简历解析的思路无外乎两种：基于纯规则及基于规则+机器学习。做几十甚至上百个字段的解析和识别任务，无论如何，规则是避免不了的。问题是当你的规则有成千甚至上万条的时候，你如何设计一个系统能够让它们一起愉快的协同工作，这是关键。
至于思路的选择，和具体的场景有关：简历类型及想要达到的准确率。
1）当简历有固定的模板：有些应用场景中，简历来自51、智联、猎聘等网站，他们有固定的几种格式，这种简历只需要通过正则+规则的方式进行处理，就能达到很高的准确率；
2）对准确率要求不高：如果无固定模板，但对准确率和召回率要求不高，比如60%、70%左右，这种基于规则的方式也能搞定；
3）当简历无固定模板且准确率要求很高：此时就需要机器学习的介入，特别是对一些实体的识别，毕竟有很多核心字段本身就是实体，比如公司名、学校名等。而对于机器学习的使用，也需要控制在合理的范围内。合理的使用规则+机器学习的方案，能够事半功倍，能使效果提升至90%以上，但这块比较考验算法的经验。
之前看过一篇文章，基于CRF的思路去对不同的分段进行建模，这个思路本身很好，但它只适合学术研究，在应用中显得很不切实际，因为：
1）CRF是监督模型，需要大量的精确的语料去支持，现实中很难标注出这样的语料；
2）当碰到新的badcase时，模型的训练和调优一个流程下来需要不少时间，反而不如基于规则的迭代来的快；
简历解析属于那种前60%~70%的效果能够快速达到，但是后30%的效果则需要投入比前者多得多的工作。若要达到高准确率，还需要有大量的简历库和词典数据去做支撑。
如果您对简历解析技术感兴趣，可以参考一下我们：ResumeSDK简历解析，是由资深BAT算法专家研发的解析系统，欢迎试用。
