language:

• en tags:
• JobBERT
• 职位招聘

JobBERT

本模型为JobBERT，出自以下论文：

Mike Zhang, Kristian Nørgaard Jensen, Sif Dam Sonniks, 和 Barbara Plank 合著的__《SkillSpan: 从招聘信息中提取硬技能与软技能》__，收录于2022年北美计算语言学协会人类语言技术会议论文集。

该模型基于bert-base-cased检查点，在约320万条招聘信息句子上进行了持续预训练。更多细节请参阅原论文。

若使用本模型，请引用以下文献：

@inproceedings{zhang-etal-2022-skillspan,
    title = "{S}kill{S}pan：英文招聘信息中的硬技能与软技能提取",
    author = "张迈克 和
      詹森·克瑞斯蒂安 和
      索尼克斯·西芙 和
      芭芭拉·普兰克",
    booktitle = "北美计算语言学协会人类语言技术会议论文集",
    month = jul,
    year = "2022",
    address = "美国西雅图",
    publisher = "计算语言学协会",
    url = "https://aclanthology.org/2022.naacl-main.366",
    pages = "4962--4984",
    abstract = "技能抽取(SE)是研究劳动力市场动态的重要任务，但现有数据集与标注规范匮乏——可用数据集稀少且多为众包标注或预设技能库标签。为此我们推出SKILLSPAN数据集，包含1.45万句子及1.25万标注片段，提供由领域专家制定的硬/软技能标注规范。我们建立了BERT基线模型(Devlin等，2019)，并通过长文本优化模型(Joshi等，2020)、招聘领域持续预训练(Han等，2019)和多任务学习(Caruana，1997)进行改进。结果表明：领域适配模型显著优于普通模型，单任务学习优于多任务学习。",
}