Pull to refresh

Comments 7

вообще потрясающе, я даже не знал, что есть системы, настолько узко заточенные. Расскажите, что кроме Sovren еще встречается? Ну и для английского тоже
Ещё есть RChili, раньше был сильно распиаренный Bright, который купил Linkedin и, похоже, похоронил. И множество in-house систем подобного назначения у разных HR и recruitment платформ. Но они чаще всего ограничиваются ФИО, контактами и полнотекстовым поиском.
У ЭВОЛА есть инструмент анализа резюме для SAP HR Human Capital Management с нашим ABBYY Compreno внутри. Он умеет автоматически анализировать входящие резюме, проверять, насколько они соответствуют открытым вакансиям, и выявлять значимую информацию о кандидатах. Информацию может извлекать самую разную, список длинный и может меняться\дополняться по потребностям пользователя. В общем виде это так (не обидитесь, если скопирую из пресс-релиза?):

Личная информация (ФИО, пол, дата рождения/возраст, семейное положение, гражданство);
• Контактная информация (телефон, e-mail, skype и др.);
• Желаемая должность и пожелания по уровню дохода;
• Опыт работы (период работы, название компании, сфера деятельности компании,
• должность, отдел, обязанности, стаж);
• Образование (год выпуска, название учебного учреждения, факультет, кафедра, специальность, специализация, квалификация);
• Уровень владения иностранными языками;
• Знание программного обеспечения и технологий;
• Личные качества, хобби;
• Рекомендации (ФИО, должность, компания).
Вот это круто! А происходит ли нормализация должностей, отделов и тд? Много ли времени ушло на создание модели (грамматики, графа или как это называется) для резюме в Compreno, и кто эту модель делал — ABBYY или ЭВОЛА сами?
«Нормализация» должностей и объектов к заранее заданным справочникам действительно требует учёта контекста и разрешения лингвистических явлений таких как анафорические связи, эллипсис и омонимия. Это может быть выполнено как с помощью чистого семантико-синтаксического разбора, так и гибридным подходом с использованием машинного обучения и семантических разборов. Оба этих подхода поддержаны в движке ABBYY Comrpeno на технологическом уровне.

Информационную модель, которую необходимо получать на выходе парсинга разрабатывала Эвола. Алгоритмы извлечения (включённые в онтологии) разрабатывали специалисты ABBYY. Алгоритмы основаны на базовом семантическом разборе, который уже давно есть в Compreno.
UFO just landed and posted this here
Да, есть такое дело — редкие сочетания могут ошибочно «отбраковаться». Но это происходит не со всеми редкими сочетаниями, а только с теми, у которых будет ещё и неоднозначность трактовки именно в этом «редком» месте. Ну и это легко исправится, как только появится пара-другая резюме с таким сочетанием признаков. При желании можно и вручную подправить счётчики для того или другого кортежа.
Sign up to leave a comment.

Articles