Combining Embeddings and Domain Knowledge for Job Posting Duplicate Detection
Fraunhofer（弗劳恩霍夫协会）；University of Stuttgart（斯图加特大学）；Contractor Consulting GmbH（康特拉科特咨询有限公司）
本文针对跨平台职位发布中的重复检测问题，提出融合字符重叠相似性、深度文本嵌入和领域技能加权查找列表的组合方法，显著提升检测性能并已在生产环境中得到验证。
2024-06-10 cs.CL cs.IR
Who Governs Data in the AI Era? A Computational Analysis of the U.S. Privacy Workforce in Job Postings
本研究通过分析1,143条美国隐私岗位招聘信息，发现隐私岗位为法律、技术与人际能力混合型，AI治理职责多嵌入现有岗位，推动混合职位兴起。
2026-09-29 cs.CL cs.CR cs.CY
Learning to Ask Screening Questions for Job Postings
LinkedIn（领英）
在LinkedIn，我们希望为全球劳动力中的每个人创造经济机会。这一目标的一个关键方面是将工作与合格的申请人相匹配。为了提高招聘效率并减少人工筛选每个申请人的需要，我们开发了一种新产品，招聘人员可以在线询问筛选问题，以便他们可以轻松筛选合格的候选人。为了向LinkedIn上的所有$20$ M活动职位添加筛选问题，我们提出了一个新任务，旨在为给定的职位发布自动生成筛选问题。为了解决生成筛选问题的任务，我们开发了一个称为Job 2 Questions的两阶段深度学习模型，在该模型中，我们应用深度学习模型从文本描述中检测意图，然后根据其他上下文特征按其重要性对检测到的意图进行排名。由于这是一个没有历史数据的新产品，我们采用深度迁移学习来训练具有有限训练数据的复杂模型。我们向LinkedIn用户推出了筛选问题产品和人工智能模型，并观察到了对就业市场的重大影响。在我们的在线A/B测试中，我们观察了$+53.10\%$筛选问题建议接受率、$+22.17\%$职位覆盖率、$+190\%$招聘者-申请者互动以及$+11$净推荐分数。总之，部署的Job 2 Questions模型可以帮助招聘人员找到合格的申请人，帮助求职者找到他们适合的工作。
2020-04-30 cs.AI cs.CL cs.IR
Is it Required? Ranking the Skills Required for a Job-Title
Utrecht University（乌得勒支大学）；TechWolf；Ghent University（根特大学）
在本文中，我们描述了我们的方法排名所需的技能，为一个给定的职位。我们的分析表明，重要/相关技能在类似的职位中出现得更频繁。我们训练一个与存储无关的BERT语句编码器（LaBSE）模型，以预测使用弱监督的技能的重要性。我们证明了该模型可以学习技能的重要性，并在其他语言中表现良好。此外，我们展示了技能的逆文档频率因子如何提高专业技能。
2022-11-28 cs.CL
JobBERT: Understanding Job Titles through Skills
Ghent University – imec（根特大学 - imec）；TechWolf
职称是当今人力资源（HR）流程的基石。在在线招聘中，它们允许候选人一目了然地了解空缺的内容，而内部人力资源部门则使用它们来组织和构建许多流程。由于职位名称是一种紧凑、方便且随时可用的数据源，因此以高精度对其进行建模可以使许多人力资源技术应用程序受益匪浅。在本文中，我们提出了一个神经表示模型的职位名称，通过增强预训练的语言模型与共现信息从技能标签提取的空缺。与使用通用句子编码器相比，我们的JobBERT方法在职称标准化任务方面有了相当大的改进，为此我们发布了一个新的评估基准。
2021-09-20 cs.CL
Skill2vec: Machine Learning Approach for Determining the Relevant Skills from Job Description
近年来，无监督学习词嵌入在许多自然语言处理（NLP）任务中取得了巨大的成功。本文的主要贡献是开发了一种称为Skill2vec的技术，该技术将机器学习技术应用于招聘，以增强搜索策略，从而找到拥有适当技能的候选人。Skill2vec是一个神经网络架构，灵感来自于Mikolov等人在2013年开发的Word2vec。它将技能转换到新的向量空间，具有计算的特点，并表示技能之间的关系。我们进行了实验评估人工招聘公司的领域专家证明我们的方法的有效性。
2019-10-09 cs.CL
Chinese-SkillSpan: A Span-Level Dataset for ESCO-Aligned Competency Extraction from Chinese Job Ads
City University of Hong Kong（香港城市大学）；Renmin University of China（中国人民大学）
本文提出首个中文JobSkillNER数据集Chinese-SkillSpan，采用LLM赋能的宏微协作标注流程，涵盖知识、技能、横向能力及语言能力四个维度，支持有效模型训练与评估。
2026-04-24 cs.CL
Comparative Analysis of Encoder-Based NER and Large Language Models for Skill Extraction from Russian Job Vacancies
HSE University（高等经济大学）
本研究对比基于编码器的传统NER模型与LLMs在俄罗斯职位技能提取中的表现，发现调优后的DeepPavlov RuBERT NER在多项指标上更优，为非英语语境下的劳动力市场NLP应用提供了高效方案。
2024-09-15 cs.CL
Enhancing Talent Employment Insights Through Feature Extraction with LLM Finetuning
Georgia Institute of Technology（佐治亚理工学院）
本研究针对非结构化招聘信息的职位特征提取难题，结合语义分块、RAG与微调DistilBERT模型构建提取流程，在120万条招聘数据集上提升了易漏判变量的识别准确率，为劳动力市场分析提供更可靠的洞察基础。
2025-01-13 cs.CL
Rethinking Skill Extraction in the Job Market Domain using Large Language Models
EPFL（洛桑联邦理工学院）；IT University of Copenhagen（哥本哈根信息技术大学）
本文针对就业市场技能抽取任务，提出利用大型语言模型的上下文学习克服传统BIO监督模型的泛化局限，并在6个数据集上验证其能更好处理复杂技能提及。
2024-02-06 cs.CL
NLPnorth @ TalentCLEF 2025: Comparing Discriminative, Contrastive, and Prompt-Based Methods for Job Title and Skill Matching
Aalborg University（奥尔堡大学）；IT University of Copenhagen（哥本哈根IT大学）
本研究比较了判别式、对比式和提示方法在职位名称匹配和技能预测任务上的表现，发现提示方法在任务A最佳，分类方法在任务B最佳，且大型多语言模型表现最优。
2025-06-23 cs.CL
Deep Job Understanding at LinkedIn
LinkedIn（领英）
作为世界上最大的专业网络，LinkedIn希望为全球劳动力中的每个人创造经济机会。它最重要的任务之一是将工作与游行队伍相匹配。提高工作定位的准确性和招聘效率符合LinkedIn的会员第一座右铭。为了实现这些目标，我们需要了解包含嘈杂信息的非结构化职位发布。我们应用深度迁移学习来创建特定领域的工作理解模型。在此之后，工作由专业实体表示，包括头衔，技能，公司和评估问题。为了持续提升LinkedIn的工作理解能力，我们设计了一个专家反馈回路，将工作理解模型集成到LinkedIn的产品中，以收集求职者的反馈。在这个演示中，我们介绍了LinkedIn的职位发布流程，并展示了集成的深度职位理解工作如何提高职位发布者的满意度，并在LinkedIn的职位推荐系统中提供了显着的指标提升。
2020-05-29 cs.AI cs.CL cs.IR
TalentCLEF at CLEF2026: Skill and Job Title Intelligence for Human Capital Management
Avature Machine Learning（阿瓦图尔机器学习公司）；NLP & IR Group at UNED（西班牙国立远程教育大学自然语言处理与信息检索组）
TalentCLEF挑战赛第二版作为CLEF 2026评估实验室，旨在推动HCM领域NLP发展。今年设两项任务，任务A是情境化职位与人匹配，任务B是带技能类型分类的职位与技能匹配，通过建立公共基准促进相关系统和方法发展。
2026-07-23 cs.CL
Tec-Habilidad: Skill Classification for Bridging Education and Employment
针对西班牙语求职申请中技能识别与分类缺乏全面数据集的问题，本文开发了西班牙语技能提取与分类数据集，提供区分知识、技能和能力的标注方法，并给出深度学习基线以推进稳健解决方案。
2025-03-05 cs.CL
Overview of the TalentCLEF 2026: Skill and Job Title Intelligence for Human Capital Management
Avature Machine Learning, Spain（Avature机器学习实验室，西班牙）；TechWolf, Belgium（TechWolf，比利时）；NLP & IR Group at UNED, Madrid, Spain（西班牙国立远程教育大学自然语言处理与信息检索组，马德里，西班牙）
本文介绍 TalentCLEF 2026 挑战赛，包含职位-人员匹配与职位-技能匹配两项任务，吸引113支队伍提交超400次，推动人力资本管理中的NLP研究。
2026-07-01 cs.CL
A practical method for occupational skills detection in Vietnamese job listings
Hanoi University of Science and Technology（河内理工大学）
越南劳动力市场发展不平衡。大学毕业生的数量在增长，但失业率也在增长。这种情况往往是由于缺乏准确及时的劳动力市场信息，导致劳动力供给与实际市场需求之间的技能不匹配。要为劳动力市场构建数据监控和分析平台，主要挑战之一是能够从与劳动力相关的数据（如简历和职位列表）中自动检测职业技能。传统的方法依赖于现有的分类法和/或大型注释数据来构建命名实体识别（NER）模型。它们价格昂贵，需要大量的手工劳动。在本文中，我们提出了一个实用的方法，在越南的工作列表中的技能检测。而不是将任务视为NER任务，我们认为任务是一个排名问题。我们提出了一个管道，在该管道中，短语首先被提取并根据与短语的上下文的语义相似度进行排名。然后，我们采用一个最终的分类检测技能短语。我们收集了三个数据集，并进行了广泛的实验。结果表明，我们的方法在稀缺数据集上取得了比NER模型更好的性能。
2022-10-26 cs.CL
JobHam-place with smart recommend job options and candidate filtering options
University of Leicester（莱斯特大学）
本项目开发了智能求职系统JobHam-place，集成工作推荐与简历排名功能，基于Bert的Job2Skill和CV2Skill模型提取关键词，并利用TFIDF算法实现技能匹配与排名，同时提供仪表板等高级功能以提升用户体验。
2023-03-31 cs.CL
Job Skill Extraction via LLM-Centric Multi-Module Framework
City University of Hong Kong（香港城市大学）；Renmin University of China（中国人民大学）
本文提出SRICL框架，结合语义检索、上下文学习和监督微调，解决长尾术语和跨域迁移下的工作广告技能提取问题，提升F1指标并减少无效标签。
2026-04-23 cs.CL
Responsible team players wanted: an analysis of soft skill requirements in job advertisements
Sapienza University of Rome（罗马萨皮恩扎大学）；Aalto University（阿尔托大学）；University of Bremen（不来梅大学）；GESIS & University Koblenz（格致研究所与科布伦茨大学）
在过去几十年中，软技能对劳动力市场结果的重要性大大增加。这对劳动力市场的不平等产生了影响，因为以前的研究表明，软技能在种族和性别之间的价值并不平等。这项工作探讨了软技能在招聘广告中的作用，借鉴了计算科学的方法，以及经济学、社会学和心理学的理论和经验见解。我们提出了一种基于众包和文本挖掘的半自动方法，用于提取软技能列表。我们发现，软技能是招聘广告的一个重要组成部分，特别是低收入的工作和女性占主导地位的职业。我们的工作表明，软技能可以作为工作类别性别构成的部分预测因素，并且并非所有软技能都在劳动力市场上获得平等的工资回报。尤其是“女性”技能往往与工资处罚有关。我们的研究结果扩展了越来越多的文献软技能对工资不平等的关联，并强调其在劳动力市场的职业性别隔离的重要性。
2019-04-01 cs.CL cs.CY
Entity Linking in the Job Market Domain
IT University of Copenhagen（哥本哈根信息技术大学）；Pioneer Centre for Artificial Intelligence（先锋人工智能中心）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本研究首次探索就业市场领域的实体链接，将细粒度跨度级职业技能提及链接到ESCO分类体系，微调两种神经EL模型并验证其有效性，对比了BLINK与GENRE在不同评估方式下的表现。
2024-01-31 cs.CL
Hierarchical Classification of Transversal Skills in Job Ads Based on Sentence Embeddings
本研究提出基于句子嵌入的招聘广告横向技能分层分类框架，结合ESCO分类标注、分层多标签策略与数据增强，对比发现英语专用与多语言嵌入模型准确率相近，验证了方法有效性及多语言模型对欧洲就业市场的适用性。
2024-01-10 cs.CL cs.LG
Learning Job Title Representation from Job Description Aggregation Network
Chulalongkorn University（朱拉隆功大学）；Faculty of Engineering, Chulalongkorn University（朱拉隆功大学工程学院）；Faculty of Arts, Chulalongkorn University（朱拉隆功大学文学院）
针对现有职位名称表示学习过度依赖技能抽取的问题，提出基于JD、聚合器与双向对比损失的框架，并在域内外实验中优于技能方法。
2024-06-12 cs.CL
Measuring Digital Labour Market Transitions with a Digital Semantic Score: An AI-Based Methodology Applied to the Dutch Labour Market
该研究开发AI方法，结合嵌入相似性搜索与大语言模型分类，提出数字语义分数，分析荷兰劳动力市场数字化的不均分布、职业转型路径及数字能力多维性，为相关政策提供支撑。
2026-09-21 cs.CL
ESCOXLM-R: Multilingual Taxonomy-driven Pre-training for the Job Market Domain
IT University of Copenhagen（哥本哈根信息技术大学）；LMU Munich（慕尼黑大学）
提出基于XLM-R的多语言模型ESCOXLM-R，利用ESCO分类体系进行领域自适应预训练，在就业市场多项任务的多数数据集上达到SOTA。
2023-05-20 cs.CL
Computational Job Market Analysis with Natural Language Processing
IT University of Copenhagen（哥本哈根信息技术大学）
本论文研究利用自然语言处理技术从招聘广告中提取技能等信息，通过构建数据集、提出弱监督技能提取、分类体系感知预训练和检索增强模型等方法，提升就业市场分析的透明度和有效性。
2024-04-29 cs.CL
SkillMatch: Evaluating Self-supervised Learning of Skill Relatedness
Ghent University（根特大学）；imec；TechWolf
针对技能相关性评估缺乏基准的问题，该研究构建发布了基于海量招聘广告专家知识的SkillMatch基准，并提出基于技能共现适配Sentence-BERT的自监督方法，性能大幅优于传统模型，为技能推荐系统研究提供基础。
2024-10-07 cs.CL
Toward a Knowledge Discovery Framework for Data Science Job Market in the United States
University of Virginia（弗吉尼亚大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
数据科学领域的发展需要更好的工具来理解这样一个快速增长的领域。此外，来自不同背景的人开始对数据科学家的职业感兴趣。因此，为个人和组织了解就业市场所需的技能提供量化指导至关重要。本文介绍了一个分析美国数据科学相关工作的就业市场的框架，同时提供了一个访问该市场见解的界面。拟议的框架包括三个子模块，允许连续的数据汇集，信息抽取，和基于Web的仪表板可视化调查的空间和时间分布的数据科学相关的工作和技能。这项工作的结果显示了数据科学工作的主要分支的重要技能，并试图为这些数据科学分支提供基于技能的定义。该应用程序的当前版本部署在Web上，允许个人和机构通过行业镜头调查数据科学职位所需的技能。
2021-07-20 cs.CL cs.CY
Extracting O*NET Features from the NLx Corpus to Build Public Use Aggregate Labor Market Data
针对在线职位数据难获取、O*NET数据更新慢且样本小的问题，研究采用O*NET框架构建开源工具JAAT，从NLx超1.55亿条职位广告中提取超100亿数据点，构建多维度聚合劳动力市场数据集，支撑研究与劳动力发展应用。
2025-10-01 cs.CL cs.CY
Enhancing Job Matching: Occupation, Skill and Qualification Linking with the ESCO and EQF taxonomies
International Hellenic University（国际希伯利安大学）；University of Oxford（牛津大学）；Tabiya（塔比亚）
本文提出利用ESCO和EQF分类法提升岗位匹配，通过两种方法和新数据集改进劳动力市场信息分类。
2025-12-02 cs.CL cs.LG
Joint Extraction and Classification of Danish Competences for Job Matching
University of Copenhagen（哥本哈根大学）
本研究提出首个基于单BERT类架构的丹麦语能力联合抽取分类模型，在真实岗位匹配数据集上性能超越SOTA，推理时间省超50%。
2024-10-29 cs.CL cs.LG
Smart-Hiring: An Explainable end-to-end Pipeline for CV Information Extraction and Job Matching
ATM Mobilis Algiers, Algeria（阿尔及利亚阿尔梅里尔ATM Mobilis）
本文提出Smart-Hiring，一个端到端NLP流水线，通过文档解析、命名实体识别和上下文文本嵌入技术，从非结构化简历中提取结构化信息，并在共享向量空间中计算候选人与职位的相似度，实现了高准确率、高可解释性的自动化简历筛选与职位匹配。
2025-11-04 cs.CL
Large Language Models as Batteries-Included Zero-Shot ESCO Skills Matchers
Bright Network Ltd.（布莱特网络有限公司）
本研究提出基于大型语言模型的端到端零样本系统，利用合成数据训练分类器并借助GPT-4重排序，显著提升职位描述与ESCO技能匹配的准确率，无需人工标注。
2023-07-07 cs.AI cs.CL
Efficient Text Encoders for Labor Market Analysis
Internet and Data Science Lab (IDLab), Ghent University – imec, Ghent, Belgium（互联网与数据科学实验室（IDLab）、根特大学–imec、根特、比利时）；Data Science Lab (IDLab), Ghent University – imec, Ghent, Belgium（数据科学实验室（IDLab）、根特大学–imec、根特、比利时）
针对现有劳动力市场技能提取方法依赖大语言模型、成本高速度慢的问题，提出带词元级注意力的对比学习方法ConTeXT-match，搭配新基准Skill-XL与改进的职位归一化模型JobBERT V2，实现高效准确的大规模实时分析。
2025-05-30 cs.AI cs.CL
"FIJO": a French Insurance Soft Skill Detection Dataset
Université Laval（拉瓦尔大学）
了解工作要求的演变对工人、公司和公共组织来说变得越来越重要，以便跟上就业市场的快速转变。幸运的是，最近的自然语言处理（NLP）方法允许开发从招聘广告中自动提取信息并更精确地识别技能的方法。然而，这些有效的方法需要大量的注释数据，从研究领域是难以访问的，主要是由于知识产权。本文提出了一个新的公共数据集FIJO，包含保险工作机会，包括许多软技能注释。为了了解这个数据集的潜力，我们详细介绍了一些特征和一些限制。然后，我们提出了技能检测算法的结果，使用命名实体识别的方法，并表明基于transformers的模型在这个数据集上具有良好的令牌性能。最后，我们分析了我们最好的模型所产生的一些错误，以强调应用NLP方法时可能出现的困难。
2022-07-28 cs.CL cs.LG
SkillNER: Mining and Mapping Soft Skills from any Text
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；University of Pisa（比萨大学）
在当今的数字世界中，人们越来越关注软技能。一方面，它们促进了公司的创新，但另一方面，它们不太可能很快实现自动化。由于缺乏数据驱动的方法来检索软技能，研究人员难以准确地定量研究软技能。这限制了心理学家和人力资源经理理解人类与数字化之间关系的可能性。本文提出了SkillNER，一种新的数据驱动的方法自动提取软技能的文本。它是一个命名实体识别（NER）系统，使用支持向量机（SVM）对5000多篇科学论文的语料库进行训练。我们开发了这个系统，通过测量我们的方法对不同的训练模型的性能，并与一个心理学家团队一起验证结果。最后，SkillNER在一个真实的案例研究中进行了测试，使用欧洲技能/能力资格和职业的职位描述作为文本来源。该系统能够根据其共享的软技能和基于其共享的职务简介的软技能社区来检测职务简介社区。该案例研究表明，该工具可以自动检索软技能，从一个大的语料库，在一个有效的方式，证明有用的企业，机构和工人。该工具是开放的，可在线使用，以促进软技能研究的定量方法。
2021-07-12 cs.CL cs.IR
Design of Negative Sampling Strategies for Distantly Supervised Skill Extraction
Ghent University（根特大学）；imec（比利时微电子研究中心）
技能在就业市场和许多人力资源（HR）流程中发挥着核心作用。在其他数字体验之后，今天的在线就业市场让候选人希望根据他们的技能看到合适的机会。同样，企业越来越需要使用数据来保证其员工队伍中的技能能够适应未来。然而，关于技能的结构化信息往往缺失，建立在自我或管理者评估基础上的流程显示出难以解决所产生数据的采用、完整性和新鲜度等问题。提取技能是一项极具挑战性的任务，因为有成千上万的可能的技能标签被明确地提到或仅仅被隐含地描述，并且缺乏精细注释的训练语料库。以前的工作技能提取过于简化的任务，一个明确的实体检测任务或建立在手动注释的训练数据，将是不可行的，如果应用到一个完整的词汇表的技能。我们提出了一个端到端的技能提取系统，通过文字匹配的远程监督的基础上。我们提出并评估了几个负采样策略，调整一个小的验证数据集，以提高概括的技能提取隐含提到的技能，尽管缺乏这种隐含的技能，在远程监督的数据。我们观察到，使用RP5分类法从相关技能中选择负面示例会产生最大的改进，并且将三种不同的策略结合在一个模型中进一步提高了性能，在RP5中高达8个百分点。我们引入了一个手动注释的评估基准的技能提取的基础上，我们验证我们的模型。我们发布基准数据集用于研究目的，以刺激对该任务的进一步研究。
2022-09-13 cs.CL
Distilling Large Language Models using Skill-Occupation Graph Context for HR-Related Tasks
Megagon Labs；Indeed
本文提出简历-职位描述基准RJDB，通过技能-职业图蒸馏大语言模型知识，训练小型模型，使其在人力资源任务上达到接近或优于GPT-4的性能。
2023-11-10 cs.CL cs.LG
Leveraging LLMs For Turkish Skill Extraction
Kariyer.net, R&D Center（Kariyer.net 研发中心）；Istanbul Technical University（伊斯坦布尔技术大学）
本文利用LLMs提升土耳其语技能提取性能，提出首个土耳其语技能提取数据集，并通过端到端流程实现0.56的性能指标。
2026-01-30 cs.CL
Contrastive Bi-Encoder Models for Multi-Label Skill Extraction: Enhancing ESCO Ontology Matching with BERT and Attention Mechanisms
本文提出基于BERT和注意力机制的对比双编码模型，用于多标签技能提取，提升ESCO本体匹配的零样本检索性能。
2026-01-14 cs.CL econ.GN q-fin.EC
Skill-LLM: Repurposing General-Purpose LLMs for Skill Extraction
AstrumU Inc（AstrumU公司）
针对职位描述中技能提取的挑战，本文提出微调专门的Skill-LLM和轻量级模型，在基准数据集上评估表明该方法优于现有SOTA技术，提升了提取精确度。
2024-10-15 cs.CL
Learning Representations for Soft Skill Matching
Aalto University（阿尔托大学）
雇主积极寻找不仅具有特定硬技能，而且具有各种软技能的人才。为了分析就业市场上的软技能需求，重要的是能够从招聘广告中自动检测软技能短语。然而，当诸如友好的软技能短语被用于描述公司、团队或另一实体而不是期望的候选者时，软技能短语的朴素匹配可能导致假阳性匹配。在本文中，我们提出了一种基于短语匹配的方法，区分软技能短语指的是候选人与其他东西。消歧被公式化为二进制文本分类问题，其中基于其发生的上下文对潜在的软技能进行预测。为了告知模型预测的软技能，我们开发了几种方法，包括软技能掩蔽和软技能标记。我们比较了几种基于神经网络的方法，包括CNN，LSTM和分层注意力模型。使用LSTM提出的基于标记的输入表示在将精度固定为95%时，在作业数据集上实现了83.92%的最高召回率。
2018-07-20 cs.CL cs.LG stat.ML
Overview of the TalentCLEF 2025: Skill and Job Title Intelligence for Human Capital Management
Avature Machine Learning（Avature机器学习）
TalentCLEF 2025 推出首个面向技能与职位名称智能的公开评测基准，涵盖多语言职位匹配和技能预测任务，吸引 76 支团队参与，发现训练策略比模型规模更关键，推动公平可迁移的劳动力市场语言技术发展。
2025-07-17 cs.AI cs.CL cs.IR
Who Gets the Callback? Generative AI and Gender Bias
Ahmedabad University（阿赫迈达巴大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文审计中等规模开源LLMs在招聘中的性别偏见，发现模型普遍青睐男性且与传统性别刻板印象高度一致，并证实宜人性较低的人设能减少偏见，揭示了AI招聘对劳动力市场公平性的潜在影响。
2025-04-30 cs.CL econ.GN q-fin.EC
Career Path Prediction using Resume Representation Learning and Skill-based Matching
Ghent University（根特大学）；imec（比利时微电子研究中心）
提出CareerBERT表示学习方法并构建带ESCO标签的数据集，通过基于技能与文本的互补混合模型实现最优职业路径预测。
2023-10-24 cs.AI cs.CL
Linguistic Triggers of Gender and Racial Bias in Open-Weight LLMs Applied to Recruitment
Recruit Co., Ltd.（瑞可利有限公司）
本研究首次系统审计六个开源权重LLM，发现招聘语言中的代理型与编码排斥词汇分别抑制女性和非白人候选人评分，并提出部署前审计协议以应对欧盟AI法案合规风险。
2026-09-17 cs.AI cs.CL cs.CY
Gender mobility in the labor market with skills-based matching models
Netherlands Organisation for Applied Scientific Research（荷兰应用科学研究组织）；Leiden University（莱顿大学）
本文研究数据驱动的技能匹配是否会影响职业性别流动性，比较词袋、word2vec、BERT及不同距离度量模型，揭示其传播性别隔离的风险并提出双维度评估方法。
2023-07-17 cs.AI cs.CL
Standard Occupation Classifier -- A Natural Language Processing Approach
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
本文提出利用自然语言处理技术构建职业分类器，通过集成BERT与神经网络模型，实现招聘广告到职业代码的高准确率分类，提升劳动力市场分析的时效性与准确性。
2025-11-28 cs.CL cs.LG econ.GN
