一种利用大语言模型进行职业分类的分类法引导推理多阶段框架

使用分类法中的标准化职业自动标注工作数据（即职业分类）对劳动力市场分析至关重要。然而，该任务常因数据稀缺和人工标注的挑战而受阻。尽管大语言模型 (LLMs) 凭借其广泛的世界知识和上下文学习能力而具有潜力，但其有效性取决于它们对职业分类法的了解，这一点仍不清楚。在本研究中，我们评估了 LLMs 从分类法中生成精确分类实体的能力，突出了它们的局限性，尤其是对于较小的模型。为了应对这些挑战，我们提出了一个由推理、检索和重排序阶段组成的多阶段框架，该框架集成了分类法引导的推理示例，通过将输出与分类法知识对齐来提升性能。在大规模数据集上的评估表明，我们的框架不仅增强了职业和技能分类任务，而且提供了相较于 GPT-4o 等前沿模型的低成本替代方案，在保持强劲性能的同时显著降低了计算成本。这使其成为跨 LLMs 进行职业分类及相关任务的实用且可扩展的解决方案。