具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

参考图1，本发明实施例提供的一种基于人工智能的简历自动编辑系统，包括：简历数据处理系统和用户系统。简历数据处理系统包括预处理模块、模型训练模块、数据分类模块和自动编辑模块；用户系统包括注册及登录模块、简历模板设置模块，简历内容转换模块和简历导出模块。

预处理模块，将简历数据拆分成若干简历文本，并去除干扰信息；获得预处理后的简历文本；其中，预处理后的简历文本包括标准简历文本和非标准简历文本；简历数据是一份完整简历对应的文本数据，简历文本是简历数据按一定规则拆分处理后的文本数据；

预处理模块需要对多种来源的简历数据进行处理，其包括：对于标准简历数据，需要进行数据拆分并标注其分类，作为数据模型训练数据；对于非标准简历数据，则进行数据拆分，不标注分类，作为数据模型待分类数据。

具体地，所述预处理模块包括：

识别单元，获取预先采集的简历数据，辨识所述简历数据的属性，其包括标准简历数据和非标准简历数据；

第一预处理单元，通过对标准简历数据进行数据拆分，并标注其分类，获得标准简历文本；

第二预处理单元，通过对非标准简历数据进行数据拆分，获得非标准简历文本；

过滤单元，删除所述标准简历文本和非标准简历文本中的干扰信息；

第一定义单元，将删除干扰信息后的标准简历文本作为数据模型的训练数据；

第二定义单元，将删除干扰信息后的非标准简历文本作为数据模型的待分类数据。

其中，数据拆分时需要综合考虑以下因素：1、简历内容顺序；2、简历标题分类；3、简历段落及标点；4、简历文本长度限制；5、去除无效及无意义字符。

模型训练模块，对预处理后的简历文本进行训练，得到数据模型；其中，最初数据模型根据大量标准简历数据得出，系统应用后，则根据后续补充的标准简历数据和用户使用数据不断调整数据模型，提高模型准确率。

数据模型训练模块包括：

模型构建单元，对标准简历文本进行训练，得到初始数据模型；

调整单元，用户系统应用后，则根据用户反馈的数据迭代更新数据模型。

数据分类模块，对预处理后的简历文本根据数据模型进行识别分类；

数据分类模块包括：数据分类单元，对非标准简历文本根据数据模型进行识别分类，经过数据模型进行识别分类后，可以得到统一分类标识的简历文本。

其中，数据模型分类后的简历文本数据，还需要经过验证，包括：出生日期、手机号、身份证号码等。

自动编辑模块，对分类完成的简历文本自动编辑，形成标准简历数据。

具体地，自动编辑模块包括编辑单元，编辑单元基于预先定义的编辑规则对携带统一分类标识的简历文本自动编辑，形成标准简历数据；其中，自动编辑规则需要预先设置，因此此处预先定义的编辑规则即为预先设置的自动编辑规则，其包括分类显示顺序、简历文本显示顺序等等。

用户系统中：注册及登录模块，记录用户身份及相关信息；其中，通过用户身份及其使用记录，可设置对应的使用帮助和激励措施。

所述登录及注册模块包括：

记录单元，记录用户身份及其使用记录；

设置单元，根据所述用户身份及其用户使用记录设置对应的使用帮助和激励措施。

简历模板设置模块，对简历导出文件模板进行设置；其中，用户可以使用系统预置的简历模板将简历数据导出，也可以自定义简历模板；用户自定义简历模板时，可以自行设置简历模板的格式和内容，但具体格式和内容需要在系统约定的范围内选择。例如，系统约定简历模板分类为：基本信息(姓名，性别，年龄，手机号，邮箱，是否在职)，教育经历(学历，毕业院校，专业，起止时间)，专业技能，工作经历，项目经历。用户自定义模板，可以在这些分类信息中选择，可以选择全部，也可以选择部分，并可以调整各部分信息在简历中出现的顺序。

所述简历模板设置模块包括：

自定义单元，在系统预设范围内选择相应格式和内容，根据选定的格式和内容生成自定义简历模板；

简历内容转换模块，对用户输入的非标准简历数据，转换为标准简历数据，将转换后的标准简历数据反馈给用户进行确认；

标准简历数据内容转换过程中，原有的特殊符号或非标准分类信息被去除。简历转换功能提供两个多行文本输入区域：原简历和AI简历，默认两个区域内容均为空；用户将需要转换的简历(非标准简历)复制后粘贴到“原简历”区域，确定转换，系统进行处理后，将自动编辑完成的简历显示在“AI简历”区域，用户可以直接保存AI简历，也可以在AI简历基础上进行修改。

所述简历内容转换模块包括：

删除单元，在简历数据转换过程中，删除其包含的特殊符号或者非标准分类信息标准简历数据标准简历数据；

修改单元，对转换后的标准简历数据进行调整，获得经过用户确认的简历数据；

显示单元，提供用户应用界面，显示内容转换前后的简历内容对比，并保存经过用户确认的简历数据。

简历导出模块，将确认后的标准简历数据按照预设的简历模板导出为简历文件。

用户可以查询保存后的简历数据，选择要导出的简历数据并确认，系统根据用户设置的简历模板，将简历数据导出为简历文件，用户可在系统中下载文件。

参考图2，具体执行流程为：

标准简历数据通过预处理模块拆分为标准简历文本数据；标准简历文本数据通过数据训练模块得到数据模型；非标准简历数据通过预处理模块拆分为非标准简历文本；非标准简历文本通过数据分类模块形成已分类简历文本；已分类简历文本通过自动编辑模块转换为AI编辑完成的简历数据。

其中，AI编辑的简历数据与标准简历数据相比，可能存在这些情况：1、缺少标准简历的部分约定内容(如：缺少身份证号码，缺少学历信息等)；2、部分内容重复或偏差(如：教育经历被计入工作经历等)。

参考图3，具体执行流程为：

系统通过预先对一定数量的标准简历文本训练得到初始数据模型；系统应用实施，用户通过使用系统，将非标准简历数据转换为标准简历数据(用户系统提供前端及相关提示功能；简历数据处理系统提供后端数据处理功能)；用户对系统转换完成的简历数据进行确认，或修改后确认，确认后的简历数据可作为后续数据模型更新的训练数据。

参考图4，本发明实施例还提供了一种基于人工智能的简历自动编辑方法方法，应用于前文所述的一种基于人工智能的简历自动编辑系统，所述方法包括：

S101，确定标准简历内容，通过对一定数量的标准简历进行拆分，得到标准简历文本(模型训练数据)；

相应的，步骤S101即对应的是对简历数据进行预处理步骤中的：

获取预先采集的简历数据，辨识所述简历数据的属性；通过对标准简历数据进行数据拆分，并标注其分类，获得标准简历文本并删除所述标准简历文本中的干扰信息。

S102，采用选定的人工智能技术，对标准简历文本进行数据训练，得到数据模型；

S103，通过模型应用，对非标准简历文本(由非标准简历数据拆分得到)进行分类识别；相应的，步骤S103即对应的是对简历数据进行预处理步骤中的：获取预先采集的简历数据，辨识所述简历数据的属性，通过对非标准简历数据进行数据拆分，获得非标准简历文本，并删除所述非标准简历文本中的干扰信息；将删除干扰信息后的非标准简历文本作为数据模型的待分类数据；

S104，对识别后的简历文本进行自动编辑，形成标准简历；

S105，将用户确认后的简历数据定期加入训练数据，调整训练模型，提高模型准确率。

相应的，步骤S102-S105即是对经过预处理得到的标准简历文本进行数据训练得到数据模型；基于数据模型，对经过预处理得到的非标准简历文本进行分类识别，并将分类识别后的简历文本进行自动编辑，形成标准简历数据；

通过用户系统的操作界面，完成对当前简历数据由非标准简历转换为标准简历的自动转换后，并根据实际应用反馈，更新数据模型。

其中，基于数据模型对经过预处理得到的非标准简历文本进行分类识别，并将分类识别后的简历文本进行自动编辑，形成标准简历数据具体包括：

对非标准简历文本根据数据模型进行识别分类，得到统一分类标识的简历文本；基于预先定义的编辑规则对携带统一分类标识的简历文本自动编辑，形成标准简历数据。

所述标准简历数据是指符合预设简历内容分类及相关要求的数据；所述非标准简历数据是指与标准简历数据格式不同的其他数据。

所述自动编辑的方法包括：按照分类显示顺序重新组织简历文本的顺序；以及，按照同类简历文本在原简历数据中的位置顺序或时间因素的进行排序。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。