CN109492854A - 智能机器人面试的方法、装置、计算机设备和存储介质 - Google Patents
智能机器人面试的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109492854A CN109492854A CN201811082326.8A CN201811082326A CN109492854A CN 109492854 A CN109492854 A CN 109492854A CN 201811082326 A CN201811082326 A CN 201811082326A CN 109492854 A CN109492854 A CN 109492854A
- Authority
- CN
- China
- Prior art keywords
- job hunter
- dialogue
- interview
- job
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于人工智能领域,提出了一种智能机器人面试的方法、装置、计算机设备和存储介质,其中方法包括:接收对话指令;依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;通过预设关键字词判断所述对话结束时,触发回答指令;依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果,上述智能机器人面试的方法可靠,通过使用智能机器人面试代替人力资源HR面试,大幅降低面试成本,节省人力资源,且与现有的智能面试相比,面试质量更高。
Description
技术领域
本发明涉及到人工智能技术领域,特别是涉及到一种智能机器人面试的方法、装置、计算机设备和存储介质。
背景技术
目前各行业中招聘岗位一般通过人工进行面试,特别是对于某些流动性大、招聘需求大的岗位,人力部门需要花费大量的精力和资源开展频繁的面试,导致招聘的成本较高,且耗费人力资源。另一方面,现有的智能面试,如采用机器人面试官面试,一般是事先设置固定的问题,然后求职者根据固定的问题进行回答,这样的面试方式虽然节省了人力资源,但是设定了限制条件,求职者只能回答固定模式的一些问题,这样的面试不能深入了解求职者,导致人才流失,甚至一旦求职者事先获得问题答案,这场面试就变得没有意义,会造成招聘错误,浪费企业资源。
发明内容
本发明的主要目的为提供一种降低面试成本的智能机器人面试的方法、装置、计算机设备和存储介质。
本发明提出一种智能机器人面试的方法,包括:接收对话指令;
依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;
通过预设关键字词判断所述对话结束时,触发回答指令;
依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;
根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
进一步地,所述依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话的步骤,包括:
依据所述对话指令调用所述对话模型;
将求职者的第一回答输入所述对话模型中计算,以预测出第二问题。
进一步地,所述依据所述回答指令接收求职者的问题,并依据所述问题进行回答的步骤,包括:
接收所述求职者问题;
将所述求职者问题与问题库里的标准问题进行匹配,所述问题库的每个标准问题均对应与所述标准问题相应的回答内容;
依据匹配到的标准问题,输出与所述标准问题对应的回答内容。
进一步地,所述将所述求职者问题与问题库里的标准问题进行匹配的步骤之前,包括:
根据所述求职者问题中的关键词在所述问题库中获取与所述关键词对应的标准问题。
进一步地,所述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:
将所述对话以及所述求职者的问题输入第一评分模型进行计算,得到所述求职者在面试过程中表现的第一分数,所述第一评分模型由指第一定样本数据训练得到,所述第一指定样本数据包括面试过程中面试官与求职者的对话和求职者提出的问题,以及所述求职者在面试过程中表现得到的分数。
进一步地,所述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:
将所述对话模型与求职者的每一个对话均输入第二评分模型进行计算得到第二分数,所述第二评分模型由第二指定样本数据训练得到,所述第二指定样本数据包括面试官与求职者的对话、以及所述求职者在所述对话中表现的分数;
将所述求职者的每一个问题均输入第三评分模型进行计算得到第三分数,所述第三评分模型由第三指定样本数据训练得到,所述第三指定样本包括面试过程中求职者提出的问题,以及所述求职者对应所述问题得到的分数;
将各次计算得到的所述第二分数以及所述第三年分数进行加权求和得到所述求职者在面试过程中的表现的分数。
进一步地,所述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤之后,还包括:
采集所述求职者的附加信息,所述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息;
根据所述附加信息按预设规则对求职者评附加分,将所述附加分加入所述评分中。
本发明还提供一种智能机器人面试的装置,包括:
接收模块,用于接收对话指令;
调用模块,用于依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;
触发模块,用于通过预设关键字词判断所述对话结束时,触发回答指令;
回答模块,用于依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;
评分模块,用于根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为:通过使用智能机器人面试代替人力资源HR面试,大幅降低面试成本,节省人力资源,且与现有的智能面试相比,上述智能机器人面试的方法更加可靠,面试质量更高。
附图说明
图1为本发明一实施例中智能机器人面试的方法的步骤示意图;
图2为本发明一实施例中智能机器人面试的装置的结构示意框图;
图3为本发明另一实施例中智能机器人面试的装置的结构示意框图;
图4为本发明一实施例中调用模块的结构示意框图;
图5为本发明一实施例中回答模块的结构示意框图;
图6为本发明另一实施例中回答模块的结构示意框图;
图7为本发明一实施例中评分模块的结构示意框图;
图8为本发明另一实施例中评分模块的结构示意框图;
图9为本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本实施例中的智能机器人面试的方法,包括:
步骤S1:接收对话指令;
步骤S2:依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;
步骤S3:通过预设关键字词判断所述对话结束时,触发回答指令;
步骤S4:依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;
步骤S5:根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
本实施例中的智能面试通过智能机器人实现,该智能机器人与求职者的互动包括两个环节,第一个是对话环节,第二个是问答环节,两个环节的顺序预先设定,先进行对话环节,再进行问答环节,具体的说,在步骤S1中,求职者进行面试之前,智能机器人首先接收对话指令,开启对话环节,上述对话指令可以通过用户终端输入,在步骤S2中,当接收对话指令之后,智能机器人依据该对话指令调用对话模型,该对话模型由第一指定样本集输入神经网络模型训练而得,上述第一指定样本集包括求职者与面试官在面试过程中的对话内容,其中每场面试过程的对话内容即为一个样本,上述样本集包含有大量的样本,其中上述将样本输入神经网络模型训练的过程为现有技术,这里不再赘述。智能机器人通过该对话模型与求职者进行对话,当上述对话内容出现预设关键字词,则智能机器人判断可结束对话,这时对话模型停止计算,智能机器人不再输出问题。例如当某一问题或某一回答中携带了“没有问题了”这几个关键字词,则判断对话可以结束,这时智能机器人不再输出问题。
在步骤S3中,当通过预设关键字词判断上述对话结束时,会触发到回答指令,该回答指令用于智能机器人开启问答环节,在步骤S4中,当触发回答指令后,智能机器人进入问答环节,这时智能机器人会提示求职者进行提问,求职者进行提问后,智能机器人接收上述求职者提问的问题,并依据该问题进行回答,这样可以进一步了解求职者的需求,从而更全面了解求职者是否符合岗位要求。问答环节可以设置结束时间,优选地,当问答环节进行一定时间后,智能机器人对求职者提示是否继续提问或结束提问,这时若求职者回复继续提问,这时智能机器人可以设置为继续对求职者的问题进行回答,也可以设置为强制结束问答;若求职者回复结束提问,智能机器人直接结束问答环节。
在步骤S5中,当结束问答环节后,智能机器人根据上述两个环节的互动内容,即面试过程中的对话以及求职者的问题对求职者进行评分,并输出评分结果,该评分用于评判求职者是否通过面试;该智能面试方法不但降低面试成本、节省人力资源,且在面试过程分成两个环节,一方面可以形成面试对话,使得求职者可以自由发挥个人才能,一方面可以对求职者的问题进行回答,进一步了解求职者的需求,从而更全面了解求职者是否符合岗位要求。
在一个实施例中,上述步骤S2,包括:
步骤S20:依据所述对话指令调用对话模型;
步骤S21:将求职者的第一回答输入所述对话模型中进行计算,以预测出第二问题。
本实施例中,当智能机器人开启对话环节时,依据对话指令调用对话模型,具体的说,智能机器人依据对话指令输出第一问题,该第一问题为预设问题,可以设置为“你叫什么名字”、“你介绍一下你自己”等,在步骤S21中,求职者听到该第一问题后,会对该问题进行回答,即智能机器人接收求职者的第一回答,然后将第一回答输入对话模型,并经对话模型进行计算得到第二问题,上述第二问题为第一回答经过上述对话模型预测得到的预测结果。具体的说,对话模型根据第一回答计算得到多个备选问题以及对应备选问题的概率值,预设其中概率值最高的备选问题,作为上述对话模型输出的第二问题,这时求职者会根据第二问题再次进行回答,这样智能机器人得到求职者的第二回答,并将第二回答再次输入对话模型中,对话模型会根据第二回答再次进行计算预测得到的第三问题,如此进行直至对话结束。
举例地,在招聘保险代理人时,机器人面试官对求职者进行第一次提问,如请问您觉得自己担任保险代理人这个职位有什么优势,然后根据求职者的回答进行计算以获得下一个问题,例如若求职者回答说有这方面的经验,那么可以根据求职者的回答得到对这个回答的进一步提问,如提问经验的年限、在这个工作过程做了哪些出色的事迹等,若对于第一问题,求职者回答说能吃苦耐劳学习快等,那么可以根据求职者的回答匹配到该回答的进一步提问,如提问举例子说明您的这些特征等,这样根据根据求职者的回答内容来进一步提问,从而挖掘求职者的更深层信息,提高面试质量,使得智能面试更加人性化。
在一个实施例中,上述步骤S4,包括:
步骤S40:接收所述求职者问题;
步骤S41:将所述求职者问题与问题库里的标准问题进行匹配,所述问题库的每个标准问题均对应与所述标准问题相应的回答内容;
步骤S42:依据匹配到的标准问题,输出与所述标准问题对应的回答内容。
本实施例中,当面试过程进入问答环节时,求职者可以向智能机器人提问自己想要知道的事,而智能机器人会根据求职者的提问进行回复,可以理解的是,每个求职者想要知道的内容、说话方式以及语序等均可能不一样,所以求职者的提问内容具有不确定性,如果每一个问题都设置对应的回答内容,这样显然不实际,故而这时智能机器人可以调用匹配模型,将求职者提问的问题与问题库里标准问题进行匹配,得到相似度最高的标准问题,这时可以在问题库里找到该标准问题对应的回答内容,智能机器人输出该回答内容。
具体的说,上述匹配模型由第二指定样本集输入神经网络模型训练而得到,上述第二样指定本集中包括求职者的问题、问题库的标准问题以及上述两个问题的已知相似度的数据,其中,上述基于神经网络训练得到的匹配模型采用的是现有的算法,这里不再赘述,对于这个匹配模型,只有完成测试才可以投入使用,测试时,输入的数据是两个问题,一个是求职者提问的问题,一个是问题库里的标准问题,输出的数据是这两个问题的相似度,即两个问题匹配的概率。其中问题库的标准问题为预设的面试者有可能会提出的问题,问题库里的每个标准问题分别对应相关的回答内容,在步骤S40中,智能机器人接收到求职者的问题,具体可以通过语音采集器采集,在步骤S41中,智能机器人将上述求职者的问题以及问题库里的标准问题输入到匹配模型中进行匹配,步骤S42中,当求职者的问题在匹配模型匹配到相似度最高的标准问题时,在问题库查找到该标准问题的回答内容,然后智能机器人输出回答内容,这样的方法使得智能机器人回答的内容更加准确,不容易产生回答内容与问题不符的情况。
举例地,当求职者提问“我的工资怎么样算”,该问题匹配到概率最大的标准问题为“公司薪酬制度怎么样”,如两者的匹配概率为0.9,而对应匹配概率为0.3的标准问题是“公司发展如何”,这时可以获取概率最大的标准问题“公司薪酬制度怎么样”,相应的,机器人面试官会输出对应该标准问题的回答内容。
优选地,在步骤S41之前,包括:
步骤S40’:根据所述求职者问题中的关键词在所述问题库中获取与所述关键词对应的标准问题。
由于问题库里的标准问题数量庞大,如果将求职者的问题与问题库里的每个标准问题均进行匹配,则工作量比较大,为了进一步提高效率,可以在将求职者问题以及标准问题输入匹配模型之前,先根据求职者问题中的关键词在问题库中获取与该关键词对应的部分标准问题,如求职者问题中携带有关键词“钱”,那么与该关键词对应的标准问题可以携带有“工资”、“薪酬”、“钱”等,从而将匹配的范围缩小,减少工作量,然后将上述获取到的部分标准问题依次输入匹配模型,与输入的求职者的问题进行匹配,分别获得两者匹配的相似度,从而得到与求职者问题相似度最高的标准问题。
在另一个实施例中,上述步骤S4具体的实施方式包括:接收求职者问题,然后将上述求职者问题转化成文本,获取其中文本中的句子输入预设的内部网进行检索,以获取上述句子对应的答案内容,然后智能机器人输出该答案内容。其中上述预设的内部网为企业内部专用网络,该内部网中设置有大量的求职者的提问记录以及对应该提问的回答内容,当输入一个或多个关键字,或整个句子,则会出现与该关键字或句子相关的回答内容的网页,且根据相关度由大至小依次排列,智能机器人可从中获取于问题相关度最大的回答内容。
在一个实施例中,上述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:
步骤S50:将所述对话以及求职者的问题输入第一评分模型进行计算,得到所述求职者在面试过程中表现的第一分数,所述第一评分模型由第一指定样本数据训练得到,所述第一指定样本数据包括面试过程中面试官与求职者的对应和求职者提出的问题,以及所述求职者在面试过程中表现得到的分数。
本实施例中,在求职者面试过程中,结束了上述对话环节以及问答环节之后,智能机器人可以对该求职者进行评分,根据分数可以判断该求职者是否通过面试,具体的说,智能机器人首先会记录与求职者在整个面试过程中的互动内容,该互动内容包括智能机器人与求职者的对话以及求职者提出的问题,上述互动内容通过摄像头以及声音采集器等进行收集,然后转换成文本,然后将该互动内容输入到第一评分模型进行计算,得到求职者在面试过程中表现的第一分数,上述第一评分模型由第一指定样本数据输入神经网络模型训练得到,上述第一指定样本数据包括面试过程中面试官与求职者的对应和求职者提出的问题,以及求职者在面试过程中表现得到的分数,由于训练该第一评分模型采用的是现有的算法,这里不再赘述。
举例地,对A进行面试时,将智能机器人与A面试过程的互动内容数据输入第一评分模型,即可得出相应的分数,根据该分数可以判断A是否通过该场面试,不同岗位不同情境的分数可以自定义设计,如输出分数为80以上分则可判断A通过保险代理人的面试,在另一场面试中,输出分数为60以上则可以判断A通过客服面试。
在另一实施例中,上述步骤S5,包括:
步骤S51:将所述对话模型与求职者的每一个对话均输入第二评分模型进行计算得到第二分数,所述第二评分模型由第二指定样本数据训练得到,所述第二指定样本数据包括面试官与求职者的对话、以及在所述求职者在所述对话中表现的分数;
步骤S52:将所述求职者的每一个问题均输入第三评分模型进行计算得到第三分数,所述第三评分模型由第三指定样本数据训练得到,所述第三指定样本包括面试过程中求职者提出的问题,以及所述求职者对应所述问题得到的分数;
步骤S53:将各次计算得到的所述第二分数以及所述第二分数进行加权求和得到所述求职者在面试过程中的表现的分数。
本实施例中,首先将上述面试过程中智能机器人与求职者的对话,分拆成多个对话片段,然后将每个对话数据都输入第二评分模型中进行计算,得到各次对话的第二分数;同时将求职者提出的每一个问题都分别输入第三评分模型,进行计算得到每个问题对应的第三分数,最后根据对话以及上述问题的重要性对上述第二分数以及第三分数进行加权求和,最后得到求出的最终分数即为求职者在面试中的表现的分数,上述第二评分模型由第二指定样本数据输入神经网络模型训练得到,第二指定样本数据包括面试过程中面试官与求职者的对话、以及在求职者表现的分数;上述第三评分模型由第三指定样本数据输入神经网络模型训练得到,第三指定样本包括面试过程中求职者提出的问题,以及对应问题求职者得到的分数,这里的第二评分模型以及第三评分模型均与上述步骤S50中的第一评分模型训练过程一致,采用现有技术,这里不再赘述。举例地,面试过程中,每个对话以及求职的问题均可得出一个分数,最后分数则由每个分数综合得出,具体可以根据每次问答的重要程度来设置打分的比重,如,第一个对话为90分,且问题比较重要,占综合分数的60%,第二个对话打分为70,且问题较为次要,占综合分数的20%,第三个求职者的问题打分为60,且问题也较为次要,占综合分数的20%,则综合分数由上述三次问答每次加权求和得出为80分。
优选地,上述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤之后,还包括:
步骤S51:采集所述求职者的附加信息,所述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息;
步骤S52:根据所述附加信息按预设规则对求职者评附加分,将所述附加分加入所述评分中。
本实施例中,在根据对话以及求职者的问题对求职者进行评分的基础上,可以增加表情、着装、动作、声音变化等作为附加的评分条件,因为表情、着装、动作、声音变化在一定程度上可以体现求职者的心理素质以及教养等,为了招聘到更优质的人才,可以将上述附加分加入到上述评分中,具体的说,在面试过程中,智能机器人采集求职者的附加信息,上述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息,可以通过摄像头、声音采集器、感应器工具采集上述附加信息,然后根据附加信息,按预设规则对求职者进行评分,该分数为这场面试的附加分。举例地,最后得到的分数为上述评分模型计算得到的分数,加上附加分数。上述预设规则可以如下设置:如正常表现为0分,积极表现为5分,消极表现为-5分,其中积极表现可以包括面带笑容等,消极表现可以包括无精打采、动作不雅、衣衫不整等。且积极表现以及消极表现的评分均可分等级,每个等级对应不同的分数,针对不同程度的积极表现以及消极表现设置分数,如积极表现一级10分、积极表现二级5分、消极表现一级-10分、消极表现二级-15分等,如果在一场面试中,通过摄像头以及录音机等得出求职者全程无精打采、或者动作不雅,这时的附加分可能为负数,该求职者最后得分为上述评分加上附加分,这样可以进一步评判求职者的各方面素质,提高面试质量。
参照图2,本实施例中智能机器人面试的装置,包括:
接收模块100,用于接收对话指令;
调用模块200,用于依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;
触发模块300,用于通过关键字词判断所述对话结束时,触发回答指令;
回答模块400,用于依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;
评分模块500,用于根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
本实施例中的智能面试通过智能机器人实现,该智能机器人与求职者的互动包括两个环节,第一个是对话环节,第二个是问答环节,两个环节的顺序预先设定,先进行对话环节,再进行问答环节,具体的说,求职者进行面试之前,智能机器人的接收模块100首先接收对话指令,开启对话环节,上述对话指令可以通过用户终端输入,当接收对话指令之后,智能机器人的调用模块200依据该对话指令调用对话模型,该对话模型由第一指定样本集输入神经网络模型训练而得,上述第一指定样本集包括求职者与面试官在面试过程中的对话内容,其中每场面试过程的对话内容即为一个样本,上述样本集包含有大量的样本,其中上述将样本输入神经网络模型训练的过程为现有技术,这里不再赘述。智能机器人通过该对话模型与求职者进行对话,当上述对话内容出现预设的关键字词,则智能机器人判断可结束对话,这时对话模型停止计算,智能机器人不再输出问题。例如当某一问题或某一回答中携带了“没有问题了”这几个关键字词,则判断对话可以结束,这时智能机器人不再输出问题。
当触发模块300通过预设关键字词判断上述对话结束时,会触发到回答指令,该回答指令用于智能机器人开启问答环节,当触发回答指令后,智能机器人进入问答环节,这时智能机器人会提示求职者进行提问,求职者进行提问后,智能机器人的回答模块400接收上述求职者提问的问题,并依据该问题进行回答,这样可以进一步了解求职者的需求,从而更全面了解求职者是否符合岗位要求,问答环节可以设置结束时间,优选地,当问答环节进行一定时间后,智能机器人对求职者提示是否继续提问或结束提问,这时若求职者回复继续提问,这时智能机器人可以设置为继续对求职者的问题进行回答,也可以设置为强制结束问答;若求职者回复结束提问,智能机器人直接结束问答环节。
当结束问答环节后,智能机器人的评分模块500根据上述两个环节的互动内容,即面试过程中的对话以及求职者的问题对求职者进行评分,并输出评分结果,该评分用于评判求职者是否通过面试;该智能面试方法不但降低面试成本、节省人力资源,且在面试过程分成两个环节,一方面可以形成面试对话,使得求职者可以自由发挥个人才能,一方面可以对求职者的问题进行回答,进一步了解求职者的需求,从而更全面了解求职者是否符合岗位要求。
在一个实施例中,参照图4,调用模块200包括:
调用子模块210:用于依据所述对话指令调用对话模型;
计算子模块220:用于求职者的第一回答输入所述对话模型中进行计算,以预测出第二问题。
本实施例中,当智能机器人开启对话环节时,依据对话指令调用对话模型,具体的说,智能机器人的调用子模块210依据对话指令输出第一问题,该第一问题为预设问题,可以设置为“你叫什么名字”、“你介绍一下你自己”等,求职者听到该第一问题后,会对该问题进行回答,智能机器人接收求职者的第一回答,然后智能机器人的计算子模块220将上述第一回答输入对话模型,并经对话模型进行计算得到第二问题,上述第二问题为第一回答经过上述对话模型预测得到的预测结果。具体的说,对话模型根据第一回答计算得到多个备选问题以及对应备选问题的概率值,预设其中概率值最高的备选问题,作为上述对话模型输出的第二问题,这时求职者会根据第二问题再次进行回答,这样智能机器人得到求职者的第二回答,并将第二回答再次输入对话模型中,对话模型会根据第二回答再次进行计算预测得到第三问题,如此进行直至对话结束。
举例地,在招聘保险代理人时,机器人面试官对求职者进行第一次提问,如请问您觉得自己担任保险代理人这个职位有什么优势,然后根据求职者的回答进行计算以获得下一个问题,例如若求职者回答说有这方面的经验,那么可以根据求职者的回答得到对这个回答的进一步提问,如提问经验的年限、在这个工作过程做了哪些出色的事迹等,若对于第一问题,求职者回答说能吃苦耐劳学习快等,那么可以根据求职者的回答匹配到该回答的进一步提问,如提问举例子说明您的这些特征等,这样根据求职者的回答内容来进一步提问,从而挖掘求职者的更深层信息,提高面试质量,使得智能面试更加人性化。
在一个实施例中,参照图5,上述回答模块400包括:
第一接收子模块410:接收所述求职者问题;
第一匹配子模块420:将所述求职者问题与问题库里的标准问题进行匹配,所述问题库的每个标准问题均对应与所述标准问题相应的回答内容;
第一输出子模块430:依据匹配到的标准问题,输出与所述标准问题对应的回答内容。
本实施例中,当面试过程进入问答环节时,求职者可以向智能机器人提问自己想要知道的事,而智能机器人会根据求职者的提问进行回复,可以理解的是,每个求职者想要知道的内容、说话方式以及语序等均可能不一样,所以求职者的提问内容具有不确定性,如果每一个问题都设置对应的回答内容,这样显然不实际,故而这时智能机器人可以调用匹配模型,将求职者提问的问题与问题库里标准问题进行匹配,得到相似度最高的标准问题,这时可以在问题库里找到该标准问题对应的回答内容,智能机器人输出该回答内容。
具体的说,上述匹配模型由第二指定样本集输入神经网络模型训练而得到,上述第二样指定本集中包括求职者的问题、问题库的标准问题以及上述两个问题的已知相似度的数据,其中,上述基于神经网络训练得到的匹配模型采用的是现有的算法,这里不再赘述,对于这个匹配模型,只有完成测试才可以投入使用,测试时,输入的数据是两个问题,一个是求职者提问的问题,一个是问题库里的标准问题,输出的数据是这两个问题的相似度,即两个问题匹配的概率。其中问题库的标准问题为预设的面试者有可能会提出的问题,问题库里的每个标准问题分别对应相关的回答内容,智能机器人的第一接收子模块410接收到求职者的问题,具体可以通过语音采集器采集,智能机器人的第一匹配子模块420将上述求职者的问题以及问题库里的标准问题输入到匹配模型中进行匹配,当求职者的问题在匹配模型匹配到相似度最高的标准问题时,可以在问题库查找到该标准问题的回答内容,然后智能机器人的第一输出子模块430输出回答内容,这样的方法使得智能机器人回答的内容更加准确,不容易产生回答内容与问题不符的情况。
举例地,当求职者提问“我的工资怎么样算”,该问题匹配到概率最大的标准问题为“公司薪酬制度怎么样”,如两者的匹配概率为0.9,而对应匹配概率为0.3的标准问题是“公司发展如何”,这时可以获取概率最大的标准问题“公司薪酬制度怎么样”,相应的,机器人面试官会输出对应该标准问题的回答内容。
优选地,参照图6,上述回答模块400,还包括:
获取子模块440:用于根据所述求职者问题中的关键词在所述问题库中获取与所述关键词对应的标准问题。
由于问题库里的标准问题数量庞大,如果将求职者的问题与问题库里的每个标准问题均进行匹配,则工作量比较大,为了进一步提高效率,在将求职者问题以及标准问题输入匹配模型之前,获取子模块440可以根据求职者问题中的关键词在问题库中获取与该关键词对应的部分标准问题,如求职者问题中携带有关键词“钱”,那么与该关键词对应的标准问题可以携带有“工资”、“薪酬”、“钱”等,从而将匹配的范围缩小,减少工作量,然后将上述获取到的部分标准问题依次输入匹配模型,与输入的求职者的问题进行匹配,分别获得两者匹配的相似度,从而得到与求职者问题相似度最高的标准问题。
在另一个实施例中,上述回答模块400具体的实施方式还包括:接收求职者问题,然后将上述求职者问题转化成文本,获取其中文本中的句子输入预设的内部网进行检索,以获取上述句子对应的答案内容,然后智能机器人输出该答案内容。其中上述预设的内部网为企业内部专用网络,该内部网中设置有大量的求职者的提问记录以及对应该提问的回答内容,当输入一个或多个关键字,或整个句子,则会出现与该关键字或句子相关的回答内容的网页,且根据相关度由大至小依次排列,智能机器人可从中获取于问题相关度最大的回答内容。
在一个实施例中,参照图7,上述评分模块500包括:
评分子模块510:用于将所述对话以及求职者的问题输入第一评分模型进行计算,得到所述求职者在面试过程中表现的第一分数,所述第一评分模型由第一指定样本数据训练得到,所述第一指定样本数据包括面试过程中面试官与求职者的对应和求职者提出的问题,以及所述求职者在面试过程中表现得到的分数。
本实施例中,在求职者面试过程中,结束了上述对话环节以及问答环节之后,智能机器人的评分子模块510可以对该求职者进行评分,根据分数可以判断该求职者是否通过面试,具体的说,智能机器人首先会记录与求职者在整个面试过程中的互动内容,该互动内容包括智能机器人与求职者的对话以及求职者提出的问题,上述互动内容通过摄像头以及声音采集器等进行收集,然后转换成文本,然后将该互动内容输入到第一评分模型进行计算,得到求职者在面试过程中表现的第一分数,上述第一评分模型由第一指定样本数据输入神经网络模型训练得到,上述第一指定样本数据包括面试过程中面试官与求职者的对应和求职者提出的问题,以及求职者在面试过程中表现得到的分数,由于训练该第一评分模型采用的是现有的算法,这里不再赘述。
举例地,对A进行面试时,将智能机器人与A面试过程的互动内容数据输入第一评分模型,即可得出相应的分数,根据该分数可以判断A是否通过该场面试,不同岗位不同情境的分数可以自定义设计,如输出分数为80以上分则可判断A通过保险代理人的面试,在另一场面试中,输出分数为60以上则可以判断A通过客服面试。
在另一个实施例中,参照图8,上述评分模块500包括:
第一评分子模块520:用于将所述对话模型与求职者的每一个对话均输入第二评分模型进行计算得到第二分数,所述第二评分模型由第二指定样本数据训练得到,所述第二指定样本数据包括面试官与求职者的对话、以及在所述求职者在所述对话中表现的分数;
第二评分子模块530:用于将所述求职者的每一个问题均输入第三评分模型进行计算得到第三分数,所述第三评分模型由第三指定样本数据训练得到,所述第三指定样本包括面试过程中求职者提出的问题,以及所述求职者对应所述问题得到的分数;
求和子模块540:用于将各次计算得到的所述第二分数以及所述第三分数进行加权求和得到所述求职者在面试过程中的表现的分数。
本实施例中,首先将上述面试过程中智能机器人与求职者的对话,分拆成多个对话片段,然后将每个对话数据都输入第二评分模型中进行计算,得到各次对话的第二分数;同时将求职者提出的每一个问题都分别输入第三评分模型,进行计算得到每个问题对应的第三分数,最后根据对话以及上述问题的重要性对上述第二分数以及第三分数进行加权求和,最后得到求出的最终分数即为求职者在面试中的表现的分数,上述第二评分模型由第二指定样本数据输入神经网络模型训练得到,第二指定样本数据包括面试过程中面试官与求职者的对话、以及在求职者表现的分数;上述第三评分模型由第三指定样本数据输入神经网络模型训练得到,第三指定样本包括面试过程中求职者提出的问题,以及对应问题求职者得到的分数,这里的第二评分模型以及第三评分模型均与上述第一评分模型训练过程一致,采用现有技术,这里不再赘述。举例地,面试过程中,每个对话以及求职的问题均可得出一个分数,最后分数则由每个分数综合得出,具体可以根据每次问答的重要程度来设置打分的比重,如,第一个对话为90分,且问题比较重要,占综合分数的60%,第二个对话打分为70,且问题较为次要,占综合分数的20%,第三个求职者的问题打分为60,且问题也较为次要,占综合分数的20%,则综合分数由上述三次问答每次加权求和得出为80分。
参照图3,本实施例中智能机器人面试的装置,还包括:
采集模块600:采集所述求职者的附加信息,所述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息;
附加模块700:根据所述附加信息按预设规则对求职者评附加分,将所述附加分加入所述评分中。
本实施例中,在根据对话以及求职者的问题对求职者进行评分的基础上,可以增加表情、着装、动作、声音变化等作为附加的评分条件,因为表情、着装、动作、声音变化在一定程度上可以体现求职者的心理素质以及教养等,为了招聘到更优质的人才,可以将上述附加分加入到上述评分中,具体的说,在面试过程中,智能机器人的采集模块600采集求职者的附加信息,上述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息,可以通过摄像头、声音采集器、感应器工具采集上述附加信息,然后附加模块700根据附加信息,按预设规则对求职者进行评分,该分数为这场面试的附加分。举例地,最后得到的分数为上述评分模型计算得到的分数,加上附加分数。上述预设规则可以如下设置:如正常表现为0分,积极表现为5分,消极表现为-5分,其中积极表现可以包括面带笑容等,消极表现可以包括无精打采、动作不雅、衣衫不整等。且积极表现以及消极表现的评分均可分等级,每个等级对应不同的分数,针对不同程度的积极表现以及消极表现设置分数,如积极表现一级10分、积极表现二级5分、消极表现一级-10分、消极表现二级-15分等,如果在一场面试中,通过摄像头以及录音机等得出求职者全程无精打采、或者动作不雅,这时的附加分可能为负数,该求职者最后得分为上述评分加上附加分,这样可以进一步评判求职者的各方面素质,提高面试质量。
参照图9,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储的智能机器人面试的方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能机器人面试的方法。
上述处理器执行上述智能机器人面试的方法的步骤:接收对话指令;依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;通过预设关键字词判断所述对话结束时,触发回答指令;依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
上述计算机设备,依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话的步骤,包括:依据所述对话指令调用所述对话模型;将求职者的第一回答输入所述对话模型中进行计算,以预测出第二问题。
在一个实施例中,上述依据所述回答指令接收所述求职者的问题,并依据所述问题进行回答的步骤,包括接收所述求职者问题;将所述求职者问题与问题库里的标准问题进行匹配,所述问题库的每个标准问题均对应与所述标准问题相应的回答内容;依据匹配到的标准问题,输出与所述标准问题对应的回答内容。
在一个实施例中,上述将所述求职者问题与问题库里的标准问题进行匹配的步骤之前,包括:根据所述求职者问题中的关键词在所述问题库中获取与所述关键词对应的标准问题。
在一个实施例中,上述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:将所述对话以及所述求职者的问题输入第一评分模型进行计算,得到所述求职者在面试过程中表现的第一分数,所述第一评分模型由第一指定样本数据训练得到,所述第一指定样本数据包括面试过程中面试官与求职者的对话和求职者提出的问题,以及所述求职者在面试过程中表现得到的分数。
在另一个实施例中,上述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:将所述对话模型与求职者的每一个对话均输入第二评分模型进行计算得到第二分数,所述第二评分模型由第二指定样本数据训练得到,所述第二指定样本数据包括面试官与求职者的对话、以及所述求职者在所述对话中表现的分数;将所述求职者的每一个问题均输入第三评分模型进行计算得到第三分数,所述第三评分模型由第三指定样本数据训练得到,所述第三指定样本包括面试过程中求职者提出的问题,以及所述求职者对应所述问题得到的分数;将各次计算得到的所述第二分数以及所述第三分数进行加权求和得到所述求职者在面试过程中的表现的分数。
在一个实施例中,根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤之后,还包括:采集所述求职者的附加信息,所述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息;根据所述附加信息按预设规则对求职者评附加分,将所述附加分加入所述评分中。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种智能机器人面试的方法,具体为:接收对话指令;依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;通过预设关键字词判断所述对话结束时,触发回答指令;依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
上述计算机可读存储介质,依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话的步骤,包括:依据所述对话指令调用所述对话模型;将求职者的第一回答输入所述对话模型中进行计算,以预测出第二问题。
在一个实施例中,上述依据所述回答指令接收所述求职者的问题,并依据所述问题进行回答的步骤,包括接收所述求职者问题;将所述求职者问题与问题库里的标准问题进行匹配,所述问题库的每个标准问题均对应与所述标准问题相应的回答内容;依据匹配到的标准问题,输出与所述标准问题对应的回答内容。
在一个实施例中,上述将所述求职者问题与问题库里的标准问题进行匹配的步骤之前,包括:根据所述求职者问题中的关键词在所述问题库中获取与所述关键词对应的标准问题。
在一个实施例中,上述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:将所述对话以及所述求职者的问题输入第一评分模型进行计算,得到所述求职者在面试过程中表现的第一分数,所述第一评分模型由第一指定样本数据训练得到,所述第一指定样本数据包括面试过程中面试官与求职者的对话和求职者提出的问题,以及所述求职者在面试过程中表现得到的分数。
在另一个实施例中,上述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:将所述对话模型与求职者的每一个对话均输入第二评分模型进行计算得到第二分数,所述第二评分模型由第二指定样本数据训练得到,所述第二指定样本数据包括面试官与求职者的对话、以及所述求职者在所述对话中表现的分数;将所述求职者的每一个问题均输入第三评分模型进行计算得到第三分数,所述第三评分模型由第三指定样本数据训练得到,所述第三指定样本包括面试过程中求职者提出的问题,以及所述求职者对应所述问题得到的分数;将各次计算得到的所述第二分数以及所述第三分数进行加权求和得到所述求职者在面试过程中的表现的分数。
在一个实施例中,根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤之后,还包括:采集所述求职者的附加信息,所述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息;根据所述附加信息按预设规则对求职者评附加分,将所述附加分加入所述评分中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能机器人面试的方法,其特征在于,包括:
接收对话指令;
依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;
通过预设关键字词判断所述对话结束时,触发回答指令;
依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;
根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
2.根据权利要求1所述的智能机器人面试的方法,其特征在于,所述依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话的步骤,包括:
依据所述对话指令调用所述对话模型;
将求职者的第一回答输入所述对话模型中进行计算,以预测出第二问题。
3.根据权利要求1所述的智能机器人面试的方法,其特征在于,所述依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答的步骤,包括:
接收所述求职者问题;
将所述求职者问题与问题库里的标准问题进行匹配,所述问题库的每个标准问题均对应与所述标准问题相应的回答内容;
依据匹配到的标准问题,输出与所述标准问题对应的回答内容。
4.根据权利要求3所述的智能机器人面试的方法,其特征在于,所述将所述求职者问题与问题库里的标准问题进行匹配的步骤之前,包括:
根据所述求职者问题中的关键词在所述问题库中获取与所述关键词对应的标准问题。
5.根据权利要求1所述的智能机器人面试的方法,其特征在于,所述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:
将所述对话以及所述求职者的问题输入第一评分模型进行计算,得到所述求职者在面试过程中表现的第一分数,所述第一评分模型由第一指定样本数据训练得到,所述第一指定样本数据包括面试过程中面试官与求职者的对话和求职者提出的问题,以及所述求职者在面试过程中表现得到的分数。
6.根据权利要求1所述的智能机器人面试的方法,其特征在于,所述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤,包括:
将所述对话模型与求职者的每一个对话均输入第二评分模型进行计算得到第二分数,所述第二评分模型由第二指定样本数据训练得到,所述第二指定样本数据包括面试官与求职者的对话、以及所述求职者在所述对话中表现得到的分数;
将所述求职者的每一个问题均输入第三评分模型进行计算得到第三分数,所述第三评分模型由第三指定样本数据训练得到,所述第三指定样本包括面试过程中求职者提出的问题,以及所述求职者对应所述问题得到的分数;
将各次计算得到的所述第二分数以及所述第三分数进行加权求和得到所述求职者在面试过程中的表现的分数。
7.根据权利要求1所述的智能机器人面试的方法,其特征在于,所述根据所述对话以及所述求职者的问题对所述求职者进行评分的步骤之后,还包括:
采集所述求职者的附加信息,所述附加信息包括表情、着装、动作的动态图像或/和静态图像信息以及声音变化信息;
根据所述附加信息按预设规则对求职者评附加分,将所述附加分加入所述评分中。
8.一种智能机器人面试的装置,其特征在于,包括:
接收模块,用于接收对话指令;
调用模块,用于依据所述对话指令调用对话模型,通过所述对话模型与求职者进行对话;
触发模块,用于通过预设关键字词判断所述对话结束时,触发回答指令;
回答模块,用于依据所述回答指令接收所述求职者的问题,并依据所述求职者的问题进行回答;
评分模块,用于根据所述对话以及所述求职者的问题对所述求职者进行评分,并输出评分结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082326.8A CN109492854A (zh) | 2018-09-17 | 2018-09-17 | 智能机器人面试的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082326.8A CN109492854A (zh) | 2018-09-17 | 2018-09-17 | 智能机器人面试的方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492854A true CN109492854A (zh) | 2019-03-19 |
Family
ID=65690497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811082326.8A Pending CN109492854A (zh) | 2018-09-17 | 2018-09-17 | 智能机器人面试的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492854A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961052A (zh) * | 2019-03-29 | 2019-07-02 | 上海大易云计算股份有限公司 | 一种基于表情分析技术的视频面试方法及系统 |
CN109977243A (zh) * | 2019-03-29 | 2019-07-05 | 上海大易云计算股份有限公司 | 一种基于视频录制的单向面试方法及系统 |
CN110189000A (zh) * | 2019-05-16 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 一种评分统一方法、装置及存储介质 |
CN110347787A (zh) * | 2019-06-12 | 2019-10-18 | 平安科技(深圳)有限公司 | 一种基于ai辅助面试场景的面试方法、装置及终端设备 |
CN110413748A (zh) * | 2019-07-03 | 2019-11-05 | 北京智齿博创科技有限公司 | 基于大数据机器人客服知识库词条推荐系统 |
CN110569356A (zh) * | 2019-08-14 | 2019-12-13 | 中国平安人寿保险股份有限公司 | 基于智能面试交互系统的面试方法、装置和计算机设备 |
CN110728182A (zh) * | 2019-09-06 | 2020-01-24 | 平安科技(深圳)有限公司 | 基于ai面试系统的面试方法、装置和计算机设备 |
CN110782119A (zh) * | 2019-09-10 | 2020-02-11 | 中国平安人寿保险股份有限公司 | 基于人工智能的保险代理人甄选方法、装置及设备 |
CN110900624A (zh) * | 2019-11-25 | 2020-03-24 | 广西秀牛科技有限公司 | 一种用于辅助面试的机器人 |
CN110909218A (zh) * | 2019-10-14 | 2020-03-24 | 平安科技(深圳)有限公司 | 问答场景中的信息提示方法和系统 |
CN110930106A (zh) * | 2019-10-14 | 2020-03-27 | 平安科技(深圳)有限公司 | 线上面试系统的信息处理方法、装置和系统 |
CN111178489A (zh) * | 2019-12-30 | 2020-05-19 | 深圳集智数字科技有限公司 | 一种对话机器人引擎流量分配方法及装置 |
CN111340444A (zh) * | 2020-02-17 | 2020-06-26 | 斯智信息科技(上海)有限公司 | 可交互场景化的面试方法、系统、设备和介质 |
CN112652404A (zh) * | 2020-12-30 | 2021-04-13 | 华南师范大学 | 基于大数据人工智能的中医自助辩证监测方法和机器人 |
CN114238608A (zh) * | 2021-12-17 | 2022-03-25 | 北京斗米优聘科技发展有限公司 | 智能面试系统及方法 |
CN116091014A (zh) * | 2023-03-07 | 2023-05-09 | 安徽智享云科技有限公司 | 一种基于多模态识别的人力资源面试系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060136474A1 (en) * | 2004-12-21 | 2006-06-22 | Inventec Corporation | Customer service automatic answering system and method |
US20150046357A1 (en) * | 2013-08-09 | 2015-02-12 | Mattersight Corporation | Systems and methods for evaluating job candidates |
CN106408257A (zh) * | 2016-09-18 | 2017-02-15 | 长沙军鸽软件有限公司 | 一种机器人实现智能招聘的方法 |
CN106663383A (zh) * | 2014-06-23 | 2017-05-10 | 因特维欧研发股份有限公司 | 分析受试者的方法和系统 |
-
2018
- 2018-09-17 CN CN201811082326.8A patent/CN109492854A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060136474A1 (en) * | 2004-12-21 | 2006-06-22 | Inventec Corporation | Customer service automatic answering system and method |
US20150046357A1 (en) * | 2013-08-09 | 2015-02-12 | Mattersight Corporation | Systems and methods for evaluating job candidates |
CN106663383A (zh) * | 2014-06-23 | 2017-05-10 | 因特维欧研发股份有限公司 | 分析受试者的方法和系统 |
CN106408257A (zh) * | 2016-09-18 | 2017-02-15 | 长沙军鸽软件有限公司 | 一种机器人实现智能招聘的方法 |
Non-Patent Citations (3)
Title |
---|
GIISO智搜: "日本推出AI面试官!提问犀利,女大学生瑟瑟发抖", pages 1 - 3, Retrieved from the Internet <URL:https://www.163.com/dy/article/D69FB7CL0511N3JP.html> * |
博文的博文: "AI面试官坐镇,想靠忽悠的求职者最好老实一点", pages 1 - 2, Retrieved from the Internet <URL:https://www.vbdata.cn/47425> * |
胡龙华等: "新编大学生职业规划与就业指导教程", 北京理工大学出版社, pages: 206 - 207 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977243A (zh) * | 2019-03-29 | 2019-07-05 | 上海大易云计算股份有限公司 | 一种基于视频录制的单向面试方法及系统 |
CN109961052A (zh) * | 2019-03-29 | 2019-07-02 | 上海大易云计算股份有限公司 | 一种基于表情分析技术的视频面试方法及系统 |
CN110189000A (zh) * | 2019-05-16 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 一种评分统一方法、装置及存储介质 |
CN110189000B (zh) * | 2019-05-16 | 2022-05-31 | 北京字节跳动网络技术有限公司 | 一种评分统一方法、装置及存储介质 |
CN110347787A (zh) * | 2019-06-12 | 2019-10-18 | 平安科技(深圳)有限公司 | 一种基于ai辅助面试场景的面试方法、装置及终端设备 |
CN110347787B (zh) * | 2019-06-12 | 2022-12-09 | 平安科技(深圳)有限公司 | 一种基于ai辅助面试场景的面试方法、装置及终端设备 |
CN110413748A (zh) * | 2019-07-03 | 2019-11-05 | 北京智齿博创科技有限公司 | 基于大数据机器人客服知识库词条推荐系统 |
CN110569356A (zh) * | 2019-08-14 | 2019-12-13 | 中国平安人寿保险股份有限公司 | 基于智能面试交互系统的面试方法、装置和计算机设备 |
WO2021042842A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 基于ai面试系统的面试方法、装置和计算机设备 |
CN110728182A (zh) * | 2019-09-06 | 2020-01-24 | 平安科技(深圳)有限公司 | 基于ai面试系统的面试方法、装置和计算机设备 |
CN110728182B (zh) * | 2019-09-06 | 2023-12-26 | 平安科技(深圳)有限公司 | 基于ai面试系统的面试方法、装置和计算机设备 |
CN110782119A (zh) * | 2019-09-10 | 2020-02-11 | 中国平安人寿保险股份有限公司 | 基于人工智能的保险代理人甄选方法、装置及设备 |
CN110930106A (zh) * | 2019-10-14 | 2020-03-27 | 平安科技(深圳)有限公司 | 线上面试系统的信息处理方法、装置和系统 |
CN110909218A (zh) * | 2019-10-14 | 2020-03-24 | 平安科技(深圳)有限公司 | 问答场景中的信息提示方法和系统 |
CN110900624A (zh) * | 2019-11-25 | 2020-03-24 | 广西秀牛科技有限公司 | 一种用于辅助面试的机器人 |
CN111178489A (zh) * | 2019-12-30 | 2020-05-19 | 深圳集智数字科技有限公司 | 一种对话机器人引擎流量分配方法及装置 |
CN111340444A (zh) * | 2020-02-17 | 2020-06-26 | 斯智信息科技(上海)有限公司 | 可交互场景化的面试方法、系统、设备和介质 |
CN111340444B (zh) * | 2020-02-17 | 2021-09-03 | 斯智信息科技(上海)有限公司 | 可交互场景化的面试方法、系统、设备和介质 |
CN112652404A (zh) * | 2020-12-30 | 2021-04-13 | 华南师范大学 | 基于大数据人工智能的中医自助辩证监测方法和机器人 |
CN114238608A (zh) * | 2021-12-17 | 2022-03-25 | 北京斗米优聘科技发展有限公司 | 智能面试系统及方法 |
CN116091014A (zh) * | 2023-03-07 | 2023-05-09 | 安徽智享云科技有限公司 | 一种基于多模态识别的人力资源面试系统 |
CN116091014B (zh) * | 2023-03-07 | 2023-08-25 | 安徽智享云科技有限公司 | 一种基于多模态识别的人力资源面试系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492854A (zh) | 智能机器人面试的方法、装置、计算机设备和存储介质 | |
Nadasdy | The anti-politics of TEK: The institutionalization of co-management discourse and practice | |
CN109033257A (zh) | 话术推荐方法、装置、计算机设备和存储介质 | |
CN112492111B (zh) | 一种智能语音外呼方法、装置、计算机设备和存储介质 | |
CN109766917A (zh) | 面试视频数据处理方法、装置、计算机设备和存储介质 | |
Dzekashu et al. | A quality approach to tacit knowledge capture: Effective practice to achieving operational excellence | |
CN109871597A (zh) | 解决潜在投诉的方法、装置、计算机设备和存储介质 | |
CN109784654A (zh) | 任务生成方法、装置、计算机设备和存储介质 | |
CN110458732A (zh) | 培训方法、装置、计算机设备和存储介质 | |
CN108428148A (zh) | 主动智能电话营销方法和系统 | |
CN109784639A (zh) | 基于智能评分的线上招聘方法、装置、设备及介质 | |
CN112632252B (zh) | 对话应答方法、装置、计算机设备和存储介质 | |
CN113034044B (zh) | 基于人工智能的面试方法、装置、设备及介质 | |
CN108595609A (zh) | 基于人物ip的机器人回复生成方法、系统、介质及设备 | |
CN111597818A (zh) | 呼叫质检方法、装置、计算机设备和计算机可读存储介质 | |
CN114186983B (zh) | 视频面试多维评分方法、系统、计算机设备及存储介质 | |
Lee et al. | Development of an AI-based interview system for remote hiring | |
US9667786B1 (en) | Distributed coordinated system and process which transforms data into useful information to help a user with resolving issues | |
CN110556098B (zh) | 语音识别结果测试方法、装置、计算机设备和介质 | |
Raducanu et al. | Inferring competitive role patterns in reality TV show through nonverbal analysis | |
CN110931002B (zh) | 人机交互方法、装置、计算机设备和存储介质 | |
KR102306953B1 (ko) | 음성인식 기반 진료 지원 방법 | |
CN113744107A (zh) | 一种基于大数据智能调解室的ai调处方法 | |
Walker et al. | Developing and Testing General Models of Spoken Dialogue System Peformance. | |
CN112905763A (zh) | 会话系统开发方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |