CN111445200A - 基于人工智能的面试方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了基于人工智能的面试方法、装置、计算机设备及存储介质，涉及人工智能领域，其中，所述方法包括：基于面试者的登录请求，对面试者进行身份识别；获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；采集面试者的回答内容；基于面试者的回答内容对面试者进行向上难度或向下难度的追问；对面试者包括追问答案在内的所有回答内容进行评分。本发明在提问过程中会针对面试者的回答内容进行向上难度和/或向下难度的追问，这样能准确评估面试者的知识水平和能力，以便客观地进行评分。

Description

基于人工智能的面试方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及基于人工智能的面试方法、装置、计算机设备及存储介质。

背景技术

目前，为了解决现有人工面试方法对面试者评估不够全面客观以及面试效率低的问题，现有技术中提供了智能面试方法，具体是建立对话模型来与面试者进行对话，根据对话以及面试者的答案对面试者进行评分。

但现有技术中的智能面试方法仍存在对面试者能力评估的准确率不高的问题。

发明内容

本发明实施例提供了基于人工智能的面试方法、装置、计算机设备及存储介质，旨在解决现有技术中的智能面试方法存在对面试者能力评估的准确率不高的问题。

第一方面，本发明实施例提供一种基于人工智能的面试方法，其包括：

基于面试者的登录请求，对面试者进行身份识别；

获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；

采集面试者的回答内容；

若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；

基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

第二方面，本发明实施例提供一种基于人工智能的面试装置，其包括：

身份识别单元，用于基于面试者的登录请求，对面试者进行身份识别；

提问单元，用于获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；

采集单元，用于采集面试者的回答内容；

追问单元，用于若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；

评分单元，用于基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的基于人工智能的面试方法。

第四方面，本发明实施例提供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，所述计算机程序当被处理器执行时实现第一方面所述的基于人工智能的面试方法。

本发明实施例提供了一种基于人工智能的面试方法、装置、计算机设备及存储介质，所述方法包括：基于面试者的登录请求，对面试者进行身份识别；获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；采集面试者的回答内容；若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。本发明实施例针对面试岗位的知识图谱生成面试试卷，依据面试试卷进行提问，本发明实施例在提问过程中会针对面试者的回答内容进行向上难度和/或向下难度的追问，这样能准确评估面试者的知识水平和能力，以便客观地进行评分。

附图说明

为了更清楚地说明本发明实施例技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于人工智能的面试方法的流程示意图；

图2为本发明实施例提供的基于人工智能的面试方法的子流程示意图；

图3为本发明实施例提供的基于人工智能的面试装置的示意性框图；

图4为本发明实施例提供的基于人工智能的面试装置的子单元示意性框图

图5为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

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，在此本发明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发明。如在本发明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。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，图1为本发明一种基于人工智能的面试方法较佳实施例的流程图，如图所示，其包括步骤S101～S105：

S101、基于面试者的登录请求，对面试者进行身份识别；

在面试开始前，面试者可先进行登录操作，此时接收到面试者的登录请求，然后依据登录请求对面试者进行身份识别。需说明的是，本发明实施例可以在登录过程中进行识别，以便确认面试者的身份，在确认成功之后，即登录成功。当然，本发明实施例也可以在登录成功之后进行识别，以便采集面试者的信息，作为后续防作弊识别的参考。在一个具体应用场景中，面试者可输入本人信息进行登录操作，登录过程中进行人脸识别，确认面试者是否为本人，确认成功之后即可登录成功。同时在进行人脸识别的过程中，所采集的人脸信息可作为后续防作弊识别的参考。

在一具体应用场景中，还可在面试开始前，采集面试者的声纹信息，以便在后面的面试过程中进行比对，对面试过程进行防作弊识别。采集声纹信息的方式可以是提供一份范文，供面试者阅读。所述范文可以是面试过程中的注意事项等，这样既可以提醒面试者面试过程中应注意的内容，同时也能采集到面试者的声纹信息。

即在具体应用场景中，正式进入面试过程之前可采集人脸信息或者声纹信息，也可以既采集人脸信息又采集声纹信息，这些采集到的信息将作为后续面试过程中防作弊识别的参考和比对标准，确保能够有效识别面试过程中是否有作弊行为。

S102、获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；

在面试者识别通过后，表示确认当前面试者为目标面试者，可进入正式的面试环节。在本发明实施例中，面试环节是采用AI面试方式，即基于人工智能进行面试，面试过程中面试试题的确定和提出均为人工智能完成。

具体地，对话引擎是面试过程中的核心，对话引擎承担着对面试者进行提问以及对面试者回答内容进行处理的任务，为了完成对话引擎的面试过程，需要预先设置好面试岗位的岗位画像、试题画像和知识图谱，这样在确定面试者的面试岗位后即可对其进行遍历，以便生成面试试卷。

在一实施例中，如图2所示，所述步骤S102包括S201～S205：

S201、基于面试岗位的要求，预设面试岗位的岗位画像以及试题画像；

不同的面试岗位有不同的要求，例如行政岗位可能偏向于统筹和协调能力，专业岗位则可能偏向于专业能力，销售岗位则可能偏向于表达和处事能力，不同的面试岗位可能还具有不同的岗位等级，例如高级、中级和初级等。所述岗位画像是指根据面试岗位的要求，通过历史数据分析并结合专家经验而设计得到。岗位画像包括技能标签，技能标签用因子(也可称技能点)来表示。技能标签还可设置为多级，如主因子和次因子。举例来说，在岗位画像中具有多个主因子，每一主因子下具有一个或多个次因子，例如某岗位画像，其主因子包含“专业能力”、“职业素养”和“特质”，其中专业能力主因子下又具有“JAVA”、“数据库”和“Linux”三个次因子，职业素养主因子下又具有“逻辑能力”、“执行能力”两个次因子，特质主因子下又具有“稳定性”和“严谨尽责”两个次因子，这些主因子和次因子共同表示了该岗位画像的技能标签。当然，本实施例也不限于采用上述两级因子表示技能标签，如采用三级因子表示技能标签，具体为主因子、从因子和次因子，即主因子下可以包括从因子，从因子下又可以包括次因子。

另外，还可根据面试岗位对技能的要求程度设置因子权重(即技能点权重)，举例来说，某个主因子为专业能力，对于对应岗位来说，专业能力要求高，所以相对其他主因子，该主因子权重可设置高一些，又或者对于对应岗位来说，专业能力中的JAVA要求高，所以相对专业能力的其他次因子，JAVA次因子的权重可设置高一些。

所述试题画像是定义用于询问面试者的面试试题的画像，为了得到准确的试题画像，需结合岗位画像来配置面试试题的知识点、面试试题的难度系数和面试试题的知识点权重等。例如对于岗位画像的技能点，都分别设置一些知识点，还可以根据不同的岗位等级提供不同难度系数的面试试题，同时还根据因子权重，为对应面试试题的知识点权重。

S202、根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱；

所述知识图谱代表了所述面试岗位的各种关联的实体的关系图。构建所述面试岗位的知识图谱可以采用如下方式：

以所述面试岗位、所述岗位画像中的技能点和所述试题画像中的知识点为Node节点，以所述面试岗位的岗位等级、技能点权重、知识点权重为Node节点的属性，以及以所述知识点两两之间、技能点两两之间与知识点和技能点之间的关系为Node节点间的关系，构建所述面试岗位的知识图谱。

其中的Node节点是指知识图谱中的实体，例如对于一个实体“张三”，其电话是“135XXX”，其年龄是“28”，那么这些信息都可以作为一个单独的实体，并且各实体间形成关系。本实施例中，所述面试岗位、技能点以及知识点均作为Node节点，例如面试岗位为“算法工程师”，技能点为“JAVA”，知识点为“集合”、“多态”等，这些均可作为知识图谱中的Node节点。各个Node节点均具有自身的属性，例如面试岗位这个Node节点可将岗位等级作为Node节点的属性，技能点这个Node节点则可将技能点权重作为Node节点的权重，知识点这个Node节点则可将知识点权重作为Node节点的权重，这样各个Node节点在整个知识图谱中可表现出差异性和重要程度的不同。

各个Node节点两两之间具有不同的关系，例如两个知识点之间的关系、两个技能点之间的关系以及知识点与技能点之间的关系，这些关系构成了Node节点两两之间的关系。通过上述信息，即可构建出面试岗位的知识图谱。上述知识图谱中代表了面试岗位中各实体的实体集合以及各实体之间的关系集合，能够全面、客观的反映面试岗位的各个维度的要求。

S203、获取面试者的面试岗位，并依据所述面试岗位获取预先构建的所述面试岗位的知识图谱；

在正式开始面试提问前，可获取面试者的面试岗位，从而获取该面试岗位的岗位名称、岗位等级等信息，然后根据所述面试岗位从预先构建的众多面试岗位的知识图谱中查找到该面试岗位对应的知识图谱。

S204、对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷；

在一具体应用场景中，可采用随机算法进行知识图谱的遍历，从而生成面试试卷。还可通过面试试题在知识图谱中的关系，计算面试试卷中各面试试题间的相似度，按照相似度高低确定面试试卷中各面试试题的提问顺序。如针对某一面试岗位，所提的问题可能依次包括：Java的集合有哪些、什么是多态、如何进行数据库查询等等。

S205、基于所述面试试卷的面试试题对面试者进行提问；

本实施例是根据面试试卷的面试试题进行提问，由于面试试卷中的各面试试题是从知识图谱中得来，所以本实施例实际上是根据面试岗位的知识图谱自主决定提出什么样的问题，且由于岗位画像以及试题画像与该面试岗位密切相关，所以所提出的问题也是与该面试岗位各项要求密切相关的，可在一定程度上准确反映该面试岗位的能力需求。

在面试者针对面试问题进行回答时，可对回答内容转化为文本，然后对文本进行预处理，如对文本进行过滤和分词处理。

S103、采集面试者的回答内容；

在向面试者提出问题后，可实时采集面试者的回答内容，以便根据回答内容确定是否需要进行追问，追问的依据是针对面试试题的回答分数，所以本实施例可以在每次采集完一面试试题的回答内容后实时进行评分，从而获得该面试试题的回答分数，方便后续步骤中作为是否追问的依据。当然，本实施例也可以在所有面试试题的提问环节结束之后，统一采集所有的回答内容并进行统一评分，从而获得所有面试试题的回答分数，再将面试试题的回答分数作为是否追问的依据，如需追问则进入追问环节。也就是说，本实施例中，提问环节与追问环节可以交叉进行，提问环节与追问环节也可以分开统一进行，可以根据具体应用场景的需要采用上述任意一种方式。

S104、若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；

在面试过程中，可以针对面试者的表现进行更深入的追问，例如面试者对某一面试试题的回答较好，则可以增加难度，继续进行追问，以便准确获取该面试者的能力上限，如果面试者对某一面试试题的回答较差，则可以降低难度，继续进行追问，以便准确获取该面试者的能力下限，这样就可以较为准确的获取面试者的整体能力范围，以便对面试者能力进行较准确的评估。另外，本发明实施例可以不针对所有面试试题进行追问，而是可以选择一些重要的面试试题进行追问，以便考察面试者在某些关键知识点方面的能力水平，提高面试效率。

所述若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问包括：

若面试者针对一面试试题的回答分数超过设定的第一阈值，则自动获取与所述面试试题的知识点相关且难度系数上升的面试试题，并依据所获取的面试试题进行追问；

所述若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问包括：

若面试者针对一面试试题的回答分数低于设定的第二阈值，则自动获取与所述面试试题的知识点相关且难度系数下降的面试试题，并依据所获取的面试试题进行追问。

本实施例中，当面试者回答完某面试试题后，需要追问时，可对该面试试题的回答分数进行分析，具体是将面试试题的回答分数与第一阈值进行比较，如果回答分数超过第一阈值，则进行向上追问。另外，也可以将面试试题的回答分数与第二阈值进行比较，如果回答分数低于第二阈值，则进行向下追问。

至于追问的方式可以是，获取与所述面试试题的知识点相关并且难度系数上升和/或下降的面试试题，然后进行追问。

即当需要进行追问时，则需要获取面试试题的难度系数和知识点，然后获取与该知识点相关并且难度系数更高和/或更低的面试试题，这样就可以全面考察面试者对知识点的掌握情况。

另外，在进行追问时，可以不止进行一轮追问，可以逐级进行多轮追问，即难度系数逐渐上升，或者难度系数逐渐下降，直至在进行向上追问时面试者针对最近一道面试试题的回答分数低于所述第一阈值，或者在进行向下追问时面试者针对最近一道面试试题的回答分数高于所述第二阈值。

在一具体应用场景中，在进行追问时所使用的面试试题可以是属于所述面试试卷中的面试试题，也可以是从所述面试岗位的知识图谱中重新获取的面试试题。

在一具体应用场景中，可以在面试者回答完面试试卷中的一面试试题后，实时进行追问，也可以在面试者回答完面试试卷中的所有面试试题后，再统一进行追问，具体可以根据实际情况和需求来确定追问的时间。在一具体应用场景中，可以在面试试卷中预先设置目标面试试题，即不对面试试卷中所有的面试试题全部进行追问，而是选择性的进行追问，即根据目标面试试题的回答分数确定是否进行追问，目标面试试题可以是一个也可以是多个，目标面试试题可以是能够比较准确反映面试者专业能力或岗位需求相关的试题，着重对目标面试试题进行提问，有利于提高面试者与面试岗位的匹配度。

S105、基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

本步骤中，需要对面试者的所有回答内容进行评分，当然也包括面试者针对追问问题的回答内容在内，即针对所有回答内容进行评分。评分时可以根据情况选择不同的评分方式，具体如下所述。需说明的是，下述的第一评分、第二评分或第三评分，可以是指每道面试试题的评分，即形成多个第一评分、多个第二评分或多个第三评分。下述的第一评分、第二评分或第三评分，也可以是指所有面试试题的总评分，在此情况下，实际上是将每道面试试题的评分综合得到。

在一实施例中，所述步骤S104包括以下步骤中的一种或几种：

采用相似度算法对面试者的所有回答内容与答案库中答案语料进行相似度计算，得到第一评分；

在自然语言处理中，首选需要将中文词汇转化成能够处理的向量，本发明实施例可采用Word2Vec(Google开发的一款用于词向量计算的开源工具)的算法生成词向量。由于中文在不同领域存在同词不同意的情况，为了更加准确的进行词汇的表征，本发明实施例可预先对面试岗位相关语料进行词向量模型的训练。

具体的，通过对面试岗位相关领域语料进行收集，使用fine-tuning(微调)的方式训练专有的词向量模型，将面试者回答的文本通过词向量模型进行向量化，并与答案库中的答案语料向量进行欧氏距离的计算，对距离最近的N条得分取平均值，从而得到第一评分。

对答案库中的答案语料进行训练得到分类模型，将面试者的所有回答内容输入至所述分类模型，得到第二评分；

在一具体应用场景中，对收集的答案语料通过专家进行打分，如分为5个级别：1分-5分，针对这些打标后的语料，采用GBDT(梯度下降树)的算法，训练出分类模型，对面试者回答的所有回答内容通过该分类模型进行评分。

对于分类模型的构建，包括如下步骤：S1：获取训练用的答案语料。如可以对企业内部岗位员工分发面试试卷，收集内部员工的语料数据，通过专家对收集的答案语料进行打分，共分为5个级别1分-5分；S2：根据标注后的答案语料采用有监督的机器学习的算法进行拟合计算以得到模型参数。所述算法包括Adaboosting算法、逻辑回归算法、迭代决策树GBDT算法、随机森林算法、XGboost分类算法、决策树算法中的任一种。

例如，所述分类模型可以采用Adaboosting算法进行训练得到，即可以简化为训练A＝α0+a1×α1+a2×α2+…+an×αn。其中，A为系列指标对应的模型参数，a1、a2…an为具体指标，α0为拟合常数项，α1、α2…αn为具体指标对应的拟合系数，拟合常数和拟合系数通过预设训练样本的拟合训练获得。拟合常数和拟合系数通过每组系列指标的训练样本的拟合计算获得，随着训练样本的每一次更新而更新，从而得出分类模型。

然后通过训练得到的分类模型即可面试者的所有回答内容进行评分，从而得到第二评分。

基于预设的关键词，将面试者的所有回答内容进行规则匹配得到第三评分。

通过专家对答案的关键词设置匹配规则，包括“或匹配”、“与匹配”、“混合匹配”和“正则匹配”的方式，根据命中关键词的情况进行评分，即符合相应的规则得相应的分数。

对于“或匹配”而言，可以根据命中关键词的数量来设置第三评分。举例来说，面试试题是“你常用的Linux命令有哪些”，可以设置关键词包括“ls”、“cat”“cd”“vi”“tail”“top”“ps”“cp”“mv”“mkdir”，当命中关键词的数量大于或等于4个时，则第三评分为2分，当命中关键词的数量等于3个时，则第三评分为1分，当命中关键词的数量小于3个时，则第三评分为0分。

对于“与匹配”而言，可以根据所命中的关键词的组合来设置第三评分。举例来说，面试试题是“Java的集合包括哪些”，可以设置命中关键词为“map”、“list”和“set”的组合时，则第三评分为2分，命中关键词为“list”和“set”的组合或者“map”和“set”的组合，则第三评分为1分，其他情况，则第三评分为0分。

对于“混合匹配”而言，也可以根据所命中的关键词的数量以及关键词的组合来设置第三评分。举例来说，面试试题为“Java中的HashMap的工作原理是什么”，可以设置命中关键词为“键值”、“key value”、“hashcode”、“equals”、“hash值”，当命中上述关键词的数量大于或等于3个时，则第三评分为2分，设置命中关键词为“键值”和“key value”的组合时，则第三评分为1分，其他情况则第三评分为0分。

对于“正则匹配”而言，可以根据所命中的关键词组合之间的关系以及关键词组合中关键词之间的关系来设置第三评分。举例来说，面试试题为“list与set有什么不同”，可以设置命中关键词的组合为“list”与“重复”的组合以及“set”与“重复的组合”，并且“list”与“重复”之间不含否定词以及“set”与“重复”之间含否定词，则第三评分为2分；还设置命中关键词的组合为“list”与“重复”的组合以及“set”与“重复的组合”，并且“list”与“重复”之间不含否定词或者“set”与“重复”之间含否定词，则第三评分为1分。也就是说，在上述规则下，既要考虑关键词组合之间的关系，同时还要考虑关键词组合中各关键词之间的关系，根据命中情况的不同设置不同的第三评分。

所述对面试者包括追问答案在内的所有回答内容进行评分还包括以下步骤：

采用逻辑回归算法对第一评分、第二评分和第三评分进行综合，得到综合评分。

针对第一评分、第二评分和第三评分，可以将这三种评分综合起来得到一个综合评分，从而使面试者的能力水平能得到一个较准确的评价。具体地，可采用逻辑回归算法训练出一个综合评分模型。这样可以将第一评分、第二评分和第三评分输入到所述综合评分模型中，可输出对应的综合评分。

当然，本发明实施例也可以单独采用所述第一评分、第二评分或第三评分来作为面试者的最终评分。

本发明实施例可以采用爬虫和迁移学习的方式来获取更多更全面的语料，甚至还可以通过外部的问卷等方式进行语料收集，或者通过同义词词典扩展语料。本发明实施例可先对收集到的语料可以先进行语料清洗，语料清洗的处理方式主要包括：处理无效数据、处理空白答案、处理噪音内容、处理相似数据、处理过短文本和人工去重等等。清洗完的语料可采用进行分词处理，例如采用概率语言模型进行分词，这样可以将句子中所有可以成词的词语都扫描出来。然后可以去掉一些停用词，即去掉对文本特征没有任何贡献作用的词句，例如标点符号、语气、人称等词，具体可先建立停用词库，然后进行比对，以便去掉停用词。

所述面试方法还包括：

在面试过程中对面试者进行防作弊识别。

在面试过程中，需要对面试者进行防作弊识别，以确保面试者没有换人或者没有寻求其他帮助，这样面试者所做出的回答将准确反映其能力水平。

所述在面试过程中对面试者进行防作弊识别包括以下步骤中的一种或几种：

采集面试过程中的人脸信息，并基于所述人脸信息确定面试者是否为本人；

在面试过程中，可定时或不定时采集面试过程中的人脸信息，并基于所采集到的人脸信息确定面试者是否为本人。具体的，可以将面试过程中采集到的人脸信息与在登录时采集到的人脸信息进行比对，判断面试者是否为本人。

采集面试过程中的声纹信息，并基于所述声纹信息确定面试者是否为本人；

在面试过程中，可定时或不定时采集面试过程中的声纹信息，并基于所采集到的声纹信息确定面试者是否为本人。具体的，可以将面试过程中采集到的声纹信息与在登录时采集到的声纹信息进行比对，判断面试者是否为本人。

每个人说话的方式、语音、语气、语调、重音都具有独特性，通过训练出声纹识别模型，在面试过程中进行声纹的比对，防止面试者的作弊。

采集面试过程中的表情信息，并基于所述表情信息确定面试者是否作弊。

在面试过程中，还可定时或不定时采集面试过程中面试者的表情信息，并基于所述表情信息判断面试者是否作弊。

基于一些作弊者的通常表情习惯，可以对采集到的面试者的表情信息进行分析，确定面试者是否作弊，例如面试者在作弊时，脸部会有微表情的变化，在一个具体应用场景中，正常面试者在回答问题时会目视屏幕，如果面试者去偷看答案时，眼睛就会长期观看其他方向，通过这些面部表情的识别，可以判断面试者是否作弊。

该方法在提问过程中会针对面试者的回答内容进行向上难度和/或向下难度的追问，这样能准确评估面试者的知识水平和能力，以便客观地进行评分。

本发明实施例还提供一种基于人工智能的面试装置300，如图3所示，其包括：

身份识别单元310，用于基于面试者的登录请求，对面试者进行身份识别；

提问单元320，用于获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；

在一实施例中，如图4所示，所述提问单元320包括：

预设单元321，用于基于面试岗位的要求，预设面试岗位的岗位画像以及试题画像；

构建单元322，用于根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱；

在一实施例中，所述构建单元322包括：

知识图谱创建单元，用于以所述面试岗位、所述岗位画像中的技能点和所述试题画像中的知识点为Node节点，以所述岗位画像中的岗位等级和技能点权重为Node节点的属性，以及以所述知识点两两之间、技能点两两之间与知识点和技能点之间的关系为Node节点间的关系，构建所述面试岗位的知识图谱。

获取单元323，用于获取面试者的面试岗位，并依据所述面试岗位获取预先构建的所述面试岗位的知识图谱；

遍历单元324，用于对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷；

面试单元325，用于基于所述面试试卷的面试试题对面试者进行提问。

采集单元330，用于采集面试者的回答内容；

追问单元340，用于若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；

评分单元350，用于基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

在一实施例中，所述评分单元350包括以下单元中的一种或几种：

第一评分单元，用于采用相似度算法对面试者的所有回答内容与答案库中答案语料进行相似度计算，得到第一评分；

第二评分单元，用于对答案库中的答案语料进行训练得到分类模型，将面试者的所有回答内容输入至所述分类模型，得到第二评分；

第三评分单元，用于基于预设的关键词，将面试者的所有回答内容进行规则匹配得到第三评分。

在一实施例中，所述评分单元350还包括：

综合评分单元，用于采用逻辑回归算法对第一评分、第二评分和第三评分进行综合，得到综合评分。

在一实施例中，该装置还包括：

防作弊识别单元，用于在面试过程中对面试者进行防作弊识别；

所述防作弊识别单元包括以下单元中的一种或几种：

人脸识别单元，用于采集面试过程中的人脸信息，并基于所述人脸信息确定面试者是否为本人；

声纹识别单元，用于采集面试过程中的声纹信息，并基于所述声纹信息确定面试者是否为本人；

表情识别单元，用于采集面试过程中的表情信息，并基于所述表情信息确定面试者是否作弊。

该装置在提问过程中会针对面试者的所有回答内容进行向上难度和/或向下难度的追问，这样能准确评估面试者的知识水平和能力，以便客观地进行评分。

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面试装置300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。

上述基于人工智能的面试装置可以实现为计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。

请参阅图5，图5是本发明实施例提供的计算机设备的示意性框图。该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于人工智能的面试方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于人工智能的面试方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：基于面试者的登录请求，对面试者进行身份识别；获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；采集面试者的所有回答内容；若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

在一实施例中，处理器502在执行所述获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问的步骤时，执行如下操作：基于面试岗位的要求，预设面试岗位的岗位画像以及试题画像；根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱；获取面试者的面试岗位，并依据所述面试岗位获取预先构建的所述面试岗位的知识图谱；对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷；基于所述面试试卷的面试试题对面试者进行提问。

在一实施例中，处理器502在执行所述根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱的步骤时，执行如下操作：以所述面试岗位、所述岗位画像中的技能点和所述试题画像中的知识点为Node节点，以所述面试岗位的岗位等级、技能点权重、知识点权重为Node节点的属性，以及以所述知识点两两之间、技能点两两之间与知识点和技能点之间的关系为Node节点间的关系，构建所述面试岗位的知识图谱。

在一实施例中，处理器502在执行所述对面试者包括追问答案在内的所有回答内容进行评分的步骤时，执行如下操作中的一种或几种：采用相似度算法对面试者的所有回答内容与答案库中答案语料进行相似度计算，得到第一评分；对答案库中的答案语料进行训练得到分类模型，将面试者的所有回答内容输入至所述分类模型，得到第二评分；基于预设的关键词，将面试者的所有回答内容进行规则匹配得到第三评分。

在一实施例中，处理器502在执行所述根据对面试者包括追问答案在内的所有回答内容进行评分的步骤时，还执行如下操作：采用逻辑回归算法对第一评分、第二评分和第三评分进行综合，得到综合评分。

在一实施例中，处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：在面试过程中对面试者进行防作弊识别；所述在面试过程中对面试者进行防作弊识别包括以下步骤中的一种或几种：采集面试过程中的人脸信息，并基于所述人脸信息确定面试者是否为本人；采集面试过程中的声纹信息，并基于所述声纹信息确定面试者是否为本人；采集面试过程中的表情信息，并基于所述表情信息确定面试者是否作弊。

本领域技术人员可以理解，图5中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。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5所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、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)或者其他可编程逻辑器件、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。

在本发明的另一实施例中提供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，其中计算机程序被处理器执行时实现以下步骤：基于面试者的登录请求，对面试者进行身份识别；获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；采集面试者的回答内容；若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

在一实施例中，所述获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问，包括：基于面试岗位的要求，预设面试岗位的岗位画像以及试题画像；根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱；获取面试者的面试岗位，并依据所述面试岗位获取预先构建的所述面试岗位的知识图谱；对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷；基于所述面试试卷的面试试题对面试者进行提问。

在一实施例中，所述根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱，包括：以所述面试岗位、所述岗位画像中的技能点和所述试题画像中的知识点为Node节点，以所述面试岗位的岗位等级、技能点权重、知识点权重为Node节点的属性，以及以所述知识点与技能点之间的关系为Node节点间的关系，构建所述面试岗位的知识图谱。

在一实施例中，所述对面试者包括追问答案在内的所有回答内容进行评分包括以下步骤中的一种或几种：采用相似度算法对面试者的所有回答内容与答案库中答案语料进行相似度计算，得到第一评分；对答案库中的答案语料进行训练得到分类模型，将面试者的所有回答内容输入至所述分类模型，得到第二评分；基于预设的关键词，将面试者的所有回答内容进行规则匹配得到第三评分。

在一实施例中，所述对面试者包括追问答案在内的所有回答内容进行评分还包括以下步骤：采用逻辑回归算法对第一评分、第二评分和第三评分进行综合，得到综合评分。

在一实施例中，还包括：在面试过程中对面试者进行防作弊识别；所述在面试过程中对面试者进行防作弊识别包括以下步骤中的一种或几种：采集面试过程中的人脸信息，并基于所述人脸信息确定面试者是否为本人；采集面试过程中的声纹信息，并基于所述声纹信息确定面试者是否为本人；采集面试过程中的表情信息，并基于所述表情信息确定面试者是否作弊。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发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发明揭露的技术范围内，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发明的保护范围之内。因此，本发明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面试方法，其特征在于，包括：

基于面试者的登录请求，对面试者进行身份识别；

获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；

采集面试者的回答内容；

若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；

基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

2.根据权利要求1所述基于人工智能的面试方法，其特征在于，所述获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问，包括：

基于面试岗位的要求，预设面试岗位的岗位画像以及试题画像；

根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱；

获取面试者的面试岗位，并依据所述面试岗位获取预先构建的所述面试岗位的知识图谱；

对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷；

基于所述面试试卷的面试试题对面试者进行提问。

3.根据权利要求2所述基于人工智能的面试方法，其特征在于，所述根据所述面试岗位的岗位画像以及试题画像构建所述面试岗位的知识图谱，包括：

以所述面试岗位、所述岗位画像中的技能点和所述试题画像中的知识点为Node节点，以所述面试岗位的岗位等级、技能点权重、知识点权重为Node节点的属性，以及以所述知识点两两之间、技能点两两之间与知识点和技能点之间的关系为Node节点间的关系，构建所述面试岗位的知识图谱。

4.根据权利要求1所述基于人工智能的面试方法，其特征在于，所述基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果包括以下步骤中的一种或几种：

采用相似度算法对面试者的所有回答内容与答案库中答案语料进行相似度计算，得到第一评分；

对答案库中的答案语料进行训练得到分类模型，将面试者的所有回答内容输入至所述分类模型，得到第二评分；

基于预设的关键词，将面试者的所有回答内容进行规则匹配得到第三评分。

5.根据权利要求4所述基于人工智能的面试方法，其特征在于，所述基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果还包括以下步骤：

采用逻辑回归算法对第一评分、第二评分和第三评分进行综合，得到综合评分。

6.根据权利要求1所述基于人工智能的面试方法，其特征在于，还包括：

在面试过程中对面试者进行防作弊识别；

所述在面试过程中对面试者进行防作弊识别包括以下步骤中的一种或几种：

采集面试过程中的人脸信息，并基于所述人脸信息确定面试者是否为本人；

采集面试过程中的声纹信息，并基于所述声纹信息确定面试者是否为本人；

采集面试过程中的表情信息，并基于所述表情信息确定面试者是否作弊。

7.根据权利要求1所述基于人工智能的面试方法，其特征在于，所述若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问包括：

若面试者针对一面试试题的回答分数超过设定的第一阈值，则自动获取与所述面试试题的知识点相关且难度系数上升的面试试题，并依据所获取的面试试题进行追问；

所述若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问包括：

若面试者针对一面试试题的回答分数低于设定的第二阈值，则自动获取与所述面试试题的知识点相关且难度系数下降的面试试题，并依据所获取的面试试题进行追问。

8.一种基于人工智能的面试装置，其特征在于，包括：

身份识别单元，用于基于面试者的登录请求，对面试者进行身份识别；

提问单元，用于获取面试者的面试岗位以及所述面试岗位的知识图谱，并对所述面试岗位的知识图谱进行遍历，以生成所述面试岗位对应的面试试卷，并依据所述面试试卷进行提问；

采集单元，用于采集面试者的回答内容；

追问单元，用于若面试者针对面试试卷中面试试题的回答分数超过设定的第一阈值，则自动获取难度系数上升的面试试题，并依据所获取的面试试题进行追问；和/或，若面试者针对面试试卷中面试试题的回答分数低于设定的第二阈值，则自动获取难度系数下降的面试试题，并依据所获取的面试试题进行追问；

评分单元，用于基于答案库中的答案语料，对面试者的所有回答内容进行评分，并输出面试者本次面试的评分结果。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于人工智能的面试方法。

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，所述计算机程序当被处理器执行时实现如权利要求1至7任一项所述的基于人工智能的面试方法。

Images