CN113408507A - 基于履历文件的命名实体识别方法、装置和电子设备 - Google Patents

Abstract

本公开的实施例公开了基于履历文件的命名实体识别方法、装置和电子设备。该方法的一具体实施方式包括：获取履历文件；响应于确定履历文件的文件类型为目标文件类型，根据履历文件，生成至少一个文本区域图像；对至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组；对子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像；识别归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合；根据字符信息集合，生成文本信息；根据字符信息集合、文本信息和目标命名实体识别模型，生成实体信息集合。该实施方式提高了实体识别的准确率。

Description

基于履历文件的命名实体识别方法、装置和电子设备

技术领域

本公开的实施例涉及计算机技术领域，具体涉及基于履历文件的命名实体识别方法、装置和电子设备。

背景技术

随着自然语言处理技术的发展，自然语言处理的应用越来越广泛。命名实体识别是许多自然语言处理技术，例如，知识图谱构建，信息提取等技术的基石。因此，提高针对履历文件的命名实体识别的准确率能够有效的提高对履历文件的信息提取的准确率。目前，在对履历文件进行实体识别时，通常采用的方式为：通过人工设置的实体识别规则，来从履历文件中提取实体信息。

然而，当采用上述方式时，经常会存在如下技术问题：

第一，当实体识别的领域发生变化时，采用先前设置的实体识别规则可能影响实体识别的准确率；

第二，在对实体识别模型进行训练时，往往需要大量的训练数据，对实体识别模型进行训练以保证模型的健壮性和预测的准确性，但是对履历文件进行标注以生成训练数据，往往需要消耗大量的人力资源。

发明内容

本公开的内容部分用于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。本公开的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。

本公开的一些实施例提出了基于履历文件的命名实体识别方法、装置和电子设备，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种基于履历文件的命名实体识别方法，该方法包括：获取履历文件；响应于确定上述履历文件的文件类型为目标文件类型，根据上述履历文件，生成至少一个文本区域图像；对上述至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合；对上述子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合；识别上述归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合，其中，上述字符信息集合中的字符信息包括：字符和字符位置信息；根据上述字符信息集合，生成文本信息；根据上述字符信息集合、上述文本信息和目标命名实体识别模型，生成实体信息集合。

可选地，上述根据上述履历文件，生成至少一个文本区域图像，包括：对上述履历文件进行二值化处理，以生成第一候选履历文件；对上述第一候选履历文件进行降噪处理，以生成第二候选履历文件；对上述第二候选履历文件进行文本区域分割，以生成上述至少一个文本区域图像。

可选地，上述对上述第二候选履历文件进行文本区域分割，以生成上述至少一个文本区域图像，包括：确定上述第二候选履历文件中的文本区域，得到至少一个文本区域；对上述至少一个文本区域中的文本区域进行聚类，以生成文本区域图像，得到上述至少一个文本区域图像。

可选地，上述根据上述字符信息集合、上述文本信息和目标命名实体识别模型，生成实体信息集合，包括：对上述字符信息集合中的每个字符信息进行编码以生成字符信息向量，得到字符信息向量集合，其中，上述字符信息向量集合中的字符信息向量由字符向量和字符位置信息向量构成；对上述文本信息进行编码，以生成文本信息向量；将上述文本信息向量和上述字符信息向量集合中的每个字符信息向量进行拼接，以生成输入向量，得到输入向量集合；将上述输入向量集合，输入上述目标命名实体识别模型，以生成上述实体信息集合。

可选地，上述目标命名实体识别模型通过以下训练步骤得到：通过目标域训练样本数据集合对初始命名实体识别模型，进行模型参数调整，以生成上述目标命名实体识别模型，其中，上述目标域训练样本数据集合中的目标域训练样本数据包括的特征词的长度不大于目标长度。

可选地，上述目标域训练样本数据集合通过以下步骤得到：对源域训练样本数据集合中的每个源域训练样本数据进行特征映射，以生成源域数据向量，得到源域数据向量集合；对候选训练样本数据集合中的每个候选训练样本数据进行特征映射，以生成候选训练样本数据向量，得到候选训练样本数据向量集合；将上述候选训练样本数据向量集合中每个候选训练样本数据向量与上述源域数据向量集合中的源域数据向量的相似度，确定为相似度数值，得到相似度数值组集合；对于上述候选训练样本数据向量集合中的每个候选训练样本数据向量，响应于确定上述候选训练样本数据向量对应的相似度数值组中存在相似度数值满足预设条件，将上述候选训练样本数据向量对应的候选训练样本数据，确定为目标域训练样本数据。

可选地，上述方法还包括：对于上述实体信息集合中的每个实体信息，响应于确定目标字典中不存在上述实体信息，确定上述实体信息在上述实体信息集合中的出现频次，以生成频次值，以及响应于确定上述频次值大于目标频次值，将上述实体信息加入上述目标词典。

第二方面，本公开的一些实施例提供了一种基于履历文件的命名实体识别装置，装置包括：获取单元，被配置成获取履历文件；生成单元，被配置成响应于确定上述履历文件的文件类型为目标文件类型，根据上述履历文件，生成至少一个文本区域图像；图像分割单元，被配置成对上述至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合；图像尺寸归一化处理单元，被配置成对上述子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合；识别上述归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合，其中，上述字符信息集合中的字符信息包括：字符和字符位置信息；根据上述字符信息集合，生成文本信息；根据上述字符信息集合、上述文本信息和目标命名实体识别模型，生成实体信息集合。

可选地，上述第一生成单元被配置成：对上述履历文件进行二值化处理，以生成第一候选履历文件；对上述第一候选履历文件进行降噪处理，以生成第二候选履历文件；对上述第二候选履历文件进行文本区域分割，以生成上述至少一个文本区域图像。

可选地，上述第一生成单元被配置成：确定上述第二候选履历文件中的文本区域，得到至少一个文本区域；对上述至少一个文本区域中的文本区域进行聚类，以生成文本区域图像，得到上述至少一个文本区域图像。

可选地，上述第三生成单元被配置成：对上述字符信息集合中的每个字符信息进行编码以生成字符信息向量，得到字符信息向量集合，其中，上述字符信息向量集合中的字符信息向量由字符向量和字符位置信息向量构成；对上述文本信息进行编码，以生成文本信息向量；将上述文本信息向量和上述字符信息向量集合中的每个字符信息向量进行拼接，以生成输入向量，得到输入向量集合；将上述输入向量集合，输入上述目标命名实体识别模型，以生成上述实体信息集合。

可选地，上述目标命名实体识别模型通过以下训练步骤得到：通过目标域训练样本数据集合对初始命名实体识别模型，进行模型参数调整，以生成上述目标命名实体识别模型，其中，上述目标域训练样本数据集合中的目标域训练样本数据包括的特征词的长度不大于目标长度。

可选地，上述目标域训练样本数据集合通过以下步骤得到：对源域训练样本数据集合中的每个源域训练样本数据进行特征映射，以生成源域数据向量，得到源域数据向量集合；对候选训练样本数据集合中的每个候选训练样本数据进行特征映射，以生成候选训练样本数据向量，得到候选训练样本数据向量集合；将上述候选训练样本数据向量集合中每个候选训练样本数据向量与上述源域数据向量集合中的源域数据向量的相似度，确定为相似度数值，得到相似度数值组集合；对于上述候选训练样本数据向量集合中的每个候选训练样本数据向量，响应于确定上述候选训练样本数据向量对应的相似度数值组中存在相似度数值满足预设条件，将上述候选训练样本数据向量对应的候选训练样本数据，确定为目标域训练样本数据。

可选地，上述装置还包括：对于上述实体信息集合中的每个实体信息，响应于确定目标字典中不存在上述实体信息，确定上述实体信息在上述实体信息集合中的出现频次，以生成频次值，以及响应于确定上述频次值大于目标频次值，将上述实体信息加入上述目标词典。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的基于履历文件的命名实体识别方法，提高了实体识别的准确率。具体来说，造成实体识别准确率较低的原因在于：采用人工设置的实体识别规则，当实体识别的领域发生变化时，可能会降低实体识别的准确率。基于此，本公开的一些实施例的基于履历文件的命名实体识别方法，首先，获取履历文件。然后，响应于确定上述履历文件的文件类型为目标文件类型，根据上述履历文件，生成至少一个文本区域图像。实际情况中，往往存在一些难以直接提取内容的履历文件。例如，图片格式等。因此，通过采用与履历文件的文件类型对应的实体识别方法，能够大大的提高实体识别的准确率。其次，履历文件中往往包含至少一个模块，例如，“教育背景”模块，“基本信息”模块和“教育经历”模块等。每个模块内的文本往往存在一定的关联性，因此通过生成至少一个文本区域图像，能够保留模块内文本的关联性特征，从而提高对履历文本的文本识别的准确率。然后，对上述至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合。通过对文本区域图像进行图像分割，从而得到每个字对应的子文本区域图像。进一步，对上述子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合。实际情况中，履历文件中往往包含不同字号的文字，因此通过图像分割得到的子文本区域图像的分辨率往往不同，通过图像尺寸归一化处理，能够保证文本区域图像的分辨率的统一性。此外，识别上述归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合。通过逐一识别归一化文本区域图像中包含的字符，从而得到履历文件对应的字符信息集合。进一步，根据上述字符信息集合，生成文本信息。由于履历文件中的文本包括的字符之间的位置关系也可能影响实体识别的准确率，因此，通过字符信息集合，生成文本信息，能够有效地保留相邻字符之间的位置关系的特征。最后，根据上述字符信息集合、上述文本信息和目标命名实体识别模型，生成实体信息集合。此种方法无需设置复杂的实体识别规则，同时，也大大的提高了实体识别的识别准确率和识别效率。

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，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的基于履历文件的命名实体识别方法的一个应用场景的示意图；

图2是根据本公开的基于履历文件的命名实体识别方法的一些实施例的流程图；

图3是履历文件的示意图；

图4是根据字符信息集合，生成文本信息的示意图；

图5是根据本公开的基于履历文件的命名实体识别方法的另一些实施例的流程图；

图6是根据本公开的基于履历文件的命名实体识别装置的一些实施例的结构示意图；

图7是适于用来实现本公开的一些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。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、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。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的基于履历文件的命名实体识别方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以获取履历文件102；然后，计算设备101可以响应于确定上述履历文件102的文件类型为目标文件类型，根据上述履历文件102，生成至少一个文本区域图像103；其次，计算设备101对上述至少一个文本区域图像103中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合104；进一步，计算设备101对上述子文本区域图像组集合104中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合105；此外，计算设备101识别上述归一化文本区域图像组集合105中每个归一化文本区域图像包括的字符，以生成字符信息集合106，其中，上述字符信息集合106中的字符信息包括：字符和字符位置信息；另外，计算设备101根据上述字符信息集合106，生成文本信息107；最后，计算设备101根据上述字符信息集合106、上述文本信息107和目标命名实体识别模型108，生成实体信息集合109。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的基于履历文件的命名实体识别方法的一些实施例的流程200。该基于履历文件的命名实体识别方法，包括以下步骤：

步骤201，获取履历文件。

在一些实施例中，基于履历文件的命名实体识别方法的执行主体（例如图1所示的计算设备101）可以通过有线连接，或无线连接的方式从目标数据库获取上述履历文件。其中，上述目标数据库可以是用于存储履历文件的数据库。上述目标数据库可以是分布式数据库，例如，HBase数据库。上述履历文件可以是用于描述个人经历和简历的文件。例如，上述履历文件可以是文件拓展名为DOC的文件。上述履历文件也可以是图像文件，例如，上述履历文件可以是文件拓展名为JPEG（Joint Photographic Experts Group，联合图像专家小组）的文件。上述履历文件还可以是文件拓展名为PDF（Portable Document Format，便携式文档格式）的文件。

作为示例，当上述履历文件可以如图3所示。其中，上述履历文件可以是文件拓展名为PDF的文件。上述履历文件可以包括：“个人信息”模块301、“教育经历”模块302、“工作经历”模块303、“项目经历”模块304和“工作以外经历”模块305。

步骤202，响应于确定履历文件的文件类型为目标文件类型，根据履历文件，生成至少一个文本区域图像。

在一些实施例中，上述执行主体可以响应于确定履历文件的文件类型为目标文件类型，根据履历文件，生成至少一个文本区域图像。其中，上述目标文件类型可以是JPEG文件类型或PDF文件类型。上述至少一个文本区域图像中的文本区域图像可以是上述履历文件中的文本模块对应的区域的图像。例如，上述文本模块可以是“个人信息”模块。上述执行主体可以通过目标文本检测算法，确定上述履历文件中的文本模块，以生成上述至少有一个文本区域图像。上述目标文件本检测算法可以是但不限于以下任意一项：CTPN（Connectionist Text Proposal Network）文本检测算法和Faster R-CNN（Regions withCNN features）文本检测算法。

作为示例，上述至少一个文本区域图像中的文本区域图像可以是图3中的“个人信息”模块对应的区域的图像。

步骤203，对至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合。

在一些实施例中，上述执行主体可以对至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合。其中，上述子文本区域图像组集合中的子文本区域图像对应上述履历文件中的一个字符所在区域的图像。上述执行主体可以通过RNN（Recurrent Neural Network，循环神经网络）模型生成候选框，其中，候选框可以用于框定上述履历文件中的字符。上述执行主体可以将候选框内的区域确定为子文本区域图像。

步骤204，对子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合。

在一些实施例中，上述执行主体对子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合，可以包括以下步骤：

第一步，将上述子文本区域图像组集合中分辨率最大的子文本区域图像，确定为第一图像。

作为示例，上述子文本区域图像组集合中分辨率最大的子文本区域图像的分辨率可以是50×50。

第二步，将上述子文本区域图像组集合中分辨率最小的子文本区域图像，确定为第二图像。

作为示例，上述子文本区域图像组集合中分辨率最小的子文本区域图像的分辨率可以是20×20。

第三步，根据上述第一图像的分辨率和上述第二图像的分辨率，生成目标分辨率。

作为示例，第一图像的分辨率可以是50×50。第二图像的分辨率可以是20×20。上述目标分辨率可以是35×35。

第四步，根据上述目标分辨率，对上述子文本区域图像组集合中的每个子文本区域图像进行放缩，以生成归一化文本区域图像，得到归一化文本区域图像组集合。

作为示例，上述执行主体可以将上述子文本区域图像组集合中的每个子文本区域图像进行放缩，以使得子文本区域图像的分辨率更新为目标分辨率。

步骤205，识别归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合。

在一些实施例中，上述执行主体可以通过OCR（Optical Character Recognition，光学字符识别）技术，识别上述归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成上述字符信息集合。其中，上述字符信息集合中的字符信息可以包括：字符和字符位置信息。其中，上述字符位置信息可以是字符的中心坐标在上述履历文件中的坐标。

作为示例，字符信息可以是[字符：“个”，字符位置信息：（0，0）]。

步骤206，根据字符信息集合，生成文本信息。

在一些实施例中，上述执行主体可以根据上述字符信息集合中的字符信息包括的字符位置信息，对字符信息包括的字符进行排列，以生成上述文本信息。

作为示例，如图4所示。字符信息集合可以是{[字符：“个”，字符位置信息：（0，0）]，[字符：“人”，字符位置信息：（0，1）]，[字符：“信”，字符位置信息：（0，2）]，[字符：“息”，字符位置信息：（0，3）]，[字符：“姓”，字符位置信息：（1，0）]，[字符：“名”，字符位置信息：（1，1）]}。则生成的文本信息401可以是[[个，人，信，息]，[姓，名]]。

步骤207，根据字符信息集合、文本信息和目标命名实体识别模型，生成实体信息集合。

在一些实施例中，上述执行主体根据上述字符信息集合、上述文本信息和上述目标命名实体识别模型，生成上述实体信息集合，可以包括以下步骤：

第一步，对上述文本信息进行编码处理，以生成文本信息向量。

第二步，对上述字符信息集合中的每个字符信息进行编码处理，以生成字符信息向量，得到字符信息向量集合。

第三步，将上述字符信息向量集合中的每个字符信息向量和上述文本信息向量，以生成拼接向量，得到拼接向量集合。

第四步，将上述拼接向量集合输入上述目标命名实体识别模型，以生成上述实体信息集合。

作为示例，上述目标命名实体识别模型可以是由CRF（conditional randomfield，条件随机场）模型和LSTM（Long Short-Term Memory，长短期记忆神经网络）模型构成。其中，首先，上述执行主体可以通过BMES信息标注法，对训练样本对应的人物履历数据进行标注。然后，上述执行主体可以通过CRF模型对标注后的人物履历数据进行特征抽取，以生成特征模板。进一步，上述执行主体可以通过上述特征模板，上述训练样本，对上述CRF模型进行训练，以确定上述CRF模型的模型参数。然后，上述执行主体可以将人物履历数据对应的至少一个句子向量和训练样本，对上述LSTM模型进行训练，以得到上述实体信息集合。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的基于履历文件的命名实体识别方法，提高了实体识别的准确率。具体来说，造成实体识别准确率较低的原因在于：采用人工设置的实体识别规则，当实体识别的领域发生变化时，可能会降低实体识别的准确率。基于此，本公开的一些实施例的基于履历文件的命名实体识别方法，首先，获取履历文件。然后，响应于确定上述履历文件的文件类型为目标文件类型，根据上述履历文件，生成至少一个文本区域图像。实际情况中，往往存在一些难以直接提取内容的履历文件。例如，图片格式等。因此，通过采用与履历文件的文件类型对应的实体识别方法，能够大大的提高实体识别的准确率。其次，履历文件中往往包含至少一个模块，例如，“教育背景”模块，“基本信息”模块和“教育经历”模块等。每个模块内的文本往往存在一定的关联性，因此通过生成至少一个文本区域图像，能够保留模块内文本的关联性特征，从而提高对履历文本的文本识别的准确率。然后，对上述至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合。通过对文本区域图像进行图像分割，从而得到每个字对应的子文本区域图像。进一步，对上述子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合。实际情况中，履历文件中往往包含不同字号的文字，因此通过图像分割得到的子文本区域图像的分辨率往往不同，通过图像尺寸归一化处理，能够保证文本区域图像的分辨率的统一性。此外，识别上述归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合。通过逐一识别归一化文本区域图像中包含的字符，从而得到履历文件对应的字符信息集合。进一步，根据上述字符信息集合，生成文本信息。由于履历文件中的文本包括的字符之间的位置关系也可能影响实体识别的准确率，因此，通过字符信息集合，生成文本信息，能够有效地保留相邻字符之间的位置关系的特征。最后，根据上述字符信息集合、上述文本信息和目标命名实体识别模型，生成实体信息集合。此种方法无需设置复杂的实体识别规则，同时，也大大的提高了实体识别的识别准确率和识别效率。

进一步参考图5，其示出了基于履历文件的命名实体识别方法的另一些实施例的流程500。该基于履历文件的命名实体识别方法的流程500，包括以下步骤：

步骤501，获取履历文件。

在一些实施例中，步骤501的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例中的步骤201，在此不再赘述。

步骤502，响应于确定履历文件的文件类型为目标文件类型，对履历文件进行二值化处理，以生成第一候选履历文件。

在一些实施例中，上述执行主体响应于确定履历文件的文件类型为目标文件类型，对履历文件进行二值化处理，以生成第一候选履历文件，可以包括以下步骤：

第一步，响应于确定上述履历文件是文件拓展名PDF的文件，将上述履历文件转换成目标文件。

其中，上述目标文件可以是以JPEG为文件拓展名的文件。

作为示例，上述执行主体可以通过以下代码将上述履历文件转换成目标文件:

from wand.image import Image

import PythonMagick

with Image(filename="履历文件.pdf") as img:

with img.convert('JPEG') as converted:

converted.save(filename='目标文件.jpeg')

第二步，响应于确定上述履历文件是文件拓展名为JPEG的文件，将上述履历文件确定为目标文件。

第三步，通过OTSU（大津二值化）算法，对目标文件进行二值化处理，以生成上述第一候选履历文件。

步骤503，对第一候选履历文件进行降噪处理，以生成第二候选履历文件。

在一些实施例中，上述执行主体可以通过高斯滤波算法、中值滤波算法和均值滤波算法中的任一一种降噪算法，对上述第一候选履历文件进行降噪处理，以生成上述第二候选履历文件。

步骤504，对第二候选履历文件进行文本区域分割，以生成至少一个文本区域图像。

在一些实施例中，上述执行主体可以通过目标文本区域分割算法，对上述第二候选履历文件进行文本区域分割，以生成上述至少一个文本区域图像。其中，上述目标文本区域分割算法可以是但不限于以下任意一项：基于阈值的分割方法、基于区域的图像分割算法、基于边缘检测的分割算法和基于遗传算法的图像分割算法。

可选地，上述执行主体对第二候选履历文件进行文本区域分割，以生成至少一个文本区域图像，可以包括以下步骤：

第一步，确定上述第二候选履历文件中的文本区域，得到至少一个文本区域。

其中，上述执行主体可以通过上述目标文本检测算法，确定上述第二候选履历文件中的文本区域，得到上述至少一个文本区域。上述执行主体可以将用于框定文本的候选框框定的区域确定为文本区域。

第二步，对上述至少一个文本区域中的文本区域进行聚类，以生成文本区域图像，得到上述至少一个文本区域图像。

其中，首先，上述执行主体可以根据上述至少一个文本区域中文本区域的中心点坐标，对上述至少一个文本区域中的文本区域进行聚类。然后，上述执行主体可以将类别相同的文本区域进行合并。最后，上述执行主体可以将合并后的区域对应的图像确定为文本区域图像。上述执行主体可以通过目标聚类算法对上述至少一个文本区域中的文本区域进行聚类。上述目标聚类算法可以是但不限于以下任意一项：K-Means聚类算法，均值漂移聚类算法，DBSCAN（Density-based spatial clustering of applications with noise ，基于密度的聚类）算法和K-NN（K-Nearest Neighbor，K-临近）算法。

步骤505，对至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合。

步骤506，对子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合。

步骤507，识别归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合。

步骤508，根据字符信息集合，生成文本信息。

在一些实施例中，步骤505-508的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例中的步骤203-206，在此不再赘述。

步骤509，根据字符信息集合、文本信息和目标命名实体识别模型，生成实体信息集合。

在一些实施例中，上述执行主体根据字符信息集合、文本信息和目标命名实体识别模型，生成实体信息集合，可以包括以下步骤：

第一步，对上述字符信息集合中的每个字符信息进行编码以生成字符信息向量，得到字符信息向量集合。

其中，上述执行主体可以通过独热编码，对上述字符信息集合中的每个字符信息进行编码，以生成字符信息向量，得到上述字符信息向量集合。

作为示例，上述字符信息可以是[字符：“人”，字符位置信息：（0，1）]，对应的字符信息向量可以是“0000000010000”。

第二步，对上述文本信息进行编码，以生成文本信息向量。

其中，首先，上述执行主体可以采用独热编码对上述文本信息中的每个字符进行编码，以生成字字向量，得到字向量集合。然后，上述执行主体可以将上述字向量集合中的每个字向量进行拼接，以生成上述文本信息向量。

作为示例，上述文本信息可以是“个人信息”。上述文本信息中每个字符对应的字向量可以是[“0001”，“0010”，“0100”，“1000”]。生成的文本信息向量可以是“0001001001001000”。

第三步，将上述文本信息向量和上述字符信息向量集合中的每个字符信息向量进行拼接，以生成输入向量，得到输入向量集合。

作为示例，上述字符信息向量集合可以是[“0000000010000”，“0000000000010”，“0001000000000”，“0000001000000”]。上述文本信息向量可以是“0001001001001000”。得到的输入向量集合可以是：

[“00010010010010000000000010000”，

“00010010010010000000000000010”，

“00010010010010000001000000000”，

“00010010010010000000001000000”]。

第四步，将上述输入向量集合，输入上述目标命名实体识别模型，以生成上述实体信息集合。

其中，上述目标命名实体识别模型可以通过以下步骤训练得到：通过目标域训练样本数据集合对初始命名实体识别模型，进行模型参数调整，以生成上述目标命名实体识别模型。其中，上述目标域训练样本数据集合中的目标域训练样本数据包括的特征词的长度不大于目标长度。上述目标长度可以是3。其中，上述初始命名实体识别模型可以是通过源域训练样本数据集合训练得到命名实体识别模型。上述初始命名实体模型可以由BERT（Bidirectional Encoder Representations from Transformers，基于转换器的双向编码表征）模型、CRF（conditional random field，条件随机场）模型和LSTM（Long Short-TermMemory，长短期记忆神经网络）模型组成。

其中，上述目标域训练样本数据集合可以通过以下步骤得到：

第一子步骤，对源域训练样本数据集合中的每个源域训练样本数据进行特征映射，以生成源域数据向量，得到源域数据向量集合。

其中，上述执行主体可以通过目标模型，对上述源域训练样本数据进行特征映射，以生成源域数据向量。上述目标模型可以包括：第一卷积层、第二卷积层，第三卷积层和全连接层。其中，上述目标模型可以采用Sigmoid函数作为激活函数。

第二子步骤，对候选训练样本数据集合中的每个候选训练样本数据进行特征映射，以生成候选训练样本数据向量，得到候选训练样本数据向量集合。

其中，上述执行主体可以通过上述目标模型对上述候选训练样本数据进行特征映射，以生成候选训练样本数据向量。

第三子步骤，将上述候选训练样本数据向量集合中每个候选训练样本数据向量与上述源域数据向量集合中的源域数据向量的相似度，确定为相似度数值，得到相似度数值组集合。

其中，上述执行主体可以通过余弦相似度算法，确定上述候选训练样本数据向量与上述源域数据向量集合中的源域数据向量的相似度，得到相似度数值组。

第四子步骤，对于上述候选训练样本数据向量集合中的每个候选训练样本数据向量，响应于确定上述候选训练样本数据向量对应的相似度数值组中存在相似度数值满足预设条件，将上述候选训练样本数据向量对应的候选训练样本数据，确定为目标域训练样本数据。

其中，上述预设条件可以是相似度数值大于目标值。上述目标值可以是0.9。

步骤510，对于实体信息集合中的每个实体信息，响应于确定目标字典中不存在实体信息，确定实体信息在实体信息集合中的出现频次，以生成频次值，以及响应于确定频次值大于目标频次值，将实体信息加入目标词典。

在一些实施例中，上述执行主体对于实体信息集合中的每个实体信息，响应于确定目标字典中不存在实体信息，确定实体信息在实体信息集合中的出现频次，以生成频次值，以及响应于确定频次值大于目标频次值，将实体信息加入目标词典。其中，上述目标字典可以是用于存储实体信息的字典。上述目标频次可以是5次。

从图5可以看出，与图2对应的一些实施例的描述相比，本公开首先，通过目标域训练样本数据集合对初始命名实体识别模型，进行模型参数调整，以生成上述目标命名实体识别模型。实际情况中，在对实体识别模型进行训练时，往往需要大量的训练数据。对于训练数据的标注往往需要耗费大量的人力和时间。通过对初始命名实体识别模型，进行模型参数调整，以生成上述目标命名实体识别模型。减少了模型的训练时间，同时，对于训练数据的需求量较少，从而减少了对于训练数据的标注所消耗的人力和时间。其次，为了保证训练得到的目标命名实体识别模型的识别准确率。本公开通过从候选训练样本数据集合中筛选出与源域训练样本数据相似度较高的候选训练样本数据，作为目标域训练样本数据。从而大大提高了模型的预测精度。此外，在通过目标命名实体识别模型，生成实体信息集合时，为了保证字符与字符之前的关联特征，本公开通过将文本信息向量和字符信息向量进行拼接，以生成输入向量。此种方式，不仅突出了每个字符的特征，同时也保留了字符与字符之间的关联特征。进而提高了实体信息集合生成的准确率。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种基于履历文件的命名实体识别装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，一些实施例的基于履历文件的命名实体识别装置600包括：获取单元601、第一生成单元602、图像分割单元603、图像尺寸归一化处理单元604、识别单元605、第二生成单元606和第三生成单元607。其中，获取单元601，被配置成获取履历文件；第一生成单元602，被配置成响应于确定上述履历文件的文件类型为目标文件类型，根据上述履历文件，生成至少一个文本区域图像；图像分割单元603，被配置成对上述至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合；图像尺寸归一化处理单元604，被配置成对上述子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合；识别单元605，被配置成识别上述归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合，其中，上述字符信息集合中的字符信息包括：字符和字符位置信息；第二生成单元606，被配置成根据上述字符信息集合，生成文本信息；第三生成单元607，被配置成根据上述字符信息集合、上述文本信息和目标命名实体识别模型，生成实体信息集合。

在一些实施例的一些可选的实现方式中，上述第一生成单元602被配置成：对上述履历文件进行二值化处理，以生成第一候选履历文件；对上述第一候选履历文件进行降噪处理，以生成第二候选履历文件；对上述第二候选履历文件进行文本区域分割，以生成上述至少一个文本区域图像。

在一些实施例的一些可选的实现方式中，上述第一生成单元602被配置成：确定上述第二候选履历文件中的文本区域，得到至少一个文本区域；对上述至少一个文本区域中的文本区域进行聚类，以生成文本区域图像，得到上述至少一个文本区域图像。

在一些实施例的一些可选的实现方式中，上述第三生成单元607被配置成：对上述字符信息集合中的每个字符信息进行编码以生成字符信息向量，得到字符信息向量集合，其中，上述字符信息向量集合中的字符信息向量由字符向量和字符位置信息向量构成；对上述文本信息进行编码，以生成文本信息向量；将上述文本信息向量和上述字符信息向量集合中的每个字符信息向量进行拼接，以生成输入向量，得到输入向量集合；将上述输入向量集合，输入上述目标命名实体识别模型，以生成上述实体信息集合。

在一些实施例的一些可选的实现方式中，上述目标命名实体识别模型通过以下训练步骤得到：通过目标域训练样本数据集合对初始命名实体识别模型，进行模型参数调整，以生成上述目标命名实体识别模型，其中，上述目标域训练样本数据集合中的目标域训练样本数据包括的特征词的长度不大于目标长度。

在一些实施例的一些可选的实现方式中，上述目标域训练样本数据集合通过以下步骤得到：对源域训练样本数据集合中的每个源域训练样本数据进行特征映射，以生成源域数据向量，得到源域数据向量集合；对候选训练样本数据集合中的每个候选训练样本数据进行特征映射，以生成候选训练样本数据向量，得到候选训练样本数据向量集合；将上述候选训练样本数据向量集合中每个候选训练样本数据向量与上述源域数据向量集合中的源域数据向量的相似度，确定为相似度数值，得到相似度数值组集合；对于上述候选训练样本数据向量集合中的每个候选训练样本数据向量，响应于确定上述候选训练样本数据向量对应的相似度数值组中存在相似度数值满足预设条件，将上述候选训练样本数据向量对应的候选训练样本数据，确定为目标域训练样本数据。

在一些实施例的一些可选的实现方式中，上述装置600还包括：对于上述实体信息集合中的每个实体信息，响应于确定目标字典中不存在上述实体信息，确定上述实体信息在上述实体信息集合中的出现频次，以生成频次值，以及响应于确定上述频次值大于目标频次值，将上述实体信息加入上述目标词典。

可以理解的是，该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本公开的一些实施例的电子设备（如图1所示的计算设备101）700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置（例如中央处理器、图形处理器等）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储装置708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

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：获取履历文件；响应于确定上述履历文件的文件类型为目标文件类型，根据上述履历文件，生成至少一个文本区域图像；对上述至少一个文本区域图像中的每个文本区域图像进行图像分割，以生成子文本区域图像组，得到子文本区域图像组集合；对上述子文本区域图像组集合中的每个子文本区域图像进行图像尺寸归一化处理，以生成归一化文本区域图像，得到归一化文本区域图像组集合；识别上述归一化文本区域图像组集合中每个归一化文本区域图像包括的字符，以生成字符信息集合，其中，上述字符信息集合中的字符信息包括：字符和字符位置信息；根据上述字符信息集合，生成文本信息；根据上述字符信息集合、上述文本信息和目标命名实体识别模型，生成实体信息集合。

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一些实施例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。

描述于本公开的一些实施例中的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、图像分割单元、图像尺寸归一化处理单元、识别单元、第二生成单元和第三生成单元。其中，这些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，获取单元还可以被描述为“获取履历文件的单元”。

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。

以上描述仅为本公开的一些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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的（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。