题目重点：把文本中的候选词映射到标准技能，处理别名、多义词、层级标签、冷启动与人工标注。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 训练场景仅处理有授权/可使用的简历与职位文本，输出标准 skill ID、证据 span、置信度；不把隐含敏感属性当技能。
- 技能本体有别名和父子关系，可持续版本化；题目未要求具体模型架构。
解题路线
- 先建立技能词表/本体：同义词、缩写、拼写变体和层级关系，区分 Java 编程语言与 Java 地名等多义词。标注时保存文本 span、skill ID 与无法判定标记。
- 候选识别结合词典高召回、NER/序列模型与上下文编码；规范化层把候选片段映射到标准 ID，并用上下文消歧，不确定时 abstain。简历结构分区（技能栏、项目经历、教育）影响证据强弱。
- 收集高质量人工标注集覆盖不同职位、语言、地域和短尾技能；职位技能/用户技能可做弱监督，但声明噪声与来源偏差。上线建议展示证据并允许用户确认/纠错。
- 离线评估 span precision/recall、标准 ID 准确率、长尾召回、歧义词错误、校准；线上看用户纠错率、匹配/搜索质量和投诉。新技能出现用未匹配高频 span 聚类+人工审核入本体，再回填索引。
- 版本化文本解析、技能本体和模型，避免同一简历在不同版本下无法解释；撤销授权时删除派生特征与索引。
手动走一遍
简历写‘built streaming pipelines in Java and Kafka’：候选 span Java、Kafka；上下文支持 Java=语言，规范成标准 skill ID，附原文证据。若只写‘worked in Java’，缺少上下文时可保持低置信，不强行贴编程技能。
规模与取舍
设文档总 token T、本体技能 V、候选 span 数 C：词典/Trie 匹配约随 T 与匹配数增长，重排/消歧 O(C×模型调用成本)；本体与索引空间随 V、别名和文档数增长。题目没有量级，具体分片/模型大小应按业务数据定。
易错点与追问
容易失分的边界
- 把所有技能抽取等同关键词命中。
- 只做 span 检出，不把别名规范成统一 ID。
- 把弱标签当真值，忽略职位文本与简历分布差。
- 输出技能无证据、用户无法纠错。
- 未经授权处理简历并长期保留派生信息。
继续深挖
- 新技能词首次出现如何发现？
- 多义词如何消歧并衡量错误？
- 不同语言简历如何统一技能 ID？
- 如何处理用户主动删除技能？
