我们还提供了我们的ResumeSDK的思路供大家参考：
简历解析有两种思路：纯基于规则和基于规则+机器学习。 做几十甚至上百个字段解析识别任务，无论怎样，规则是不可避免的。 问题是当你有几千甚至几万条规则时，你如何设计一个系统让它们能够愉快地协同工作？ 这是关键。
至于想法的选择，与具体场景有关：简历的类型和你想要达到的准确率。
1）当简历有固定模板时：在某些应用场景中，简历来自51、智联招聘、猎聘网等网站。 它们有几种固定的格式。 这种简历只需要通过正则+规则的处理就可以达到目的。 精度非常高；
2）准确率要求不高：如果没有固定模板，但对准确率和召回率要求不高，比如60%、70%左右，这种基于规则的方法也能应付；
3）当简历没有固定模板且准确率要求较高时：这时候就需要机器学习的介入，尤其是一些实体的识别。 毕竟很多核心领域本身就是实体，比如公司名称、学校名称等，机器学习的使用也需要控制在合理的范围内。 合理利用规则+机器学习的方案，可以达到事半功倍的效果，将效果提升到90%以上，但这方面考验的是算法的体验。
之前看过一篇文章，利用CRF思想对不同的细分进行建模。 这个想法本身很好，但是只适合学术研究，在应用中很不实用，因为1）CRF是一个有监督的模型。 ，需要大量准确的语料库支撑，而现实中很难对这样的语料库进行标注； 2）当遇到新的badcase时，模型的训练和调优需要花费大量的时间，但却不如基于规则的迭代来得快。
简历分析是一种可以快速获得前 60% 到 70% 结果的类型，但后 30% 的结果需要比前者更多的工作。 要达到高精度，需要大量的简历数据库和词典数据来支持。
