简历是生活中常见且重要的文本,解析其中的个人资料、教育及工作经历等实体信息并结构化处理,对于求职招聘、关联分析等应用都至关重要。现有的简历解析系统尽管引入了统计学模型,但仍主要依赖于人工定制的规则模板,导致其开发维护困难、泛化能力差、难以移植,已难以应对当下大数据量的简历处理需求。为解决上述问题,本文研究基于深度学习的简历实体标注方法,利用深度神经网络强大的特征学习,并实现相应的中文简历解析系统,具体如下:1.在对现有的简历解析技术进行系统的分析后,提出基于神经网络与概率图模型联合的简历标注解析方法。首先将非结构化的简历文本预处理为词序列,通过由Word2vec在大规模语料上训练得到的词向量表将词映射为低维实数向量,然后利用双向长短期记忆网络层融合待标注词的语境信息,由条件随机场层引入标签约束求解最优标签序列,最后利用标签匹配解析出相应简历实体,利用随机梯度下降算法训练该模型,并辅以Dropout防止过拟合。该方法不仅无需依赖人工定制的特征模板,且实验结果表明相比以往的方法其标注性能F1值提升了近8%。2.在对中文分词、中文特征分析,以及基于神经网络的字序列标注实验的基础上,提出利用注意力机制融合字词特征的神经网络标注方法。该方法以前面提出的神经网络词序列标注为主体框架,引入注意力机制动态的调控字序列特征的融合,并整合字词向量特征,进一步挖掘和利用特征信息,提升标注效果。实验结果表明该方法进一步的提升了简历标注效果。3.在前两部分对简历解析核心模型设计和实验分析的基础上,根据实际的应用需求设计并实现基于神经网络的中文简历解析系统。该系统主要包括数据预处理、模型训练、推理标注、标注修正等模块。