यह शोधपत्र व्यवसाय वर्गीकरण के कार्य पर केंद्रित है, जो टैक्सोनॉमी में मानकीकृत व्यवसायों के साथ नौकरी के आंकड़ों को स्वचालित रूप से एनोटेट करता है। यह कार्य आंकड़ों की कमी और मैन्युअल एनोटेशन की कठिनाई के कारण बाधित है। यह अध्ययन बताता है कि यद्यपि बड़े पैमाने के भाषा मॉडल (एलएलएम) अपने विशाल विश्व ज्ञान और संदर्भ-आधारित शिक्षण क्षमताओं के कारण आशाजनक हैं, उनकी प्रभावशीलता व्यावसायिक टैक्सोनॉमी के ज्ञान पर निर्भर करती है। इसलिए, हम सटीक टैक्सोनॉमी इकाइयाँ उत्पन्न करने के लिए एलएलएम की क्षमता का मूल्यांकन करते हैं, और विशेष रूप से छोटे पैमाने के मॉडलों की सीमाओं को उजागर करते हैं। इन मुद्दों को हल करने के लिए, हम अनुमान, पुनर्प्राप्ति और पुनर्रैंकिंग चरणों से युक्त एक बहु-चरणीय ढाँचा प्रस्तावित करते हैं जो टैक्सोनॉमी-आधारित अनुमान उदाहरणों को एकीकृत करता है और टैक्सोनॉमी ज्ञान के साथ संरेखण के माध्यम से प्रदर्शन में सुधार करता है। बड़े पैमाने के डेटासेट पर मूल्यांकन के परिणाम दर्शाते हैं कि प्रस्तावित ढाँचा न केवल व्यवसाय और कौशल वर्गीकरण कार्यों में सुधार करता है, बल्कि GPT-4o जैसे अत्याधुनिक मॉडलों के लिए एक लागत प्रभावी विकल्प भी प्रदान करता है, जो मजबूत प्रदर्शन को बनाए रखते हुए कम्प्यूटेशनल लागत को काफी कम करता है। इस प्रकार, यह अध्ययन विभिन्न एलएलएम में व्यावसायिक वर्गीकरण और संबंधित कार्यों के लिए एक व्यावहारिक और मापनीय समाधान प्रदान करता है।
