CN110110959A - 基于用户答案的智能招聘方法、装置、设备及存储介质 - Google Patents
基于用户答案的智能招聘方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110110959A CN110110959A CN201910207345.7A CN201910207345A CN110110959A CN 110110959 A CN110110959 A CN 110110959A CN 201910207345 A CN201910207345 A CN 201910207345A CN 110110959 A CN110110959 A CN 110110959A
- Authority
- CN
- China
- Prior art keywords
- paper
- answer
- applicant
- admission
- resume
- 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
- 230000007115 recruitment Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000012216 screening Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000035484 reaction time Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户答案的智能招聘方法、装置、设备及存储介质。所述方法包括:接收应聘者发送的包含考试编号的答题指令,获取与考试编号对应的试卷类型,并根据试卷类型自数据库调取预设的问卷,同时将问卷以预设的答题模式显示在客户端,以供应聘者进行作答;接收包含用户答案的问卷提交指令,使用预设的评分模型对各用户答案进行评分,得到各试题的单题分值;获取与试卷类型关联的配置参数,根据配置参数和所有单题分值获取问卷的试卷评分结果;获取与试卷类型关联的录取参数,根据录取参数和试卷评分结果确定应聘者的录取结果。本发明实现了自助化的、无纸化的、公正公平化的面试考核,有利于简化招聘流程,节约了人力投入成本。
Description
技术领域
本发明涉及智能决策领域,具体涉及一种基于用户答案的智能招聘方法、装置、设备及存储介质。
背景技术
目前,对于流动性较大的企业,应聘者面试需要投入大量的人力,其工作量较大,给相关管理人员造成极大压力。此外,在特定的应用场景下,比如:企业校招、社招,需要面对众多的应聘者,面试官会产生生理性疲劳,无法保持准确的判断力和洞察力。因此,并不能保障在招聘的所有环节(包括:简历筛选环节、面试环节、评分环节、录取环节)内完全地甄选出适合公司招聘要求的人才,从而错失人才,并且不同的面试官对主观题的评价标准并不相同,无法做到客观公平的评价。
发明内容
本发明实施例提供一种基于用户答案的智能招聘方法、装置、设备及存储介质,实现了自助化的、无纸化的、公平公正化的面试考核,有利于简化招聘流程,节约了人力投入成本。
一种基于用户答案的智能招聘方法,包括:
接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答;
接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值;
获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果;
获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
一种基于用户答案的智能招聘装置,包括:
答题模块,用于接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答;
提交模块,用于接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值;
评分模块,用于获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果;
结果判别模块,用于获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述基于用户答案的智能招聘方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述基于用户答案的智能招聘方法。
本发明提供的基于用户答案的智能招聘方法、装置、设备及存储介质,在接收到包含考试编号的答题指令时,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷以供所述应聘者作答,实现了自助化的、无纸化的面试考核,有利于简化招聘流程;同时,在接收包含用户答案的问卷提交指令时,使用评分模型对应聘者的多方面能力进行智能评分获得单题分值,并根据与试卷类型关联的配置参数、录取参数和所有单题分值来确定应聘者的录取结果,节约了人力投入成本,实现了统一化的、高效化的、公平公正化的招聘流程。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于用户答案的智能招聘方法的应用环境示意图;
图2是本发明一实施例中基于用户答案的智能招聘方法的流程图;
图3是本发明另一实施例中基于用户答案的智能招聘方法的流程图;
图4是本发明又一实施例中基于用户答案的智能招聘方法的的流程图;
图5是本发明一实施例中基于用户答案的智能招聘方法的的步骤S102中的简历搜索界面局部图;
图6是本发明一实施例中基于用户答案的智能招聘方法的步骤S40的流程图;
图7是本发明一实施例中基于用户答案的智能招聘装置的原理框图;
图8是本发明另一实施例中基于用户答案的智能招聘装置的原理框图;
图9是本发明一实施例中基于用户答案的智能招聘装置的结果判别模块的原理框图;
图10是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的基于用户答案的智能招聘方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信。其中,客户端包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种基于用户答案的智能招聘方法,以该方法应用在图1中的服务器为例进行说明,包括以下步骤:
S10、接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答。
其中,所述答题指令是指,应聘者使用考试编号登录智能招聘系统的考试界面时发送至服务器。在本实施例中,所述智能招聘系统用于企业招聘,且设置有职位发布界面、基于统一入口的考试界面、试卷管理界面、录取结果查询界面等。
其中,所述问卷包含预设数量和预设总分值的试题、各试题的参考答案以及评分关键词。可理解的,针对不同的应聘渠道类别和不同的应聘职位类别可以设置不同的问卷,在预定周期内,根据面试点(或者应聘职位)的实际录用情况和试卷评分结果的分布情况,对所述问卷进行优化,比如:某面试点的实际录用情况未达到预设录取数,且该面试点获取的所有问卷的总分值普遍较低,对比各题目的分值,若某题的分值基本未达到及格阈值(或者比较低),在不影响区分应聘者的作用下,可以降低该题难度。
所述答题模式是指当前的考试界面上显示的试题个数和试题序号,包含单题模式、多题模式、顺次模式和乱序模式等。
具体的,在接收应聘者发送的包含考试编号的答题指令时,验证所述考试编号是否为有效的登录账号,也即,验证所述考试编号是否未使用,同时验证所述考试编号是否在有效时间内,在所述考试编号为有效的登录账号时,首先根据考试编号获得该应聘者的应聘渠道类别和应聘职位类别,再根据所述应聘渠道类别和/或所述应聘职位类别确定与其对应的试卷类型,并从数据库调取与所述试卷类型对应的问卷(比如:问卷一)。其中,所述应聘渠道类别与试卷类型之间的对应关系、所述应聘职位类别与试卷类型之间的对应关系、试卷类型与问卷之间的对应关系均已根据需要预先存储在所述数据库中。
优选的,将所述问卷包含的试题按照试题编号以单题模式显示在所述考试界面的题目提示区域,以供应聘者进行作答,可以避免各应聘者之间的答题影响;其中所述考试界面还设置有答题区域、计时区域、提交区域等。可理解的,应聘渠道类别相同且应聘职位类别相同的应聘者为同一问卷。
S20、接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值。
其中,所述问卷提交指令是指,应聘者在完成全部的答题之后,点击预设确认提交按钮之后发送至服务器。优选的,在用户点击预设确认提交按钮之后,默认用户已完成全部答题,无需检测所述问卷是否存在未作答的试题。
在本实施例中,获取以往历史问卷中的同一试题的多个不同的用户答案、各用户答案对应的单题分值以及该试题的参考答案作为评分训练样本,通过包含初始参数的评分模型对所述评分训练样本进行识别,并获取识别之后得到的单题分值与所述评分训练样本对应的单题分值之间的整体偏差度,判断所述整体偏差度是否小于预设的偏差阈值;在所述整体偏差度小于所述偏差阈值,则提示所述评分模型的训练完成,此时,使用所述评分模型可以对各所述试题的用户答案进行评分,得到各所述试题的单题分值;而在所述整体偏差度大于或等于预设的偏差阈值时,将所述评分模型的初始参数调整为修正后参数,并通过具有所述修正后参数的所述评分模型对所述评分训练样本进行识别,并获取识别之后得到的单题分值与所述评分训练样本对应的单题分值之间的整体偏差度,判断所述整体偏差度是否大于预设的偏差阈值,以此类推,直至所述整体偏差度小于所述偏差阈值。
优选的,评分模型是基于DSSN(Deep Structured Semantic Model,深度结构化语义模型)算法构建的深度学习模型,用于计算文本相似度的模型,可以采用字向量作为输入,减少了对切词的依赖,且无需将语句切分成词语再进行文本相似度计算,提高了模型的泛化能力。
S30、获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果。
其中,所述配置参数包括题目考查范围、考查模块、题目权重等。
其中,所述题目考查范围包括人际交往能力(关系建立、团队合作、解决矛盾、敏感性)、影响力(团队发展、说服力、应变能力、影响能力)、沟通能力(口头沟通、倾听、书面沟通)、判断与决策能力(战略思考、创新能力、解决问题能力、推断评估能力、决策能力)、计划和执行能力(准确性、效率、计划和组织)等,且根据所述题目考查范围可以将问卷分为多个考查模块。
在本实施例中,在所述步骤S20获取各所述试题的单题分值之后,首先获取该问卷对应的配置参数(即与所述试卷类型关联的配置参数),根据所述配置参数中包含的题目权重获取各考查模块的模块分值;然后根据各所述模块分值获取试卷总分值,并将各所述模块分值和所述试卷总分值作为试卷评分结果。可理解的,不同的试卷类型可以设置不同的配置参数,但与试卷类型对应的问卷可以相同,比如:对应于试卷类型Ⅰ和试卷类型Ⅱ的问卷均为问卷二,可以为试卷类型Ⅰ对应的问卷二和试卷类型Ⅱ对应的问卷二设置不同的题目权重。
可以举例说明的是,若问卷中的第一考查模块用于考查沟通能力,且该考查模块设置有5个不同问法的问题,比如:问题1:当你与人发生矛盾时,如何解决?问题2:若你需要将某东西推销给某客户,你应该怎么做?问题3:开会时,听众中某地位高于你的人事强烈抨击你的提案,你如何应对?问题4:如果客户说话不清,但是你还必须听他的话,你将怎样回答他的问题才好?问题5:你希望涨薪水,你该如何就此与主管(或老板)进行协商,并不论结果如何,不影响你与主管(或老板)之间的关系;若获得的各试题对应的单题分值分别为:A1、A2、A3、A4和A5,各试题对应的权重分别为K1、K2、K3、K4、K5,则该考查模块的模块分值为:A1*K1+A2*K2+A3*K3+A4*K4+A5*K5。
S40、获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
其中,所述录取参数包含及格阈值、录取分数阈值、作弊阈值等;可理解的,不同的试卷类型可以设置不同的录取参数。
在招聘结束之后,获取同一批次(同一应聘渠道类别且同一应聘职位类别)的所有应聘者的试卷评分结果,根据所述录取参数(包含及格阈值、录取分数阈值、作弊阈值等)和所述试卷评分结果(包含试卷总分值和模块分值)选取预设录取人数的应聘者,从而确定应聘者的录取结果,并将所述录取结果发送至应聘者。
综上所述,本发明提供的基于用户答案的智能招聘方法在接收到包含考试编号的答题指令时,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷以供所述应聘者作答;而在接收包含用户答案的问卷提交指令时,使用评分模型对应聘者的多方面能力进行智能评分获得单题分值,并根据与试卷类型关联的配置参数、录取参数和所有单题分值来确定应聘者的录取结果,,实现了自助化的、无纸化的面试考核,有利于简化招聘流程;同时节约了人力投入成本,实现了统一化的、高效化的、公平公正化的招聘流程。
在一实施例中,如图3所示,所述步骤S40之后,具体包括以下步骤:
S50、接收未被录取的所述应聘者发送的录取结果认定申请,根据所述应聘者信息自所述数据库调取所述应聘者的包含试卷评分结果的问卷,并将包含所述试卷评分结果的所述问卷发送至预设的审核人。
在本实施例中,在所述应聘者未被录取时,仅将未录取的录取结果发送至所述应聘者,若该应聘者对未录取的录取结果存在疑问时,可以在所述智能招聘系统的录取结果查询界面申请录取结果认定,当服务器接收到该应聘者发送的录取结果认定申请时,根据所述应聘者信息或考试编号从所述数据库调取所述应聘者的问卷,并将所述问卷发送至预设的审核人。
S60、接收所述审核人返回的审核结果,将审核之后重新确认的所述录取结果和/或所述审核结果发送至所述应聘者;所述审核结果包括该试卷评分结果有效和该试卷评分结果无效。
在本实施例中,所述录取结果包括未录取和补充录取。
具体的,在接收到的审核结果为该试卷评分结果有效时,无需重新确认所述应聘者的录取结果,将所述未录取的录取结果和该试卷评分结果有效的审核结果发送至所述应聘者;而在接收到的审核结果为该试卷评分结果无效时,进入人工评分阶段,重新对该问卷进行评分,以获取该问卷的试卷评分结果,根据人工评分之后的试卷评分结果重新确认是否录取该应聘者,若确定录取该应聘者,则将所述补充录取的录取结果发送至所述应聘者。
综上所述,本发明提供的基于用户答案的智能招聘方法接收应聘者的录取结果认定申请,增加对录取结果的审核阶段,使得录取结果有据可依、有据可查。
在一实施例中,如图4所示,所述步骤S10之前,具体包括以下步骤:
S101、获取包含应聘者信息的简历文档,根据所述应聘者信息添加简历名称和简历标签。
其中,所述应聘者信息包括应聘者的基本信息(姓名、联系方式、信息接收地址等)、教育背景、工作经历或者其它信息(求职意向、个人专业能力、自我评价等)等。
所述简历名称用于对简历进行区别命名,可以获取用户姓名、投递日期和简历编号中的一种或多种作为简历名称,且所述简历名称的命名方式可以为:[用户姓名][连接符号][个人简历][连接符号][投递日期],比如:“张三+个人简历+2020.05.20”。
所述简历标签用于对简历进行分类,可以获取最高学历、工作经验年限、应聘职位类别、应聘渠道类别和专业类别中的一种或多种作为简历标签。可理解的,一个用户简历包含至少一个简历标签;比如:“大专”、“无工作经验”、“电子信息工程专业”、“英语六级”等。
可理解的,应聘者在所述智能招聘系统的职位发布界面选择心仪职位时,可以直接上传保存在本地已制作好的的简历文档,而服务器获取该简历文档,通过大数据分析所述简历文档包含的应聘者信息,获取对应于该简历文档的简历标签,同时生成对应于该简历文档的简历名称,并将所述简历文档、所述简历名称和所述简历标签关联存储至数据库。
S102、接收包含至少一个选取参数的筛选指令,自所述数据库选取符合所有的所述选取参数的简历文档,并将所述简历文档以预设的展示形式显示在客户端,以供第一管理员查看所述简历文档;所述展示形式包含所述简历名称和所述简历标签。
其中,所述选取参数用于对简历进行筛选。
所述筛选指令是指,所述第一管理员在所述智能招聘系统的简历搜索界面(比如:图5所示的简历搜索界面局部图)的输入栏输入选取参数,点击预设搜索按钮之后发送至服务器。
具体的,接收包含至少一个选取参数的筛选指令,按照预设顺序(比如:第一选取参数→第二选取参数→第三选取参数→第四选取参数)依次进行筛选,从而自数据库筛选出符合所有的所述选取参数的简历文档。进一步的,将所述简历文档按照预设的展示形式显示在查阅界面,比如:显示为缩小的文档图标。也即,在筛选简历的过程中,首先根据所述选取参数匹配简历标签,再根据所述简历标签获取具有该简历标签的简历文档。比如:选取参数为2年工作经验,可以选取出简历标签为“工作经验2年”、“工作经验2年半”、“工作经验3年”等的简历文档。可理解的,若检测到输入栏为空白,则默认该输入栏对应的选取参数为不限量,比如:学历不限、经验不限等。
S103、接收所述第一管理员查看所述简历文档之后发送的选取通知,根据所述简历标签包含的应聘渠道类别和应聘职位类别生成考试编号,并向所述简历文档的应聘者发送包含考试编号的笔试通知。
其中,所述选取通知是指,在简历文档符合选取标准时,第一管理员点击预设选取按钮发送至服务器的;其中,所述选取标准可以为所述简历文档包含的应聘者信息需符合应聘职位对应的职位要求。
具体的,在接收选取通知时,获取应聘渠道类别、应聘职位类别、时间信息(选取时间或者面试时间)以及选取序号等组合参数,并按照一定顺序对所述组合参数进行组合生成考试编号;可理解的,可以根据所述应聘渠道类别和所述应聘职位类别确定所述考试编号对应的试卷类型,同时将所述考试编号和所述试卷类型关联存储至所述数据库。其中,所述应聘渠道类别包括试点城市社招(C01)、试点城市校招(C02)、非试点城市社招(C03)和非试点城市校招(C04)等。
举例说明的是,考试编号为C01X102020052007,其中C01代表应聘渠道类别,X10代表应聘职位类别,20200520代表面试时间信息,07代表同一应聘渠道类别同一应聘职位类别下的选取序号;可理解的,所述考试编号可以仅在面试时间当天内有效,亦可以在预设招聘时间内均有效。
优选的,自数据库获取与所述简历文档关联的应聘者信息,根据所述应聘者信息向所述简历文档的应聘者发送笔试通知,所述笔试通知可以包含考试编号、考试编号的有效时间、试卷基本信息(包括试卷答题时间、试卷总分值和试卷题目数等)、其它注意事项等。
S104、接收所述第一管理员查看所述简历文档之后发送的未选取通知,根据所述未选取通知为所述简历文档增加未选取的简历标签。
其中,所述未选取通知是指,在简历文档不符合选取标准时,第一管理员点击预设未选取按钮即可发送未选取通知至服务器。
具体的,在接收未选取通知时,将未选取的简历标签添加到对应的简历文档,同时对同一简历文档所添加的未选取的简历标签进行累积,在未选取的简历标签累加至预设清除阈值时,将所述简历文档标记为无效简历文档,也即,该简历文档无法进行选取。
在另一实施例中,在简历文档不符合面试条件时,第一管理员点击预设下一章按钮即可显示下一个简历文档,同时默认当前查看的简历文档未被选取。
综上所述,本发明提供的基于用户答案的智能招聘方法为获取的简历文档自动添加简历名称和简历标签,有利于简历文档的统一管理,以及便于管理员对简历文档进行筛选。
在一实施例中,所述步骤S20,即所述接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值,具体包括以下步骤:
接收包含用户答案的问卷提交指令,获取各所述试题的用户答案生成待评分数组,同时获取各所述试题的参考答案生成对比数组;将所述待评分数组和所述对比数组输入至预设的评分模型中,并接收所述评分模型输出的评分数组,该评分数组包含各所述试题的单题分值。
也即,获取各试题的用户答案,根据试题编号将所有的用户答案顺次放在待评分数组中,同时获取各试题的参考答案,根据试题编号将所述的参考答案顺次放在对比数组中,将所述待评分数组和所述对比数组输入至预设的评分模型中,即可得到一个评分结果,该评分结果为单题分值构成的数组。
在一实施例中,在应聘者进行答题的过程中,所述步骤S20还可以包括以下步骤:
接收包含当前页试题编号的保存指令,将获取的用户答案与所述当前页试题编号关联存储,同时将获取的下一试题和下一试题编号显示在所述考试界面,以供应聘者进行作答之后获得下一试题的所述用户答案。
接收包含当前页试题编号的返回指令,将获取的上一试题和上一试题编号显示在所述考试界面,以供应聘者进行重新作答之后更新已存储的所述用户答案。
实时获取用户答题时间,并检测所述用户答题时间是否超过预设时间阈值,在所述用户答题时间超过预设时间阈值时,退出所述问卷界面,并自动保存所述问卷,同时还可以提示用户答题超时;而在所述用户答题时间未超过预设时间阈值时,可以在预设的标记时间点提示用户答题剩余时间,比如:答题剩余时间为剩余15分钟。
在一实施例中,如图6所示,所述录取参数包括对应于各模块分值的及格阈值和录取分数阈值,所述试卷评分结果包含模块分值和试卷总分值,此时,所述步骤S40,具体包括以下步骤:
S401、获取同一批次的所有应聘者的所述试卷评分结果;其中,所述同一批次是指同一应聘渠道类别且同一应聘职位类别。
S402、检测所述试卷评分结果中的各模块分值是否超过对应于各模块分值的及格阈值,同时检测所述试卷评分结果中的试卷总分值是否超过录取分数阈值的所述试卷评分结果。
S403、根据试卷总分值将各模块分值均超过对应于各模块分值的及格阈值,且试卷总分值超过录取分数阈值的所述试卷评分结果进行从高到低的排序,并从高到低顺次选取预设录取人数的所述应聘者作为录取者。
S404、在所述应聘者属于录取者时,将成功录取的录取结果发送至所述应聘者。
S405、在所述应聘者不属于录取者时,将未录取的录取结果发送至所述应聘者。
其中,所述试卷评分结果是用于表示应聘者的个人工作能力的量化体现;所述录取分数阈值和及格阈值是根据试卷类型所针对的应聘渠道类别和应聘职位类别预先设置的合格分数线。
在招聘结束之后,获取同一批次的所有应聘者的试卷评分结果,并将试卷评分结果中的试卷总分值与预设的录取分数阈值进行比较,并将试卷评分结果中的模块分值与预设的及格阈值(一个模块分值对应一个及格阈值)进行比较,将获取的各模块分值均超过(大于或等于)对应于各模块分值的及格阈值,且试卷总分值超过(大于或等于)录取分数阈值的所述试卷评分结果记录为待选取评分结果,并根据所述待选取评分结果的试卷总分值从高到低选取预设录取人数的所述应聘者作为录取者;也即,只有在同时满足各所述模块分值均超过(大于或等于)各所述模块分值对应的及格阈值,所述试卷总分值超过(大于或等于)录取分数阈值,以及试卷评分结果对应的排序在预设的录取范围内,应聘者方才可以被录取。
在另一实施例中,获取到的各模块分值均超过对应于各模块分值的及格阈值,且试卷总分值超过录取分数阈值的所述试卷评分结果不足以选取预设录取人数的所述应聘者时,即实际录取者的人数低于预设录取人数时,在保证试卷总分值超过录取分数阈值的前提下,综合考虑各模块分值来选取应聘者作为录取者。
在一实施例中,如图7所示,提供一种基于用户答案的智能招聘装置,该基于用户答案的智能招聘装置与上述实施例中基于用户答案的智能招聘方法一一对应。该基于用户答案的智能招聘装置包括答题模块110、提交模块120、评分模块130和结果判别模块140。各功能模块详细说明如下:
答题模块110,用于接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答。
提交模块120,用于接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值。
评分模块130,用于获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果。
结果判别模块140,用于获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
在一实施例中,基于用户答案的智能招聘装置还包括以下模块。各功能模块详细说明如下:
发送申请模块,用于接收未被录取的所述应聘者发送的录取结果认定申请,根据所述应聘者信息自所述数据库调取所述应聘者的包含试卷评分结果的问卷,并将包含所述试卷评分结果的所述问卷发送至预设的审核人。
返回结果模块,用于接收所述审核人返回的审核结果,将审核之后重新确认的所述录取结果和/或所述审核结果发送至所述应聘者;所述审核结果包括该试卷评分结果有效和该试卷评分结果无效。
在又一实施例中,如图8所示,基于用户答案的智能招聘装置还包括以下模块。各功能模块详细说明如下:
简历获取模块111,用于获取包含应聘者信息的简历文档,根据所述应聘者信息添加简历名称和简历标签。
筛选模块112,用于接收包含至少一个选取参数的筛选指令,自所述数据库选取符合所有的所述选取参数的简历文档,并将所述简历文档以预设的展示形式显示在客户端,以供第一管理员查看所述简历文档;所述展示形式包含所述简历名称和所述简历标签。
通知模块113,用于接收所述第一管理员查看所述简历文档之后发送的选取通知,根据所述简历标签包含的应聘渠道类别和应聘职位类别生成考试编号,并向所述简历文档的应聘者发送包含考试编号的笔试通知。
待定模块114,用于接收所述第一管理员查看所述简历文档之后发送的未选取通知,根据所述未选取通知为所述简历文档增加未选取的简历标签。
在一实施例中,所述提交模块120具体包括以下子模块。各功能子模块详细说明如下:
生成子模块,用于接收包含用户答案的问卷提交指令,获取各所述试题的用户答案生成待评分数组,同时获取各所述试题的参考答案生成对比数组。
输出子模块,用于将所述待评分数组和所述对比数组输入至预设的评分模型中,并接收所述评分模型输出的评分数组,该评分数组包含各所述试题的单题分值。
在一实施例中,如图9所示,在所述录取参数包括对应于各模块分值的及格阈值和录取分数阈值,所述试卷评分结果包含模块分值和试卷总分值时,所述结果判别模块140包括以下子模块,各功能子模块详细说明如下:
获取子模块141,用于获取同一批次的所有应聘者的所述试卷评分结果;其中,所述同一批次是指同一应聘渠道类别且同一应聘职位类别。
检测子模块142,用于检测所述试卷评分结果中的各模块分值是否超过对应于各模块分值的及格阈值,同时检测所述试卷评分结果中的试卷总分值是否超过录取分数阈值的所述试卷评分结果。
选取子模块143,用于根据试卷总分值将各模块分值均超过对应于各模块分值的及格阈值,且试卷总分值超过录取分数阈值的所述试卷评分结果进行从高到低的排序,并从高到低顺次选取预设录取人数的所述应聘者作为录取者。
第一子模块144,用于在所述应聘者属于录取者时,将成功录取的录取结果发送至所述应聘者。
第二子模块145,用于在所述应聘者不属于录取者时,将未录取的录取结果发送至所述应聘者。
关于基于用户答案的智能招聘装置的具体限定可以参见上文中对于基于用户答案的智能招聘方法的限定,在此不再赘述。上述基于用户答案的智能招聘装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10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,该计算机设备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、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种基于用户答案的智能招聘方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令,处理器执行计算机可读指令时实现以下步骤:
接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答;
接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值;
获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果;
获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机可读指令,计算机可读指令被处理器执行时实现以下步骤:
接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答;
接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值;
获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果;
获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各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以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元或模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于用户答案的智能招聘方法,其特征在于,包括:
接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答;
接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值;
获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果;
获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
2.如权利要求1所述的基于用户答案的智能招聘方法,其特征在于,所述接收应聘者发送的包含考试编号的答题指令之前,还包括:
获取包含应聘者信息的简历文档,根据所述应聘者信息添加简历名称和简历标签;
接收包含至少一个选取参数的筛选指令,自所述数据库选取符合所有的所述选取参数的简历文档,并将所述简历文档以预设的展示形式显示在客户端,以供第一管理员查看所述简历文档;所述展示形式包含所述简历名称和所述简历标签;
接收所述第一管理员查看所述简历文档之后发送的选取通知,根据所述简历标签包含的应聘渠道类别和应聘职位类别生成考试编号,并向所述简历文档的应聘者发送包含考试编号的笔试通知;
接收所述第一管理员查看所述简历文档之后发送的未选取通知,根据所述未选取通知为所述简历文档增加未选取的简历标签。
3.如权利要求1所述的基于用户答案的智能招聘方法,其特征在于,所述录取参数包括对应于各模块分值的及格阈值和录取分数阈值,所述试卷评分结果包含模块分值和试卷总分值;
所述获取与所述试卷类型关联的录取参数,根据所述试卷评分结果和所述录取参数确定所述应聘者的录取结果,包括:
获取同一批次的所有应聘者的所述试卷评分结果;其中,所述同一批次是指同一应聘渠道类别且同一应聘职位类别;
检测所述试卷评分结果中的各模块分值是否超过对应于各模块分值的及格阈值,同时检测所述试卷评分结果中的试卷总分值是否超过录取分数阈值的所述试卷评分结果;
根据试卷总分值将各模块分值均超过对应于各模块分值的及格阈值,且试卷总分值超过录取分数阈值的所述试卷评分结果进行从高到低的排序,并从高到低顺次选取预设录取人数的所述应聘者作为录取者;
在所述应聘者属于录取者时,将成功录取的录取结果发送至所述应聘者;
在所述应聘者不属于录取者时,将未录取的录取结果发送至所述应聘者。
4.如权利要求1所述的基于用户答案的智能招聘方法,其特征在于,所述获取与所述试卷类型关联的录取参数,根据所述试卷评分结果和所述录取参数确定所述应聘者的录取结果之后,包括:
接收未被录取的所述应聘者发送的录取结果认定申请,根据所述应聘者信息自所述数据库调取所述应聘者的包含试卷评分结果的问卷,并将包含所述试卷评分结果的所述问卷发送至预设的审核人;
接收所述审核人返回的审核结果,将审核之后重新确认的所述录取结果和/或所述审核结果发送至所述应聘者;所述审核结果包括该试卷评分结果有效和该试卷评分结果无效。
5.如权利要求1所述的基于用户答案的智能招聘方法,其特征在于,所述接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值,包括:
接收包含用户答案的问卷提交指令,获取各所述试题的用户答案生成待评分数组,同时获取各所述试题的参考答案生成对比数组;
将所述待评分数组和所述对比数组输入至预设的评分模型中,并接收所述评分模型输出的评分数组,该评分数组包含各所述试题的单题分值。
6.一种基于用户答案的智能招聘装置,其特征在于,包括:
答题模块,用于接收应聘者发送的包含考试编号的答题指令,获取与所述考试编号对应的试卷类型,并根据所述试卷类型自数据库调取预设的问卷,同时将所述问卷以预设的答题模式显示在客户端,以供所述应聘者进行作答;
提交模块,用于接收包含用户答案的问卷提交指令,使用预设的评分模型对各所述用户答案进行评分,得到各所述试题的单题分值;
评分模块,用于获取与所述试卷类型关联的配置参数,根据所述配置参数和所有的所述单题分值获取所述问卷的试卷评分结果;
结果判别模块,用于获取与所述试卷类型关联的录取参数,根据所述录取参数和所述试卷评分结果确定所述应聘者的录取结果。
7.如权利要求6所述的基于用户答案的智能招聘装置,其特征在于,所述装置还包括:
简历获取模块,用于获取包含应聘者信息的简历文档,根据所述应聘者信息添加简历名称和简历标签;
筛选模块,用于接收包含至少一个选取参数的筛选指令,自所述数据库选取符合所有的所述选取参数的简历文档,并将所述简历文档以预设的展示形式显示在客户端,以供第一管理员查看所述简历文档;所述展示形式包含所述简历名称和所述简历标签;
通知模块,用于接收所述第一管理员查看所述简历文档之后发送的选取通知,根据所述简历标签包含的应聘渠道类别和应聘职位类别生成考试编号,并向所述简历文档的应聘者发送包含考试编号的笔试通知;
待定模块,用于接收所述第一管理员查看所述简历文档之后发送的未选取通知,根据所述未选取通知为所述简历文档增加未选取的简历标签。
8.如权利要求6所述的基于用户答案的智能招聘装置,其特征在于,所述录取参数包括对应于各模块分值的及格阈值和录取分数阈值,所述试卷评分结果包含模块分值和试卷总分值,所述结果判别模块包括:
获取子模块,用于获取同一批次的所有应聘者的所述试卷评分结果;其中,所述同一批次是指同一应聘渠道类别且同一应聘职位类别;
检测子模块,用于检测所述试卷评分结果中的各模块分值是否超过对应于各模块分值的及格阈值,同时检测所述试卷评分结果中的试卷总分值是否超过录取分数阈值的所述试卷评分结果;
选取子模块,用于根据试卷总分值将各模块分值均超过对应于各模块分值的及格阈值,且试卷总分值超过录取分数阈值的所述试卷评分结果进行从高到低的排序,并从高到低顺次选取预设录取人数的所述应聘者作为录取者;
第一子模块,用于在所述应聘者属于录取者时,将成功录取的录取结果发送至所述应聘者;
第二子模块,用于在所述应聘者不属于录取者时,将未录取的录取结果发送至所述应聘者。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至5任一项所述基于用户答案的智能招聘方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5任一项所述基于用户答案的智能招聘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207345.7A CN110110959A (zh) | 2019-03-19 | 2019-03-19 | 基于用户答案的智能招聘方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207345.7A CN110110959A (zh) | 2019-03-19 | 2019-03-19 | 基于用户答案的智能招聘方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110959A true CN110110959A (zh) | 2019-08-09 |
Family
ID=67484361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910207345.7A Pending CN110110959A (zh) | 2019-03-19 | 2019-03-19 | 基于用户答案的智能招聘方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110959A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620788A (zh) * | 2019-09-29 | 2019-12-27 | 深圳市镜玩科技有限公司 | 一种信息交互方法、相关产品及计算机可读存储介质 |
CN110889583A (zh) * | 2019-10-11 | 2020-03-17 | 平安科技(深圳)有限公司 | Ai面试方法、装置、计算机设备及计算机可读存储介质 |
CN111737557A (zh) * | 2020-08-21 | 2020-10-02 | 信度信息技术(苏州)有限公司 | 一种通过互联网招聘的方法及系统 |
CN111738693A (zh) * | 2020-06-24 | 2020-10-02 | 北京云族佳科技有限公司 | 线上笔试试卷生成方法、装置、电子设备及存储介质 |
CN114418366A (zh) * | 2022-01-06 | 2022-04-29 | 北京博瑞彤芸科技股份有限公司 | 一种智能云面试的数据处理方法和装置 |
CN114693231A (zh) * | 2020-12-30 | 2022-07-01 | 深圳云天励飞技术股份有限公司 | 职业匹配方法、装置、电子设备及存储介质 |
CN114724657A (zh) * | 2022-04-01 | 2022-07-08 | 北京欧应信息技术有限公司 | 基于问卷的健康评估系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886524A (zh) * | 2014-03-24 | 2014-06-25 | 沈阳化工大学 | 一种在线考试系统 |
CN107170314A (zh) * | 2016-03-07 | 2017-09-15 | 北京竞业达数码科技有限公司 | 一种计算机在线模拟考试装置及其方法 |
CN107832768A (zh) * | 2017-11-23 | 2018-03-23 | 盐城线尚天使科技企业孵化器有限公司 | 基于深度学习的高效阅卷方法和阅卷系统 |
CN109359934A (zh) * | 2018-09-04 | 2019-02-19 | 平安普惠企业管理有限公司 | 基于性格分析的招聘方法、装置、计算机设备及存储介质 |
-
2019
- 2019-03-19 CN CN201910207345.7A patent/CN110110959A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886524A (zh) * | 2014-03-24 | 2014-06-25 | 沈阳化工大学 | 一种在线考试系统 |
CN107170314A (zh) * | 2016-03-07 | 2017-09-15 | 北京竞业达数码科技有限公司 | 一种计算机在线模拟考试装置及其方法 |
CN107832768A (zh) * | 2017-11-23 | 2018-03-23 | 盐城线尚天使科技企业孵化器有限公司 | 基于深度学习的高效阅卷方法和阅卷系统 |
CN109359934A (zh) * | 2018-09-04 | 2019-02-19 | 平安普惠企业管理有限公司 | 基于性格分析的招聘方法、装置、计算机设备及存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620788A (zh) * | 2019-09-29 | 2019-12-27 | 深圳市镜玩科技有限公司 | 一种信息交互方法、相关产品及计算机可读存储介质 |
CN110620788B (zh) * | 2019-09-29 | 2022-06-24 | 深圳市镜玩科技有限公司 | 一种信息交互方法、相关产品及计算机可读存储介质 |
CN110889583A (zh) * | 2019-10-11 | 2020-03-17 | 平安科技(深圳)有限公司 | Ai面试方法、装置、计算机设备及计算机可读存储介质 |
CN111738693A (zh) * | 2020-06-24 | 2020-10-02 | 北京云族佳科技有限公司 | 线上笔试试卷生成方法、装置、电子设备及存储介质 |
CN111737557A (zh) * | 2020-08-21 | 2020-10-02 | 信度信息技术(苏州)有限公司 | 一种通过互联网招聘的方法及系统 |
CN114693231A (zh) * | 2020-12-30 | 2022-07-01 | 深圳云天励飞技术股份有限公司 | 职业匹配方法、装置、电子设备及存储介质 |
CN114418366A (zh) * | 2022-01-06 | 2022-04-29 | 北京博瑞彤芸科技股份有限公司 | 一种智能云面试的数据处理方法和装置 |
CN114418366B (zh) * | 2022-01-06 | 2022-08-26 | 北京博瑞彤芸科技股份有限公司 | 一种智能云面试的数据处理方法和装置 |
CN114724657A (zh) * | 2022-04-01 | 2022-07-08 | 北京欧应信息技术有限公司 | 基于问卷的健康评估系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110959A (zh) | 基于用户答案的智能招聘方法、装置、设备及存储介质 | |
CN109784639A (zh) | 基于智能评分的线上招聘方法、装置、设备及介质 | |
CN114186983B (zh) | 视频面试多维评分方法、系统、计算机设备及存储介质 | |
CN112418779A (zh) | 一种基于自然语言理解的在线自助面试方法 | |
Friedberg | From a top-down to a bottom-up approach to legislative oversight | |
Aboagye‐Otchere et al. | A review of big data research in accounting | |
Allen et al. | Values, beliefs, and attitudes technical guide for Forest Service land and resource management, planning, and decisionmaking | |
Banciu et al. | Electronic system for assessing and analysing digital competences in the context of Knowledge Society | |
Tang | [Retracted] Research on the Difficulties and Countermeasures of the Practical Teaching of Ideological and Political Theory Courses in Colleges and Universities Based on Wireless Communication and Artificial Intelligence Decision Support | |
De Silva et al. | Is the accounting curricula keeping up with sustainability development? | |
Aljbour et al. | Cultural training impact on non-Arab leaders’ network performance in Arab markets | |
Kautz et al. | Using a Survey of Social and Emotional Learning and School Climate to Inform Decisionmaking. REL 2021-114. | |
Tarasawa | Fight or flight? Immigration, competition, and language assistance resources in Metropolitan Atlanta | |
Bose | Presidential ratings: Lessons and liabilities | |
Allen et al. | Embedding knowledge & promoting meaningful change: evaluating the HOPE 2022-3 Cross-Cultural Training webinars | |
McAlexander | The politics of anticolonial resistance: Violence, nonviolence, and the erosion of empire | |
Saunders et al. | Some experiences of non-EU international students following an access to Higher Education Diploma course in a general further education college in the North of England | |
Peng et al. | Establishment of big data application platform for education industry | |
Adamu | Assessing the factors affecting effective utilization of e library resources among staff and students of Jigawa state college of education Gumel, Nigeria | |
Bostrom et al. | A Mental Models Approach for Preparing Summary Reports on Ecological Issues Related to Dispersant Use. Marine Spill Response Corporation, Washington | |
Sukrisno | Level Capacity Building in Higher Education: Toward Global Competitiveness | |
Mannan et al. | An Empirical Study into the Effects of Electronic Monitoring on Employees in Bangladesh | |
OLAWUYI et al. | THE IMPACT AND FACTORS LIMITING THE PRE-RETIREMENT ENTREPRENEURSHIP TRAINING OF NIGERIAN MILITARY VETERANS | |
Noble | Exploring Adoption Success of the Wildland Fire Decision Support System | |
Amin et al. | Media Coverage on General Issues: A Constructionist Study of News Frames and Government Performance of PML-Q (2002-07) |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190809 |