File size: 1,840 Bytes
73db577
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
from inference import JobPostingClassifier

classifier = JobPostingClassifier()

examples = (
    # 互联网行业的正常招聘信息(期望 y)
    "【高级Java开发工程师】杭州·西湖区,25-40K·15薪。岗位职责:负责电商交易系统核心模块设计与开发;"
    "任职要求:本科及以上,3年以上Java开发经验,熟悉Spring Cloud、MySQL、Redis。简历投递:hr@example.com",
    "字节系独角兽招聘产品经理(用户增长方向),北京海淀,20-35K,要求2年以上互联网C端产品经验,有数据分析能力,双休五险一金。",
    "急招前端开发 2 名:熟练掌握 Vue3/React、TypeScript,有小程序开发经验优先。深圳南山,薪资 15-25K,可远程面试,私信发简历。",
    "岗位职责:1. 负责推荐系统召回与排序模型的研发与优化;2. 跟进业界前沿算法并落地。任职要求:硕士及以上,熟悉 PyTorch,有大规模推荐系统经验者优先。",
    "上海·徐汇 内容运营实习生,日薪200,每周到岗4天,负责小红书/抖音账号日常运营,2027届在校生优先,可转正。",
    # 其他招工(期望 y)
    "急招普工5名,月薪6000包吃住,电话13800000000",
    "无锡市惠山区招拆架",
    # 非招工(期望 n)
    "BOSS直聘上被HR骗了,交了培训费才说没岗位,大家避雷",
    "本人会电焊,从业8年,求职找活",
    "这家店的奶茶太甜了",
)
for text in examples:
    result = classifier.classify(text)
    print(f"[{result['label']}] {result['score']:.4f}  {text[:60]}")

# 一条帖子 = 标题 + 正文 + 评论 + 图片 OCR;任一段为 y 则整条为 y
print(classifier.classify_document(["工厂避雷", "这家厂太坑了", "急招普工5名,月薪6000包吃住"])["label"])