本文提出了一个包含许多软技能注释的保险工作提供的新的公共数据集FIJO，介绍了其特点和局限性，然后使用命名实体识别方法展示了技能检测算法的结果，最后分析了应用自然语言处理方法时可能出现的困难。

Apr, 2022

本研究提出了一种基于远程监督的技能提取系统，结合ESCO分类法和多种负采样策略提高提取技能的性能，并引入手动注释的基准评估数据集，以促进该任务的进一步研究。

Sep, 2022

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

本篇文章研究了在真实情境中使用不同方法进行工作分类任务，其中使用了包括传统模型（如支持向量机）和最先进的深度学习方法（如 DeBERTa）在内的多个文本分类方法。研究表明，使用良好设计的提示，零-shot GPT-3.5-turbo 分类器的性能优于所有其他模型，并且提示的措辞是激发模型适当“推理”的关键因素。

Mar, 2023

该研究引入了 ESCOXLM-R 语言模型，基于 XLM-R 进行领域自适应预训练，并使用 ESCO 定义了动态掩码语言建模和诱导跨语言 ESCO 类别关系的目标，实现了在 4 种语言的 6 个序列标记和 3 种分类任务上的国内领先性能，并发现其在短跨度上表现更好，并且在实体级和表面级跨度 F1 上优于 XLM-R，可能是由于 ESCO 包含短技能和职业标题，并编码实体级信息的原因。

May, 2023

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

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

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

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

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