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
      松尼克斯·西夫 和
      普兰克·芭芭拉",
    booktitle = "2022年北美计算语言学协会年会：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）是一项重要且被广泛研究的任务，有助于洞察劳动力市场动态。然而，目前缺乏数据集和标注指南；现有数据集稀少且包含众包标注的片段级标签或来自预定义技能清单的标签。为填补这一空白，我们推出了SKILLSPAN——一个包含14.5K句子和12.5K标注片段的新型SE数据集。我们发布了由领域专家针对三种不同来源创建的硬技能和软技能标注指南。我们建立了一个BERT基线模型（Devlin等，2019）。为改进基线，我们尝试了针对长片段优化的语言模型（Joshi等，2020；Beltagy等，2020）、招聘信息领域的持续预训练（Han和Eisenstein，2019；Gururangan等，2020）以及多任务学习（Caruana，1997）。结果表明，领域适配模型显著优于未适配版本，且单任务学习优于多任务学习。",
}

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