在當(dāng)前求職布告軟件和社交招聘盛行的環(huán)境下，每個空缺職位可能有數(shù)以百計(jì)的申請。企業(yè)需要對大量簡歷進(jìn)行評估。從而挑選正確的簡歷/履歷是所有公司的一項(xiàng)關(guān)鍵招聘業(yè)務(wù)決策。如果出現(xiàn)錯誤的候選人信息或者時間過久可能意味著將會錯過合格的求職者，不相匹配的求職者，或者變得缺乏競爭力。

至于簡歷解析到底是做什么的，具體的我就不太多說了?？傮w來說，是對非結(jié)構(gòu)化的簡歷文本實(shí)現(xiàn)準(zhǔn)確、高效的關(guān)鍵信息抽取，自動識別簡歷中個人的基本信息、工作經(jīng)驗(yàn)、教育經(jīng)歷等內(nèi)容，實(shí)現(xiàn)簡歷的結(jié)構(gòu)化處理，降低人力整理的成本，簡化用戶錄入簡歷過程，提升人力資源管理軟件與求職網(wǎng)站的核心競爭性。

我們最近也研發(fā)了自己的產(chǎn)品，做了一些市場調(diào)研，將一些就我們自己的產(chǎn)品思路和搭建理念想和大家分享下，畢竟現(xiàn)在這個需求也越來越大，可是HR或者人力市場貌似并不是很了解這是怎么一個東西：

首先我想說，簡歷解析的技術(shù)壁壘可以說是低，任意幾個程序員就能做到，也可以說非常高，因?yàn)橐龅綕M意的結(jié)果非常難。 簡歷解析系統(tǒng)可以作為一個計(jì)算機(jī)本科生的畢業(yè)設(shè)計(jì)，也可以是幾個教授幾年的心血。

在討論不同簡歷解析系統(tǒng)的設(shè)計(jì)前，我先說一下解析的大概思路

對于一個簡單的版本，可以這樣做：

1. 使用網(wǎng)上任意的庫 - 例如很多庫都能起到pdf，word 等格式轉(zhuǎn)txt的結(jié)果

但是對于每種情況，最優(yōu)的庫經(jīng)常是不一樣的，如果我們打算用一兩個庫處理所有的格式，我們將會得到完全無法. 這里文本的轉(zhuǎn)化嚴(yán)重關(guān)系的之后解析的結(jié)果

2. 設(shè)置很多關(guān)鍵詞 - 例如人眼看了很多簡歷以后，尋找關(guān)鍵詞，如教育背景，學(xué)習(xí)經(jīng)歷，學(xué)生經(jīng)歷等。 然后設(shè)置規(guī)則，靠關(guān)鍵詞提取。

但這種看似合理的方法有一些不太好的地方，例如沒有關(guān)鍵詞，關(guān)鍵詞打錯字，關(guān)鍵詞沒有在詞庫里，更常見的是用了網(wǎng)上的模版，如智聯(lián)招聘，單相關(guān)內(nèi)容填錯了，例如工作經(jīng)歷填寫到了項(xiàng)目經(jīng)歷里面了。這些都是無法解決的

3. 使用關(guān)鍵行來對大段進(jìn)行劃分 - 例如在工作經(jīng)歷中，寫出時間，公司名，部門名的規(guī)則表達(dá)式，來判斷一行是否屬于該屬性 。 然后再寫一大堆規(guī)則來利用這些信息把大段分為多個小段

但是1：很多公司不是有標(biāo)準(zhǔn)后綴的，例如騰訊科技，網(wǎng)易云音樂等 。2：并不是所有公司名都是表達(dá)公司名，例如在阿里巴巴做市場營銷工作期間談到百度做為客戶，百度這個詞就出現(xiàn)了。是否能說明是公司名字呢還是經(jīng)歷？ 3：即使你成功預(yù)測到了公司名，時間和職位順序也非常影響劃分，假如利用時間進(jìn)行切割時， 上一段的公司名就很容易分到了這一段的時間里。

4.使用規(guī)則來進(jìn)行分割

但是當(dāng)面對一個正確的工作經(jīng)歷小段文本時， 假如里面并沒有識別到公司名，或有多個公司名時，這些通過規(guī)則都是非常難解決的。

大體思路和做法

小伙伴可能會想，那怎么做？其實(shí)我也不知道。首先我又要說，簡歷解析這個東西，不存在好和不好，只是怎么做到最優(yōu)。就像一幅畫，問我怎么畫出一張漂亮的畫或?qū)懗鲆皇讋尤说脑?，我也不知道。這里，我只能分享給大家一些我們當(dāng)時的大體思路和做法：

1. 學(xué)習(xí)不同庫，了解思路-學(xué)習(xí)并了解對于每種格式，如何處理會得到最優(yōu)的txt文本，特別對于一些花樣比較特殊的的簡歷格式，學(xué)習(xí)思考如何能夠得到最優(yōu)的轉(zhuǎn)化結(jié)果.

這里我舉個我們當(dāng)時的例子：當(dāng)時我們看大多數(shù)的庫都是從上至下來讀文本的，所以一旦一份簡歷的卷寫格式是從左到右的，那就會很麻煩。我們花了很多時間去學(xué)習(xí)如何不按照閱讀順序來讀簡歷

2. 當(dāng)結(jié)構(gòu)能得到保持后，需要設(shè)計(jì)算法 - 使得無論關(guān)鍵詞是否出現(xiàn)，也要正確劃分每個模塊。

在討論人工智能之前，我們想想人類是如何做到這個結(jié)果的，大腦中，當(dāng)你想提取教育經(jīng)歷的內(nèi)容時，你會一行行往下讀，直到你認(rèn)為這部分以下都是討論教育的經(jīng)歷了為止。所以人類起始并不是去找他這個關(guān)鍵詞，更重要的是語言上的理解，即使不需要關(guān)鍵詞，人也能夠識別出來。這個問題在機(jī)器學(xué)習(xí)里叫做序列預(yù)測問題。如大學(xué)這個詞經(jīng)常會出現(xiàn)在教育經(jīng)歷，工資這個詞經(jīng)常出現(xiàn)在工作經(jīng)歷等，結(jié)合模塊間的跳轉(zhuǎn)概率， 如教育經(jīng)歷經(jīng)常跳轉(zhuǎn)到工作經(jīng)歷，但反過來概率很小，如技能總是放在最后等。在這里，盡量不要人手設(shè)定任何規(guī)則，全讓大數(shù)據(jù)說話，讓數(shù)據(jù)顯示規(guī)則, 讓數(shù)據(jù)顯示模式，效果會更好

3.在得到準(zhǔn)確的劃分之后，對每個模塊進(jìn)行模仿解析 - 再次回想人類潛意識會如何閱讀小段

對于算法，需要考慮的有幾個方面的特征，如上下文特征，這一行表達(dá)了什么，上一個段落信息是否已經(jīng)齊全，如果從這一行開始一個段落，在此行之后能得到一個完整的段落嗎， 等等。 要充分能夠利用上下文的信息，如上個劃分點(diǎn)到目前行信息是否齊全，本行是否有起始行的特征， 本行以后是否有足夠的信息建等等。

4.得到模塊解析之后，如何提取關(guān)鍵的信息成為關(guān)鍵 -機(jī)器學(xué)習(xí)中，這是一個典型的問題

比如給定一行文本，是公司名？時間？部門？還是描述。此處可能需要大量各種來源的樣本，對文本進(jìn)行準(zhǔn)確理解及分類。? 比如如果第一段經(jīng)歷中是先時間后公司，第二段是先公司后時間，跟進(jìn)時間來切割的就會出現(xiàn)錯位。所以需要大量簡歷樣本的支持，而不是人為提取的經(jīng)驗(yàn)規(guī)則

如果你讀到這里，請先收下我的謝謝，感謝你的時間及興趣。同時也很希望這一點(diǎn)點(diǎn)的信息可以幫助開發(fā)的小伙伴得到一絲不一向的啟發(fā)，給人力行業(yè)內(nèi)的小伙伴一絲不同角度的理解。

再次謝謝大家，也期待得到大家的討論，想法，看法。