En Core Web Sm Job Related

🚀 用於“職業”、“設施”和“經驗”實體的自定義spaCy NER模型

本基於spaCy的命名實體識別（NER）模型經過自定義訓練，能夠識別和分類與“職業”、“設施”和“經驗”相關的實體。它旨在通過識別非結構化文本數據中的這些特定實體類型，提升您的文本分析能力。

🚀 快速開始

安裝

您可以使用pip安裝自定義的spaCy NER模型：

git lfs install
git clone https://huggingface.co/LPDoctor/en_core_web_sm_job_related

示例用法

以下是如何在Python中使用該模型進行實體識別的示例：

import spacy

# 加載自定義的spaCy NER模型
nlp = spacy.load("en_core_web_sm_job")

# 處理您的文本
text = "HR Specialist needed at Google, Dallas, TX, with expertise in employee relations and a minimum of 4 years of HR experience."
doc = nlp(text)

# 提取命名實體
for ent in doc.ents:
    print(f"Entity: {ent.text}, Type: {ent.label_}")

✨ 主要特性

• 經過自定義訓練，在識別“職業”、“設施”和“經驗”實體方面具有較高的準確性。
• 適用於各種專業信息處理任務，如信息提取、內容分類等。
• 目前專注於求職者領域，可輕鬆集成到現有的基於spaCy的NLP管道中。

📦 安裝指南

您可以使用以下命令安裝自定義的spaCy NER模型：

git lfs install
git clone https://huggingface.co/LPDoctor/en_core_web_sm_job_related

💻 使用示例

基礎用法

import spacy

# 加載自定義的spaCy NER模型
nlp = spacy.load("en_core_web_sm_job")

# 處理您的文本
text = "HR Specialist needed at Google, Dallas, TX, with expertise in employee relations and a minimum of 4 years of HR experience."
doc = nlp(text)

# 提取命名實體
for ent in doc.ents:
    print(f"Entity: {ent.text}, Type: {ent.label_}")

📚 詳細文檔

實體類型

該模型識別以下實體類型：

• PROFESSION：代表職業或職位頭銜。
• FACILITY：表示設施、建築物或地點。
• EXPERIENCE：識別工作經驗、時長或資格的提及。

標籤方案

準確性

📄 許可證

本項目採用 MIT 許可證。