如何从这些句子中提取信息

Question

我得到了如下句子的列表：

他们是我从职位描述中提取的一些句子。我想提取以下信息：学位类型，专业，必需或首选。 有

结果应该是这样的： {    学位：学士，    专业：计算机科学，    必需：是的 }

这些句子中没有明显的规则。我怎样才能实现这个目标？

---

Bachelor ’ s degree in Computer Science or equivalent
Pursuing B.S. or advanced degree in computer science or related technical/engineering degree .
Bachelor 's Degree in Computer Science or equivalent experience
Youre educated ( BS/MS in Computer Science or other technical degree ) .
•BS in Computer Science , Digital Media or similar technical degree with 3 + years of experience
· Bachelors degree .
Bachelor 's degree in computer science , design or related field
Ability to absorb , master and leverage emerging technologies
BA/BS degree or equivalent practical experience
Education Required : Bachelors Degree
• Bachelor 's degree in related field , OR four ( 4 ) years of experience in a directly related field .

Answer 1

因此，您正在处理非结构化数据，我希望使用以下步骤，您可以达到相当高的准确度。

1. 创建一个查找表，其中列出了您在每个所需变量（如学位，教育等）中可能出现的所有关键字。您需要挖掘各种在线资源来获取这些关键字。
2. 将您的数据拆分为句子或逐行，并对列表进行迭代。
3. 迭代时，在查找表中查找关键词并找到有用的行。
4. 创建分层规则以准确提取变量，并将其附加到结果中。

分层规则概述：

1. 例如，学位名称将完全按字母顺序排列。
2. 经验将是字母数字。
3. 追求的术语将指向变量名称Major

尝试在每次代码迭代时修改这些规则。继续添加新规则。 这只是基本方法，我相信如果您对方法进行一些迭代，您将能够提取信息。

Answer 2

您可能需要收集专业和学位列表（例如：http://en.wikipedia.org/wiki/List_of_tagged_degrees）以提取学位和专业。然后基于一些一般规则（或设计分类器决定“必需”或“不需要”）。

Answer 3

这样做的另一个建议是：

• 首先：清理数据 - 删除所有标点符号，停止 单词，不需要的符号等。
• 第二：列出对此感兴趣的关键词。
• 第三：将数据拆分为单词（nltk中的word_tokenize）
• 第四：制作你正在寻找的价值词典。
• 第五：在阅读单词列表匹配时在字典中查找 它与您的关键字列表，然后将其附加到新的输出 字典。

希望这有帮助。