CN115619363A - 一种面试方法及装置 - Google Patents

Abstract

本发明提供了一种面试方法及装置，以及一种计算机可读存储介质。该面试方法包括以下步骤：根据招聘岗位所需的多项胜任力向候选人提出多个问题；采集所述候选人回答各所述问题的回答文本，并将各所述回答文本分别与其对应的问题文本组成问答对；切分每一所述问答对的所述问题文本及所述回答文本，以分别获取每一所述问答对的多个问句及多个答句；以及利用预先训练的推理模型，对各所述问答对的所述多个问句及所述多个答句进行信息交互、语义推理及结果分类，以获取所述候选人针对所述多项胜任力的综合评分结果。

Description

一种面试方法及装置

技术领域

本发明属于人工智能(Artificial Intelligence，AI)技术领域，具体涉及一种基于人工智能的面试方法、一种用于执行该面试方法的面试装置，以及一种计算机可读存储介质。

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。软技能指的是个人的综合素质，也可以叫胜任力(Competency)，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、时间管理能力、抗压能力和对所从事岗位的专业热忱等。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。

针对人力资源领域对候选人各项胜任力的考核需求，上海近屿智能科技有限公司研发了一种面试辅助技术(专利号/申请号202011060966.6)，能够针对招聘岗位的实际需求向候选人提出考核对应胜任力的问题，并基于训练好的神经网络模型对候选人回答各问题的形象、表情语音及答案做出是否录用的综合评价。

在上述面试辅助技术的基础上，本发明进一步提供了一种基于人工智能的面试技术，能够对问题文本和回答文本做进一步地问答交互以提高人工智能对候选人各项胜任力的评估精度，并提供针对候选人各项胜任力的评估结果来为用人单位后续的人才任用提供指导。

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。

为了进一步满足人力资源领域对候选人各项胜任力的考核需求，本发明提供了一种面试方法、一种面试装置，以及一种计算机可读存储介质，能够对问题文本和回答文本做进一步地问答交互以提高人工智能对候选人各项胜任力的评估精度，并提供针对候选人各项胜任力的评估结果来为用人单位后续的人才任用提供指导。

具体来说，本发明的第一方面提供的上述面试方法包括以下步骤：根据招聘岗位所需的多项胜任力向候选人提出多个问题；采集所述候选人回答各所述问题的回答文本，并将各所述回答文本分别与其对应的问题文本组成问答对；切分每一所述问答对的所述问题文本及所述回答文本，以分别获取每一所述问答对的多个问句及多个答句；以及利用预先训练的推理模型，对各所述问答对的所述多个问句及所述多个答句进行信息交互、语义推理及结果分类，以获取所述候选人针对所述多项胜任力的综合评分结果。通过实施该面试方法，本发明能够对问题文本和回答文本做进一步地问答交互以提高人工智能对候选人各项胜任力的评估精度，并提供针对候选人各项胜任力的评估结果来为用人单位后续的人才任用提供指导。

优选地，在本发明的一些实施例中，所述根据招聘岗位所需的多项胜任力向候选人提出多个问题的步骤可以包括：将所述招聘岗位输入预先构建的胜任力模型，以确定所述招聘岗位所需的多项胜任力；从预先构建的胜任力题库中调取对应于每项所述胜任力的一个或多个问题；以及向所述候选人播放每个所述问题的视频或音频。

优选地，在本发明的一些实施例中，在执行所述根据招聘岗位所需的多项胜任力向候选人提出多个问题的步骤之前，所述面试方法还可以包括以下步骤：对至少一个岗位的多名员工进行采访，以获取所述多名员工的访谈记录；按照预先定义的胜任力维度对每名所述员工的访谈记录进行评分，以获取每名所述员工在每项所述胜任力的得分；根据工作绩效将所述多名员工分为各所述岗位的优秀员工及普通员工；对所述优秀员工及所述普通员工在各项所述胜任力的得分进行差异检验，以确定各所述岗位的优秀员工应当具备的多项胜任力；基于各所述岗位的优秀员工应当具备的多项胜任力构建所述胜任力模型；以及针对每项所述胜任力准备至少一个问题，并基于所述至少一个岗位的优秀员工应当具备的多项胜任力构建所述胜任力题库。

可选地，在本发明的一些实施例中，所述采集所述候选人回答各所述问题的回答文本的步骤可以包括：采集所述候选人回答各所述问题的视频或音频；以及对所述视频或音频中的音频数据进行语音文本转录，以获取所述候选人回答各所述问题的回答文本。

可选地，在本发明的一些实施例中，所述切分每一所述问答对的所述问题文本及所述回答文本的步骤可以包括：以句子为单位，切分每一所述问答对的所述问题文本及所述回答文本；或以RDF三元组为单位，切分每一所述问答对的所述问题文本及所述回答文本。

可选地，在本发明的一些实施例中，所述推理模型可以包括预先训练的编码模块及预先训练的关系图网络模块。所述对各所述问答对的所述多个问句及所述多个答句进行信息交互、语义推理及结果分类的步骤可以包括：利用所述编码模块对各所述问答对中各所述问句及各所述答句进行向量表示，以分别生成各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量；利用所述关系图网络模块，分别对各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量进行迭代推理，以实现各所述问答对中各所述问句及各所述答句之间的信息交互，并分别生成各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量；分别对各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量进行语义推理，以生成各所述问答对的语义表示向量；以及根据各所述问答对的语义表示向量进行结果分类，以获取所述候选人针对所述多项胜任力的综合评分结果。

优选地，在本发明的一些实施例中，所述分别对各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量进行迭代推理的步骤可以包括：根据各所述问答对中每一所述问句的编码表示向量、其余各所述问句的编码表示向量，以及各所述答句的编码表示向量，分别对每一所述问句的编码表示向量进行加权整合，以实现各所述问答对中每一所述问句与其余各所述问句及各所述答句的之间的信息交互，并分别生成每一所述问句的逻辑关系表示向量；以及根据各所述问答对中每一所述答句的编码表示向量、其余各所述答句的编码表示向量，以及各所述问句的编码表示向量，分别对每一所述答句的编码表示向量进行加权整合，以实现各所述问答对中每一所述答句与其余各所述答句及各所述问句的之间的信息交互，并分别生成每一所述答句的逻辑关系表示向量。

优选地，在本发明的一些实施例中，所述分别对各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量进行迭代推理的步骤可以进一步包括：根据各所述问答对中所述问题文本及所述回答文本的语序，分别确定各所述问答对中各问句节点及各答句节点的邻居节点，其中，所述问句节点的邻居节点包括在所述问答对中与所述问句节点的间隔小于预设窗口值的所有问句节点，以及所述问答对中的所有答句节点，所述答句节点的邻居节点包括在所述问答对中与所述答句的间隔小于所述预设窗口值的所有答句节点，以及所述问答对中的所有问句节点；根据各所述问答对中每一所述问句节点及其所有邻居节点的编码表示向量，分别对每一所述问句节点的编码表示向量进行加权整合，以实现各所述问答对中每一所述问句节点与其所有邻居节点之间的信息交互，并分别生成每一所述问句节点的逻辑关系表示向量；以及根据各所述问答对中每一所述答句节点及其所有邻居节点的编码表示向量，分别对每一所述答句节点的编码表示向量进行加权整合，以实现各所述问答对中每一所述答句节点与其所有邻居节点之间的信息交互，并分别生成每一所述答句节点的逻辑关系表示向量。

可选地，在本发明的一些实施例中，所述推理模型还可以包括预先训练的语义推理模块。所述分别对各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量进行语义推理，以生成各所述问答对的语义表示向量的步骤可以包括：利用所述语义推理模块，分别对各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量进行语义推理，以实现各所述问答对中各所述问句及各所述答句之间的语义交互，并分别生成各所述问答对的语义表示向量。

优选地，在本发明的一些实施例中，所述推理模型还可以包括预先训练的分类网络模块。所述根据各所述问答对的语义表示向量进行结果分类，以获取所述候选人针对所述多项胜任力的综合评分结果的步骤可以包括：将各所述问答对的所述语义表示向量全部输入所述分类网络模块，以获取所述候选人针对所述多项胜任力的综合评分结果。

优选地，在本发明的一些实施例中，所述推理模型还可以包括预先训练的注意力模块。所述对各所述问答对的所述语义表示向量进行结果分类的步骤可以进一步包括：将各所述问答对的所述语义表示向量分别输入所述注意力模块，以分别确定各所述语义表示向量对所述综合评分结果的贡献系数；以及将各所述问答对的所述语义表示向量及其对应的贡献系数，成对地输入所述分类网络模块，以获取所述候选人针对所述多项胜任力的综合评分结果。

可选地，在本发明的一些实施例中，所述推理模型还可以包括一个或多个预先训练的单题分类网络模块。在执行所述对各所述问答对的逻辑关系表示向量进行语义推理的步骤之后，所述面试方法还可以包括以下步骤：将各所述问答对的所述语义表示向量分别输入对应的单题分类网络模块，以分别获取所述候选人针对各项所述胜任力的单项评分结果。

可选地，在本发明的一些实施例中，在执行所述根据招聘岗位所需的多项胜任力向候选人提出多个问题的步骤之前，所述面试方法还包括以下步骤：根据至少一个所述招聘岗位所需的多项胜任力，分别向多名候选人样本提出多个对应的问题；分别采集各所述候选人样本回答各所述问题的回答文本样本，并将各所述回答文本样本分别与其对应的问题文本组成问答对样本；切分每一所述问答对样本的所述问题文本及所述回答文本样本，以获取每一所述问答对样本的多个问句样本及多个答句样本；针对各所述候选人样本的各项所述胜任力和/或综合胜任力，对各所述候选人样本回答各所述问题的回答文本样本进行单项胜任力评分和/或综合评分；以及利用各所述问答对样本的多个所述问句样本及多个所述答句样本，以及对应候选人样本回答各所述问题的所述单项胜任力评分和/或所述综合评分，训练所述推理模型进行所述信息交互、所述语义推理和/或所述结果分类的功能。

优选地，在本发明的一些实施例中，在对各所述候选人样本回答各所述问题的回答文本样本进行单项胜任力评分和/或综合评分后，所述面试方法还可以包括以下步骤：利用各所述问答对样本的多个所述问句样本及多个所述答句样本，以及对应候选人样本回答各所述问题的所述单项胜任力评分和/或所述综合评分，训练所述推理模型进行编码表示、贡献系数确定和/或单项评分的功能。

根据本发明的第二方面，还提供了一种面试装置。该面试装置包括存储器及处理器。所述处理器连接所述存储器，并被配置用于实施本发明的第一方面提供的上述面试方法。通过实施该面试方法，该面试装置能够对问题文本和回答文本做进一步地问答交互以提高人工智能对候选人各项胜任力的评估精度，并提供针对候选人各项胜任力的评估结果来为用人单位后续的人才任用提供指导。

根据本发明的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机指令。所述计算机指令被处理器执行时，实施本发明的第一方面提供的上述面试方法。通过实施该面试方法，该计算机可读存储介质能够对问题文本和回答文本做进一步地问答交互以提高人工智能对候选人各项胜任力的评估精度，并提供针对候选人各项胜任力的评估结果来为用人单位后续的人才任用提供指导。

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构建胜任力模型及胜任力题库的流程示意图。

图2示出了根据本发明的一些实施例提供的训练推理模型的流程示意图。

图3示出了根据本发明的一些实施例提供的关系图网络的示意图。

图4示出了根据本发明的一些实施例提供的面试方法的流程示意图。

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，为了进一步满足人力资源领域对候选人各项胜任力的考核需求，本发明提供了一种面试方法、一种面试装置，以及一种计算机可读存储介质，能够对问题文本和回答文本做进一步地问答交互以提高人工智能对候选人各项胜任力的评估精度，并提供针对候选人各项胜任力的评估结果来为用人单位后续的人才任用提供指导。

在一些非限制性的实施例中，本发明的第一方面提供上述面试方法可以由本发明的第二方面提供的上述面试装置，利用预先构建并训练的胜任力模型及推理模型来实施。具体来说，本发明的第二方面提供的上述面试装置可以包括存储器及处理器。该存储器包括但不限于本发明的第三方面提供的上述计算机可读存储介质，其上存储有计算机指令。该处理器连接该存储器，被配置用于执行该存储器上存储的计算机指令，以实施本发明的第一方面提供上述面试方法。

以下将结合一些构建胜任力模型的方法、一些训练推理模型的方法，以及一些利用该胜任力模型及推理模型进行面试的方法，介绍上述面试装置的工作原理。本领域的技术人员可以理解，这些构建胜任力模型、训练推理模型及面试的方法，只是本发明提供的一些非限制性的实施例方式，旨在清楚地展示本发明的主要构思，并提供一些便于公众实施的具体案例，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构建胜任力模型及胜任力题库的流程示意图。

如图1所示，在本发明的一些实施例中，在胜任力模型及胜任力题库的构建阶段，构建者可以首先确定需要评估的一个或多个岗位，并对这一个或多个岗位的多名员工进行采访，以获取这多名员工的访谈记录。之后，构建者可以针对每一岗位，按照专业知识、技能水平、责任心、抗压能力、时间管理能力、沟通能力、适应能力、对岗位的热忱度等预先定义的多个胜任力维度，对每名员工的访谈记录进行评分，以获取该岗位的每名员工在每项胜任力的得分。

在一些实施例中，针对岗位所需的多项胜任力对每名员工的访谈记录进行评分的工作，可以由预先训练的胜任力评估模型来实施。该胜任力评估模型是一种基于神经网络模型(例如：CNN、RNN或其模型变种)及分类网络，初步确定每名员工在每项胜任力得分的人工智能模型，其基本原理可以参考上海近屿智能科技有限公司公布的在先技术(专利号/申请号202011060966.6)。

可选地，在另一些实施例中，针对岗位所需的多项胜任力对每名员工的访谈记录进行评分的工作，也可以由人力资源领域的专家针对访谈内容在各胜任力维度的表现做人工标注获得。

在获取各岗位的每名员工在每项胜任力的得分后，胜任力模型及胜任力题库的构建者可以对各员工的访谈内容进行整理，以获得每名员工的胜任力题目集合Q[q₁,q₂,…,q_k]及对应的胜任力得分S[s₁,s₂,…,s_k]。之后，构建者可以根据员工在对应岗位的实际工作绩效，将每一岗位的多名员工分为优秀员工及普通员工，并结合胜任力评估模型或人力资源专家提供的胜任力等级L[l_q1C1,l_q2C1,…,l_qkC1,l_q1C2,l_q2C2,…,l_qkC2]，计算优秀员工C₁和普通员工C₂在多个胜任力维度的总得分：

total_score_C1＝s₁*l_q1c1+s₂*l_q2C1+…+s_k*l_qkC1

total_score_C2＝s₁*l_q1C2+s₂*l_q2C2+…+s_k*l_qkC2

式中，l_qiCj表示第j个员工C_j在第i个胜任力问题q_i上的胜任力等级。

进一步地，构建者还可以结合上述胜任力得分S及上述胜任力等级L，分别计算优秀员工组C₁和普通员工组C₂在各胜任力维度上的总分数平均数、胜任力等级平均数和标准差。之后，构建者可以通过对优秀员工组C₁和普通员工组C₂在各胜任力维度上的总分数平均数、胜任力等级平均数和标准差进行差异检验的方式，确定甄别一个岗位的优秀员工和普通员工的k项胜任力。

具体来说，若在某个胜任力维度上，某岗位优秀员工组C₁的总分数平均数显著高于普通员工组C₂的总分数平均数，则胜任力模型及胜任力题库的构建者可以判定该项胜任力可以显著区分该岗位的优秀员工和普通员工。依此方案，构建者可以逐一判断各项胜任力是否能够显著区分该岗位的优秀员工和普通员工，从而确定一个岗位的优秀员工应当具备的多项胜任力，进而确定各岗位的优秀员工应当具备的多项胜任力。

在确定各岗位的优秀员工应当具备的多项胜任力之后，构建者即可基于各岗位的优秀员工应当具备的多项胜任力构建各岗位胜任力模型。同时，构建者还可以针对每项胜任力准备至少一个问题，并基于各岗位的优秀员工应当具备的多项胜任力构建胜任力题库，以供胜任力模型根据招聘岗位所需的多项胜任力调取问题。

在一些优选的实施例中，区分一个岗位的优秀员工和普通员工的胜任力组合并不唯一。举例来说，针对一名优秀的办公室文员，其需要具备工作责任心、良好的沟通协调能力和时间管理能力，以确保按时完成工作。在另一方面，另一名具备工作责任心、吃苦耐劳精神和良好沟通协调能力，但不具备良好时间管理能力的办公室文员，也同样可以确保按时完成工作，也符合该岗位优秀员工的标准。此时，胜任力模型及胜任力题库的构建者也可以为同一个岗位配置多个不同的胜任力组合，以构建上述胜任力模型和胜任力题库，从而全面、个性化地网罗符合招聘岗位需求的优秀人才。

本领域的技术人员可以理解，上述构建者只是一种非限制性的描述方式，包括但不限于执行上述构建方法的技术人员，以及执行上述构建方法的处理器及其他相关设备。

在完成上述胜任力模型和胜任力题库的构建后，本领域的技术人员即可将招聘岗位的信息输入预先构建的胜任力模型，以确定招聘岗位所需的多项胜任力，从预先构建的胜任力题库中调取对应于每项胜任力的一个或多个问题，并向候选人播放每个问题的视频或音频，以进行后续训练推理模型及利用推理模型进行面试的流程。

请参考图2，图2示出了根据本发明的一些实施例提供的训练推理模型的流程示意图。

如图2所示，在本发明的一些实施例中，在推理模型的训练阶段，训练者可以首先利用上述实施例所构建的胜任力模型，确定至少一个招聘岗位所需的多项胜任力，并从上述实施例所构建的胜任力题库分别获取考核各项胜任力的问题，以构建问题集合Q[q₁,q₂,…,q_k]。之后，训练者可以招募大量候选人样本来回答这些问题，并采集各候选人样本回答这些问题的回答文本样本，以构建回答集合A[a₁,a₂,…,a_k]。再之后，训练者可以聘请人力资源领域的专家，基于上述问题集合Q及上述回答集合A，分别对各候选人样本在各项胜任力维度的能力进行评分T[t₁,t₂,…,t_k]，并对各候选人样本在招聘岗位所需的多项胜任力进行综合评分T_s，以作为后续训练推理模型的依据。在一些实施例中，对各候选人样本在各项胜任力维度的评分T，以及对各候选人样本的综合评分T_s，都可以采用三分制、五分制等多级分制的形式来进行，分数越高表示候选人样本在对应胜任力维度的能力越优秀。

在获取多名候选人样本的问题集合Q、回答集合A，以及多名候选人样本在各胜任力维度的单项评分T及综合评分T_s等样本数据后，训练者即可构建推理模型，并基于这些样本数据来训练该推理模型的信息交互模块、语义推理模块和/或结果分类模块，以使训练后的推理模型具备准确评估候选人综合胜任力的功能。

具体来说，推理模型的训练者可以首先将各回答文本样本a_i分别与其对应的问题文本q_i组成问答对样本<q_i，a_i>。之后，针对每一个问答对样本<q_i，a_i>，训练者将以句子为单位切分问题文本q_i以获取其中的多个问句样本[q_s1,q_s2,…,q_sc]，并切分回答文本样本a_i以获取其中的多个答句样本[a_s1,a_s2,…,a_sp]，其中，c表示问题文本q_i中的问句数量，p表示回答文本样本a_i中的答句数量。

之后，训练者可以利用CNN、RNN、LSTM、GRU、BERT等序列模型构成的编码模块，对各问句样本[q_s1,q_s2,…,q_sc]进行编码表示，以获取各问句样本的编码表示向量[r_qs1,r_qs2,…,r_qsc]，并对各答句样本[a_s1,a_s2,…,a_sp]进行编码表示，以获取各答句样本的编码表示向量[r_as1,r_as2,…,r_asp]。利用序列模型对文本数据进行编码表示的具体方案，可以参考专利号/申请号为202011060966.6的在先技术，在此不再赘述。

再之后，训练者可以基于图模型(包括但不限于GATConv、RelGraphConv、GCN,TAGConv构建关系图网络模块，并利用该关系图网络模块对问答对样本<q_i，a_i>的各问句样本[q_s1,q_s2,…,q_sc]及各答句样本[a_s1,a_s2,…,a_sp]进行信息交互，以表征各问句之间、各问句与各答句之间、各答句之间的深层或浅层的依赖信息(dependency information)及语义关联，从而提升人工智能对候选人各项胜任力的评估精度。

以关系图网络RelGraphConv为例，训练者可以根据问答对样本<q_i，a_i>中各问句与其余问句的编码表示向量(例如：r_qs1与r_qs2～r_qsc)、各问句与各答句的编码表示向量(例如：r_qs1与r_as1～r_asp)，以及各答句与其余答句的编码表示向量(例如：r_as1与r_as2～r_qsp)，构建关系图网络，并依靠关系图网络中各节点之间的信息传递来实现各问句之间、各问句与各答句之间、各答句之间的信息交互。

请参考图3，图3示出了根据本发明的一些实施例提供的关系图网络的示意图。

在图3所示的实施例中，问答对样本<q_i，a_i>可以包括两个问句q₁～q₂及三个答句a₁～a₃。对应地，关系图网络中可以包括q₁～q₂及a₁～a₃这五个节点。在使用关系图网络进行迭代推理时，每个节点的表示向量h_i都会基于其自身h_i和与其存在关联的邻居节点h_j进行加权整合，即

其中，w_i、w_n、w_j均为待学习权重，nc表示节点h_i的邻居节点的个数。如此，关系图网络能够依靠各节点之间的信息传递，实现各问句之间、各问句与各答句之间、各答句之间的信息交互，并表征各问句之间、各问句与各答句之间、各答句之间的语义关联。

相比于采用传统序列模型的现有技术，本发明采用图模型来对问答对样本<q_i，a_i>进行关系图网络建模，能够有效缩短各问句与各答句之间的距离，从而避免序列模型建模过程中由于句子数量过多而出现的梯度消散问题，进而保证同一问答对样本<q_i，a_i>中各问句与各答句之间因果关系的深度交互。

基于以上描述，关系图网络能够对问答对样本<q_i，a_i>中各问句样本的编码表示向量[r_qs1,r_qs2,…,r_qsc]，以及各答句样本的编码表示向量[r_as1,r_as2,…,r_asp]进行迭代推理，以获得问答对样本<q_i，a_i>中各问句样本q_si的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]及各答句样本a_si的逻辑关系表示向量[l_as1,l_as2,…,l_asp]。这些逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]及[l_as1,l_as2,…,l_asp]能够表征问答对样本<q_i，a_i>中各问句之间、各问句与各答句之间、各答句之间的语义关联。

本领域的技术人员可以理解，图3所示的只包括5个节点的关系图网络只是本发明提供的一种简易结构的实施例，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。

可选地，在另一些实施例中，针对包括大量问句节点及大量答句节点的复杂关系图网络，训练者可以根据各问答对样本<q_i，a_i>中问题文本q_i及回答文本样本a_i的语序及预设的窗口值，分别确定各问答对<q_i，a_i>中各问句节点q_si及各答句节点a_si的邻居节点。例如，针对预设窗口值为2的实施例，训练者可以将问答对样本<q_i，a_i>中与问句节点q_si的间隔小于2的所有问句节点q_s(i-1)及q_s(i+1)，以及问答对样本<q_i，a_i>中的所有答句节点a_s1～a_sp，都确定为问句节点q_si的邻居节点。同样地，训练者还可以将问答对样本<q_i，a_i>中与答句节点a_si的间隔小于2的所有答句节点a_s(i-1)及a_s(i+1)，以及问答对样本<q_i，a_i>中的所有问句节点q_s1～q_sc，都确定为答句节点a_si的邻居节点。

之后，训练者可以根据问答对样本<q_i，a_i>的各问句节点q_si及其所有邻居节点，以及问答对样本<q_i，a_i>的各答句节点a_si及其所有邻居节点，构建问答对样本<q_i，a_i>中问题文本q_i及回答文本样本a_i的关系图网络。该关系图网络能够对问答对样本<q_i，a_i>的各节点进行迭代推理，以实现各邻居节点之间的信息交互和语义关联。如此，该关系图网络即可根据问答对样本<q_i，a_i>中每一问句节点q_si及其所有邻居节点的编码表示向量，分别对各问句节点q_si的编码表示向量进行加权整合，以实现问答对样本<q_i，a_i>中每一问句节点q_si与其所有邻居节点之间的信息交互，并分别生成每一个问句节点q_si的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]。同理，该关系图网络还可以根据问答对样本<q_i，a_i>中每一答句节点a_si及其所有邻居节点的编码表示向量，分别对各答句节点a_si的编码表示向量进行加权整合，以实现问答对样本<q_i，a_i>中每一答句节点a_si与其所有邻居节点之间的信息交互，并分别生成每一个答句节点a_si的逻辑关系表示向量[l_as1,l_as2,…,l_asp]。

通过配置上述窗口值的设置接口，训练者即可根据推理模型对候选人各项胜任力的评估精度的需求，以及训练设备及面试装置的处理器的数据处理能力，设置适宜的窗口值以兼顾评估精度及处理速度这两方面的性能。窗口值的具体取值不影响本领域的技术人员构建关系图网络的基本需求，在此不做赘述。

本领域的技术人员可以理解，上述以句子为单位进行文本切分的方案只是本发明提供的一种非限制性的实施例方式，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，训练者还可以基于主-谓-宾(RDF)的三元组结构来切分问答对样本<q_i，a_i>的问题文本q_i及回答文本样本a_i，以同样获得问答对样本<q_i，a_i>的多个问句样本[q_s1,q_s2,…,q_sc]及多个答句样本[a_s1,a_s2,…,a_sp]。之后，训练者可以如上所述地对各问句样本q_si及各答句样本a_si进行编码表示，并构建关系图网络以进行各邻居节点之间的信息交互，从而同样生成各问答对样本<q_i，a_i>中各问句样本q_si的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]及各答句样本a_si的逻辑关系表示向量[l_as1,l_as2,…,l_asp]。该方案中编码表示及信息交互的具体过程与上述实施例类似，在此不再赘述。

在构建推理模型的关系图网络模块之后，训练者可以继续基于图注意力网络(Graph Attention Network，GAT)等图模型来构建语义推理模块，并利用该语义推理模块对问答对样本<q_i，a_i>的各问句样本q_si的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]，以及各答句样本a_si的逻辑关系表示向量[l_as1,l_as2,…,l_asp]进行语义推理，以进一步加强单个问答对样本<q_i，a_i>中各问句之间、各问句与各答句之间、各答句之间在语义层面的交互，从而进一步提升人工智能对候选人各项胜任力的评估精度。

具体来说，针对图3所示的关系图网络模块，其后端的语义推理模块也可以具备相同的两个问句节点q₁～q₂及三个a₁～a₃答句节点。语义推理模块与关系图网络模块的不同之处在于，语义推理模块中各问句节点q_si的表示向量h_i，不再是上述编码表示向量r_qsi，而是经过关系图网络模块推理迭代后获得的逻辑关系表示向量l_qsi。对应地，语义推理模块中各答句节点a_si的表示向量h_i，也不再是上述编码表示向量r_asi，而是经过关系图网络模块推理迭代后获得的逻辑关系表示向量l_asi。

在使用语义推理模块进行语义推理时，图注意力网络的每个节点的表示向量h_i都会基于其自身h_i和与其存在关联的邻居节点h_j进行加权整合，即

其中，w_i、w_n、w_j均为待学习权重，nc表示节点h_i的邻居节点的个数。如此，图注意力网络能够依靠各节点之间的信息传递，进行各问句之间、各问句与各答句之间、各答句之间的语义交互，从而实现各问句之间、各问句与各答句之间、各答句之间的语义推理。

相比于采用传统序列模型的现有技术，本发明采用图注意力网络模型来对问答对样本<q_i，a_i>进行语义推理建模，能够有效缩短各问句与各答句之间的距离，从而避免序列模型建模过程中由于句子数量过多而出现的梯度消散问题，进而保证同一问答对样本<q_i，a_i>中各问句与各答句之间语义的深度交互。

基于以上描述，语义推理模块能够对问答对样本<q_i，a_i>中各问句样本的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]，以及各答句样本的逻辑关系表示向量[l_as1,l_as2,…,l_asp]进行进一步的语义推理，从而分别获得各问答对样本<q_i，a_i>的语义表示向量[h₁,h₂,…,h_c+p]。该语义表示向量[h₁,h₂,…,h_c+p]能够表征各问答对样本<q_i，a_i>中各问句之间、各问句与各答句之间、各答句之间的语义关联。

在一些实施例中，针对不同候选人样本的回答文本样本中答句数量不同的情况，训练者可以进一步对得到的多个语义表示向量[h₁,h₂,…,h_c+p]进行最大池化(max-pooling)或均值池化(mean-pooling)的操作，以获取统一维度的语义表示向量H[h₁,h₂,…,h_c+p]。

在构建推理模型的语义推理模块之后，训练者可以在语义推理模块的后端进一步构建一个分类网络模块。该分类网络模块可以获取所有问答对样本<q_i，a_i>的语义表示向量H，并根据获取的所有语义表示向量H确定对应的分类结果。该分类结果指示候选人针对招聘岗位所需的多项胜任力的综合评分结果T_s。利用分类网络根据语义表示向量确定对应分类结果的基本原理，可以参考专利号/申请号为202011060966.6的在先技术，在此不再赘述。

在本发明的一些实施例中，训练者可以进一步在语义推理模块及分类网络模块之间构建一个注意力模块。该注意力模块基于上述胜任力等级来量化每个问答对样本<q_i，a_i>与综合评分结果T_s的相关程度。具体来说，响应于语义推理模块输出的一条语义表示向量h_i，注意力模块可以首先根据该语义表示向量h_i确定其对应的问答对样本<q_i，a_i>，再基于问答对样本<q_i，a_i>对应的胜任力的胜任力等级，确定该语义表示向量h_i对综合评分结果的贡献系数A_i。之后，注意力模块可以将各问答对样本<q_i，a_i>的语义表示向量h_i及其对应的贡献系数A_i成对地输入上述分类网络模块，由上述分类网络模块结合所有问答对样本<q_i，a_i>的语义表示向量H[h₁,h₂,…,h_c+p]及其对应的贡献系数A₁～A_(c+p)，以确定候选人针对招聘岗位所需的多项胜任力的综合评分结果T_s。

在一些优选的实施例中，训练者还可以在语义推理模块的后端构建一个或多个单题分类网络模块。该单题分类网络模块可以仅获取对应胜任力维度的问答对样本<q_i，a_i>的语义表示向量h_i，并根据获取的语义表示向量h_i确定对应的单题分类结果。该单题分类结果指示候选人针对招聘岗位所需的一项胜任力的单项评分结果T_i。

基于以上构建流程，训练者可以构建一个包括编码模块、关系图网络模块、语义推理模块、注意力模块、分类网络模块，以及一个或多个单题分类网络模块的推理模型。在配置一个或多个单题分类网络模块的场景中，整个推理模型可以被视作一个基于单题和多题打分的端到端的多任务模型。在未配置上述单题分类网络模块的场景中，问答对样本<q_i，a_i>的交互信息也可以通过关系图网络模块的图节点，向后端的语义推理模块、注意力模块及分类网络模块传递，以用于整个推理模型的优化。

在完成推理模型的构建流程后，训练者可以将上述多名候选人样本的问题集合Q、回答集合A，以及各候选人样本在各胜任力维度的单项评分T及综合评分T_s等样本数据，依次输入构建的推理模型以同步训练上述编码模块、关系图网络模块、语义推理模块、注意力模块、分类网络模块，和/或一个或多个单题分类网络模块的学习参数，从而使训练后的推理模型具备上述编码表示、信息交互、语义推理、贡献系数确定、综合评分及单项评分的功能。

本领域的技术人员可以理解，上述同步训练推理模型中各模块的训练方案只是本发明提供的一种非限制性的实施方式，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，训练者还可以逐步标注各模块输出的中间参数，并基于各中间参数来单独训练推理模型的各模块，以达到相同的训练效果。

本领域的技术人员还可以理解，上述训练者只是一种非限制性的描述方式，包括但不限于执行上述训练方法的技术人员，以及执行上述训练方法的处理器及其他相关设备。

在完成上述推理模型的训练后，用户即可使用本发明的第二方面提供的上述面试装置，利用预先构建的胜任力模型和胜任力题库，以及经过训练的推理模型来实施本发明的第一方面提供的上述面试方法。

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方法的流程示意图。

如图4所示，在本发明的一些实施例中，在进行一个招聘岗位的视频面试时，面试装置可以首先将指示招聘岗位的信息输入预先构建的胜任力模型，以确定该招聘岗位所需的多项胜任力。之后，面试装置可以从预先构建的胜任力题库中调取对应于每项胜任力的一个或多个问题，并向候选人播放每个问题的视频或音频来向候选人提出这多个问题。

视频面试的候选人可以根据面试装置播放的视频或音频，依次对每个问题做出回答。与此同时，面试装置可以采集候选人回答各问题的视频或音频。之后，面试装置可以先从采集到的视频中提取候选人回答内容的音频数据，再使用语音文本转录技术(AutomaticSpeech Recognition，ASR)对提取的音频数据进行语音文本转录，以获取候选人回答各问题的回答文本A[a₁,a₂,…,a_k]。

在获取候选人回答各问题的回答文本A之后，面试装置可以将各回答文本a_i分别与其对应的问题文本q_i组成问答对<q_i，a_i>。之后，面试装置可以采用与推理模型的训练流程一致的切分方式，以句子为单位，或以RDF三元组为单位，逐一将每一个问答对<q_i，a_i>的问题文本q_i切分为多个问句[q_s1,q_s2,…,q_sc]，并将每一个问答对<q_i，a_i>的回答文本a_i切分为多个答句[a_s1,a_s2,…,a_sp]，其中，c表示问题文本q_i中的问句数量，p表示回答文本a_i中的答句数量。

在切分获得各问答对<q_i，a_i>的多个问句[q_s1,q_s2,…,q_sc]及多个答句[a_s1,a_s2,…,a_sp]之后，面试装置可以利用训练好的编码模块，逐一对各问答对<q_i，a_i>的多个问句[q_s1,q_s2,…,q_sc]进行编码表示，以获取该问答对<q_i，a_i>中各问句的编码表示向量[r_qs1,r_qs2,…,r_qsc]。同样地，面试装置还可以利用该编码模块，逐一对各问答对<q_i，a_i>的多个答句[a_s1,a_s2,…,a_sp]进行编码表示，以获取该问答对<q_i，a_i>中各答句的编码表示向量[r_as1,r_as2,…,r_asp]。

在获取各问答对<q_i，a_i>中各问句的编码表示向量[r_qs1,r_qs2,…,r_qsc]及各答句的编码表示向量[r_as1,r_as2,…,r_asp]之后，面试装置可以逐一将每一个问答对<q_i，a_i>的各问句的编码表示向量[r_qs1,r_qs2,…,r_qsc]及各答句的编码表示向量[r_as1,r_as2,…,r_asp]输入训练好的关系图网络模块，利用该关系图网络模块的各节点分别对每一个问答对<q_i，a_i>的各问句及各答句进行迭代推理，以实现各问答对<q_i，a_i>中各问句及各答句之间的信息交互，并分别生成各问答对<q_i，a_i>中各问句的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]及各答句的逻辑关系表示向量[l_as1,l_as2,…,l_asp]。

具体来说，针对图3所示的节点较少的关系图网络，关系图网络模块可以依靠关系图网络中各节点之间的信息传递，实现各问句之间、各问句与各答句之间、各答句之间的信息交互，并表征各问句之间、各问句与各答句之间、各答句之间的语义关联。在使用关系图网络进行迭代推理时，关系图网络模块可以基于之前训练步骤确定的学习权重w_i、w_n、w_j，分别对每个节点的表示向量h_i进行加权整合，即

此处，各问句节点的表示向量h_i为问答对<q_i，a_i>中各问句的编码表示向量[r_qs1,r_qs2,…,r_qsc]。各答句节点的表示向量h_i为问答对<q_i，a_i>中各答句的编码表示向量[r_as1,r_as2,…,r_asp]。关系图网络模块可以对每一个问答对<q_i，a_i>的各问句的编码表示向量[r_qs1,r_qs2,…,r_qsc]，以及各答句的编码表示向量[r_as1,r_as2,…,r_asp]进行迭代，以逐一获得每一个问答对<q_i，a_i>中各问句的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]及各答句的逻辑关系表示向量[l_as1,l_as2,…,l_asp]。这些逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]及[l_as1,l_as2,…,l_asp]能够表征各问答对<q_i，a_i>中各问句之间、各问句与各答句之间、各答句之间的语义关联。

相比于采用传统序列模型的现有技术，本发明采用的图模型能够有效缩短各问句与各答句之间的距离，从而避免序列模型建模过程中由于句子数量过多而出现的梯度消散问题，进而保证同一问答对<q_i，a_i>中各问句与各答句之间因果关系的深度交互。

可选地，在本发明的另一些实施例中，针对包括大量问句节点及大量答句节点的复杂关系图网络，关系图网络模块还可以根据各问答对<q_i，a_i>中问题文本q_i及回答文本a_i的语序及预设的窗口值，分别确定各问答对<q_i，a_i>中各问句节点q_si及各答句节点a_si的邻居节点。例如，针对预设窗口值为2的实施例，关系图网络模块可以将问答对<q_i，a_i>中与问句节点q_si的间隔小于2的所有问句节点q_s(i-1)及q_s(i+1)，以及问答对<q_i，a_i>中的所有答句节点a_s1～a_sp，都确定为问句节点q_si的邻居节点。同理，关系图网络模块还可以将问答对<q_i，a_i>中与答句节点a_si的间隔小于2的所有答句节点a_s(i-1)及a_s(i+1)，以及问答对<q_i，a_i>中的所有问句节点q_s1～q_sc，都确定为答句节点a_si的邻居节点。之后，关系图网络模块可以根据问答对<q_i，a_i>中每一个问句节点q_si及其所有邻居节点的编码表示向量，分别对各问句节点q_si的编码表示向量进行加权整合，以实现问答对<q_i，a_i>中每一问句节点q_si与其所有邻居节点之间的信息交互，并分别生成每一个问句节点q_si的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]。同样地，该关系图网络还可以根据问答对<q_i，a_i>中每一个答句节点a_si及其所有邻居节点的编码表示向量，分别对各答句节点a_si的编码表示向量进行加权整合，以实现问答对<q_i，a_i>中每一答句节点a_si与其所有邻居节点之间的信息交互，并分别生成每一个答句节点a_si的逻辑关系表示向量[l_as1,l_as2,…,l_asp]。

通过配置上述窗口值的设置接口，用户可以根据推理模型对候选人各项胜任力的评估精度的需求，以及训练设备及面试装置的处理器的数据处理能力，设置适宜的窗口值以兼顾评估精度及处理速度这两方面的性能。窗口值的具体取值不影响本领域的技术人员构建关系图网络的基本需求，在此不做赘述。

在获取各问答对<q_i，a_i>中各问句q_si的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]，以及各答句a_si的逻辑关系表示向量[l_as1,l_as2,…,l_asp]之后，面试装置可以将每一个问答对<q_i，a_i>的逻辑关系表示向量[l_qs1,l_qs2,…,l_qsc]及[l_as1,l_as2,…,l_asp]，逐一输入训练好的语义推理模块，以初始化该语义推理模块的每个节点。

如上所述，语义推理模块中各问句节点q_si的表示向量h_i是经过关系图网络模块推理迭代后获得的逻辑关系表示向量l_qsi，而其中各答句节点a_si的表示向量h_i是经过关系图网络模块推理迭代后获得的逻辑关系表示向量l_asi。在使用语义推理模块进行语义推理时，训练好的图注意力网络(GAT)的每个节点的表示向量h_i都会基于其自身h_i和与其存在关联的邻居节点h_j进行加权整合，即

其中，w_i、w_n、w_j均为通过前述训练过程确定的学习权重，nc表示节点h_i的邻居节点的个数。如此，图注意力网络能够依靠各节点之间的信息传递，进行各问句之间、各问句与各答句之间、各答句之间的语义交互，从而实现各问句之间、各问句与各答句之间、各答句之间的语义推理，并分别生成各问答对<q_i，a_i>的语义表示向量[h₁,h₂,…,h_c+p]。该语义表示向量[h₁,h₂,…,h_c+p]能够表征各问答对<q_i，a_i>中各问句之间、各问句与各答句之间、各答句之间的语义关联。

相比于采用传统序列模型的现有技术，本发明采用图注意力网络模型来对问答对<q_i，a_i>进行语义推理建模，能够有效缩短各问句与各答句之间的距离，从而避免序列模型建模过程中由于句子数量过多而出现的梯度消散问题，进而保证同一问答对<q_i，a_i>中各问句与各答句之间语义的深度交互。

在一些实施例中，面试装置可以对得到的多个语义表示向量[h₁,h₂,…,h_c+p]进行最大池化(max-pooling)或均值池化(mean-pooling)的操作，以获取统一维度的语义表示向量H[h₁,h₂,…,h_c+p]。如此，即使不同候选人的回答文本中答句数量不同，后端的分类网络模块也能根据统一维度的语义表示向量H，准确地确定候选人针对招聘岗位所需的多项胜任力的综合评分结果T_s。

在利用语义推理模块生成各问答对<q_i，a_i>的语义表示向量H[h₁,h₂,…,h_c+p]之后，面试装置可以将各问答对<q_i，a_i>的语义表示向量H全部输入后端训练好的分类网络模块，并利用该分类网络模块来确定对应于所有语义表示向量H的综合分类结果。该综合分类结果指示候选人针对招聘岗位所需的多项胜任力的综合评分结果T_s。

在本发明的一些实施例中，语义推理模块及分类网络模块之间，还可以配置一个注意力模块。该注意力模块可以基于上述胜任力等级来量化每个问答对<q_i，a_i>与综合评分结果T_s的相关程度。具体来说，面试装置可以将语义推理模块输出的每一条语义表示向量h_i，逐一输入训练好的注意力模块。该注意力模块首先根据该语义表示向量h_i确定其对应的问答对<q_i，a_i>，再基于问答对<q_i，a_i>对应的胜任力的胜任力等级，确定该语义表示向量h_i对综合评分结果的贡献系数A_i。之后，注意力模块可以将各问答对<q_i，a_i>的语义表示向量h_i及其对应的贡献系数A_i成对地输入上述分类网络模块，由上述分类网络模块结合所有问答对<q_i，a_i>的语义表示向量H及其对应的贡献系数A₁～A_(c+p)，以确定候选人针对招聘岗位所需的多项胜任力的综合评分结果T_s。

在一些优选的实施例中，语义推理模块的后端还可以连接一个或多个训练好的单题分类网络模块。面试装置可以将语义推理模块输出的各条语义表示向量h_i，分别输入对应胜任力维度的单题分类网络模块，从而由该单题分类网络模块根据输入的语义表示向量h_i确定对应的单题分类结果。该单题分类结果指示候选人针对招聘岗位所需的一项胜任力的单项评分结果T_i。

如此，用户可以根据面试装置提供的综合评分结果T_s，确定候选人在招聘岗位所需的多项胜任力综合能力，从而评估是否需要录用该候选人。进一步地，用户还可以根据面试装置提供的各项单项评分结果T_i，具体地了解该候选人在各项胜任力维度的具体评分，从而为该候选人分配合适的工作岗位及工作职责，并为其制定长期的人才培养方案。

基于以上理由，本发明提供的上述面试装置能够利用预先构建并训练的胜任力模型及推理模型，对问题文本和回答文本做问答交互以提高人工智能对候选人各项胜任力的评估精度，并提供针对候选人各项胜任力的评估结果来为用人单位后续的人才任用提供指导。

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。

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 (16)

1.一种面试方法，其特征在于，包括以下步骤：

根据招聘岗位所需的多项胜任力向候选人提出多个问题；

采集所述候选人回答各所述问题的回答文本，并将各所述回答文本分别与其对应的问题文本组成问答对；

切分每一所述问答对的所述问题文本及所述回答文本，以分别获取每一所述问答对的多个问句及多个答句；以及

利用预先训练的推理模型，对各所述问答对的所述多个问句及所述多个答句进行信息交互、语义推理及结果分类，以获取所述候选人针对所述多项胜任力的综合评分结果。

2.如权利要求1所述的面试方法，其特征在于，所述根据招聘岗位所需的多项胜任力向候选人提出多个问题的步骤包括：

将所述招聘岗位输入预先构建的胜任力模型，以确定所述招聘岗位所需的多项胜任力；

从预先构建的胜任力题库中调取对应于每项所述胜任力的一个或多个问题；以及

向所述候选人播放每个所述问题的视频或音频。

3.如权利要求2所述的面试方法，其特征在于，在执行所述根据招聘岗位所需的多项胜任力向候选人提出多个问题的步骤之前，所述面试方法还包括以下步骤：

对至少一个岗位的多名员工进行采访，以获取所述多名员工的访谈记录；

按照预先定义的胜任力维度对每名所述员工的访谈记录进行评分，以获取每名所述员工在每项所述胜任力的得分；

根据工作绩效将所述多名员工分为各所述岗位的优秀员工及普通员工；

对所述优秀员工及所述普通员工在各项所述胜任力的得分进行差异检验，以确定各所述岗位的优秀员工应当具备的多项胜任力；

基于各所述岗位的优秀员工应当具备的多项胜任力构建所述胜任力模型；以及

针对每项所述胜任力准备至少一个问题，并基于所述至少一个岗位的优秀员工应当具备的多项胜任力构建所述胜任力题库。

4.如权利要求2所述的面试方法，其特征在于，所述采集所述候选人回答各所述问题的回答文本的步骤包括：

采集所述候选人回答各所述问题的视频或音频；以及

对所述视频或音频中的音频数据进行语音文本转录，以获取所述候选人回答各所述问题的回答文本。

5.如权利要求1所述的面试方法，其特征在于，所述切分每一所述问答对的所述问题文本及所述回答文本的步骤包括：

以句子为单位，切分每一所述问答对的所述问题文本及所述回答文本；或

以RDF三元组为单位，切分每一所述问答对的所述问题文本及所述回答文本。

6.如权利要求1所述的面试方法，其特征在于，所述推理模型包括预先训练的编码模块及预先训练的关系图网络模块，所述对各所述问答对的所述多个问句及所述多个答句进行信息交互、语义推理及结果分类的步骤包括：

利用所述编码模块对各所述问答对中各所述问句及各所述答句进行向量表示，以分别生成各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量；

利用所述关系图网络模块，分别对各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量进行迭代推理，以实现各所述问答对中各所述问句及各所述答句之间的信息交互，并分别生成各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量；

分别对各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量进行语义推理，以生成各所述问答对的语义表示向量；以及

根据各所述问答对的语义表示向量进行结果分类，以获取所述候选人针对所述多项胜任力的综合评分结果。

7.如权利要求6所述的面试方法，其特征在于，所述分别对各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量进行迭代推理的步骤包括：

根据各所述问答对中每一所述问句的编码表示向量、其余各所述问句的编码表示向量，以及各所述答句的编码表示向量，分别对每一所述问句的编码表示向量进行加权整合，以实现各所述问答对中每一所述问句与其余各所述问句及各所述答句的之间的信息交互，并分别生成每一所述问句的逻辑关系表示向量；以及

根据各所述问答对中每一所述答句的编码表示向量、其余各所述答句的编码表示向量，以及各所述问句的编码表示向量，分别对每一所述答句的编码表示向量进行加权整合，以实现各所述问答对中每一所述答句与其余各所述答句及各所述问句的之间的信息交互，并分别生成每一所述答句的逻辑关系表示向量。

8.如权利要求7所述的面试方法，其特征在于，所述分别对各所述问答对中各所述问句的编码表示向量及各所述答句的编码表示向量进行迭代推理的步骤进一步包括：

根据各所述问答对中所述问题文本及所述回答文本的语序，分别确定各所述问答对中各问句节点及各答句节点的邻居节点，其中，所述问句节点的邻居节点包括在所述问答对中与所述问句节点的间隔小于预设窗口值的所有问句节点，以及所述问答对中的所有答句节点，所述答句节点的邻居节点包括在所述问答对中与所述答句的间隔小于所述预设窗口值的所有答句节点，以及所述问答对中的所有问句节点；

根据各所述问答对中每一所述问句节点及其所有邻居节点的编码表示向量，分别对每一所述问句节点的编码表示向量进行加权整合，以实现各所述问答对中每一所述问句节点与其所有邻居节点之间的信息交互，并分别生成每一所述问句节点的逻辑关系表示向量；以及

根据各所述问答对中每一所述答句节点及其所有邻居节点的编码表示向量，分别对每一所述答句节点的编码表示向量进行加权整合，以实现各所述问答对中每一所述答句节点与其所有邻居节点之间的信息交互，并分别生成每一所述答句节点的逻辑关系表示向量。

9.如权利要求6所述的面试方法，其特征在于，所述推理模型还包括预先训练的语义推理模块，所述分别对各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量进行语义推理，以生成各所述问答对的语义表示向量的步骤包括：

利用所述语义推理模块，分别对各所述问答对中各所述问句的逻辑关系表示向量及各所述答句的逻辑关系表示向量进行语义推理，以实现各所述问答对中各所述问句及各所述答句之间的语义交互，并分别生成各所述问答对的语义表示向量。

10.如权利要求9所述的面试方法，其特征在于，所述推理模型还包括预先训练的分类网络模块，所述根据各所述问答对的语义表示向量进行结果分类，以获取所述候选人针对所述多项胜任力的综合评分结果的步骤包括：

将各所述问答对的语义表示向量全部输入所述分类网络模块，以获取所述候选人针对所述多项胜任力的综合评分结果。

11.如权利要求10所述的面试方法，其特征在于，所述推理模型还包括预先训练的注意力模块，所述对各所述问答对的所述语义表示向量进行结果分类的步骤进一步包括：

将各所述问答对的所述语义表示向量分别输入所述注意力模块，以分别确定各所述语义表示向量对所述综合评分结果的贡献系数；以及

将各所述问答对的所述语义表示向量及其对应的贡献系数，成对地输入所述分类网络模块，以获取所述候选人针对所述多项胜任力的综合评分结果。

12.如权利要求9所述的面试方法，其特征在于，所述推理模型还包括一个或多个预先训练的单题分类网络模块，在执行所述对各所述问答对的逻辑关系表示向量进行语义推理的步骤之后，所述面试方法还包括以下步骤：

将各所述问答对的所述语义表示向量分别输入对应的单题分类网络模块，以分别获取所述候选人针对各项所述胜任力的单项评分结果。

13.如权利要求1所述的面试方法，其特征在于，在执行所述根据招聘岗位所需的多项胜任力向候选人提出多个问题的步骤之前，所述面试方法还包括以下步骤：

根据至少一个所述招聘岗位所需的多项胜任力，分别向多名候选人样本提出多个对应的问题；

分别采集各所述候选人样本回答各所述问题的回答文本样本，并将各所述回答文本样本分别与其对应的问题文本组成问答对样本；

切分每一所述问答对样本的所述问题文本及所述回答文本样本，以获取每一所述问答对样本的多个问句样本及多个答句样本；

针对各所述候选人样本的各项所述胜任力和/或综合胜任力，对各所述候选人样本回答各所述问题的回答文本样本进行单项胜任力评分和/或综合评分；以及

利用各所述问答对样本的多个所述问句样本及多个所述答句样本，以及对应候选人样本回答各所述问题的所述单项胜任力评分和/或所述综合评分，训练所述推理模型进行所述信息交互、所述语义推理和/或所述结果分类的功能。

14.如权利要求13所述的面试方法，其特征在于，在对各所述候选人样本回答各所述问题的回答文本样本进行单项胜任力评分和/或综合评分后，所述面试方法还包括以下步骤：

利用各所述问答对样本的多个所述问句样本及多个所述答句样本，以及对应候选人样本回答各所述问题的所述单项胜任力评分和/或所述综合评分，训练所述推理模型进行编码表示、贡献系数确定和/或单项评分的功能。

15.一种面试装置，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，并被配置用于实施如权利要求1～14中任一项所述的面试方法。

16.一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1～14中任一项所述的面试方法。

Images