CN110889583A - Ai面试方法、装置、计算机设备及计算机可读存储介质 - Google Patents
Ai面试方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110889583A CN110889583A CN201910963676.3A CN201910963676A CN110889583A CN 110889583 A CN110889583 A CN 110889583A CN 201910963676 A CN201910963676 A CN 201910963676A CN 110889583 A CN110889583 A CN 110889583A
- Authority
- CN
- China
- Prior art keywords
- interview
- user
- information
- portrait
- question
- 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.)
- Granted
Links
Images
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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- 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
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种AI面试方法、装置、计算机设备及计算机可读存储介质,涉及数据分析领域,方法包括:接收用户输入的面试职位;从面试问答库中获取面试职位的题目子数据库;按照第一预设规则从题目子数据库中依次筛选面试题目输出到用户的接收终端,并接收反馈信息作为面试数据;将面试数据输入画像模型,生成用户的用户画像;将用户画像输入评分模型,得到用户的用户评分。本申请在面试过程中实时根据面试者的意图筛选面试题目,完成对面试者与面试职位适配性的测试,并根据面试职位的能力需求构建面试者的用户画像,将用户画像通过评分模型得到面试者在当前次面试中的用户评分,实现对面试者能力和意愿的全面评估,具有高效性和客观性。
Description
技术领域
本申请涉及数据分析技术领域,特别涉及一种AI面试方法、装置、计算机设备及计算机可读存储介质。
背景技术
目前各行业中招聘岗位一般是通过人工进行面试,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,需要耗费大量人力资源。并且,人工面试会受到面试官个人的主观意识影响,无法实现对新人筛选标准的统一性。
发明内容
本申请的主要目的为提供一种AI面试方法、装置、计算机设备及计算机可读存储介质,旨在解决现有面试方法效率低、成本高以及无法实现筛选标准统一的弊端。
为实现上述目的,本申请提供了一种AI面试方法,包括:
接收用户输入的面试职位;
从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
进一步的,所述按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作的步骤,包括:
S301:从所述题目子数据库中选择优先度最高的第一面试题目输出到所述接收终端;
S302:接收所述用户输入的回答信息,其中,所述回答信息为所述用户响应所述第一面试题目的反馈信息;
S303:调用预先构建的意图识别模型对所述回答信息进行解析,得到所述用户的用户意图;
S304:根据预先制定的题目跳转规则,从所述题目数据库中筛选与所述用户意图对应的第二面试题目输出到所述接收终端;
S305:循环执行步骤S302、S303和S304,并在每次接收回答信息后判断所述用户当前完成的面试题目是否达到预设数量,其中,当前次循环筛选得到的第二面试题目作为下一次循环的第一面试题目;
S306:若达到预设数量,则判定循环结束,并根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据。
进一步的,所述根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据的步骤,包括:
分别判断各所述回答信息中是否包含语义不完整的待补全回答信息;
若包含语义不完整的待补全回答信息,则根据所述待补全回答信息对应的面试题目对所述待补全回答信息进行补全;
按照所述用户的回答顺序依次补全各所述回答信息,得到所述面试数据。
进一步的,所述将所述面试数据输入预先构建的画像模型中,得到所述用户的用户画像的步骤,包括:
获取预先设定的多个画像标签;
根据各所述画像标签对所述面试数据进行文本挖掘和语义识别,筛选得到与各所述画像标签一一对应的画像信息;
分别将各所述画像信息与对应的所述画像标签相互关联,得到所述用户画像。
进一步的,所述将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分的步骤,包括:
分别获取各所述画像标签一一对应的预设标准信息;
分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度;
分别调取各所述画像标签对应的预设标准分数,并根据各所述预设标准分数和对应的偏离程度,计算得到各所述画像标签对应的第一用户评分;
计算各所述第一用户评分之和,得到所述用户评分。
进一步的,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,包括:
分别将各所述画像信息和各自对应的所述预设标准信息输入预先构建的偏离评估模型中,得到各所述画像标签分别对应的所述偏离程度。
进一步的,所述预设标准信息包括按照预设规则进行分级设置的多个信息区间,所述信息区间携带区间等级与预设偏离程度映射关系表,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,还包括:
分别获取各所述画像信息在对应的所述预设标准信息中落入的第一信息区间;
分别获取各所述第一信息区间对应的区间等级;
根据所述区间等级与预设偏离程度映射关系表,匹配得到各所述第一信息区间对应的预设偏离程度;
将各所述预设偏离程度作为各所述画像标签分别对应的所述偏离程度。
本申请还提供了一种AI面试装置,包括:
接收模块,用于接收用户输入的面试职位;
获取模块,用于从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
筛选模块,用于按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
生成模块,用于将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
评分模块,用于将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
进一步的,所述筛选模块,包括:
选择单元,用于从所述题目子数据库中选择优先度最高的第一面试题目输出到所述接收终端;
接收单元,用于接收所述用户输入的回答信息,其中,所述回答信息为所述用户响应所述第一面试题目的反馈信息;
第一解析单元,用于调用预先构建的意图识别模型对所述回答信息进行解析,得到所述用户的用户意图;
第一筛选单元,用于根据预先制定的题目跳转规则,从所述题目数据库中筛选与所述用户意图对应的第二面试题目输出到所述接收终端;
判断单元,用于循环执行接收单元、解析单元和筛选单元对应的动作,并在每次接收回答信息后判断所述用户当前完成的面试题目是否达到预设数量,其中,当前次循环筛选得到的第二面试题目作为下一次循环的第一面试题目;
处理单元,用于判定循环结束,并根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据。
进一步的,所述处理单元,包括:
判断子单元,用于分别判断各所述回答信息中是否包含语义不完整的待补全回答信息;
补全子单元,用于根据所述待补全回答信息对应的面试题目对所述待补全回答信息进行补全;
循序子单元,用于按照所述用户的回答顺序依次补全各所述回答信息,得到所述面试数据。
进一步的,所述生成模块,包括:
第一获取单元,用于获取预先设定的多个画像标签;
第二筛选单元,用于根据各所述画像标签对所述面试数据进行文本挖掘和语义识别,筛选得到与各所述画像标签一一对应的画像信息;
关联单元,用于分别将各所述画像信息与对应的所述画像标签相互关联,得到所述用户画像。
进一步的,所述评分模块,包括:
第二获取单元,用于分别获取各所述画像标签一一对应的预设标准信息;
第二解析单元,用于分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度;
第一计算单元,用于分别调取各所述画像标签对应的预设标准分数,并根据各所述预设标准分数和对应的偏离程度,计算得到各所述画像标签对应的第一用户评分;
第二计算单元,用于计算各所述第一用户评分之和,得到所述用户评分。
进一步的,所述第二解析单元,包括:
评估子单元,用于分别将各所述画像信息和各自对应的所述预设标准信息输入预先构建的偏离评估模型中,得到各所述画像标签分别对应的所述偏离程度。
进一步的,所述预设标准信息包括按照预设规则进行分级设置的多个信息区间,所述信息区间携带区间等级与预设偏离程度映射关系表,所述第二解析单元,还包括:
第一获取子单元,用于分别获取各所述画像信息在对应的所述预设标准信息中落入的第一信息区间;
第二获取子单元,用于分别获取各所述第一信息区间对应的区间等级;
匹配子单元。用于根据所述区间等级与预设偏离程度映射关系表,匹配得到各所述第一信息区间对应的预设偏离程度;
选择子单元,用于将各所述预设偏离程度作为各所述画像标签分别对应的所述偏离程度。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供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任一项所述的方法的步骤。
本申请中提供的一种AI面试方法、装置、计算机设备及计算机可读存储介质,在面试过程中系统实时根据面试者的意图筛选面试题目,完成对面试者与面试职位适配性的全面测试,并根据面试职位的能力需求构建面试者的用户画像,将用户画像通过评分模型得到面试者在当前次面试中的用户评分,实现对面试者能力和意愿的全面评估,具有高效性和客观性。
附图说明
图1是本申请一实施例中AI面试方法步骤示意图;
图2是本申请一实施例中AI面试装置整体结构框图;
图3是本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请一实施例中提供了一种AI面试方法,包括:
S1:接收用户输入的面试职位;
S2:从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
S3:按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
S4:将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
S5:将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
本实施例中,面试系统内部构建有面试问答库,由于不同的职位所涉及的专业技能和所需知识不同,因此面试问答库中包括多个不同职位对应的题目子数据库。其中,面试问答库中构建有面试职位与题目子数据库映射关系表,各题目子数据库中包含有多个与面试职位相关的面试题目,有开发人员预先进行筛选后输入形成。用户在使用面试系统进行面试,需要先输入当前次的面试职位。面试系统在接收到面试职位后,会根据面试职位与题目子数据库映射关系表,从面试问答库中筛选当前次的面试职位对应的题目子数据库。面试系统从题目子数据库中选择优先度最高的第一面试题目输出到用户的接收终端,并接收用户输入的第一回答信息。其中,第一回答信息为用户响应第一面试题目的反馈信息,即用户针对第一面试题目的答案。面试系统调用预先构建的意图识别模型对第一回答信息进行解析,得到用户的用户意图。其中,意图识别模型由开发人员预先采用大量面试者的回答信息通过深度学习训练得到,可以根据第一回答信息匹配得到出现概率最大的用户意图。比如,第一面试题目为:“一周可以接受的出差时间为多少天”,第一回答信息为“1—2天”;而意图识别模型中,:“1—2天”对应的50%概率的用户意图1为“倾向于固定办公地点工作”,30%概率的用户意图2为“对办公地点无要求”,20%概率的用户意图3为“倾向于外出办公”,则意图识别模型选择概率最大的“倾向于固定办公地点工作”作为第一回答信息对应的用户意图。面试系统根据预先制定的题目跳转规则,从题目数据库中筛选与用户意图对应的第二面试题目输出到接收终端。比如,用户意图1“倾向于固定办公地点工作”需要跳转到面试题目2;用户意图2“对办公地点无要求”需要跳转到面试题目7;用户意图3“倾向于外出办公”需要跳转到面试题目12。因为当前次的用户意图为“倾向于固定办公地点工作”,则按照跳转规则选择题目2作为第二面试题目输出到用户的接收终端。面试系统循环执行接受用户的回答信息、识别用户意图以及筛选用户意图对应的面试题目这三个动作,直至用户完成预设数量的面试题目。然后,面试系统通过语义识别技术分别对应用户的各个回答信息进行解析,判断用户的回答信息是否语义完整。若不完整,则通过文本挖掘技术对语义不完整的回答信息对应的面试题目进行解析,从面试题目的内容中提取对应的信息对该回答信息进行补全,使回答信息语义完整。比如,面试题目为“期望月薪为多少”,用户的回答信息为“5k”,若回答信息只是单纯的“5k”这几个字,面试系统无法准确判断其具体含义。因此,需要通过文本挖掘技术从面试题目“期望月薪为多少”中提取“期望月薪”,并将其补全到回答信息中,使回答信息为“期望月薪5k”,具有完整的语义,便于系统的语义识别。最后,面试系统按照用户的回答顺序整理所有语义完整的回答信息,得到面试数据。面试系统将用户的面试数据输入预先构建的画像模型中,获取预先设定的多个画像标签。其中,画像标签为开发人员预先设定的与用户的面试职位相关的标签名称,比如:“工作经验”、“所学专业”、“参与的项目”等等。然后,面试系统根据各画像标签对面试数据进行文本挖掘和语义识别,筛选得到与各画像标签一一对应的画像信息。比如根据关键字识别,从面试数据中筛选得到“工作经验为5年”这一与画像标签“工作经验”对应的画像信息。最后,面试系统分别将各画像信息与对应的画像标签相互关联,得到用户的用户画像。面试系统将用户画像输入预先构建的评分模型中,评分模型中设置有各画像标签分别对应过的预设标准信息。面试系统根据画像标签与预设标准信息之间的映射关系表,分别获取各画像标签一一对应的预设标准信息。然后,基于画像标签,分别解析各画像信息与对应的预设标准信息之间的偏离程度。其中,评分模型对偏离程度的解析可以为基于规则的解析或基于深度学习方法训练的模型解析,比如开发人员预先通过采集大量画像信息与对应的预设标准信息之间的偏离程度对模型进行深度学习训练,从而得到各个画像信息与对应的预设标准信息之间的偏离程度的概率。面试系统分别调取各画像标签对应的预设标准分数,并根据各预设标准分数和对应的偏离程度,计算得到各画像标签对应的第一用户评分。其中,由于不同职位所注重的职业技能、工作经历、年龄等画像标签不相同,因此各个画像标签设置有对应的预设标准分数。比如,业务岗位中,“年龄”的预设标准分数为20,“工作经历”的预设标准分数为“10”。面试系统计算各第一用户评分之和,得到用户在当前次面试的用户评分。然后,将用户评分与用户的个人信息关联后发送到面试官的接收终端,完成当前次对用户的面试。
进一步的,所述按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作的步骤,包括:
S301:从所述题目子数据库中选择优先度最高的第一面试题目输出到所述接收终端;
S302:接收所述用户输入的回答信息,其中,所述回答信息为所述用户响应所述第一面试题目的反馈信息;
S303:调用预先构建的意图识别模型对所述回答信息进行解析,得到所述用户的用户意图;
S304:根据预先制定的题目跳转规则,从所述题目数据库中筛选与所述用户意图对应的第二面试题目输出到所述接收终端;
S305:循环执行步骤S302、S303和S304,并在每次接收回答信息后判断所述用户当前完成的面试题目是否达到预设数量,其中,当前次循环筛选得到的第二面试题目作为下一次循环的第一面试题目;
S306:若达到预设数量,则判定循环结束,并根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据。
本实施例中,面试系统从题目子数据库中选择优先度最高的第一面试题目输出到用户的接收终端,并接收用户输入的第一回答信息。其中,第一回答信息为用户响应第一面试题目的反馈信息,即用户针对第一面试题目的答案。面试系统调用预先构建的意图识别模型对第一回答信息进行解析,得到用户的用户意图。其中,意图识别模型由开发人员预先采用大量面试者的回答信息通过深度学习训练得到,可以根据第一回答信息匹配得到出现概率最大的用户意图。比如,第一面试题目为:“一周可以接受的出差时间为多少天”,第一回答信息为“1—2天”;而意图识别模型中,:“1—2天”对应的50%概率的用户意图1为“倾向于固定办公地点工作”,30%概率的用户意图2为“对办公地点无要求”,20%概率的用户意图3为“倾向于外出办公”,则意图识别模型选择概率最大的“倾向于固定办公地点工作”作为第一回答信息对应的用户意图。面试系统根据预先制定的题目跳转规则,从题目数据库中筛选与用户意图对应的第二面试题目输出到接收终端。比如,用户意图1“倾向于固定办公地点工作”需要跳转到面试题目2;用户意图2“对办公地点无要求”需要跳转到面试题目7;用户意图3“倾向于外出办公”需要跳转到面试题目12。因为当前次的用户意图为“倾向于固定办公地点工作”,则按照跳转规则选择题目2作为第二面试题目输出到用户的接收终端。面试系统循环执行接受用户的回答信息、识别用户意图以及筛选用户意图对应的面试题目这三个动作,并在每次接收到用户输入的回答信息后对用户回答的面试题目的数量进行判断。若用户完成预设数量的面试题目,则面试系统判定上述循环动作结束,对用户的信息收集已满足标准。面试系统按照用户的回答顺序,依次对回答信息进行语义完整性的判断以及补全,并整理所有完成补全后的回答信息,得到面试数据。
进一步的,所述根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据的步骤,包括:
S3061:分别判断各所述回答信息中是否包含语义不完整的待补全回答信息;
S3062:若包含语义不完整的待补全回答信息,则根据所述待补全回答信息对应的面试题目对所述待补全回答信息进行补全;
S3063:按照所述用户的回答顺序依次补全各所述回答信息,得到所述面试数据。
本实施例中,面试系统通过语义识别技术分别对用户的各个回答信息进行解析,判断用户的回答信息是否语义完整。若不完整,则通过文本挖掘技术对语义不完整的回答信息对应的面试题目进行解析,从面试题目的内容中提取对应的信息对该回答信息进行补全,使回答信息语义完整。其中,文本挖掘是指抽取有效、新颖、有用、可理解的、散布在文本文件中的有价值知识,并且利用这些知识更好地组织信息的过程。比如,面试题目为“期望月薪为多少”,用户的回答信息为“5k”,若回答信息只是单纯的“5k”这几个字,面试系统通过语义识别技术无法准确判断其具体含义,则判定其语义不完整。因此,面试系统需要通过文本挖掘技术从面试题目“期望月薪为多少”中提取“期望月薪”,并将其补全到回答信息中,使回答信息为“期望月薪5k”,具有完整的语义,便于系统的语义识别。最后,面试系统按照用户的回答顺序整理所有语义完整的回答信息,得到面试数据。
进一步的,所述将所述面试数据输入预先构建的画像模型中,得到所述用户的用户画像的步骤,包括:
S401:获取预先设定的多个画像标签;
S402:根据各所述画像标签对所述面试数据进行文本挖掘和语义识别,筛选得到与各所述画像标签一一对应的画像信息;
S403:分别将各所述画像信息与对应的所述画像标签相互关联,得到所述用户画像。
本实施例中,面试系统将用户的面试数据输入预先构建的画像模型中,获取预先设定的多个画像标签。其中,画像标签为开发人员预先设定的与用户的面试职位相关的标签名称,比如:“工作经验”、“所学专业”、“参与的项目”等等。然后,面试系统根据各画像标签对面试数据进行文本挖掘和语义识别,筛选得到与各画像标签一一对应的画像信息。比如根据关键字识别,从面试数据中筛选得到“工作经验为5年”这一与画像标签“工作经验”对应的画像信息。最后,面试系统分别将各画像信息与对应的画像标签相互关联,得到用户的用户画像。
进一步的,所述将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分的步骤,包括:
S501:分别获取各所述画像标签一一对应的预设标准信息;
S502:分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度;
S503:分别调取各所述画像标签对应的预设标准分数,并根据各所述预设标准分数和对应的偏离程度,计算得到各所述画像标签对应的第一用户评分;
S504:计算各所述第一用户评分之和,得到所述用户评分。
本实施例中,面试系统将用户画像输入预先构建的评分模型中,评分模型中设置有各画像标签分别对应过的预设标准信息。面试系统根据画像标签与预设标准信息之间的映射关系表,分别获取各画像标签一一对应的预设标准信息。然后,基于画像标签,分别解析各画像信息与对应的预设标准信息之间的偏离程度。其中,评分模型对偏离程度的解析可以为基于规则的解析或基于深度学习方法训练的模型解析,比如开发人员预先通过采集大量画像信息与对应的预设标准信息之间的偏离程度对模型进行深度学习训练,从而得到各个画像信息与对应的预设标准信息之间的偏离程度的概率。面试系统分别调取各画像标签对应的预设标准分数,并根据各预设标准分数和对应的偏离程度,计算得到各画像标签对应的第一用户评分。比如,预设标准分数为:20,偏离程度为10%,代入预设计算公式:S=X*(1-Y),其中S为第一用户评分,X为预设标准分数,Y为偏离程度,则当前次得到的第一用户评分为18。进一步的,由于不同职位所注重的职业技能、工作经历、年龄等画像标签不相同,因此各个画像标签设置有对应的预设标准分数。比如,业务岗位中,“年龄”的预设标准分数为20,“工作经历”的预设标准分数为“10”。面试系统计算各第一用户评分之和,得到用户在当前次面试的用户评分。
进一步的,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,包括:
S5041:分别将各所述画像信息和各自对应的所述预设标准信息输入预先构建的偏离评估模型中,得到各所述画像标签分别对应的所述偏离程度。
本实施例中,评分模型中包括偏离评估模型。其中,偏离评估模型由开发人员预先通过采集大量画像信息与对应的预设标准信息之间的偏离程度进行深度学习训练,从而得到各个画像信息与对应的预设标准信息之间的偏离程度的概率。面试系统根据画像标签,分别将各画像信息和各自对应的预设标准信息输入偏离评估模型中,偏离评估模型根据深度学习训练的结果,匹配得到各组画像信息与预设标准信息对应的出现概率最大的偏离程度。比如,画像标签为“学习专业”,画像信息为“机电专业”,预设标准信息为“计算机专业”,而偏离评估模型中,:“机电专业与计算机专业”对应的80%概率的偏离程度为“95%”,15%概率的偏离程度为“90%”,5%概率的偏离程度为“90%”,则偏离评估模型选择概率最大的“95%”作为当前次画像信息与预设标准信息之间的偏离程度。
进一步的,所述预设标准信息包括按照预设规则进行分级设置的多个信息区间,所述信息区间携带区间等级与预设偏离程度映射关系表,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,还包括:
S5042:分别获取各所述画像信息在对应的所述预设标准信息中落入的第一信息区间;
S5043:分别获取各所述第一信息区间对应的区间等级;
S5044:根据所述区间等级与预设偏离程度映射关系表,匹配得到各所述第一信息区间对应的预设偏离程度;
S5045:将各所述预设偏离程度作为各所述画像标签分别对应的所述偏离程度。
本实施例中,面试系统中的评分模型可以基于预设的评估规则对当前次的各个画像信息与对应的预设标准信息之间的偏离程度进行评估。评分模型中的预设标准信息包括按照预设规则进行分级设置的多个信息区间。其中,预设规则有开发人员进行设定,比如针对面试职位为“应用开发工程师”中画像标签“学习专业”这一项,可以根据学科之间的关联程度,对预设标准信息的信息区间进行分级设置,第一级信息区间为:计算机专业等等;第二级信息区间为:电子专业等等。各信息区间携带有区间等级与预设偏离程度映射关系表。比如,第一级信息区间对应的预设偏离程度为:0;第二级信息区间对应的预设偏程度为:10%;第三级信息区间对应的预设偏离程度为:20%;依次类推,直至预设偏离程度为100%。面试系统根据画像标签,分别将各个画像信息与对应的预设标准信息进行比对,从而得到各个画像画像分别落入的第一信息区间。然后,面试系统获取各个第一信息区间分别对应的区间等级,并根据区间等级与预设偏离程度映射关系表,得到各个第一信息区间对应的预设偏离程度。最后,面试系统根据画像标签、画像信息、第一信息区间以及预设偏离程度之间的对应关系,得到各个画像标签分别对应的偏离程度。
本实施例提供的一种AI面试方法,在面试过程中系统实时根据面试者的意图筛选面试题目,完成对面试者与面试职位适配性的全面测试,并根据面试职位的能力需求构建面试者的用户画像,将用户画像通过评分模型得到面试者在当前次面试中的用户评分,实现对面试者能力和意愿的全面评估,具有高效性和客观性。
参照图2,本申请一实施例中还提供了一种AI面试装置,包括:
接收模块1,用于接收用户输入的面试职位;
获取模块2,用于从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
筛选模块3,用于按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
生成模块4,用于将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
评分模块5,用于将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
本实施例中,面试系统内部构建有面试问答库,由于不同的职位所涉及的专业技能和所需知识不同,因此面试问答库中包括多个不同职位对应的题目子数据库。其中,面试问答库中构建有面试职位与题目子数据库映射关系表,各题目子数据库中包含有多个与面试职位相关的面试题目,有开发人员预先进行筛选后输入形成。用户在使用面试系统进行面试,需要先输入当前次的面试职位。面试系统在接收到面试职位后,会根据面试职位与题目子数据库映射关系表,从面试问答库中筛选当前次的面试职位对应的题目子数据库。面试系统从题目子数据库中选择优先度最高的第一面试题目输出到用户的接收终端,并接收用户输入的第一回答信息。其中,第一回答信息为用户响应第一面试题目的反馈信息,即用户针对第一面试题目的答案。面试系统调用预先构建的意图识别模型对第一回答信息进行解析,得到用户的用户意图。其中,意图识别模型由开发人员预先采用大量面试者的回答信息通过深度学习训练得到,可以根据第一回答信息匹配得到出现概率最大的用户意图。比如,第一面试题目为:“一周可以接受的出差时间为多少天”,第一回答信息为“1—2天”;而意图识别模型中,:“1—2天”对应的50%概率的用户意图1为“倾向于固定办公地点工作”,30%概率的用户意图2为“对办公地点无要求”,20%概率的用户意图3为“倾向于外出办公”,则意图识别模型选择概率最大的“倾向于固定办公地点工作”作为第一回答信息对应的用户意图。面试系统根据预先制定的题目跳转规则,从题目数据库中筛选与用户意图对应的第二面试题目输出到接收终端。比如,用户意图1“倾向于固定办公地点工作”需要跳转到面试题目2;用户意图2“对办公地点无要求”需要跳转到面试题目7;用户意图3“倾向于外出办公”需要跳转到面试题目12。因为当前次的用户意图为“倾向于固定办公地点工作”,则按照跳转规则选择题目2作为第二面试题目输出到用户的接收终端。面试系统循环执行接受用户的回答信息、识别用户意图以及筛选用户意图对应的面试题目这三个动作,直至用户完成预设数量的面试题目。然后,面试系统通过语义识别技术分别对应用户的各个回答信息进行解析,判断用户的回答信息是否语义完整。若不完整,则通过文本挖掘技术对语义不完整的回答信息对应的面试题目进行解析,从面试题目的内容中提取对应的信息对该回答信息进行补全,使回答信息语义完整。比如,面试题目为“期望月薪为多少”,用户的回答信息为“5k”,若回答信息只是单纯的“5k”这几个字,面试系统无法准确判断其具体含义。因此,需要通过文本挖掘技术从面试题目“期望月薪为多少”中提取“期望月薪”,并将其补全到回答信息中,使回答信息为“期望月薪5k”,具有完整的语义,便于系统的语义识别。最后,面试系统按照用户的回答顺序整理所有语义完整的回答信息,得到面试数据。面试系统将用户的面试数据输入预先构建的画像模型中,获取预先设定的多个画像标签。其中,画像标签为开发人员预先设定的与用户的面试职位相关的标签名称,比如:“工作经验”、“所学专业”、“参与的项目”等等。然后,面试系统根据各画像标签对面试数据进行文本挖掘和语义识别,筛选得到与各画像标签一一对应的画像信息。比如根据关键字识别,从面试数据中筛选得到“工作经验为5年”这一与画像标签“工作经验”对应的画像信息。最后,面试系统分别将各画像信息与对应的画像标签相互关联,得到用户的用户画像。面试系统将用户画像输入预先构建的评分模型中,评分模型中设置有各画像标签分别对应过的预设标准信息。面试系统根据画像标签与预设标准信息之间的映射关系表,分别获取各画像标签一一对应的预设标准信息。然后,基于画像标签,分别解析各画像信息与对应的预设标准信息之间的偏离程度。其中,评分模型对偏离程度的解析可以为基于规则的解析或基于深度学习方法训练的模型解析,比如开发人员预先通过采集大量画像信息与对应的预设标准信息之间的偏离程度对模型进行深度学习训练,从而得到各个画像信息与对应的预设标准信息之间的偏离程度的概率。面试系统分别调取各画像标签对应的预设标准分数,并根据各预设标准分数和对应的偏离程度,计算得到各画像标签对应的第一用户评分。其中,由于不同职位所注重的职业技能、工作经历、年龄等画像标签不相同,因此各个画像标签设置有对应的预设标准分数。比如,业务岗位中,“年龄”的预设标准分数为20,“工作经历”的预设标准分数为“10”。面试系统计算各第一用户评分之和,得到用户在当前次面试的用户评分。然后,将用户评分与用户的个人信息关联后发送到面试官的接收终端,完成当前次对用户的面试。
进一步的,所述筛选模块3,包括:
选择单元,用于从所述题目子数据库中选择优先度最高的第一面试题目输出到所述接收终端;
接收单元,用于接收所述用户输入的回答信息,其中,所述回答信息为所述用户响应所述第一面试题目的反馈信息;
第一解析单元,用于调用预先构建的意图识别模型对所述回答信息进行解析,得到所述用户的用户意图;
第一筛选单元,用于根据预先制定的题目跳转规则,从所述题目数据库中筛选与所述用户意图对应的第二面试题目输出到所述接收终端;
判断单元,用于循环执行接收单元、解析单元和筛选单元对应的动作,并在每次接收回答信息后判断所述用户当前完成的面试题目是否达到预设数量,其中,当前次循环筛选得到的第二面试题目作为下一次循环的第一面试题目;
处理单元,用于判定循环结束,并根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据。
本实施例中,面试系统从题目子数据库中选择优先度最高的第一面试题目输出到用户的接收终端,并接收用户输入的第一回答信息。其中,第一回答信息为用户响应第一面试题目的反馈信息,即用户针对第一面试题目的答案。面试系统调用预先构建的意图识别模型对第一回答信息进行解析,得到用户的用户意图。其中,意图识别模型由开发人员预先采用大量面试者的回答信息通过深度学习训练得到,可以根据第一回答信息匹配得到出现概率最大的用户意图。比如,第一面试题目为:“一周可以接受的出差时间为多少天”,第一回答信息为“1—2天”;而意图识别模型中,:“1—2天”对应的50%概率的用户意图1为“倾向于固定办公地点工作”,30%概率的用户意图2为“对办公地点无要求”,20%概率的用户意图3为“倾向于外出办公”,则意图识别模型选择概率最大的“倾向于固定办公地点工作”作为第一回答信息对应的用户意图。面试系统根据预先制定的题目跳转规则,从题目数据库中筛选与用户意图对应的第二面试题目输出到接收终端。比如,用户意图1“倾向于固定办公地点工作”需要跳转到面试题目2;用户意图2“对办公地点无要求”需要跳转到面试题目7;用户意图3“倾向于外出办公”需要跳转到面试题目12。因为当前次的用户意图为“倾向于固定办公地点工作”,则按照跳转规则选择题目2作为第二面试题目输出到用户的接收终端。面试系统循环执行接受用户的回答信息、识别用户意图以及筛选用户意图对应的面试题目这三个动作,并在每次接收到用户输入的回答信息后对用户回答的面试题目的数量进行判断。若用户完成预设数量的面试题目,则面试系统判定上述循环动作结束,对用户的信息收集已满足标准。面试系统按照用户的回答顺序,依次对回答信息进行语义完整性的判断以及补全,并整理所有完成补全后的回答信息,得到面试数据。
进一步的,所述处理单元,包括:
判断子单元,用于分别判断各所述回答信息中是否包含语义不完整的待补全回答信息;
补全子单元,用于根据所述待补全回答信息对应的面试题目对所述待补全回答信息进行补全;
循序子单元,用于按照所述用户的回答顺序依次补全各所述回答信息,得到所述面试数据。
本实施例中,面试系统通过语义识别技术分别对应用户的各个回答信息进行解析,判断用户的回答信息是否语义完整。若不完整,则通过文本挖掘技术对语义不完整的回答信息对应的面试题目进行解析,从面试题目的内容中提取对应的信息对该回答信息进行补全,使回答信息语义完整。其中,文本挖掘是指抽取有效、新颖、有用、可理解的、散布在文本文件中的有价值知识,并且利用这些知识更好地组织信息的过程。比如,面试题目为“期望月薪为多少”,用户的回答信息为“5k”,若回答信息只是单纯的“5k”这几个字,面试系统通过语义识别技术无法准确判断其具体含义,则判定其语义不完整。因此,面试系统需要通过文本挖掘技术从面试题目“期望月薪为多少”中提取“期望月薪”,并将其补全到回答信息中,使回答信息为“期望月薪5k”,具有完整的语义,便于系统的语义识别。最后,面试系统按照用户的回答顺序整理所有语义完整的回答信息,得到面试数据。
进一步的,所述生成模块4,包括:
第一获取单元,用于获取预先设定的多个画像标签;
第二筛选单元,用于根据各所述画像标签对所述面试数据进行文本挖掘和语义识别,筛选得到与各所述画像标签一一对应的画像信息;
关联单元,用于分别将各所述画像信息与对应的所述画像标签相互关联,得到所述用户画像。
本实施例中,面试系统将用户的面试数据输入预先构建的画像模型中,获取预先设定的多个画像标签。其中,画像标签为开发人员预先设定的与用户的面试职位相关的标签名称,比如:“工作经验”、“所学专业”、“参与的项目”等等。然后,面试系统根据各画像标签对面试数据进行文本挖掘和语义识别,筛选得到与各画像标签一一对应的画像信息。比如根据关键字识别,从面试数据中筛选得到“工作经验为5年”这一与画像标签“工作经验”对应的画像信息。最后,面试系统分别将各画像信息与对应的画像标签相互关联,得到用户的用户画像。
进一步的,所述评分模块5,包括:
第二获取单元,用于分别获取各所述画像标签一一对应的预设标准信息;
第二解析单元,用于分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度;
第一计算单元,用于分别调取各所述画像标签对应的预设标准分数,并根据各所述预设标准分数和对应的偏离程度,计算得到各所述画像标签对应的第一用户评分;
第二计算单元,用于计算各所述第一用户评分之和,得到所述用户评分。
本实施例中,面试系统将用户画像输入预先构建的评分模型中,评分模型中设置有各画像标签分别对应过的预设标准信息。面试系统根据画像标签与预设标准信息之间的映射关系表,分别获取各画像标签一一对应的预设标准信息。然后,基于画像标签,分别解析各画像信息与对应的预设标准信息之间的偏离程度。其中,评分模型对偏离程度的解析可以为基于规则的解析或基于深度学习方法训练的模型解析,比如开发人员预先通过采集大量画像信息与对应的预设标准信息之间的偏离程度对模型进行深度学习训练,从而得到各个画像信息与对应的预设标准信息之间的偏离程度的概率。面试系统分别调取各画像标签对应的预设标准分数,并根据各预设标准分数和对应的偏离程度,计算得到各画像标签对应的第一用户评分。比如,预设标准分数为:20,偏离程度为10%,代入预设计算公式:S=X*(1-Y),其中S为第一用户评分,X为预设标准分数,Y为偏离程度,则当前次得到的第一用户评分为18。进一步的,由于不同职位所注重的职业技能、工作经历、年龄等画像标签不相同,因此各个画像标签设置有对应的预设标准分数。比如,业务岗位中,“年龄”的预设标准分数为20,“工作经历”的预设标准分数为“10”。面试系统计算各第一用户评分之和,得到用户在当前次面试的用户评分。
进一步的,所述第二解析单元,包括:
评估子单元,用于分别将各所述画像信息和各自对应的所述预设标准信息输入预先构建的偏离评估模型中,得到各所述画像标签分别对应的所述偏离程度。
本实施例中,评分模型中包括偏离评估模型。其中,偏离评估模型由开发人员预先通过采集大量画像信息与对应的预设标准信息之间的偏离程度进行深度学习训练,从而得到各个画像信息与对应的预设标准信息之间的偏离程度的概率。面试系统根据画像标签,分别将各画像信息和各自对应的预设标准信息输入偏离评估模型中,偏离评估模型根据深度学习训练的结果,匹配得到各组画像信息与预设标准信息对应的出现概率最大的偏离程度。比如,画像标签为“学习专业”,画像信息为“机电专业”,预设标准信息为“计算机专业”,而偏离评估模型中,:“机电专业与计算机专业”对应的80%概率的偏离程度为“95%”,15%概率的偏离程度为“90%”,5%概率的偏离程度为“90%”,则偏离评估模型选择概率最大的“95%”作为当前次画像信息与预设标准信息之间的偏离程度。
进一步的,所述预设标准信息包括按照预设规则进行分级设置的多个信息区间,所述信息区间携带区间等级与预设偏离程度映射关系表,所述第二解析单元,还包括:
第一获取子单元,用于分别获取各所述画像信息在对应的所述预设标准信息中落入的第一信息区间;
第二获取子单元,用于分别获取各所述第一信息区间对应的区间等级;
匹配子单元。用于根据所述区间等级与预设偏离程度映射关系表,匹配得到各所述第一信息区间对应的预设偏离程度;
选择子单元,用于将各所述预设偏离程度作为各所述画像标签分别对应的所述偏离程度。
本实施例中,面试系统中的评分模型可以基于预设的评估规则对当前次的各个画像信息与对应的预设标准信息之间的偏离程度进行评估。评分模型中的预设标准信息包括按照预设规则进行分级设置的多个信息区间。其中,预设规则有开发人员进行设定,比如针对面试职位为“应用开发工程师”中画像标签“学习专业”这一项,可以根据学科之间的关联程度,对预设标准信息的信息区间进行分级设置,第一级信息区间为:计算机专业等等;第二级信息区间为:电子专业等等。各信息区间携带有区间等级与预设偏离程度映射关系表。比如,第一级信息区间对应的预设偏离程度为:0;第二级信息区间对应的预设偏程度为:10%;第三级信息区间对应的预设偏离程度为:20%;依次类推,直至预设偏离程度为100%。面试系统根据画像标签,分别将各个画像信息与对应的预设标准信息进行比对,从而得到各个画像画像分别落入的第一信息区间。然后,面试系统获取各个第一信息区间分别对应的区间等级,并根据区间等级与预设偏离程度映射关系表,得到各个第一信息区间对应的预设偏离程度。最后,面试系统根据画像标签、画像信息、第一信息区间以及预设偏离程度之间的对应关系,得到各个画像标签分别对应的偏离程度。
本实施例提供的一种AI面试装置,在面试过程中系统实时根据面试者的意图筛选面试题目,完成对面试者与面试职位适配性的全面测试,并根据面试职位的能力需求构建面试者的用户画像,将用户画像通过评分模型得到面试者在当前次面试中的用户评分,实现对面试者能力和意愿的全面评估,具有高效性和客观性。
参照图3,本申请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3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。该内存储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面试问答库等数据。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AI面试方法。
上述处理器执行上述AI面试方法的步骤:
S1:接收用户输入的面试职位;
S2:从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
S3:按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
S4:将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
S5:将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
进一步的,所述按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作的步骤,包括:
S301:从所述题目子数据库中选择优先度最高的第一面试题目输出到所述接收终端;
S302:接收所述用户输入的回答信息,其中,所述回答信息为所述用户响应所述第一面试题目的反馈信息;
S303:调用预先构建的意图识别模型对所述回答信息进行解析,得到所述用户的用户意图;
S304:根据预先制定的题目跳转规则,从所述题目数据库中筛选与所述用户意图对应的第二面试题目输出到所述接收终端;
S305:循环执行步骤S302、S303和S304,并在每次接收回答信息后判断所述用户当前完成的面试题目是否达到预设数量,其中,当前次循环筛选得到的第二面试题目作为下一次循环的第一面试题目;
S306:若达到预设数量,则判定循环结束,并根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据。
进一步的,所述根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据的步骤,包括:
S3051:分别判断各所述回答信息中是否包含语义不完整的待补全回答信息;
S3052:若包含语义不完整的待补全回答信息,则根据所述待补全回答信息对应的面试题目对所述待补全回答信息进行补全;
S3053:按照所述用户的回答顺序依次补全各所述回答信息,得到所述面试数据。
进一步的,所述将所述面试数据输入预先构建的画像模型中,得到所述用户的用户画像的步骤,包括:
S401:获取预先设定的多个画像标签;
S402:根据各所述画像标签对所述面试数据进行文本挖掘和语义识别,筛选得到与各所述画像标签一一对应的画像信息;
S403:分别将各所述画像信息与对应的所述画像标签相互关联,得到所述用户画像。
进一步的,所述将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分的步骤,包括:
S501:分别获取各所述画像标签一一对应的预设标准信息;
S502:分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度;
S503:分别调取各所述画像标签对应的预设标准分数,并根据各所述预设标准分数和对应的偏离程度,计算得到各所述画像标签对应的第一用户评分;
S504:计算各所述第一用户评分之和,得到所述用户评分。
进一步的,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,包括:
S5041:分别将各所述画像信息和各自对应的所述预设标准信息输入预先构建的偏离评估模型中,得到各所述画像标签分别对应的所述偏离程度。
进一步的,所述预设标准信息包括按照预设规则进行分级设置的多个信息区间,所述信息区间携带区间等级与预设偏离程度映射关系表,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,还包括:
S5042:分别获取各所述画像信息在对应的所述预设标准信息中落入的第一信息区间;
S5043:分别获取各所述第一信息区间对应的区间等级;
S5044:根据所述区间等级与预设偏离程度映射关系表,匹配得到各所述第一信息区间对应的预设偏离程度;
S5045:将各所述预设偏离程度作为各所述画像标签分别对应的所述偏离程度。
本申请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AI面试方法,具体为:
S1:接收用户输入的面试职位;
S2:从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
S3:按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
S4:将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
S5:将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
进一步的,所述按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作的步骤,包括:
S301:从所述题目子数据库中选择优先度最高的第一面试题目输出到所述接收终端;
S302:接收所述用户输入的回答信息,其中,所述回答信息为所述用户响应所述第一面试题目的反馈信息;
S303:调用预先构建的意图识别模型对所述回答信息进行解析,得到所述用户的用户意图;
S304:根据预先制定的题目跳转规则,从所述题目数据库中筛选与所述用户意图对应的第二面试题目输出到所述接收终端;
S305:循环执行步骤S302、S303和S304,并在每次接收回答信息后判断所述用户当前完成的面试题目是否达到预设数量,其中,当前次循环筛选得到的第二面试题目作为下一次循环的第一面试题目;
S306:若达到预设数量,则判定循环结束,并根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据。
进一步的,所述根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据的步骤,包括:
S3051:分别判断各所述回答信息中是否包含语义不完整的待补全回答信息;
S3052:若包含语义不完整的待补全回答信息,则根据所述待补全回答信息对应的面试题目对所述待补全回答信息进行补全;
S3053:按照所述用户的回答顺序依次补全各所述回答信息,得到所述面试数据。
进一步的,所述将所述面试数据输入预先构建的画像模型中,得到所述用户的用户画像的步骤,包括:
S401:获取预先设定的多个画像标签;
S402:根据各所述画像标签对所述面试数据进行文本挖掘和语义识别,筛选得到与各所述画像标签一一对应的画像信息;
S403:分别将各所述画像信息与对应的所述画像标签相互关联,得到所述用户画像。
进一步的,所述将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分的步骤,包括:
S501:分别获取各所述画像标签一一对应的预设标准信息;
S502:根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度;
S503:分别调取各所述画像标签对应的预设标准分数,并根据各所述预设标准分数和对应的偏离程度,计算得到各所述画像标签对应的第一用户评分;
S504:计算各所述第一用户评分之和,得到所述用户评分。
进一步的,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,包括:
S5041:根据所述画像标签,分别将各所述画像信息和各自对应的所述预设标准信息输入预先构建的偏离评估模型中,得到各所述画像标签分别对应的所述偏离程度。
进一步的,所述预设标准信息包括按照预设规则进行分级设置的多个信息区间,所述信息区间携带区间等级与预设偏离程度映射关系表,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,还包括:
S5042:根据所述画像标签,分别获取各所述画像信息在对应的所述预设标准信息中落入的第一信息区间;
S5043:分别获取各所述第一信息区间对应的区间等级;
S5044:根据所述区间等级与预设偏离程度映射关系表,匹配得到各所述第一信息区间对应的预设偏离程度;
S5045:将各所述预设偏离程度作为各所述画像标签分别对应的所述偏离程度。
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通过多种形式可得,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”或者其任何其它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它要素,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。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种AI面试方法,其特征在于,包括:
接收用户输入的面试职位;
从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
2.根据权利要求1所述的AI面试方法,其特征在于,所述按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作的步骤,包括:
S301:从所述题目子数据库中选择优先度最高的第一面试题目输出到所述接收终端;
S302:接收所述用户输入的回答信息,其中,所述回答信息为所述用户响应所述第一面试题目的反馈信息;
S303:调用预先构建的意图识别模型对所述回答信息进行解析,得到所述用户的用户意图;
S304:根据预先制定的题目跳转规则,从所述题目数据库中筛选与所述用户意图对应的第二面试题目输出到所述接收终端;
S305:循环执行步骤S302、S303和S304,并在每次接收回答信息后判断所述用户当前完成的面试题目是否达到预设数量,其中,当前次循环筛选得到的第二面试题目作为下一次循环的第一面试题目;
S306:若达到预设数量,则判定循环结束,并根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据。
3.根据权利要求2所述的AI面试方法,其特征在于,所述根据第二预设规则处理所述用户的所有回答信息,得到所述面试数据的步骤,包括:
分别判断各所述回答信息中是否包含语义不完整的待补全回答信息;
若包含语义不完整的待补全回答信息,则根据所述待补全回答信息对应的面试题目对所述待补全回答信息进行补全;
按照所述用户的回答顺序依次补全各所述回答信息,得到所述面试数据。
4.根据权利要求1所述的AI面试方法,其特征在于,所述将所述面试数据输入预先构建的画像模型中,得到所述用户的用户画像的步骤,包括:
获取预先设定的多个画像标签;
根据各所述画像标签对所述面试数据进行文本挖掘和语义识别,筛选得到与各所述画像标签一一对应的画像信息;
分别将各所述画像信息与对应的所述画像标签相互关联,得到所述用户画像。
5.根据权利要求4所述的AI面试方法,其特征在于,所述将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分的步骤,包括:
分别获取各所述画像标签一一对应的预设标准信息;
分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度;
分别调取各所述画像标签对应的预设标准分数,并根据各所述预设标准分数和对应的偏离程度,计算得到各所述画像标签对应的第一用户评分;
计算各所述第一用户评分之和,得到所述用户评分。
6.根据权利要求5所述的AI面试方法,其特征在于,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,包括:
分别将各所述画像信息和各自对应的所述预设标准信息输入预先构建的偏离评估模型中,得到各所述画像标签分别对应的所述偏离程度。
7.根据权利要求5所述的AI面试方法,其特征在于,所述预设标准信息包括按照预设规则进行分级设置的多个信息区间,所述信息区间携带区间等级与预设偏离程度映射关系表,所述根据所述画像标签,分别解析各所述画像信息与对应的所述预设标准信息之间的偏离程度的步骤,还包括:
分别获取各所述画像信息在对应的所述预设标准信息中落入的第一信息区间;
分别获取各所述第一信息区间对应的区间等级;
根据所述区间等级与预设偏离程度映射关系表,匹配得到各所述第一信息区间对应的预设偏离程度;
将各所述预设偏离程度作为各所述画像标签分别对应的所述偏离程度。
8.一种AI面试装置,其特征在于,包括:
接收模块,用于接收用户输入的面试职位;
获取模块,用于从预先构建的面试问答库中获取所述面试职位对应的题目子数据库,其中,所述面试问答库包括面试职位与题目子数据库映射关系表;
筛选模块,用于按照第一预设规则,从所述题目子数据库中依次筛选面试题目输出到所述用户的接收终端,并接收所述用户响应所述面试题目的反馈信息作为面试数据,以实现对所述用户的面试动作;
生成模块,用于将所述面试数据输入预先构建的画像模型中,生成所述用户的用户画像;
评分模块,用于将所述用户画像输入预先构建的评分模型中,得到所述用户在当前次面试的用户评分。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,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 |
---|---|---|---|
CN201910963676.3A CN110889583B (zh) | 2019-10-11 | 2019-10-11 | Ai面试方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963676.3A CN110889583B (zh) | 2019-10-11 | 2019-10-11 | Ai面试方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889583A true CN110889583A (zh) | 2020-03-17 |
CN110889583B CN110889583B (zh) | 2022-06-17 |
Family
ID=69746052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910963676.3A Active CN110889583B (zh) | 2019-10-11 | 2019-10-11 | Ai面试方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889583B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330273A (zh) * | 2020-10-30 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 离职人员兼职招募方法、装置、计算机设备及可读存储介质 |
WO2021139278A1 (zh) * | 2020-05-28 | 2021-07-15 | 平安科技(深圳)有限公司 | 一种智能面试方法、装置及终端设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007234631A1 (en) * | 2000-06-12 | 2007-12-13 | Epredix, Inc. | Computer-implemented system for human resources management |
WO2017041372A1 (zh) * | 2015-09-07 | 2017-03-16 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机交互方法和系统 |
CN108062657A (zh) * | 2017-11-30 | 2018-05-22 | 朱学松 | 人才招聘面试方法及系统 |
CN110110959A (zh) * | 2019-03-19 | 2019-08-09 | 平安普惠企业管理有限公司 | 基于用户答案的智能招聘方法、装置、设备及存储介质 |
CN110135692A (zh) * | 2019-04-12 | 2019-08-16 | 平安普惠企业管理有限公司 | 智能评级控制方法、装置、计算机设备及存储介质 |
CN110209793A (zh) * | 2019-06-18 | 2019-09-06 | 佰聆数据股份有限公司 | 一种用于智能识别文本语义的方法 |
-
2019
- 2019-10-11 CN CN201910963676.3A patent/CN110889583B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007234631A1 (en) * | 2000-06-12 | 2007-12-13 | Epredix, Inc. | Computer-implemented system for human resources management |
WO2017041372A1 (zh) * | 2015-09-07 | 2017-03-16 | 百度在线网络技术(北京)有限公司 | 基于人工智能的人机交互方法和系统 |
CN108062657A (zh) * | 2017-11-30 | 2018-05-22 | 朱学松 | 人才招聘面试方法及系统 |
CN110110959A (zh) * | 2019-03-19 | 2019-08-09 | 平安普惠企业管理有限公司 | 基于用户答案的智能招聘方法、装置、设备及存储介质 |
CN110135692A (zh) * | 2019-04-12 | 2019-08-16 | 平安普惠企业管理有限公司 | 智能评级控制方法、装置、计算机设备及存储介质 |
CN110209793A (zh) * | 2019-06-18 | 2019-09-06 | 佰聆数据股份有限公司 | 一种用于智能识别文本语义的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021139278A1 (zh) * | 2020-05-28 | 2021-07-15 | 平安科技(深圳)有限公司 | 一种智能面试方法、装置及终端设备 |
CN112330273A (zh) * | 2020-10-30 | 2021-02-05 | 中国平安人寿保险股份有限公司 | 离职人员兼职招募方法、装置、计算机设备及可读存储介质 |
CN112330273B (zh) * | 2020-10-30 | 2023-08-25 | 中国平安人寿保险股份有限公司 | 离职人员兼职招募方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110889583B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dieber et al. | Why model why? Assessing the strengths and limitations of LIME | |
Monllao Olive et al. | A supervised learning framework: Using assessment to identify students at risk of dropping out of a MOOC | |
CN110472060B (zh) | 题目推送方法、装置、计算机设备和存储介质 | |
CN111651676B (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
CN110569356B (zh) | 基于智能面试交互系统的面试方法、装置和计算机设备 | |
CN113377936B (zh) | 智能问答方法、装置及设备 | |
US20190164109A1 (en) | Similarity Learning System and Similarity Learning Method | |
CN111090809A (zh) | 题目推荐方法、装置、计算机设备和存储介质 | |
JP6733920B2 (ja) | 情報処理装置、表示方法およびプログラム | |
Zou et al. | Learning to rank for question-oriented software text retrieval (t) | |
CN110889583B (zh) | Ai面试方法、装置、计算机设备及计算机可读存储介质 | |
Araujo et al. | Automated visual content analysis (AVCA) in communication research: A protocol for large scale image classification with pre-trained computer vision models | |
KR102281161B1 (ko) | 자기소개서를 기반으로 면접 질문을 생성하는 서버 및 방법 | |
CN116401464B (zh) | 一种职业用户画像的构建方法、装置、设备及存储介质 | |
CN111475628B (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
US8423498B2 (en) | System and associated method for determining and applying sociocultural characteristics | |
CN111190946A (zh) | 报告生成方法、装置、计算机设备和存储介质 | |
CN114399396A (zh) | 保险产品推荐方法、装置、计算机设备及存储介质 | |
CN115641101A (zh) | 一种智能化招聘的方法、装置及计算机可读介质 | |
CN110569340A (zh) | 文本信息验证方法、装置、计算机设备和存储介质 | |
Stefanova et al. | Educational data mining perspectives within university big data environment | |
Hammad et al. | Automatic clustering of bug reports | |
CN110795997A (zh) | 基于长短期记忆的教学方法、装置和计算机设备 | |
CN110930106A (zh) | 线上面试系统的信息处理方法、装置和系统 | |
CN112384926A (zh) | 文档自动完成 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |