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"])
|