姓名识别是简历解析系统的核心组件之一，因为候选人姓名是一份简历最关键的几个字段之一，通常是第一个展示的字段，如果姓名识别出错，人们将会怀疑你接下来其他字段的解析效果，也很难相信你的解析技术能力。因此一个优秀的简历解析系统，必须达到极高的姓名解析准确率（比如98%以上）。
准确度
从技术角度来看，个人认为，80%、90%、95%、98%的准确率分别对应不同的技术能力等级（或者叫资源投入等级）。等级越高，投入越多，越往后，提升越难。
但很多人对准确率缺乏一个直观的理解，认为90%和95%的效果差别不大。实际上，5%的差异，意味着10000份简历里面前者会比后者多出500次错误，意味着每20份简历前者要比后者多出一次错误，也意味着人工校正将会花费更多的耗时。
ResumeSDK简历解析的姓名识别准确率，我们内部测试的准确率已经在99%左右，对开放数据的准确率差不多会在98%以上。
技术选型
姓名识别，从技术层面来说，可以分为这几个思路：
1） 基于规则；
2） 基于分类模型，比如NB、SVM、树模型等；
3） 基于序列标注，比如著名的CRF模型，以及加入深度学习的BiLSTM-CRF模型等；
简历里的姓名识别与常规的序列标注在场景上有很大的差别。常规序列标注通常用于在一段文本中识别其中的命名实体（NER），比如人名，而长文本一般带有丰富的上下文信息，序列标注通过对这些信息进行充分利用以达到优异的效果，这也是在深度学习爆发之前CRF在NER大行其道的重要原因。然而简历里面的姓名，一般出现于简历开头（通常是第一行），而且常常是单独存在，左右不存在其他文本，这样序列标注的优势就发挥不出来了。
此外，序列标注对标注数据的要求更加严格，需要对包含上下文的长段文本进行标注，这需要多耗费好几倍的人工时间。当然也可以采用开源的标注数据，比如新闻里的NER标注，但新闻和简历数据存在很大差异，效果必然大打折扣。
因此采用传统的分类模型，就成了更优的选择。从中可以看出，模型不是越高级越好，而是需要根据合适的场景选择合适的模型。正应了那句话：“只选对的，不选贵的”。
规则处理
当然，仅仅有机器学习模型是不够的。要达到90%以上的准确度，规则的处理是必不可少的。因为，简历的格式非常多元化，不仅有各种大小招聘网站的通用格式，还有用户自填的格式；不仅有中文的，还有英文的。可是说是相当复杂。以下列出一些看过的比较有意思的case：
1）罕见的姓氏，比如要智慧、肥雯、第五思杰，要、肥、第五都是生活中极少见得姓氏；
2）长得像人名但实际不是人名，比如杨浦、沈阳这种地区名，比如简历、年龄、高光这种从模型的角度看特别像人名的名词；
3）四字人名，比如程吉里元、权李非凡这种双姓氏的；
4）英文人名，有ChenJiaxian这种纯中文的，有Jessy Jiang这种英文+中文的，有Teo Park这种纯英文的；
此外还有大大小小不下数十个其他类似规则case的处理。
ResumeSDK正是通过对5年来碰到的各种不同简历，对遇到的各种这样case进行逐一归纳和处理解决，才达到了目前极高的解析准确度。
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。
