CN111401828A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111401828A CN111401828A CN202010133544.0A CN202010133544A CN111401828A CN 111401828 A CN111401828 A CN 111401828A CN 202010133544 A CN202010133544 A CN 202010133544A CN 111401828 A CN111401828 A CN 111401828A
- Authority
- CN
- China
- Prior art keywords
- interview
- evaluation
- model
- recommendation
- evaluation model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005728 strengthening Methods 0.000 title claims abstract description 8
- 238000003860 storage Methods 0.000 title claims description 13
- 238000013210 evaluation model Methods 0.000 claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 230000014509 gene expression Effects 0.000 claims abstract description 20
- 230000002787 reinforcement Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 44
- 230000007115 recruitment Effects 0.000 abstract description 15
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000012216 screening Methods 0.000 description 8
- 230000008451 emotion Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 206010028813 Nausea Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/1053—Employment or hiring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Abstract
本发明专利公开了一种强化排序的动态智能面试方法,包括如下步骤:企业个性化方案定制、AI评估模型构造、回归模型构造、实习候选人跟踪、强化学习的模型优化。通过个性化定制和结构化面试制定面试题目,邀请候选人进行在线视频面试,利用人工智能算法对候选人的表情、颜值、声音和回答文本进行评估,以专业HR的决策结果作为回归目标,可以节省企业和求职者的面试成本,实现快速、客观、准确的面试评估结果,同时以企业优秀员工的得分区间作为最佳匹配区间,可以更好的减少企业的人才流失,减少招聘资源的浪费。
Description
技术领域
本发明涉及基于人工智能技术领域的面试方法,特别涉及一种能够强化排序的动态智能招聘面试方法及实现这种方法的系统。
背景技术
近年来,我国的新增就业人口数量规模巨大,根据国家统计局数据显示,党的十八大以来,党中央实施就业优先政策,全国城镇就业总量增加了6300多万人,平均每年增加1000万人以上。与此同时,求职人口也是与年俱增,根据教育部数据显示,2019年高校应届毕业生共834万,与2018年的820万相比再次增加了14万人,这其中尚且不包括中高职院校的大批毕业人员。
对于企业来说,目前最为主流的面试方式仍然是首先在招聘网站上发放相关的人才招聘信息,收集求职者简历,而后组织大规模的线下集中面试,动用全部的企业面试官花费巨大的精力为公司选拔合适的人才。传统的面试形式很难做到标准统一,首先不同的面试官面试风格不尽相同,其次,该类招聘会非常消耗面试官精力,面试官到后期难免疲惫,这两种情况下均可能造成招聘标准不一致。
招聘人才与应聘职位本是一个双向选择的过程,企业为了招聘高质量人才会收集尽可能多的人才简历,简历筛选工作量与后期的面试成本无形中变大;同时,在巨大的就业压力下,求职者往往采取“海投”策略,即将自己的简历投向多家企业,往往需要奔走多个城市进行应聘。二者同时加剧了企业的招聘成本与求职者的求职成本。此外,在求职者投递多家公司的情况下,更容易出现求职者自身素质与应聘岗位不相匹配的情况,在求职者本身素质高于或者低于职位需求时均有可能造成后期的人才流动问题,隐性地造成了更多的成本浪费。
目前的线上面试系统大多数只是为面试双方提供了一个面试平台,仍然需要专业的面试官进行人才的筛选工作,少有基于人工智能的全方位、全自动化的面试系统。目前市场上有少量的自动简历解析与筛选系统,但是这类系统一般通过文本关键词抓取或者学历审查等方式进行比较粗粒度的人才筛选,这种筛选方案首先无法给应聘人员带来很好的面试体验,其次,不具备真实面试官的多角度判别能力,很可能选出不匹配的应聘人员,从而造成后续面试流程面试成本的增加。
综上所述,现有的面试体系主要存在以下不足:
(1)面试标准不一致:不同面试官的面试风格不一致,同一个面试官在大规模集中面试当中很难做到前后面试标准一致,因此当前的面试方式无法做到严格的公正、客观。
(2)面试成本高:一方面,面试的双向选择性质、求职者对自身能力认识的不足以及“海投”策略会给企业带来较多的简历筛选以及面试压力,带来企业招聘成本的增高,同时也需要求职者花费较多的精力与财力奔波多个城市方可找到较为合适的工作。另一方面,求职者很难知道最为适合自身的岗位,造成求职者的“盲投”,或者在就职之后发现自己不合适该岗位之后很快离职,二者均会带来隐性的面试成本的增加。
(3)现存面试系统较为初级:当前市场上的面试系统仅是为面试双方提供了一个面试平台,免去双方的差旅成本,不能从根本上减小企业的招聘压力;其他的自动化简历筛选系统只能从简历关键短语匹配、学历筛选等角度进行初步筛选,不具备真实面试官的智能判别能力。
近年来,随着人工智能(AI)在图像处理、音频处理、自然语言处理领域的高速发展与相关技术的不断成熟,人工智能的概念在各行各业当中盛行起来,各行各业在人工智能的加持下更加蓬勃发展,使得利用人工智能技术打造动态的智能招聘平台、大力降低企业与求职人员的面试成本成为可能。
发明内容
为克服上述现有技术中的不足,本发明的目的在于提供一种结合AI模型评估结果,对候选人适合程度进行排序推荐、并能够对AI模型不断进行优化的动态智能面试方法。
一种强化排序的动态智能面试方法,其特征在于,其包括如下步骤:1)企业面试方案定制:根据企业需求定制结构化面试流程及推荐标准;2)AI评估模型构造:构造至少一种AI评估模型,采用视频方式进行面试,采集面试者的面试视频信息,通过对面试视频信息进行数据分离,分离出来的数据信息用于相应的AI评估模型训练;3)回归模型构造:通过对步骤2)中各AI评估模型的评估结果进行分析计算,并匹配推荐标准进行智能排序推荐;4)后续跟踪记录:对录用人员的工作表现进行跟踪、记录;5)模型优化:根据记录的录用人员的工作表现,通过强化学习对AI评估模型及回归模型进行调整和优化。
优选的,定制面试流程包括通过对招聘岗位分析、确定招聘岗位的测评要素、制定面试题目、确定评价方法与考评标准。
优选的,构造的AI评估模型包括表情分类评估模型、面试音频评估模型和开放问答评估模型;通过从面试视频信息中分离出图形信息、声音信息和文本信息,分别用于所述表情分类评估模型、面试音频评估模型和开放问答评估模型的训练。
优选的,回归模型通过对各AI评估模型的评估分数进行加权计算,以分值排序的形式表示对面试人员的评估结果,并按分值大小排序进行推荐。
优选的,后续跟踪记录中录用人员的工作表现包括实习时的工作表现评估结果、是否转正及转正后工作表现评估结果。
优选的,步骤5)中根据录用人员的跟踪记录计算强化学习需要的奖励,反馈给策略网络,对AI评估模型及回归模型进行调整和优化,被录用人员实习表现良好、能够顺利转正,则模型得到较高的奖励,反之模型将受到惩罚,模型根据奖励或惩罚的大小,调整参数优化方向。
优选的,可首先通过企业内对应岗位员工进行视频面试,对各AI评估模型进行训练,并通过回归模型对企业优秀员工和普通员工进行自动评估,得到优秀员工在的分数区间和普通员工的分数区间,进而以优秀员工分数区间作为优先推荐区间的推荐标准,普通员工分数区间作为普通推荐区间的推荐标准。
为了实现上述目的,本发明还公开了一种强化排序的动态智能装置,其包括:企业面试方案定制模块,用于企业需求定制结构化面试流程及推荐标准,并能通过互联网进行视频面试;AI评估模型构造模块,用于构造至少一种AI评估模型,采用视频方式进行面试,采集面试者的面试视频信息,用于通过对面试视频信息进行数据分离,分离出来的数据信息用于相应的AI评估模型训练;回归模型构造模块,用于通过对各AI评估模型的评估结果进行分析计算,并匹配推荐标准进行智能排序推荐;后续跟踪记录模块,用于对录用人员的工作表现进行记录;模型优化模块;用于根据记录的录用人员的工作表现,通过强化学习对AI评估模型及回归模型进行调整和优化。
为了实现上述目的,本发明还公开了一种强化排序的动态智能设备,包括存储设备、处理器,存储设备上存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述强化排序的动态智能面试方法。
为实现上述目的,本发明还公开了一种计算机存储介质,用于存储有计算机程序,所述计算机程序被处理器执行时实现上述强化排序的动态智能面试方法。
为实现上述目的及其他相关目的,本发明提供的技术方案是:
上述技术方案具有如下有益效果:1)可以为企业个性化定制面试方案,并以优秀员工的面试表现作为推荐标准,可以减少企业的新入职人员的流失;2)使用融合表情、声音、文本的人工智能算法对求职者进行在线评估,保证评估结果的准确性、全面性和客观性;3)基于回归模型的构造,能够融合各类人工智能算法的排序评估结果,进而帮助或辅助企业HR进行决策4)基于强化学习的候选人跟踪方法,使得模型可以不断优化和调整,从而形成与企业岗位最匹配的面试方案。
附图说明
图1为本发明面试方法实施例的流程图。
图2为本发明企业面试方案定制的流程图。
图3位本发明AI评估模型构造的流程图。
图4为本发明回归模型构造的流程图。
图5为本发明后续跟踪记录的流程图。
图6为本发明模型优化流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
本专利公开了一种强化排序的动态智能面试方法,如图1所示,其包括如下步骤:
1)企业面试方案定制,该步骤中主要用于根据企业需求定制结构化面试流程及推荐标准。具体包括定制结构化面试流程和定制推荐标准两部分(如图2所示)。
定制结构化面试流程:通过招聘岗位的分析,确定招聘岗位的测评要素,制定特定的面试题目,同时与企业HR进行沟通确定评价方法与考评标准,该面试流程可根据不同的企业需求进行定制;
定制推荐标准:企业对在职员工进行评估,得到特定岗位上的优秀员工集合、普通员工集合和其他员工集合(已经离职、或准备辞退的员工),以优秀员工集合作为最佳候选推荐区间,普通员工集合作为普通推荐区间,其他作为不推荐区间;推荐标准的区别也可直接进行设定,并通过后续模型进行优化。
该企业面试方案定制完成后,其面试方案应能通过登录招聘系统的方式在互联网进行视频面试操作。
2)AI评估模型构造:构造至少一种AI评估模型,采用视频方式进行面试,采集面试者的面试视频信息,通过对面试视频信息进行数据分离,分离出来的数据信息用于相应的AI评估模型训练(如图3所示)。
其具体包括如下步骤:
数据采集:求职者可以在智能手机、PC端等终端设备上登录招聘系统,进行自动化的视频面试,回答视频面试中的问题,完成自动化视频面试的视频采集,企业HR进行人工评估,构建轻量级有监督训练语料。
数据分离:针对每个视频面试问题,从面试视频中抽取一定数量的关键帧用于表情分类评估模型的表情分类算法和颜值分析算法;提取视频汇总的完整的音频信息,用于面试音频评估模型;使用ASR(自动语音识别)技术讲语音识别为文本,用于融合自然语言理解的开放问答评估模型的训练。上述数据分离可根据要训练评估模型的种类及数量进行操作,并不局限于上述三种信息,可以包括和也可不包括上述三种信息。
AI模型的训练:基于上述数据转录步骤转录出的图像、声音和文本数据,进行对应的模型训练或调整。
对于表情分类评估模型方面,利用基于深度学习的表情分类模型(Keras-CNN)对于采样之后的图像进行面部表情识别,综合分析所有的面部表情识别结果,进而得出求职者的面部情绪变化,模拟面试官的判别能力当中的视觉判别部分。
对于面试音频评估模型方面,利用多维度语音质量评价模型分别进行音量、流畅程度、语速、音调等方面语音特征判别,利用语音情感识别模型判别求职者面试过程中紧张程度等语音情绪特征,对所有结果进行综合,从语音角度分析求职者的情绪变化,模拟面试官的听觉判别部分。
对于开放问答评估模型方面,利用基于文本理解的开放性问题的答案质量评估模型(Bi-DAF)评测求职者给出答案的质量高低,通过分析求职者对各类面试问题(考察求职者的工作态度、处理问题的方法等)的回答,综合判别求职者的岗位胜任能力、工作态度,从而使得系统具备面试官的经验判别能力。
情分类评估模型:
本专利采用VGG19和Resnet18来完成表情的识别与分类,表情分类结果有7类:平静、悲伤、快乐、生气、惊讶、恐惧、厌恶。针对每个面试视频,采样100-200帧图像进行表情识别,最终得到7种表情的分布情况Imageemotion=[count1,...,count7],其中count1表示第1类表情平静的个数。
面试音频评估模型:
待识别的语音中包含的情感主要有6种:开心、难过、恶心、害怕、生气和惊讶。首先使用自相关法求出基音频率参数,并对基频曲线进行中心消波和线性平滑处理,然后对基频曲线的下列特征进行了研究,并对特征能够较好区分的情感作了统计;然后提取声音中的共振峰参数和能量参数;然后使用高斯分布模型,将每类特征的分布视为多个高斯分布的加权和,最终将概率最大的类别作为情绪判别的结果Speechemotion。
开放问答评估模型:
本专利采用文本匹配的方式对面试问题和回答文本进行评估,首先构建卷积神经网络模型对问题和答案进行表示,每个卷积网络包含输入层、卷积层、池化层、全连接层和softmax层。其中卷积层使用多通道filter对文本向量进行抽象,得到多组feature maps;池化层可以有效缩小问题表示和答案表示的矩阵尺寸,进而减少全连接层的参数。将问题表示和答案表示进行拼接,得到问答对表示,最后使用MLP分类网络得到评估结果textscore。
3)回归模型构造:通过对上述步骤中各AI评估模型的评估结果进行分析计算,并匹配推荐标准进行智能排序推荐(如图4所示)。
在进行模型构造过程中,首先通过个AI评估模型对求职者在多个面试问题上的评估结果进行打分,如表情预测结果、颜值预测结果、声音预测结果和文本回答打分结果,然后构建线性加权回归模型,用于回归企业HR对候选人最终的决策结果。
回归模型整合算法:
在对表情、声音和文本评估结果进行整合时,本专利采用了线性回归模型。公式如下:
其中,x表示候选人,n表示候选人对应的特征种类数,x0到xn分别对应了候选人的表情特征、声音特征和文本特征对应及其模型判别结果。AI评估模型构造分离出来的图像、声音和文本数据也可应用于该回归模型的训练。
对于匹配标准的设定,可通过让企业优秀员工参加AI智能面试,得到员工在表情、声音、回答文本上的评估结果,并通过该回归模型得到回归结果,从而得到最优的匹配标准。面试人员可以通过手机或电脑参加在线视频面试,回答结构化面试问题,并上传答题视频,优选的,该在线视频面试方式不受时间、空间限制,并且可以节约求职者的面试成本。
如假设总区间分为10个等级(1级,2级,…,10级),每个等级对应面试人员参加智能面试的得分。如企业员工的回归结果大多数落在等级7级和9级上。那么本系统将把等级7级和等级9级作为优先推荐区间,为企业推荐人才。根据市场调查,企业往往面临人才流失的问题,一个重要原因就是员工觉得该岗位与自己才华不匹配。因此,在本专利方法中,以与岗位优秀员工表现最匹配的候选人作为推荐标准。
优先推荐区间和普通推荐区间并不代表是得分最高区间,但代表最佳匹配和推荐区间;优选的,针对不同企业,优先推荐区间和普通推荐区间是跟随企业员工的评估结果动态变化的;多任务回归模型以分值排序的形式表示对候选人的评估结果,分数高低可以一定程度反映候选人的优秀程度,根据候选人得分情况,映射至优先推荐区间、普通推荐区间和不推荐区间,优先向企业推荐优先推荐区间内的候选人。
4)后续跟踪记录:对录用人员的工作表现进行跟踪、记录(如图5所示)。
其具体包括如下步骤:
实习候选人跟踪:对拿到录用资格的候选人的工作表现评估结果、最终是否转正的结果进行跟踪;录用候选人状态跟踪可以根据候选人实习表现、能够转正、转正后表现等对面试方案进行调整,促进模型优化。该候选人的工作表现评估结果可直接录入到面试系统内,这样就可根据录入的评估结果(分数、等级)自动进行模型优化。
5)模型优化:根据记录的录用人员的工作表现,通过强化学习对AI评估模型及回归模型进行调整和优化(如图6所示)。
其具体包括如下步骤:
基于强化学习的模型优化:根据候选人状态跟踪结果,计算强化学习需要的奖励(Reward),反馈给策略网络,进而优化回归模型及各模态下的打分模型,被推荐的候选人实习表现良好、能够顺利转正,则模型得到较高的奖励(Reward为正),反之模型将受到惩罚(Reward为负),模型根据reward大小,调整参数优化方向。
该基于强化学习的模型优化策略可采用如下对应的技术方案:
步骤1:强化学习的奖励reward有两种类型,实时奖励和最终奖励。本专利使用最终奖励作为激励,reward的计算公式如下:
其中condition1推荐的求职者被拒绝;condition2推荐的求职者拿到实习资格;condition3推荐的求职者被正式录用。
步骤2:根据reward更新,使用策略梯度(Policy Gradient)算法更新模型损失函数,进而优化模型。
本专利还具体公开了一种强化排序的动态智能面试装置,其包括:企业面试方案定制模块,用于企业需求定制结构化面试流程及推荐标准,并能通过互联网进行视频面试;AI评估模型构造模块,用于构造至少一种AI评估模型,采用视频方式进行面试,采集面试者的面试视频信息,用于通过对面试视频信息进行数据分离,分离出来的数据信息用于相应的AI评估模型训练;回归模型构造模块,用于通过对各AI评估模型的评估结果进行分析计算,并匹配推荐标准进行智能排序推荐;后续跟踪记录模块,用于对录用人员的工作表现进行记录;模型优化模块;用于根据记录的录用人员的工作表现,通过强化学习对AI评估模型及回归模型进行调整和优化。
需要说明的是,本实施例提供的一种强化排序的动态智能面试装置所涉及各功能单元的其他相应描述,可以参考图1至图6中的对应描述,在此不再赘述。
基于上述如图1至图6所示的方法,为了实现上述目的,本申请实施例还提供了一种强化排序的动态智能面试设备,具体可以为个人计算机、服务器、网络设备等,该实体设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图6所示的面试人员的面试方法。
基于上述如图1至图6所示方法,相应的,本实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1至图6所示的面试方法。基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
该动态智能面试方法、装置、设备及计算机存储介质具有如下有益效果:1)可以为企业个性化定制面试方案,并以优秀员工的面试表现作为推荐标准,可以减少企业的新入职人员的流失;2)使用融合表情、声音、文本的人工智能算法对求职者进行在线评估,保证评估结果的准确性、全面性和客观性;3)基于回归模型的构造,能够融合各类人工智能算法的排序评估结果,进而帮助或辅助企业HR进行决策4)基于强化学习的候选人跟踪方法,使得模型可以不断优化和调整,从而形成与企业岗位最匹配的面试方案。
该动态智能面试方法是一种基于排序的候选人推荐方案,该方案结合AI模型评估结果,客观量化候选人对岗位的适合程度,并以此作为推荐标准,能够保证所推荐的候选人有更大潜力成为该岗位上的优秀员工;该面试方法是一种融合多种模态人工智能算法的候选人推荐方案,该方案有机融合候选人在图像、声音、文本多种模态下的表现,对候选人进行自动高效的综合评估,可以很大程度减轻HR招聘负担;该面试方法是一种基于多任务回归的候选人推荐方案,融合表情识别任务、颜值识别任务、声音评估任务和开放问答评估任务的分析结果,以专业HR对候选人最终的决策结果作为回归目标,能够保证推荐的准确性;该面试方法是一种基于强化学习的候选人推荐方案,在推荐候选人之后,以候选人在对应岗位上的表现构建奖励机制,对模型进行调整和优化,是一种可以自优化的智能推荐方案。
本领域技术人员可以理解,本实施例提供的面试人员的性格预测的实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种强化排序的动态智能面试方法,其特征在于,其包括如下步骤:
1)企业面试方案定制:根据企业需求定制面试流程及推荐标准;
2)AI评估模型构造:构造至少一种AI评估模型,采用视频方式进行面试,采集面试者的面试视频信息,通过对面试视频信息进行数据分离,分离出来的数据信息用于相应的AI评估模型训练;
3)回归模型构造:对步骤2)中各AI评估模型的评估结果进行分析计算,并匹配推荐标准进行智能排序推荐;
4)后续跟踪记录:对录用人员的工作表现进行跟踪、记录;
5)模型优化:根据记录的录用人员的工作表现,通过强化学习对AI评估模型及回归模型进行调整和优化。
2.根据权利要求1所述的强化排序的动态智能面试方法,其特征在于:定制面试流程包括通过对招聘岗位分析、确定招聘岗位的测评要素、制定面试题目、确定评价方法与考评标准。
3.根据权利要求1所述的强化排序的动态智能面试方法,其特征在于:构造的AI评估模型包括表情分类评估模型、面试音频评估模型和开放问答评估模型;通过从面试视频信息中分离出图形信息、声音信息和文本信息,分别用于所述表情分类评估模型、面试音频评估模型和开放问答评估模型的训练。
4.根据权利要求1所述的强化排序的动态智能面试方法,其特征在于:回归模型通过对各AI评估模型的评估分数进行加权计算,以分值排序的形式表示对面试人员的评估结果,并按分值大小排序进行推荐,回归最终的评估结果。
5.根据权利要求1所述的强化排序的动态智能面试方法,其特征在于:后续跟踪记录中录用人员的工作表现包括实习时的工作表现评估结果、是否转正及转正后工作表现评估结果。
6.根据权利要求1所述的强化排序的动态智能面试方法,其特征在于:步骤5)中根据录用人员的跟踪记录计算强化学习需要的奖励,反馈给策略网络,对AI评估模型及回归模型进行调整和优化,被录用人员实习表现良好、能够顺利转正,则模型得到较高的奖励,反之模型将受到惩罚,模型根据奖励或惩罚的大小,调整参数优化方向。
7.根据权利要求1所述的强化排序的动态智能面试方法,其特征在于:可首先通过企业内对应岗位员工进行视频面试,对各AI评估模型进行训练,并通过回归模型对企业优秀员工和普通员工进行自动评估,得到优秀员工在的分数区间和普通员工的分数区间,进而以优秀员工分数区间作为优先推荐区间的推荐标准,普通员工分数区间作为普通推荐区间的推荐标准。
8.一种强化排序的动态智能面试装置,其特征在于,其包括:
企业面试方案定制模块,用于企业需求定制结构化面试流程及推荐标准,并能通过互联网进行视频面试;
AI评估模型构造模块,用于构造至少一种AI评估模型,采用视频方式进行面试,采集面试者的面试视频信息,用于通过对面试视频信息进行数据分离,分离出来的数据信息用于相应的AI评估模型和回归模型的训练;
回归模型构造模块,用于通过对各AI评估模型的评估结果进行分析计算,使用线性回归模型回归最终的评估结果,并匹配推荐标准进行智能排序推荐;
后续跟踪记录模块,用于对录用人员的工作表现进行记录;
模型优化模块;用于根据记录的录用人员的工作表现,通过强化学习对AI评估模型及回归模型进行调整和优化。
9.一种强化排序的动态智能面试设备,其包括: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。
10.一种计算机存储介质,用于存储有计算机程序,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 |
---|---|---|---|
CN202010133544.0A CN111401828A (zh) | 2020-02-28 | 2020-02-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010133544.0A CN111401828A (zh) | 2020-02-28 | 2020-02-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401828A true CN111401828A (zh) | 2020-07-10 |
Family
ID=71430397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010133544.0A Pending CN111401828A (zh) | 2020-02-28 | 2020-02-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401828A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465482A (zh) * | 2020-12-29 | 2021-03-09 | 普工宝网络科技(重庆)有限公司 | 基于大数据的人才推荐方法及系统 |
CN112734389A (zh) * | 2021-01-14 | 2021-04-30 | 上海尧信惠达信息科技有限公司 | 人力资源管理的方法、系统、存储介质及电子设备 |
CN112884326A (zh) * | 2021-02-23 | 2021-06-01 | 无锡爱视智能科技有限责任公司 | 一种多模态分析的视频面试评估方法、装置和存储介质 |
CN112949988A (zh) * | 2021-02-01 | 2021-06-11 | 浙江大学 | 一种基于强化学习的服务流程构造方法 |
CN114186983A (zh) * | 2022-02-16 | 2022-03-15 | 北森云计算有限公司 | 视频面试多维评分方法、系统、计算机设备及存储介质 |
CN115758178A (zh) * | 2022-11-23 | 2023-03-07 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理模型训练方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150046357A1 (en) * | 2013-08-09 | 2015-02-12 | Mattersight Corporation | Systems and methods for evaluating job candidates |
CN104412577A (zh) * | 2012-02-23 | 2015-03-11 | 大专院校网站公司 | 异步视频面试系统 |
CN106598952A (zh) * | 2016-12-23 | 2017-04-26 | 大连理工大学 | 基于卷积神经网络的中文模糊限制信息范围检测系统 |
CN107729986A (zh) * | 2017-09-19 | 2018-02-23 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN109034264A (zh) * | 2018-08-15 | 2018-12-18 | 云南大学 | 交通事故严重性预测csp-cnn模型及其建模方法 |
CN109146430A (zh) * | 2018-09-05 | 2019-01-04 | 福建省伯乐仁资智能科技有限公司 | 一种在线视频面试方法及系统 |
CN110135800A (zh) * | 2019-04-23 | 2019-08-16 | 南京葡萄诚信息科技有限公司 | 一种人工智能视频面试方法及系统 |
-
2020
- 2020-02-28 CN CN202010133544.0A patent/CN111401828A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104412577A (zh) * | 2012-02-23 | 2015-03-11 | 大专院校网站公司 | 异步视频面试系统 |
US20150046357A1 (en) * | 2013-08-09 | 2015-02-12 | Mattersight Corporation | Systems and methods for evaluating job candidates |
CN106598952A (zh) * | 2016-12-23 | 2017-04-26 | 大连理工大学 | 基于卷积神经网络的中文模糊限制信息范围检测系统 |
CN107729986A (zh) * | 2017-09-19 | 2018-02-23 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN109034264A (zh) * | 2018-08-15 | 2018-12-18 | 云南大学 | 交通事故严重性预测csp-cnn模型及其建模方法 |
CN109146430A (zh) * | 2018-09-05 | 2019-01-04 | 福建省伯乐仁资智能科技有限公司 | 一种在线视频面试方法及系统 |
CN110135800A (zh) * | 2019-04-23 | 2019-08-16 | 南京葡萄诚信息科技有限公司 | 一种人工智能视频面试方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465482A (zh) * | 2020-12-29 | 2021-03-09 | 普工宝网络科技(重庆)有限公司 | 基于大数据的人才推荐方法及系统 |
CN112734389A (zh) * | 2021-01-14 | 2021-04-30 | 上海尧信惠达信息科技有限公司 | 人力资源管理的方法、系统、存储介质及电子设备 |
CN112949988A (zh) * | 2021-02-01 | 2021-06-11 | 浙江大学 | 一种基于强化学习的服务流程构造方法 |
CN112949988B (zh) * | 2021-02-01 | 2024-01-05 | 浙江大学 | 一种基于强化学习的服务流程构造方法 |
CN112884326A (zh) * | 2021-02-23 | 2021-06-01 | 无锡爱视智能科技有限责任公司 | 一种多模态分析的视频面试评估方法、装置和存储介质 |
CN114186983A (zh) * | 2022-02-16 | 2022-03-15 | 北森云计算有限公司 | 视频面试多维评分方法、系统、计算机设备及存储介质 |
CN115758178A (zh) * | 2022-11-23 | 2023-03-07 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理模型训练方法、装置及设备 |
CN115758178B (zh) * | 2022-11-23 | 2024-02-06 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理模型训练方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111275401B (zh) | 一种基于位置关系的智能面试方法及系统 | |
EP3616619A1 (en) | Method of preparing recommendations for taking decisions on the basis of a computerized assessment of the capabilities of users | |
CN111833010A (zh) | 一种智能面试方法、系统、设备和存储介质 | |
Nash et al. | Epistemic trajectories: Mentoring in a game design practicum | |
CN110874716A (zh) | 面试测评方法、装置、电子设备及存储介质 | |
US11741376B2 (en) | Prediction of business outcomes by analyzing voice samples of users | |
CN112687374B (zh) | 一种基于文本和图像信息联合计算的心理危机预警方法 | |
CN114186983B (zh) | 视频面试多维评分方法、系统、计算机设备及存储介质 | |
Younus et al. | The Effect of Artificial Intelligence on Job Performance in China's Small and Medium-Sized Enterprises (SMEs) | |
US11797941B2 (en) | System and methodologies for candidate analysis utilizing psychometric data and benchmarking | |
CN110705523B (zh) | 一种基于神经网络的创业者路演能力测评方法及其测评系统 | |
CN116091014B (zh) | 一种基于多模态识别的人力资源面试系统 | |
Barman et al. | Predictors of social entrepreneurship intention amongst undergraduates | |
CN112132679A (zh) | 产品推荐方法及装置 | |
Xie | Recommendation of english reading in vocational colleges using linear regression training model | |
Balamurugan et al. | Impact of Artificial Intelligence on Organizational Transformation | |
CN116523225B (zh) | 一种基于数据挖掘的翻转课堂混合教学方法 | |
CN114238608B (zh) | 智能面试系统及方法 | |
Ruggeri et al. | Policy evaluation and behavioral economics | |
Jain et al. | AI in HR a Fairy Tale of Combining People, Process, and Technology in Managing the Human Resource | |
Hosseini Zare et al. | Identification the Components of Evaluation of Employee Performance Smart Pattern (Case Study: Bank of Industry and Mine) | |
Bula et al. | The Future of Management. Entrepreneurship, Change and Flexibility | |
Caldera et al. | Interview Bot Using Natural Language Processing and Machine Learning | |
Srihari et al. | Survey On Interview Performance Prediction and Analysis using Audio Features and NLP |
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 |