领英深度职位理解
本文研究了深度学习在 LinkedIn 人才搜索和推荐系统中的应用，利用神经网络模型学习人才搜索领域中的稀疏实体的语义表示，利用学习排名方法来提升人才搜索、推荐系统的表现。
Sep, 2018
在 LinkedIn 上，我们通过开发一款新的产品将招聘者在线筛选问题来提高聘用效率和减少手动筛选每个应聘者的需求，并提出了一项新的任务来自动生成给定职位发布的筛选问题，使用称为 Job2Questions 的深度学习模型来自动化生成最佳的筛选问题并在上线后显著提升了工作市场的影响力。
Apr, 2020
近年来，自然语言处理（NLP）取得了显著进展，使得计算机行业市场分析领域有了快速发展。本调查旨在提供深度学习方法、数据集和特定于 NLP 驱动的技能提取和分类的术语的全面概述，填补这一新兴领域的不完全评估。我们对公开可用数据集的详细分类解决了关于数据集创建和特征的信息缺乏的问题。最后，对术语的关注解决了目前对重要概念（如硬技能和软技能）和技能提取和分类相关术语缺乏一致定义的问题。
Feb, 2024
通过职位描述聚合组件和双向对比损失函数，我们提出了一种学习职位标题的替代框架，并在域内和域外设置中评估了我们方法的性能，相比于基于技能的方法，取得了更好的表现。
Jun, 2024
通过比较四种不同的方法，包括内容确定性、由 LLM 指导、未指导的 LLM 和混合方法，我们利用大型语言模型在工作推荐中捕捉了未结构化数据转换过程中丢失的信息，并且评估了它们在时间需求方面的性能。
Sep, 2023
利用自然语言处理技术从职位描述中提取相关信息，包括解决训练数据的稀缺性、标注指南的缺乏以及从职位广告中提取有效信息的不足等挑战，最终通过引入抽取方法和多个数据集相辅相成的检索增强模型来提高整体性能，并将提取到的信息置于特定分类体系中。
Apr, 2024
本文通过使用不同的深度神经网络模型，包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外，我们还提出了一个简单有效的组合模型。实验结果表明，我们的提出的组合模型取得了最高的 F1 分数为 72.71％。
Dec, 2019