三、 项目思路
1. 爬取一定时间内的(如最近1个月的)前程无忧岗位数据(例如青岛所有岗位的url为:https://jobs.51job.com/qingdao-snq/),部分数据可以直接在搜索结果中获取,部分数据需要进入到岗位页面中获取。
2. 将爬取的数据保存为本地文本文件(若学生掌握数据库相关知识则可以保存在数据库中)。
3. 基于爬取的数据可以形成多种数据分析结果,例如:行业薪资、地区薪资、地区与行业分布关系、行业学历需求情况等。
4. “职位信息”字段可使用jieba分词库进行分词,基于分词结果可生成“词云”等成果物。
5. 基于分词结果使用gensim模块训练词向量(涉及大量数据清洗工作)。
6. 基于每个“职位信息”文本的词向量构建基于“职位信息”的职位特征(建议使用均值即可)。
7. 将数据划分为训练集和测试集。使用训练集,基于scikit-learn中的朴素贝叶斯接口训练文本分类模型(建议使用多项式贝叶斯模型),使用测试集测试分类结果准确程度。
2019-12-21 21:50:27
5KB
python
1