法，方法包括：
4、获取求职对象的历史工作经历的目标文本；
5、对目标文本进行分词和词性标注处理，以获得求职对象的经历要素集合，其中，经历要素集合的每组要素包括拆分词汇和对应词性；
6、对经历要素集合进行要素特征提取，以获得求职对象的目标要素；
7、根据目标要素确定求职对象的至少一个目标求职岗位，以及目标求职岗位所对应的简历模板；
8、将目标文本输入预设的文本处理模型，使目标文本基于目标求职岗位的表述需求输入简历模板；
9、根据简历模板的文本输入结果，获得求职对象针对目标求职岗位的目标简历。
10、在一种
11、根据预设的分词处理模型和词频统计模型对目标文本进行分词处理，以获得多个目标词汇；
12、将多个目标词汇输入词性标注模型，以获得目标词汇的初始处理结果；
13、根据实体处理模型对初始处理结果进行特征分类，以获得经历要素集合。
14、在一种可选的实施例中，分词处理模型包括隐马尔可夫模型和条件随机场模型；根据预设的分词处理模型和词频统计模型对目标文本进行分词处理，以获得多个目标词汇，包括：
15、在目标文本的文本量小于或等于预设阈值时，将目标文本输入隐马尔可夫模型和词频统计模型，以获得多个第一目标词汇；
16、在目标文本的文本量大于预设阈值时，将目标文本输入条件随机场模型和词频统计模型，以获得多个第二目标词汇。
17、在一种可选的实施例中，获得求职对象的经历要素集合之后，方法还包括：
18、根据图论模型和深度随机游走模型对经历要素集合中的所有要素进行关联处理，以获得经历要素集合的要素知识图谱；
19、根据图卷积网络模型对要素知识图谱进行节点特征提取，并基于提取结果更新经历要素集合。
20、在一种可选的实施例中，对经历要素集合进行要素特征提取，以获得求职对象的目标要素，包括：
21、将经历要素集合的每个分词及其所对应的词性标签映射为词向量，以获得词向量集合；
22、根据卷积神经网络模型对词向量集合进行特征提取，以获得至少一个目标词向量；
23、对所有的目标词向量进行经历要素的类别划分，并根据划分结果进行聚类处理；
24、根据聚类处理的输出结果获得求职对象的目标要素。
25、在一种可选的实施例中，根据目标要素确定求职对象的至少一个目标求职岗位，以及目标求职岗位所对应的简历模板，包括：
26、根据目标要素和不同求职岗位所表征的岗位特征进行岗位匹配，并将匹配结果确定为目标求职岗位；
27、获取目标求职岗的特征词汇，以及特征词汇所对应的词汇权重；
28、根据特征词汇和词汇权重进行加权计算，并基于计算结果在预设的模板库中确定出目标求职岗位所对应的简历模板。
29、在一种可选的实施例中，文本处理模型包括文本生成子模型、生成对抗网络子模型和循环神经网络子模型；将目标文本输入预设的文本处理模型，使目标文本基于求职岗位的表述需求输入简历模板，包括：
30、将目标文本输入文本生成子模型，基于文本生成子模型的输出结果获得初始简历文本；
31、根据生成对抗网络子模型和表述需求的内容需求信息，对初始简历文本进行表述内容优化，以获得优化简历文本；
32、根据循环神经网络子模型和表述需求的语序需求信息，对优化简历文本进行表达语序优化，以获得目标简历文本；
33、将目标简历文本输入简历模板的对应信息栏。
34、第二方面，本专利技术实施例还提供了一种简历的生成装置，装置包括：
35、获取模块，用于获取求职对象的历史工作经历的目标文本，其中，求职对象为待生成简历的对象；
36、第一获得模块，用于对目标文本进行分词和词性标注处理，以获得求职对象的经历要素集合，其中，经历要素集合的每组要素包括拆分词汇和对应词性；
37、第二获得模块，用于对经历要素集合进行要素特征提取，以获得求职对象的目标要素；
38、确定模块，用于根据目标要素确定求职对象的至少一个目标求职岗位，以及目标求职岗位所对应的简历模板；
39、输入模块，用于将目标文本输入预设的文本处理模型，使目标文本基于目标求职岗位的表述需求输入简历模板；
40、第三获得模块，用于根据简历模板的文本输入结果，获得求职对象针对目标求职岗位的目标简历。
41、第三方面，本专利技术实施例还提供了一种电子设备，，包括处理器和存储器，存储器耦接到处理器，存储器存储指令，当指令由处理器执行时使电子设备执行第一方面中任一项方法的步骤。
42、第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项方法的步骤。
43、本专利技术的一种简历的生成方法、装置、电子设备和存储介质与现有技术相比，具有以下优点：
44、本专利技术的技术方案通过获取求职对象的历史工作经历的目标文本，对目标文本进行分词和词性标注处理，获得求职对象的经历要素集合；由于经历要素集合的每组要素包括拆分词汇和对应词性，对经历要素集合进行要素特征提取，进一步获得求职对象的目标要素；根据目标要素确定求职对象的至少一个目标求职岗位，以及目标求职岗位所对应的简历模板；将目标文本输入预设的文本处理模型，使目标文本基于目标求职岗位的表述需求输入简历模板；根据简历模板的文本输入结果，获得求职对象针对目标求职岗位的目标简历。该方案基于求职对象的历史工作经历匹配对应的目标求职岗位和简历模板，并结合人工智能技术将目标文本以其所需的表述需求输入简历模板，使目标简历更适用于该求职岗位的表述，目标简历中所填写的文本更适用于该目标求职岗位的表述方式，提高了简历生成的准确性；由于基于人工智能技术实施该方案，简历具有较高的生成效率，进而能够兼顾简历生成的效率和准确性。同时，该方法减少了传统方法整合简本文档来自技高网...
【技术保护点】
1.一种简历的生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的简历的生成方法，其特征在于，所述对所述目标文本进行分词和词性标注处理，以获得所述求职对象的经历要素集合，包括：
3.根据权利要求2所述的简历的生成方法，其特征在于，所述分词处理模型包括隐马尔可夫模型和条件随机场模型；所述根据预设的分词处理模型和词频统计模型对所述目标文本进行分词处理，以获得多个目标词汇，包括：
4.根据权利要求1所述的简历的生成方法，其特征在于，所述获得所述求职对象的经历要素集合之后，所述方法还包括：
5.根据权利要求1所述的简历的生成方法，其特征在于，所述对所述经历要素集合进行要素特征提取，以获得所述求职对象的目标要素，包括：
6.根据权利要求1所述的简历的生成方法，其特征在于，所述根据所述目标要素确定所述求职对象的至少一个目标求职岗位，以及所述目标求职岗位所对应的简历模板，包括：
7.根据权利要求1所述的简历的生成方法，其特征在于，所述文本处理模型包括文本生成子模型、生成对抗网络子模型和循环神经网络子模型；所述将所
8.一种简历的生成装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电子设备执行权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种简历的生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的简历的生成方法，其特征在于，所述对所述目标文本进行分词和词性标注处理，以获得所述求职对象的经历要素集合，包括：
3.根据权利要求2所述的简历的生成方法，其特征在于，所述分词处理模型包括隐马尔可夫模型和条件随机场模型；所述根据预设的分词处理模型和词频统计模型对所述目标文本进行分词处理，以获得多个目标词汇，包括：
4.根据权利要求1所述的简历的生成方法，其特征在于，所述获得所述求职对象的经历要素集合之后，所述方法还包括：
5.根据权利要求1所述的简历的生成方法，其特征在于，所述对所述经历要素集合进行要素特征提取，以获得所述求职对象的目标要素，包括：
6.根据权利要求1所述的简历的生成方法，其特征在于，所述根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。