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

本文提出一种实用的方法来在职位列表中检测技能，该方法将任务视为一个排名问题，通过提取短语并与短语上下文的语义相似性进行排名，并进行技能短语的最终分类，从而在小数据集中比实体识别模型表现更好。

Oct, 2022

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

高等教育在推动创新经济方面发挥着关键作用，通过为学生提供劳动力需求所需的知识和技能。本研究填补了一个空白，通过提供从近 3000 所美国高等教育机构的三百万门课程大纲中推断技能的纵向数据集，回答了如何在高等教育中记录技能发展的问题。这个数据集通过自然语言处理从课程描述中提取具体的工作场景活动（DOL 所用来描述职业的 DWAs），并聚合这些 DWAs 来为机构和学术专业创建技能概况。这个数据集可以用于研究技能来源、劳动力发展的背景，并为塑造未来高等教育以满足不断变化的劳动力需求提供可操作的见解。

Apr, 2024

本篇论文探讨通过时间序列预测和神经网络等方法，利用在线招聘广告的技能需求数据提高多技能需求的预测准确性。作者对多项世界信息技术业工作者的技能需求进行了分析，并比较了多元和单变量模型的性能。

May, 2022

提出了基于大型语言模型的数据处理系统 Data-Copilot，通过自主设计各种功能接口，实现了数据的自动处理和可视化，符合人机交互的需求。

Jun, 2023

该研究论文介绍了 LinkedIn 如何利用深度迁移学习方法和专家反馈循环来改进其职位理解模型，从而提高职位推荐系统的准确性和雇佣效率。

May, 2020

通过采用合成训练数据进行技能匹配的最新方法已经显示出有希望的结果，减少了耗时且昂贵的标注需求。本文介绍了 JobSkape，一个专门设计用于增强技能与分类匹配的合成数据生成框架，其中包含了一个综合的开源合成数据集 SkillSkape，用于技能匹配任务。同时引入了多种离线度量来显示我们的数据集类似于真实世界数据。此外，我们还提出了一个利用大型语言模型（LLMs）进行技能提取和匹配任务的多步骤流水线，并与已知的有监督方法进行基准测试。我们总结出，在真实世界数据上的下游评估结果能够超过基线效果，凸显了其效力和适应性。

Feb, 2024

在迅速发展的就业市场中，技能需求预测对于政策制定者和企业来说至关重要，因为它使其能够预测和适应变化，确保劳动力技能与市场需求相吻合，从而提高生产力和竞争力。然而，缺乏全面的数据集对于研究和这一领域的进展存在重大挑战。为了填补这一差距，我们提出了 Job-SDF，这是一个设计用来训练和基准测试职业技能需求预测模型的数据集。我们的数据集在不同的粒度上评估技能需求预测模型的性能，包括职业、公司和地区水平。我们在此数据集上对一系列模型进行基准测试，在标准情况下、低值范围的预测和结构性突变的情况下评估它们的性能，为进一步的研究提供了新的见解。

Jun, 2024

利用弱监督技术中的技能提取，结合欧洲技能、能力、资格和职业分类法，使用潜在表示法在职位广告中发现类似的技能标签，相对于基于令牌级别和语法模式的基准测试，该方法显示出强正信号。

Sep, 2022