CN112506967B - Ai面试的数据流量分析方法、装置和计算机设备 - Google Patents
Ai面试的数据流量分析方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112506967B CN112506967B CN202011417283.1A CN202011417283A CN112506967B CN 112506967 B CN112506967 B CN 112506967B CN 202011417283 A CN202011417283 A CN 202011417283A CN 112506967 B CN112506967 B CN 112506967B
- Authority
- CN
- China
- Prior art keywords
- interview
- data flow
- data
- question
- node
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005206 flow analysis Methods 0.000 title claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 126
- 230000004044 response Effects 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000004590 computer program Methods 0.000 claims description 17
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000009191 jumping Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种AI面试的数据流量分析方法、装置、计算机设备和存储介质。该方法包括:调用查询组件从数据库中获取AI面试的业务数据;调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;调用绘图组件,创建问题节点图表;根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。该方法通过桑基图能够直观全面地了解在AI面试中问题之间的数据流向情况。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种AI面试的数据流量分析方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展,越来越多的企业在面试环节增加了AI面试,即使用AI技术对应聘者进行面试。
在AI面试的对话机器人中,AI面试机器人向应聘者提出多轮问题,以期全面了解应聘者的求职意向和个人能力。因此,对话机器人中,多轮对话非常常见,多轮对话之间的数据流向,流量大小一直是各方人员的关注重点。因为掌握了多轮对话的数据流向,能够帮助了解对话机器人的特点,用户的心理、行为。
传统方式采用统计的方法可统计对话流向,传统的统计方法具有滞后性,不能实时直观地了解AI面试中的对话流向。
发明内容
基于此,有必要针对上述技术问题,提供一种能够直观的了解AI面试的对话流向的AI面试的数据流量分析方法、装置、计算机设备和存储介质。
一种AI面试的数据流量分析方法,所述方法包括:
调用查询组件从数据库中获取AI面试的业务数据;
调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;
调用绘图组件,创建问题节点图表;
根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
在一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
调用分析组件对所述AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,获取对问题的作答路径;
根据所述作答路径的作答数量,得到作答路径的数据流量;
根据所述作答路径和数据流量构建AI面试的问题作答结构图。
在一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
获取问题节点结构图;
调用分析组件对所述AI面试的业务数据进行分析,根据对问题节点间的作答顺序在所述问题节点结构图中标记对问题的作答路径,并统计作答路径的数据流量;
在所述问题节点结构图中删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图。
在一个实施例中,所述调用绘图组件,创建问题节点图表,包括:
调用绘图组件,以问题节点为横轴,以数据流量为纵轴,创建问题节点图表,其中,在所述问题节点图表的横轴按问题编号顺序排布问题节点。
在一个实施例中,所述方法还包括:
比对设定的问题节点结构图,以及所述问题作答结构图,获取AI面试作答中数据流量少于预设值的作答路径;
在所述桑基图中突出显示所述作答路径的连线。
在一个实施例中,所述方法还包括:
当检测到对所述桑基图中线条的查看触发时,对查看线条突出显示。
在一个实施例中,所述数据流量与线条宽度呈正比。
一种AI面试的数据流量分析装置,所述装置包括:
查询模块,用于调用查询组件从数据库中获取AI面试的业务数据;
分析模块,用于调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;
图表创建模块,用于调用绘图组件,创建问题节点图表;
绘制模块,用于根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
调用查询组件从数据库中获取AI面试的业务数据;
调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;
调用绘图组件,创建问题节点图表;
根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
一种计算机存储介质,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以下步骤:
调用查询组件从数据库中获取AI面试的业务数据;
调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;
调用绘图组件,创建问题节点图表;
根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
上述AI面试的数据流量分析方法、装置、计算机设备和存储介质,通过分析得到面试者在AI面试过程中的对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图,根据问题作答结构图,在问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图,从而通过桑基图能够直观全面地了解在AI面试中问题之间的数据流向情况。
附图说明
图1为一个实施例中AI面试的数据流量分析方法的应用场景图;
图2为一个实施例中AI面试的数据流量分析方法的流程示意图;
图3为一个实施例中问题作答结构图的示意图;
图4为一个实施例中问题节点图表的示意图;
图5为一个实施例中桑基图的示意图;
图6为一个实施例中问题节点结构图的示意图;
图7为一个实施例中AI面试的数据流量分析装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
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。
本申请提供的AI面试的数据流量分析方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。面试者通过102对AI面试的问题进行作答,并提交至服务器104。服务器调用查询组件从数据库中获取AI面试的业务数据;调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;调用绘图组件,创建问题节点图表;根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种AI面试的数据流量分析方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,调用查询组件从数据库中获取AI面试的业务数据。
其中,查询组件可以为ELK技术的Elasticsearch组件,Elasticsearch是一个搜索和分析引擎。提供搜集、分析、存储数据三大功能;是一套开放REST和JAVA API等结构提供高效搜索功能,可扩展的分布式系统。它构建于Apache Lucene搜索引擎库之上。
AI面试的业务数据包括了AI面试过程中对每个面试者的提问,以及面试者对提问的作答。
步骤204,调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图。
其中,分析组件可以是ELK技术中的Logstash组件,用Logstash对业务数据进行处理,分析获取AI面试中问题节点间的数据流向,即对问题的作答路径和所述问题节点间的数据流量,即作答路径的数据流量,构建AI面试的问题作答结构图。Logstash组件是服务器端数据处理管道,能够同时从多个来源采集数据,转换数据,然后将数据发送到诸如Elasticsearch等“存储库”中。
具体地,在AI面试中,可以为AI问答的形式,即虚拟一个AI面试官,AI面试官向面试者提问,并根据面试者对问题的回答从问题库中获取下一个问题继续提问,直至面试结束。也就是说,对于不同的面试者而言,在AI面试问题是,问题以及问题的顺序是不同,其中,可预先设置有问题列表,根据面试者的信息以及面试者对上一个问题的回答,从问题列表中确定下一个问题。
数据流向即是AI面试中一个问题与下一个问题之间的流向关系,问题节点流向关系是指问题节点间的跳转关系,从一个问题节点跳转至另一个问题节点,数据流量是指经历这个跳转关系的用户数量。比如,当AI问答时,在一个问题节点12,用户选择了A答案,从该问题节点12跳转到问题节点13,则从问题节点12至问题节点13增加一个数据流量。
根据AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图。即,问题作答结构图是面试中作答问题节点的流向关系。可以理解的是,问题作答结构图涵盖了所有面试者的问题作答路径。例如,对于一个问题节点1,若用户1的回答为A,则跳转的下一个问题为问题节点2,若用户2的回答为B,则跳转的下一个问题为问题节点3。因此,问题作答结构图是所有用户问题作答在问题节点的跳转关系。一个实施例的问题作答结构图如图3所示。
步骤206,调用绘图组件,创建问题节点图表。
其中,绘图组件是ELK技术中的kibana组件。调用kibana组件绘制桑基图。kibana组件支持由vega编写的图例代码。桑基图例就是基于vega语法开发的桑基图,可以无缝接入到kibana中,在kibana中展示桑基图。Vega是一种高阶的基于表格处理操作的语言,可以在不详细掌握图形图像编程API的情况下,自定义完成数据的可视化展现,基于vega完成的软件方案,可以脱离ELK生态而独立使用,结合ELK轻量应用,具有场景优势。
其中,问题节点图表是能够可视化展示问题节点间的数据流向,即作答路径和数据流量的基础,将问题节点以图表的形式展示。
具体地,调用绘图组件,以问题节点为横轴,以数据流量为纵轴,创建问题节点图表,其中,在所述问题节点图表的横轴按问题编号顺序排布问题节点。
一个实施例的问题节点图表如图4所示,问题节点图表包括了横轴和纵轴。横轴为问题节点,纵轴为数据流量。可以理解的是,数据流量以原点向上,依次升序排布。横轴上的问题节点按问题列表中问题编号的顺序依次排布。例如,问题列表中包括了10个问题,则横轴上的问题节点以原点向右,按问题编号1至10的顺序依次排布。
步骤208,根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
其中,桑基图,也叫桑基能量分流图或者桑基能量平衡图。它是一种特定类型的流程图,图中延伸的分支的宽度对应数据流量的大小,所有主支宽度的总和应与所有分出去的分支宽度的总和相等,保持能量的平衡,非常适用于用户流量等数据的可视化分析。桑基图是展现数据流动的利器,能够帮助确定各部分流量在总体中的大概占比情况。同时,桑基图的总数值保持不变,坚持数据的“能量守恒”。桑基图在描述一组数据到另一组数据流向的同时,还能展示到底“流”了多少。无论数据怎样流动,数据的总量从开始到结束都不能有任何的变化,不能在中间过程中创造出数据,流失(损耗)的数据应该流向对应的节点。
具体地,首先,按照问题作答结构图中各问题节点间的数据流向,即作答路径,在问题节点图表上对作答路径相关的问题节点进行连线。例如,根据问题作答结构图,问题节点1与问题节点2之间具有数据流向,则在问题作答结构图,对问题节点1和问题节点2连线。然后,根据数据流量调整连线的宽度。
其中,数据流量与线条宽度呈正比,即,数据流量越多,线条宽度越宽,从而通过桑基图中节点间连线的宽度,就能够知晓节点间的数据流量的相对数量。一个实施例中的桑基图如图5所示。桑基图主要由边、流量和节点组成,边代表流动的数据;流量代表流动数据的具体值;节点代表了不同的分类。边的宽度对应数据流量的大小。
上述的AI面试的数据流量分析方法,通过分析得到面试者在AI面试过程中的对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图,根据问题作答结构图,在问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图,从而通过桑基图能够直观全面地了解在AI面试中问题之间的数据流向情况。
在一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:调用分析组件对所述AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,对问题的作答路径;根据所述作答路径的作答数量,得到作答路径的数据流量;根据所述作答路径和数据流量构建AI面试的问题作答结构图。
本实施例中通过对AI面试中面试者对问题的作答情况进行分析,挖掘作答的问题节点之间的上下游关系得到。
具体地,调用Logstash组件,对AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,得到作答问题节点的上下游关系,即作答的问题节点的数据流向。如一个问题节点跳转至另一个问题节点,则开始节点为上游节点,跳到的目标节点为下游节点。进而,根据途经这个数据流向的作答次数,即数据流向数量,得到一个作答问题路径,即问题节点间的数据流量,根据作答的问题节点间的数据流向和数据流量构建AI面试的问题作答结构图。其中,可遍历AI面试的业务数据中每个面试者的问题作答顺序,根据作答问题节点的上下游关系,得到问题节点的数据流向并统计数据流量。
采用该方法,通过对面试者对问题的作答情况进行分析,挖掘作答的问题节点之间的上下游关系得到,能够得到准确的问题作答的数据流向和流量数据。
在另一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:获取问题节点结构图;调用分析组件对所述AI面试的业务数据进行分析,根据对问题节点间的作答顺序在所述问题节点结构图中标记对问题的作答路径,并统计作答路径的数据流量;在所述问题节点结构图中删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图。
其中,问题节点结构图预先设置的问题节点间的可跳转关系,以及跳转条件。在一个问题节点,不同的条件触发跳转至不同的问题节点。如图6所示的问题节点结构图,当用户在问题节点1的作答为A时,跳转至问题节点2。其中,问题节点1至问题节点2存在可跳转关系,跳转条件为在问题节点1的作答为A。
由于面试者的差异性,面试者对于问题的作答情况千差万别,因而在实际AI面试过程中,问题节点结构图中的部分问题跳转路径的跳转条件没有达到,所以实际AI面试问题中存在未作答的问题节点,即没有面试者根据问题节点结构图走向该问题节点。基于此,可在原始的问题节点结构图,删除未经过的问题节点。
具体地,获取问题节点结构图,可遍历AI面试的业务数据中每个面试者的问题作答顺序,根据作答问题节点的上下游关系,对于按设定路径经过的,即具有数据流向的节点的问题节点,统计数据流量,最后再在所述问题节点结构图中删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图。
采用该方法,只需在问题节点结构图为基础上统计数据流向的数据流量,在问题节点结构图的基础上,删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图,无需另外再构建结构图,提高了分析效率。
进一步地,AI面试的数据流量分析方法还包括:比对设定的问题节点结构图,以及所述问题作答结构图,获取AI面试作答中数据流量少于预设值的作答路径;在所述桑基图中突出显示所述作答路径的连线。
具体地,构建桑基图的目的,可以直观的观察出,代理人在在面试过程中,回答各个题目的占比,流量,观察出面试者完成一个面谈所经过的路径,哪些路径比较多,哪些路径比较少。为了更加直观地展示面试的问题路径,通过比对设定的问题节点结构图,以及所述问题作答结构图,获取设定的问题节点结构图中设置了问题路径但实际AI面试作答中流量少于预设值的问题路径,并在桑基图中突出显示问题路径的连线。基中,突出显示的方式可以是动态闪现连线。
在另一个实施例中,AI面试的数据流量分析方法还包括:当检测到对桑基图中线条的查看触发时,对查看线条突出显示。通过突出显示所查看的线条,能够帮助用户获取相关节点数据,包括节点流向关系和流量数据,避免与其它节点数据混淆。其中,突出显示的方式可以是高亮显示,也可以是将相关节点图表放大显示。
本申请的AI面试的数据流量分析方法,面试者在面试过层中,由开始的问题,经过多轮的对话后完成面试。通过将桑基图应用于AI面试中,将面试中的每个题目作为节点,一道面试题到另外一道题目作为边,将走过这个边的代理人数量作为流量,绘制桑基图。通过桑基图,可以直观的观察出,在在面试过程中,回答各个题目的占比,流量,观察出面试者完成一个面谈所经过的路径,哪些路径比较多,哪些路径比较少。利用桑基图能够实时直观了解AI面试的数据流向。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种AI面试的数据流量分析装置,包括:
查询模块702,用于调用查询组件从数据库中获取AI面试的业务数据;
分析模块704,用于调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;
图表创建模块706,用于调用绘图组件,创建问题节点图表;
绘制模块708,用于根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
上述AI面试的数据流量分析装置,通过分析得到面试者在AI面试过程中的对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图,根据问题作答结构图,在问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图,从而通过桑基图能够直观全面地了解在AI面试中问题之间的数据流向情况。
在另一个实施例中,分析模块,包括:
作答路径获取模块,用于调用分析组件对所述AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,获取对问题的作答路径;
统计模块,用于根据所述作答路径的作答数量,得到作答路径的数据流量;
作答结构图构建模块,用于根据所述作答路径和数据流量构建AI面试的问题作答结构图。
在另一个实施例中,分析模块,包括:
原始结构图获取模块,用于获取问题节点结构图;
统计模块,用于调用分析组件对所述AI面试的业务数据进行分析,根据对问题节点间的作答顺序在所述问题节点结构图中标记对问题的作答路径,并统计作答路径的数据流量;
删除模块,用于在所述问题节点结构图中删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图。
在另一个实施例中,图表创建模块,用于调用绘图组件,以问题节点为横轴,以数据流量为纵轴,创建问题节点图表,其中,在所述问题节点图表的横轴按问题编号顺序排布问题节点。
在另一个实施例中,AI面试的数据流量分析装置还包括:
比对模块,用于比对设定的问题节点结构图,以及所述问题作答结构图,获取AI面试作答中数据流量少于预设值的作答路径;
显示处理模块,用于在所述桑基图中突出显示所述作答路径的连线。在另一个实施例中,显示处理模块,还用于当检测到对所述桑基图中线条的查看触发时,对查看线条突出显示。
在另一个实施例中,所述数据流量与线条宽度呈正比。
关于AI面试的数据流量分析装置的具体限定可以参见上文中对于AI面试的数据流量分析方法的限定,在此不再赘述。上述AI面试的数据流量分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8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,该计算机设备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AI面试的业务数据。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面试的数据流量分析方法。
本领域技术人员可以理解,图Y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的限定,具体的计算机设备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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
调用查询组件从数据库中获取AI面试的业务数据;
调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;
调用绘图组件,创建问题节点图表;
根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
在一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
调用分析组件对所述AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,获取对问题的作答路径;
根据所述作答路径的作答数量,得到作答路径的数据流量;
根据所述作答路径和数据流量构建AI面试的问题作答结构图。
在一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
获取问题节点结构图;
调用分析组件对所述AI面试的业务数据进行分析,根据对问题节点间的作答顺序在所述问题节点结构图中标记对问题的作答路径,并统计作答路径的数据流量;
在所述问题节点结构图中删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图。
在一个实施例中,所述调用绘图组件,创建问题节点图表,包括:
调用绘图组件,以问题节点为横轴,以数据流量为纵轴,创建问题节点图表,其中,在所述问题节点图表的横轴按问题编号顺序排布问题节点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
比对设定的问题节点结构图,以及所述问题作答结构图,获取AI面试作答中数据流量少于预设值的作答路径;
在所述桑基图中突出显示所述作答路径的连线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当检测到对所述桑基图中线条的查看触发时,对查看线条突出显示。
在一个实施例中,所述数据流量与线条宽度呈正比。
在一个实施例中,提供了一种计算机存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
调用查询组件从数据库中获取AI面试的业务数据;
调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;
调用绘图组件,创建问题节点图表;
根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图。
在一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
调用分析组件对所述AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,获取对问题的作答路径;
根据所述作答路径的作答数量,得到作答路径的数据流量;
根据所述作答路径和数据流量构建AI面试的问题作答结构图。
在一个实施例中,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
获取问题节点结构图;
调用分析组件对所述AI面试的业务数据进行分析根据对问题节点间的作答顺序在所述问题节点结构图中标记对问题的作答路径,并统计作答路径的数据流量;
在所述问题节点结构图中删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图。
在一个实施例中,所述调用绘图组件,创建问题节点图表,包括:
调用绘图组件,以问题节点为横轴,以数据流量为纵轴,创建问题节点图表,其中,在所述问题节点图表的横轴按问题编号顺序排布问题节点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
比对设定的问题节点结构图,以及所述问题作答结构图,获取AI面试作答中数据流量少于预设值的作答路径;
在所述桑基图中突出显示所述作答路径的连线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当检测到对所述桑基图中线条的查看触发时,对查看线条突出显示。
在一个实施例中,所述数据流量与线条宽度呈正比。
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于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,本申请所提供的各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以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、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。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种AI面试的数据流量分析方法,所述方法包括:
调用查询组件从数据库中获取AI面试的业务数据;
调用分析组件对所述AI面试的业务数据进行分析,分析获取AI面试中问题节点间的数据流向,获得AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;所述分析组件表示为服务器端数据处理管道,用于同时从多个来源采集数据并转换数据,以将数据发送到存储库中;其中,在所述AI面试中,预先设置有问题列表,根据面试者的信息以及面试者对上一个问题的回答,从所述问题列表中确定下一个问题,所述数据流向表示AI面试中一个问题与下一个问题之间的流向关系,问题节点流向关系表示问题节点间的跳转关系,包括从一个问题节点跳转至另一个问题节点;所述数据流量表示经历问题节点间的跳转关系的用户数量;所述问题作答结构图表示所述AI面试中作答问题节点的流向关系,涵盖所有面试者的问题作答路径;其中,通过挖掘AI面试的业务数据中每个面试者的问题作答顺序,以根据作答问题节点的上下游关系,得到问题节点的数据流向并统计数据流量;
调用绘图组件,以问题节点为横轴,以数据流量为纵轴,创建问题节点图表,其中,在所述问题节点图表的横轴按问题编号顺序排布问题节点,所述问题节点图表用于可视化展示问题节点间的数据流向,将各问题节点以图表的形式展示;
根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图;其中,所述桑基图由边、流量和节点组成,边代表流动的数据,流量代表流动数据的具体值,节点代表不同的分类,边的宽度对应数据流量的大小,所述数据流量与线条宽度呈正比。
2.根据权利要求1所述的方法,其特征在于,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
调用分析组件对所述AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,获取对问题的作答路径;
根据所述作答路径的作答数量,得到作答路径的数据流量;
根据所述作答路径和数据流量构建AI面试的问题作答结构图。
3.根据权利要求1所述的方法,其特征在于,所述调用分析组件对所述AI面试的业务数据进行分析,获取AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图包括:
获取问题节点结构图;
调用分析组件对所述AI面试的业务数据进行分析,根据对问题节点间的作答顺序在所述问题节点结构图中标记对问题的作答路径,并统计作答路径的数据流量;
在所述问题节点结构图中删除数据流量为零的数据流向指向的未作答问题节点,得到AI面试的问题作答结构图。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
比对设定的问题节点结构图,以及所述问题作答结构图,获取AI面试作答中数据流量少于预设值的作答路径;
在所述桑基图中突出显示所述作答路径的连线。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当检测到对所述桑基图中线条的查看触发时,对查看线条突出显示。
6.根据权利1至5任一项所述的方法,其特征在于,所述数据流量与线条宽度呈正比。
7.一种AI面试的数据流量分析装置,其特征在于,所述装置包括:
查询模块,用于调用查询组件从数据库中获取AI面试的业务数据;
分析模块,用于调用分析组件对所述AI面试的业务数据进行分析,分析获取AI面试中问题节点间的数据流向,获得AI面试中对问题的作答路径和作答路径的数据流量,构建AI面试的问题作答结构图;所述分析组件表示为服务器端数据处理管道,用于同时从多个来源采集数据并转换数据,以将数据发送到存储库中;其中,在所述AI面试中,预先设置有问题列表,根据面试者的信息以及面试者对上一个问题的回答,从所述问题列表中确定下一个问题,所述数据流向表示AI面试中一个问题与下一个问题之间的流向关系,问题节点流向关系表示问题节点间的跳转关系,包括从一个问题节点跳转至另一个问题节点;所述数据流量表示经历问题节点间的跳转关系的用户数量;所述问题作答结构图表示所述AI面试中作答问题节点的流向关系,涵盖所有面试者的问题作答路径;其中,通过挖掘AI面试的业务数据中每个面试者的问题作答顺序,以根据作答问题节点的上下游关系,得到问题节点的数据流向并统计数据流量;
图表创建模块,用于调用绘图组件,以问题节点为横轴,以数据流量为纵轴,创建问题节点图表,其中,在所述问题节点图表的横轴按问题编号顺序排布问题节点;所述问题节点图表用于可视化展示问题节点间的数据流向,将各问题节点以图表的形式展示;
绘制模块,用于根据所述问题作答结构图,在所述问题节点图表上按所述作答路径对相关的问题节点进行连线,根据所述数据流量调整连线的宽度,得到桑基图;其中,所述桑基图由边、流量和节点组成,边代表流动的数据,流量代表流动数据的具体值,节点代表不同的分类,边的宽度对应数据流量的大小,所述数据流量与线条宽度呈正比。
8.根据权利要求7所述的装置,其特征在于,所述分析模块,包括:
作答路径获取模块,用于调用分析组件对所述AI面试的业务数据进行分析,根据AI面试中对问题节点的作答顺序,获取对问题的作答路径;
统计模块,用于根据所述作答路径的作答数量,得到作答路径的数据流量;
作答结构图构建模块,用于根据所述作答路径和数据流量构建AI面试的问题作答结构图。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述方法的步骤。
10.一种计算机存储介质,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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011417283.1A CN112506967B (zh) | 2020-12-07 | 2020-12-07 | Ai面试的数据流量分析方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011417283.1A CN112506967B (zh) | 2020-12-07 | 2020-12-07 | Ai面试的数据流量分析方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112506967A CN112506967A (zh) | 2021-03-16 |
CN112506967B true CN112506967B (zh) | 2024-05-03 |
Family
ID=74970879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011417283.1A Active CN112506967B (zh) | 2020-12-07 | 2020-12-07 | Ai面试的数据流量分析方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506967B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850884A (zh) * | 2021-08-18 | 2021-12-28 | 北京达佳互联信息技术有限公司 | 桑基图的生成方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045574A (ja) * | 2014-08-20 | 2016-04-04 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
CN106817271A (zh) * | 2015-11-30 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 流量图谱的形成方法和装置 |
CN110633390A (zh) * | 2018-05-31 | 2019-12-31 | 北京嘀嘀无限科技发展有限公司 | 获取用户行为路径的方法和装置 |
CN111651460A (zh) * | 2020-06-11 | 2020-09-11 | 上海德易车信息科技有限公司 | 一种数据治理方法、装置、电子设备及可读存储介质 |
CN111666399A (zh) * | 2020-06-23 | 2020-09-15 | 中国平安人寿保险股份有限公司 | 基于知识图谱的智能问答方法、装置和计算机设备 |
CN111753075A (zh) * | 2020-08-12 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 客服机器人问答数据的创建方法、装置和计算机设备 |
WO2020240757A1 (ja) * | 2019-05-29 | 2020-12-03 | 富士通株式会社 | 分析支援プログラム、分析支援方法および情報処理装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10235430B2 (en) * | 2014-09-01 | 2019-03-19 | Sap Se | Systems, methods, and apparatuses for detecting activity patterns |
US10628775B2 (en) * | 2015-08-07 | 2020-04-21 | Sap Se | Sankey diagram graphical user interface customization |
US10601778B2 (en) * | 2016-09-15 | 2020-03-24 | Arbor Networks, Inc. | Visualization of traffic flowing through a host |
-
2020
- 2020-12-07 CN CN202011417283.1A patent/CN112506967B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045574A (ja) * | 2014-08-20 | 2016-04-04 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
CN106817271A (zh) * | 2015-11-30 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 流量图谱的形成方法和装置 |
CN110633390A (zh) * | 2018-05-31 | 2019-12-31 | 北京嘀嘀无限科技发展有限公司 | 获取用户行为路径的方法和装置 |
WO2020240757A1 (ja) * | 2019-05-29 | 2020-12-03 | 富士通株式会社 | 分析支援プログラム、分析支援方法および情報処理装置 |
CN111651460A (zh) * | 2020-06-11 | 2020-09-11 | 上海德易车信息科技有限公司 | 一种数据治理方法、装置、电子设备及可读存储介质 |
CN111666399A (zh) * | 2020-06-23 | 2020-09-15 | 中国平安人寿保险股份有限公司 | 基于知识图谱的智能问答方法、装置和计算机设备 |
CN111753075A (zh) * | 2020-08-12 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 客服机器人问答数据的创建方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112506967A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108874926A (zh) | 海量数据查询方法、装置、计算机设备和存储介质 | |
US10460031B2 (en) | Generating structured meeting reports through semantic correlation of unstructured voice and text data | |
US20070150293A1 (en) | Method and system for cmmi diagnosis and analysis | |
Magare et al. | Inherent mapping analysis of agile development methodology through design thinking | |
US9390138B2 (en) | Bridge event analytics tools and techniques | |
de Andrade et al. | World Class Manufacturing performance measurement using a maturity model and the FlowSort method | |
Ragan et al. | Evaluating how level of detail of visual history affects process memory | |
CN112506967B (zh) | Ai面试的数据流量分析方法、装置和计算机设备 | |
Valverde et al. | ITIL-based IT service support process reengineering | |
Dutta et al. | Mobilizing crowdwork: A systematic assessment of the mobile usability of hits | |
Fioretto | Process mining solutions for public administration | |
CN110008180A (zh) | 财务数据记录方法、装置、计算机设备和存储介质 | |
Kohlegger et al. | Data driven knowledge discovery for continuous process improvement | |
US20140172969A1 (en) | Digital method of recruitment | |
Irshad et al. | A study of undergraduate use of cloud computing applications: Special reference to Google Docs | |
US12057954B2 (en) | Video communication application automated features | |
Model et al. | Software-Supported Product Backlog Prioritization in Scrum Software Development Projects. | |
CN111506826A (zh) | 基于亲密度的用户推荐方法、装置、设备及存储介质 | |
Agrež et al. | Knowledge dynamics assessment in complex organizational systems: a missing person investigation case study | |
CN114860133B (zh) | 问卷处理方法、装置、电子设备、介质及产品 | |
Silva et al. | Multicriteria problem structuring for the prioritization of information technology infrastructure problems | |
Kašćelan et al. | Analysis of the diffusion of e-services in public sector using the Decision Tree Method | |
Aharoni et al. | Semi-automatic composition of situational methods | |
US11961418B2 (en) | Dynamically providing virtual reality (VR) coaching using real-time feedback loops | |
de Castro et al. | Human factors aspects in test cases formalization |
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 |