能否借助NER标记大段文本，实现CV类文本的语义拆分？

关于NER的适用性 #

传统NER确实侧重识别单词或短词组级的实体（比如人名、公司名），但完全可以适配你的场景：只要把整段文本作为标记单元，训练模型给段落打上ABOUT_ME、WORK_EXPERIENCE这类标签——这属于NER的扩展用法，叫块级实体识别，专门处理连续文本片段的分类标记，大段文本也能搞定，训练时把段落作为基本单元就行，或者用滑动窗口结合上下文来处理超长段落。

文本分类的正确打开方式 #

普通全文本分类确实是给整个文档打一个标签，不适合局部拆分，但段落级文本分类刚好匹配你的需求：先把CV拆成自然段落或文本块，再给每个块单独分到简介、工作经历等模块下，这才是你该关注的方向。

现成工具与落地思路 #

这个任务是招聘领域NLP的常规需求，有不少成熟方案：

• 开源模型：用BERT、RoBERTa这类预训练模型做微调，标注几十到上百份CV的段落标签，就能得到不错的效果；也可以用spaCy自定义管道，扩展实现块级标签识别。
• 规则+模型结合：如果你的CV格式比较规整（比如有明确的“工作经历”这类标题），先靠正则匹配标题划分内容块，再用小模型微调处理格式不规范的情况，效率更高。
• 预制工具：不少NLP工具包自带CV解析模块，直接能拆分出简介、工作经历等结构化内容。

任务属性 #

这绝对不是非典型任务，属于结构化文档信息抽取的常见场景，有大量公开数据集和工业级方案可以参考。

内容的提问来源于stack exchange，提问作者Andrei Yusupau