通过在 6 个统一化技能提取数据集上使用大语言模型（LLMs）的少样本学习能力，我们研究了上下文学习的使用，以克服手动注释数据的高依赖性对这些方法的泛化能力的限制。我们展示了 LLMs 能够更好地处理在技能提取任务中句法复杂的技能提及，尽管在性能上不及传统监督模型。

Feb, 2024

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

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

The paper presents an end-to-end zero-shot system for skills extraction from job descriptions based on large language models, achieving promising results on skills extraction against the ESCO framework without human annotations.

Jul, 2023

这篇论文介绍了一种名为 Smart Expert System 的创新方法，利用大型语言模型作为文本分类器，简化了传统的文本分类工作流程，通过评估多个大型语言模型、机器学习算法和神经网络结构在四个数据集上的性能，证明了某些大型语言模型在情感分析、垃圾短信检测和多标签分类方面超过了传统方法，并且通过少样本学习和微调策略进一步提高了系统的性能，使得微调模型在所有数据集中表现最佳。

May, 2024

该论文提出了一种利用非线性嵌入和基于图先验的标签空间建模相结合的实用深度嵌入方法，以解决规模庞大的标签空间问题，并在多个公共数据集上进行了实验。

Apr, 2017

本文提出了一种统一的数据创建流程，只需一个格式示例，适用于包括传统上问题较多的任务在内的广泛范围，通过实验证明使用指令跟随型大型语言模型创建的数据比使用人工标注的数据在分布外评估上表现更好（高达 17.5%），同时在分布内任务上保持可比较的性能，这些结果对于在现实世界中部署的自然语言处理系统的稳健性具有重要意义。

Oct, 2023

使用大型语言模型（LLMs）结合人类专家的方法，快速生成医疗文本注释的地面真实标签，从而减少人工注释负担并保持高准确性，为医疗健康领域的定制自然语言处理（NLP）解决方案提供了潜力。

Dec, 2023

通过使用关键词训练一个深度学习架构，我们提出了一个不需要预训练与微调，可以直接应用于特定环境进行多标签分类的方法，该方法在文本分类中显著提高了性能，是一种有潜力的替代传统方法的有效选择，并在各种医学领域具有潜在应用。

Dec, 2023

该论文旨在研究和探索使用任务和语言之间的相关性来构建需要较少手动注释数据的自然语言处理模型，通过研究 60 种语言的多种 NLP 任务，该论文表明了联合多任务和多语言建模的潜力，并暗示从这些模型中可以获得语言学洞见。

Sep, 2018