En Core Web Sm Job Related

🚀 用于“职业”、“设施”和“经验”实体的自定义spaCy NER模型

本基于spaCy的命名实体识别（NER）模型经过自定义训练，能够识别和分类与“职业”、“设施”和“经验”相关的实体。它旨在通过识别非结构化文本数据中的这些特定实体类型，提升您的文本分析能力。

🚀 快速开始

安装

您可以使用pip安装自定义的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中使用该模型进行实体识别的示例：

import spacy

# 加载自定义的spaCy NER模型
nlp = spacy.load("en_core_web_sm_job")

# 处理您的文本
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)

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

✨ 主要特性

• 经过自定义训练，在识别“职业”、“设施”和“经验”实体方面具有较高的准确性。
• 适用于各种专业信息处理任务，如信息提取、内容分类等。
• 目前专注于求职者领域，可轻松集成到现有的基于spaCy的NLP管道中。

📦 安装指南

您可以使用以下命令安装自定义的spaCy NER模型：

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

💻 使用示例

基础用法

import spacy

# 加载自定义的spaCy NER模型
nlp = spacy.load("en_core_web_sm_job")

# 处理您的文本
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)

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

📚 详细文档

实体类型

该模型识别以下实体类型：

• PROFESSION：代表职业或职位头衔。
• FACILITY：表示设施、建筑物或地点。
• EXPERIENCE：识别工作经验、时长或资格的提及。

标签方案

准确性

📄 许可证

本项目采用 MIT 许可证。