CN114238607B - 深度交互式ai智能求职顾问方法、系统及存储介质 - Google Patents

Abstract

本发明公开了一种深度交互式AI智能求职顾问方法、系统及存储介质。其中，该方法包括：语音分析处理模块，被配置为基于所接收到的用户的语音数据和与所述用户相关的求职信息进行AI智能分析，并生成智能分析结果；自动应答分析处理模块，被配置为基于所述智能分析结果生成响应所述语音数据的应答数据，其中，所述应答数据是关于职业顾问信息的相关数据。本发明解决了现有技术中无法与用户进行深度交互的技术问题。

Description

深度交互式AI智能求职顾问方法、系统及存储介质

技术领域

本发明涉及人工智能领域，具体而言，涉及一种深度交互式AI智能求职顾问方法、系统及存储介质。

背景技术

人力资源行业一直存在人才与岗位匹配度无法有效进行精准匹配推荐的情况。往往很多时候求职者不知道自己的简历是否有欠缺，不清楚自己具体情况达到了什么样的程度或者无法用专业清晰的文字描述来呈现给招聘者。所以求职者需要一个简单高效的方式来让自己在求职过程中快速知晓自己究竟适合什么以及有一个系统来辅助自己完善个人信息。

在线招聘者经常遇到的问题是有效信息不足，通过查看求职者简历，无法清楚的了解求职者的实际情况，需要通过沟通来获取求职者的详细信息。在沟通过程中所处的情境不同沟通的结果亦不相同，经常会出现无效沟通的情况。

在招聘过程中，经常使用的手段是电话沟通，而在电话沟通的过程当中有时候可能会因为种种原因产生冲突、矛盾或者风险。并且有时候会产生不可预估的严重后果。

人工智能技术目前应用十分广泛，在实际生活中可以替代部分工作内容，从而提高工作效率。并且基本上不存在由于情绪、环境等不可控因素而导致的风险，从而降低了给工作带来损失的可能性。

在招聘系统中，推荐是为了推荐合适的简历，但是在实际应用中有时候因为无法正确获取求职者/招聘者的底层需求，从而导致体验不佳，甚至无法匹配的情况。

在招聘流程中，用户的需求是可以被引导的。根据用户的″需求紧迫程度″″需求承受能力″变动，会需要进行对应的需求变更，然后以往的单一沟通方式无法快速的从众多信息中心快速筛选出与之匹配的信息来进行推荐，更加无法传达给用户所需要的信息。

传统的推荐方式是根据用户现有的信息进行匹配推荐，而实际应用中信息这些信息往往拥有着滞后性与失真性。所以对于信息的时效性以及真实性需要有更好的维护模式。以往由人工处理的情况会受制于人员综合素质的高低而导致无法正确维护信息。

传统的招聘基本上是采用一对一的沟通方式，即便是使用自动语音拨号技术，也无法达到与用户进行深度沟通的目的。一般都是在确认需求之后转给人工进行后续处理。而这种方式的沟通在同一之间段内可能够处理的事物是有上限的。在达到上限之后有可能需要补充人力来满足缺口。但是实际需求是波动且无序的，当招聘需求不再旺盛的时候，大量的人员负担可能会成为累赘。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种深度交互式AI智能求职顾问方法、系统及存储介质，以至少解决现有技术中无法与用户进行深度交互的技术问题。

根据本发明实施例的一个方面，提供了一种深度交互式AI智能求职顾问系统，包括：语音分析处理模块，被配置为基于所接收到的用户的语音数据和与所述用户相关的求职信息进行AI智能分析，并生成智能分析结果；自动应答分析处理模块，被配置为基于所述智能分析结果生成响应所述语音数据的应答数据，其中，所述应答数据是关于职业顾问信息的相关数据。

根据本发明实施例的另一方面，还提供了一种深度交互式AI智能求职顾问方法，包括：基于所接收到的用户的语音数据和与所述用户相关的求职信息进行AI智能分析，并生成智能分析结果；基于所述智能分析结果生成响应所述语音数据的应答数据，其中，所述应答数据是关于职业顾问信息的相关数据。

根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，其上存储有程序，所述程序被运行时，使得计算机执行如上所述的深度交互式AI智能求职顾问方法。

在本发明实施例中，采用AI智能分析的方式，深度分析了用户的求职意向和期望，解决了现有技术中无法与用户进行深度交互的技术问题，具有提高用户体验的有益效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明第一实施例的一种深度交互式AI智能求职顾问系统的结构示意图；

图2是根据本发明第二实施例的一种深度交互式AI智能求职顾问系统的结构示意图；

图3是根据本发明第三实施例的一种深度交互式AI智能求职顾问系统的结构示意图；

图4A是根据本发明第四实施例的一种深度交互式AI智能求职顾问系统的结构示意图；

图4B是根据本发明实施例的语音分析处理模块操作的示意图；

图4C是根据本发明实施例的自动应答分析模块操作的示意图；

图4D是根据本发明实施例的数据处理模块操作的示意图；

图4E是根据本发明实施例的数据传递分发模块操作的示意图；

图5是根据本发明第五实施例的一种深度交互式AI智能求职顾问系统的结构示意图；

图6是根据本发明第六实施例的一种深度交互式AI智能求职顾问系统的结构示意图。

图7是根据本发明第七实施例的一种一种深度交互式AI智能求职顾问方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

实施例1

根据本发明实施例，提供了一种深度交互式AI智能求职顾问系统，如图1所示，该系统包括：语音分析处理模块12和自动应答分析处理模块14。

语音分析处理模块12被配置为基于所接收到的用户的语音数据和与所述用户相关的求职信息进行AI智能分析，并生成智能分析结果。

在一个示例性实施例中，所述语音分析处理模块12包括数据收集分析模块、数据预处理模块和需求定义与提取模块。其中，数据收集分析模块，被配置为获取所述与用户相关的求职信息，对所述语音数据进行转译、整理，对交互过程中的语音数据和应答数据进行二次整理，以收集数据；数据预处理模块，被配置为对所收集的数据进行预处理，所述预处理包括以下至少之一操作：整理、清洗、分析、判定、分类和学习；需求定义与提取模块，被配置为基于预处理后的数据，确定所述用户的需求，并基于所确定的需求对所述用户的意向进行判定。

在一个示例性实施例中，所述语音分析处理模块12还可以包括文字呈现模块，所述文字呈现模块被配置为：对所述语音数据和所述应答数据进行文字识别，并根据所述语音数据和所述应答数据的内容智能匹配相应的标点符号；和/或对所述用户的简历进行补全与拆分，重新定义简历的需求匹配程度，并通过用户兴趣分析模型将深度运算需求发送至所述应答处理模块，进行深度分析。

在一个示例性实施例中，所述语音分析处理模块12还被配置为：从所述语音数据和应答数据的数据流中读取具有相互依赖关系的语法结构，其中，所述语法结构表示在所述语音数据和应答数据之中的至少一对不同值之间的相互依赖性；基于所述语法结构，利用截断一元码，使用结构预测在对应于所述语音数据和所述应答数据的语句元素的信息量的不同等级的不同层上，对所述交互过程中的语音数据和应答数据进行二次编码，并对二次编码后的数据进行归一化处理，其中，每条语音数据和每条应答数据的各个语句元素与所述不同层中的相应的一层相关联，所述不同层包括基础层、扩展层和附加层；利用神经网络模型，对归一化处理后的数据进行AI智能分析。

在一个示例性实施例中，所述语音分析处理模块12还被配置为：获取所述语音数据的上一语音窗口内的语音数据中的语音强度的最大值、最小值和平均值；基于所获取的上一语音窗口中的语音数据中的语音强度的最大值、最小值和平均值，对当前语音窗口内的语音强度数据进行归一化处理，并判断归一化处理后的语音强度数据对应的采样点是否是零点，以找出当前语音窗口中的相邻两个零点；基于所述相邻两个零点计算所述语音数据在所述相邻两个零点对应的两个时刻内的语音强度；基于所述语音强度，对所述当前窗口中的语音数据进行切片处理，并设置下一语音窗口。

自动应答分析处理模块14被配置为基于所述智能分析结果生成响应所述语音数据的应答数据，其中，所述应答数据是关于职业顾问信息的相关数据。

在一个示例性实施例中，所述自动应答分析处理模块14包括：需求处理模块，被配置为基于所述语音分析处理模块输出的数据，确认并处理所述用户的需求；期望分析模块，被配置为对所述需求进行判定分析，确定所述用户意向范围和广度，并通过引导的方式收集所述用户提供的进一步信息，以确定所述用户的期望；然后根据所确定的所述期望来确定所述应答语音的内容。

在一个示例性实施例中，处理所述用户的需求包括以下至少之一：根据用户的先决信息结合所述交互时生成的信息，对所述需求进行分层级补全；对所述用户的简历进行整体归类，进行多维度特征提取并进行细化分类，在交互过程中对用户信息进行横向、纵向的比对，并根据比对结果生成匹配的结果。

在一个示例性实施例中，深度交互式AI智能求职顾问系统还可以包括数据处理模块，其中，所述数据处理模块包括：简历处理模块，被配置为基于所述交互过程中的语音数据和应答数据，形成自我认识模型，以为所述用户生成完整的自我认识数据；并且对所述用户的简历进行优化，对优化后的简历进行特征提取，对所提取的特征进行定义、分析、判定、匹配，再基于定义、分析、判定、匹配后的特征进行计算，以对简历重新进行匹配契合；其中，所述匹配契合包括以下至少之一：岗位匹配、经验匹配、期望匹配、能力匹配、需求匹配；所述优化包括以下至少之一：匹配度优化、能力优化、经验优化、期望优化；职位处理模块，被配置为对所述简历处理模块处理过的简历、所述交互过程中的语音数据和应答数据，通过大数据计算进行职位的挖掘与分析，以确定所述简历的完善程度、需求描述正确、岗位匹配程度分级、招聘期望范围、简历契合度承受阈值。

本实施例，通过系统实现与客户的自动沟通，并且能够达到与人工处理相同的效果，从而减少由于人员的不稳定因素导致的风险。并且，可以更加快速的进行数据匹配，进而能够达到人工所无法达到的推荐效果，比如能更快速的进行匹配，对数据的收集更加全面等。此外，还可以提高数据的利用效率，通过智能运算可以同时处理更多的数据条目，并生成更好的推荐方案给客户，从而让客户感受到系统的善解人意。最后，通过加深沟通交互的深度，从以往智能AI系统的询问式沟通深入至发掘需求和需求推荐，使得系统更加智能。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

实施例2

本发明实施例提供了一款深度交互式AI智能求职顾问系统，该系统能够与用户进行深度交互。如图2所示，该系统包括：语音分析处理模块12、自动应答分析处理模块14、数据处理模块16。

一、语音分析处理模块

语音分析处理模块12进行与用户交流并使得用户感官上获得良好体验。语音分析处理模块12包含文字处理和语音处理两部分，其中语音处理部分是满足交互过程的主要呈现形式。文字处理部分则是数据信息产生的来源，这里所产生的数据信息对于其他模块来说是最根本的信息源头。

语音处理部分的具体操作如下：

1.采用语音沟通的方式与用户进行交互，并对交互过程中产生的对话进行应答，通过ASR的方式实现与用户的平滑沟通。

(1)设定常用的语音信息库与动态语音库，在进行语音处理的时候可以进行快速读取并呈现给交互过程中的用户。

(2)设定基本的应答逻辑框架，并根据交互过程产生的信息进行填充，并对用户进行引导推荐，所有逻辑围绕着获取、引导、推荐这三个目标进行测算。

2.对用户行为意向进行判定分析，通过分析模型对用户的想法进行定义，例如用户说我希望能离家近一点，则判定，此次推荐地点的距离是否远、是否交通方便、是否成本低廉、是否有交通补助等。对于用户的意向判定是多维度的，因为只有更全面的确定用户需求才能为用户提供更好的推荐与建议。

(1)确定用户的需求是首要的，在沟通的起始阶段，需要先确认用户的需求是否存在，并且判断用户的需求紧迫程度、需求内容、需求硬性标准、需求弹性标准、可接收程度，之后设立权重以备进行下一步操作。

(2)在确定用户需求之后对用户的意向进行判定，确认用户目前的想法、状态、目标和规划，综合评定用户对于可选择岗位的接收程度与意向可能，之后设立权重以备进行下一步操作。

(3)对用户的简历内容进行分析判定，确认简历内容的完整性与真实性的同时，对简历进行分析，分析内容包括工作描述、经验描述、能力描述、性格描述、状态描述、自我认知。分析出用户的求职信息所呈现出来的内容进行整理归纳，之后设立权重以备进行下一步操作。

(4)与用户所匹配的岗位需要进行分析判定，目的在于确认为用户所提供的推荐是否能够满足需求，之前准备的方案是否存在问题，如果存在问题则废弃，如果不足则快速生成需要的标记，并设立权重以备下一步操作。

(5)确定用户目前的行为状态，是否可以即时进行沟通、是否可以随时面试、心里状态是否正常、目前处于的状态如何根据用户偏好设立模型进行分析，之后设立权重以备下一步操作。

(6)根据分析判定权重进行分析，确定用户的着重点在哪里，并将分析结果传递至自动应答模块进行处理。

3.自动计算

(1)针对交互过程中由于交互引导从而使得用户有新的需求或者变更，进行判定分析，将处理过的信息发给应答分析处理模块进行处理。

(2)用户的意向在需求变动的过程中，需要进行分析，确认用户是否有可能会对于关联类似的信息有兴趣并对有关信息进行权重设置，根据权重判定用户意向的变动方向将分析结果传递至应答分析处理模块进行处理。

(3)根据交互时生成的信息以及对用户简历进行的分析判定，对简历进行初期的更新处理，并生成新的匹配信息传递至应答分析处理模块进行后期处理。

(4)根据分析判定目前已经提供的岗位是否符合预期，并根据用户交互过程中产生的反馈对匹配的内容进行更新，并传递至应答分析处理模块进行处理。

语音分析处理模块12的文字处理部分的操作如下：

1.呈现交互过程中与用户的对话，对识别结果进行智能纠错，并根据语音的内容理解和停顿智能匹配合适的标点符号，如：，。！？在需要人工监察的时候可以实时呈现给人工坐席，由人工进行下一步操作。

2.将转译后的数据内容进行切片处理，根据用户兴趣分析模型进行初次划分组合，并根据生成的结果进行下一步处理。

(1)根据生成结果进行建立匹配需求调用，由于需要满足与用户的实时交互，所以不能够太过深度的进行运算分析。所以需要先进行浅层次的分析，然后请求与之匹配的推荐数据，呈现给用户。

(2)对简历进行补全与拆分，重新定义简历的需求匹配程度，并通过用户兴趣分析模型将深度运算需求发送至应答处理模块，进行深度分析，并对用户下一步行为进行预判。

(3)对监理进行优化处理，补全信息的同时，根据拆分的信息特征从设定优化内容与方式，生成请求传递给应答处理模块进行分析处理。

3.数据交互传递逻辑的效率决定着整个系统的应答处理速度，更为直观的是用户的体验是否良好。所以需要在语音处理部分对数据传递进行第一次分析。

(1)匹配类数据传递需要将简历的匹配信息，根据分析结果生成特征并进行定义，交由自动应答处理模块快速进行处理并提供可用来应答的岗位信息进行推荐。

(2)转发类数据需要能够根据接收到的数据类型与之前的请求进行匹配，来确定是直接呈现给用户还是需要更深一步的进行分析处理，并将信息转发出去。

(3)存储类数据则是针对原有数据进行粗略补全，不进行过多计算，只进行简单分析之后将新数据和原有数据进行合并并存储。

二、自动应答分析处理模块

自动应答分析处理模块14负责对自动应答的数据进行分析处理，并将处理后结果通过语音分析处理模块12呈现给用户。

自动应答分析处理模块14在整个系统中属于核心，多数的判定与分析都是在此模块中完成的，其中主要的判定逻辑包括：需求确认、需求判定、需求发掘、需求更新、需求完善、回馈几个方面。

1.需求确认的目的是在确认本次交互是否可以成立，以及用户此时状态，并且根据结果进行下一步操作。

(1)确认需求是否还存在，如果存在则进行询问，如果不存在则确认原因，如果是其他回答则根据用户的输入内容进行分析，来确认需求的内容，最终转化为是否存在。此处需要进行第一次分析，来确认目前用户对于需求的确认情况，以及目前的状态。

(2)确认需求是否准确，根据用户的反馈来分析用户当前状态，此步骤涉及第二次分析。需要分析出用户对于本次沟通的意向以及对自己目前情况的了解程度是否准确。

2.在确认需求之后则需要对需求开始进行判定分析，通过引导的方式收集用户提供更多的信息，并根据用户提供的信息来确定应答内容。

(1)确定用户意向范围和广度，根据用户提供的信息，确认用户目前的期望如行业、距离、时长、环境等。再根据确认后的信息分别提取用户感兴趣的内容进行权重评分，然后根据评分的权重将关联内容进行推荐，之后收集用户的反馈并分析可接受程度高低再进行下一步关联。

(2)用户存在个体差异的原因，在交互过程中会产生一些特殊需求，针对这些特殊需求可以作为单独的评分点来进行关联判定。如用户想找一个司机的岗位但是需要岗位提供清真食品，那么将清真食品进行特殊需求的权重评分，并根据评分进行重新组合用户特征，获取并推荐与清真有关的其他岗位，在满足高权重的需求时是否可以进行替换。

(3)在需求确认的过程当中，用户的反馈极为重要，首要分析的就是用户对于交互过程中推荐的信息接受程度。如需求度匹配契合度较高的岗位推荐给求职者时，但是求职者拒绝了，这时候就需要重新确定导致拒绝的需求向在下一次分析过程中的权重。

3.在沟通过程中，用户的实际真实情况主见明朗，此时用户的期望会有所变化，不同侧重点的权重也会跟着进行变更，系统针对这种情况进行分析处理，生成新的应对方案。

(1)用户在交互的时候会进行自我分析，比如说因为某一个特定因素而导致意向的转变，比如岗位在特定的建筑、社会环境突然的变换、周围人的意见影响等。此时需要针对意向变化进行挖掘设定新的权重点，并加入整体评分。

(2)用户的需求意向在改变的同时，需要生成新的用户意向，并且对用户所拥有的各种特征进行横向分析，通过用户兴趣分析模型来统计出转变趋势，并根据趋势对用户可能更为感兴趣的内容进行引导发掘。

(3)确认并更新好用户意向之后需要对用户的意向进行判定。用户在交互过程中会有自己的意向组合，通过用户兴趣分析模型来确认系统生成的意向判定，来尽可能提高与用户的真实意向契合程度。并且根据用户关注的点来进行引导，在交互的过程中为用户创立可以接受的意向需求。

(4)用户的需求意向判定完成之后需要进行与之关联的匹配，首先在用户兴趣分析模型的分析与判定过程中，对用户已经明确的需求意向会有一个匹配分析，并根据生成结果为用户提供所需信息。同时，需要对用户进行意向引导匹配，并且引导用户来尝试接受权重评分比较高的点，并与之关联的信息进行意向匹配。

4.用户的需求不是一成不变的，在实际工作中会随着时间、环境等因素改变，而这种改变对于整个系统的相应起着决定性作用，需要根据用户每一次更新的需求给予不同的相应，让用户有更加良好的体验。

(1)通过用户的意向变化分析，对用户的期望进行更新。如用户突然希望某一个特征点可以得到满足，那么就需要更新用户整体的需求侧重。之后通过更新意向的更新趋势生成模型，来确认用户的行为兴趣趋势，来进行准备。

(2)用户在实际工作中由于工作经历的变化，其能力也会随之改变。有些时候用户不能对自己所拥有的能力进行有效的评价。所系需要通过收集的信息对用户进行综合分析，并将用户的特征进行行业分析，在更新其能力信息的同时协助用户确认自己的能力情况。

(3)在与用户的沟通过程中，分析用户的经验表述情况，并且针对用户以往的工作经历进行确认分析，并更新用户的实际经验情况，根据结果对用户的能力匹配度进行更新。

(4)在用户多方面匹配度更新的同时，需要分析用户目前的状态。综合评定目前用户是否能够快速的接受并加入工作。可考虑维度包括赋闲时长、生理周期、家庭环境、上一个岗位的工作满意度等。根据评定结果对用户进行可推荐分析。

5.需求完善是对于用户的行为意向进行测算和补全的一个过程，并且根据沟通的情况对正在进行交互的应答进行支持以及未来可能会再次发生的沟通进行支持。

(1)用户的需求补全，需要根据用户的先决信息结合沟通时生成的信息，进行分层级补全。第一层级用于沟通初期，需要针对用户设定好简单的推荐方案。第二层级用户沟通的中期，根据逐渐增多的信息进行重新整合，并生成配套的推荐。第三层级用于沟通的后期，综合评定整个沟通过程，并且对沟通进行收尾工作，确保用户是否可以进行下一步内容。

(2)需求标记需要对简历进行整体归类，并且进行多维度特征提取并进行细化分类，在交互过程中对用户信息进行横向、纵向的比对，并根据比对结果生成匹配的结果进行推荐。

(3)需求归类是对用户的需求进行多层级的分类的过程，需要根据用户的需求不同内容进行层级划分，确立用户不同需求层级之间的关联，并根据权重生成不同组合的推荐内容。

(4)用户的需求处理完成之后需要对用户进行整合定义，并且将本次处理结果整体定义并归档。

6.自动应答回馈是整个自动应答系统的输出，主要分为对求职者的回馈、求职者对系统的回馈。

(1)对求职者需要回馈的内容主要是进行应答，包括推荐、引导、塑造、评定。

(2)求职者对系统的回馈是系统判定下一步操作的前提，首先是可接受程度和意向期望。然后是对面试情况的反馈、邀约情况的反馈。

三、数据处理模块

数据处理模块16则是用来支撑整个系统的数据运算以及传递等操作，来使得系统可以顺畅良好的运行。人工处理模块是对整个系统的一个补充，由于整个社会环境的多变性，系统的学习模型有时候不能很好的处理信息，则需要人工进行补充。

数据处理模块16用于对整个系统的数据进行处理的，需要强大的运算力来满足整个系统对于数据运算需求的支撑。

实施例3

本申请旨在创建一个采用深度交互形式的AI智能求职顾问系统，用于实现在日常工作中提高效率并降低人力成本的同时，更加快速和有效的解决求职者与招聘者的意向匹配问题。并且能够在交互过程中，根据用户的意向变化以及对用户的偏好分析进行更快速和更合理的推荐。

本实施例提供的AI智能求职顾问系统，如图3所示，包括：语音分析处理模块12、自动应答分析处理模块14、数据处理模块16和人工处理模块18。

语音分析处理模块12用于和用户进行沟通，并在沟通过程中收集用户信息和意向，传递给其他模块进行处理，然后将处理好的信息反馈呈现给用户。

其中，语音分析处理模块12主要涉及数据收集分析模块、实时通话文字呈现模块、数据预处理模块、需求定义与提取模块、数据传递分发模块。数据收集分析模块负责进行数据收集分析、实时通话文字呈现模块用于快速将通话内容进行转译，供其他模块获取。数据预处理模块主要是对数据进行简单的整理、清洗和分类；需求定义与提取模块需要对用户特征进行提取和区分，分别进行分析判定，并根据分析结果进行相应模块调用。数据传递分发模块需要根据用户在交互过程中产生的数据信息分析结果，在分析判定之后通过运算分析传递给其他的模块处理。

自动应答分析处理模块14则是包含了对于交互过程中所需要的一切资源进行运算分析处理并提供结果的模块总和。其中包括期望分析模型、状态特征模型、匹配关联模型、回馈分析模型，这些模型相互配合进行自动应答处理、判定、调取和呈现。期望分析模型主要分析用户的心理预期并根据预期结果进行反馈，并且能够实现对用户期望的引导，将用户的心里预期引导至更高匹配度的方向。状态特征模型主要分析用户当前状态，并根据目前状态整理后台信息进行两个操作，一个是对于用户信息的更新与维护，另一个是针对用户当前的状态进行应答方案的调整，并将不同匹配程度的方案按照分值进行推荐。匹配关联模型则是结合用户的求职信息、用户行为记录和正在进行的交互所产生的信息进行分析整合之后进行匹配，从而得到最佳匹配推荐。回馈分析模型则是包含了对于求职者和招聘者在整个交互过程中所有信息处理和回馈，主要是针对整个招聘过程中非交互过程中的操作进行处理的模块。

数据处理模块16用于对整个系统的数据进行处理，其中不仅包含对于数据的″增删改查″以及快速传输与调用，也需要包含对于数据的分析运算操作。其中包括求职简历处理模块、职位处理模块、数据存储模块。简历处理模块主要针对于求职者信息的分析处理，需要对实时交互信息和求职信息进行更新、整合与补全，使得用户信息处于完整并且最新的状态。职位处理模块需要能够对招聘者进行分析，并且进行深度分析然后去寻找与之需求更加匹配的求职者并把自己推荐出去，这是一个主动的过程。数据存储模块需要对整个系统生成的信息进行存储，分别进行特征抽取、标签归类、权重分析、快速调取并能够根据不同模块的需求对数据进行整合后快速传递。

本申请实施例提供了一个全自动的交互情境，能够实现实时交互、语音处理与分析以及文字处理与分析。

实时交互：与用户沟通过程中，首先是需要考虑交互过程中用户的交互体验。这种感官上的体验直接影响了接下来的交互过程是否能够顺利进行。例如与用户进行沟通时的流畅程度是否平滑，给予用户的感觉是否可以让用户更容易接受。因为只有沟通过程中用户愿意进行更深入的交流才能更好的实现深度交互的目的，从而在纯系统环境的情况下达到以往需要人工操作才能实现的效果。

语音处理与分析：一般的语音系统对于信息的处理一直是扮演一个翻译者的角色，应用在现实场景中的时候只能进行简单的沟通或对话，无法进行更为深入的交流。而在实际工作中在与用户的沟通过程中，挖掘用户需求并分析需求，根据结果给予用户想要的结果才是真正能够解决用户需要的方式。而本发明采取实时语音处理与分析模式，根据用户在沟通过程中产生的信息，进行分析运算然后进行意向匹配并将匹配好的相应内容呈现给用户。

文字处理与分析：正常的智能交互系统在文字处理上只是进行简单处理，而本发明意在应用运算分析，更加深入的发掘信息，将处理后的数据信息根据模块的需要进行拆分、判定、划分、匹配、更新等操作。从而使得数据信息实现最大化的利用，并产生更高的价值。

实施例4

本实施例提供了另一种AI智能求职顾问系统，能够与用户进行深度交互，该系统如图4A所示，包括：语音分析处理模块12、自动应答分析处理模块14、数据处理模块16、人工处理模块18和数据传递分发模块20。

一、语音分析处理模块12

语音分析处理模块12的操作流程如图4B所示，用于对与用户进行沟通时产生的数据记录进行分析挖掘和期望计算，具体包括数据收集分析模块、实时通话文字呈现模块、数据预处理模块、需求定义与提取模块、数据传递分发模块。数据收集分析模块首先需要将用户求职信息进行匹配，调取后台数据对求职信息分析生成的需求进行预备，然后需要对语音信息进行转译、整理，并对用户需求进行应答交互。在交互过程中不断生成新的信息进行二次整理，并进行判定和自动计算。根据结果生成新的应答内容反馈给交互状态中的用户。实时通话文字呈现模块需要将交互过程中生成的信息以文字的形式形成一问一答的呈现，并根据信息自动进行期望特征标记。数据预处理模块需要对在交互过程中产生的数据进行预处理，提取特征并按字段进行格式化，根据不同情境进行切片标记。需求定义与提取模块需要提取交互过程中用户的期望，进行需求分析，同时将期望特征从数据库内提取与之相匹配的信息进行预备。数据传递模块需要将生成的交互信息通过计算，分发给自动应答分析模块、数据处理模块16或者人工处理模块。

在一个示例性实施例中，语音分析处理模块12采用ASR技术，多采样率多场景声学建模，中文普通话识别准确率达98％，并且支持普通话和略带口音的中文识别。可以有效的应对绝大多数场景。使用大规模数据集训练语言模型，对识别中间结果进行智能纠错，并根据语音的内容理解和停顿智能匹配合适的标点符号，如：，。！？在实际应用中可以有效的生成数据段落，并增加可读性，方便对生成的信息进行分析解读，并根据分析结果进行快速响应。

本实施例中的语音分析处理模块12实现了毫秒级实时识别音频流，首包响应时间毫秒级，并实时展示中间文字结果，快速识别音频流。在交互过程中实现平滑、顺畅无卡顿，可根据场景需求对音库的语速、音调、音量进行灵活设置，给予用户良好的使用体验。

在一个示例性实施例中，语音分析处理模块12语音转译文字识别结果支持时间戳，识别返回的文字结果带有时间戳，展示切分句子开始和结束时间，方便进行识别，并根据不同需要分别传递给不同模块，用于针对用户的应答与反馈以及数据处理等相关操作。

在一个示例性实施例中，语音分析处理模块12包含语料深度训练模型，自动上传业务场景相关文本训练语料即可训练语言模型，支持词汇、长文本等多种训练方式。每次训练后系统自动评估训练结果，训练效果精准提升，训练效果满意后，无需复杂操作，自动将模型上线使用。

在一个示例性实施例中，语音分析处理模块12需要可以进行快速判定与调取，在与用户实现交互之前准备好多套交互方案，并预判可能存在的交互方式，而不是设置固定的交互脚本。当交互过程中提取到特定信息时触发对应的应对交互方案。

在一个示例性实施例中，语音分析处理模块12在处理交互信息时可以通过提取用户期望进行需求分析，在预选沟通方案进行的同时，根据用户新生成的交互信息实时更新用于交互的信息预案。

自动应答分析模块作用在于实现与用户深度交互，并对用户期望进行发掘，同时给予应答和职位推荐。在交互过程中通过生成期望分析模型、状态特征模型、匹配关联模型、回馈分析模型进行自动应答处理、判定、调取和呈现。其中期望分析需要进行需求确认、需求判定、需求发掘。状态特征模型需要进行动态期望判定、动态期望范围判定、特殊期望判定、推荐接受程度判定。匹配关联模型需要对用户期望进行匹配关联，包括动态期望关联、动态期望匹配、动态期望范围判定、特殊期望关联、特殊期望匹配、推荐接受程度记录。之后对交互过程中生成的数据进行整理、分析、更新、存储进行计算之后分别对用户简历和期望进行意向更新、能力更新、经验更新、社会状态更新。并将整理好的信息传递至数据处理模块16。回馈分析模型需要针对交互过程结束之后所产生的用户回馈进行分析处理，其中针对求职者的求职者回馈包括面试情况回馈、邀约情况回馈、职位期望匹配回馈。针对企业的岗位回馈包括到面情况回馈、职位变动回馈、人员匹配度回馈。将整理好的回馈信息传递至数据处理模块16进行处理。

在一个示例性实施例中，自动应答分析处理模块14的操作流程如图4C所示。在交互场景中，可以识别交互双方文本背后蕴含的用户情绪，针对识别到的负向情绪，结合上下文语境给出有针对性的回复内容，第一时间安抚客户负向情绪，并自动分析评论关注点和交互观点，并输出交互观点标签及交互观点特性。支持用户交互的观点抽取，可帮助后台进行期望分析，调取更加匹配的相关职位，辅助用户进行决策。

在一个示例性实施例中，自动应答分析处理模块14针对交互过程中产生数据进行需求判定计算，并根据计算结果推荐给用户并对需求进行发掘与引导。使得用户可以提供更多的信息以供分析，在分析过程中将用户需求的着重点进行提取并分割成单独的需求单元，将需求单元进行归类记录，并针对每个单元进行需求匹配，之后根据分析结果计算出可用于推荐的结果通过语音模块传递给用户。

在一个示例性实施例中，自动应答分析处理模块14在交互过程中动态识别用户特征，针对于用户在交互过程中可能会发生的行为意向改变进行预判，例如：新技能、新经验、新想法、新需求。并且根据用户情况的动态变更进行需求匹配。并收集在交互过程中产生的碎片信息进行整合，之后根据整合信息并结合用户原有信息进行合并，合并后生成新的用户信息来对用户进行定义。

在一个示例性实施例中，自动应答分析处理模块14在交互过程开始之前和结束之后，通过统计学规律分析模型对整个交互过程进行分析，首先将用户在系统中生成的信息按不同字段进行单元拆分，将各个单元转换为用户特征并进行标记分配。然后在数据库中进行契合度匹配，根据契合度不同生成多层级匹配推荐方案，在生成新的绑定信息同时，通过契合度高低的逻辑判定对交互进行准备。

数据处理模块16的操作流程如图4D所示，是处理整个系统中所产生的数据以及原有数据的，对全量收集的数据进行整理、清洗、分析、判定、分类、学习等操作。根据其他模块的需要进行数据的增加、变更、提取、存储，以便针对每次一用户交互的同时能够有多个备选信息处于动态可用的状态。其中包括简历处理模块、职位处理模块、数据存储模块。简历存储模块包含简历完善，需要根据与用户的交互过程中产生的信息简历形成自我认识模型，让用户有一个完整的自我认识。之后对于用户的简历进行能力更新、经验更新、状态更新、意向更新。并且通过大数据计算对简历进行优化包括匹配度优化、能力优化、经验优化、期望优化。优化过程之后重新对简历进行特征提取，对特征进行定义、分析、判定、匹配。再通过计算对简历重新进行匹配契合，包括岗位匹配、经验匹配、期望匹配、能力匹配、需求匹配。之后汇聚生成完整的匹配关系推荐机制以便自动应答模块调用。并且根据交互系统所有模块产生的数据进行实时更新，以及通过计算分析出用户未来可能的规划。职位处理模块需要对现有信息进行深度分析，通过大数据计算进行需求挖掘与分析完善。包括完善程度、需求描述正确、岗位匹配程度分级、招聘期望范围、简历契合度承受阈值。数据存储模块对系统生成信息进行有效存储，需要根据多重分类模式需要，为不同模块进行有效数据的提供，在保证数据的机密性、完整性的同时尽可能的提高可用性。

在一个示例性实施例中，数据处理模块16架构采用Hadoop，可以使用可靠、高效、可伸缩的方式进行数据处理，有着高容错性的特点，并且它提供高传输来访问应用程序的数据，适合那些有着超大数据集的应用程序。Hadoop使用专门为分布式计算设计的文件系统HDFS，计算的时候只需要将计算代码推送到存储节点上，即可在存储节点上完成数据本地化计算，Hadoop中的集群存储节点也是计算节点。

在一个示例性实施例中，数据处理模块16根据其他模块发送的不同的请求进行快速计算，并返回对应请求所要求的返回数据。其中语音分析处理模块12对于数据的要求是需要快速调取并生成可应答的文字内容，经过转译为语音之后传递给用户。并且需要对接收到的语音信息转译后的数据进行快速计算处理。

在一个示例性实施例中，数据处理模块16对于自动应答分析处理模块14需要达到快速计算出应答所需数据信息。首先要建立出用户兴趣趋势分析模型对用户需求进行预判，并根据分析结果对于自动应答模型可能会出现的情况进行从数据库中调取相应数据进行计算组合。之后根据分析模型设定触发条件，并在触发相应组合时可以有效快速的传递。

数据传递分发模块20的操作流程如图4E所示，其与语音手机分析处理模块12、自动应答分析处理模块14、数据处理模块16相连，用于传递逻辑、数据整合、数据分析等操作。

实施例5

图5是根据本发明第五实施例的一种深度交互式AI智能求职顾问系统的结构示意图。本实施例中的求职顾问系统的结构可以和实施例1至4中的任一求职顾问系统的结构类似，不同之处仅在于本实施例中的求职顾问系统利用了语音数据和应答数据之间的相互依赖性，来确定用户的期望。

如图5所示，该求职顾问系统包括语音分析处理模块12和自动应答分析处理模块14，其中，语音分析处理模块12包括依赖性确定模块124，自动应答分析处理模块14包括期望分析模块142。

依赖性确定模块124从所述语音数据和应答数据的数据流中读取具有相互依赖关系的语法结构，其中，所述语法结构表示在所述语音数据和应答数据之中的至少一对不同值之间的相互依赖性；基于所述语法结构，利用截断一元码，使用结构预测在对应于所述语音数据和所述应答数据的语句元素的信息量的不同等级的不同层上，对所述交互过程中的语音数据和应答数据进行二次编码，并对二次编码后的数据进行归一化处理，其中，每条语音数据和每条应答数据的各个语句元素与所述不同层中的相应的一层相关联，所述不同层包括基础层、扩展层和附加层。其中，所述结构预测是利用语法结构预测相互依赖性的预设规则。

所采用的相互依赖性可以基于以下方式来计算。

上式中，x_i为所述语音数据语句元素的信息量，y_i为所述应答数据中语句元素的信息量，n为所述语音数据和应答数据中的语句元素的总个数，

为n个语句元素的平均值，a表示学习率，b表示相互依赖性。

依赖性确定模块124基于所计算出的相互依赖性，利用截断一元码，使用结构预测在对应于所述语音数据和所述应答数据的语句元素的信息量的不同等级的不同层上，对所述交互过程中的语音数据和应答数据进行二次编码，并对二次编码后的数据进行归一化处理。在二次编码时，将每条语音数据和每条应答数据的各个语句元素与所述不同层中的相应的一层相关联。

采用这样的处理方式，可以将相互依赖性不同的语句元素对应到不同的层中。以便后期通过神经网络模型进行智能分析用户的意向。

下面将详细介绍本实施例提供的神经网络模型。

本发明实施例采用的神经网络拓扑结构的输入层有三个神经元，分别为语音数据的语句元素的信息量、应答数据的语句元素的信息量以及相互依赖性。隐藏层有六个神经元，输出层有四个神经元。

设定语音数据的语法元素为x、应答数据的语法元素为y、则网络输入层到输出层可表示为：

其中，b₁为输入层到隐藏层阈值向量，b₂为隐藏层到输出层的阈值向量，f(·)为隐含层采用的非线性函数，g(·)为输出层激活函数。w为网络输入层到隐藏层的权值矩阵，v为隐藏层到输出层权值矩阵，z表示输出向量，P_mx为与语句元素对应的相应层，υ为影响因子，n为应答数据和语音数据中的语句元素的总个数，F_best为最佳的相互依赖性，即，相关依赖性的程度最高，F_agvn为相互依赖性的平均值。

依赖性确定模块124利用上述神经网络模型，对归一化处理后的数据进行AI智能分析。期望分析模块142基于所述智能分析结果生成响应所述语音数据的应答数据。

本实施例中，通过引入语法元素之间的相互依赖性以及神经网络模型，能够更智能地分析用户的意向或期望。

在一个示例性实施例中，所述系统还包括编码模块，所述编码模块被配置为：根据在交互过程中的图像的相邻数据块中的上一个块的三角形波的间隔线来预测下一个块的三角形间隔线的位置，使得在所预测的位置处的所述三角形间隔线形成所述相邻数据块的所述三角形波的间隔线至下一个相邻数据块的延展区；使用随机变化的概率二进制熵编码以及所述相邻数据块的上一个块的大小的固定位长度，来确定所述延展区的近似方向；使用所述相邻数据块中的细化信息来细化所述延展区的近似方向，其中，所述近似方向沿着拟合由所述相邻数据块中的上一个块的延展区的近似方向的斜率的方向延伸并具有取决于所述相邻数据块中的下一个块的偏移量的偏移；基于细化后的所述延展区的近似方向对所述图像进行编码。

在一个示例性实施例中，所述编码模块还被配置为：确定所述细化信息中的编码语法元素的前缀的长度，根据所确定的前缀的长度，基于所述前缀索引的多个近似方向之中的斜率最大的近似方向和所述前缀索引的多个近似方向之中的角度局部最大密度的近似方向，细化所述延展区的近似方向；基于细化后的所述延展区的近似方向，重构作为误差校正信号的预测误差，并基于所述预测误差来校正预编码矩阵，以对所述图像进行编码。

通过上述编码模块，能够找出图像中的数据块的延展区的近似方向，从而能够基于精确的近似方向进行图像编码。这样，在模拟面试进行图像解码并显示时，能够更清晰地显示图像，从而有利于面试过程中观察到求职者或者招聘者的细微表情或者动作，以更好地提升面试效果。

实施例6

图6是根据本发明第六实施例的一种深度交互式AI智能求职顾问系统的结构示意图。本实施例中的求职顾问系统的结构可以和实施例1至4中的任一求职顾问系统的结构类似，不同之处仅在于本实施例中的求职顾问系统能够基于用户的语音强度分析用户的意向和期望。

如图6所示，该求职顾问系统包括语音分析处理模块12和自动应答分析处理模块14，其中，语音分析处理模块12包括强度确定模块122，自动应答分析处理模块14包括期望分析模块142。

强度确定模块122获取所述语音数据的上一语音窗口内的语音数据中的语音强度的最大值、最小值和平均值；基于所获取的上一语音窗口中的语音数据中的语音强度的最大值、最小值和平均值，对当前语音窗口内的语音强度数据进行归一化处理，并判断归一化处理后的语音强度数据对应的采样点是否是零点，以找出当前语音窗口中的相邻两个零点；基于所述相邻两个零点计算所述语音数据在所述相邻两个零点对应的两个时刻内的语音强度；基于所述语音强度，对所述当前窗口中的语音数据进行切片处理，并设置下一语音窗口。

其中，可采用下式对当前语音窗口范围内的数据进行归一化处理：

式中：H_i为归一化处理后的数据值；h_i为当前窗口范围内语音数据的语音强度的原始值；h_i-1ave、h_i-1max和h_i-1min分别为上一窗口范围内语音强度数据的平均值、最大值和最小值。

语音强度的归一化的波形图近似于正弦图像，因此，相较于波峰、波谷附近的语音强度的特征值，过零点附近的特征值更容易被区分出来。因此选择提取零点附近的值作为数据分析的特征值，从而减小采样所带来的误差，更准确的获得语音强度。取左侧和右侧的相邻采样点的语音强度值相乘，若得出的结果为负值，则判断该点为零点。通过语音窗口中图像经过相邻两个零点可以得出语音强度的正弦波的周期，进而可以基于该正弦波的周期计算出语音强度。同时，考虑到零点附近会出现语音强度的数据波形抖动，出现异常数据的情况，因此，可以剔除异常数据。例如，当两个零点距离过近，导致计算出现偏差时，则将此组零点删除以达到删除异常值的目的。

由于语音强度会逐渐发生变化，因此可以将下一窗口的时间范围设定为是当前窗口内最后一组正弦图像单个周期时间的整数倍，以此确保下一窗口的时间范围内至少包含有一个正弦周期。这样，逐一计算各个窗口的语音强度，直至所有的语音数据计算完毕。

本实施例中，通过上一窗口计算出的最后一组正弦周期来设定当前窗口的语音的时间范围，再在设定的当前窗口时间范围内用上一窗口内的数据最大值、最小值和平均值对当前窗口自的数据进行归一化处理，计算当前窗口内每一时刻语音强度，并以当前窗口内最后一组周期来设定当前窗口的下一窗口的时间范围，依此类推，直至所有语音数据计算完毕，以实时精确地获取语音强度。

本实施例通过上述方法，能够精确地计算出语音强度，并能够基于上一窗口的语音强度，设置下一窗口的时间设定范围，从而能够更精确地划分语音数据的窗口，以更精确地计算语音强度。

期望分析模块142基于所计算出的语音强度来计算用户的期望。期望分析模块142基于几个维度向量，例如唤起度和积极度，来计算用户的期望。其中，唤起度代表唤起程度的高低，积极度代表积极情绪的高低。这两个维度都是通过数值来代表他的高低程度。

在一个示例性实施例中，唤起度可以通过如下公式计算：

其中，m_pq表示相邻两个零点之间的唤起度，p表示一对零点中的第一个零点所在的时刻，q表示第二零点所在的时刻，x为语音强度，y为语速，I表示校正因子，B表示语音数据。

在一个示例性实施例中，积极度可以通过如下公式计算：

这两个维度都是通过数值来代表他的高低程度。比如一个数值区间[-1，1]，越靠近-1代表低迷/消极越深，越靠近1代表激动/积极度越高。

在计算出唤起度和积极度之后，期望分析模块142进一步提取两个零点之间的语音数据的语音元素，并将该语音元素作为期望特征值，以确定用户的期望。

本实施例中通过基于上一时间窗口设置下一时间窗口的设定范围，能够更精确对语音数据进行切片，并计算出语音强度，然后，通过引入唤起度和积极度两个衡量参数，能够精确地提取出期望特征值，从而能够准确地分析出用户的期望。

实施例7

本实施例提供了一种深度交互式AI智能求职顾问方法，如图7所示，该方法包括：

步骤S102，基于所接收到的用户的语音数据和与所述用户相关的求职信息进行AI智能分析，并生成智能分析结果；

步骤S104，基于所述智能分析结果生成响应所述语音数据的应答数据，其中，所述应答数据是关于职业顾问信息的相关数据。

上述实施例1至6中的智能求职顾问系统所执行的步骤或方法，本实施例提供的方法都能够实现，因此，此处不再赘述。

实施例8

本发明的实施例还提供了一种存储介质。其上存储有程序，在该程序被运行时，能够使得计算机执行如实施例7中提供的方法。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种深度交互式AI智能求职顾问系统，其特征在于，包括：

语音分析处理模块，被配置为基于所接收到的用户的语音数据和与所述用户相关的求职信息进行AI智能分析，并生成智能分析结果；

自动应答分析处理模块，被配置为基于所述智能分析结果生成响应所述语音数据的应答数据，其中，所述应答数据是关于职业顾问信息的相关数据；

其中，所述语音分析处理模块还被配置为：

从所述语音数据和应答数据的数据流中读取具有相互依赖关系的语法结构，其中，所述语法结构表示在所述语音数据和应答数据之中的至少一对不同值之间的相互依赖性；基于所述语法结构，利用截断一元码，使用结构预测在对应于所述语音数据和所述应答数据的语句元素的信息量的不同等级的不同层上，对交互过程中的语音数据和应答数据进行二次编码，并对二次编码后的数据进行归一化处理，其中，每条语音数据和每条应答数据的各个语句元素与所述不同层中的相应的一层相关联，所述不同层包括基础层、扩展层和附加层；利用神经网络模型，对归一化处理后的数据进行AI智能分析；

其中，所采用的相互依赖性可以基于以下方式来计算：

上式中，

为所述语音数据中语句元素的信息量，

为所述应答数据中语句元素的信息量，

为个所述语音数据中语句元素的平均值，

为个所述应答数据中语句元素的平均值，a 表示学习率，F表示相互依赖性，n 为所述语音数据和应答数据中的语句元素的总个数。

2.根据权利要求1所述的系统，其特征在于，所述语音分析处理模块包括：

数据收集分析模块，被配置为获取与用户相关的求职信息，对所述语音数据进行转译、整理，对交互过程中的语音数据和应答数据进行二次整理，以收集数据；

数据预处理模块，被配置为对所收集的数据进行预处理，所述预处理包括以下至少之一操作：整理、清洗、分析、判定、分类和学习；

需求定义与提取模块，被配置为基于预处理后的数据，确定所述用户的需求，并基于所确定的需求对所述用户的意向进行判定。

3.根据权利要求2所述的系统，其特征在于，所述语音分析处理模块还包括文字呈现模块，所述文字呈现模块被配置为：

对所述语音数据和所述应答数据进行文字识别，并根据所述语音数据和所述应答数据的内容智能匹配相应的标点符号；和/或

对所述用户的简历进行补全与拆分，重新定义简历的需求匹配程度，并通过用户兴趣分析模型将深度运算需求发送至所述自动应答分析处理模块，进行深度分析。

4.根据权利要求1所述的系统，其特征在于，所述自动应答分析处理模块包括：

需求处理模块，被配置为基于所述语音分析处理模块输出的数据，确认并处理所述用户的需求；

期望分析模块，被配置为对所述需求进行判定分析，确定所述用户意向范围和广度，并通过引导的方式收集所述用户提供的进一步信息，以确定所述用户的期望；然后根据所确定的所述期望来确定应答语音的内容。

5.根据权利要求4所述的系统，其特征在于，处理所述用户的需求包括以下至少之一：

根据用户的先决信息结合所述交互时生成的信息，对所述需求进行分层级补全；

对所述用户的简历进行整体归类，进行多维度特征提取并进行细化分类，在交互过程中对用户信息进行横向、纵向的比对，并根据比对结果生成匹配的结果。

6.根据权利要求1所述的系统，其特征在于，还包括数据处理模块，所述数据处理模块包括：

简历处理模块，被配置为基于所述交互过程中的语音数据和应答数据，形成自我认识模型，以为所述用户生成完整的自我认识数据；并且对所述用户的简历进行优化，对优化后的简历进行特征提取，对所提取的特征进行定义、分析、判定、匹配，再基于定义、分析、判定、匹配后的特征进行计算，以对简历重新进行匹配契合；其中，所述匹配契合包括以下至少之一：岗位匹配、经验匹配、期望匹配、能力匹配、需求匹配；所述优化包括以下至少之一：匹配度优化、能力优化、经验优化、期望优化；

职位处理模块，被配置为对所述简历处理模块处理过的简历、所述交互过程中的语音数据和应答数据，通过大数据计算进行职位的挖掘与分析，以确定所述简历的完善程度、需求描述正确、岗位匹配程度分级、招聘期望范围、简历契合度承受阈值。

7.根据权利要求1所述的系统，其特征在于，所述语音分析处理模块还被配置为：

获取所述语音数据的上一语音窗口内的语音数据中的语音强度的最大值、最小值和平均值；

基于所获取的上一语音窗口中的语音数据中的语音强度的最大值、最小值和平均值，对当前语音窗口内的语音强度数据进行归一化处理，并判断归一化处理后的语音强度数据对应的采样点是否是零点，以找出当前语音窗口中的相邻两个零点；

基于所述相邻两个零点计算所述语音数据在所述相邻两个零点对应的两个时刻内的语音强度；

基于所述语音强度，对所述当前语音窗口中的语音数据进行切片处理，并设置下一语音窗口。

8.一种深度交互式AI智能求职顾问方法，其特征在于，包括：

基于所接收到的用户的语音数据和与所述用户相关的求职信息进行AI智能分析，并生成智能分析结果；

基于所述智能分析结果生成响应所述语音数据的应答数据，其中，所述应答数据是关于职业顾问信息的相关数据；

其中，进行AI智能分析包括：

从所述语音数据和应答数据的数据流中读取具有相互依赖关系的语法结构，其中，所述语法结构表示在所述语音数据和应答数据之中的至少一对不同值之间的相互依赖性；

基于所述语法结构，利用截断一元码，使用结构预测在对应于所述语音数据和所述应答数据的语句元素的信息量的不同等级的不同层上，对交互过程中的语音数据和应答数据进行二次编码，并对二次编码后的数据进行归一化处理，其中，每条语音数据和每条应答数据的各个语句元素与所述不同层中的相应的一层相关联，所述不同层包括基础层、扩展层和附加层；

利用神经网络模型，对归一化处理后的数据进行AI智能分析；

其中，所采用的相互依赖性可以基于以下方式来计算：

上式中，

为所述语音数据中语句元素的信息量，

为所述应答数据中语句元素的信息量，n 为所述语音数据和应答数据中的语句元素的总个数，

为个所述语音数据中语句元素的平均值，

为个所述应答数据中语句元素的平均值，a 表示学习率，F表示相互依赖性。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被运行时，使得计算机执行如权利要求8所述的方法。

Images