职业本体论中的证书
本研究提出了一种将业务转型倡议与职业相连接的新本体论，并通过利用从工作广告和维基百科页面中提取的嵌入来自动填充该本体论的方法。这一框架对于指导企业和教育机构在特定的业务转型倡议中的劳动力需求具有创新意义。
Oct, 2023
该研究介绍了一种自动检测德国培训机构和广告招聘中与职业培训有关的学历、职业经验、前往学徒和技能等要求的新方法，以更好地匹配培训的需求和提供，该方法将多种方法相结合，并提供了教育同义词的映射和基于规则匹配的方法。
Apr, 2023
本研究基于大量文本数据分析职业在语义空间内的位置与社会地位，结果表明职业结构与传统社会阶层结构类似，同时指出组织力量是一个尚未得到充分探讨的因素。
May, 2020
研究评估了多种可解释的职业相似度测量方法，使用二分图的框架推导出数个职业相似度测量方法，并在斯洛文尼亚的超过 450,000 个工作转移中进行了验证，结果表明多种相似度测量方法都可靠并且呈现不同的可行职业路径。
Feb, 2022
本文提出知识表示与推理技术在自动驾驶汽车领域的应用。利用本文提出的 6 层模型创建了一个正式的场景模型，并利用本体论对交通场景因素进行建模和推理，得出交通状况关键因素。我们采用联合描述逻辑和规则推理器，并开展了一项基于大规模无人机数据集的实验评估。
May, 2022
本文提出了一种丰富本体的实体信息的方法，并使用此方法进行本体对齐，并开发了一种神经网络结构，能够编码外部数据，结果显示，外部数据的添加导致本体对齐在 Ontology Alignment Evaluation Initiative 的 largebio SNOMED-NCI 子任务上的 F1 得分为 0.69，与当前技术下的实体级匹配相当。
Jun, 2018
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
通过将预训练语言模型与从招聘信息中提取的技能标签协同出现信息相结合，我们提出了一种职位称号的神经表示模型， JobBERT 方法相比使用通用语句编码器，在职位标题规范化任务中表现出显著提高，并发布了一个新的评估基准。
Sep, 2021
该研究介绍了一个包含科学技术领域中非传统主题的自动化科学技术本体，并通过连接不同领域和专业之间相关或具有共性的主题来促进跨学科研究与合作。使用从 2021 年 10 月到 2022 年 8 月从语义学者 (Semantic Scholar) 收集的 393,991 篇科学文章构建 S＆TO。目前，S&TO 划分了四个科学领域中的 5153 个主题和 13155 个语义关系，可以通过对更新的数据集运行 BERTopic 来更新模型。
May, 2023