| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景和研究意义 | 第10-13页 |
| 1.1.1 信息抽取研究背景 | 第10页 |
| 1.1.2 深度学习与信息抽取 | 第10-11页 |
| 1.1.3 简历信息抽取研究意义 | 第11页 |
| 1.1.4 国内外研究现状概述 | 第11-13页 |
| 1.2 本文研究内容 | 第13页 |
| 1.3 本文的组织结构 | 第13-14页 |
| 1.4 本章小结 | 第14-16页 |
| 2 相关理论概述 | 第16-22页 |
| 2.1 信息抽取的方法概述 | 第16-18页 |
| 2.2 简历信息抽取关键技术概述 | 第18-21页 |
| 2.2.1 命名实体识别概述 | 第18-19页 |
| 2.2.2 事件抽取概述 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 基于条件随机场模型的分层抽取应用研究 | 第22-46页 |
| 3.1 引言 | 第22-24页 |
| 3.1.1 人事简历信息抽取研究 | 第22-23页 |
| 3.1.2 信息抽取方法研究 | 第23-24页 |
| 3.2 条件随机场模型研究 | 第24-33页 |
| 3.2.1 条件随机场概念 | 第24-28页 |
| 3.2.2 条件随机场的参数估计 | 第28-30页 |
| 3.2.3 动态优化算法 | 第30-32页 |
| 3.2.4 基于条件随机场的信息抽取过程 | 第32-33页 |
| 3.3 基于条件随机场模型的人事简历分层抽取 | 第33-37页 |
| 3.3.1 基于条件随机场的信息抽取方法 | 第33-34页 |
| 3.3.2 传统抽取方法的特点和不足 | 第34-36页 |
| 3.3.3 基于条件随机场的人事简历信息分层抽取方法 | 第36-37页 |
| 3.4 简历抽取中分层条件随机场模型设计 | 第37-39页 |
| 3.4.1 人事简历信息结构特征 | 第37-38页 |
| 3.4.2 分层抽取模型设计 | 第38-39页 |
| 3.5 实验结果与分析 | 第39-45页 |
| 3.5.1 测试方案选择及实验设定 | 第39-40页 |
| 3.5.2 实验环境 | 第40-41页 |
| 3.5.3 CRFs工具 | 第41-43页 |
| 3.5.4 实验结果与分析 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 4 人事简历特征智能抽取 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 特征学习与深度神经网络 | 第46-51页 |
| 4.2.1 特征学习 | 第46-47页 |
| 4.2.2 深度结构与深度学习 | 第47-49页 |
| 4.2.3 深度自动编码 | 第49-50页 |
| 4.2.4 稀疏性限制 | 第50-51页 |
| 4.3 人事简历特征智能抽取 | 第51-53页 |
| 4.3.1 基于深度学习的人事简历特征抽取 | 第51-52页 |
| 4.3.2 特征表示 | 第52-53页 |
| 4.4 实验结果 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 5 基于CRFs的人事简历智能抽取系统的设计与实现 | 第56-78页 |
| 5.1 需求分析及应用场景 | 第56-57页 |
| 5.2 信息抽取总体架构 | 第57-59页 |
| 5.3 功能设计 | 第59-63页 |
| 5.3.1 总体功能结构设计 | 第59页 |
| 5.3.2 各模块功能设计 | 第59-62页 |
| 5.3.3 系统框架时序图 | 第62-63页 |
| 5.4 功能实现 | 第63-73页 |
| 5.4.1 系统整体类图 | 第63页 |
| 5.4.2 简历识别模块 | 第63-66页 |
| 5.4.3 预处理模块 | 第66-67页 |
| 5.4.4 信息抽取模块 | 第67-73页 |
| 5.5 系统运行 | 第73-76页 |
| 5.5.1 系统启动 | 第73页 |
| 5.5.2 系统运行 | 第73-76页 |
| 5.6 本章小结 | 第76-78页 |
| 6 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78页 |
| 6.2 展望 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 攻读硕士学位期间的学术成果 | 第86-87页 |
| 致谢 | 第87页 |