ساخت سیستم غربالگری رزومه با پایتون و چندپردازشی: راهنمای جامع

معرفی و پیش‌نیازها

معرفی پروژه: اتوماسیون فرآیند غربالگری رزومه

فرآیند استخدام نیروی کار مناسب اغلب با یک کار وقت‌گیر آغاز می‌شود: غربالگری رزومه‌ها. اگر تا به حال یک موقعیت شغلی منتشر کرده باشید، دردسر دریافت صدها درخواست در صندوق ورودی و صرف ساعت‌ها برای بررسی دستی هر رزومه را به خوبی می‌دانید. در این مقاله، یک سیستم غربالگری رزومه با استفاده از پایتون خالص خواهید ساخت. این پروژه بر مفاهیم اصلی برنامه‌نویسی و قدرت پردازش موازی (multiprocessing) تمرکز دارد. هدف، ایجاد یک سیستم سفارشی است که فرآیند ارزیابی را با تبدیل اسناد غیرساختاریافته رزومه به یک جدول رتبه‌بندی شده، به صورت خودکار درمی‌آورد. با دنبال کردن این راهنما، شما ابزاری خواهید ساخت که قادر است صدها رزومه را در عرض چند ثانیه پردازش کند.

آنچه در این راهنما خواهید آموخت

این پروژه جامع، شما را گام به گام در ساخت یک سیستم کاربردی هدایت می‌کند. اهداف یادگیری این راهنما به شرح زیر است:

• تجزیه اسناد: استخراج متن از رزومه‌های با فرمت PDF و DOCX با استفاده از پایتون.


• استخراج اطلاعات: شناسایی مهارت‌ها و کلمات کلیدی از محتوای رزومه.


• طراحی الگوریتم امتیازدهی: ایجاد یک منطق وزن‌دار برای رتبه‌بندی عینی متقاضیان.


• ساخت رابط وب: استفاده از کتابخانه Streamlit برای ایجاد یک رابط کاربری ساده.


• استقرار برنامه: deploy کردن برنامه روی Streamlit Cloud برای دسترسی عمومی.

این مسیر یادگیری نه تنها یک محصول نهایی کاربردی ارائه می‌دهد، بلکه درک شما از پردازش متن، طراحی الگوریتم و ساخت اپلیکیشن‌های تحت وب با پایتون را نیز تقویت خواهد کرد.

پیش‌نیازهای فنی برای همراهی با آموزش

برای اینکه بتوانید به خوبی با این آموزش پیش بروید، لازم است دانش و ابزارهای اولیه زیر را داشته باشید:

• آشنایی مقدماتی با پایتون: درک مفاهیمی مانند توابع، حلقه‌ها و دیکشنری‌ها ضروری است.


• نسخه پایتون: باید Python 3.8 یا نسخه‌های جدیدتر روی سیستم شما نصب باشد.


• آشنایی با نصب پکیج‌ها: توانایی نصب کتابخانه‌های مورد نیاز با استفاده از pip لازم است.


• ویرایشگر کد: استفاده از یک ویرایشگر کد مانند VS Code، PyCharm یا هر ویرایشگر دیگری که با آن راحت هستید.

این پیش‌نیازها تضمین می‌کنند که شما می‌توانید بر روی مفاهیم اصلی پروژه تمرکز کنید بدون اینکه با مبانی اولیه برنامه‌نویسی درگیر شوید.

مروری کلی بر معماری سیستم

سیستم طراحی شده در این پروژه، یک پوشه حاوی رزومه‌ها و یک شرح شغل (Job Description یا JD) را به عنوان ورودی دریافت می‌کند. سیستم هر رزومه را پردازش کرده، اطلاعات مرتبط را استخراج می‌کند و بر اساس میزان انطباق متقاضی با نیازهای شغل، یک امتیاز محاسبه می‌نماید. این سیستم از چهار جزء اصلی و ماژولار تشکیل شده است:

1. تجزیه‌کننده رزومه (Résumé Parser): فایل‌های PDF و DOCX را خوانده و متن آن‌ها را استخراج می‌کند.


2. تجزیه‌کننده شرح شغل (JD Parser): شرح شغل را تحلیل کرده تا مهارت‌های ضروری و مورد نیاز را شناسایی کند.


3. استخراج‌کننده کلمات کلیدی (Keyword Extractor): محتوای رزومه را با یک taxonomy از پیش تعریف شده از مهارت‌ها مقایسه و تطبیق می‌دهد.


4. موتور امتیازدهی (Scoring Engine): با استفاده از یک الگوریتم وزن‌دار، متقاضیان را رتبه‌بندی می‌کند.

این معماری ماژولار، جریان ساده‌ای از ورودی-پردازش-خروجی را دنبال می‌کند و کد را قابل نگهداری و توسعه می‌سازد.

جمع‌بندی: حرکت به سوی استخدام عینی‌تر

این سیستم رزومه‌ها را بر اساس معیارهای از پیش تعریف شده ارزیابی می‌کند، نه قضاوت ذهنی. هر رزومه بر اساس یک مجموعه ثابت از مهارت‌های ضروری، مهارت‌های مکمل، شاخص‌های سابقه کار و کلمات کلیدی امتیازدهی می‌شود. از آنجایی که همه متقاضیان با استفاده از یک فرمول امتیازدهی یکسان ارزیابی می‌شوند، عوامل شخصی مانند سبک نوشتار، قالب‌بندی یا ترجیحات ناخودآگاه بر رتبه‌بندی تأثیری ندارند. منطق امتیازدهی تنها بر میزان نزدیکی رزومه به نیازهای شغل متمرکز است. با عادی‌سازی فرآیند ارزیابی، سیستم، غربالگری یکپارچه و عینی‌تری را ارتقا می‌دهد که به کاهش سوگیری در مرحله اولیه بررسی رزومه‌ها کمک می‌کند. حالا که با معرفی پروژه و پیش‌نیازهای آن آشنا شدید، آماده‌اید تا گام اول را در ساخت این سیستم بردارید.

مروری بر معماری سیستم

جریان کلی سیستم: از ورودی تا خروجی

معماری این سیستم غربالگری رزومه از یک الگوی ساده و خطی ورودی-پردازش-خروجی پیروی می‌کند. در مرحله اول، سیستم دو ورودی اصلی دریافت می‌کند: یک پوشه حاوی فایل‌های رزومه (در قالب‌های PDF یا DOCX) و یک شرح شغل (Job Description یا JD). این دو ورودی، مواد اولیه‌ای هستند که فرآیند پردازش بر روی آن‌ها انجام می‌شود. در مرحله پردازش، مؤلفه‌های مختلف سیستم فعال شده و هر یک وظیفه خاصی را انجام می‌دهند. در نهایت، خروجی سیستم به صورت یک لیست رتبه‌بندی شده از نامزدها ارائه می‌شود که میزان تطابق هر یک با معیارهای شغلی را به وضوح نشان می‌دهد. این جریان یکپارچه، هسته اصلی عملکرد خودکار سیستم را تشکیل می‌دهد.

اجزای اصلی معماری سیستم

این سیستم برای انجام فرآیند غربالگری، بر چهار جزء اصلی و ماژولار تکیه دارد که هر یک مسئولیت مشخصی بر عهده دارند:

• تجزیه‌کننده رزومه (Résumé Parser): این ماژول مسئولیت خواندن فایل‌های رزومه در قالب‌های مختلف را بر عهده دارد. برای فایل‌های PDF، سند را صفحه به صفحه باز کرده و متن هر صفحه را استخراج می‌کند. برای فایل‌های DOCX، متن از داخل پاراگراف‌ها خوانده می‌شود. در نهایت، تمام متن استخراج‌شده در یک رشته متنی واحد ادغام می‌شود تا یک خروجی یکدست برای مراحل بعدی فراهم شود.


• تجزیه‌کننده شرح شغل (JD Parser): این جزء، شرح شغل ارائه شده توسط کاربر را تحلیل می‌کند تا مهارت‌های ضروری و مهارت‌های دلخواه (ترجیحی) که برای این موقعیت شغلی مورد نیاز است را شناسایی کند. این اطلاعات به عنوان معیار اصلی برای ارزیابی رزومه‌ها استفاده می‌شوند.


• استخراج‌کننده کلیدواژه (Keyword Extractor): پس از استخراج متن خام از رزومه، این ماژول وارد عمل می‌شود. متن رزومه به حروف کوچک تبدیل می‌شود تا تطابق بدون حساسیت به بزرگی و کوچکی حروف انجام شود. سپس، این متن با یک تاکسونومی (رده‌بندی) از پیش تعریف‌شده از مهارت‌ها و انواع آن‌ها مقایسه می‌شود. برای جلوگیری از تطابق‌های نادرست (مانند پیدا کردن "Java" در داخل کلمه "JavaScript") از مرزهای کلمه استفاده می‌شود. مهارت‌های شناسایی‌شده در یک مجموعه ذخیره می‌گردند تا از duplicates جلوگیری شود.


• موتور امتیازدهی (Scoring Engine): این قلب سیستم است. موتور امتیازدهی با استفاده از یک الگوریتم وزنی، یک امتیاز نهایی برای هر رزومه محاسبه می‌کند. این کار با شمارش تعداد مهارت‌های ضروری، مهارت‌های دلخواه، شاخص‌های سابقه کار و کلیدواژه‌های موجود در رزومه انجام می‌شود. هر یک از این شمارش‌ها در وزن از پیش تعیین‌شده خود ضرب می‌شوند (به طوری که مهارت‌های ضروری بیشترین وزن را دارند) و در نهایت مقادیر وزنی با هم جمع می‌شوند تا امتیاز نهایی به دست آید.

ساختار ماژولار پروژه برای قابلیت نگهداری و توسعه

یکی از جنبه‌های مهم معماری این سیستم، ساختار فایل‌ها و دایرکتوری‌ها است. پروژه به صورت ماژولار سازمان‌دهی شده است، به این معنا که منطق مربوط به هر بخش اصلی در پوشه‌ای جداگانه قرار دارد. برای مثال، تمام کدهای مربوط به تجزیه فایل‌ها در پوشه‌ای به نام `parsers`، کدهای استخراج کلیدواژه در پوشه `extractors` و منطق امتیازدهی در پوشه مخصوص به خود قرار می‌گیرند. فایل‌های پیکربندی و داده‌ها نیز به صورت جداگانه و ایزوله نگهداری می‌شوند. این جداسازی، کدبیس را برای توسعه‌دهندگان قابل درست‌تر، نگهداری آسان‌تر و توسعه‌پذیرتر می‌سازد، زیرا تغییر در یک ماژول تأثیر مستقیمی بر ماژول‌های دیگر ندارد.

ارائه نتایج: رابط کاربری تحت وب با Streamlit

برای تعامل کاربرنهایی با سیستم، یک رابط کاربری تحت وب ساده با استفاده از فریم‌ورک Streamlit ایجاد شده است. این رابط به کاربران (مانند مدیران منابع انسانی) اجازه می‌دهد بدون نیاز به کار با خط فرمان، از سیستم استفاده کنند. کاربران می‌توانند شرح شغل را در یک ناحیه متنی وارد کرده و فایل‌های رزومه را آپلود کنند. با کلیک بر روی یک دکمه، منطق backend سیستم فعال شده و فرآیند تجزیه، استخراج و امتیازدهی انجام می‌شود. نتایج نهایی به صورت یک لیست رتبه‌بندی شده مستقیماً در مرورگر نمایش داده می‌شوند. این رابط، دسترسی و استفاده از سیستم را بسیار ساده می‌کند.

هدف نهایی: عینیت و کاهش سوگیری در غربالگری اولیه

هدف اصلی از طراحی این معماری، ایجاد عینیت و کاهش سوگیری در مرحله اولیه غربالگری رزومه‌ها است. این سیستم به جای قضاوت ذهنی، رزومه‌ها را بر اساس معیارهای از پیش تعریف‌شده ارزیابی می‌کند. از آنجایی که همه نامزدها با استفاده از همان فرمول وزنی یکسان ارزیابی می‌شوند، عوامل شخصی مانند سبک نوشتار، فرمت‌بندی رزومه یا ترجیحات ناخودآگاه بر رتبه‌بندی تأثیری ندارند. منطق امتیازدهی تنها بر میزان نزدیکی محتوای رزومه به نیازهای شغلی متمرکز است. با عادی‌سازی فرآیند ارزیابی، سیستم غربالگری یکنواخت‌تر و عینی‌تری را ممکن می‌سازد که می‌تواند به صرفه‌جویی قابل توجهی در زمان و کمک به انتخاب عادلانه‌تر منجر شود.

پیاده‌سازی تجزیه‌کننده رزومه

هدف و نقش تجزیه‌کننده در سیستم

تجزیه‌کننده رزومه قلب تپنده سیستم غربالگری است. هدف اصلی این ماژول، تبدیل فایل‌های رزومه با فرمت‌های مختلف (مانند PDF و DOCX) به متن ساده و ساختاریافته است. این مرحله اولین و حیاتی‌ترین قدم در اتوماسیون فرآیند ارزیابی محسوب می‌شود، زیرا تمام تحلیل‌های بعدی، از جمله استخراج کلمات کلیدی و امتیازدهی، مستقیماً به خروجی این ماژول وابسته هستند. بدون یک تجزیه‌کننده قوی و قابل اعتماد، سیستم قادر به درک محتوای رزومه‌ها نخواهد بود.

روش‌های پردازش فرمت‌های مختلف فایل

از آنجایی که رزومه‌ها در دنیای واقعی با فرمت‌های متنوعی ارسال می‌شوند، تجزیه‌کننده باید بتواند با چندین قالب رایج کار کند. در این سیستم، تمرکز اصلی بر روی دو فرمت پرکاربرد PDF و DOCX قرار دارد. برای پردازش هر فرمت از یک روش اختصاصی استفاده می‌شود:

• فایل‌های PDF: برای استخراج متن از این فایل‌ها، از یک کتابخانه خواننده PDF استفاده می‌شود. تجزیه‌کننده سند را صفحه به صفحه باز کرده و متن موجود در هر صفحه را استخراج می‌کند. در نهایت، متون تمام صفحات به یک رشته متنی واحد و پیوسته تبدیل می‌شوند تا پردازش بعدی تسهیل گردد.


• فایل‌های DOCX: پردازش این فایل‌ها با خواندن پاراگراف‌های سند انجام می‌پذیرد. متن هر پاراگراف خوانده شده و سپس به صورت یک بلوک متنی یکپارچه در کنار هم قرار می‌گیرد. این روش اطمینان حاصل می‌کند که ساختار کلی محتوا حفظ شود.

این رویکرد ماژولار باعث می‌شود که خروجی نهایی بدون در نظر گرفتن فرمت اولیه فایل، یکسان و قابل پیش‌بینی باشد. این یکنواختی برای مراحل بعدی سیستم، مانند تطبیق کلمات کلیدی، امری ضروری است.

ساختار کد و یکپارچه‌سازی در پروژه

کد مربوط به تجزیه‌کننده رزومه در یک فایل مجزا به نام `resume_parser.py` درون پوشه‌ای به نام `parsers` قرار می‌گیرد. این جداسازی منطقی، مطابق با معماری کلی پروژه است که در آن هر جزء اصلی در ماژول خودش نگهداری می‌شود. این ساختار، نگهداری، توسعه و عیب‌یابی کد را بسیار آسان‌تر می‌کند. هنگامی که این ماژول فراخوانی می‌شود، مسیر فایل رزومه را به عنوان ورودی دریافت کرده و پس از تشخیص خودکار فرمت فایل، آن را با استفاده از تابع مربوطه پردازش می‌کند. خروجی نهایی این ماژول، یک رشته متنی طولانی است که نمایانگر تمام محتوای متنی رزومه است. این خروجی سپس مستقیماً به ماژول بعدی، یعنی استخراج‌کننده کلمات کلیدی، منتقل می‌شود تا فرآیند تحلیل آغاز گردد.

اهمیت استفاده از داده‌های واقعی برای تست

برای اطمینان از عملکرد صحیح تجزیه‌کننده در شرایط واقعی، استفاده از مجموعه داده‌های رزومه واقعی (مانند مجموعه داده‌های موجود در پلتفرمی مانند Kaggle) بسیار مهم است. این رزومه‌ها دارای تنوع زیادی در قالب‌بندی، ساختار و محتوا هستند و تجزیه‌کننده را در برابر چالش‌های دنیای واقعی قرار می‌دهند. تست کردن ماژول با چنین داده‌هایی به توسعه‌دهنده کمک می‌کند تا اطمینان حاصل کند که الگوریتم‌های استخراج متن می‌توانند به طور قابل اعتمادی با فونت‌های مختلف، طرح‌بندی‌های پیچیده، جداول و سایر عناصر رایج در رزومه‌ها کنار بیایند. این مرحله تضمین می‌کند که منطق سیستم نه تنها در تئوری، بلکه در عمل نیز به درستی کار می‌کند.

جمع‌بندی و نقش در گردش کار کلی

در گردش کار کلی سیستم، تجزیه‌کننده رزومه نقش "ورودی" را ایفا می‌کند. این ماژول مسئولیت تبدیل داده‌های غیرساختاریافته (فایل‌های رزومه) به داده‌های ساختاریافته (متن خالص) را بر عهده دارد. موفقیت این مرحله، اساس عینی‌سازی فرآیند غربالگری را پایه‌ریزی می‌کند. با حذف وابستگی به فرمت فایل، سیستم را قادر می‌سازد تا تنها بر روی محتوای رزومه تمرکز کند و ارزیابی یکسان و بدون تعصبی را برای تمام داوطلبان ممکن می‌سازد. در نتیجه، پیاده‌سازی یک تجزیه‌کننده قوی و انعطاف‌پذیر، اولین و یکی از مهم‌ترین مراحل در ساختن یک سیستم اتوماسیون غربالگری رزومه است.

استخراج کلمات کلیدی و امتیازدهی

هدف و اهمیت استخراج کلمات کلیدی

هدف اصلی از استخراج کلمات کلیدی در این سیستم، شناسایی مهارت‌ها و کلمات کلیدی مرتبط با شغل از محتوای رزومه‌ها است. این فرآیند هسته مرکزی سیستم غربالگری را تشکیل می‌دهد، زیرا دقت و عینیت در ارزیابی را ممکن می‌سازد. با تبدیل رزومه‌های غیرساختاریافته به داده‌های ساختاریافته، سیستم می‌تواند به‌طور خودکار تطابق بین مهارت‌های کاندید و نیازهای شغل را بسنجد. این کار جایگزین قضاوت ذهنی انسانی می‌شود و به کاهش سوگیری در مراحل اولیه غربالگری کمک می‌کند.

مکانیسم استخراج کلمات کلیدی

مکانیسم استخراج با تبدیل تمام متن رزومه به حروف کوچک آغاز می‌شود تا فرآیند تطابق حساس به بزرگی و کوچکی حروف نباشد. سپس سیستم از یک تاکسونومی (رده‌بندی) از پیش تعریف‌شده از مهارت‌ها استفاده می‌کند. این تاکسونومی شامل هر مهارت به همراه انواع ممکن و مترادف‌های آن است. استخراجگر، متن رزومه را برای یافتن تطابق با این تغییرات بررسی می‌کند. برای جلوگیری از تطابق‌های ناقص (مانند تطابق "Java" درون کلمه "JavaScript") از مرزهای کلمه استفاده می‌شود. مهارت‌های یافت‌شده در یک مجموعه ذخیره می‌شوند تا از تکرار جلوگیری شود. این رویکرد، شناسایی مهارت‌ها را در تمام رزومه‌ها یکسان و کنترل‌شده نگه می‌دارد.

الگوریتم امتیازدهی وزنی برای رتبه‌بندی عینی

سیستم برای تولید رتبه‌بندی عینی از یک فرمول امتیازدهی وزنی استفاده می‌کند. موتور امتیازدهی یک امتیاز نهایی برای هر رزومه با استفاده از مقادیر وزنی محاسبه می‌کند. این موتور تعداد مهارت‌های الزامی، مهارت‌های ترجیحی، شاخص‌های تجربه و کلمات کلیدی موجود در یک رزومه را می‌شمارد. هر شماره در وزن اختصاص‌یافته‌اش ضرب می‌شود که در آن مهارت‌های الزامی بیشترین سهم را دارند. مقادیر وزنی با هم جمع می‌شوند تا یک امتیاز واحد تولید شود. سپس رزومه‌ها بر اساس این امتیاز مرتب می‌شوند تا یک لیست رتبه‌بندی‌شده از کاندیدها تولید گردد. این فرمول تضمین می‌کند که مهارت‌های ضروری وزن بیشتری نسبت به کلمات کلیدی ثانویه دارند.

نحوه یکسان‌سازی فرآیند ارزیابی

این سیستم رزومه‌ها را با استفاده از معیارهای از پیش تعریف‌شده به جای قضاوت ذهنی ارزیابی می‌کند. هر رزومه بر اساس مجموعه یکسانی از مهارت‌های الزامی، مهارت‌های ترجیحی، شاخص‌های تجربه و کلمات کلیدی امتیاز می‌گیرد. از آنجایی که همه کاندیدها با استفاده از فرمول وزنی یکسان ارزیابی می‌شوند، عوامل شخصی مانند سبک نوشتار، قالب‌بندی یا ترجیحات ناخودآگاه بر رتبه‌بندی تأثیر نمی‌گذارند. منطق امتیازدهی تنها بر میزان نزدیکی یک رزومه به نیازهای شغل متمرکز است. با عادی‌سازی فرآیند ارزیابی، سیستم غربالگری یکنواخت‌تر و عینی‌تری را ترویج می‌کند.

یکپارچگی با سایر مؤلفه‌های سیستم

فرآیند استخراج کلمات کلیدی و امتیازدهی به‌طور کامل با سایر مؤلفه‌های سیستم یکپارچه شده است. پس از آنکه تجزیه‌کننده رزومه متن را از فایل‌های PDF و DOCX استخراج کرد، این متن استخراج‌شده به استخراجگر کلمات کلیدی منتقل می‌شود. همزمان، تجزیه‌کننده شرح شغل، مهارت‌های الزامی و ترجیحی را از شرح شغل شناسایی می‌کند. خروجی استخراجگر کلمات کلیدی (یعنی مهارت‌های یافت‌شده در رزومه) همراه با مهارت‌های شناسایی‌شده از شرح شغل به موتور امتیازدهی وارد می‌شوند تا امتیاز نهایی محاسبه گردد. این جریان یکپارچه، پردازش کارآمد صدها رزومه در چند ثانیه را ممکن می‌سازد.

جمع‌بندی: دستاوردهای کلیدی

در مجموع، مؤلفه‌های استخراج کلمات کلیدی و امتیازدهی، هسته تحلیلی سیستم غربالگری رزومه را تشکیل می‌دهند. با خودکار کردن شناسایی مهارت‌ها و اعمال یک الگوریتم امتیازدهی شفاف و وزنی، این سیستم به صرفه‌جویی قابل توجه در زمان، افزایش ثبات در ارزیابی‌ها و کاهش سوگیری کمک می‌کند. این رویکرد مبتنی بر داده، پایه‌ای محکم برای تصمیم‌گیری عینی در فرآیند استخدام فراهم می‌آورد و غربالگری اولیه را از یک کار خسته‌کننده دستی به یک فرآیند کارآمد و مقیاس‌پذیر تبدیل می‌کند.

رابط کاربری و استقرار

پیاده‌سازی رابط کاربری با Streamlit

برای تعامل آسان با سیستم غربالگری، از کتابخانه Streamlit استفاده می‌کنیم. این کتابخانه امکان ایجاد یک رابط وب ساده و کاربرپسند را با کمترین کدنویسی فراهم می‌کند. کاربران می‌توانند از طریق یک text area، شرح شغل مورد نظر را وارد کرده و با استفاده از کامپوننت file_uploader، فایل‌های رزومه را آپلود کنند. با کلیک روی دکمه پردازش، منطق backend فعال شده و نتایج به صورت یک جدول رتبه‌بندی شده در مرورگر نمایش داده می‌یابد.

راه‌اندازی و تست سیستم به صورت محلی

پس از تکمیل کدهای برنامه، می‌توانید سیستم را به صورت محلی تست کنید. با اجرای دستور streamlit run app.py در ترمینال، برنامه روی آدرس http://localhost:8500 قابل دسترسی خواهد بود. برای تست عملکرد، می‌توانید از یک شرح شغل نمونه استفاده کنید که شامل مهارت‌های ضروری، مهارت‌های مکمل و کلمات کلیدی مرتبط با سابقه کاری باشد. این ورودی به موتور امتیازدهی کمک می‌کند تا دقت سیستم در رتبه‌بندی متقاضیان را بسنجد.

استقرار عمومی روی Streamlit Cloud

برای در دسترس قرار دادن سیستم برای عموم، می‌توانید آن را روی Streamlit Cloud مستقر کنید. ابتدا کدهای پروژه را در یک repository در GitHub آپلود کنید. سپس به وب‌سایت share.streamlit.io مراجعه کرده و با اتصال حساب GitHub خود، فایل app.py را انتخاب و deploy کنید. پس از تکمیل فرآیند، برنامه شما روی یک آدرس عمومی قابل دسترسی خواهد بود و هر کاربری می‌تواند از سیستم غربالگری استفاده کند.

جمع‌بندی و توصیه‌های نهایی

در این پروژه، شما موفق به ساخت یک سیستم کامل غربالگری رزومه از پایه شدید. این سیستم با ترکیب پردازش متن، امتیازدهی ساختاریافته و اتوماسیون، نشان می‌دهد که چگونه می‌توان فرآیند دستی غربالگری را به یک گردش کار کارآمد و عینی تبدیل کرد. استفاده از این سیستم به کاهش سوگیری، صرفه‌جویی در زمان و ارزیابی یکنواخت متقاضیان منجر می‌شود. برای توسعه بیشتر، می‌توانید قابلیت‌هایی مانند پردازش زبان طبیعی پیشرفته یا یکپارچه‌سازی با سامانه‌های مدیریت منابع انسانی را اضافه کنید.