CN110782119A - 基于人工智能的保险代理人甄选方法、装置及设备 - Google Patents

基于人工智能的保险代理人甄选方法、装置及设备 Download PDF

Info

Publication number
CN110782119A
CN110782119A CN201910851183.0A CN201910851183A CN110782119A CN 110782119 A CN110782119 A CN 110782119A CN 201910851183 A CN201910851183 A CN 201910851183A CN 110782119 A CN110782119 A CN 110782119A
Authority
CN
China
Prior art keywords
insurance agent
server
information data
information
preset
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
Application number
CN201910851183.0A
Other languages
English (en)
Inventor
蔡昀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN201910851183.0A priority Critical patent/CN110782119A/zh
Publication of CN110782119A publication Critical patent/CN110782119A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • G06Q10/105Human resources
    • G06Q10/1053Employment or hiring
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08Insurance
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/06Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/065Adaptation
    • G10L15/07Adaptation to the speaker
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/22Procedures used during a speech recognition process, e.g. man-machine dialogue

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Acoustics & Sound (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例提供了一种基于人工智能的保险代理人甄选方法、装置、计算机设备及计算机可读存储介质。本申请实施例属于机器学习技术领域,通过获取终端发送的保险代理人的基础信息作为第一信息数据;根据第一信息数据,判断保险代理人是否满足预设条件;若保险代理人满足预设条件,获取通过基于人工智能的机器人对保险代理人进行面谈的面谈数据作为第二信息数据;根据第一信息数据和第二信息数据,借助基于机器学习的预设模型来对保险代理人进行打分,得到保险代理人的分值;判断分值是否超过预设阈值;若分值超过预设阈值,判定保险代理人甄选通过;若分值未超过预设阈值,判定保险代理人甄选未通过,能够提升保险代理人甄选的客观性和准确性。

Description

基于人工智能的保险代理人甄选方法、装置及设备
技术领域
本申请涉及机器学习技术领域,尤其涉及一种基于人工智能的保险代理人甄选方法、装置、计算机设备及计算机可读存储介质。
背景技术
传统的保险代理人甄选主要由笔试和人工面试等环节构成,由于非封闭式答题,存在保险代理人笔试不真实的情形,并且为了保险代理人规模持续扩大而降低面试门槛,然后将保险代理人的笔试和面试数据通过计算机设备进行存储和传输。由于计算机设备只是简单的接收保险代理人面试结果数据并进行传输和存储,代理人甄选过程中包含了过多的甄选人员的主观因素,其中出现的主要现象包括存在笔试不真实,比如笔试内容代考导致笔试不真实,代理人的线下面试结果数据难以客观保存进总部数据库等现象,导致计算机设备中保险代理人的甄选数据不准确,从而对保险代理人的甄选不具备客观性而使甄选代理人的准确性降低,后续保险代理人留存率持续走低,保险代理人资源投入较大但产出较低,保险代理人资源利用率不高,保险代理人甄选资源浪费严重。
发明内容
本申请实施例提供了一种基于人工智能的保险代理人甄选方法、装置、计算机设备及计算机可读存储介质,能够解决传统技术中由于保险代理人数据不准确导致甄选保险代理人准确性不高的问题。
第一方面,本申请实施例提供了一种基于人工智能的保险代理人甄选方法,所述方法包括:服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值;所述服务器判断所述分值是否超过预设阈值;若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
第二方面,本申请实施例提供了一种基于人工智能的保险代理人甄选装置,所述装置包括:第一获取单元,用于服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;第一判断单元,用于所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;第二获取单元,用于若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;打分单元,用于所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值;第二判断单元,用于所述服务器判断所述分值是否超过预设阈值;第一判定单元,用于若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;第二判定单元,用于若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
第三方面,本申请实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现所述基于人工智能的保险代理人甄选方法的步骤。
第四方面,本申请实施例还提供了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程序,所述计算机程序被处理器执行时使所述处理器执行所述基于人工智能的保险代理人甄选方法的步骤。
本申请实施例提供了一种基于人工智能的保险代理人甄选方法、装置、计算机设备及计算机可读存储介质。本申请实施例实现基于人工智能的保险代理人甄选时,所述方法包括:服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值;所述服务器判断所述分值是否超过预设阈值;若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过,能够避免传统技术中人为进行面试中主观性因素的影响,提升保险代理人甄选的客观性和准确性,甄选出合适的代理人,更准确对有意愿的代理人投放资源,从而提升代理人留存率,提高对代理人投放资源的利用率,同时解决了通过人力资源HR实现招聘大量保险代理人时的人力成本高、招聘工作繁重以及招聘效率低的问题,实现了通过机器人结合机器学习进行自动甄选的过程,整个招聘过程无需过多的人工操作和干涉,实现简单,大大降低了招聘成本,提升了招聘效率。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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它的附图。
图1为本申请实施例提供的基于人工智能的保险代理人甄选方法的一个应用场景架构示意图;
图2为本申请实施例提供的基于人工智能的保险代理人甄选方法的一个示意性流程图;
图3为本申请实施例提供的基于人工智能的保险代理人甄选方法的一个子流程的示意性流程图;
图4为本申请实施例提供的基于人工智能的保险代理人甄选方法的另一个示意性流程图;
图5为本申请实施例提供的基于人工智能的保险代理人甄选方法的另一个子流程的示意性流程图;
图6为本申请实施例提供的基于人工智能的保险代理人甄选方法的一个系统架构流程示意图;
图7为本申请实施例提供的基于人工智能的保险代理人甄选装置的示意性框图;以及
图8为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
请参阅图1,图1为本申请实施例提供的基于人工智能的保险代理人甄选的应用场景示意图。所述应用场景包括:
(1)保险代理人1,是指参与甄选的用户。
(2)终端。图1所示终端是指保险代理人可以通过终端向服务器发送第一信息数据,例如通过终端参加笔试,并将有关笔试的信息数据上传至服务器,还可以通过终端使用APP等应用程序以得到使用招聘单位的APP的行为信息等,所述第一信息数据中包括的保险代理人人所属团队的团队信息、性格信息及所述保险代理人面试活动过程中的位置信息等也可以通过终端发送至服务器。所述终端可以为智能手机、智能手表、笔记本电脑、平板电脑或者台式电脑等计算机设备,终端通过有线网络或者无线网络访问服务器。
(3)机器人。基于人工智能的机器人根据预先设置和保险代理人进行面谈以得到对所述保险代理人进行面谈的第二信息数据,并将所述第二信息数据发送至服务器。
(4)服务器。服务器接收终端发送的第一信息数据和机器人发送的第二信息数据,根据所述第一信息数据和所述第二信息数据基于机器学习对保险代理人进行甄选,并向终端返回保险代理人的甄选结果。服务器可以为单台服务器或者分布式的服务器集群,也可以为云服务器,接收外部终端的访问,通过有线网络或者无线网络与终端连接。
图1中的各个主体工作过程如下:保险代理人参加招聘单位的甄选过程,通过终端上传个人的基础信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息,第一信息数据还可以包括保险代理人通过终端参加笔试的笔试信息数据、使用招聘单位的各种APP的行为对应的行为信息数据、负责招聘的团队通过终端上传的有关团队信息等团队信息数据。服务器接收第一信息数据并储存,服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;若所述保险代理人不满足所述预设条件,可以根据不满足的预设条件通知保险代理人纠正条件中的错误,或者判断该保险代理人不符合作为保险代理人的要求而做出未甄选出的结论,若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据,其中,通过基于人工智能的机器人对保险代理人进行面谈可以是在判断保险代理人满足所述预设条件后通知保险代理人进行机器人面试以得到通过机器人上传的第二信息数据;所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值,所述服务器判断所述分值是否超过预设阈值,若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过,若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
需要说明的是,图1中仅仅示意出智能手机作为终端,在实际操作过程中,与服务器相连接的终端可以有多个,并且类型也可以不限于图1中所示,所述终端还可以为智能手表、笔记本电脑或者平板电脑等电子设备,服务器也可以为服务器集群或者云服务台等,基于人工智能的机器人也可以为多种不同的类型,上述基于人工智能的保险代理人甄选方法的应用场景仅仅用于说明本申请技术方案,并不用于限定本申请技术方案。
请参阅图2,图2为本申请实施例提供的基于人工智能的保险代理人甄选方法的示意性流程图。该基于人工智能的保险代理人甄选方法应用于图1中的服务器中,以完成基于人工智能的保险代理人甄选方法的全部或者部分功能。如图2所示,该方法包括以下步骤S201-S207:
S201、服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息。
具体地,服务器通过预设方式获取保险代理人的第一信息数据,所述第一信息数据包括所述保险代理人的基础信息,所述基础信息包括所述保险代理人的身份证号码及学历信息。其中,基础信息,不但包括所述保险代理人的身份证号码及学历信息,还可以包括年龄、性别、婚姻、居住地等信息。
进一步地,预设方式既可以是指保险代理人可以通过智能手机等计算机终端上安装的应用程序输入个人的基础信息等第一信息数据,然后将第一信息数据上传至服务器以使服务器获取保险代理人的第一信息数据,预设方式也可以是指服务器从存储设备中获取已存储的保险代理人的第一信息数据。
S202、所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件。
具体地,由于保险代理人必须要满足年龄及学历等基本的预设条件,所述服务器可以通过保险代理人的年龄及学历等第一信息数据中包含的基本条件对保险代理人做初步筛选,根据所述第一信息数据,判断所述保险代理人是否满足预设条件。若所述保险代理人人满足预设条件,可以针对该保险代理人做进一步甄选,若所述保险代理人不满足预设条件,无需对该代理人做进一步甄选,直接返回甄选结果,让保险代理人纠正第一信息数据,或者显示甄选不通过的结论。比如针对保险代理人的年龄要求,要求保险代理人的年龄在18岁至65岁之间,保险代理人年龄小于18岁,年龄太小,或者年龄大于65岁,保险代理人年龄太大,即可判断对保险代理人的初步筛选不通过,无需针对保险代理人做进一步筛选,从而节约招聘资源,而保险代理人的年龄在18岁至65岁之间,该保险代理人的年龄满足预设条件,判断对该保险代理人的初步筛选通过,可以对保险代理人进一步筛选以甄选出合适的保险代理人,从而尽可能的节约招聘保险代理人的资源。
S203、若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据。
其中,第二信息数据是指机器人和保险代理人进行面谈的面谈数据,包括机器人与保险代理人之间沟通的内容,例如双方互相问和答两方面的内容,机器人对保险代理人的提问,可以通过预设问题对代理人进行提问,机器人对保险代理人的回答,可以根据在传统面试过程中代理人经常问到的问题进行数据的准备以进行对应回答。
具体地,若判断所述保险代理人满足预设条件,所述服务器可以对所述保险代理人做进一步甄选,选用AI机器人面试代替人工面试,让所述保险代理人和机器人进行面谈,通过AI机器人对保险代理人进行吸引性面谈和筛选决定面谈,通过机器人和保险代理人的面谈获得第二信息数据。其中,机器人和保险代理人可以通过语音方式进行沟通,将双方沟通的语音数据进行语音识别,以获得第二信息数据。通过AI机器人和保险代理人进行面谈以得到第二信息数据,第二信息数据直接传送总部数据库,可以第一手准确获取保险代理人的相关信息数据,解决了传统线下面谈中面试者主观因素的影响导致获取准确面谈结果困难等问题,能够获得保险代理人准确的第二信息数据,以对保险代理人做出尽可能准确的判断和评价。其中,通过机器人和保险代理人进行面谈的内容与线下面谈过程中的问题大体相同,主要涉及职业规划等相关主题。
S204、所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
将所述第一信息数据和所述第二信息数据输入基于机器学习的预设模型对所述保险代理人进行打分以得到所述保险代理人的分值。
具体地,所述服务器将所述第一信息数据和所述第二信息数据输入至基于机器学习的预设模型对保险代理人进行打分,从而获得保险代理人的分值,以根据所述分值判断所述保险代理人在整体上是否能够通过甄选,以实现使用预设模型识别保险代理人,对所述保险代理人实现甄选。通过预设模型对保险代理人打分的过程,是通过预设模型对上述第一信息数据和第二信息数据中的各种数据给予一定的权重,通过一定的权重最后计算出各种数据对应分值的总和。比如,总分为100分,有A、B、C、D、E及F六种类型的数据,其中,A为15分,B为20分,C为30分,D为10分,E为15分,F为10分,通过A、B、C、D、E及F各自的权重,计算出代理人的分值,比如,A(15分*60%)+B(20分*60%)+C(30分*60%)+D(10分*60%)+E(15分*60%)+F(10分*80%)=62分,也就是代理人最后的评估分值为62分。
进一步地,在使用基于机器学习的预设模型获取代理人分值之前,需要对预设模型进行训练,对预设模型进行训练的过程包括以下步骤:
1)创建模型。比如,创建逻辑回归、随机森林、GBDT及深度学习模型等模型。
2)训练模型。使用训练样本训练模型,所述训练样本包括留存的保险代理人的第一信息数据和第二信息数据,尤其是留存时间较长的保险代理人的数据,数据越丰富,对模型的训练越准确,比如保险代理人的教育经历、从业经历、业绩、职位等等,模型算法根据训练样本自动调整模型中的每个类型数据的参数,每个参数包括根据每种数据不同的情形设置不同的权重,比如,学历一栏,学历越高,设置的权重越高,例如大专设置60%,本科设置80%,硕士研究生设置90%,博士研究生设置95%,其中,参数及各个参数的权重是根据模型的算法自动设定,并在训练过程中根据训练样本数据的自动进行调整。
3)测试模型。训练好的模型,可以使用已有的样本数据作为测试数据输入模型以对模型进行验证,并根据输出结果判断模型参数是否合适,若参数不合适,增加训练样本或者对训练样本进行数据清洗等以调整模型各个参数。直至模型输出的结果符合要求,获得训练好的模型,训练好的模型,即可以作为预设模型正式使用。
S205、所述服务器判断所述分值是否超过预设阈值;
S206、若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;
S207、若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
其中,预设阈值是根据业务需要进行人为设定,比如,根据每一批代理人的录取率设定一个合适的预设阈值。
具体地,基于机器学习的预设模型对所述保险代理人进行打分以得到所述保险代理人的分值后,所述服务器判断该保险代理人的分值是否超过预设阈值,若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过,若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
本申请实施例实现基于人工智能的保险代理人甄选时,所述方法包括:服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据,在针对保险代理人甄选的过程中,通过选用AI机器人面试代替人工面试,实现通过AI机器人对保险代理人进行吸引性面谈和筛选决定面谈以得到第二信息数据,从而获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值,也即将所述第一信息数据和所述第二信息数据输入基于机器学习的预设模型对所述保险代理人进行打分,从而得到所述保险代理人的分值;所述服务器判断所述分值是否超过预设阈值;若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过,能够避免传统技术中人为进行面试中主观性因素的影响,提升保险代理人甄选的客观性和准确性,甄选出合适的代理人,更准确对有意愿的代理人投放资源,从而提升代理人留存率,提高对代理人投放资源的利用率,同时解决了通过人力资源HR实现招聘大量保险代理人时的人力成本高、招聘工作繁重以及招聘效率低的问题,实现了通过机器人结合机器学习进行自动甄选的过程,整个招聘过程无需过多的人工操作和干涉,实现简单,大大降低了招聘成本,提升了招聘效率。
请参阅图3,图3为本申请实施例提供的基于人工智能的保险代理人甄选方法的一个子流程的示意性流程图。如图3所示,在该实施例中,所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件的步骤包括:
S301、所述服务器判断所述保险代理人的身份证号码是否正确。
具体地,若保险代理人的身份证号码正确,判定所述保险代理人的该项条件满足预设条件,若所述保险代理人的身份证号码错误,可以返回提示信息,以让保险代理人修改身份证号码,重新输入正确的保险代理人身份证号码即可。
进一步地,获取保险代理人资料中身份证号码的字段对应的属性值,判断此属性值是否存在以下问题,此处主要进行以下内容的判断:
①判断所述保险代理人的身份证号码的位数是否正确。由于通行的身份证号码现在是18位数字,若身份证号码是18位数字,判定所述身份证号码是正确的,若身份证号码不是18位数字,判定所述身份证号码是错误的。
②判断所述保险代理人的身份证号码中的顺序码表明的性别是否与填写的资料上的性别相一致。由于身份证号码中在同一地址码所标识的区域范围内,对同年、同月、同日出生的人编定的顺序号,顺序码的奇数分配给男性,偶数分配给女性,因此可以通过顺序码体现的性别,判断所述身份证号码的顺序位与保险代理人填写的资料上的性别信息是否一致来判断身份证号码是否出现错误。若判断所述顺序位与保险代理人填写的资料上的性别信息一致,判断所述身份证号码是正确的,若判断所述顺序位与保险代理人填写的资料上的性别信息不一致,例如若代理人填写的资料上的性别为男,身份证号码中顺序码上为偶数,或者若代理人填写的资料上的性别为女,身份证号码中顺序码上为奇数,表明身份证号码是错误的。
S302、所述服务器判断所述保险代理人的年龄是否满足预设年龄范围。
具体地,所述服务器判断所述保险代理人的年龄是否满足预设年龄范围,是指所述服务器判断所述保险代理人的年龄是否大于或者等于第一年龄预设阈值且小于或者等于第二年龄预设阈值。若保险代理人的年龄不满足要求,判断对保险代理人的初步筛选不通过。针对保险代理人年龄的判断,比如,年龄小于18岁,年龄太小,或者年龄大于65岁,保险代理人年龄太大,即可判断对保险代理人的初步筛选不通过,拒绝保险代理人的进一步筛选过程。其中,保险对代理人的年龄要求进行判断,可以通过保险代理人填写的年龄信息,并进一步通过保险代理人上传的身份证号码或者身份证信息进行验证年龄信息是否真实。比如,读取身份证号码中的出生年日期,并根据当前的年份,经过计算获取保险代理人的真实年龄,与保险代理人填写的年龄是否一致,若判断与保险代理人填写的年龄一致,保险代理人填写的年龄真实,否则,保险代理人填写的年龄不真实,若保险代理人的年龄存在不真实的情形,需要保险代理人进行修改,直至保险代理人年龄真实。
S303、所述服务器判断所述保险代理人的学历水平是否不低于预设学历水平。
具体地,所述服务器判断所述保险代理人的学历水平是否不低于预设学历水平,是指所述服务器判断所述保险代理人的学历水平是否大于或者等于预设学历水平。若保险代理人的学历不满足基本要求,判定对保险代理人的初步筛选不通过。针对保险代理人学历的判断,可以根据保险代理人填写的学历信息进行判断,比如,现阶段要求保险代理人的学历至少为本科学历,获取保险代理人填写的学历信息对应的字段是否为本科及本科以上的信息,若为本科及其以上的信息,比如为本科,硕士研究生、博士研究生等,判断对保险代理人的学历信息初步筛选通过,若为本科以下的信息,比如,空白、大专、高中等学历,即可判断对保险代理人的学历信息初步筛选不通过,拒绝针对保险代理人的进一步筛选过程。
进一步地,为了提高判断的准确性,可以通过验证保险代理人学历的真实性,可以通过附带保险代理人的学历证书,并通过图像识别提取指定位置的文字,通过获取学历证书中的关键字中是否包括本科、硕士、博士、研究生等关键字判断学历信息是否真实。针对保险代理人的学历要求,可以灵活设定,不同阶段对代理人的要求不相同,比如,保险行业的发展前期,可能对代理人的学历要求不是太高,失业人员、高中学历即可从业,随着代理人规模的扩大,可能现在需要满足大专学历或者本科学历才能满足代理人的基本要求。
S304、若所述保险代理人的身份证号码正确、所述保险代理人的年龄满足所述预设年龄范围及所述保险代理人的学历水平不低于所述预设学历水平,所述服务器判定所述保险代理人满足所述预设条件;
S305、若所述保险代理人的身份证号码错误、所述保险代理人的小于所述第一年龄预设阈值或者大于所述第二年龄预设阈值及所述保险代理人的学历水平大于所述预设学历水平,判定所述保险代理人未满足所述预设条件。
具体地,也即判断对所述代理人初步筛选是否通过,是通过判断第一信息数据中的身份证号是否正确、学历是否满足要求等需要满足保险代理人的基本的预设条件,以判定对代理人的初步筛选是否通过。具体需要判断所述保险代理人的身份证号码是否正确,判断所述保险代理人的年龄是否大于或者等于第一年龄预设阈值且小于或者等于第二年龄预设阈值,判断所述保险代理人的学历水平是否大于或者等于预设学历水平,若所述保险代理人的身份证号码正确、所述保险代理人的年龄大于或者等于所述第一年龄预设阈值且小于或者等于所述第二年龄预设阈值及所述保险代理人的学历水平大于或者等于所述预设学历水平,判定所述保险代理人满足所述预设条件,否则,若所述保险代理人的身份证号码错误、所述保险代理人的小于所述第一年龄预设阈值或者大于所述第二年龄预设阈值及所述保险代理人的学历水平大于所述预设学历水平,判定所述保险代理人未满足所述预设条件。
本申请实施例根据所述第一信息数据,判断所述保险代理人是否满足预设条件,以实现对所述保险代理人进行初步筛选,并判断对所述保险代理人的初步筛选是否通过,若对所述保险代理人初步筛选通过,继续进行后续的甄选过程,若对所述保险代理人的初步筛选未通过,无需进行后续的甄选过程,以缩短针对保险代理人的甄选过程,提升甄选效率,节省对保险代理人的甄选资源
请参阅图4,图4为本申请实施例提供的基于人工智能的保险代理人甄选方法的另一个示意性流程图。如图4所示,在该实施例中,所述第一信息数据除包括基础信息外,还包括保险代理人通过终端参加笔试的笔试信息数据、使用招聘单位的各种APP的行为对应的行为信息数据、所属团队的团队信息、所述保险代理人的性格信息及所述保险代理人面试活动过程中的位置信息等多类型数据;
所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值的步骤包括;
S404、所述服务器通过第一预设算法为所述第一信息数据中包含的多类数据配置不同权重,然后所述服务器将所述第一信息数据、所述第一信息数据已配置的权重及所述第二信息数据输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
其中,保险代理人通过终端参加笔试的笔试信息数据,不仅包括对笔试问题的答案的信息,还包括保险代理人通过智能终端进行笔试时的活动信息,例如保险代理人是否来回查看试题、保险代理人的答题时间长短等相关信息。
使用招聘单位的各种APP的行为对应的行为信息数据,是指使用招聘单位的APP的行为信息,包括分析保险代理人使用唯一的账号在公司多种类别APP的活跃情况、登陆情况及设备等信息。可以根据代理人使用唯一身份识别的身份证号码等注册唯一账号,只允许通过唯一账号登录各种APP,从而通过登录APP进行浏览等使用APP的数据,获取保险代理人在多种类别的APP的活跃情况。比如,可以让保险代理人在面试期间使用一段时间各个APP,从而通过代理人登录各个APP的使用情况获取相关数据。
所属团队的团队信息,包括所属团队的学习氛围及业绩情况等等信息,需要团队上传学习活动及业绩等相关数据,比如,举办了什么学习活动、参加了什么培训,团队内部读了什么书籍等,根据团队内部参加学习、培训及阅读书籍的数据判断团队的学习氛围。进一步地,为了验证团队学习的真实性,可以通过上传带日期的照片作为学习的证据。业绩情况,可以让团队自己上传,也可以通过对业务的汇总统以统一获取各个团队的业绩情况,同样,为了验证业绩情况的真实性,可以通过上传合同等证据作为验证数据真实性的材料。
所述保险代理人的性格信息,指保险代理人的性格,例如勤奋型、社交型、资源型和/或责任型等,可以通过设置性格测试问题对保险代理人进行性格测试以得到保险代理人的性格信息。
所述保险代理人面试活动过程中的位置信息,可以通过调用智能设备的定位功能以得到保险代理人进行笔试时的LBS位置等相关数据。
还可以包括代理人与推荐人关系,可以通过让代理人在进行笔试时或者登录账号时进行选择即可获得该关系。
其中,图4所示实施例中的步骤S401至步骤S403分别对应图2所示实施例中的步骤S201至步骤S203、S407至步骤S409分别对应图2所示实施例中的步骤S205至步骤S207,将图2所示实施例中的步骤S401至步骤S403、步骤S205至步骤S207分别以引用的方式对应包含于图4所示实施例中,在此不再赘述。
具体地,所述服务器可以根据第一信息数据中每种类型数据的重要性,为第一信息数据中每种类型的数据通过第一预设算法设置对应的权重,以体现第一信息数据中每种类型数据在甄选保险代理人过程中的重要性,也即根据所述第一信息数据,所述服务器通过第一预设算法为所述第一信息数据中包含的多类数据中的预设类型的信息数据配置不同权重,所述预设类型的信息数据至少包括所述第一信息数据中包含的基础信息、保险代理人通过终端参加笔试的笔试信息数据、使用招聘单位的各种APP的行为对应的行为信息数据、所属团队的团队信息、所述保险代理人的性格信息及所述保险代理人面试活动过程中的位置信息等信息中的一种信息,将所述第一信息数据、所述第一信息数据已配置的权重和所述第二信息数据输入基于机器学习的预设模型对所述保险代理人进行打分以得到所述保险代理人的分值。同时,第一信息数据中每种类型数据的权重可以根据训练样本进行自动调整,从而根据训练样本为第一信息数据中每种类型数据配置尽可能符合实际情况的较准确的权重,也即为第一信息数据中的基础信息、笔试信息、使用招聘单位的APP的行为信息、所属团队的团队信息、所述保险代理人的性格信息及所述保险代理人面试活动过程中的位置信息等各种类型数据分别配置对应的权重。
进一步地,又可以为每种类型数据中的子数据配置子权重,比如,为基础信息数据中的学历配置子权重,高学历的配置更高的子权重,比如,硕士研究生的权重大于本科学历的权重,博士研究生的权重大于说是研究生的权重等,再比如,由于中年人的人脉关系较广,中年人的年龄对应的权重可以比人脉关系薄弱的年龄较小的年轻人配置更高的权重。
进一步地,所述服务器通过第一预设算法为所述第一信息数据中包含的多类数据配置不同权重的步骤包括:
所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重;
所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重的步骤包括:
所述服务器判断所述保险代理人进行笔试的笔试时长是否大于或者等于时长阈值;
若所述笔试时长大于或者等于所述时长阈值,所述服务器配置子权重W1至所述笔试信息;
若所述笔试时长小于所述时长阈值,所述服务器配置子权重W2至所述笔试信息,其中,所述W1>W2。
具体地,由于笔试时长能反映保险代理人进行笔试时的认真程度,从而通过笔试时长能在一定程度上反映所述保险代理人对笔试的重视程度,例如若每道题目的笔试答题时间在1分钟以内的,答题时间太快,没有认真答题,保险代理人留存率较低;若每道题目的笔试答题时间在3分钟以上的,答题时间足够长,表明保险代理人在认真答题,保险代理人留存率会较高。因此,可以通过收集保险代理人进行笔试的笔试时长,所述服务器判断所述保险代理人进行笔试的笔试时长是否大于或者等于时长阈值,若所述笔试时长大于或者等于所述时长阈值,配置较高的子权重W1至所述笔试信息,若所述笔试时长小于所述时长阈值,配置较低的子权重W2至所述笔试信息,其中,所述W1>W2。其中,笔试时长的收集可以通过保险代理人在终端上答题页面的停留时间进行预估,比如,一个页面设置一道试题,通过统计保险代理人在该页面上的停留时间即可获知所述保险代理人答复该道试题使用的时间。
更进一步地,针对笔试信息,除了通过笔试时长评估所述保险代理人进行笔试时的认真程度外,还可以从有关笔试信息的更多维度来判断所述保险代理人的笔试水准。在另一个实施例中,所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重的步骤包括:
所述服务器判断所述保险代理人进行笔试的笔试时长是否大于或者等于时长阈值;
若所述笔试时长大于或者等于所述时长阈值,所述服务器配置子权重W1至所述笔试信息;
若所述笔试时长小于所述时长阈值,所述服务器配置子权重W2至所述笔试信息,其中,所述W1>W2;
所述服务器判断所述笔试信息中同类型题目的方差波动是否大于或者等于预设波动阈值;
若所述方差波动大于或者等于所述预设波动阈值,所述服务器配置子权重W3至所述笔试信息;
若所述方差波动小于所述预设波动阈值所述服务器,配置子权重W4至所述笔试信息,其中,所述W3<W4;
所述服务器判断所述保险代理人是否复查笔试题目;
若所述保险代理人复查所述笔试题目,所述服务器配置子权重W5至所述笔试信息;
若所述保险代理人未复查所述笔试题目,所述服务器配置子权重W6至所述笔试信息,其中,所述W5>W6;
所述服务器判断所述保险代理人参加笔试所使用的第一智能终端与推荐人使用的第二智能终端是否一致;
若所述第一智能终端与所述第二智能终端一致,所述服务器配置子权重W7至所述笔试信息;
若所述第一智能终端与所述第二智能终端不一致,所述服务器配置子权重W8至所述笔试信息,其中,所述W7<W8;
将上述各个维度的子权重进行相加或者相乘作为所述笔试信息在所述第一信息数据中的权重。
其中,所述笔试信息的维度包括笔试时长、同类型题目的方差波动、是否来回复查题目答案、保险代理人使用的计算机设备与推荐人的计算机设备是否一致等信息。
具体地,根据所述第一信息数据,若判断所述保险代理人满足预设条件,也即若对保险代理人初步筛选通过,进一步判断第一信息数据中预设信息的真实性或者可靠性。根据笔试时长、同类型题目的方差波动、是否来回复查题目答案、保险代理人与推荐人设备一致性等信息数据来对第一信息数据中对应信息的真实性或者可靠性进行判断,并根据预设信息中各个内容的真实性对第一信息数据中的信息数据给予权重。也即对可能存在不真实的笔试内容,进一步收集笔试时长、同类型题目的方差波动、是否来回复查题目答案、保险代理人与推荐人设备一致性、以及对所述笔试信息是否分享等信息,通过算法模型进行判断笔试真实性。比如对所述笔试信息的真实性做以下判断:
1)收集笔试时长,若每道题目的笔试答题时间在1分钟以内的,答题时间太快,没有认真答题,保险代理人留存率较低;
2)同类型题目的方差波动,同类型的题目答题时间方差,波动较大的,说明答题时间不稳定,可能是三心二意中答题,同样表明保险代理人没有认真答题,保险代理人留存率较低;
3)是否来回复查题目,笔试过程中,若有来回检查题目,说明对笔试比较重视,保险代理人留存率较高;
4)保险代理人使用的计算机设备与推荐人的计算机设备一致,若保险代理人笔试时的计算机设备与推荐人的计算机设备是否一致,例如智能手机可以通过手机的唯一识别码进行判断,若保险代理人使用的计算机设备与推荐人的计算机设备一致,说明可能是推荐人代考;
5)保险代理人对笔试结果是否有过截屏分享,若保险代理人对笔试结果有截屏分享,说明比较重视这次笔试,表明保险代理人留存率较高。
针对笔试时长、笔试信息中同类型题目的方差波动、是否复查笔试题目及所述保险代理人参加笔试所使用的第一智能终端与推荐人使用的第二智能终端是否一致各自的权重,由于越小的数据相乘得到的数据越小,越大的数据相乘得到的数据越大,可以将各个权重相乘作为笔试数据的权重,从而体现笔试信息在第一信息数据中的真实性或者可靠性。通过给予保险代理人的第一信息数据中不同类型数据以对应权重,从而通过预设模型对保险代理人做出更为准确的判断,从而提高保险代理人甄选的准确性和效率。
请继续参阅图4,如图4所示,在该实施例中,所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值的步骤包括:
S405、所述服务器通过第二预设算法配置第二权重至所述第二信息数据;
S406、所述服务器将所述第一信息数据、所述第一信息数据已配置的权重、所述第二信息数据及所述第二信息数据已配置的权重输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
具体地,可以根据第二信息数据中包含的每种类型数据的重要性,为第二信息数据中每种类型的信息数据通过第二预设算法设置对应的权重,以体现第二信息数据中每种类型数据在甄选保险代理人过程中的重要性。同时,第二信息数据中每种类型数据的权重可以根据训练样本进行自动调整。由于保险代理人和AI机器人之间进行面试第二信息数据直接传送总部数据库,可以第一手准确获取保险代理人的相关信息,解决了传统线下面谈时获取准确面谈结果困难等问题。利用AI机器人进行面谈获取的第一手信息可以较准确的丰富保险代理人的画像数据,利用算法模型提升预测准确性。其中,面谈试题和线下面谈过程中的问题大体相同,主要涉及职业规划等,不同的是,针对面试者的不同回答数据,给予该数据不同的权重,这个权重可以根据面试过程中对该问题的侧重程度给予不同的权重。比如,针对职业规划:
1)若保险代理人有职业规划,留存率较高,可以给予该保险代理人职业规划数据较高的权重;
2)若保险代理人没有职业规划,留存率较低,可以给予该保险代理人职业规划数据较低的权重。
再比如,针对薪酬待遇:
1)若保险代理人期望的薪酬待遇与一般的新保险代理人的薪酬待遇平均值相比较高,由于初期新保险代理人的业务水平的限制,保险代理人的待遇不可能特别突出,表明该保险代理人对保险代理人职业没有清晰的认识,保险代理人留存的可能性较低,可以给予该保险代理人薪酬待遇数据较低的权重;
2)若保险代理人期望的薪酬待遇与一般的新保险代理人的薪酬待遇平均值相比较低,保险代理人的收入期望不强烈,表明该保险代理人对保险代理人职业没有清晰的认识,保险代理人留存的可能性较低,可以给予保险该代理人薪酬待遇数据较低的权重;
3)若保险代理人期望的薪酬待遇与一般的新保险代理人的薪酬待遇平均值相比较处于上下浮动合理的范围内,表明该保险代理人对保险代理人职业有比较清楚的认识,可以给予该保险代理人薪酬待遇数据较高的权重。
通过给予保险代理人的第二信息数据中不同类型数据以对应权重,从而通过预设模型对保险代理人做出更为准确的判断,从而提高保险代理人甄选的准确性和效率。
请参阅图5,图5为本申请实施例提供的基于人工智能的保险代理人甄选方法的另一个子流程的示意性流程图。如图5所示,在该实施例中,所述获取通过基于人工智能的机器人对所述保险代理人进行面谈的第二信息数据的步骤包括:
S501、所述服务器获取所述保险代理人发出的第一语音数据,其中,所述第一语音数据包括所述保险代理人针对所述机器人提问的问题的答案及所述保险代理人提问的问题,所述第一语音数据中携带有标识信息。
具体地,AI机器人和保险代理人进行面谈的过程类似于人工面试的过程,AI机器人按照预设算法和所述保险代理人进行面谈沟通。AI机器人通过语音向保险代理人发出进行面谈的语音问题和回答保险代理人的提问,并获取保险代理人回答所述语音问题的语音答案和接收保险代理人提问的语音,从而实现交互式沟通,也即AI机器人发出语音和接收语音,发出的语音包括发出的语音问题和回答保险代理人提问的答案,接收的语音包括保险代理人对问题的回答和保险代理人提问的问题。AI机器人向保险代理人发出语音试题后,接收保险代理人的反馈语音,若以保险代理人发出的语音为第一语音数据,AI机器人对接收到的第一语音数据均设置标识信息,以通过标识信息对第一语音数据进行识别,从而使接收到的保险代理人发出的所述第一语音数据中携带有标识信息。
包含以下两种情形:
1)AI机器人向保险代理人发送提问的问题。
具体地,AI机器人向保险代理人提问一个问题A,AI机器人在该提问的问题A对应的数据中设置一个标识信息I1,接收到保险代理人对问题A的回答语音B后,在B中同样设置一个标识信息I1,从而通过I1使A和B进行匹配以形成一个完整的问答组合,采取同样设置标识信息的方式,对AI机器人和保险代理人之间的交互进行数据的记录和存储。
2)AI机器人回答保险代理人提问的问题。
具体地,AI机器人接收保险代理人提问一个问题C,该提问的问题C中设置一个标识信息I2,向保险代理人对问题C进行回答发送回答语音D后,在D中同样设置一个标识信息I2,从而通过I2使C和D进行匹配。
进一步地,通过预设方式判断保险代理人的语音状态,也即所述保险代理人发送语音是否结束。一种方式,可以通过未接收到语音的时长来判断保险代理人的语音状态。也即根据未接收到语音的时长来判断保险代理人是否回答完毕或者提问完毕。比如,接收保险代理人连续语音段后,若15秒钟或者20秒钟以上的时间还未接收到语音,可以判断保险代理人回答完毕,以进行下一问题。若对所有面试问题回答完毕,并接收到保险代理人没有问题可提问的语义,可以对代理人进行提示面试结束。另外一种方式,也可以通过提醒保险代理人在发送语音结束后,通过结束语的形式来提醒AI机器人语音发送结束,所述结束语例如“回答完毕”或者“回答结束”等,AI机器人接收到语音并识别出上述结束语,即可判断所述保险代理人的语音语段的起始和结束。
同时,根据面试过程中保险代理人经常提问的问题,预先设置对应的问题的答案,比如,针对保险代理人提问的薪酬问题和代理人提问的作息问题等,可以预先设置对应的答案。当接收到代理人的提问后,AI机器人可以根据预先设置回答对应的问题。
更进一步地,为了避免AI机器人发出的问题保险代理人没有接收清楚,可以对每一问题,AI机器人重复一遍,以提高面试的效率,避免由于保险代理人对一遍问题没有听清楚而导致面试结果数据不准确。
S502、所述服务器对所述第一语音数据进行语音识别以得到语音识别后的第一语音数据。
其中,对获取的代理人的语音进行语音识别采用语音识别系统,语音识别系统的模型通常由声学模型和语言模型两部分组成,分别对应于语音到音节概率的计算和音节到字概率的计算。
具体地,由于AI机器人发出的语音一般是由系统设置的,有现成的语音语义数据,该识别主要针对接收的保险代理人发出的语音进行语音识别,然后将接收的保险代理人的语音数据和AI机器人发出的语音数据进行匹配,就可得到完整的AI机器人和保险代理人的面谈数据。其中,语音识别方法主要是模式匹配法。在训练阶段,用户将词汇表中的每一词依次说一遍,并且将其特征矢量作为模板存入模板库。在识别阶段,将输入语音的特征矢量依次与模板库中的每个模板进行相似度比较,将相似度最高者作为识别结果输出。在语音识别系统训练阶段,需要将语音识别系统训练的语音样本输入模型,通过模型识别出的文字与语音样本对应的标准文字序列进行比对以判断语音识别系统的识别准确率,并调整语音识别系统的训练样本和模型中的参数以提高语音识别系统模型的准确性。
S503、所述服务器获取所述机器人发出的第二语音数据,所述第二语音数据中携带有所述标识信息。
具体地,由于AI机器人发出的语音一般是由系统设置的,有现成的语音语义数据,对获取的代理人的语音进行语音识别后,同时从数据库中获取AI机器人发出的语音就可以得到完整的面谈数据。也即针对接收的保险代理人发出的语音进行语音识别后,获取所述机器人发出的第二语音数据,所述第二语音数据中也携带有所述标识信息,然后将接收的保险代理人的语音数据和AI机器人发出的语音数据根据标识信息进行匹配,就可得到完整的AI机器人和保险代理人进行面谈数据。
S504、所述服务器根据所述标识信息,将语音识别后的所述第一语音数据和所述第二语音数据进行匹配以得到第二信息数据。
具体地,针对接收的保险代理人发出的语音进行语音识别以得到语音识别后的第一语音数据后,获取所述机器人发出的第二语音数据,所述第二语音数据中也携带有所述标识信息,然后将接收的保险代理人的第一语音数据和AI机器人发出的第二语音数据根据标识信息进行匹配,就可得到完整的AI机器人和保险代理人进行的包含一问一答等沟通形式的面谈数据。比如,AI机器人提出了一个问题A,代理人对A进行了回答的数据B,需要将A和B匹配,就是问题和答案的匹配。同样,代理人提问了一个问题C,AI机器人发出了对应的答案D,将C和D进行匹配,就得到了代理人和AI机器人一问一答的面谈数据,通过相似的方式,即可获得所述保险代理人和AI机器人进行面谈的面谈数据。
请参阅图6,图6为本申请实施例提供的基于人工智能的保险代理人甄选方法的一个系统架构流程示意图。如图6所示,在该实施例中,所述预设模型为基于GBDT模型、XGBoost模型及深度学习模型的组合模型。
具体地,基于上述第一信息数据和第二信息数据,可以建立多种模型,包括逻辑回归、随机森林、GBDT及深度学习模型等模型,尝试多种模型效果,分别对比逻辑归类、随机森林、GBDT及深度学习模型等模型效果,根据多种模型的效果比较,其中包括组合模型GBDT+LR,XGBOOST+随机森林等模型,最终确定GBDT+Xgboost+深度学习模型形成的组合模型是效果最好的组合模型,能够选出合适的代理人。流程如图6所示,将第一信息数据和第二信息数据输入至该GBDT+Xgboost+深度学习模型形成的组合模型中,也即将第一信息数据和第二信息数据先输入GBDT模型,将从GBDT模型得到的输出结果输入至Xgboost模型,将从Xgboost模型得到的输出结果输入至深度学习模型最后得到对甄选的保险代理人的分值。需要说明的是,所述第一信息数据和所述第二信息数据输入至该GBDT+Xgboost+深度学习模型形成的组合模型种包含的各个模型的先后顺序即使不同也不影响最后的结果,也即该组合模型可以是GBDT+Xgboost+深度学习模型的顺序,也可以是GBDT+深度学习模型+Xgboost的顺序,还可以是Xgboost+深度学习模型+GBDT等,该三个模型的顺序可以任意组合。
需要说明的是,上述各个实施例所述的基于人工智能的保险代理人甄选方法,可以根据需要将不同实施例中包含的技术特征重新进行组合,以获取组合后的实施方案,但都在本申请要求的保护范围之内。
请参阅图7,图7为本申请实施例提供的基于人工智能的保险代理人甄选装置的示意性框图。对应于上述基于人工智能的保险代理人甄选方法,本申请实施例还提供一种基于人工智能的保险代理人甄选装置。如图7所示,该基于人工智能的保险代理人甄选装置包括用于执行上述基于人工智能的保险代理人甄选方法的单元,该装置可以被配置于服务器等计算机设备中。具体地,请参阅图7,该基于人工智能的保险代理人甄选装置700包括第一获取单元701、第一判断单元702、第二获取单元703、打分单元704、第二判断单元705、第一判定单元706及第二判定单元707。
其中,第一获取单元701,用于服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;
第一判断单元702,用于所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;
第二获取单元703,用于若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;
打分单元704,用于所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值;
第二判断单元705,用于所述服务器判断所述分值是否超过预设阈值;
第一判定单元706,用于若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;
第二判定单元707,用于若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
在一个实施例中,所述第一判断单元702包括:
第一判断子单元,用于所述服务器判断所述保险代理人的身份证号码是否正确;
第二判断子单元,用于所述服务器判断所述保险代理人的年龄是否满足预设年龄范围;
第三判断子单元,用于所述服务器判断所述保险代理人的学历水平是否不低于预设学历水平;
判定子单元,用于若所述保险代理人的身份证号码正确、所述保险代理人的年龄满足所述预设年龄范围及所述保险代理人的学历水平不低于所述预设学历水平,所述服务器判定所述保险代理人满足所述预设条件。
在一个实施例中,所述打分单元704包括:
第一配置子单元,用于所述服务器通过第一预设算法为所述第一信息数据中包含的多类数据配置不同权重;
第一输入子单元,用于所述服务器将所述第一信息数据、所述第一信息数据已配置的权重及所述第二信息数据输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
在一个实施例中,所述第一配置子单元,用于所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重;
所述第一配置子单元包括:
第四判断子单元,用于所述服务器判断所述保险代理人进行笔试的笔试时长是否大于或者等于时长阈值;
第二配置子单元,用于若所述笔试时长大于或者等于所述时长阈值,所述服务器配置子权重W1至所述笔试信息;
第三配置子单元,用于若所述笔试时长小于所述时长阈值,所述服务器配置子权重W2至所述笔试信息,其中,所述W1>W2。
在一个实施例中,所述打分单元704包括:
第二配置子单元,用于所述服务器通过第二预设算法为所述第二信息数据中包含的多类数据配置不同权重;
所述第二输入子单元,用于所述服务器将所述第一信息数据、所述第二信息数据及所述第二信息数据已配置的权重输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
在一个实施例中,所述第二获取单元703包括:
第一获取子单元,用于所述服务器获取所述保险代理人发出的第一语音数据,其中,所述第一语音数据包括所述保险代理人针对所述机器人提问的问题的答案及所述保险代理人提问的问题,所述第一语音数据中携带有标识信息;
识别子单元,用于所述服务器对所述第一语音数据进行语音识别以得到语音识别后的第一语音数据;
第二获取子单元,用于所述服务器获取所述机器人发出的第二语音数据,所述第二语音数据中携带有所述标识信息;
匹配子单元,用于所述服务器根据所述标识信息,将语音识别后的所述第一语音数据和所述第二语音数据进行匹配以得到第二信息数据。
在一个实施例中,所述预设模型为基于GBDT模型、XGBoost模型及深度学习模型的组合模型。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于人工智能的保险代理人甄选装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
同时,上述基于人工智能的保险代理人甄选装置中各个单元的划分和连接方式仅用于举例说明,在其它实施例中,可将基于人工智能的保险代理人甄选装置按照需要划分为不同的单元,也可将基于人工智能的保险代理人甄选装置中各单元采取不同的连接顺序和方式,以完成上述基于人工智能的保险代理人甄选装置的全部或部分功能。
上述基于人工智能的保险代理人甄选装置可以实现为一种计算机程序的形式,该计算机程序可以在如图8所示的计算机设备上运行。
请参阅图8,图8是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备800可以是台式机电脑或者服务器等计算机设备,也可以是其它设备中的组件或者部件。
参阅图8,该计算机设备800包括通过系统总线801连接的处理器802、存储器和网络接口805,其中,存储器可以包括非易失性存储介质803和内存储器804。该非易失性存储介质803可存储操作系统8031和计算机程序8032。该计算机程序8032被执行时,可使得处理器802执行一种上述基于人工智能的保险代理人甄选方法。
该处理器802用于提供计算和控制能力,以支撑整个计算机设备800的运行。
该内存储器804为非易失性存储介质803中的计算机程序8032的运行提供环境,该计算机程序8032被处理器802执行时,可使得处理器802执行一种上述基于人工智能的保险代理人甄选方法。
该网络接口805用于与其它设备进行网络通信。本领域技术人员可以理解,图8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800的限定,具体的计算机设备800可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图8所示实施例一致,在此不再赘述。
以该计算机设备为服务器为例,所述处理器802用于运行存储在存储器中的计算机程序8032,以实现如下步骤:服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值;所述服务器判断所述分值是否超过预设阈值;若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
在一实施例中,所述处理器802在实现所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件的步骤时,具体实现以下步骤:
所述服务器判断所述保险代理人的身份证号码是否正确;
所述服务器判断所述保险代理人的年龄是否满足预设年龄范围;
所述服务器判断所述保险代理人的学历水平是否不低于预设学历水平;
若所述保险代理人的身份证号码正确、所述保险代理人的年龄满足所述预设年龄范围及所述保险代理人的学历水平不低于所述预设学历水平,所述服务器判定所述保险代理人满足所述预设条件。
在一实施例中,所述处理器802在实现所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值的步骤时,具体实现以下步骤;
所述服务器通过第一预设算法为所述第一信息数据中包含的多类数据配置不同权重;
所述服务器将所述第一信息数据、所述第一信息数据已配置的权重及所述第二信息数据输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
在一实施例中,所述处理器802在实现所述服务器通过第一预设算法配置第一权重至所述第一信息数据的步骤时,具体实现以下步骤:
所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重;
所述处理器802在实现所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重的步骤时,具体实现以下步骤;
所述服务器判断所述保险代理人进行笔试的笔试时长是否大于或者等于时长阈值;
若所述笔试时长大于或者等于所述时长阈值,所述服务器配置子权重W1至所述笔试信息;
若所述笔试时长小于所述时长阈值,所述服务器配置子权重W2至所述笔试信息,其中,所述W1>W2。
在一实施例中,所述处理器802在实现所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值的步骤时,具体实现以下步骤:
所述服务器通过第二预设算法为所述第二信息数据中包含的多类数据配置不同权重;
所述服务器将所述第一信息数据、所述第二信息数据及所述第二信息数据已配置的权重输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
在一实施例中,所述处理器802在实现所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据的步骤时,具体实现以下步骤:
所述服务器获取所述保险代理人发出的第一语音数据,其中,所述第一语音数据包括所述保险代理人针对所述机器人提问的问题的答案及所述保险代理人提问的问题,所述第一语音数据中携带有标识信息;
所述服务器对所述第一语音数据进行语音识别以得到语音识别后的第一语音数据;
所述服务器获取所述机器人发出的第二语音数据,所述第二语音数据中携带有所述标识信息;
所述服务器根据所述标识信息,将语音识别后的所述第一语音数据和所述第二语音数据进行匹配以得到第二信息数据。
在一实施例中,所述处理器802在实现将所述第一信息数据和所述第二信息数据输入基于机器学习的预设模型对所述保险代理人进行打分以得到所述保险代理人的分值的步骤时,所述预设模型为基于GBDT模型、XGBoost模型及深度学习模型的组合模型。
应当理解,在本申请实施例中,处理器802可以是中央处理单元(CentralProcessing Unit,CPU),该处理器802还可以是其它通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来完成,该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时使处理器执行如下步骤:
一种计算机程序产品,当其在计算机上运行时,使得计算机执行以上各实施例中所描述的基于人工智能的保险代理人甄选方法的步骤。
所述计算机可读存储介质可以是前述设备的内部存储单元,例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC)等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的保险代理人甄选方法,其特征在于,所述方法包括:
服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;
所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;
若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;
所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值;
所述服务器判断所述分值是否超过预设阈值;
若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;
若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
2.根据权利要求1所述基于人工智能的保险代理人甄选方法,其特征在于,所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件的步骤包括:
所述服务器判断所述保险代理人的身份证号码是否正确;
所述服务器判断所述保险代理人的年龄是否满足预设年龄范围;
所述服务器判断所述保险代理人的学历水平是否不低于预设学历水平;
若所述保险代理人的身份证号码正确、所述保险代理人的年龄满足所述预设年龄范围及所述保险代理人的学历水平不低于所述预设学历水平,所述服务器判定所述保险代理人满足所述预设条件。
3.根据权利要求1所述基于人工智能的保险代理人甄选方法,其特征在于,所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值的步骤包括;
所述服务器通过第一预设算法为所述第一信息数据中包含的多类数据配置不同权重;
所述服务器将所述第一信息数据、所述第一信息数据已配置的权重及所述第二信息数据输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
4.根据权利要求3所述基于人工智能的保险代理人甄选方法,其特征在于,所述服务器通过第一预设算法为所述第一信息数据中包含的多类数据配置不同权重的步骤包括:
所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重;
所述服务器通过第一预设算法为所述第一信息数据中包含的笔试信息配置权重的步骤包括:
所述服务器判断所述保险代理人进行笔试的笔试时长是否大于或者等于时长阈值;
若所述笔试时长大于或者等于所述时长阈值,所述服务器配置子权重W1至所述笔试信息;
若所述笔试时长小于所述时长阈值,所述服务器配置子权重W2至所述笔试信息,其中,所述W1>W2。
5.根据权利要求1所述基于人工智能的保险代理人甄选方法,其特征在于,所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值的步骤包括:
所述服务器通过第二预设算法为所述第二信息数据中包含的多类数据配置不同权重;
所述服务器将所述第一信息数据、所述第二信息数据及所述第二信息数据已配置的权重输入基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值。
6.根据权利要求1所述基于人工智能的保险代理人甄选方法,其特征在于,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据的步骤包括:
所述服务器获取所述保险代理人发出的第一语音数据,其中,所述第一语音数据包括所述保险代理人针对所述机器人提问的问题的答案及所述保险代理人提问的问题,所述第一语音数据中携带有标识信息;
所述服务器对所述第一语音数据进行语音识别以得到语音识别后的第一语音数据;
所述服务器获取所述机器人发出的第二语音数据,所述第二语音数据中携带有所述标识信息;
所述服务器根据所述标识信息,将语音识别后的所述第一语音数据和所述第二语音数据进行匹配以得到第二信息数据。
7.根据权利要求1所述基于人工智能的保险代理人甄选方法,其特征在于,所述预设模型为基于GBDT模型、XGBoost模型及深度学习模型的组合模型。
8.一种基于人工智能的保险代理人甄选装置,其特征在于,所述装置包括:
第一获取单元,用于服务器获取终端发送的保险代理人的基础信息作为第一信息数据,所述基础信息包括所述保险代理人的身份证号码及学历信息;
第一判断单元,用于所述服务器根据所述第一信息数据,判断所述保险代理人是否满足预设条件;
第二获取单元,用于若所述保险代理人满足所述预设条件,所述服务器获取通过基于人工智能的机器人对所述保险代理人进行面谈的面谈数据作为第二信息数据;
打分单元,用于所述服务器根据所述第一信息数据和所述第二信息数据,并借助基于机器学习的预设模型来对所述保险代理人进行打分,从而得到所述保险代理人的分值;
第二判断单元,用于所述服务器判断所述分值是否超过预设阈值;
第一判定单元,用于若所述分值超过所述预设阈值,所述服务器判定所述保险代理人甄选通过;
第二判定单元,用于若所述分值未超过所述预设阈值,所述服务器判定所述保险代理人甄选未通过。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器以及与所述存储器相连的处理器;所述存储器用于存储计算机程序;所述处理器用于运行所述存储器中存储的计算机程序,以执行如权利要求1-7任一项所述基于人工智能的保险代理人甄选方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使所述处理器执行如权利要求1-7中任一项所述基于人工智能的保险代理人甄选方法的步骤。
CN201910851183.0A 2019-09-10 2019-09-10 基于人工智能的保险代理人甄选方法、装置及设备 Pending CN110782119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910851183.0A CN110782119A (zh) 2019-09-10 2019-09-10 基于人工智能的保险代理人甄选方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910851183.0A CN110782119A (zh) 2019-09-10 2019-09-10 基于人工智能的保险代理人甄选方法、装置及设备

Publications (1)

Publication Number Publication Date
CN110782119A true CN110782119A (zh) 2020-02-11

Family

ID=69384181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910851183.0A Pending CN110782119A (zh) 2019-09-10 2019-09-10 基于人工智能的保险代理人甄选方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110782119A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414569A (zh) * 2020-02-18 2020-07-14 北京网聘咨询有限公司 面向网络招聘搜索技术的高效访问控制方法
CN113784215A (zh) * 2021-09-08 2021-12-10 天津智融创新科技发展有限公司 基于智能电视的性格特征的检测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180018632A1 (en) * 2016-07-14 2018-01-18 Universal Entertainment Corporation Interview system
CN109492854A (zh) * 2018-09-17 2019-03-19 平安科技(深圳)有限公司 智能机器人面试的方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180018632A1 (en) * 2016-07-14 2018-01-18 Universal Entertainment Corporation Interview system
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
CN109492854A (zh) * 2018-09-17 2019-03-19 平安科技(深圳)有限公司 智能机器人面试的方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414569A (zh) * 2020-02-18 2020-07-14 北京网聘咨询有限公司 面向网络招聘搜索技术的高效访问控制方法
CN111414569B (zh) * 2020-02-18 2023-05-12 北京网聘咨询有限公司 面向网络招聘搜索技术的高效访问控制方法
CN113784215A (zh) * 2021-09-08 2021-12-10 天津智融创新科技发展有限公司 基于智能电视的性格特征的检测方法和装置
CN113784215B (zh) * 2021-09-08 2023-07-25 天津智融创新科技发展有限公司 基于智能电视的性格特征的检测方法和装置

Similar Documents

Publication Publication Date Title
Ross et al. The intersection of being black and being a woman: Examining the effect of social computing relationships on computer science career choice
Timmermans et al. Track recommendation bias: Gender, migration background and SES bias over a 20‐year period in the Dutch context
Condon et al. Entering politics: general self‐efficacy and voting behavior among young people
Fergadiotis et al. Modelling confrontation naming and discourse performance in aphasia
JP2017522676A (ja) 才能のデータ駆動型識別システム及び方法
WO2020151170A1 (zh) 一种岗位画像设置方法、岗位画像设置装置及终端设备
CN112418779A (zh) 一种基于自然语言理解的在线自助面试方法
CN111134694A (zh) 基于人机交互的心理咨询分析方法及装置
WO2020042584A1 (zh) 非绩优人员培训方法、系统、计算机装置及存储介质
US20210209698A1 (en) Automated Workplace Emotions Research Tool
CN111401828A (zh) 一种强化排序的动态智能面试方法、装置、设备及计算机存储介质
CN110866209A (zh) 在线教育数据推送方法、系统和计算机设备
CN110782119A (zh) 基于人工智能的保险代理人甄选方法、装置及设备
CN111222837A (zh) 智能化面试的方法、系统、设备及计算机存储介质
CN114942944A (zh) 培训内容生成与数据处理方法、装置、设备及存储介质
US20140214710A1 (en) Job Search Diagnostic, Strategy and Execution System and Method
JP2020160551A (ja) 人事項目の分析支援装置、分析支援方法、プログラム、および記録媒体
CN117743522A (zh) 一种医疗答复生成方法、装置、设备以及存储介质
Sula An Eclectic Methodological Approach in Analyzing Foreign Policy: Turkey’s Foreign Policy Roles and Events Dataset (TFPRED)
KR102449806B1 (ko) 인공지능 기반 구성원 평가 피드백 서비스 제공 방법, 장치 및 시스템
KR102306953B1 (ko) 음성인식 기반 진료 지원 방법
CN111652767B (zh) 用户画像构建方法、装置、计算机设备和存储介质
DR OBIALOR et al. Effect of Entrepreneurship on Attitude and Self-Employment Intention of Youths in Imo State
CN112395115A (zh) 实时成绩处理方法、装置、电子设备及计算机可读介质
Kisker Key Resources for student affairs professionals in learning‐centered community colleges

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200211

RJ01 Rejection of invention patent application after publication