这是一个使用以下论文模型的演示：

@inproceedings{zhang-etal-2022-skillspan,
    title = "{S}kill{S}pan：从英文招聘信息中提取硬技能与软技能",
    author = "张迈克 和
      詹森·克里斯蒂安 和
      索尼克斯·西夫 和
      普兰克·芭芭拉",
    booktitle = "北美计算语言学协会2022年人类语言技术会议论文集",
    month = "7月",
    year = "2022",
    address = "美国西雅图",
    publisher = "计算语言学协会",
    url = "https://aclanthology.org/2022.naacl-main.366",
    doi = "10.18653/v1/2022.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，但当前缺乏标准数据集与标注规范。现有数据集多为众包标注的片段级标签或预定义技能库标签。为此我们提出了SKILLSPAN数据集，包含14.5K句子和12.5K标注片段，发布了由领域专家标注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。",
}

注意还存在另一个端点jjzha/jobbert_knowledge_extraction。知识可视为硬技能，而技能则包含软技能和应用技能。