CN111340444A - 可交互场景化的面试方法、系统、设备和介质 - Google Patents

Abstract

本发明涉及一种可交互场景化的面试方法、系统、设备和介质。本发明的可交互场景化的面试方法包括：提供包括面试事件流的可视化面试场景，以供应聘者在线面试；接收并且处理由应聘者在在线面试中所产生的响应事件流，以获得处理数据；使用预训练模型来计算处理数据，以获得应聘者的评价数据。本发明可以实现应聘者与真实场景之间的交互，可以预测应聘者的工作能力和岗位匹配度，并且可以使得面试内容贴合招聘岗位的所需能力和工作内容，可以便于招聘者管理后续的招聘事务，可以提高模型预测的准确度。

Description

可交互场景化的面试方法、系统、设备和介质

技术领域

本发明涉及一种可交互场景化的面试方法、系统、设备和介质。

背景技术

近年来机器学习快速发展，在处理人类感官数据方面有了长足进步，大量成熟的算法和模型不断涌现，使得机器对于包括视觉(图像)、听觉(声音)、语言等方面的人类感官数据的分析和理解得到巨大改善。这些成熟的算法不仅能够分析单一孤立的数据，而且能够根据一连串的序列数据，理解其中的上下文关系，做出推理和预测。

得益于上述技术发展，在企业招聘面试领域也产生了很多基于人工智能和机器学习的面试方法及系统，这些方法及系统可以帮助企业人力资源提高招聘效率，在一定程度上消除面试时的主观偏见，从而帮助企业优化人力资源配置，提高企业生产效率，最终节省成本。比如有基于人工智能的远程面试系统、基于人工智能的游戏面试系统等。

但是，上述现有的面试方法及系统存在如下不足之处：

1.部分方法及系统通过预设若干问题，并且采用视频方式进行面试，进而对视频进行分析，包括从视频中采集面部表情、语音语调、文本等信息，然后建立模型，预测应聘者匹配程度。这种方法及系统可能存在的问题是，问题设置简单，应聘者在视频面试过程中由于缺乏响应的感官“刺激”，其视频面试结果往往会出现：(1)整个面试过程没有情绪波动；(2)有足够的时间考虑问题，可能会根据所谓的“优秀面试经验”调整自己的答题过程。由于以上问题，这种方法及系统所采集到的数据，往往不能够反映出应聘者的真实状态，从而导致结果缺乏说服力。

2.部分方法及系统通过游戏的方式来预测应聘者的一些基本能力，比如应变能力、抗压能力等。虽然有相关的理论说明这些能力与工作能力有一定的相关性，但是并不能反映出应聘者在真实工作环境中的真实表现。

发明内容

本发明的目的在于提供一种可交互场景化的面试方法、系统、设备和介质，可以实现应聘者与真实场景之间的交互，可以预测应聘者的工作能力和岗位匹配度，并且可以使得面试内容贴合招聘岗位的所需能力和工作内容，可以便于招聘者管理后续的招聘事务，可以提高模型预测的准确度。

本发明公开了一种可交互场景化的面试方法，所述方法包括：

提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

可选地，在提供包括面试事件流的可视化面试场景，以供应聘者在线面试之前，所述方法还包括：

设置所述可视化面试场景和所述面试事件流。

可选地，设置所述可视化面试场景包括：

提供真实场景，以供招聘者选择面试场景；

虚拟化选择的所述面试场景，以获得所述可视化面试场景。

可选地，设置所述面试事件流包括：

提供面试事件模板，以供招聘者选择面试事件；

基于所述可视化面试场景，对选择的所述面试事件的发生顺序进行排序，以获得所述面试事件流。

可选地，接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据包括：

接收并且存储由所述应聘者在所述可视化面试场景中对于所述面试事件流中的每个所述面试事件所产生的响应事件，以获得所述响应事件流；

使用流计算框架和交互数据处理技术来处理所述响应事件流中的每个所述响应事件，以获得每个所述响应事件的处理数据；

存储每个所述响应事件的处理数据，以获得所述响应事件流的处理数据。

可选地，基于与所述面试事件流中的一个或多个所述面试事件对应的一个或多个所述响应事件的处理数据，调整所述面试事件流中的后续所述面试事件的发生顺序。

可选地，基于包括所述面试事件流的所述可视化面试场景、所述处理数据和外部的评价数据，并且使用机器学习框架和机器学习算法，来对所述预训练模型进行离线训练。

可选地，在使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据之后，所述方法还包括：

向招聘者展示所述评价数据。

本发明公开了一种可交互场景化的面试系统，所述系统包括：

在线面试模块，提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

响应事件流接收及处理模块，接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

应聘者综合评价模块，使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

本发明公开了一种可交互场景化的面试设备，所述设备包括存储有计算机可执行指令的存储器和处理器，所述处理器被配置为执行所述指令以实施可交互场景化的面试方法，所述方法包括：

提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

本发明公开了一种使用计算机程序编码的计算机存储介质，所述计算机程序包括指令，所述指令被一个以上的计算机执行以实施可交互场景化的面试方法，所述方法包括：

提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

本发明与现有技术相比，主要区别及其效果在于：

本发明通过提供包括面试事件流的可视化面试场景，以供应聘者在线面试，以及通过接收并且处理由应聘者在在线面试中所产生的响应事件流，以获得处理数据，可以实现应聘者与真实场景之间的交互。本发明通过使用预训练模型来计算处理数据，以获得应聘者的评价数据，可以预测应聘者的工作能力和岗位匹配度。

另外，本发明通过设置可视化面试场景和面试事件流，可以使得面试内容贴合招聘岗位的所需能力和工作内容。本发明通过向招聘者展示评价数据，可以便于招聘者管理后续的招聘事务。本发明通过基于包括面试事件流的可视化面试场景、处理数据和外部的评价数据，并且使用机器学习框架和机器学习算法，来对预训练模型进行离线训练，可以提高模型预测的准确度。

附图说明

图1是根据本发明的第一实施方式的可交互场景化的面试系统的结构图；

图2是根据本发明的第一实施方式的场景化设置模块的结构图；

图3是根据本发明的第一实施方式的在线面试模块的结构图；

图4是根据本发明的第一实施方式的事件流接收及处理模块的结构图；

图5是根据本发明的第一实施方式的离线模型训练模块的结构图；

图6是根据本发明的第二实施方式的可交互场景化的面试方法的流程图。

具体实施方式

为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。

本发明的第一实施方式涉及一种可交互场景化的面试系统。图1是根据本发明的第一实施方式的可交互场景化的面试系统的结构图。如图1所示，可交互场景化的面试系统100可以包括在线面试模块102、响应事件流接收及处理模块103和应聘者综合评价模块104。

在线面试模块102可以提供包括面试事件流的可视化面试场景，以供应聘者在线面试。响应事件流接收及处理模块103可以与在线面试模块102相连，接收并且处理由应聘者在在线面试中所产生的响应事件流，以获得处理数据。应聘者综合评价模块104可以与响应事件流接收及处理模块103相连，使用预训练模型来计算处理数据，以获得应聘者的评价数据。

本发明通过提供包括面试事件流的可视化面试场景，以供应聘者在线面试，以及通过接收并且处理由应聘者在在线面试中所产生的响应事件流，以获得处理数据，可以实现应聘者与真实场景之间的交互。本发明通过使用预训练模型来计算处理数据，以获得应聘者的评价数据，可以预测应聘者的工作能力和岗位匹配度。

如图1所示，可交互场景化的面试系统100还可以包括场景化设置模块101、评价展示模块105和离线模型训练模块106。

场景化设置模块101可以与在线面试模块102相连，设置可视化面试场景和面试事件流。评价展示模块105可以与应聘者综合评价模块104相连，向招聘者展示评价数据。离线模型训练模块106可以与场景化设置模块101、响应事件流接收及处理模块103和应聘者综合评价模块104相连，基于包括面试事件流的可视化面试场景、处理数据和外部的评价数据，并且使用机器学习框架和机器学习算法，来对预训练模型进行离线训练。

本发明通过设置可视化面试场景和面试事件流，可以使得面试内容贴合招聘岗位的所需能力和工作内容。本发明通过向招聘者展示评价数据，可以便于招聘者管理后续的招聘事务。本发明通过基于包括面试事件流的可视化面试场景、处理数据和外部的评价数据，并且使用机器学习框架和机器学习算法，来对预训练模型进行离线训练，可以提高模型预测的准确度。

图2是根据本发明的第一实施方式的场景化设置模块的结构图。如图2所示，场景化设置模块101可以包括面试场景可视化子模块1011、面试事件模板子模块1012和基于时间序列的面试事件发生器1013。

面试场景可视化子模块1011可以提供真实场景，以供招聘者选择面试场景。真实场景可以包括工作电脑桌面场景、办公室工作场景、约见客户场景等。在招聘者选择了面试场景之后，面试场景可视化子模块1011可以虚拟化选择的面试场景，以获得可视化面试场景。在实施中所使用的技术可以包括HTML5、增强现实(AR)、虚拟现实(AR)等。

面试事件模板子模块1012可以提供面试事件模板，以供招聘者选择面试事件。面试事件模板根据展示形式可以分为文本事件、语音事件、视频事件等。面试事件模板根据内容可以分为客观事件和主观事件等。客观事件是有标准响应依据的事件，可以用于衡量应聘者的硬性能力。主观事件是没有标准响应依据的事件，可以用于衡量应聘者的软性能力，如反应能力、沟通能力、抗压能力等。

基于时间序列的面试事件发生器1013可以与面试场景可视化子模块1011和面试事件模板子模块1012相连，在招聘者选择了面试事件之后，基于可视化面试场景，对选择的面试事件的发生顺序进行排序，以获得面试事件流，并且向在线面试模块102提供包括面试事件流的可视化面试场景，从而可以模拟在当前工作场景中可能会发生的真实事件，使得应聘者能够沉浸其中，做出较为真实的响应。

图3是根据本发明的第一实施方式的在线面试模块的结构图。如图3所示，在线面试模块102可以在不同的终端和平台上实施。实施的终端可以包括台式机、笔记本电脑、平板电脑、手机等。实施的平台可以包括电脑端网页浏览器、IOS应用、Android应用、微信小程序应用等。在实施的平台上需要使用终端的硬件功能可以包括高清摄像头、麦克风、定位装置、陀螺仪等。在实施中所使用的技术可以包括HTML5、IOS APP应用开发、Android应用开发、微信小程序应用开发等。

图4是根据本发明的第一实施方式的事件流接收及处理模块的结构图。如图4所示，响应事件流接收及处理模块103可以包括响应事件接收及存储子模块1031、响应事件处理子模块1032和处理数据存储子模块1033。

响应事件接收及存储子模块1031可以与在线面试模块102相连，接收并且存储由应聘者在可视化面试场景中对于面试事件流中的每个面试事件所产生的响应事件，以获得响应事件流。响应事件流可以包括应聘者所产生的例如点击、拖动等的屏幕交互事件、应聘者所产生的文本输入流、应聘者所产生的语音输入流、应聘者所产生的视频输入流等。在实施中所使用的存储技术可以包括关系型数据库、云对象存储、消息队列等。

响应事件处理子模块1032可以与响应事件接收及存储子模块1031相连，使用流计算框架和交互数据处理技术来处理响应事件流中的每个响应事件，以获得每个响应事件的处理数据。流计算框架可以包括Apache Flink、Spark等。交互数据处理技术可以包括面部表情识别技术、语音语调识别技术、语音转文本技术等。响应事件处理子模块1032还可以直接存储响应事件，即每个响应事件的处理数据还可以包括该响应事件的直接存储数据。

处理数据存储子模块1033可以与响应事件处理子模块1032相连，存储每个响应事件的处理数据，以获得响应事件流的处理数据。在实施中所使用的存储技术可以包括关系型数据库、分布式存储(例如，Hadoop)、云对象存储等。

返回到图2，如图2所示，场景化设置模块101还可以包括面试事件状态机1014。

面试事件状态机1014可以与基于时间序列的面试事件发生器1013、在线面试模块102和响应事件流接收及处理模块103相连，基于与面试事件流中的一个或多个面试事件对应的一个或多个响应事件的处理数据，调整面试事件流中的后续面试事件的发生顺序，从而后续面试事件的发生顺序可以根据之前面试事件的响应状态来动态调整。对于复杂的面试事件，面试事件状态机1014也可以使用知识图谱和机器学习来预测后续的面试事件。

图5是根据本发明的第一实施方式的离线模型训练模块的结构图。如图5所示，离线模型训练模块106可以与场景化设置模块101(未示出)、响应事件流接收及处理模块103和应聘者综合评价模块104相连，接收包括面试事件流的可视化面试场景(未示出)和处理数据并提取特征作为训练样本输入，接收外部的评价数据作为训练样本输出，使用机器学习框架和机器学习算法来对预训练模型进行离线训练，并且部署预训练模型，以调整离线模型训练模块106中的预训练模型。外部的评价数据可以来自以下途径：招聘者可以将现有的员工作为“应聘者”，接收并且处理由该员工对于包括面试事件流的可视化面试场景所产生的响应事件流，以获得处理数据，并且根据该员工的绩效数据或者部门经理/同事对其的评价作为评价数据；招聘者可以对已经获得处理数据的应聘者进行评价作为评价数据；以及第三方机构可以对已经获得处理数据的应聘者进行评价作为评价数据等。机器学习框架可以包括TensorFlow、Pytorch、Matlab等。机器学习算法可以包括回归算法、神经网络(例如，CNN和RNN)、改进神经网络(例如，LSTM)、深度学习算法等。

返回到图1，如图1所示，场景化设置模块101可以与离线模型训练模块106相连，以提供包括面试事件流的可视化面试场景作为训练样本输入。响应事件流接收及处理模块103可以与离线模型训练模块106相连，以提供处理数据作为训练样本输入。应聘者综合评价模块104可以与响应事件流接收及处理模块103和离线模型训练模块106相连，接收处理数据，根据离线模型训练模块106调整预训练模型，并且使用调整的预训练模型来计算处理数据，以获得应聘者的评价数据，从而可以提高应聘者与岗位之间的匹配度。

返回到图1，如图1所示，评价展示模块105可以与应聘者综合评价模块104相连，向招聘者展示评价数据。评价展示模块105还可以包括应聘者档案管理、搜索、现场面试邀约、多方协作面试评价、录用状态管理等功能，从而可以便于招聘者管理后续的招聘事务。

本发明的第二实施方式涉及一种可交互场景化的面试方法。图6是根据本发明的第二实施方式的可交互场景化的面试方法的流程图。如图6所示，可交互场景化的面试方法600可以包括在线面试步骤602、响应事件流接收及处理步骤603和应聘者综合评价步骤604。

在线面试步骤602可以提供包括面试事件流的可视化面试场景，以供应聘者在线面试。响应事件流接收及处理步骤603可以与在线面试步骤602相连，接收并且处理由应聘者在在线面试中所产生的响应事件流，以获得处理数据。应聘者综合评价步骤604可以与响应事件流接收及处理步骤603相连，使用预训练模型来计算处理数据，以获得应聘者的评价数据。

如图6所示，可交互场景化的面试方法600还可以包括场景化设置步骤601、评价展示步骤605和离线模型训练步骤606。

场景化设置步骤601可以与在线面试步骤602相连，设置可视化面试场景和面试事件流。评价展示步骤605可以与应聘者综合评价步骤604相连，向招聘者展示评价数据。离线模型训练步骤606可以与场景化设置步骤601、响应事件流接收及处理步骤603和应聘者综合评价步骤604相连，基于包括面试事件流的可视化面试场景、处理数据和外部的评价数据，并且使用机器学习框架和机器学习算法，来对预训练模型进行离线训练。

第一实施方式是与本实施方式相对应的系统实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

本发明的第三实施方式涉及一种可交互场景化的面试设备，设备包括存储有计算机可执行指令的存储器和处理器，处理器被配置为执行指令以实施可交互场景化的面试方法。

第一实施方式是与本实施方式相对应的系统实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

本发明的第四实施方式涉及一种使用计算机程序编码的计算机存储介质，计算机程序包括指令，指令被一个以上的计算机执行以实施可交互场景化的面试方法。

第一实施方式是与本实施方式相对应的系统实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

需要说明的是，本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable Array Logic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically ErasableProgrammable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

需要说明的是，本发明各设备实施方式中提到的各单元/模块都是逻辑单元/模块，在物理上，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现，这些逻辑单元本身的物理实现方式并不是最重要的，这些逻辑单元所实现的功能的组合才是解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，这并不表明上述设备实施方式并不存在其它的单元。

在附图中，可以以特定布置和/或顺序示出一些结构或方法特征。然而，应该理解，可能不需要这样的特定布置和/或排序。而是，在一些实施例中，这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外，在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征，并且在一些实施例中，可以不包括这些特征或者可以与其他特征组合。

需要说明的是，在本专利的权利要求和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (11)

1.一种可交互场景化的面试方法，其特征在于，所述方法包括：

提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

2.根据权利要求1所述的方法，其特征在于，在提供包括面试事件流的可视化面试场景，以供应聘者在线面试之前，所述方法还包括：

设置所述可视化面试场景和所述面试事件流。

3.根据权利要求2所述的方法，其特征在于，设置所述可视化面试场景包括：

提供真实场景，以供招聘者选择面试场景；

虚拟化选择的所述面试场景，以获得所述可视化面试场景。

4.根据权利要求3所述的方法，其特征在于，设置所述面试事件流包括：

提供面试事件模板，以供招聘者选择面试事件；

基于所述可视化面试场景，对选择的所述面试事件的发生顺序进行排序，以获得所述面试事件流。

5.根据权利要求4所述的方法，其特征在于，接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据包括：

接收并且存储由所述应聘者在所述可视化面试场景中对于所述面试事件流中的每个所述面试事件所产生的响应事件，以获得所述响应事件流；

使用流计算框架和交互数据处理技术来处理所述响应事件流中的每个所述响应事件，以获得每个所述响应事件的处理数据；

存储每个所述响应事件的处理数据，以获得所述响应事件流的处理数据。

6.根据权利要求5所述的方法，其特征在于，基于与所述面试事件流中的一个或多个所述面试事件对应的一个或多个所述响应事件的处理数据，调整所述面试事件流中的后续所述面试事件的发生顺序。

7.根据权利要求1所述的方法，其特征在于，基于包括所述面试事件流的所述可视化面试场景、所述处理数据和外部的评价数据，并且使用机器学习框架和机器学习算法，来对所述预训练模型进行离线训练。

8.根据权利要求1所述的方法，其特征在于，在使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据之后，所述方法还包括：

向招聘者展示所述评价数据。

9.一种可交互场景化的面试系统，其特征在于，所述系统包括：

在线面试模块，提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

响应事件流接收及处理模块，接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

应聘者综合评价模块，使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

10.一种可交互场景化的面试设备，其特征在于，所述设备包括存储有计算机可执行指令的存储器和处理器，所述处理器被配置为执行所述指令以实施可交互场景化的面试方法，所述方法包括：

提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

11.一种使用计算机程序编码的计算机存储介质，其特征在于，所述计算机程序包括指令，所述指令被一个以上的计算机执行以实施可交互场景化的面试方法，所述方法包括：

提供包括面试事件流的可视化面试场景，以供应聘者在线面试；

接收并且处理由所述应聘者在所述在线面试中所产生的响应事件流，以获得处理数据；

使用预训练模型来计算所述处理数据，以获得所述应聘者的评价数据。

Images