CN115641101A - 一种智能化招聘的方法、装置及计算机可读介质 - Google Patents

Abstract

本发明实施例提供一种智能化招聘的方法、装置及计算机可读介质，具体一实施方式包括：首先，利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；其次，获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对测试结果打分，生成测试人才画像；之后，获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对回答内容打分，生成面试人才画像；最后，对目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。由此，基于简历解析、人才测评以及远程面试三个环节进行相互佐证生成综合人才画像，提升了招聘的效率和准确率。

Description

一种智能化招聘的方法、装置及计算机可读介质

技术领域

本发明属于自然语言处理技术领域，尤其涉及一种智能化招聘的方法、装置及计算机可读介质。

背景技术

HR作为招聘中的主要责任人，投入了大量的时间，希望为企业招聘到最合适的人才。但他们普遍面临两方面的挑战：在人员筛选上低效甚至无效的工作太多；入职后目标候选人不符合岗位要求而遭淘汰。因此，HR的专业性和工作价值经常受到公司内部其他管理层的质疑。为了解决这个问题，各大招聘网站和招聘管理系统应运而生，并在很大程度上提升了HR在招人环节的效率和效果。

随着AI人工智能技术应用的日渐成熟，越来越多的企业会在传统的招聘模式基础之上，使用AI进行人才筛选，提升招聘效率。例如：基于机器人流程自动化技术的聊天机器人、基于机器学习的招聘机器人，以及基于情绪识别技术的面试机器人等层出不穷。

目前现有技术都是将AI技术应用在单个招聘环节上进行人才招聘，由于AI人工智能技术还不够成熟，尚未达到资深HR或面试官的专业水平，因此通过单个招聘环节就淘汰部分目标候选人的做法会引起HR的普遍担心和质疑。但是如果为了降低误判率就势必需要降低淘汰的条件，然而这样又会导致AI的筛选效率的下降。为此，急需要提供一种高效且准确的人才招聘系统。

发明内容

本发明提供一种智能化招聘的方法、装置及计算机可读介质。该方法基于简历解析、人才测评以及远程面试三个环节相互佐证形成综合人才画像，提升了招聘的效率和准确率。

为实现上述目的，根据本申请实施例第一方面提供一种智能化招聘的方法，所述生成方法包括：利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果打分，生成测试人才画像；获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对所述回答内容打分，生成面试人才画像；对所述目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。

优选的，所述利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像，包括：获取预设人才画像的各种标签；从标准简历中提取关键词；利用预设人才画像的各种标签对所述关键词进行匹配，得到匹配结果；基于所述匹配结果进行打分，生成简历人才画像。

优选的，所述获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果进行打分，生成测试人才画像；包括：获取预设人才画像的各种标签；针对任一标签：获取目标候选人在所述标签对应的测试内容上所做的测试结果；基于李克特量表评分等级对所述测试结果进行打分；将目标候选人在各种标签上的打分施加对应的权重，并进行加和，生成测试人才画像。

优选的，所述获取目标候选人在预设人才画像相关的面试问题上所做的回答内容，并对所述回答内容进行打分，生成面试人才画像，包括：从远程面试阶段中获取面试官语音信息和目标候选人语音信息；将所述面试官语音信息和所述目标候选人语音信息分别转换为对应的面试官文本内容和对应的目标候选人文本内容；从所述面试官文本内容中提取与预设人才画像中各种标签对应的面试问题；从所述目标候选人文本内容中提取针对所述面试问题的回答内容；基于隐马尔可夫模型对所述回答内容进行打分，生成面试人才画像。

优选的，所述生成方法还包括：利用NLP诉求模型对所述目标候选人文本内容进行分析，得到目标候选人诉求内容；从标签数据库中选取与所述目标候选人诉求内容对应的标签；基于选取的所述标签，更新所述面试人才画像。

优选的，所述标准简历通过如下方法获得：判断所接收的电子简历是否为标准格式；若否，则对所述电子简历进行文字识别，并将文字识别后的电子简历转化为标准格式；将标准格式的电子简历按照预设结构化方式进行存储，得到标准简历。

优选的，所述预设人才画像是通过如下方法获得的：获取默认人才模型；从标签数据库中提取与用户需求对应的标签；基于提取的标签对所述默认人才模型进行调整，生成预设人才画像。

为实现上述目的，根据本申请实施例第二方面还提供一种智能化招聘的装置，所述装置包括：第一生成模块，利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；第二生成模块，用于获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果打分，生成测试人才画像；第三生成模块，用于获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对所述回答内容打分，生成面试人才画像；第四生成模块，用于对所述目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。

为实现上述目的，根据本申请实施例第三方面还提供一种电子设备，所述电子设备包括：一个或多个处理器；存储装器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。

为实现上述目的，根据本申请实施例第四方面还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。

与现有技术相比，本发明实施例提供一种智能化招聘的方法、装置及计算机可读介质，所述生成方法包括：首先，利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；其次，获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果打分，生成测试人才画像；之后，获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对所述回答内容打分，生成面试人才画像；最后，对所述目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。由此，基于简历解析、人才测评以及远程面试三个环节进行相互佐证生成综合人才画像，提升了招聘的效率和准确率；解决了现有技术中由于依靠单个招聘环节的软性硬能力淘汰目标候选人导致招聘准确率下降的问题。

附图说明

后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：

图1为本发明一实施例提供的智能化招聘的方法的流程示意图。

图2为本发明一实施例中生成测试人才画像的流程示意图。

图3为本发明一实施例中生成面试人才画像的流程示意图；

图4为本发明一实施例提供的智能化招聘的装置的结构示意图。

具体实施方式

为使本发明的目的、特征、优点能够更加的明显和易懂，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实施例，而非全部实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

如图1所示，为本发明一实施例提供的智能化招聘的方法的流程示意图。

一种智能化招聘的方法，所述方法至少包括如下步骤：

S101，利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；

S102，获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对测试结果打分，生成测试人才画像；

S103，获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对回答内容打分，生成面试人才画像；

S104，对目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。

在S101中，预设人才画像用于指示招聘者根据岗位招聘需求而建立的人才画像。预设人才画像包括软性能力标签和硬性能力标签。

示例性的，获取预设人才画像的各种标签；从标准简历中提取关键词；利用预设人才画像的各种标签对提取的关键词进行匹配，得到匹配结果；基于匹配结果进行打分，生成简历人才画像。

具体地，利用隐马尔科夫统计模型从电子标准简历中提取第一类关键词和第二类关键词；其中，第一类关键词用于指示与目标候选人软性能力相关的关键词，第二类关键词用于指示与目标候选人硬性能力相关的关键词；之后将第一类关键词与预设人才画像中对应的标签进行语义相似度匹配，基于匹配结果进行打分，生成简历人才画像。例如：匹配结果表征匹配度为100％，则评分为5分；匹配结果表征匹配度为50％，则评分为3分；匹配结果表征完全没有匹配，则评分为0分。

需要说明的是，隐马尔可夫模型(Hidden Markov Model，HMM)是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程，从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析，可用于模式识别等场景。

在这里，简历人才画像包括基于匹配结果得到的画像标签，以及画像标签的评分。画像标签源于预设人才画像的标签。简历人才画像可以包含预设人才画像的所有标签，也可以仅包含预设人才画像所有标签中的一部分标签。

在S102中，预设人才画像相关的测试内容用于指示预设人才画像标签对应的测试内容，例如：一个标签对应一个测试内容，若预设人才画像有六个标签就对应有六个测试内容。分别获取目标候选人在预设人才画像各个测试内容上所做的回答内容；之后将回答内容输入预训练好的模型进行评分，生成测试人才画像。

在这里，测试人才画像包括基于测试结果得到的画像标签，以及画像标签的评分。

在S103中，预设人才画像相关的面试内容用于指示预设人才画像标签对应的面试内容，例如：一个标签对应一个面试内容，若预设人才画像有六个标签就对应有六个面试内容。分别获取目标候选人在预设人才画像各个面试内容上所做的回答内容；之后将回答内容输入预训练好的模型进行评分，生成面试人才画像。

在这里，面试人才画像包括基于回答内容得到的画像标签，以及画像标签的评分。

在S104中，由于整个招聘过程中三个阶段对应的权重不同，因此需要对目标候选人对应的简历人才画像的评分，测试人才画像的评分以及面试人才画像的评分分别施加不同的权重，并将施加权重后的各评分结果进行加和，最终形成在各个维度上的综合得分，生成综合人才画像。最后按照目标候选人对应的综合人才画像进行排名，并基于排名结果决定是否录用。

本实施例首先利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；其次获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果打分，生成测试人才画像；之后获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对所述回答内容打分，生成面试人才画像；最后对所述目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。由此，基于简历解析、人才测评以及远程面试三个环节进行相互佐证生成综合人才画像，提升了招聘的效率和准确率；解决了现有技术中由于依靠单个招聘环节的软硬能力淘汰目标候选人导致招聘准确率下降的问题。

在优选的一实施方式中，如图2所示，为本发明一实施例中生成测试人才画像的流程示意图。

生成测试人才画像，至少包括如下步骤：

S201，获取预设人才画像的各种标签；

S202，针对任一标签：获取目标候选人在标签对应的测试内容上所做的测试结果；基于李克特量表评分等级对所述测试结果进行打分；

S203，将目标候选人在各种标签上的打分施加对应的权重，并进行加和，生成测试人才画像。

具体地，根据JAVA岗位的预设人才画像获取211学校毕业、JAVA专业、积极进取、跨界思考、精益求精、用户思维等6个代表软性能力的标签，将每个标签匹配后台的测评库，形成JAVA岗位的测试内容。例如，与“积极进取”标签对应的测试内容为：在工作中经常努力让我的工作超出大家的预期？非常不符合为0分；有点不符合为1分；有点符合为2分；非常符合为3分；如果目标候选人选择了“有点符合”，则在这个题目上计分为2分；依次类推，形成目标候选人在这6个软性能力标签上的不同初始评分。由于目标候选人在6个软性能力标签上对应的权重不同，因此对6个软性能力标签对应的初始评分分别施加对应的权重形成各个维度的标准分；最后将各个维度的标准分进行加和，生成测试人才画像，即软性能力的总分数。

需要说明的是，Likert量表：李克特量表(Likert scale)是属评分加总式量表最常用的一种，属同一构念的这些项目是用加总方式来计分，单独或个别项目是无意义的。它是由美国社会心理学家李克特于1932年在原有的总加量表基础上改进而成的。该量表由一组陈述组成，每一陈述有"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五种回答，分别记为5、4、3、2、1，每个被调查者的态度总分就是他对各道题的回答所得分数的加总，这一总分可说明他的态度强弱或他在这一量表上的不同状态。

由此，能够基于预设人才画像对应的测试内容对候选人的软性能力和/者硬性能力进行测试评分，提高了测试阶段中测试效率和准确率，提高了HR的招聘效率。

在优选的另一实施方式中，如图3所示，为本发明一实施例中生成面试人才画像的流程示意图。

生成面试人才画像，至少包括如下步骤：

S301，从远程面试阶段中获取面试官语音信息和目标候选人语音信息；

S302，将面试官语音信息和目标候选人语音信息分别转换为对应的面试官文本内容和对应的目标候选人文本内容；

S303，从面试官文本内容中提取与预设人才画像中各种标签对应的面试问题；

S304，从目标候选人文本内容中提取针对面试问题的回答内容；

S305，基于隐马尔可夫模型对回答内容进行打分，生成面试人才画像。

具体地，在远程面试环节，面试官和目标候选人通过视频进行面试，语音采集系统对面试过程进行检测，识别面试官语音信息和目标候选人语音信息，并通过科大讯飞的语音转文本引擎将面试官语音信息转化为对应的面试官文本内容，并将目标候选人语音信息转化为对应的目标候选人文本内容。

根据面试官文本内容，提取面试官的面试问题，并根据预设的人才模型匹配至对应的维度。根据目标候选人文本内容，提取出目标候选人针对每个面试问题的回答内容，并通过HMM统计模型的方法识别目标候选人的回答质量，形成在该维度上的得分等级；最后基于不同维度上得分等级，生成面试人才画像。

由此，能够基于预设人才画像对应的面试内容对候选人的软性能力和/或硬性能力进行面试评分，提高了远程面试阶段中面试效率和准确率，进而简化了招聘流程，提高了HR招聘效率。

在优选的又一实施方式中，将目标候选人文本内容输入NLP诉求模型进行分析，得到诉求标签以及所述诉求标签的评分；基于所述诉求标签以及所述诉求标签的评分，更新面试人才画像。

具体地，将目标候选人文本内容作为训练样本，基于现有算法从所述训练样本中提取与诉求内容相关的关键词，并将关键词与标签数据库中的标签进行相似度匹配，基于现有算法对匹配结果进行评分，生成NLP诉求模型。在预测阶段，将目标候选人文本内容输入NLP诉求模型，输出诉求标签以及与诉求标签对应的评分。

由此，通过对候选人的诉求标签进行识别，提高了候选人对应人才画像的准确性，有利于招聘者对目标候选人的筛选，提高了招聘准确率。

在优选的又一实施方式中，所述标准简历通过如下方法获得：

S1，判断所接收的电子简历是否为标准格式；若否，则执行S2；若是，则执行S3；

S2，对电子简历进行文字识别，并将文字识别后的电子简历转化为标准格式；

S3，将标准格式的电子简历按照预设结构化方式进行存储，得到标准简历。

具体地，企业HR登陆系统，将收到的各类简历上传到系统中；系统判断简历格式是否是doc、docx。如简历格式是pdf、jpeg、png这三种格式，系统通过OCR文字识别技术，将这三种格式的简历转化成doc或docx格式的简历。将所有的简历都以doc或docx的格式保存至系统后台。针对doc或docx格式的简历，将整个简历文本进行分块，例如按照基本信息(例如姓名、性别、学历、毕业院校等字段形成的基本信息)、工作经历、实习经历，以及自我评价等维度进行分块；之后将分块后获得的结构化简历保存至系统后台。

由此，通过有效的简历筛选，提高了招聘的效率和准确率。

在优选的再一实施方式中，所述预设人才画像是通过如下方法获得的：获取默认人才模型；从标签数据库中提取与用户需求对应的标签；基于提取的标签对所述默认人才模型进行调整，生成预设人才画像。

应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在的逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

下面将结合具体应用对本实施例方法进行详细说明，具体过程如下。

S1，岗位人才模型预设环节

系统提供了三方面的标签：

姓名、年龄、学历、毕业院校类型等人口学字段；

人力资源、JAVA、哲学等专业字段；

沟通能力、跨界思考、积极进取等数十个软性能力字段，系统为每个能力配置了相应的测评工具和面试问题建议。

HR在为需招聘的岗位预设人才模型时，可以从这三类字段中选取相应的字段作为某岗位的人才模型，例如：为JAVA工程师选择211学校毕业、JAVA专业，以及积极进取、跨界思考、精益求精、用户思维等6个软性能力，作为JAVA岗位的人才模型对应的标签，并将JAVA专业毕业作为硬性能力对应的标签。

S2，简历匹配环节

当候选人投递简历之后，系统对结构性的简历进行分析，抓取里面的关键词，形成简历阶段的人才模型。系统会首先判断候选人是否是JAVA专业的，不是该专业毕业的候选人就会直接进入淘汰名单中。而对JAVA专业的候选人，会从简历的工作经历、项目经历、个人优势中抓取软性能力形成标签，并将标签和积极进取、跨界思考等6个预设软性能力标签进行匹配，如果完全匹配则该环节匹配度为100％，如果完全没有匹配则匹配度为0％，有三个标签能匹配上则为50％。

HR根据匹配度进行筛选，如将50％匹配度以下的目标候选人放进淘汰名单中，并为其他候选人安排人才测评。

S3，人才测评环节

系统根据积极进取、跨界思考等6个软性能力会匹配后台的测评库，形成JAVA岗位的测评内容，如积极进取的题目样例为：

在工作中经常努力让我的工作超出大家的预期？

0非常不符合；1有点不符合；2有点符合；3非常符合

如果候选人选择了“有点符合”，则在这个题目上计分为2分，依次类推，形成候选人在这6个软性能力上的不同初始评分，并对不同维度的初始评分施加权重，将施加权重后的评分进行加和，形成软性能力的总分数，生成测试人才画像。

候选人在此阶段可以根据总分数进行筛选，例如将总分在6分以下的候选人淘汰，为剩下的候选人安排面试。

S4，远程面试环节

系统根据JAVA岗位的人才模型，会提供相应的面试建议。比如，为了考察候选人在积极进取方面的能力，系统会提供诸如“请提供一个你认为做得比较成功的项目。别人对这个项目是如何评价的？”的问题。HR和面试官根据自己的习惯，也可以借鉴系统的面试建议问题，对候选人进行提问。系统会将候选人的回答进行语音转文本，并从中抽取候选人在“积极进取”这个维度上的关键词，并进行评分。以此类推，形成候选人在面试环节的各个能力上的表现得分，生成面试人才画像。

最后基于面试人才画像的得分筛选满足条件的目标候选人。

S5，综合人才画像环节

HR和面试官在面试结束后，系统综合展现该目标候选人在简历、测评和面试阶段三个阶段的人才画像，方便HR和面试官将自己对目标候选人的主观评估与系统的人才画像进行对照，补充对该目标候选人的评估，最终形成是否录用的决定。对于录用的目标候选人，他的人才画像信息可以由HR录入公司自己的人才管理信息系统。

对于某个岗位上有大量合适目标候选人的情况，HR可以在本阶段分别设置测评和面试的权重，如测评分数占40％，面试分数占60％，综合之后形成目标候选人的总分，并根据分数高低决定是否录用。

本发明通过简历解析、人才测评以及远程面试三个环节相互佐证形成综合人才画像，提升了招聘的效率和准确率，解决了以往单纯依靠单个招聘环节的软性能力就盲目淘汰一部分候选人导致招聘准确率下降的问题。

如图4所示，为本发明一实施例提供的人才画像生成装置的结构示意图。

一种智能化招聘的装置，该装置400包括：第一生成模块401，利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；第二生成模块402，用于获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果打分，生成测试人才画像；第三生成模块403，用于获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对所述回答内容打分，生成面试人才画像；第四生成模块404，用于对所述目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。

在优选的实施例中，第一生成模块包括：获取单元，用于获取预设人才画像的各种标签；提取单元，用于从标准简历中提取关键词；匹配单元，用于利用预设人才画像的各种标签对所述关键词进行匹配，得到匹配结果；生成单元，用于基于所述匹配结果进行打分，生成简历人才画像。

在优选的实施例中，第二生成模块包括：获取单元，用于获取预设人才画像的各种标签；打分单元，用于针对任一标签：获取目标候选人在所述标签对应的测试内容上所做的测试结果；基于李克特量表评分等级对所述测试结果进行打分；生成单元，用于将目标候选人在各种标签上的打分施加对应的权重，并进行加和，生成测试人才画像。

在优选的实施方式中，第三生成模块包括：获取单元，用于从远程面试阶段中获取面试官语音信息和目标候选人语音信息；转换单元，用于将所述面试官语音信息和所述目标候选人语音信息分别转换为对应的面试官文本内容和对应的目标候选人文本内容；第一提取单元，用于从所述面试官文本内容中提取与预设人才画像中各种标签对应的面试问题；第二提取单元，用于从所述目标候选人文本内容中提取针对所述面试问题的回答内容；生成单元，用于基于隐马尔可夫模型对所述回答内容进行打分，生成面试人才画像。

在优选的实施例中，所述装置还包括：分析模块，用于利用NLP诉求模型对所述目标候选人文本内容进行分析，得到目标候选人诉求内容；选取模块，用于从标签数据库中选取与所述目标候选人诉求内容对应的标签；更新模块，用于基于选取的所述标签，更新所述面试人才画像。

在优选的实施例中，所述标准简历通过如下方法获得：判断所接收的电子简历是否为标准格式；若否，则对所述电子简历进行文字识别，并将文字识别后的电子简历转化为标准格式；将标准格式的电子简历按照预设结构化方式进行存储，得到标准简历。

在优选的实施例中，所述预设人才画像是通过如下方法获得的：获取默认人才模型；从标签数据库中提取与用户需求对应的标签；基于提取的标签对所述默认人才模型进行调整，生成预设人才画像。

上述装置可执行本发明一实施例所提供的智能化招聘的方法，具备执行用于智能化招聘的方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的智能化招聘的方法。

本发明还提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明所述的智能化招聘的方法。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请如下各实施例的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种智能化招聘的方法，其特征在于，包括：

利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；

获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果打分，生成测试人才画像；

获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对所述回答内容打分，生成面试人才画像；

对所述目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。

2.根据权利要求1所述的生成方法，其特征在于，所述利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像，包括：

获取预设人才画像的各种标签；

从标准简历中提取关键词；

利用预设人才画像的各种标签对所述关键词进行匹配，得到匹配结果；

基于所述匹配结果进行打分，生成简历人才画像。

3.根据权利要求1所述的生成方法，其特征在于，所述获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果进行打分，生成测试人才画像；包括：

获取预设人才画像的各种标签；

针对任一标签：获取目标候选人在所述标签对应的测试内容上所做的测试结果；基于李克特量表评分等级对所述测试结果进行打分；

将目标候选人在各种标签上的打分施加对应的权重，并进行加和，生成测试人才画像。

4.根据权利要求1所述的生成方法，其特征在于，所述获取目标候选人在预设人才画像相关的面试问题上所做的回答内容，并对所述回答内容进行打分，生成面试人才画像，包括：

从远程面试阶段中获取面试官语音信息和目标候选人语音信息；

将所述面试官语音信息和所述目标候选人语音信息分别转换为对应的面试官文本内容和对应的目标候选人文本内容；

从所述面试官文本内容中提取与预设人才画像中各种标签对应的面试问题；

从所述目标候选人文本内容中提取针对所述面试问题的回答内容；

基于隐马尔可夫模型对所述回答内容进行打分，生成面试人才画像。

5.根据权利要求4所述的生成方法，其特征在于，还包括：

利用NLP诉求模型对所述目标候选人文本内容进行分析，得到目标候选人诉求内容；

从标签数据库中选取与所述目标候选人诉求内容对应的标签；

基于选取的所述标签，更新所述面试人才画像。

6.根据权利要求1所述的生成方法，其特征在于，所述标准简历通过如下方法获得：

判断所接收的电子简历是否为标准格式；

若否，则对所述电子简历进行文字识别，并将文字识别后的电子简历转化为标准格式；

将标准格式的电子简历按照预设结构化方式进行存储，得到标准简历。

7.根据权利要求1所述的生成方法，其特征在于，所述预设人才画像是通过如下方法获得的：

获取默认人才模型；

从标签数据库中提取与用户需求对应的标签；

基于提取的标签对所述默认人才模型进行调整，生成预设人才画像。

8.一种智能化招聘的装置，其特征在于，包括：

第一生成模块，利用预设人才画像对目标候选人的标准简历进行匹配，并基于匹配结果进行打分，生成简历人才画像；

第二生成模块，用于获取目标候选人在预设人才画像相关的测试内容上所做的测试结果，并对所述测试结果打分，生成测试人才画像；

第三生成模块，用于获取目标候选人在预设人才画像相关的面试内容上所做的回答内容，并对所述回答内容打分，生成面试人才画像；

第四生成模块，用于对所述目标候选人对应的简历人才画像、测试人才画像和面试人才画像施加不同的权重并进行加和，生成综合人才画像。

9.一种电子设备，其特征在于，包括：一个或多个处理器；存储装器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images