CN114330943A - 一种面试辅助方法及装置 - Google Patents
一种面试辅助方法及装置 Download PDFInfo
- Publication number
- CN114330943A CN114330943A CN202011060966.6A CN202011060966A CN114330943A CN 114330943 A CN114330943 A CN 114330943A CN 202011060966 A CN202011060966 A CN 202011060966A CN 114330943 A CN114330943 A CN 114330943A
- Authority
- CN
- China
- Prior art keywords
- score
- interview
- competency
- candidate
- post
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种面试辅助方法及装置,以及一种计算机可读存储介质。该方法包括:根据待面试岗位的岗位信息,从岗位说明书库中确定匹配度得分最高的岗位说明书;响应于所述匹配度得分高于或等于预设阈值,将所述匹配度得分最高的岗位说明书作为最匹配的岗位说明书;根据所述最匹配的岗位说明书获取其对应的胜任力模型,其中,所述胜任力模型包括多个胜任力要素,每个胜任力要素对应多道考题,所述多个胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库;以及根据每个所述胜任力要素从所述胜任力题库选择一道或多道考题,以生成多道推荐考题。
Description
技术领域
本发明涉及人才招聘的辅助技术,尤其涉及一种面试辅助方法,以及一种面试辅助装置。
背景技术
人才是企业获取持续竞争优势的重要源泉,企业间的“人才战争”正在变得越来越激烈。如何对求职者进行筛选,聘用其中适合招聘岗位的优秀人才,成为了企业招聘工作的一大挑战。目前,大部分企业通常会根据应聘者的教育背景、硬技能(专业知识/技能水平)和以往经验来做出是否聘用的决定,却很少对应聘者的软技能进行考核。
上述软技能指的是个人的综合素质,也可以叫胜任力,是一些可以伴随人终身可持续发展的非技术能力,主要包括工作的责任心、与同事沟通协调的能力、抗压能力和对所从事岗位的专业热忱等。根据领英2019年3月发布的人才趋势报告显示,80%的受访人员(来自于35个国家的5000多位招聘人员)认为软技能对企业成功越来越重要,89%认为聘用的员工表现不佳往往是由于缺乏软技能,而不单单只是硬技能薄弱的问题。尤其在科学技术飞速发展的今天,专业知识、技能水平等硬技能的更新迭代周期正在缩短并随时可能过时,但时间管理能力、沟通能力、适应能力等软技能却会随着时间的推移而历久弥新。因此,软技能的评估在当今这个自动化和人工智能兴起的社会已变得尤为的不可或缺,是企业招聘过程中不能缺少的一环。
面试环节为企业提供了一个深入了解候选人的机会,可以帮助企业对候选人的形象、沟通表达、性格等笔试中难以获得的软技能进行评估,以便于判断候选人是否能够胜任招聘的岗位。然而,由于企业中部分面试官缺少对软技能的面试知识和经验,常常会基于自己的主观感觉和个人喜恶,而不是基于企业对于招聘岗位的真正需求来挑选面试考题,导致面试结果受到面试官主观偏见或考题局限的影响,录取的候选人无法胜任招聘岗位要求的现象。
为了解决上述问题,本领域亟需一种面试辅助技术,用于帮助面试官挑选面试考题,引导面试官将注意力集中在对岗位绩效有着显著影响的考核维度上,从而提升面试的公平性、客观性以及面试判断的全面性。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
为了避免面试结果受到面试官主观偏见或考题局限的影响,导致录取的候选人无法胜任招聘岗位的要求,本发明提供了一种面试辅助方法、一种面试辅助装置,以及一种计算机可读存储介质,用于帮助面试官挑选面试考题,引导面试官将注意力集中在对岗位绩效有着显著影响的考核维度上,从而提升面试的公平性、客观性以及面试判断的全面性。
本发明提供的上述面试辅助方法包括:根据待面试岗位的岗位信息,从岗位说明书库中确定匹配度得分最高的岗位说明书;响应于所述匹配度得分高于或等于预设阈值,将所述匹配度得分最高的岗位说明书作为最匹配的岗位说明书;根据所述最匹配的岗位说明书获取其对应的胜任力模型,其中,所述胜任力模型包括多个胜任力要素,每个胜任力要素对应多道考题,所述多个胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库;以及根据每个所述胜任力要素从所述胜任力题库选择一道或多道考题,以生成多道推荐考题。该多道推荐考题可以分别对应待面试岗位对候选人的各项素质要求,有助于面试官公平、客观、全面地考核候选人是否能够胜任待面试岗位,从而为企业招聘到理想的高绩效员工。
本发明提供的上述面试辅助装置包括存储器及处理器。所述处理器连接所述存储器,并配置为:根据待面试岗位的岗位信息,从岗位说明书库中确定匹配度得分最高的岗位说明书;响应于所述匹配度得分高于或等于预设阈值,将所述匹配度得分最高的岗位说明书作为最匹配的岗位说明书;根据所述最匹配的岗位说明书获取其对应的胜任力模型,其中,所述胜任力模型包括多个胜任力要素,每个胜任力要素对应多道考题,所述多个胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库;以及根据每个所述胜任力要素从所述胜任力题库选择一道或多道考题,以生成多道推荐考题。该面试辅助装置可以实施上述面试辅助方法,以根据待面试岗位对候选人的各项素质要求自动地为面试官推荐考题,有助于面试官公平、客观、全面地考核候选人是否能够胜任待面试岗位,从而为企业招聘到理想的高绩效员工。
本发明提供的上述计算机可读存储介质,其上存储有计算机指令。所述计算机指令被处理器执行时,可以实施上述面试辅助方法,从而根据待面试岗位对候选人的各项素质要求自动地为面试官推荐考题,以帮助面试官公平、客观、全面地考核候选人是否能够胜任待面试岗位,并为企业招聘到理想的高绩效员工。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的上述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了根据本发明的一些实施例提供的面试辅助方法的流程示意图。
图2示出了根据本发明的一些实施例提供的面试辅助装置的架构示意图。
图3示出了根据本发明的一些实施例提供的确定候选人面试结果的方法流程示意图。
图4示出了根据本发明的一些实施例提供的面试辅助装置的架构示意图。
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,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合优选实施例一起介绍,但这并不代表此发明的特征仅限于该实施方式。恰恰相反,结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解,以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外,为了避免混乱或模糊本发明的重点,有些具体细节将在描述中被省略。
如上所述,由于企业中部分面试官缺少对软技能的面试知识和经验,常常会基于自己的主观感觉或个人喜恶,而不是基于企业对于招聘岗位的真正需求来挑选面试考题,导致面试结果受到面试官主观偏见或考题局限的影响,录取的候选人无法胜任招聘岗位要求的现象。
为了避免面试结果受到面试官主观偏见或考题局限的影响,导致录取的候选人无法胜任招聘岗位的要求,本发明提供了一种面试辅助方法、一种面试辅助装置,以及一种计算机可读存储介质,用于帮助面试官挑选面试考题,引导面试官将注意力集中在对岗位绩效有着显著影响的考核维度上,从而提升面试的公平性、客观性以及面试判断的全面性。
在一些非限制性的实施例中,本发明提供的上述面试辅助方法可以由一种面试辅助装置来自动实施。具体来说,该面试辅助装置可以包括存储器及处理器。该存储器可以包括计算机可读存储介质,其上存储有计算机指令。该处理器连接存储器,适于执行存储器上存储的计算机指令以实施上述面试辅助方法,从而根据待面试岗位对候选人的各项素质要求自动地为面试官推荐考题,以帮助面试官公平、客观、全面地考核候选人是否能够胜任待面试岗位,并为企业招聘到理想的高绩效员工。
以下将结合一些面试辅助方法及面试辅助装置的实施例来进行描述。本领域的技术人员可以理解,这些以面试辅助装置的处理器来实施面试辅助方法的方案只是本发明提供的一些非限制性的实施例,旨在清楚地展示本发明的主要构思,并提供一种便于公众实施的具体方案,而非用于限制本发明的保护范围。
请参考图1,图1示出了根据本发明的一些实施例提供的面试辅助方法的流程示意图。
如图1所示,在本发明的一些实施例中,上述面试辅助方法可以包括步骤:根据待面试岗位的岗位信息,从岗位说明书库中确定匹配度得分最高的岗位说明书。
上述岗位信息(Job Information,JI)由需要招聘的客户企业提供,用于对待面试岗位的详细情况进行说明。在一些实施例中,岗位信息可以包括待面试岗位的名称及相关描述。进一步地,待面试岗位的相关描述包括但不限于岗位工种、岗位级别、岗位所在行业、岗位所在的企业规模、工作地点、任职条件、职责范围中的一项或者多项,用于综合地说明待面试岗位各方面的信息,以及对候选人在各方面的要求。在一些实施例中,岗位信息可以由使用者通过面试辅助装置的人机交互接口输入。在另一些实施例中,岗位信息也可以由面试辅助装置的处理器通过通信接口自动获取。
上述岗位说明书库是一种需要在线下预先构建的数据库,其中存储有大量不同企业招聘不同岗位的岗位说明书。岗位说明书(Job Description Booklet,JDB)是招聘企业向外公布的招聘文件,用于说明招聘岗位的岗位描述、任职条件、岗位目的、指挥关系、沟通关系、职责范围、负责程度和考核评价内容等一项或者多项情况。岗位说明书库中存储的每份岗位说明书可以对应一个胜任力模型及一个胜任力题库。面试辅助装置可以根据客户提供的岗位信息在岗位说明书库中进行大数据匹配,以选择合适的胜任力模型及胜任力题库来进行考题推荐。
请参考图2,图2示出了根据本发明的一些实施例提供的线下构建岗位说明书库的方法流程示意图。
如图2所示,在本发明的一些实施例中,面试辅助方法的运营方可以首先和智联招聘、前程无忧等网络招聘平台达成合作,以供岗位说明书库的构建者以这些招聘平台的数据库作为招聘信息源,获取各招聘企业招聘不同岗位的岗位说明书,以用于构建上述岗位说明书库。可以理解的是,此处的构建者可以是软件开发人员,也可以是执行软件开发程序的处理器。可选地,在另一些实施例中,岗位说明书库的构建者也可以利用网络爬虫程序,按照预设的规则自动地抓取各招聘平台的公开网页的程序或者脚本,从而从各种类型的公开招聘信息源获取市面上公开的大部分岗位的岗位说明书。
在获得大量不同岗位的岗位说明书后,岗位说明书库的构建者可以将获取的大量岗位说明书存储到一个数据库,以初步构建上述岗位说明书库。一般来说,岗位说明书库中存储的岗位说明书的数量不少于1~5万份。在一些实施例中,该岗位说明书库可以包括三层结构。第一层结构为大类层,包括至少一个岗位大类(如:研发类岗位、产品类岗位)。第二层结构为岗位层,包括各岗位大类下的至少一个细分岗位(如:研发类岗位下的Python开发岗位、Java开发岗位)。第三层结构为说明书层,包括各细分岗位下的至少一份岗位说明书。可以理解的是,同一细分岗位下的多份岗位说明书可以是由招聘同一细分岗位的多个不同招聘企业分别提供的。构建者可以根据岗位说明书中记载的岗位描述、任职条件、岗位目的等信息,将每份岗位说明书分别存储到岗位说明书库各层结构的对应位置。
之后,岗位说明书库的构建者可以基于胜任力词典及对应的胜任力题目集,进一步为岗位说明书库中存储的每一份岗位说明书构建对应的胜任力模型及胜任力题库。需要注意的是,上述胜任力词典胜任力题目集需要预先人工编写。
在一些实施例中,面试辅助方法的运营方可以聘请多位资深的人力资源从业者,对各公司、各岗位的大量职员过往的绩效、工作风格、人际关系、性格、考勤情况、优缺点等从业数据进行研究,以获取各岗位所需要的多个胜任素质。之后,构建者可以对研究获得的各不同岗位的大量胜任素质进行汇总,以构建胜任力词典,并由上述多位资深的人力资源从业者共同编写对应每一个胜任素质的考题以构成对应的胜任力题目集。具体来说,上述胜任力词典可以包含在至少一个岗位上用以区分高绩效员工和低绩效员工素质区别的多个胜任力要素(Competency,C)。该多个胜任力要素包括但不限于时间管理能力、人际交往能力、团队合作能力、沟通表达能力、环境适应能力、专业热忱等多个软技能。在一些实施例中,每个胜任力要素可以进一步包括多个指示不同胜任力等级的指标,用于记载候选人在对应考核维度上的能力。对应地,上述胜任力题目集可以包含多道考题,其中,每一个胜任力要素可以对应胜任力题目集中的S道考题。一般情况下,S通常大于200。在一些实施例中,胜任力题目集中每道考题可以预先编写有多个参考答案,每个参考答案对应一个胜任力等级。在一些实施例中,上述胜任力词典中可以进一步添加各岗位对应的专业知识、技能水平等硬技能的考核要素,用于构建一种兼顾软技能和硬技能的胜任力模型,以便于面试官综合地评价应聘者在各方面的能力。
在完成胜任力词典及胜任力题目集的编写后,构建者可以依次针对岗位说明书库中存储的每份岗位说明书,从胜任力词典中人工选取对应岗位的高绩效员工与低绩效员工最具有区分力的K个胜任力要素,以构建该岗位的胜任力模型。该胜任力模型是与胜任力题库对应成对存在的,即每份岗位说明书都对应一个胜任力模型和一个胜任力题库。在一些实施例中,岗位说明书库的构建者可以根据胜任力模型的每一个胜任力要素,从预先编写的胜任力题目集选取对应的所有考题来构建对应的胜任力题库。
在一些优选的实施例中,构建者可以针对岗位的特点对胜任力题目集中的考题进行适当的筛选。例如,在专业热忱这一胜任力上,胜任力题目集中可以包括多种不同措辞的考题,分别对应不同的岗位大类。响应于一份岗位说明书存储于技术类的岗位大类,构建者可以筛选出“请讲一讲您在工作之余是如何学习新技术并成功应用到工作中的?”的考题,以构建对应的胜任力题库。响应于另一份岗位说明书存储于非技术类的岗位大类,构建者可以筛选出“请讲一讲您在空余时间是如何了解您所在行业的最新动态的?”的考题,以构建对应的胜任力题库。在一些实施例中,构建者可以针对胜任力模型的每一个胜任力要素筛选出L道考题,构成包含N=K*L道考题的胜任力题库,以供面试辅助装置针对待面试的岗位进行题目推荐。一般情况下,N通常大于200。
在一些实施例中,上述构建者可以依次构建每一份岗位说明书对应的胜任力模型及胜任力题库,并将构建的胜任力模型及胜任力题库与其对应的岗位说明书进行关联地存储。在一些实施例中,各胜任力模型及胜任力题库可以和对应的岗位说明书一起,关联地存储于岗位说明书库的同一细分岗位下的第三层结构,以完成上述岗位说明书库的构建。
在推荐面试考题的过程中,面试辅助装置的处理器可以根据输入或获取的待面试岗位的岗位信息,从岗位说明书库中确定匹配度得分最高的岗位说明书,以作为选择胜任力模型及胜任力题库的依据。
具体来说,进行岗位信息匹配所使用的文本匹配算法包括但不仅限于传统的字符串匹配算法(例如:KMP算法、BM算法、Sunday算法)、相似度匹配算法(例如:Simhash、TF-IDF、基于词向量距离度量的算法、WMD算法)、基于深度学习的文本匹配算法(例如:CNN、RNN、LSTM模型)或者基于预训练模型的文本匹配算法(例如:BERT模型)等可优化的算法或者模型中的任一者,或其中多者的混合模型。以文本匹配模型中的RNN文本匹配模型为例,处理器可以先将岗位信息(JI)和岗位说明书库中存储的一份岗位说明书(JDB)组成<JI,JDB>的文本对以作为匹配度评分的对象,再将文本对<JI,JDB>输入RNN文本匹配模型以进行相似度匹配预测,从而得到对应的匹配度得分similarity_score。
上述文本匹配算法需要预先学习从文本对<JI,JDB>到文本对匹配度得分标签的分类映射功能,即F(DJI,DJDB)→label{l1,l2,…,ln}。训练者可以将一份岗位信息样本与一份岗位说明书样本组成一个文本对样本<JI0,JDB0>,并输入文本匹配模型。文本匹配模型可以从输入的文本对样本<JI0,JDB0>提取多个文本特征。之后,训练者可以随机对各文本特征分别赋予权重参数,并决定各文本特征之间的逻辑表示以将其聚合成一个特征。之后,文本匹配模型可以根据权重参数及各文本特征之间的逻辑,输出对应的得分标签。训练者可以依次将多份岗位信息样本与多份岗位说明书样本组成的多个文本对样本<JI0_k,JDB0_k>作为输入,并将各文本对样本<JI0_k,JDB0_k>对应的匹配度人工打分标签lk作为模型输出的训练目标,调节文本匹配模型的各权重参数及逻辑表示,以实现从文本对<JI,JDB>到匹配度得分similarity_score的匹配度映射。可以理解的是,此处的训练者可以是模型训练人员,也可以是执行模型训练程序的处理器。
在确定最匹配的岗位说明书的过程中,面试辅助装置的处理器可以将岗位信息(JI)和岗位说明书库中存储的每一份岗位说明书(JDB_k)组成的文本对<JI,JDB_k>,依次输入预先训练的文本匹配模型以获得该岗位信息与每一份岗位说明书的匹配度得分similarity_score_k。相比于上述字符串匹配算法和文本相似度匹配算法,通过采用文本匹配模型来进行文本匹配可以有效地降低对人工提取特征的需求。更进一步地,通过采用深度学习算法的文本匹配方案,从文本对<JI,JDB_k>提取特征的操作完全由预先训练好的的文本匹配模型来实施,可以免除人工提取特征的麻烦。
在确定岗位说明书库中匹配度最高的得分similarity_score_max后,处理器可以将该匹配度最高得分similarity_score_max与预设的匹配度阈值q进行比较,以确定岗位说明书库中是否存储有与岗位信息(JI)匹配度达标的岗位说明书,即最匹配的岗位说明书(JDB_match)。若similarity_score_max≥q,则说明岗位信息(JI)与对应岗位说明书的匹配度达标,两者可以采用相同的胜任力模型及胜任力题库来进行考题推荐。此时,处理器可以直接根据该最匹配的岗位说明书(JDB_match),获取其对应的胜任力模型及胜任力题库。如上所述,获取的胜任力模型可以包括K个胜任力要素。每个胜任力要素可以对应胜任力题库中的L道考题。处理器可以根据每个胜任力要素,从包含N=K*L道考题的胜任力题库分别选择一道或多道考题,以生成至少K道推荐考题。该至少K道推荐考题应当涉及胜任力模型的每个胜任力要素,用于帮助面试官公平、客观、全面地考核候选人是否满足待面试岗位的所有软技能要求,从而辅助面试官识别出最适合待面试岗位的优质候选人。
反之,若similarity_score_max<q,则说明岗位信息(JI)与岗位说明书库中所有岗位说明书的匹配度都不达标,处理器可以判断岗位说明书库中没有存储与待面试岗位匹配的岗位说明书。此时,处理器可以对上述岗位信息(JI)进行分段处理(例如:根据标点符号进行自动分段),以得到上述岗位信息(JI)的多个短文本[S1,S2,…,Sn]。同时,处理器还可以从岗位说明书库获取与匹配度得分最高的岗位说明书(JDB_max)位于同一岗位大类的所有岗位说明书对应的胜任力模型。可以理解的是,存储于同一岗位大类的其他岗位说明书与匹配度得分最高的岗位说明书(JDB_max)属于同一职位类别,一般具有比较相似的胜任素质要求。
在一些实施例中,处理器可以将岗位信息的第一个短文本S1与各胜任力模型中的第一个胜任力要素C_1组成文本对<S1,C_1>,作为匹配度评分的对象输入上述文本匹配模型,以获取短文本S1与胜任力要素C_1的匹配度得分competency_similarity_score_1_1。依次类推,处理器可以依次获取所有短文本[S1,S2,…,Sn]与各胜任力模型中的各胜任力要素C_M的匹配度得分[competency_similarity_score_1_1,competency_similarity_score_1_2,…,competency_similarity_score_1_M,…,competency_similarity_score_n_1,competency_similarity_score_n_2,…,competency_similarity_score_n_M]。在一些实施例中,处理器可以进一步对该匹配度得分列表进行筛选,以获取各文本对的匹配度最高得分列表[competency_similarity_score_1_max,competency_similarity_score_2_max,…,competency_similarity_score_n_max]。之后,处理器可以将该匹配度最高得分列表的各元素按得分降序排列,并取其中前K个最高得分对应的不重复的胜任力要素的组合,以临时构建该岗位信息的胜任力模型。如上所述,在该临时构建的胜任力模型中,每个胜任力要素在原岗位说明书的胜任力题库中可以对应的L道考题,因此可以构成一个具有K*L道考题的临时胜任力题库。
在一些优选的实施例中,处理器可以先对同一岗位大类的所有岗位说明书对应的胜任力模型的各胜任力要素[C_1,C_2,…,C_M]进行去重复处理,以获得其中m个不重复的胜任力要素[C_1,C_2,…,C_m],再将岗位信息的各短文本[S1,S2,…,Sn]与各胜任力要素[C_1,C_2,…,C_m]组成文本对输入上述文本匹配模型,以获取更精简的匹配度得分列表[competency_similarity_score_1_1,competency_similarity_score_1_2,…,competency_similarity_score_1_m,…,competency_similarity_score_n_1,competency_similarity_score_n_2,…,competency_similarity_score_n_m]。如上所述,存储于同一岗位大类的其他岗位说明书与匹配度得分最高的岗位说明书(JDB_max)属于同一职位类别,一般具有较多相同的胜任素质要求。通过优先对各胜任力模型的胜任力要素[C_1,C_2,…,C_M]进行去重复处理,可以大幅地减少待匹配的胜任力要素的数量,从而提高匹配效率。
在构建完上述临时胜任力模型及临时胜任力题库后,处理器可以如上所述地根据临时胜任力模型的每个胜任力要素,从临时胜任力题库分别选择一道或多道考题,以生成至少K道推荐考题,用于帮助面试官公平、客观、全面地考核候选人是否满足待面试岗位的所有软技能要求,从而辅助面试官识别出最适合待面试岗位的优质候选人。在一些实施例中,处理器可以从待面试岗位的胜任力题库中,以随机或排序的方式为胜任力模型的每个胜任力要素选取M道考题,以生成K*M道基于待面试岗位推荐的胜任力面试题目。一般情况下,M通常大于10。
通过设置匹配度阈值q来对岗位信息及岗位说明书的匹配度进行筛选,可以有效提高考题推荐的准确性,有助于面试官公平、客观、全面地考核候选人是否满足待面试岗位的所有软技能要求,从而辅助面试官识别出最适合待面试岗位的优质候选人。通过参考同一岗位大类的所有岗位说明书的胜任力模型,为匹配度不达标的岗位信息构建临时的胜任力模型及胜任力题库,可以降低本技术对岗位说明书库中岗位说明书的存储数量的需求,从而降低岗位说明书库的构建成本、提升文本匹配的效率,并避免岗位信息不匹配造成无法推荐考题的问题。
在本发明的一些实施例中,生成多道推荐考题后,上述面试辅助方法还可以进一步基于多个考核维度来对候选人的回答进行打分,以综合地确定候选人的面试结果。请参考图3,图3示出了根据本发明的一些实施例提供的确定候选人面试结果的方法流程示意图。
如图3所示,上述确定候选人面试结果的方法可以包括步骤:将多道推荐考题按胜任力要素分别显示于面试官界面。
在一些非限制性的实施例中,上述面试辅助装置可以连接设于面试官一端的显示装置。该面试官端的显示装置可以包括面试官界面,用于向面试官显示根据待面试岗位的岗位信息推荐的多道考题。在一些实施例中,面试辅助装置的处理器可以按胜任力要素对上述K*M道推荐考题进行分类,并将各胜任力要素对应的推荐考题逐类地显示于面试官界面以供面试官选择,从而确保面试官选择的考题完全覆盖待面试岗位的每一项胜任力要求。
在一些实施例中,上述面试辅助装置还可以进一步连接设于候选人一端的显示装置,以便通过视频的形式进行线上面试。在一些实施例中,处理器可以通过发送邮件或短信的形式,自动邀请待面试的候选人参加视频面试。
上述候选人端的显示装置可以包括候选人界面。在面试的过程中,响应于面试官选择一道推荐考题,处理器可以将面试官选择的考题显示于候选人界面,同时对候选人回答该推荐考题的图像信息及声音信息进行采集。之后,处理器可以根据采集的图像信息及声音信息对候选人回答该推荐考题的形象、表情、语音及答案分别进行打分,再根据候选人回答面试官选择的所有考题的形象得分、表情得分、语音得分及答案得分,综合地确定候选人的面试成绩。
具体来说,在一些实施例中,上述图像信息可以包括候选人回答每道推荐考题时录制的视频文件。处理器可以根据候选人回答每道推荐考题的时间,对面试的视频文件进行分段,以获取候选人回答每道推荐考题的视频片段。之后,处理器可以根据推荐考题的序号,从对应的视频片段中按预设的频率抽取候选人的R张图片帧,以获取候选人回答对应考题的图像序列[p1,p2,...,pr]。
在一些实施例中,处理器可以采用形象打分算法对候选人回答推荐考题的形象进行打分。该形象打分算法可以基于单张图片帧来进行,需要预先对回归模型或图像分类模型CNN进行打分训练。通常情况下,形象得分越高表示候选人的形象越好。以图像分类模型CNN为例,处理器可以首先从图像序列[p1,p2,...,pr]中获取一张包含人脸的图片帧,将其解码并表示为l*w*c的三维矩阵,其中,l表示图像横向一行包含的像素数,w表示图像纵向一列包含的像素数,c表示输入图像的通道数。该三维矩阵可以理解为c个通道上的c个l*w的二维矩阵。例如,第一个通道上的二维矩阵可以表示为[x_1,x_2,…,x_l],其中x_l是w维向量。之后,处理器可以使用高度为h通道数为c的卷积核W(h*h*c的三维矩阵)与原图像进行卷积运算(即先对每个通道分别进行卷积运算,再对得到的卷积结果相加求和),则第一个通道上的二维矩阵中的每个窗口[x_i(j:j+h-1):x_i+h-1(j:j+h-1)](表示取二维矩阵的第i行、第j列到第i+h-1行、第j+h-1列的h*h个元素,其中i=1,2,…,l-h+1,j=1,2,…,w-h+1)可与第一通道的卷积核,通过矩阵点积运算得到卷积结果c_i=f(W*[x_i(j:j+h-1):x_i+h-1(j:j+h-1)]+b),其中b为偏置参数,f为非线性激活函数。再之后,处理器可以对每个通道上所有h*h维的窗口运算结果组成的新矩阵进行矩阵相加,以得到初步特征f=[c_1,c_2,…,c_l-h+1],其中c_1是w-h+1维向量。该初步特征可以通过池化操作筛选出最终特征。处理器可以将该最终特征输入形象打分算法模型,通过分类层输出指示该图片帧的形象得分的形象得分分类。在一些实施例中,处理器可以对图像序列[p1,p2,...,pr]中各图片帧对应的形象得分取平均,并将该平均分作为候选人回答本道推荐考题的形象得分。
在一些实施例中,面试辅助方法的运营方可以邀请多位经验丰富的人力资源从业人员作为标注师,对大量面试视频的各图片帧的形象得分进行人工标注。训练者可以将大量图片帧训练样本的最终特征作为形象打分算法模型的输入,并将对应的人工标注作为正确的输出,通过调整卷积计算的h*h*c个学习参数W及偏置参数b,以及分类层的学习参数来训练形象打分算法模型的分类层映射功能。
与上述形象打分算法的实施例类似,本发明可以采用一种表情打分算法来对候选人回答推荐考题的表情进行打分。在一些实施例中,处理器可以首先从面试视频中抽取R张图片帧,以得到候选人回答对应考题的图像序列[p1,p2,...,pr]。之后,处理器可以依次基于单张图片帧进行表情识别,并使用预先训练的表情打分算法模型得到对应的表情得分。通常情况下,候选人回答考题时的表情越自然,其得到的表情得分就越高。
具体来说,在进行表情识别的过程中,处理器可以首先对一张图片帧p1进行人脸区域的识别检测,分割出人脸区域并去掉背景区域及其他无关区域。之后,处理器可以使用IntraFace对图片帧中的人脸区域进行标定,通过使用级联人脸关键特征点定位(SDM)准确地预测人脸关键点,并通过采用旋转、翻转、缩放等图像增强操作保证数据足够充分。再之后,处理器可以使用INFace工具箱、FF-GAN、TP-GAN、DR-GAN等方法进行归一化操作,以排除图像中不同光照强度和头部姿态对表情识别效果的影响。然后,处理器可以通过卷积计算来创建特征映射,再通过池化操作来降维。最后,处理器可以通过表情打分算法模型的分类层对降维的表情数据进行分类,以得到指示该图片帧的表情得分的表情类别。在一些实施例中,处理器可以依次获取图像序列[p1,p2,...,pr]中各图片帧的表情类别[c1,c2,...,cr],再对各表情得分取平均,以将该平均分作为候选人回答本道推荐考题的表情得分。
在一些实施例中,在得到候选人R张图像的表情类别[c1,c2,...,cr]后,处理器可以使用RNN、LSTM、Bi-LSTM、GRU等序列模型中的任意一者对表情类别序列[c1,c2,...,cr]进行编码,以得到多个对应的表情标签。之后,处理器可以多张图片帧的人脸区域样本作为输入,并将对应表情标签的人工标注作为正确的输出,通过调整上述卷积计算及分类层分类的学习参数来训练该表情打分模型。
在一些实施例中,上述声音信息可以包括候选人回答每道推荐考题时录制的音频文件。处理器可以通过对上述各视频片段进行音视频分离处理,以分离出候选人回答每道推荐考题的音频片段。之后,处理器可以使用语谱图、MFCC等声音特征提取方法中的任意一种算法,对候选人的语音进行声音序列的表示,再将获得的声音序列输入声音打分模型,以确定候选人回答本道推荐考题的语音得分。在一些实施例中,上述声音打分模型需要预先训练。具体来说,训练者可以将多个声音序列样本作为声音打分模型的输入,并将标注师标注的声音标签作为声音打分模型的输出,通过机器学习或深度神经网络的方法对声音序列进行打分训练。通常情况下,音频片段中候选人的语调和语速越平稳、语音越连贯,标注师标注的语音得分就越高。反之,若音频片段中候选人在表达观点时语言不流畅、语速过快或过慢、所述信息含糊不清,则标注师标注的语音得分就越低。
在一些实施例中,处理器可以获取候选人回答每道推荐考题的音频片段,并使用语音识别模型等可优化的算法和/或模型将各音频片段转换为文本信息,以收集候选人对该推荐考题的答案。该语音识别模型包括但不限于CD-DNN-HMM及LSTM+CTC。之后,处理器可以获取面试官选择的推荐考题,并将该推荐考题与候选人回答的答案文本组成文本问答对。在一些实施例中,处理器可以首先使用word2vec或glove等算法将组成的文本问答对转化为词向量,再将获得的词向量输入文本打分模型,以通过文本打分模型来输出候选人回答该推荐考题的答案得分。在一些实施例中,上述文本打分模型需要预先训练。具体来说,训练者可以将多个词向量样本作为输入,并将标注师根据对应答案的正确性、条理性及完整性人工标注的答案得分标签作为输出,使用机器学习方法(例如:回归模型)或深度学习方法(例如:RNN、CNN、GNN)进行文本打分模型的训练。通常情况下,候选人提供的答案越正确、越全面、条例越清晰,标注师标注的答案得分就越高。反之,若候选人提供的答案错误、不够完整或逻辑混乱,则标注师标注的答案得分就会相对较低。
如图3所示,上述确定候选人面试结果的方法可以包括步骤:根据候选人回答各推荐考题的形象得分、表情得分、语音得分及答案得分,综合确定候选人的面试成绩。
在一些实施例中,候选人的最终评估得分以及面试是否通过的结果,可以由预先训练的面试评估模型来确定。具体来说,面试评估模型可以通过上述训练好的形象打分模型、表情识别模型、声音打分模型和文本打分模型,分别得到候选人在回答各考题时的形象得分、表情得分、声音得分和答案得分。之后,面试评估模型可以按形象、表情、声音和答案这四个维度,对候选人回答各道考题的得分取平均,以获得候选人在形象、表情、语音和答案质量等四个维度的平均分,即[avg_score_image,avg_score_emotion,avg_score_voice,avg_score_answer]。在一些实施例中,面试评估模型可以采用加权求和的方法,计算候选人的视频面试最终评估得分final_score=k1*avg_score_image+k2*avg_score_emotion+k3*avg_score_voice+k4*avg_score_answer,其中权重参数k1、k2、k3和k4可以人为设定,也可以通过标注师标注的评估总分标签预先进行线性拟合来确定。
在一些实施例中,在确定候选人的最终评估得分final_score后,处理器可以将该最终评估得分final_score输入预先训练的匹配模型来确定候选人的面试结果。该匹配模型包括但不限于二分类模型、三分类模型等分类模型。对应地,候选人的面试结果包括但不限于不合格、合格、良好、优秀等。以二分类模型为例,其包括两个输出标签,分别对应面试不合格和面试合格的结果。处理器可以根据最终评估得分final_score是否高于合格阈值Q来判断候选人是否通过面试。若该候选人的视频面试最终评估得分final_score≥Q,则面试评估模型可以输出候选人通过面试的结果。反之,若该候选人的视频面试最终评估得分final_score<Q,则面试评估模型可以输出候选人未通过面试的结果。在一些实施例中,该合格阈值Q是以多个候选人在多次视频面试中的最终评估得分样本为输入,并以各候选人真实的面试结果为输出,通过预先训练该二分类模型来确定的。
本领域的技术人员可以理解,上述根据形象、表情、语音和答案质量这四个维度来综合评估候选人面试成绩的方案,只是本发明提供的一种具体实施例,旨在清楚地展示本发明的主要构思,并提供一种便于公众实施的具体方案,而非用于限制本发明的保护范围。可选地,在另一些实施例中,面试评估模型所进行的多维度评估也可以根据客户需求进行定制,包括但不仅限于上述四个维度的评估。
在本发明的一些实施例中,在确定候选人在形象、表情、语音和答案质量等四个维度的平均分([avg_score_image,avg_score_emotion,avg_score_voice,avg_score_answer])、最终评估得分final_score及是否通过面试的结果后,面试辅助装置可以自动生成一份候选人的面试评估报告。该面试评估报告中可以包含候选人的个人信息、视频面试的胜任力维度与题目、候选人的回答、候选人在形象、表情、语音和答案质量这四个维度的平均得分,以及候选人的总评估得分等数据记录。在一些实施例中,面试评估报告还可以通过文本和图表相结合的形式呈现上述信息。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
根据本发明的另一方面,本文还提供了一种面试辅助装置。
请参考图4,图4示出了根据本发明的一些实施例提供的面试辅助装置的架构示意图。
如图4所示,本发明提供的上述面试辅助装置40可以包括存储器41及处理器42。处理器41连接存储器42,适于执行存储器41中存储的计算机指令,以实施上述任意一个实施例所提供的面试辅助方法。如上所述,面试辅助装置40可以根据待面试岗位对候选人的各项素质要求自动地为面试官推荐考题,有助于面试官公平、客观、全面地考核候选人是否能够胜任待面试岗位,从而为企业招聘到理想的高绩效员工。
根据本发明的另一方面,本文还提供了一种计算机可读存储介质。
本发明提供的上述计算机可读存储介质,其上存储有计算机指令。该计算机指令被处理器42执行时,可以实施上述面试辅助方法,从而根据待面试岗位对候选人的各项素质要求自动地为面试官推荐考题,以帮助面试官公平、客观、全面地考核候选人是否能够胜任待面试岗位,并为企业招聘到理想的高绩效员工。
本领域技术人员将可理解,信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如,以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
尽管上述的实施例所述的处理器42可以通过软件与硬件的组合来实现。但是可以理解,处理器42也可以单独在软件或硬件中加以实施。对于硬件实施而言,处理器42可以在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言,处理器42可以通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施,其中每一个模块可以执行一个或多个本文中描述的功能和操作。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (25)
1.一种面试辅助方法,其特征在于,包括:
根据待面试岗位的岗位信息,从岗位说明书库中确定匹配度得分最高的岗位说明书;
响应于所述匹配度得分高于或等于预设阈值,将所述匹配度得分最高的岗位说明书作为最匹配的岗位说明书;
根据所述最匹配的岗位说明书获取其对应的胜任力模型,其中,所述胜任力模型包括多个胜任力要素,每个胜任力要素对应多道考题,所述多个胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库;以及
根据每个所述胜任力要素从所述胜任力题库选择一道或多道考题,以生成多道推荐考题。
2.如权利要求1所述的面试辅助方法,其特征在于,确定所述匹配度得分最高的岗位说明书的步骤包括:
将所述岗位信息与所述岗位说明书库中的一份岗位说明书组成文本对;
将所述文本对输入预先训练的文本匹配模型,以获取所述岗位信息与所述岗位说明书的匹配度得分;以及
依次获取所述岗位信息与所述岗位说明书库中的每一份岗位说明书的匹配度得分,以确定所述匹配度得分最高的岗位说明书。
3.如权利要求2所述的面试辅助方法,其特征在于,预先训练所述文本匹配模型的步骤包括:
将一份岗位信息样本与一份岗位说明书样本组成文本对样本;
从所述文本对样本提取多个文本特征;
为各所述文本特征分别赋予权重,并决定各所述文本特征的表示;以及
依次将多份岗位信息样本与多份岗位说明书样本组成的多个文本对样本作为输入,并将各所述文本对样本对应的匹配度人工打分标签作为模型输出的训练目标,训练各所述权重以实现所述文本对到所述匹配度得分的匹配度映射。
4.如权利要求1所述的面试辅助方法,其特征在于,所述岗位说明书库包括三层结构,其中,第一层包括至少一个岗位大类,第二层包括所述岗位大类下的至少一个细分岗位,第三层包括所述细分岗位下的至少一份岗位说明书,所述面试辅助方法还包括:
响应于所述匹配度得分低于所述预设阈值,对所述岗位信息进行分段处理以得到多个短文本,并获取与所述匹配度得分最高的岗位说明书位于同一岗位大类的所有岗位说明书对应的胜任力模型;
将一个所述短文本与各所述胜任力模型中的一个胜任力要素组成文本对;
将所述文本对输入预先训练的文本匹配模型,以获取所述短文本与所述胜任力要素的匹配度得分;
依次获取各所述短文本与各所述胜任力模型中的各所述胜任力要素的匹配度得分;以及
将匹配度得分最高的多个不重复的胜任力要素的组合作为所述岗位信息对应的胜任力模型,其中,所述匹配度得分最高的多个不重复的胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库。
5.如权利要求1所述的面试辅助方法,其特征在于,构建所述岗位说明书库的步骤包括:
从至少一个招聘信息源获取至少一个岗位的多份岗位说明书;
根据一份岗位说明书确定其对应岗位要求的多个胜任力要素,其中,每个胜任力要素对应所述岗位要求的一项素质;
以所述多个胜任力要素的组合作为所述岗位说明书对应的胜任力模型;
根据所述多个胜任力要素从胜任力词典获取每个所述胜任力要素对应的多道考题,以构建所述岗位说明书对应的胜任力题库;以及
将所述多份岗位说明书、每份所述岗位说明书对应的胜任力模型及胜任力题库关联地存储,以构成所述岗位说明书库。
6.如权利要求5所述的面试辅助方法,其特征在于,构建所述胜任力词典的步骤包括:
根据各岗位的高绩效员工与低绩效员工的素质区别特征,确定各所述岗位要求的多个胜任力要素;
以所述至少一个岗位要求的多个胜任力要素构建胜任力词典,其中,所述胜任力词典中的每个所述胜任力要素包括多个胜任力等级;以及
为每个所述胜任力要素人工编写多道对应的考题,其中,每道考题包括多个答案,每个答案对应一个所述胜任力等级。
7.如权利要求1所述的面试辅助方法,其特征在于,还包括:
将所述多道推荐考题按胜任力要素分别显示于面试官界面;
响应于面试官选择其中的一道推荐考题,将选择的推荐考题显示于候选人界面,并采集候选人回答所述推荐考题的图像信息及声音信息;
根据所述图像信息对所述候选人回答所述推荐考题的形象及表情打分;
根据所述声音信息对所述候选人回答所述推荐考题的语音及答案打分;以及
响应于所述候选人完成所述面试官选择的所有推荐考题,根据所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分及答案得分,确定所述候选人的面试结果。
8.如权利要求7所述的面试辅助方法,其特征在于,所述图像信息包括面试视频,对所述候选人回答所述推荐考题的形象打分的步骤包括:
从所述面试视频抽取多张图片帧,以获取所述面试视频的图像序列;
对所述图像序列的一张图片帧进行矩阵表示、卷积计算及池化操作,以获取所述图片帧的最终特征;
将所述最终特征输入形象打分模型,通过分类层确定所述图片帧对应的形象得分,其中,所述形象打分模型是以多张图片帧样本为输入,并以对应的人工打分标签为输出,通过调整所述卷积计算及所述分类层的学习参数预先训练的;以及
根据各所述图片帧对应的形象得分,确定所述候选人回答所述推荐考题的形象得分。
9.如权利要求8所述的面试辅助方法,其特征在于,对所述候选人回答所述推荐考题的表情打分的步骤包括:
对一张所述图片帧进行识别检测,以提取所述图片帧中的人脸区域;
对所述人脸区域进行标定,以预测所述图片帧中的人脸关键点;
采用旋转、翻转和/或缩放的图像增强操作,以保证所述人脸关键点的数据充分;
对所述人脸区域进行归一化操作,以排除光照强度和头部姿态对表情识别效果的影响;
对归一化操作后的图像帧进行卷积计算、池化操作及分类层分类,以确定所述图片帧对应的表情得分,其中,所述卷积计算及所述分类层分类的学习参数是以多张图片帧的人脸区域样本为输入,并以对应的人工打分标签为输出预先训练的;以及
根据各所述图片帧对应的表情得分,确定所述候选人回答所述推荐考题的表情得分。
10.如权利要求7所述的面试辅助方法,其特征在于,所述声音信息包括面试音频,对所述候选人回答所述推荐考题的语音打分的步骤包括:
对所述面试音频进行声音特征提取,以获取所述面试音频的声音序列;以及
将所述声音序列输入声音打分模型,以确定所述候选人回答所述推荐考题的语音得分,其中,所述声音打分模型是以多个声音序列样本为输入,并以标注师根据对应音频样本的语气、语速及流畅度人工标注的声音标签为输出,通过机器学习或深度神经网络的方法预先训练的。
11.如权利要求10所述的面试辅助方法,其特征在于,对所述候选人回答所述推荐考题的答案打分的步骤包括:
对所述面试音频进行语音识别,以获取所述答案的文本;
将所述推荐考题与所述答案的文本组成文本问答对;以及
将所述文本问答对转化为词向量并输入文本打分模型,以确定所述候选人回答所述推荐考题的答案得分,其中,所述文本打分模型是以多个词向量样本为输入,并以标注师根据对应答案的正确性、条理性及完整性人工标注的答案得分标签为输出预先训练的。
12.如权利要求7所述的面试辅助方法,其特征在于,确定所述面试结果的步骤包括:
根据所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分或答案得分,确定所述候选人在对应考核维度的平均得分,其中,各所述考核维度的平均得分指示所述候选人在对应考核维度的素质;
对所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分及答案得分进行加权求和,以确定所述候选人的总得分;以及
根据所述总得分是否高于合格阈值判断所述候选人是否通过面试,其中,所述合格阈值是以多个总得分样本为输入,并以对应的面试结果为输出,预先训练匹配模型来确定的。
13.一种面试辅助装置,其特征在于,包括:
存储器;以及
处理器,所述处理器连接所述存储器,并配置为:
根据待面试岗位的岗位信息,从岗位说明书库中确定匹配度得分最高的岗位说明书;
响应于所述匹配度得分高于或等于预设阈值,将所述匹配度得分最高的岗位说明书作为最匹配的岗位说明书;
根据所述最匹配的岗位说明书获取其对应的胜任力模型,其中,所述胜任力模型包括多个胜任力要素,每个胜任力要素对应多道考题,所述多个胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库;以及
根据每个所述胜任力要素从所述胜任力题库选择一道或多道考题,以生成多道推荐考题。
14.如权利要求13所述的面试辅助装置,其特征在于,所述处理器进一步配置为:
将所述岗位信息与所述岗位说明书库中的一份岗位说明书组成文本对;
将所述文本对输入预先训练的文本匹配模型,以获取所述岗位信息与所述岗位说明书的匹配度得分;以及
依次获取所述岗位信息与所述岗位说明书库中的每一份岗位说明书的匹配度得分,以确定所述匹配度得分最高的岗位说明书。
15.如权利要求14所述的面试辅助装置,其特征在于,所述处理器进一步配置为:
将一份岗位信息样本与一份岗位说明书样本组成文本对样本;
从所述文本对样本提取多个文本特征;
为各所述文本特征分别赋予权重,并决定各所述文本特征的表示;以及
依次将多份岗位信息样本与多份岗位说明书样本组成的多个文本对样本作为输入,并将各所述文本对样本对应的匹配度人工打分标签作为模型输出的训练目标,训练各所述权重以实现所述文本对到所述匹配度得分的匹配度映射。
16.如权利要求13所述的面试辅助装置,其特征在于,所述岗位说明书库包括三层结构,其中,第一层包括至少一个岗位大类,第二层包括所述岗位大类下的至少一个细分岗位,第三层包括所述细分岗位下的至少一份岗位说明书,所述处理器还配置为:
响应于所述匹配度得分低于所述预设阈值,对所述岗位信息进行分段处理以得到多个短文本,并获取与所述匹配度得分最高的岗位说明书位于同一岗位大类的所有岗位说明书对应的胜任力模型;
将一个所述短文本与各所述胜任力模型中的一个胜任力要素组成文本对;
将所述文本对输入预先训练的文本匹配模型,以获取所述短文本与所述胜任力要素的匹配度得分;
依次获取各所述短文本与各所述胜任力模型中的各所述胜任力要素的匹配度得分;以及
将匹配度得分最高的多个不重复的胜任力要素的组合作为所述岗位信息对应的胜任力模型,其中,所述匹配度得分最高的多个不重复的胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库。
17.如权利要求13所述的面试辅助装置,其特征在于,所述处理器进一步配置为:
从至少一个招聘信息源获取至少一个岗位的多份岗位说明书;
根据一份岗位说明书确定其对应岗位要求的多个胜任力要素,其中,每个胜任力要素对应所述岗位要求的一项素质;
以所述多个胜任力要素的组合作为所述岗位说明书对应的胜任力模型;
根据所述多个胜任力要素从胜任力词典获取每个所述胜任力要素对应的多道考题,以构建所述岗位说明书对应的胜任力题库;以及
将所述多份岗位说明书、每份所述岗位说明书对应的胜任力模型及胜任力题库关联地存储,以构成所述岗位说明书库。
18.如权利要求17所述的面试辅助装置,其特征在于,所述处理器进一步配置为:
根据各岗位的高绩效员工与低绩效员工的素质区别特征,确定各所述岗位要求的多个胜任力要素;
以所述至少一个岗位要求的多个胜任力要素构建胜任力词典,其中,所述胜任力词典中的每个所述胜任力要素包括多个胜任力等级;以及
为每个所述胜任力要素人工编写多道对应的考题,其中,每道考题包括多个答案,每个答案对应一个所述胜任力等级。
19.如权利要求13所述的面试辅助装置,其特征在于,所述处理器还配置为:
将所述多道推荐考题按胜任力要素分别显示于面试官界面;
响应于面试官选择其中的一道推荐考题,将选择的推荐考题显示于候选人界面,并采集候选人回答所述推荐考题的图像信息及声音信息;
根据所述图像信息对所述候选人回答所述推荐考题的形象及表情打分;
根据所述声音信息对所述候选人回答所述推荐考题的语音及答案打分;以及
响应于所述候选人完成所述面试官选择的所有推荐考题,根据所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分及答案得分,确定所述候选人的面试结果。
20.如权利要求19所述的面试辅助装置,其特征在于,所述图像信息包括面试视频,所述处理器进一步配置为:
从所述面试视频抽取多张图片帧,以获取所述面试视频的图像序列;
对所述图像序列的一张图片帧进行矩阵表示、卷积计算及池化操作,以获取所述图片帧的最终特征;
将所述最终特征输入形象打分模型,通过分类层确定所述图片帧对应的形象得分,其中,所述形象打分模型是以多张图片帧样本为输入,并以对应的人工打分标签为输出,通过调整所述卷积计算及所述分类层的学习参数预先训练的;以及
根据各所述图片帧对应的形象得分,确定所述候选人回答所述推荐考题的形象得分。
21.如权利要求20所述的面试辅助装置,其特征在于,所述处理器进一步配置为:
对一张所述图片帧进行识别检测,以提取所述图片帧中的人脸区域;
对所述人脸区域进行标定,以预测所述图片帧中的人脸关键点;
采用旋转、翻转和/或缩放的图像增强操作,以保证所述人脸关键点的数据充分;
对所述人脸区域进行归一化操作,以排除光照强度和头部姿态对表情识别效果的影响;
对归一化操作后的图像帧进行卷积计算、池化操作及分类层分类,以确定所述图片帧对应的表情得分,其中,所述卷积计算及所述分类层分类的学习参数是以多张图片帧的人脸区域样本为输入,并以对应的人工打分标签为输出预先训练的;以及
根据各所述图片帧对应的表情得分,确定所述候选人回答所述推荐考题的表情得分。
22.如权利要求19所述的面试辅助装置,其特征在于,所述声音信息包括面试音频,所述处理器进一步配置为:
对所述面试音频进行声音特征提取,以获取所述面试音频的声音序列;以及
将所述声音序列输入声音打分模型,以确定所述候选人回答所述推荐考题的语音得分,其中,所述声音打分模型是以多个声音序列样本为输入,并以标注师根据对应音频样本的语气、语速及流畅度人工标注的声音标签为输出,通过机器学习或深度神经网络的方法预先训练的。
23.如权利要求22所述的面试辅助装置,其特征在于,所述处理器进一步配置为:
对所述面试音频进行语音识别,以获取所述答案的文本;
将所述推荐考题与所述答案的文本组成文本问答对;以及
将所述文本问答对转化为词向量并输入文本打分模型,以确定所述候选人回答所述推荐考题的答案得分,其中,所述文本打分模型是以多个词向量样本为输入,并以标注师根据对应答案的正确性、条理性及完整性人工标注的答案得分标签为输出预先训练的。
24.如权利要求19所述的面试辅助装置,其特征在于,所述处理器进一步配置为:
根据所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分或答案得分,确定所述候选人在对应考核维度的平均得分,其中,各所述考核维度的平均得分指示所述候选人在对应考核维度的素质;
对所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分及答案得分进行加权求和,以确定所述候选人的总得分;以及
根据所述总得分是否高于合格阈值判断所述候选人是否通过面试,其中,所述合格阈值是以多个总得分样本为输入,并以对应的面试结果为输出,预先训练匹配模型来确定的。
25.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时,实施如权利要求1~12中任一项所述的面试辅助方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060966.6A CN114330943A (zh) | 2020-09-30 | 2020-09-30 | 一种面试辅助方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060966.6A CN114330943A (zh) | 2020-09-30 | 2020-09-30 | 一种面试辅助方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330943A true CN114330943A (zh) | 2022-04-12 |
Family
ID=81011841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011060966.6A Pending CN114330943A (zh) | 2020-09-30 | 2020-09-30 | 一种面试辅助方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330943A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049372A (zh) * | 2022-08-15 | 2022-09-13 | 山东心法科技有限公司 | 针对人力资源信息的数字基础设施构建方法、设备及介质 |
-
2020
- 2020-09-30 CN CN202011060966.6A patent/CN114330943A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049372A (zh) * | 2022-08-15 | 2022-09-13 | 山东心法科技有限公司 | 针对人力资源信息的数字基础设施构建方法、设备及介质 |
CN115049372B (zh) * | 2022-08-15 | 2022-12-02 | 山东心法科技有限公司 | 针对人力资源信息的数字基础设施构建方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11508251B2 (en) | Method and system for intelligent identification and correction of questions | |
CN108121702B (zh) | 数学主观题评阅方法及系统 | |
CN108052504B (zh) | 数学主观题解答结果的结构分析方法及系统 | |
CN110275987B (zh) | 智能教学顾问生成方法、系统、设备及存储介质 | |
CN112069970B (zh) | 课堂教学事件分析方法及装置 | |
CN111651497A (zh) | 用户标签挖掘方法、装置、存储介质及电子设备 | |
CN113656687A (zh) | 基于教研数据的教师画像构建方法 | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN111611854B (zh) | 一种基于模式识别的课堂情况评价方法 | |
Seneviratne et al. | Student and lecturer performance enhancement system using artificial intelligence | |
CN116226410B (zh) | 一种知识元联结学习者状态的教学评估与反馈方法及系统 | |
CN114330943A (zh) | 一种面试辅助方法及装置 | |
CN107992482B (zh) | 数学主观题解答步骤的规约方法及系统 | |
Faizi | Using Sentiment Analysis to Explore Student Feedback: A Lexical Approach | |
CN114638988A (zh) | 一种基于不同呈现方式的教学视频自动化分类方法及系统 | |
Tran et al. | Recognition of Student Behavior through Actions in the Classroom | |
CN113065757A (zh) | 线上课程授课质量的评价方法及装置 | |
Rajesh et al. | Digitized exam paper evaluation | |
CN114529244A (zh) | 基于hrd的面试数据处理方法和面试评估方法及装置 | |
Tennakoon et al. | An interactive application for university students to reduce the industry-academia skill gap in the software engineering field | |
AU2021105574A4 (en) | Real-time emotion detection and multimodal interview preparation system | |
CN117894217B (zh) | 一种用于在线学习系统的数学题目导学系统 | |
Nga | Using artificial intelligence applications for teaching and learning foreign language: facts and solutions | |
Aleynikova et al. | Learning and teaching in the contexts of artificial intelligence: Transforming content for the humanities | |
Singh | Exploring the potential of social annotations for predictive and descriptive analytics |
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 |