结构化信息抽取实战：从招聘JD自动提取岗位技能与薪资标签

从非结构化的招聘JD文本中，精准提取岗位名称、技能要求、薪资范围等结构化信息，是提升HR与技术团队效率的关键。传统人工处理方式不仅耗时，且易因JD表述多样、术语复杂、数值格式不一而产生疏漏。

针对这一痛点，市场已沉淀出多种成熟的技术解决方案。从无需标注数据的零样本模型，到开箱即用的Web工具，再到兼顾隐私与可控的轻量服务，以及确保高确定性的指令抽取与规则兜底，不同方案可适配多元业务场景。下文将深入解析这五种主流技术路径。

一、使用SiameseUIE中文-base模型进行零样本抽取

在缺乏标注数据且希望快速启动的场景下，零样本抽取方案是理想选择。其核心在于提示学习，通过自然语言指令引导模型从原文中定位目标信息。

具体操作流程如下。

以原始JD文本为例：“招聘Ja va后端开发工程师，需熟练掌握Spring Boot、MyBatis、Redis，有分布式系统设计经验；学历要求本科及以上；薪资范围20K-35K·16薪。”

首先，构造一个JSON格式的Schema，明确定义待抽取字段。例如：{"岗位名称": null, "技能要求": null, "学历要求": null, "薪资范围": null}。

随后，将文本与定义好的Schema一并输入至SiameseUIE中文-base模型的推理接口。该模型采用双流编码器结构，能精准捕捉“技能要求”等提示词与JD中具体技术描述间的语义关联。

模型将直接返回结构化结果，例如：{"岗位名称": "Ja va后端开发工程师", "技能要求": "Spring Boot、MyBatis、Redis、分布式系统设计", "学历要求": "本科及以上", "薪资范围": "20K-35K·16薪"}。整个过程无需任何训练数据支持。

二、基于RexUniNLU镜像的Web界面批量解析

对于非技术背景的HR或运营人员，一个封装完善的Web工具更具实操性。此方案将技术细节完全隐藏，用户仅需关注输入与输出。

操作流程直观：启动预置的RexUniNLU镜像后，系统将自动打开Web界面。用户可直接在输入框粘贴单条JD文本，或上传包含上百条JD的TXT/CSV文件进行批量处理。

解析前需定义抽取Schema。系统通常提供“招聘JD四要素”等预设模板，用户也可根据业务需求，手动添加“云服务认证”、“软技能”、“具体工作地点”等自定义字段。

点击“开始解析”后，系统在后台完成处理。最终结果以清晰表格呈现，并支持一键导出为Excel，便于后续数据分析与报表生成。此方案最大优势在于免除了本地部署与环境配置，实现开箱即用。

三、调用GTE文本向量-large构建轻量级三要素抽取服务

当企业有私有化部署需求，或对数据隐私、结果可追溯性有严格要求时，构建一个轻量、可控的抽取服务是更优解。此路径结合了高性能文本向量模型与高效的指针网络。

其核心逻辑是“定位”而非“生成”。首先，加载ModelScope平台的GTE-large中文句向量模型，该模型在中文语义表征上表现卓越。

处理时，对JD全文进行滑动窗口切分，并为每个窗口文本生成高维向量。随后，系统构建三个独立的二分类模块，分别判断当前窗口文本是否属于“技能要求”、“学历要求”或“工作经验”的语义范畴。

算法最终会合并每个类别下得分最高的连续文本窗口，并直接提取其在原文中的字符位置。此方法确保所有输出结果均严格源自原文片段，有效杜绝了大模型可能产生的“幻觉”问题，保证了结果的真实性与可审计性。

四、采用Qwen3.5-9B-AWQ-4bit模型执行指令式抽取

大语言模型在理解复杂指令与生成规整格式方面具备优势。此方案即利用Qwen3.5等模型的强指令遵循能力，实现高精度结构化输出。

为降低部署成本，可采用经AWQ量化至4bit的模型版本。量化后模型体积与显存占用大幅减少，甚至可在消费级显卡上流畅运行，响应延迟可控制在800毫秒内，适合集成至企业内部HR系统或招聘后台。

应用关键在于构造清晰的系统提示词。例如：“你是一个专业的招聘数据分析师，请严格按JSON格式返回以下字段：岗位名称、核心职责（3–5条）、硬性要求（学历、经验等）、薪资范围。不要添加任何解释性文字。”

将此系统提示与JD全文传入模型，并将温度参数设为0以确保输出确定性。模型将直接返回规整的JSON字符串，用户仅需进行解析与校验，并对可能缺失的字段做好空值填充逻辑即可。

五、构建正则+规则引擎兜底层

无论AI模型多先进，面对格式极度不规范或包含大量行业黑话的JD时，都可能出现置信度不足的情况。此时，一套基于正则表达式与规则引擎的兜底方案不可或缺，尤其适用于金融、政务等对合规性与准确性要求极高的领域。

该引擎的构建深度依赖业务经验沉淀。首先，需建立高频关键词白名单，如“学历：”、“要求：”、“任职资格：”、“薪资：”、“待遇：”等常见引导词，用于快速定位字段起始位置。

对于薪资这类格式多变但规律可循的字段，需编写多模态正则表达式以覆盖各类变体，例如匹配“15K-25K”、“年薪30万起”、“面议”、“15K×15薪”等表述。

技能字段的抽取，则可结合行业标准技能术语词典，并建立缩写映射表（如将“K8s”映射为“Kubernetes”），以提升识别准确率。

实际运行时，可设置置信度阈值（如0.65）。当AI模型输出结果为空，或关键字段置信度低于此阈值时，系统将自动触发规则引擎进行二次扫描与补全，确保最终输出结果的完整性与可靠性。

来源：互联网