Abstract:
Dans notre projet d'automatisation de l'extraction d'informations à partir de curriculum vitae (CV), nous avons utilisé une gamme de techniques d'analyse et de traitement des données. Cette dissertation décrit comment nous avons appliqué ces méthodes et technologies pour atteindre nos objectifs.
Tout d'abord, nous avons mis l'accent sur l'analyse de la structure des CV afin de mieux comprendre leur organisation et de faciliter l'extraction ciblée des données. Nous avons employé des techniques de détection d'objets, y compris Faster R-CNN et Mask R-CNN, pour identifier visuellement divers éléments structurels des CV. Des algorithmes d'analyse sémantique nous ont aidés à comprendre la hiérarchie et l'organisation des informations dans les CV, permettant une meilleure contextualisation des données extraites.
Compte tenu des formats divers des CV (image, PDF, etc.), la reconnaissance optique de caractères (OCR) était cruciale pour extraire le texte brut de ces documents. Nous avons principalement utilisé Tesseract, une bibliothèque OCR open-source, et également évalué EasyOCR et PaddleOCR pour comparer leurs performances et choisir la plus adaptée à notre projet.
Le traitement du langage naturel (NLP) a joué un rôle central, nous permettant de saisir le sens et le contexte des informations contenues dans les CV. Les techniques d'analyse sémantique nous ont aidés à comprendre la pertinence des informations, tandis que la reconnaissance d'entités nommées (NER) a permis d'identifier avec précision des éléments clés tels que les noms, les entreprises et les diplômes.
Nous avons intégré ces analyses et technologies dans un flux de travail global combinant l'analyse de la structure, l'OCR, le NLP et l'apprentissage profond pour traiter efficacement les CV. Cette dissertation met également en évidence les domaines d'amé- lioration pour les travaux futurs.
