基于LLM的职业技能提取多模块框架
计算与语言
2026-04-24 v1
摘要
作业技能提取是基于职位广告的人才-职位匹配和劳动力市场分析的基础，但生成式大语言模型(LLM)常常产生格式错误的span、边界漂移和幻觉，尤其在长尾术语和跨域迁移时效果更差。我们提出了SRICL，一个LLM中心框架，结合语义检索(SR)、原语学习(ICL)和监督微调(SFT)以及确定性验证器。SR从ESCO中检索同域标注句子和定义，形成格式受限的提示词，以稳定边界并处理 coordination。SFT对输出行为进行对齐，而验证器强制执行配对、非重叠和BIO合法性，最小重试次数。我们在六个带有span标注的公开职位广告语料库中(跨行业、跨语言)，SRICL在GPT-3.5提示基线上实现了显著的STRICT-F1提升，显着减少了无效标签和幻觉span，使其在低资源、多域设置下能够可靠地进行句子级部署。
引用
@article{arxiv.2604.21525,
title = {Job Skill Extraction via LLM-Centric Multi-Module Framework},
author = {Guojing Li and Zichuan Fu and Junyi Li and Faxue Liu and Wenxia Zhou and Yejing Wang and Jingtong Gao and Maolin Wang and Rungen Liu and Wenlin Zhang and Xiangyu Zhao},
journal= {arXiv preprint arXiv:2604.21525},
year = {2026}
}
备注
5 pages, 5 figures, 3 tables