近年来随着大数据时代的发展,企业招聘也由传统的线下招聘模式逐步转变为网络在线招聘模式,在线招聘凭借着成本低、易操作、足不出户便可投递简历等便利条件已成为企业招聘的主流模式。受今年疫情影响,国内很多企业效益下降,招聘人员相应减少,而每年的高校毕业生规模却呈逐步攀升态势,导致今年就业形势更加严峻,各企业收到的简历数量也远超往年,这对在线简历的匹配及筛选提出了更大的挑战。针对目前招聘网站不能实现简历信息的自动解析及智能匹配的问题,本文提出了中文简历自动解析及面向招聘领域简历需求的匹配和筛选算法。本文将个性化匹配与企业招聘场景相结合,基于自动化信息抽取、个性化匹配算法以及多指标评价算法,实现了根据企业招聘需求对简历进行自动化匹配。可根据企业对招聘者的个性化需求进行二次筛选,实现企业与求职者的精准匹配。本文的主要研究内容和创新点如下:（1）依据中文简历的层次化结构,对文本进行信息抽取,首先将不同格式简历文件统一转为txt格式,其次由于简历和招聘需求文本都有较为统一的格式,预研后提取块关键词对文本进行分块处理,文本块分为以下两种类型:文本块中包含属性关键词、文本块中不包含属性关键词。包含属性关键词的文本块按照属性关键词依次提取即可;对于不包含属性关键词的文本块,则需要根据对简历数据预研得到的经验定制规则进行提取。（2）根据简历的半结构化特性对招聘文本与简历进行信息匹配,将简历信息分为结构化与非结构化信息,采用“分而治之”的思路分别进行匹配。结构化信息中针对不同类型的文本采用不同的算法:数值类文本采用离散数值匹配;领域知识文本采用基于本体领域知识算法;岗位名称文本采用基于字符间的文本相似度算法。根据企业对求职者简历不同属性的偏好,对不同属性值进行加权求和得到结构化文本的匹配度。（3）采用基于预训练模型Elmo及句向量SIF抽取简历文本的关键词,实现简历的关键词检索匹配。对工作经历、自我评价等内容进行关键词抽取,提取语义丰富的行业关键词后,生成该份简历的关键词集合。根据企业提供的招聘关键词与简历关键词集合进行匹配。（4）针对目前简历在线招聘存在的信息匹配单一化、模板化的问题,利用TOPSIS算法对简历进行二次筛选。丰富简历的筛选维度,根据各公司不同的个性化招聘需求,如学历、工作经验、在校荣誉等个性化内容,筛选出更为适合的求职者。本文提出的结构化信息匹配算法相比于传统0-1规则匹配,F1值提升3%;非结构化文本采用Doc2vec向量模型,相较传统文本相似算法,F1值提升10%以上。采用的关键词抽取算法与主流算法相比,抽取关键词维度更多,抽取的关键词也更加完整。简历的二次筛选使信息匹配算法更具实用性。