简历中的命名实体识别

命名实体识别（NER）用于从各类文档与文本中提取姓名、日期等信息。为筛选简历，从中提取教育与工作经历信息十分重要。考虑到简历中的所有信息都需手动录入公司系统，将该过程自动化可为公司节省时间。本研究实现了一个基于深度学习的半自动命名实体识别系统，重点关注 IT 领域的简历。首先，对来自五个不同 IT 相关领域的员工简历进行了标注。利用标注数据，将六种基于 transformer 的预训练模型适配于命名实体识别任务。这些模型选自自然语言处理领域的主流模型。所得系统可识别八类实体：城市、日期、学位、专业、职位、语言、国家与技能。实验中使用微平均、宏平均与加权平均 F1 分数对模型进行比较并评估方法性能。综合测试集上的这些分数，RoBERTa 取得了最佳的微平均与加权平均 F1 分数，而 Electra 模型取得了最佳的宏平均 F1 分数。