CN115147067A - 一种基于深度学习智能招聘人才的方法 - Google Patents

Abstract

本申请提供一种基于深度学习智能招聘人才的方法，包括：根据图片部分输出应聘者外在形象属于不同岗位的概率值，结合应聘者意向岗位对其外在形象进行评分；获得识别文本并对应聘者个人经历进行评分，并传输至排序模块；获得识别文本并对应聘者学历成绩进行评分，并识别出有关联的面试者；获得识别文本并对应聘者学历成绩进行评分，并检查学历成绩是否与真实情况一致；根据求职者视频内容匹配出视频简历中的重要部分和不重要部分，结果传输至关联模块；关联模块根据分析模块结果，将播放速度与重要程度进行关联；反馈模块获取面试官对应聘者视频简历的评价，并反馈至关联模块。

Description

一种基于深度学习智能招聘人才的方法

技术领域

本发明涉及信息技术领域，尤其涉及一种基于深度学习智能招聘人才的方法。

背景技术

在面试官对多个应聘者的视频简历进行简略筛选的时候，经常需要耗费大量的时间去观看他们的视频，才能找到一个合适的应聘者，并且在观看他们的视频简历时，有些应聘者讲的内容是跟岗位相关的且重要，有些则无关且不重要。面试官如果耗费大量的时间浪费在不合适的应聘者和简历视频中不重要的部分，会大大地增加时间成本，并且在大部分时候，面试官没有足够的时间面试完所有应聘者，经常是发现一个合适的人，就选择他，选择后，就不再看其他人投递的情况。因此面试招聘的顺序也是重要的，在大量投递者中，需要将最有竞争力的人进行优先面试和视频的观看，才能让真正合适的人脱颖而出；并且面试官也只想在观看简历视频时，让重要的部分慢速播放从而可以好好观察应聘者，而不重要的部分，面试官想快速播放节约时间，从而让面试官在有限的时间和精力内，获得合适的应聘者；在多个应聘者中，经常会存在两个或者多个应聘者是朋友关系，他们的入职意愿往往是联系在一起，通常会出现因为一个人无法入职导致其朋友也放弃入职的情况，因此面试官如果把时间过多地放在这群入职意愿联系在一起的应聘者的简历视频也是不合适的。

发明内容

本发明提供了一种基于深度学习智能招聘人才的方法，主要包括：

提取视频简历中的音频，将视频简历内容分为人声音频和图片部分；根据图片部分输出应聘者外在形象属于不同岗位的概率值，结合应聘者意向岗位对其外在形象进行评分；获得识别文本并对应聘者个人经历进行评分，并传输至排序模块；获得识别文本并对应聘者学历成绩进行评分，并识别出有关联的面试者；获得识别文本并对应聘者学历成绩进行评分，并检查学历成绩是否与真实情况一致；根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分，并对应聘者加权总评分进行排序；根据求职者视频内容匹配出视频简历中的重要部分和不重要部分，结果传输至关联模块；关联模块根据分析模块结果，将播放速度与重要程度进行关联； 反馈模块获取面试官对应聘者视频简历的评价，并反馈至关联模块；

进一步可选地，所述提取视频简历中的音频，将视频简历内容分为人声音频和图片部分包括： 通过音频提取软件提取视频简历中的音频，并对音频进行降噪处理，去除环境噪声，保留音频中的人声部分，获取人声音频；通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本；通过音频提取软件处理后的面试视频除去音频后的图片部分传输至外在形象评分模块；包括：通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本；

所述通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本，具体包括：

接收人声音频，并通过语音处理模块的特征提取单元对人声音频进行语音特征提取，获取特征信息。预设的判别模型对特征信息进行判别，判别出人声音频的语音特点。基于人声音频的语音特点，采用与语言特点相匹配的语言识别模型识别人声音频，得到与人声音频对应的语音识别结果，语音识别结果为人声音频对应的识别文本。其中语言识别模型包括预设的声学模型和语言模型。识别文本会被传输至入职意愿评分模块，学历成绩评分模块，个人经历评分模块进行处理。

进一步可选地，所述根据图片部分输出应聘者外在形象属于不同岗位的概率值，结合应聘者意向岗位对其外在形象进行评分包括： 外在形象评分模块包括包括获取单元和评分单元，获取单元获取通过音频提取软件处理后的面试视频除去音频后的图片部分，评分单元根据预设的CNN分类器对图像部分进行分类决策，输出应聘者的外在形象属于预设的不同岗位的概率值，再从招聘系统中提取应聘者的意向岗位，根据CNN分类器输出的应聘者的外在形象属于该意向岗位的概率值，输出应聘者外在形象的评分；其中，预设的不同岗位包括技术类，职能类，销售类，管理类。

进一步可选地，所述获得识别文本并对应聘者个人经历进行评分，并传输至排序模块包括： 个人经历评分模块包括获取单元，评分单元；获取单元会首先获取语音处理模块获得的识别文本，并且将预设好的个人经历文本数据库与识别文本进行匹配，得出识别文本中关于应聘者个人经历的关键词；评分单元会根据四个维度对应聘者的个人经历进行评分，四个维度包括个人经历与应聘者意向岗位的关联度，个人经历的数目，每段个人经历的持续时间，每段个人经历所处的组织的规模，输出评分；所述的每段个人经历所处的组织的规模包括实习所处的公司规模，项目所处的项目组规模。

进一步可选地，所述获得识别文本并对应聘者学历成绩进行评分，并识别出有关联的面试者包括：

入职意愿评分模块包括获取单元，评分单元，关系度评估单元；获取单元获取识别文本并将识别文本与预设好的入职意愿文本数据库进行匹配，匹配出识别文本中关于应聘者入职意愿的关键词，并且输入到评分单元进行评分，评分单元是根据预设的入职意愿评分模型对识别文本中关于应聘者入职意愿的关键词进行评分；关系度评估单元是评估应聘者与其他应聘者的联系度，若联系度高，即出现两个或者多个应聘者的联系度高，关系度评估单元会将两个或者多个应聘者绑定在一起，并且结果发送至排序模块，排序模块根据将所述的两个或者多个应聘者在排序中绑定在一起；关系度评估单元通过三个维度对应聘者与其他应聘者的联系度进行评估；三个维度包括通过招聘系统公开接口获取应聘者投递公司记录，学校与专业，和通过获取个人经历评分模块的获取单元匹配出关于应聘者个人经历的关键字，若存在两个或者多个应聘者在三个维度相似度超过预设阈值，则关系度评估单元所述的两个或者多个应聘者评估为联系度高，否则评估为联系度低。

进一步可选地，所述获得识别文本并对应聘者学历成绩进行评分，并检查学历成绩是否与真实情况一致包括：

学历成绩模块，包括获取单元，检查单元，判断单元；获取单元将识别文本与预设的学历水平文本数据库进行匹配，匹配出识别文本中关于应聘者学历与成绩的关键词；检查单元通过学信网公开接口获取应聘者的真实学历信息以及应聘者预先提交在应聘系统的成绩单，与应聘者学历与成绩的关键词进行对比，检查应聘者在视频简历中讲述的内容是否与真实情况一致，若识别文本中的关键字与真实情况不一致，检查单元输出不一致结果，并将不一致结果传递至关联单元，关联单元根据不一致结果，将应聘者的视频简历的内容都设置为不重要，全部内容进行快速播放；若识别文本中的关键字与真实情况一致，检查单元会输出一致结果，判断单元会将识别文本中的关键字作为特征值输入到预设的学习成绩评分模型，输出应聘者在学历成绩的评分。

进一步可选地，所述根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分，并对应聘者加权总评分进行排序包括： 排序模块会根据职位要求，对应聘者的外在形象，个人经历，入职意愿，学历成绩，即关于应聘者四个维度的评分，算出应聘者的加权总评分；根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分；在排序模块存在一个计算单元和排序单元；计算单元排除低于在某一维度的最低阈值分的应聘者，不予与排序；对剩下的应聘者的四个维度的评分乘以对应的职位要求对四个维度的评分赋予不同的权重系数，再求和得出应聘者的加权评分，应聘者的加权评分会被传递至排序单元使用归并算法进行排序，并将结果传输至分析模块；其中，在入职意愿评分模块关系度评估单元被设置为关联度高的两个或多个应聘者，会在排序中捆绑在一起，进行捆绑排序；包括：进行捆绑排序；

所述进行捆绑排序，具体包括：

在入职意愿评分模块关系度评估单元被设置为关联度高的两个或多个应聘者，会在排序中捆绑在一起，以关联度高的两个或多个应聘者中加权评分最低的应聘者与其他应聘者一起排序。排序后，关联度高的两个或多个应聘者处于相邻位置，加权评分高的应聘者位于其他关联度高应聘者之前。排序好的结果会被传输至分析模块。

进一步可选地，所述根据求职者视频内容匹配出视频简历中的重要部分和不重要部分，结果传输至关联模块包括：

根据求职者视频内容匹配出视频简历中的重要部分和不重要部分是通过分析模块实现；分析模块由提取单元和匹配单元组成；首先，分析模块会获取语音处理模块中语音识别模型得到的识别文本，提取单元会提取识别文本中的关键词，匹配单元会匹配出识别文本中的关键字与预设的岗位需求文本中关键字相匹配的部分，并在此关键词在识别文本中对应的部分添加标注为重要部分；在识别文本中没有被匹配的部分会被匹配单元标注为不重要部分；分析模块将识别文本中重要部分和不重要部分匹配结果传输至关联模块。

进一步可选地，所述关联模块根据分析模块结果，将播放速度与重要程度进行关联包括： 关联模块获取单元获取来自分析模块对识别文本中重要部分和不重要部分匹配结果后，将识别文本中的重要部分和不重要部分与应聘者的视频简历相应部分进行关联；对于视频简历中与识别文本中的重要部分相关联的部分，关联模块会设置此部分视频的播放速度为慢速播放；而对于视频简历中与识别文本中的不重要部分相关联的部分，关联模块会设置此部分视频的播放速度为快速播放。

一种基于深度学习智能招聘人才的方法其特征在于，所述系统包括：

反馈模块包括获取单元，分析单元，传输单元；获取单元获取面试官对应聘者视频简历的评价，并将评价与预设好的评价文本数据库进行匹配，匹配出面试官对应聘者视频简历的评价的关键词，并且传输至分析单元进行分析；当分析单元分析出关键字是正面评价的结果，传输单元不进行任何操作；当分析单元分析出关键字是负面评价的结果，传输单元将结果反馈至关联模块，关联模块会将此应聘者视频简历设置为不重要，此应聘者视频简历所有内容播放速度都为快速播放，若此应聘者存在关联度高的两个或者多个应聘者，他们的视频简历也会被设置为不重要，视频简历所有内容播放速度都为快速播放。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明根据面试者提供的视频简历进行分析，对大量应聘者的简历视频在四个维度进行评分，并且识别出具有朋友关系的应聘者。根据面试官的意愿对四个维度的评分进行加权求和，并且进行排序。在排序中将具有朋友关系的两个或者多个应聘者捆绑在一起进行排序。并且本发明能够自动识别出视频简历中重要部分和不重要部分，进行自动加速和减速播放，已达到面试官可以用更多时间看视频简历重要部分，用更少时间看视频简历不重要部分。 【附图说明】

图1为本发明的一种基于深度学习智能招聘人才的方法的流程图。

图2为本发明的一种基于深度学习智能招聘人才的方法的示意图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。 图1为本发明的一种基于深度学习智能招聘人才的方法流程图。如图1所示，本实施例一种基于深度学习智能招聘人才的方法具体可以包括：

步骤101，提取视频简历中的音频，将视频简历内容分为人声音频和图片部分。 通过音频提取软件提取视频简历中的音频，并对音频进行降噪处理，去除环境噪声，保留音频中的人声部分，获取人声音频。通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本。通过音频提取软件处理后的面试视频除去音频后的图片部分传输至外在形象评分模块。 通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本。 接收人声音频，并通过语音处理模块的特征提取单元对人声音频进行语音特征提取，获取特征信息。预设的判别模型对特征信息进行判别，判别出人声音频的语音特点。基于人声音频的语音特点，采用与语言特点相匹配的语言识别模型识别人声音频，得到与人声音频对应的语音识别结果，语音识别结果为人声音频对应的识别文本。其中语言识别模型包括预设的声学模型和语言模型。识别文本会被传输至入职意愿评分模块，学历成绩评分模块，个人经历评分模块进行处理。

步骤102，根据图片部分输出应聘者外在形象属于不同岗位的概率值，结合应聘者意向岗位对其外在形象进行评分。 外在形象评分模块包括包括获取单元和评分单元，获取单元获取通过音频提取软件处理后的面试视频除去音频后的图片部分，评分单元根据预设的CNN分类器对图像部分进行分类决策，输出应聘者的外在形象属于预设的不同岗位的概率值，再从招聘系统中提取应聘者的意向岗位，根据CNN分类器输出的应聘者的外在形象属于该意向岗位的概率值，输出应聘者外在形象的评分。其中，预设的不同岗位包括技术类，职能类，销售类，管理类；例如音频提取软件是Premiere软件，Premiere软件通过API接口调用了面试者的视频简历，用鼠标将视频简历拖入到Premiere软件的序列中，选中序列按右键取消视频与音频的链接关系，再选中音频使用Premiere软件的“自适应降噪”功能对音频进行降噪处理，只保留音频中的属于面试者的人声部分并导出到语音处理模块进行处理。留在Premiere软件的图片部分会被导出外在形象评分模块进行处理。

步骤103，获得识别文本并对应聘者个人经历进行评分，并传输至排序模块。 个人经历评分模块包括获取单元，评分单元。获取单元会首先获取语音处理模块获得的识别文本，并且将预设好的个人经历文本数据库与识别文本进行匹配，得出识别文本中关于应聘者个人经历的关键词。评分单元会根据四个维度对应聘者的个人经历进行评分，四个维度包括个人经历与应聘者意向岗位的关联度，个人经历的数目，每段个人经历的持续时间，每段个人经历所处的组织的规模，输出评分。所述的每段个人经历所处的组织的规模包括实习所处的公司规模，项目所处的项目组规模。特征信息包括基频特征，共振峰特征，Mel 频率倒谱系数(MFCC)等。预设的判别模型是通过SVM或HMM等建模技术建立的，判别模型包括标准普通话模型，广东口音模型，东北口音模型等。判别模型根据特征信息选择不同的判别模型，判别出人声音频的语音特点。声学模型根据语音特点以及预设的语音词典，计算出人声音频中每一个音属于一个字的概率，即识别出人声音频中每一个音对应的字。预设的语音词典是记录着每一个字所对应的发音，包括不同语音特点的语言词典，如广东口音语音词典，记录着每一个字对应的广东口音的发音。语言模型将每一个音对应的字组合成一个合理的句子进行输出。语言模型一般利用链式法则，把一个句子的概率拆解成其中每个字的概率之积。例如设一句话对应的文字为W，W是由w1,w2......wn多个字组成的,P(W)是一句话所对应文字的概率，根据链式法则，P(W)拆成P（W）= P(w1)P(w2|w1)P(w3|w1,w2)...P(wn|w1,w2,...,wn-1)，其中wn都是在已知之前所有词字包括w1,w2,...,wn-1的概率的条件下，当前字的概率。通过语言识别模型中的声学模型和语言模型的配合，得到与人声音频对应的识别文本。

步骤104，获得识别文本并对应聘者学历成绩进行评分，并识别出有关联的面试者。 入职意愿评分模块包括获取单元，评分单元，关系度评估单元。获取单元获取识别文本并将识别文本与预设好的入职意愿文本数据库进行匹配，匹配出识别文本中关于应聘者入职意愿的关键词，并且输入到评分单元进行评分，评分单元是根据预设的入职意愿评分模型对识别文本中关于应聘者入职意愿的关键词进行评分。关系度评估单元是评估应聘者与其他应聘者的联系度，若联系度高，即出现两个或者多个应聘者的联系度高，关系度评估单元会将两个或者多个应聘者绑定在一起，并且结果发送至排序模块，排序模块根据将所述的两个或者多个应聘者在排序中绑定在一起。关系度评估单元通过三个维度对应聘者与其他应聘者的联系度进行评估。三个维度包括通过招聘系统公开接口获取应聘者投递公司记录，学校与专业，和通过获取个人经历评分模块的获取单元匹配出关于应聘者个人经历的关键字，若存在两个或者多个应聘者在三个维度相似度超过预设阈值，则关系度评估单元所述的两个或者多个应聘者评估为联系度高，否则评估为联系度低。预设的CNN分类器参数是通过收集大量不同岗位员工对应的外在形象的图片作为训练集和测试集，并且给图片添加好标签，标签为技术类，职能类，销售类，管理类。CNN分类器被输入带有标签的训练集图片，CNN分类器通过提取不同标签对应的训练集图片的特征向量来建立分类决策规则，输出每一张训练集图片的外在形象属于预设的不同岗位的概率值。测试集图片输入到CNN分类器，CNN分类器按照分类决策规则对测试集图片进行分类测试，根据分类测试结果的准确性，调整CNN分类器参数。 例如预设好的多个岗位分别是技术类，职能类，销售类，管理类。评分单元根据基于深度学习方法建立CNN分类器对某一应聘者的视频简历的图片部分进行分类决策，输出该应聘者的外在形象属于技术类的概率是91%，属于职能类，销售类，管理类的概率都是3%；如果应聘者的意向岗位是技术类，根据分类器输出该应聘者的外在形象属于技术类的概率是91%，评分模块会输出应聘者外在形象高的评分；如果应聘者的意向岗位是职能类，销售类，管理类的其中一种，根据分类器输出该应聘者的外在形象属于职能类，销售类，管理类的概率都是3%，评分模块会输出应聘者外在形象低的评分。

步骤105，获得识别文本并对应聘者学历成绩进行评分，并检查学历成绩是否与真实情况一致。 学历成绩模块，包括获取单元，检查单元，判断单元。获取单元将识别文本与预设的学历水平文本数据库进行匹配，匹配出识别文本中关于应聘者学历与成绩的关键词。检查单元通过学信网公开接口获取应聘者的真实学历信息以及应聘者预先提交在应聘系统的成绩单，与应聘者学历与成绩的关键词进行对比，检查应聘者在视频简历中讲述的内容是否与真实情况一致，若识别文本中的关键字与真实情况不一致，检查单元输出不一致结果，并将不一致结果传递至关联单元，关联单元根据不一致结果，将应聘者的视频简历的内容都设置为不重要，全部内容进行快速播放；若识别文本中的关键字与真实情况一致，检查单元会输出一致结果，判断单元会将识别文本中的关键字作为特征值输入到预设的学习成绩评分模型，输出应聘者在学历成绩的评分。例如应聘者的意向岗位是程序员，如果应聘者的个人经历有5段实习，且每一段实习都与程序员有关，并且每一段实习的时间持续时间都很长，实习的公司都是世界五百强的公司，公司规模很大，评分单元会对应聘者的个人经历输出高的评分。

步骤106，根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分，并对应聘者加权总评分进行排序。 排序模块会根据职位要求，对应聘者的外在形象，个人经历，入职意愿，学历成绩，即关于应聘者四个维度的评分，算出应聘者的加权总评分。根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分。在排序模块存在一个计算单元和排序单元。计算单元排除低于在某一维度的最低阈值分的应聘者，不予与排序。对剩下的应聘者的四个维度的评分乘以对应的职位要求对四个维度的评分赋予不同的权重系数，再求和得出应聘者的加权评分，应聘者的加权评分会被传递至排序单元使用归并算法进行排序，并将结果传输至分析模块。其中，在入职意愿评分模块关系度评估单元被设置为关联度高的两个或多个应聘者，会在排序中捆绑在一起，进行捆绑排序。例如，存在两个或者多个应聘者，多次投递简历至相同的公司，学校和专业一样，所做的项目实习也非常类似或者相同，所述的两个或者多个应聘者在三个维度相似度就会超过预设阈值，则关系度评估单元所述的两个或者多个应聘者评估为联系度高。 进行捆绑排序。 在入职意愿评分模块关系度评估单元被设置为关联度高的两个或多个应聘者，会在排序中捆绑在一起，以关联度高的两个或多个应聘者中加权评分最低的应聘者与其他应聘者一起排序。排序后，关联度高的两个或多个应聘者处于相邻位置，加权评分高的应聘者位于其他关联度高应聘者之前。排序好的结果会被传输至分析模块。例如检查单元通过学信网或许到以为应聘者的学历是某985大学的二本分校，但是应聘者却在视频简历中讲述自己是某大学985学生，属于重本本科生。检查单元会检查出应聘者真实情况与视频简历中讲述的内容不一致，认为应聘者在简历视频中对学历成绩有所隐瞒，不诚实，检查单元输出不一致结果，关联单元会根据不一致结果，将这个应聘者的视频简历的内容都设置为不重要，全部内容进行快速播放。预设的学习成绩评分模型是基于深度学习方法建立的。

步骤107，根据求职者视频内容匹配出视频简历中的重要部分和不重要部分，结果传输至关联模块。 根据求职者视频内容匹配出视频简历中的重要部分和不重要部分是通过分析模块实现。分析模块由提取单元和匹配单元组成。首先，分析模块会获取语音处理模块中语音识别模型得到的识别文本，提取单元会提取识别文本中的关键词，匹配单元会匹配出识别文本中的关键字与预设的岗位需求文本中关键字相匹配的部分，并在此关键词在识别文本中对应的部分添加标注为重要部分。在识别文本中没有被匹配的部分会被匹配单元标注为不重要部分。分析模块将识别文本中重要部分和不重要部分匹配结果传输至关联模块。例如有三个应聘者的甲乙丙，甲乙丙的外在形象，学历成绩，个人经历，入职意愿的评分分别是(1,10,10,10),(9,8,4,5),(8,7,5,4)，职位要求对应聘者外在形象更加侧重，因此会分配给关于应聘者四个维度的评分在加权总评分中不同的权重系数分部是70%,10%,10%,10%和在外在形象的最低阈值分数是8分。计算单元首先会排除外在形象的评分低于8的甲(1,10,10,10)，根据职位要求对四个维度的评分赋予不同的权重系数对剩下的乙和丙进行加权求和，得出乙和丙的加权评分分别是8.0和7.2。乙和丙的加权评分会被传递至排序单元进行排序，得到的结果是乙的顺序在丙的顺序之前。因此在观看应聘者的视频时，首先看到的是乙的视频接着再看到丙的视频，而甲的视频不会被看到。

步骤108，关联模块根据分析模块结果，将播放速度与重要程度进行关联。 关联模块获取单元获取来自分析模块对识别文本中重要部分和不重要部分匹配结果后，将识别文本中的重要部分和不重要部分与应聘者的视频简历相应部分进行关联。对于视频简历中与识别文本中的重要部分相关联的部分，关联模块会设置此部分视频的播放速度为慢速播放；而对于视频简历中与识别文本中的不重要部分相关联的部分，关联模块会设置此部分视频的播放速度为快速播放。例如有四个应聘者的甲乙丙丁，甲乙丙丁的个人经历的评分分别是(9,2,3,3),(9,8,4,5),(8,7,5,4),(8,6,3,5)，且乙和丁在入职意愿评分模块关系度评估单元被设置为关联度高的两个或多个应聘者。面试官在挑选合适的应聘者的面试视频观看时，更加看重应聘者关于外在形象的评分，因此面试官会给排序模块的分配给关于应聘者四个维度的评分在加权总评分中不同的权重系数分部是70%,10%,10%,10%和面试官更侧重关注应聘者外在形象的最低阈值分数是8分。由于所有应聘者在外在形象的得分都超过最低阈值分数，因此四个应聘者都参与排序。计算单元根据面试官给的权重系数对甲、乙、丙、丁进行加权求和，得出四人的加权评分分别是7.1，8.0，7.2，7.0。由于乙和丁是在入职意愿评分模块关系度评估单元被设置为关联度高的两个应聘者，因此会被捆绑在一起进行排序，乙与丁位于相邻位置且乙在丁位置之前，在排序中以加权分数最低的丁进行排序。甲乙丙丁的加权评分会被传递至排序单元进行排序，得到的结果是（丙，甲，乙，丁）。因此面试官在观看应聘者的视频时，首先看到的是丙的视频接着再看到甲的视频，最后才看到乙和丁的视频。

步骤109， 反馈模块获取面试官对应聘者视频简历的评价，并反馈至关联模块。反馈模块包括获取单元，分析单元，传输单元。获取单元获取面试官对应聘者视频简历的评价，并将评价与预设好的评价文本数据库进行匹配，匹配出面试官对应聘者视频简历的评价的关键词，并且传输至分析单元进行分析。当分析单元分析出关键字是正面评价的结果，传输单元不进行任何操作。当分析单元分析出关键字是负面评价的结果，传输单元将结果反馈至关联模块，关联模块会将此应聘者视频简历设置为不重要，此应聘者视频简历所有内容播放速度都为快速播放，若此应聘者存在关联度高的两个或者多个应聘者，他们的视频简历也会被设置为不重要，视频简历所有内容播放速度都为快速播放。例如，面试官想要招聘一名程序员，预设的岗位需求文本中的关键词就会有与程序员岗位相关的词汇如编程，代码，算法等关键词。在视频简历的识别文本中，若出现有上述关键字，匹配单元就会将在识别文本中匹配出，并会将此部分添加标注为重要部分。识别文本中其余没有被匹配成功的部分，会被匹配单元标注为不重要部分。 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。用于实现本发明进行信息控制的程序，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。 程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。 在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。 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，也可以采用硬件加软件功能单元的形式实现。 上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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）或处理器（processor）执行本发明各个实施例所述方法的部分步骤。 而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于深度学习智能招聘人才的方法，其特征在于，所述方法包括： 提取视频简历中的音频，将视频简历内容分为人声音频和图片部分，具体包括：通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本；根据图片部分输出应聘者外在形象属于不同岗位的概率值，结合应聘者意向岗位对其外在形象进行评分；获得识别文本并对应聘者个人经历进行评分，并传输至排序模块；获得识别文本并对应聘者学历成绩进行评分，并识别出有关联的面试者；获得识别文本并对应聘者学历成绩进行评分，并检查学历成绩是否与真实情况一致；根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分，并对应聘者加权总评分进行排序，具体包括：进行捆绑排序；根据求职者视频内容匹配出视频简历中的重要部分和不重要部分，结果传输至关联模块；关联模块根据分析模块结果，将播放速度与重要程度进行关联； 反馈模块获取面试官对应聘者视频简历的评价，并反馈至关联模块。

2.根据权利要求1所述的方法，其中，所述提取视频简历中的音频，将视频简历内容分为人声音频和图片部分，包括: 通过音频提取软件提取视频简历中的音频，并对音频进行降噪处理，去除环境噪声，保留音频中的人声部分，获取人声音频；通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本；通过音频提取软件处理后的面试视频除去音频后的图片部分传输至外在形象评分模块；包括：通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本； 所述通过音频提取软件将人声音频导出至语音处理模块，通过语音处理模块进行语音识别，获取识别文本，具体包括： 接收人声音频，并通过语音处理模块的特征提取单元对人声音频进行语音特征提取，获取特征信息；预设的判别模型对特征信息进行判别，判别出人声音频的语音特点；基于人声音频的语音特点，采用与语言特点相匹配的语言识别模型识别人声音频，得到与人声音频对应的语音识别结果，语音识别结果为人声音频对应的识别文本；其中语言识别模型包括预设的声学模型和语言模型；识别文本会被传输至入职意愿评分模块，学历成绩评分模块，个人经历评分模块进行处理。

3.根据权利要求1所述的方法，其中，所述根据图片部分输出应聘者外在形象属于不同岗位的概率值，结合应聘者意向岗位对其外在形象进行评分，包括: 外在形象评分模块包括包括获取单元和评分单元，获取单元获取通过音频提取软件处理后的面试视频除去音频后的图片部分，评分单元根据预设的CNN分类器对图像部分进行分类决策，输出应聘者的外在形象属于预设的不同岗位的概率值，再从招聘系统中提取应聘者的意向岗位，根据CNN分类器输出的应聘者的外在形象属于该意向岗位的概率值，输出应聘者外在形象的评分；其中，预设的不同岗位包括技术类，职能类，销售类，管理类。

4.根据权利要求1所述的方法，其中，所述获得识别文本并对应聘者个人经历进行评分，并传输至排序模块，包括: 个人经历评分模块包括获取单元，评分单元；获取单元会首先获取语音处理模块获得的识别文本，并且将预设好的个人经历文本数据库与识别文本进行匹配，得出识别文本中关于应聘者个人经历的关键词；评分单元会根据四个维度对应聘者的个人经历进行评分，四个维度包括个人经历与应聘者意向岗位的关联度，个人经历的数目，每段个人经历的持续时间，每段个人经历所处的组织的规模，输出评分；所述的每段个人经历所处的组织的规模包括实习所处的公司规模，项目所处的项目组规模。

5.根据权利要求1所述的方法，其中，所述获得识别文本并对应聘者学历成绩进行评分，并识别出有关联的面试者，包括: 入职意愿评分模块包括获取单元，评分单元，关系度评估单元；获取单元获取识别文本并将识别文本与预设好的入职意愿文本数据库进行匹配，匹配出识别文本中关于应聘者入职意愿的关键词，并且输入到评分单元进行评分，评分单元是根据预设的入职意愿评分模型对识别文本中关于应聘者入职意愿的关键词进行评分；关系度评估单元是评估应聘者与其他应聘者的联系度，若联系度高，即出现两个或者多个应聘者的联系度高，关系度评估单元会将两个或者多个应聘者绑定在一起，并且结果发送至排序模块，排序模块根据将所述的两个或者多个应聘者在排序中绑定在一起；关系度评估单元通过三个维度对应聘者与其他应聘者的联系度进行评估；三个维度包括通过招聘系统公开接口获取应聘者投递公司记录，学校与专业，和通过获取个人经历评分模块的获取单元匹配出关于应聘者个人经历的关键字，若存在两个或者多个应聘者在三个维度相似度超过预设阈值，则关系度评估单元所述的两个或者多个应聘者评估为联系度高，否则评估为联系度低。

6.根据权利要求1所述的方法，其中，所述获得识别文本并对应聘者学历成绩进行评分，并检查学历成绩是否与真实情况一致，包括: 学历成绩模块，包括获取单元，检查单元，判断单元；获取单元将识别文本与预设的学历水平文本数据库进行匹配，匹配出识别文本中关于应聘者学历与成绩的关键词；检查单元通过学信网公开接口获取应聘者的真实学历信息以及应聘者预先提交在应聘系统的成绩单，与应聘者学历与成绩的关键词进行对比，检查应聘者在视频简历中讲述的内容是否与真实情况一致，若识别文本中的关键字与真实情况不一致，检查单元输出不一致结果，并将不一致结果传递至关联单元，关联单元根据不一致结果，将应聘者的视频简历的内容都设置为不重要，全部内容进行快速播放；若识别文本中的关键字与真实情况一致，检查单元会输出一致结果，判断单元会将识别文本中的关键字作为特征值输入到预设的学习成绩评分模型，输出应聘者在学历成绩的评分。

7.根据权利要求1所述的方法，其中，所述根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分，并对应聘者加权总评分进行排序，包括: 排序模块会根据职位要求，对应聘者的外在形象，个人经历，入职意愿，学历成绩，即关于应聘者四个维度的评分，算出应聘者的加权总评分；根据职位要求对四个维度的评分赋予不同的权重系数以及在某一维度的最低阈值分；在排序模块存在一个计算单元和排序单元；计算单元排除低于在某一维度的最低阈值分的应聘者，不予与排序；对剩下的应聘者的四个维度的评分乘以对应的职位要求对四个维度的评分赋予不同的权重系数，再求和得出应聘者的加权评分，应聘者的加权评分会被传递至排序单元使用归并算法进行排序，并将结果传输至分析模块；其中，在入职意愿评分模块关系度评估单元被设置为关联度高的两个或多个应聘者，会在排序中捆绑在一起，进行捆绑排序；包括：进行捆绑排序； 所述进行捆绑排序，具体包括： 在入职意愿评分模块关系度评估单元被设置为关联度高的两个或多个应聘者，会在排序中捆绑在一起，以关联度高的两个或多个应聘者中加权评分最低的应聘者与其他应聘者一起排序；排序后，关联度高的两个或多个应聘者处于相邻位置，加权评分高的应聘者位于其他关联度高应聘者之前；排序好的结果会被传输至分析模块。

8.根据权利要求1所述的方法，其中，所述根据求职者视频内容匹配出视频简历中的重要部分和不重要部分，结果传输至关联模块，包括: 根据求职者视频内容匹配出视频简历中的重要部分和不重要部分是通过分析模块实现；分析模块由提取单元和匹配单元组成；首先，分析模块会获取语音处理模块中语音识别模型得到的识别文本，提取单元会提取识别文本中的关键词，匹配单元会匹配出识别文本中的关键字与预设的岗位需求文本中关键字相匹配的部分，并在此关键词在识别文本中对应的部分添加标注为重要部分；在识别文本中没有被匹配的部分会被匹配单元标注为不重要部分；分析模块将识别文本中重要部分和不重要部分匹配结果传输至关联模块。

9.根据权利要求1所述的方法，其中，所述关联模块根据分析模块结果，将播放速度与重要程度进行关联，包括: 关联模块获取单元获取来自分析模块对识别文本中重要部分和不重要部分匹配结果后，将识别文本中的重要部分和不重要部分与应聘者的视频简历相应部分进行关联；对于视频简历中与识别文本中的重要部分相关联的部分，关联模块会设置此部分视频的播放速度为慢速播放；而对于视频简历中与识别文本中的不重要部分相关联的部分，关联模块会设置此部分视频的播放速度为快速播放。

10.根据权利要求1所述的方法，其中，所述反馈模块获取面试官对应聘者视频简历的评价，并反馈至关联模块，包括： 反馈模块包括获取单元，分析单元，传输单元；获取单元获取面试官对应聘者视频简历的评价，并将评价与预设好的评价文本数据库进行匹配，匹配出面试官对应聘者视频简历的评价的关键词，并且传输至分析单元进行分析；当分析单元分析出关键字是正面评价的结果，传输单元不进行任何操作；当分析单元分析出关键字是负面评价的结果，传输单元将结果反馈至关联模块，关联模块会将此应聘者视频简历设置为不重要，此应聘者视频简历所有内容播放速度都为快速播放，若此应聘者存在关联度高的两个或者多个应聘者，他们的视频简历也会被设置为不重要，视频简历所有内容播放速度都为快速播放。

Images