KR102671618B1

KR102671618B1 - 딥러닝에 기반한 교육 목적의 사용자 맞춤형 면접 피드백 제공 방법 및 시스템

Info

Publication number: KR102671618B1
Application number: KR1020220023478A
Authority: KR
Inventors: 박경호
Original assignee: 박경호
Priority date: 2022-02-23
Filing date: 2022-02-23
Publication date: 2024-06-03
Also published as: KR20230126390A

Abstract

상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 딥러닝 기반의 면접 피드백 제공 방법에 있어서, 불특정 다수의 사용자의 질문 및 질문별 답변을 포함하는 면접 데이터를 수집하는 단계, 상기 면접 데이터를 기업별로 분류하고, 기업별 면접 데이터를 면접 합격 여부에 따라 합격한 그룹과 불합격한 그룹으로 그룹화하는 단계, 딥러닝에 기반하여, 각 그룹 별 면접 데이터에 있어서 동일 질문별 답변에 대한 적어도 하나 이상의 공통의 특성 정보를 추출하고, 각 그룹별 적어도 하나 이상의 공통의 특성 정보 중에서 그룹 간 비교를 통해, 동일 질문별 답변에 대한 특성 정보가 서로 상이한 경우, 그룹 간 서로 상이한 특성 정보를 합격 특성 정보로 출력하는 기업별 면접 가이드 모델을 생성하는 단계, 및 사용자가 지정한 타겟 기업의 면접 가이드 모델에 기초하여, 사용자의 면접 데이터로부터 상기 합격 특성 정보에 대응되는 면접 피드백을 출력하는 단계를 포함한다.

Description

딥러닝에 기반한 교육 목적의 사용자 맞춤형 면접 피드백 제공 방법 및 시스템{METHOD AND SYSTEM FOR PROVIDING USER-CUSTOMIZED INTERVIEW FEEDBACK FOR EDUCATIONAL PURPOSES BASED ON DEEP LEARNING}

본 발명은 딥러닝에 기반한 교육 목적의 사용자 맞춤형의 면접 피드백 제공 방법 및 시스템으로, 보다 상세하게는 사용자별 면접 데이터를 기초로, 딥러닝에 기반하여 입사를 희망하는 타겟 기업에서 요구하는 면접 가이드를 사용자에게 피드백으로서 제공하는 사용자 맞춤형의 면접 피드백 제공 방법 및 시스템에 관한 것이다.

통상적으로 기업이 구직자를 선발하는 과정은, 기업이 희망하는 구인정보를 공개한 다음 구직을 희망하는 구직자로부터 구직정보가 기재된 소위 자기소개서 및 이력서를 받아 서류심사가 이루어지고, 이후 서류심사에 통과한 구직자를 대상으로 면접심사를 거쳐 최종 합격자가 선발되게 된다.

최근 들어 인터넷이 발전함에 따라 구인정보 및 구직정보를 구직자 및 기업에게 실시간으로 제공하는 다양한 구인 구직 서비스 방법이 제안되어 온라인 상에서 구인/구직이 활발하게 이루어지고 있으며, 나아가, 최근에는 통신 스트리밍 기술의 발전에 따라, 개인간 또는 다자간의 실시간 화상 채팅이 가능해져, 이를 구인 구직에 적용한 화상 면접이 이루어지고 있다.

이와 같은 화상 면접은 종래의 오프라인에서 이루어지는 면접과는 달리, 장소와 시간에 구애받지 않아, 구직자뿐만 아니라 기업로서도 구인 준비에 있어서 많은 시간을 할애하는 것을 방지하도록 하며, 상시 고용으로도 구직자와 시간을 조율하여 탄력적으로 구인을 할 수 있다는 점에서, 구인 및 구직자들 사이에서 매우 좋은 반응을 얻고 있다.

더구나, 최근 COVID 19의 확산에 따라 다수의 인원이 한자리에 모이는 것 자체가 기업 및 구직자에게 서로 부담이며, 특히 기업의 경우, 오프라인 면접시 확진자라도 발생하게 되면, 방역 절차 수행 등 기업 운영에 리스크가 크기 때문에, 구인에 있어 화상 면접을 적극적으로 채용하고 있는 실정이다.

이런 상황에서, 기업은 화상 면접의 강점을 최대한 활용하여 다양한 방식과 기준으로 구인을 위한 화상 면접을 진행하고 있으나, 구직자로서는 구직을 위해 보통 여러 기업에 동시에 지원하는 경우가 대부분이기 때문에, 기업별 화상 면접의 다양한 방식과 기준을 모두 파악하기에는 현실적으로 어려움이 있다. 또한, 면접 합격 기준 역시 기업별로 상이하기 때문에, 구직자로서는 화상 면접 준비에 어려움이 있을 수밖에 없다.

한국공개특허 10-2021-0012500(2021.02.03. 공개)

본 발명은 전술한 문제를 해결하는 것을 목적으로 한다.

본 발명의 일 목적은 사용자별 면접 데이터로부터의 텍스트로 구성된 면접 항목별 및 면접 일자별 면접 훈련 상태가 기록된 면접 훈련 일지를 피드백으로 사용자에게 제공하는 것을 목적으로 한다.

본 발명의 일 목적은 불특정 다수의 면접 데이터를 기초로, 딥러닝에 기반하여 기업별 면접 합격을 위한 면접 가이드 모델을 학습하고, 사용자가 입사를 희망하는 타겟 기업의 면접 가이드 모델에 기초하여 사용자의 면접 데이터로부터 타겟 기업이 요구하는 면접 가이드를 사용자에게 피드백으로서 제공하는 사용자 맞춤형의 면접 피드백 제공 방법 및 시스템을 제공하는 것이다.

상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 딥러닝 기반의 면접 피드백 제공 방법에 있어서, 불특정 다수의 사용자의 면접에 있어서의 질문 및 질문별 답변을 포함하는 면접 데이터를 수집하는 단계, 상기 면접 데이터를 기업별로 분류하고, 기업별 면접 데이터를 면접 합격 여부에 따라 합격한 그룹과 불합격한 그룹으로 그룹화하는 단계, 딥러닝에 기반하여, 각 그룹별 면접 데이터를 학습하여, 동일 질문별 답변에 대한 적어도 하나 이상의 공통의 특성 정보를 추출하고, 각 그룹별 적어도 하나 이상의 공통의 특성 정보 중에서 그룹 간 비교를 통해, 동일 질문별 답변에 대한 특성 정보가 서로 상이한 경우, 그룹 간 서로 상이한 특성 정보를 합격 특성 정보로 출력하는 기업별 면접 가이드 모델을 생성하는 단계, 및 사용자가 지정한 타겟 기업의 면접 가이드 모델에 기초하여, 사용자의 면접 데이터로부터 상기 합격 특성 정보에 대응되는 면접 피드백을 출력하는 단계를 포함한다.

본 발명의 일 실시예에서는, 상기 특성 정보는, 딥러닝에 기반하여 추출되는 질문별 답변의 의미 또는 형식에 대한 정보일 수 있다.

본 발명의 일 실시예에서는, 상기 면접 데이터를 수집하는 단계에서는, 사용자별 자기 소개 정보 및 직무 이력 정보 중 적어도 하나를 상기 면접 데이터에 매칭시켜 수집할 수 있다.

본 발명의 일 실시예에서는, 기업별 면접 가이드 모델을 생성하는 단계에서는, 상기 자기 소개 정보 또는 직무 이력 정보로부터 추출된 적어도 하나의 메타 데이터를 기준으로 각 그룹을 적어도 하나 이상의 구간으로 세분화하고, 상기 각 그룹별 면접 데이터를 구간별로 세분화하여 세분화된 복수의 기업별 면접 가이드 모델을 생성할 수 있다.

본 발명의 일 실시예에서는, 상기 면접 피드백을 출력하는 단계에서는, 세분화된 상기 적어도 하나 이상의 구간 중 사용자가 속하는 구간에 대응하는 기업별 면접 가이드 모델에 기초하여 면접 피드백을 출력할 수 있다.

본 발명의 일 실시예에서는, 상기 면접 데이터는 음성 데이터 또는 동영상 데이터의 형태로 수집되며, 딥러닝에 기반하여 수집된 면접 데이터로부터 질문 및 질문별 답변에 대응되는 텍스트 데이터가 추출되고, 문자 인식에 의해 추출된 키워드에 따라 미리 정해진 질문 항목으로 분류하여, 질문 항목에 따라 질문과 질문별 답변을 누적시켜 데이터베이스화할 수 있다.

본 발명의 일 실시예에서는, 상기 면접 피드백을 출력하는 단계에서는, 사용자의 면접 데이터 중에서, 상기 타겟 기업의 면접을 구성하는 적어도 하나 이상의 질문 항목과 각각 대응되는 질문 및 질문별 답변으로부터 상기 합격 특성 정보에 대응되는 면접 피드백을 출력할 수 있다.

본 발명의 일 실시예에서는, 상기 적어도 하나의 질문 항목과 각각 대응되는 질문 및 질문별 답변은, 질문 항목별로 가장 최근에 데이터베이스화된 것일 수 있다.

본 발명의 일 실시예에서는, 데이터베이스화된 질문 항목별 질문과 질문별 답변은 텍스트화하여 사용자에게 제공될 수 있다.

본 발명의 일 실시예에서는, 상기 면접 데이터는 사용자가 기업별 면접을 통해 수집되는 실전 면접 데이터와 가상의 면접 진행을 통해 수집되는 모의 면접 데이터를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 사용자별 면접 데이터로부터의 텍스트로 구성된 면접 항목별 및 면접 일자별 면접 훈련 상태가 기록된 면접 훈련 일지를 피드백으로 사용자에게 제공함으로써, 사용자는 현재 훈련 상태와 훈련이 부족한 영역을 용이하게 확인할 수 있다.

본 발명의 일 실시예에 따르면, 사용자별 면접 데이터를 분석하여, 기업별 요구하는 사용자의 면접 훈련 상태를 진단할 수 있고, 기업별 면접 합격자와 불합격자의 면접 데이터를 학습하여 생성한 기업별 면접 가이드 모델에 기초하여, 사용자의 면접 데이터로부터 입사를 희망하는 타겟 기업이 요구하는 면접 가이드를 출력하여 피드백으로 제공할 수 있다. 즉, 사용자에게 타겟 기업의 합격을 위해 현재 자신의 면접 데이터에 기초하여 분석된 면접 가이드에 따라 체계적으로 연습을 수행할 수 있는 교육 컨텐츠를 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 면접 피드백 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 중앙 서버를 설명하기 위한 블록 구성도이다.
도 3은 면접 피드백 시스템의 타겟 회사 정보를 입력받기 위한 입력창의 예시도이다.
도 4는 사용자의 이력 정보를 입력받기 위한 입력창의 예시도이다.
도 5는 도 2의 피드백 생성부를 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 딥러닝에 기반한 사용자 맞춤형의 면접 방법을 설명하기 위한 흐름도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.

본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.

본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 면접 피드백 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 사용자의 면접 이력을 이용한 사용자 맞춤형 면접 피드백 시스템(1)이 도시된다. 상기 면접 피드백 시스템(1)은, 적어도 하나의 사용자 단말(100), 중앙 서버(300) 및 적어도 하나 이상의 정보제공 서버(500)를 포함할 수 있다. 다만, 이러한 도 1의 면접 피드백 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.

이때, 도 1의 각 구성요소들은 일반적으로 네트워크(network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 중앙 서버(300)와 연결될 수 있다. 그리고, 상기 중앙 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나 이상의 정보제공 서버(500)와 연결될 수 있다. 그리고, 상기 적어도 하나 이상의 정보제공 서버(500)는, 네트워크(200)를 통하여 중앙 서버(300)와 연결될 수 있다.

여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5th Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스 (Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.

하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명 하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.

적어도 하나의 사용자 단말(100)은, 면접 피드백 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 면접 피드백 서비스를 받고자 하는 피면접자(이하, "사용자"라 칭한다.)가 이용하는 단말로, 단말의 소유 여부는 불문한다.

상기 면접 피드백 시스템(1)은, 입사 내지 합격을 위한 전형에 있어서 적어도 한차례 이상의 화상 면접을 수행하는 구인자, 기업, 기관 등(이하, 이들을 총칭하여 "기업"라 칭한다.)에 지원하여, 화상 면접을 수행하거나, 또한 화상 면접을 수행할 예정인 사용자를 대상으로 하며, 사용자는 사용자 단말(100)을 통해, 상기 중앙 서버(300)에 접속하여, 기업과 화상 면접을 수행할 수 있으며, 상기 중앙 서버(300)는 원활한 화상 면접이 이루어질 수 있도록 사용자를 지원하는 것을 전제로 한다. 또한, 상기 면접 피드백 시스템(1)은 사용자를 대상으로 사용자 단말(100)을 통해 가상 내지 모의 면접을 지원하도록 구성되며, 따라서 상기 면접 피드백 시스템(1)은, 사용자별 실전 기업과의 면접에 대한 실전면접 데이터와, 사용자별 가상 내지 모의 면접에 대한 모의 면접 데이터를 수집하고 관리하며, 이를 가공하여 피드백 서비스를 제공하도록 구성된다.

즉, 본 발명의 면접 피드백 시스템(1)은, 본 서비스를 이용하여 면접을 수행한 다수의 사용자를 대상으로 하여, 사용자별 면접 데이터를 기초로 면접 피드백을 제공하고, 사용자별로 지정한 타겟팅하는 기업의 면접 전형의 특성, 합격/불합격 여부를 결정짓는 특성을 파악하여, 면접 가이드를 설정하기 위한 피드백을 제공하는 것을 특징으로 한다.

적어도 하나의 사용자 단말(100)은, 피면접자인 사용자의 실전면접 또는 모의 면접에서의 화상 데이터 또는 음성 데이터를 포함하는 면접 데이터를 수신하기 위해 적어도 하나의 데이터 수신부를 포함한다. 예를 들어, 상기 데이터 수신부는 사용자의 화상 데이터를 수신하기 위한 카메라, 음성 데이터를 수신하기 위한 마이크 등을 포함할 수 있으며, 사용자 단말(100)에 주변기기로서 연결되거나 또는 내장되어 설치될 수 있다. 상기 사용자 단말(100)은 사용자가 수행한 면접과 관련하여 데이터 수신부에서 수집한 면접 데이터를 중앙 서버(300)로 전송하도록 구성된다. 또한, 이와 달리, 화상 데이터와 음성 데이터가 포함된 영상이 사용자 단말로부터 입력되면, 여기서 필요한 데이터를 추출하는 방식으로 데이터를 수집할 수도 있다.

여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

상기 중앙 서버(300)는, 사용자 단말(100)에 면접 피드백 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 중앙 서버(300)는, 사용자 단말(100)로부터 사용자별 면접 이력데이터를 수집하고, 이를 분석하는 서버일 수 있다. 또한, 중앙 서버(300)는, 사용자별 분석결과를 사용자 단말(100)에 피드백 형태로 전송하는 서버일 수 있다.

또한, 상기 중앙 서버(300)는, 기업별 면접을 수행한 사용자별 면접 이력데이터를 수집하고, 합격 여부에 따라 그룹별로 분류된 빅데이터를 구축한 후, 그룹별 사용자별 면접 이력데이터를 학습 및 훈련시키고, 그룹 내 유사성 및 그룹간 차이점을 분석하여, 기업별 합격 여부에 영향을 미치는 면접 특성을 출력하는 기업별 면접 평가모델을 생성하는 서버일 수 있다. 그리고, 중앙 서버(300)는, 상기 면접 평가모델의 적합성을 판단하고, 재학습을 진행하여 사용자별 면접 이력데이터를 업데이트하는 서버일 수 있다.

또한, 상기 중앙 서버(300)는, 적어도 하나의 정보 제공 서버(500)로부터 기업별 면접의 종류 등의 정보를 수집하고, 기업별 면접을 수행한 사용자별 합격 여부에 대한 정보를 수신하는 서버일 수 있다.

여기서, 중앙 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.

상기 적어도 하나 이상의 정보제공 서버(500)는, 퇴사한 기고용된 사용자별 직무 이력 정보를 제공하고, 입사에 지원한 신규의 사용자별 면접 합격 여부에 대한 정보 등을 제공하는 기업별 인사 관리 서버일 수 있다. 여기서, 적어도 하나의 정보제공 서버(500)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.

다만, 사용자별 직무 이력 정보는 사용자 단말(100)로부터 입력되는 자기 소개서 및 이력서로 갈음할 수 있으며, 사용자가 입사를 지원한 기업의 면접 합격 여부에 대한 정보는 사용자로부터 입력되는 정보에 기초하여 갈음할 수 있다. 이 경우, 선택적으로 기업별 인사 관리 서버에 확인절차를 거쳐 정보의 인증을 수행할 수 있다.

도 2는 도 1의 시스템에 포함된 중앙 서버를 설명하기 위한 블록 구성도이다.

도 2를 참조하면, 중앙 서버(300)는, 수집부(310), 추출부(320), 데이터베이스화부(330), 빅데이터 구축부(340), 피드백 생성부(350) 및 전송부(360)를 포함할 수 있다.

본 발명의 일 실시예에 따른 중앙 서버(300)는 적어도 하나의 사용자 단말(100)에 면접 피드백 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100)은, 면접 피드백 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100)에서 구동될 수도 있다.

여기서, 웹 브라우저는 웹(WWW: world wide web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(hypertext mark-up language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(app)을 포함한다.

도 3은 면접 피드백 시스템의 타겟 회사 정보를 입력받기 위한 입력창의 예시도이다. 도 4는 사용자의 이력 정보를 입력받기 위한 입력창의 예시도이다.

도 3 및 도 4를 참조하면, 사용자의 기본 정보와 과거 직무 정보가 입력되는 예시를 설명한다. 사용자는 회원가입을 통해 서비스 웹 페이지, 앱 페이지, 프로그램 애플리캐이션에 접속할 수 있으며, 로그인 후 기본 정보와 과거 직무 정보 등을 포함하는 일반 정보(51)를 입력할 수 있다. 또한, 사용자가 면접을 보고자 하는 타겟하는 회사(기업) 정보(53)를 입력할 수 있으며, 타겟하는 회사 정보는 업종별로 또는 현재 구인 중인 모집 분야에 따라 분류될 수 있다. 이에, 타겟하는 회사 정보를 입력하기 전에, 분류 선택(52) 창을 통해 업종 또는 모집 분야를 선택한 후, 각각의 분류에 속하는 회사를 선택할 수 있다. 상기 정보들은 사용자별 회원가입 시 부여된 식별코드와 매칭되어 DB 상에 저장되어 관리된다.

즉, 상기 수집부(310)는 사용자 단말(100)을 통해 입력되는 사용자의 기본 정보, 과거 직무 정보 및 타겟하는 회사 정보를 수집하여 중앙 서버에 등록하여 관리하고, 해당 정보는 면접 데이터 분석에 있어서 메타 데이터로 활용된다. 한편, 상기 사용자의 기본 정보는 도 4에 도시된 바와 같이, 별도의 입력창을 통해 정보를 수신할 수 있으며, 이와 달리 문서 형태의 자기소개서 및 이력서를 통해 제공받을 수 있다. 이 경우, 상기 사용자의 자기소개서 및 이력서는 각각 사용자의 기본 정보와 과거 직무 정보를 갈음할 수 있다. 즉, 해당 정보는 문서 형태로 중앙 서버에 등록될 수 있고, 문서에서 OCR에 의해 텍스트 데이터가 추출되어 사용자 식별코드와 매칭되어 저장될 수 있다. 한편, 사용자의 기본 정보와 과거 직무 정보는 상기 적어도 하나 이상의 정보제공 서버(500)로부터 제공받을 수도 있다.

또한, 상기 수집부(310)는, 사용자 단말(100)로부터 사용자에 대한 정보 및 화상 면접에서 기록되는 면접 데이터를 수집한다. 상기 면접 데이터에는 질문별 답변이 포함되며, 상기 면접 데이터는 구직자인 사용자와 기업의 면접관 사이에서 이루어지는 실전면접 과정에서 획득되는 실전면접 데이터와 사용자가 실전면접에 대비하기 위하여, 시스템 상에서 제공하는 모의 면접 과정에서 획득되는 모의 면접 데이터를 포함한다.

상기 면접 데이터는, 사용자가 시스템을 통해 실전면접 또는 모의 면접을 수행 시, 사용자 단말(100)로부터 수신된 각종 데이터를 포함한다. 예를 들어, 상기 면접 데이터는 화상 면접 영상에 사용자의 면접 내용이 녹음된 형태의 동영상 데이터일 수 있으며, 또는 사용자의 음성이 늑음된 형태의 음성 데이터일 수 있다. 또는 이들을 모두 포함할 수 있다.

또한, 상기 면접 데이터에는 면접 데이터별 면접 기본 정보를 포함한다. 예를 들어, 상기 면접 기본 정보는, 면접을 수행한 사용자 정보, 실전면접인지 모의면접인지 여부에 대한 면접의 종류, 실전면접인 경우 기업의 업종, 업태, 구인 분야 정보를 포함하는 기업 정보 및 합격 여부, 면접이 이루어진 일자, 직무 면접 또는 인성 면접 등 면접의 종류, 면접관이 다수인지 여부, 여러 구직자가 함께 참여하는 단체 면접인지 여부, 신입사원 구인을 위한 면접인지, 경력사원 구인을 위한 면접인지 여부 등 즉, 면접의 종류 및 방식에 대한 적어도 하나 이상의 정보를 포함한다.

또한, 추가로, 기업의 적어도 하나 이상의 면접자에 대한 정보를 더 포함할 수 있다. 해당 정보는 면접 데이터와 매칭되어 태그 정보로 기록될 수 있으며, 상기 정보에 의해 면접 데이터가 분류되어 관리될 수 있다. 한편, 면접 데이터별 합격 여부에 대한 정보는 사용자 단말(100)을 통해 사용자로부터 직접 입력되거나, 또는 적어도 하나 이상의 정보제공 서버(500)인 기업별 인사 관리 서버로부터 제공받을 수 있다.

상기 면접 데이터는 딥러닝에 기반하여 사용자에게 피드백을 제공하기 위해 분석되며, 이를 위해 불특정 다수의 면접 데이터가 수집된다. 기업별 면접 데이터는 기업 면접별 특성 및 합격 여부를 결정짓는 특성 정보 분석의 학습 데이터 셋으로 사용됨으로써, 사용자가 합격을 희망하는 기업을 타겟 기업으로 설정할 때, 해당 타겟 기업의 분석된 면접 가이드에 기초하여, 사용자의 현 상태를 분석하고, 필요한 부분에 대해 피드백을 제공할 수 있다. 여기서, 사용자의 현 상태는 현재까지 이루어진 실전 면접 데이터 및 모의 면접 데이터를 포함한다.

상기 추출부(320)는, 상기 수집부(310)에서 수집된 면접 데이터로부터 피드백 생성에 필요한 정보를 추출하도록 구성된다. 예를 들어, 면접 데이터가 화상 데이터로 구성된 경우, 사용자의 음성이 녹음된 부분의 음성 데이터를 추출하고, 해당 음성 데이터를 텍스트로 변환하거나, 추출하는 방식으로 이루질 수 있다. 또는 중간 과정을 생략하고, 화상 데이터로부터 바로 텍스트 데이터가 추출될 수 있다. 이와 달리, 면접 데이터가 음성 데이터로 구성되는 경우, 여기서 사용자의 음성 데이터를 추출하고, 해당 음성 데이터를 텍스트로 변환하거나, 추출할 수 있다. 예를 들어, 해당 과정은 딥러닝에 기반한 음성 인식 기술에 기초할 수 있으며, STT기술(Speech To Text)이 적용될 수 있다. 해당 설명은 본 발명의 범위를 벗어난 것으로 상세한 설명은 생략한다.

한편, 텍스트 데이터는 화상 면접에서 이루어진 사용자의 음성과 기업의 면접관의 음성을 분리하여 추출되며, 음성 인식은 딥러닝에 기반하여 사용자의 음성을 인식하여 추출하는 방식이거나, 또는 면접 데이터에서 사용자 단말(100)에 연결된 마이크를 통해 사용자별 음성이 입력된 구간 정보에 기초하여, 사용자의 음성 정보 추출하는 방식일 수 있다. 다만, 이에 한정되지 않는다.

이에 따라, 면접 데이터에 포함된 여러 음성 정보로부터, 사용자 음성을 추출하고, 사용자 음성 외의 면접관 음성 또는 단체 면접에서의 다른 사용자의 음성을 추출하여, 텍스트화할 수 있다. 여기서, 면접관 음성의 텍스트 데이터는 면접 질문으로 취급되어 분류되어 저장되며, 사용자 음성의 텍스트 데이터는 앞서 기록된 면접 질문에 매칭되어 질문에 대한 답변으로 취급되어 저장되어 관리된다.

또한, 상기 추출부(320)는 실전 면접 데이터에 있어서, 면접관 음성의 텍스트 데이터에 기초하여, 키워드를 추출하여 미리 정해진 질문 항목으로 면접 질문을 분류할 수 있다. 해당 분류는 질문 항목을 그룹화하기 위한 것으로, 예를 들어, 사용자별 자기 소개서에서 추출된 키워드 포함여부에 따라 면접 질문을 자기 소개서 질문 그룹으로 그룹화할 수 있다. 또한, 해당 그룹 내 질문들은 지원동기, 성장과정, 강약점, 가족사항, 성장과정 등으로 세부 분류에 따라 분류할 수 있다. 또한, 직무 면접의 경우, 기업의 업종, 업태, 구인 분야 정보 등의 기업 정보에 따라, 면접 질문 내 키워드별로 미리 정해진 항목에 따라 질문이 분류될 수 있다. 예를 들어, 기업이 금융권 기업의 경우, 질문 내 키워드에 따라 금융 이슈, 금리, 환율, 등의 항목으로 면접 질문들이 분류될 수 있다. 한편, 모의 면접 데이터의 경우, 미리 정해진 항목 내 질문들로 구성하여 모의 면접이 수행되기 때문에, 별도의 질문을 분류하는 작업은 생략할 수 있다.

이때, 질문의 그룹 개념은, 그룹의 프로파일을 기반으로 하여 그룹의 속성에 따른 유사도 계산을 통해 질문의 속성정보와 유사한 그룹을 그룹핑하는 방식일 수도 있다. 이때, 그룹의 프로파일 정보가 명확하고 다양한 속성 값을 가지는 경우, 키워드 필터링보다는 내용 기반의 질문 유사도에 따른 그룹핑 방식으로 구현될 수도 있다. 물론, 상술한 방법 이외에도 다양한 방법이 이용될 수 있으며, 질문별로 각 특성정보를 분석하여 그룹을 생성하고, 그룹별 유사도에 따라 질문을 재그룹화 할 수도 있다.

한편, 질문에 대한 답변으로서의 질문별 사용자 음성은 면접 데이터 또는 사용자에게 제공될 가공된 면접 데이터 상에 인덱스로 표시될 수 있다. 여기서 가공된 면접 데이터는 화상 데이터 또는 음성 데이터의 원본 상에 사용자의 음성에 대응되는 텍스트 구간이 인덱스로 표시된 데이터일 수 있다. 즉, 후술하는 사용자별 제공되는 면접 피드백에는 면접별 기업의 질문에 대응되는 사용자의 답변이 텍스트로 표시되며, 해당 텍스트를 클릭하거나, 또는 이에 대응되는 영역에 위치된 조작버튼을 클릭하면, 해당 텍스트에 대응되는 구간의 사용자의 음성이 출력되거나, 사용자의 음성이 포함된 동영상이 출력될 수 있다.

한편, 텍스트 데이터는 동영상 데이터로부터 비언어적 소리나 상황의 맥락 정보가 포함될 수 있다. 해당 정보는 동영상 데이터의 딥러닝에 의해 추출될 수 있다. 예를 들어, 면접 영상에서 사용자의 움직임의 변화를 추출하여, 사용자의 행동 정보를 텍스트화할 수 있다. 예를 들어, (헛)기침 소리, 손들기, 고개 흔들기, 어깨 들기 등의 사용자의 동작을 인식하여, 이를 캡션화 하여, 인식되는 텍스트 데이터에 괄호 내 정보로 포함시킬 수 있다.

상기 면접 데이터에서 추출된 사용자 음성의 텍스트 데이터는 후술하겠지만, 면접관의 질문에 매칭되어, 면접 일자, 질문 항목 등으로 분류되어, 질문과 함께 면접 피드백 정보로 사용자에게 제공될 수 있다. 이에 따라, 사용자로서는 텍스트로 구성된 면접 질문 항목별 및 면접 일자별 면접 피드백으로서 면접 훈련 일지를 제공받을 수 있으며, 이에 기초하여 사용자는 현재 훈련 상태와 취약한 항목을 용이하게 확인할 수 있다.

상기 데이터베이스화부(330)는 상기 추출부(320)에서 추출한 정보를 항목별로 레이블화된 테이블에 저장하여 데이터베이스화할 수 있다.

상기 데이터베이스화부(330)는 상기 추출부(320)에서 추출된 데이터를 미리 정해진 항목별 레이블화된 테이블에 저장하여 데이터베이스화한다. 구체적으로, 상기 데이터베이스화부(330)는 실전 면접에 있어서, 면접관들로부터의 질문을 질문별 추출된 키워드에 기초하여 미리 정해진 질문 항목으로 분류하여 데이터베이스화한다. 이에 대한 정보는 기업별 면접으로 색인될 수 있으며, 이에 따라 기업별 면접 기출 질문과, 면접 기출 질문이 속한 질문 항목에 대한 정보를 획득할 수 있다.

한편, 해당 질문 항목은 질문을 그룹화하기 위한 것으로, 세부 항목으로 구체화될 수 있다. 예를 들어, 사용자별 자기 소개서에서 추출된 키워드 포함여부에 따라 면접 질문을 자기 소개서 질문 그룹으로 그룹화할 수 있으며, 해당 그룹 내 질문들은 지원동기, 성장과정, 강약점, 가족사항, 성장과정 등으로 세부 분류에 따라 분류할 수 있다. 또한, 직무 면접의 경우, 기업의 업종, 업태, 구인 분야 정보 등의 기업 정보에 따라, 면접 질문 내 키워드별로 미리 정해진 항목에 따라 질문이 분류될 수 있다.

또한, 상기 데이터베이스화부(330)는 질문별 답변에 대한 텍스트 데이터를 질문 정보에 매칭시켜 미리 정해진 항목별 레이블화된 테이블에 누적하여 데이터베이스화할 수 있다. 사용자별 텍스트 데이터는 실전 면접 데이터와 모의 면접 데이터로부터의 텍스트 데이터를 포함한다.

또한, 상기 데이터베이스화부(330)는, 실전 면접 데이터에 있어서, 사용자 음성의 텍스트 데이터의 경우, 불특정 다수의 사용자의 텍스트 데이터가 기업별로 질문과 매칭되어 분류되고, 합격된 여부에 따라 미리 정해진 항목별 레이블화된 테이블에 저장하여 데이터베이스화할 수 있다. 예를 들어, A 기업(기업)의 실전 면접을 수행한 불특정 다수의 면접 데이터 중에서 합격자의 질문별 답변에 대한 텍스트 데이터와 불합격자의 질문별 답변에 대한 텍스트 데이터를 분류하고, 각각을 질문 항목별 레이블화된 테이블에 저장하여 데이터베이스화하며, 이를 A, B, C, D ... 등 기업별로 데이터베이스화한다.

또한, 데이터베이스화부(330)는, 기업별 면접 방식에 있어서, 어떠한 순서대로 면접이 진행되고 있는지, 어떠한 순서로 질문이 이루어지는지, 어떤 질문 항목에 대한 질문으로 구성되는지 등에 대한 면접 방식 데이터를 저장하도록 구성된다. 예를 들어, 특정 질문 항목에 있어서, 기본 질문이 여러차례 이루어지는 방식인지, 또는 기본 질문과 사용자별 답변에 기초한 연계 질문이 이어지는 방식인지 등에 대한 정보가 데이터베이스화한다. 해당 과정은 후술하는 질문별 답변으로부터 추출되는 특성 정보에 기초하여 이루어질 수 있다. 또한, 면접을 수행한 합격자 및 불합격자의 기초 정보 및 직무 이력 정보를 함께 데이터베이스화하며, 해당 정보는 동일조건의 사용자별 합격 또는 불합격 여부를 결정짓는 특성을 추출하고자, 데이터 학습 단계의 전처리 과정에 있어서 활용될 수 있다.

상기 데이터 학습부(340)는 데이터베이스화된 면접 데이터로부터 추출된 적어도 하나 이상의 정보를 학습 데이터 셋으로 하여, 사용자에게 기업별 면접 가이드를 제공하기 위해 면접 가이드 모델을 학습하도록 구성된다. 기업별 면접 가이드의 제공은, 기업별 실전 면접에서 불특정 다수의 사용자를 대상으로 이루어진 면접 결과에 따라 분류된 질문별 사용자의 답변인 텍스트 데이터를 학습함에 따라 출력될 수 있다.

예를 들어, 딥러닝에 기반한 문자 인식 모델을 이용하여, 동일 질문에 대한 적어도 하나 이상의 합격자의 답변에 대응하는 텍스트 데이터 각각의 특성 정보가 라벨링되고, 합격자들 답변의 공통된 특성 정보를 출력하도록 구성된다. 마찬가지로, 동일 질문에 대한 적어도 하나 이상의 불합격자의 텍스트 데이터 상 답변 각각의 특성 정보가 라벨링되고, 불합격자들 답변의 공통된 특성 정보를 출력하도록 구성된다. 즉, 동일 질문에 대해 분류된 합격자들의 답변과 불합격자의 답변의 적어도 하나 이상의 공통의 특성 정보가 출력되고, 질문별 합격자와 불합격자 간 특성 정보를 비교하여, 상이한 특성 정보를 면접 결과에 영향을 미친 특성 정보로 출력하는 면접 가이드 모델을 생성한다. 상기 특성 정보는 답변의 문언적 의미 또는 형식에 대한 정보로서, 질문의 성격에 따라 결정될 수 있다. 의미가 특성 정보인 경우를 예로 들어 설명하면, 합격자 군에는 특정 질문의 답변이 부정이고, 불합격자 군에는 동일한 질문에 대한 답변이 긍정인 경우, 해당 질문에 대한 답변의 의미가 면접 결과에 영향을 미친 특성 정보로 출력된다.

한편, 기업(기업)별 면접 가이드를 제공하기 위한 면접 가이드 모델을 학습할 때 트레이닝 데이터세트(Training Data set)로 상술한 데이터베이스를 이용하도록 구성된다. 이에 따라, 본 발명의 일 실시예는, 데이터베이스의 텍스트 데이터를 입력으로 받아 형태소 단위로 분석하여 텍스트 데이터로부터 유의미한 정보만을 추출하는 NLP 전처리기와 한 문장에서 추출된 모든 형태소를 미리 정한 기준에 따라 하나의 특성 정보를 라벨링하는 학습 데이터 생성기, 그리고 생성한 훈련 데이터를 학습하는 CNN 모델을 더 포함할 수도 있다.

우선, 자연어 처리를 해야 하는데, 이를 위하여, 본 발명의 일 실시예는, 학습을 위해 수집한 입력 텍스트는 한국어 단어 또는 문장 단위로 구성된다. 한글은 여러 품사가 혼재하는 복잡한 언어 구조를 가지고 있어 NLP 단계를 통해 단어 표현을 적절하게 만들어 주어야 한다. 따라서, 텍스트 파일을 입력으로 받아 형태소 분석기를 사용하여 형태소 단위로 분석한 후 기 설정된 태그에 해당하는 형태소만 추출할 수 있다. 그 다음으로, 학습 데이터 생성을 해야하는데, 한국어 자연어 처리기에서 추출한 형태소 뭉치들을 미리 정한 질문 항목에 따른 하나의 특성 정보를 라벨링하는 작업을 수행할 수 있다.

예를 들어, 라벨링되는 답변별 텍스트 데이터에 대한 특성 정보는 문언적 의미 또는 형식에 대한 정보로서, 질문의 성격에 따라 이루어질 수 있다. 예를 들어, 사용자의 긍정 부정의 의견을 구하는 질문의 경우, 답변의 의미에 있어서 긍정, 부정 또는 중립의 의미가 라벨링될 수 있으며, 답변의 형식에 있어서, 문장 구조, 주장과 이유, 형태소별 특징, 특정 키워드 포함여부, 등 다양하게 라벨링될 수 있다. 즉, 특성 정보는 복수개로 라벨링될 수 있다. 그 다음으로 CNN 모델은, 문장 내의 단어들을 저차원 벡터로 변환한 뒤, 다양한 크기의 필터를 토대로 변환된 단어 벡터와 컨볼루션(Convolution) 변환을 수행한다. 이러한 변환을 통해 얻어진 결과를 하나의 특징 벡터(Feature Vector)로의 최대 풀링(Max Pooling) 및 드롭아웃 정규화(Dropout Normalization) 과정을 거쳐 분류할 수 있다.

이때, 사용되는 데이터베이스의 텍스트는, 입력의 전처리 과정을 거친 키워드의 모음과 라벨을 콤마(Comma)로 구분하는 형식을 이용할 수 있다. 이러한 데이터를 CNN 모델의 입력으로 사용하기 위해 키워드의 모음을 리스트로 변환하여 라벨과 함께 저장하는 워드 프로세싱(word processing) 과정을 추가로 수행할 수도 있다. 이렇게 생성된 데이터의 색인을 차원이 낮은 벡터로 임베딩하는 것으로 첫번째 레이어를 구성함으로써, 형성된 저차원 벡터를 각각 크기가 다른 필터를 통해 컨볼루션 연산을 수행하고, 이를 하나의 큰 특징 벡터로 병합하는 최대 풀링 과정을 거칠 수 있다. 이때, 컨볼루션 연산을 수행한 결과에 비선형성을 적용할 수 있고, VALID(유효값) 패딩을 통하여 엣지 패딩없이 문장을 슬라이드할 수 있다. 이후, 드롭아웃 정규화 레이어를 통하여 CNN의 오버피팅을 방지할 수 있고, 해당 레이어는 뉴런의 일부를 확률적으로 비활성화하여, 뉴런의 상호 적응을 방지하고 특징을 개별적으로 학습하도록 강제할 수 있다. 마지막으로, 특징 벡터를 통한 행렬 곱셈에 따른 점수가 가장 높은 것으로 라벨을 선택하여 예측할 수 있다. 정규화 확률로 변환된 최종 점수를 토대로 분류 문제에 대한 표준 손실함수인 크로스엔트로피 손실을 사용하여 손실 및 정확도를 계산할 수 있으며, 이를 토대로 테스트 과정에서 정확도를 측정할 수 있다.

또한, 상기 데이터 학습부(340)는 데이터 학습에 있어서 사용자별 기본 정보, 자기 소개 정보 또는 직무 이력 정보에 기초한 적어도 하나의 메타 데이터를 기준으로 다수의 사용자를 적어도 하나 이상의 구간으로 분류하는 전처리 작업을 수행한 후, 동일 구간 내의 합격자 및 불합격자의 면접 데이터를 학습하도록 구성될 수 있다.

즉, 적어도 하나의 메타 데이터를 기준으로 각 그룹을 적어도 하나 이상의 구간으로 세분화하고, 상기 그룹별 면접 데이터를 구간별로 세분화하여 기업별 면접 가이드 모델을 생성한다. 전처리 작업에 의해 면접 결과에 영향을 미친 면접 데이터 이외의 특성을 배제할 수 있어, 효과적인 면접 결과에 영향을 미친 특성을 출력하는 면접 가이드 모델을 생성할 수 있다. 한편, 상기 메타 데이터는 사용자별 나이, 토익(TOEIC) 점수, 타 직무 이력 기간과 같이 수치화하여 구간으로 분류가 가능한 데이터를 포함하며, 성별, 출신 학교, 지역 정보와 같이, 수치화는 불가능하나, 미리 정해진 기준으로 분류가 가능한 데이터를 포함하며, 이밖에, 통상 면접 외적인 조건으로 합격에 영향을 미칠 수 있는 모든 메타 데이터를 포함한다. 또한, 복수의 메타 데이터의 조합에 의해 구간이 결정될 수 있다.

한편, 이 경우, 메타 데이터의 분류에 따라 면접 결과에 영향을 미친 특성가 상이한 경우는, 메타 데이터의 분류별 면접 가이드 모델을 각각 생성하고 관리하도록 구성된다. 즉, 세분화된 상기 적어도 하나 이상의 구간 중 사용자가 속하는 구간에서의 기업별 면접 가이드 모델에 기초하여 면접 피드백을 출력할 수 있다.

예를 들어, 사용자의 성별에 따라 분류하여 학습한 결과, 남성 합격자와 불합격자의 질문별 답변의 특성을 비교한 결과와 여성 합격자와 불합격자의 질문별 답변의 특성을 비교한 결과가 서로 상이한 경우, 남성 사용자를 위한 면접 가이드 모델과 여성 사용자를 위한 면접 가이드 모델을 관리하고, 피드백을 제공시에, 사용자별 성별에 따라 다른 면접 가이드 모델을 적용하여 피드백을 제공하도록 구성된다.

구체적으로, 상기 데이터 학습부(340)는, 질문별 답변에 해당하는 텍스트 데이터를 로우 데이터로서 수집하고, 로우 데이터 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터 및 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시한 후, 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시할 수 있다. 이때, 데이터 마이닝은, 전처리된 데이터 간의 내재된 관계를 탐색하여 클래스가 알려진 훈련 데이터 셋을 학습시켜 새로운 데이터의 클래스를 예측하는 분류(Classification) 또는 클래스 정보 없이 유사성을 기준으로 데이터를 그룹짓는 군집화(Clustering)를 수행할 수 있다. 물론, 이외에도 다양한 마이닝 방법이 존재할 수 있으며, 수집 및 저장되는 빅데이터의 종류나 이후에 요청될 질의(Query)의 종류에 따라 다르게 마이닝될 수도 있다. 이렇게 구축된 빅데이터는, 인공신경망 딥러닝이나 기계학습 등으로 검증과정을 거칠 수도 있다.

이때, 인공 신경망은 CNN, 또는 RNN 구조가 이용될 수 있는데, 이에 한정되지 않는다. 또한, 텍스트 마이닝(Text Mining)은 비/반정형 텍스트 데이터에서 자연어처리 기술에 기반하여 유용한 정보를 추출, 가공하는 것을 목적으로 하는 기술이다. 텍스트 마이닝 기술을 통해 방대한 텍스트 뭉치에서 의미 있는 정보를 추출해 내고, 다른 정보와의 연계성을 파악하며, 텍스트가 가진 카테고리를 찾아내거나 단순한 정보 검색 그 이상의 결과를 얻어낼 수 있다. 이를 이용하여, 본 발명의 일 실시예에 따른 맞춤형 면접 피드백 서비스에서는, 면접 데이터로 입력되는 식별자나 자연어를 분석하고, 그 안에 숨겨진 정보를 발굴해 내기 위해 대용량 언어자원과 통계적, 규칙적 알고리즘이 사용될 수 있다. 이에, 기업별 합격자 그룹 및 불합격자 그룹에서, 그룹 내 질문별 답변의 유사한 특성을 추출할 수 있고, 이를 그룹간 서로 비교하여 합격 여부를 결정짓는 특성을 추출한다.

상기 피드백 생성부(350)는, 상기 데이터베이스화부(330)에서 데이터베이스화한 데이터 및 데이터 학습부(340)에서 학습한 기업별 면접 가이드 모델 중 적어도 하나에 기초하여, 사용자 면접 데이터로부터 피드백을 생성하도록 구성된다. 상기 피드백 생성부(350)는 면접 이력 생성부(351), 면접 가이드 모델 관리부(353) 및 타겟기업별 피드백 생성부(355)를 포함한다.

상기 면접 이력 생성부(351)는, 데이터베이스화한 사용자별 면접 데이터를 이용하여, 기업별 면접, 면접 종류, 면접 일자, 질문 항목으로 분류 가능한 면접 이력을 생성하도록 구성된다. 상기 면접 이력 상에 면접 데이터는 질문과 질문에 대응되는 사용자의 답변이 매칭되는 식으로 이루어지며, 사용자 단말(100) 상의 UI/UX를 통한 사용자의 조작에 의해 선택된 분류에 따라 사용자의 면접 이력이 표시되도록 한다.

상기 면접 이력은 텍스트로 구성되며, 해당 면접 이력은 면접 데이터의 동영상 데이터 또는 음성 데이터를 텍스트 데이터와 함께 제공될 수 있다. 이 경우, 해당 동영상 데이터 또는 음성 데이터 상에는 텍스트 데이터와 매칭되는 지점에 인덱스가 포함되어, 사용자가 텍스트 영역 중 일정 구간의 클릭하면, 대응되는 영상 또는 음성이 재생되도록 할 수 있다. 한편, 인덱스 영역은 선택되는 텍스트 음절이나, 어절 단위가 아니라 최소 문장단위로 선택되는 것이 바람직하다. 즉, 사용자가 사용자 단말(100) 상으로 표시된 텍스트 데이터의 특정 단어를 클릭하면, 해당 단어가 포함된 문장에 대해 사용자의 음성 또는 영상이 출력될 수 있다.

또한, 상기 면접 이력 생성부(351)는, 사용자의 실전 면접 또는 모의 면접이 수행되어, 실전 면접 데이터 또는 모의 면접 데이터가 수집되면, 이를 기존의 관리하는 면접 이력에 업데이트하여 면접 이력을 생성하도록 한다. 이에 따라, 사용자로서는 면접 이력을 면접 훈련 일지로서 제공받을 수 있어 현재의 면접 훈련 상태를 직관적으로 파악할 수 있으며, 질문 항목별 사용자가 수행한 면접에서의 질문과 답변이 기록됨으로써 사용자는 연습이 취약한 질문 항목을 용이하게 확인할 수 있다.

상기 면접 가이드 모델 관리부(353)는 상기 데이터 학습부(340)에서 학습한 기업별 면접 가이드 모델을 관리하도록 구성된다.

상기 기업별 면접 가이드 모델은, 데이터베이스화된 면접 데이터로부터 추출된 적어도 하나 이상의 정보를 학습 데이터 셋으로 하여, 딥러닝에 기반한 학습한 결과물로서, 기업별 실전 면접에서 불특정 다수의 사용자를 대상으로 이루어진 면접 결과에 따라 분류된 질문별 사용자의 답변인 텍스트 데이터를 학습함에 따라 출력된다.

구체적으로, 학습 데이터 셋인 각 질문별 불특정 다수의 서로 다른 답변에 대응하는 텍스트 데이터 각각은 그 특성 정보가 라벨링되며, 상기 기업별 면접 가이드 모델은, 불특정 다수를 합격자 그룹과 불합격자 그룹으로 나누어 각 그룹별 적어도 하나 이상의 공통의 특성 정보에 대한 라벨링 정보에 기초한다. 즉, 양 그룹간에 라벨링 정보를 비교하여, 양 그룹 간 동일한 라벨링 정보는 배제하고, 양 그룹 간 상이한 라벨링 정보에 대해 면접 결과에 영향을 미친 특성을 면접 가이드로 출력하도록 한다. 또한, 기업별 면접 가이드 모델은, 실전 면접에 있어 누적된 질문 항목별 다수의 질문에 대해서 동일한 과정으로 반복하여 학습한 결과물로, 특정의 질문 뿐만 아니라 질문이 속한 질문 항목별, 종합적인 기업별 면접 결과에 영향을 미친 특성을 출력할 수 있다. 이에 따라, 사용자별로 타 기업의 실전 면접 또는 모의 면접에서의 면접 데이터 상에 타겟 기업의 면접을 구성하는 질문 항목별 데이터가 있는 경우, 해당 정보를 입력값으로 하여 기업별 면접 피드백을 제공할 수 있다.

한편, 이외에도 상기 기업별 면접 가이드 모델의 학습에 있어, 의미있는 정보를 추출하기 위하여, 정보 검색, 데이터 마이닝, 기계 학습(machine learning), 통계학, 컴퓨터 언어학(computational linguistics) 등이 결합되어 사용될 수 있으며, 텍스트 마이닝은 분석 대상이 형태가 일정하지 않고 다루기 힘든 비정형 데이터이므로 인간의 언어를 컴퓨터가 인식해 처리하는 자연어 처리(NLP, natural language processing) 방법을 이용할 수 있다.

상세하게는, 문서 분류(document classification), 문서 군집(document clustering), 메타데이터 추출(metedata extraction), 정보 추출(information extraction) 등으로 구분하는데, 문서 분류는 도서관에서 주제별로 책을 분류하듯이 문서의 내용에 따라 분류하는 것을 말하며, 문서 군집은 성격이 비슷한 문서끼리 같은 군집으로 묶어주는 방법이다. 이는 통계학의 방법론인 판별분석(discriminant analysis)과 군집분석(clustering)과 유사한 개념으로 분석 대상이 숫자가 아닌 텍스트라는 점에서 차이가 있다. 통상 문서 분류는 사전에 분류 정보를 알고 있는 상태에서 주제에 따라 분류하는 방법이며 문서 군집은 분류 정보를 모르는 상태에서 수행하는 방법이다. 이를 지도 학습(supervised learning), 자율 학습(unsupervised learning)이라고 부르는데, 데이터 마이닝에서도 동일한 의미로 사용하고 있다. 한편 정보 추출은 문서에서 중요한 의미를 지닌 정보를 자동으로 추출하는 방법론을 말한다. 즉, 상기 데이터 학습부(340)는 텍스트 데이터로부터 의미있는 정보를 추출하여 세부 항목별 데이터 셋을 생성하기 위하여 다양한 방법론을 사용할 수 있다.

또한, 상기 면접 가이드 모델 관리부(353)는 상기 기업별 면접 가이드 모델을 정기적 또는 이벤트 발생시 업데이트하여 관리하도록 구성하며, 업데이트된 기업별 면접 가이드 모델에 기초하여 각 학습 데이터 셋을 업데이트하도록 구성된다. 예를 들어, 이벤트는 수집되는 기업별 면접 방식이 변경되거나 또는 질문 항목이 추가되는 경우, 또는 불특정 다수로부터 기업별 면접 데이터가 추가되는 경우 등이 있을 수 있다.

또한, 상기 면접 가이드 모델 관리부(353)는 기업별 면접 가이드 모델을 관리함에 있어서, 각 기업별 면접 가이드 모델의 유사도에 기초하여 그룹화하여 관리할 수 있다. 상기 유사도는 기업별 면접 방식 및 면접을 구성하고 있는 질문 항목이 동일한 것을 전제로 하여, 동일한 질문에 대한 답변의 텍스트 데이터를 입력값으로 할 때, 동일한 결과값을 출력하는 정도를 나타내며, 상기 유사도가 미리 정한 일정 수치보다 높은 경우, 해당 기업들을 하나의 그룹으로 그룹화할 수 있다.

또한, 상기 면접 가이드 모델 관리부(353)는 특정 기업에 있어서 면접 가이드 모델 생성을 위한 기업별 면접 데이터가 부족한 경우, 다수의 기업별 면접 가이드 모델 중 기업별 면접 방식 및 면접을 구성하고 있는 질문 항목이 동일한 것을 전제로 하여, 사용자별 면접 데이터와 합격 여부 결과를 입력하여, 예측되는 합격 결과와 실제 합격 결과의 유사도가 미리 정한 일정 수치보다 높은 기업의 면접 가이드 모델을 이용하여, 피드백을 제공할 수 있다. 즉, 사용자의 타겟 기업이 면접 데이터의 부족으로 자체적인 면접 가이드 모델이 없는 경우, 타겟 기업에 유사한 면접 기준을 갖는 적어도 하나 이상의 타 기업의 면접 가이드 모델을 매칭하고, 이에 따라 타겟 기업의 면접 가이드를 대체하여 사용자에게 피드백을 제공할 수 있다.

상기 타겟기업별 피드백 생성부(355)는 사용자가 지정한 타겟 기업의 면접 가이드 모델에 기초하여, 사용자의 면접 이력 중 상기 타겟 기업의 면접 방식 및 질문 항목에 대응되는 텍스트 데이터로부터 면접 피드백을 생성하도록 구성된다. 상기 면접 피드백은 각 질문에 대한 답변에 대한 타겟 기업의 면접 가이드 모델의 출력을 통합한 것으로, 이와 함께 합격 결과가 예측될 수 있다. 이때, 입력되는 사용자의 텍스트 데이터는 가장 최신 데이터일 수 있다.

예를 들어, 사용자가 지정한 타겟 기업이 직무 관련하여 질문 항목 A, B, C에 속한 질문이 이어지는 방식으로 진행되는 경우, 사용자의 면접 이력에 기초하여 질문 항목 A, B, C에 속하는 질문 중 가장 최근 이력인 a, b, c 질문에 대한 답변의 텍스트 데이터가 피드백 생성을 위한 입력 데이터가 된다. 한편, 상기 a, b, c에 대한 텍스트 데이터는 동일 면접일 것으로 제한되지 않으며, 실전 면접 데이터인지 모의 면접 데이터인지 면접 종류를 달리해도 무방하다. 즉, 가장 최신 데이터 여부는 질문 항목별로 판단된다.

이후, 상기 타겟기업별 피드백 생성부(355)는 각 질문별 텍스트 데이터는 타겟 기업의 면접 가이드 모델에 입력되어, 질문별 면접 결과에 영향을 미치는 특성을 기준으로 질문별 텍스트 데이터로부터 추출된 특성 정보가 합격자 그룹에 속하는 지 또는 불합격자 그룹에 속하는지 여부를 분석하고, 특정 질문에 대한 텍스트 데이터가 불합격자 그룹에 속하는 것으로 분석된 경우, 이와 비교되는 합격자 그룹의 답변으로부터의 특성 정보를 해당 질문에 대한 답변으로 피드백을 제공하도록 구성된다. 이와 달리, 특정 질문에 대한 텍스트 데이터가 합격자 그룹에 속하는 것으로 분석된 경우, 이와 비교되는 불합격자 그룹의 답변으로부터의 특성 정보를 피드백으로 제공하여, 사용자에게 알릴 수 있다.

상기 위의 예에서, 질문별 면접 결과에 영향을 미치는 특성을 기준으로 질문별 사용자의 답변에 대한 텍스트 데이터가 질문 a 및 b의 경우, 불합격자 그룹에 속하고, 질문 c의 경우 합격자 그룹에 속하는 경우, 질문 a 및 b에 대한 답변의 텍스트 상에 합격자 그룹의 답변의 공통된 특성 정보를 면접 피드백으로 생성할 수 있으며, 추가로, 질문 c에 대한 답변의 텍스트 상에 불합격자 그룹의 답변의 공통된 특성 정보를 면접 피드백으로 제공할 수 있다. 즉, 본 실시예에 따른 상기 타겟기업별 피드백 생성부는 사용자에게 타겟 기업의 합격을 위해 현재 자신의 면접 데이터에 기초하여 분석된 면접 가이드에 따라 체계적으로 연습을 수행할 수 있는 교육 컨텐츠를 제공할 수 있다.

한편, 이 경우, 상기 타겟기업별 피드백 생성부(355)는 질문별 면접 결과에 영향을 미치는 특성을 기준으로 각 질문별 사용자의 답변이 합격자 그룹과 불합격자 그룹에 어느 정도 일치하는지 유사도 값에 기초하여, 사용자의 타겟 기업의 면접 합격 확률을 산출할 수 있다. 예를 들어, 질문별 답변의 유사도 값을 합산하여 합격 여부가 결정될 수 있다. 예를 들어, 위의 예에서, a, b에 대한 답변은 각각 불합격 그룹의 특성값에 80%, 60%이고, c에 대한 답변은 합격 그룹에 70%인 경우, -80%(a 질문) + -60%(b 질문) + 70%(c 질문) = -70%에 의해 불합격할 확률이 70%로 결과가 예측될 수 있다. 다만 이에 한정되지 않으며, 다양한 산술식이 이용될 수 있다.

상기 전송부(360)는, 사용자별 면접 이력 및 타겟 기업의 피드백을 사용자 요청에 의해 사용자 단말(100)로 전송할 수 있다. 또는, 정기적인 피드백 시기에 도달할 경우, 피드백 정보를 누적하여 리스트업하여 전송할 수도 있다. 이에 따라, 사용자 단말(100)은, 면접 이력 데이터에 기반하여 피드백 정보를 제공받을 수 있다.

이에 따르면, 본 발명은 사용자별 면접 데이터를 분석하여, 기업별 요구하는 사용자의 면접 훈련 상태를 진단할 수 있고, 기업별 면접 합격자와 불합격자의 면접 데이터를 학습하여 생성한 기업별 면접 가이드 모델에 기초하여, 사용자의 면접 데이터로부터 입사를 희망하는 타겟 기업이 요구하는 면접 가이드를 출력하여 피드백으로 제공할 수 있다.

이하, 도 6을 참조하여, 본 발명의 일 실시예에 따른 딥러닝에 기반한 사용자 맞춤형의 면접 피드백 제공 방법을 설명한다.

도 6은 본 발명의 일 실시예에 따른 딥러닝에 기반한 사용자 맞춤형의 면접 방법을 설명하기 위한 흐름도이다.

도 1 내지 도 6을 참조하면, 사용자 맞춤형의 면접 피드백 제공 방법은, 면접 데이터를 수집하는 단계(S100), 기업별 면접 데이터를 합격 여부에 따라 그룹화하는 단계(S200), 기업별 면접 가이드 모델을 생성하는 단계(S300); 사용자별 타겟 기업에 대한 면접 피드백 출력하는 단계(S400) 및 면접 피드백을 전송하는 단계(S500)를 포함한다.

상기 면접 데이터를 수집하는 단계(S100)에서는 불특정 다수의 사용자의 면접에 있어서의 질문 및 질문별 답변을 포함하는 면접 데이터를 수집한다.

구체적으로, 사용자 단말(100)로부터 사용자에 대한 정보 및 화상 면접에서 기록되는 면접 데이터를 수집한다. 상기 면접 데이터에는 질문별 답변이 포함되며, 상기 면접 데이터는 구직자인 사용자와 기업의 면접관 사이에서 이루어지는 실전면접 과정에서 획득되는 실전면접 데이터와 사용자가 실전면접에 대비하기 위하여, 시스템 상에서 제공하는 모의 면접 과정에서 획득되는 모의 면접 데이터를 포함한다.

또한, 상기 면접 데이터를 수집하는 단계에서는, 사용자별 자기 소개 정보 및 직무 이력 정보 중 적어도 하나를 상기 면접 데이터에 매칭시켜 수집된다. 또한, 상기 면접 데이터에는 면접 데이터별 면접 기본 정보를 포함한다. 예를 들어, 상기 면접 기본 정보는, 면접을 수행한 사용자 정보, 실전면접인지 모의면접인지 여부에 대한 면접의 종류, 실전면접인 경우 기업의 업종, 업태, 구인 분야 정보를 포함하는 기업 정보 및 합격 여부, 면접이 이루어진 일자, 직무 면접 또는 인성 면접 등 면접의 종류, 면접관이 다수인지 여부, 여러 구직자가 함께 참여하는 단체 면접인지 여부, 신입사원 구인을 위한 면접인지, 경력사원 구인을 위한 면접인지 여부 등 즉, 면접의 종류 및 방식에 대한 적어도 하나 이상의 정보를 포함한다.

또한, 추가로, 기업의 적어도 하나 이상의 면접자에 대한 정보를 더 포함할 수 있다. 해당 정보는 면접 데이터와 매칭되어 태그 정보로 기록될 수 있으며, 상기 정보에 의해 면접 데이터가 분류되어 관리될 수 있다.

기업별 면접 데이터를 합격 여부에 따라 그룹화하는 단계(S200)에서는, 수집한 면접 데이터 중 실전 면접 데이터에 기초하여, 기업별로 합격한 합격자의 면접 데이터를 그룹화하고, 불합격한 불합격자의 면접 데이터를 그룹화한다. 즉, 상기 면접 데이터를 기업별로 분류하고, 기업별 면접 데이터를 면접 합격 여부에 따라 합격한 그룹과 불합격한 그룹으로 그룹화할 수 있다.

한편, 면접 데이터별 합격 여부에 대한 정보는 사용자 단말(100)을 통해 사용자로부터 직접 입력되거나, 또는 적어도 하나 이상의 정보제공 서버(500)인 기업별 인사 관리 서버로부터 제공받을 수 있다.

기업별 면접 가이드 모델을 생성하는 단계(S300)에서는, 딥러닝에 기반하여 질문별 답변에 대한 합격자 그룹과 불합격자 그룹 각각의 그룹별 공통의 특성 정보를 추출하고, 공통의 특성 정보 중에서 그룹간 상이한 특성을 합격 특성 정보로 출력하는 기업별 면접 가이드 모델을 생성한다.

즉, 딥러닝에 기반하여, 각 그룹 별 면접 데이터에 있어서 동일 질문별 답변에 대한 적어도 하나 이상의 공통의 특성 정보를 추출하고, 각 그룹별 적어도 하나 이상의 공통의 특성 정보 중에서 그룹 간 비교를 통해, 동일 질문별 답변에 대한 특성 정보가 서로 상이한 경우, 그룹 간 서로 상이한 특성 정보를 합격 특성 정보로 출력하는 기업별 면접 가이드 모델을 생성한다.

구체적으로, 데이터베이스화된 면접 데이터로부터 추출된 적어도 하나 이상의 정보를 학습 데이터 셋으로 하여, 사용자에게 기업별 면접 가이드를 제공하기 위해 면접 가이드 모델을 학습하도록 구성된다. 기업별 면접 가이드의 제공은, 기업별 실전 면접에서 불특정 다수의 사용자를 대상으로 이루어진 면접 결과에 따라 분류된 질문별 사용자의 답변인 텍스트 데이터를 학습함에 따라 출력될 수 있다.

한편, 기업별 면접 가이드를 제공하기 위한 면접 가이드 모델을 학습할 때 트레이닝 데이터세트(Training Data set)로 상술한 데이터베이스를 이용하도록 구성된다. 이에 따라, 본 발명의 일 실시예는, 데이터베이스의 텍스트 데이터를 입력으로 받아 형태소 단위로 분석하여 텍스트 데이터로부터 유의미한 정보만을 추출하는 NLP 전처리기와 한 문장에서 추출된 모든 형태소를 미리 정한 기준에 따라 하나의 특성 정보를 라벨링하는 학습 데이터 생성기, 그리고 생성한 훈련 데이터를 학습하는 CNN 모델을 더 포함할 수도 있다.

사용자별 타겟 기업에 대한 면접 피드백 출력하는 단계(S400)에서는, 사용자별로 타겟 기업으로 지정한 기업의 면접 가이드 모델에 기초하여, 사용자별 면접 데이터로부터 면접 피드백을 출력한다. 즉, 사용자가 지정한 타겟 기업의 면접 가이드 모델에 기초하여, 사용자의 면접 데이터로부터 상기 합격 특성 정보에 대응되는 면접 피드백을 출력한다.

구체적으로, 사용자가 지정한 타겟 기업의 면접 가이드 모델에 기초하여, 사용자의 면접 이력 중 상기 타겟 기업의 면접 방식 및 질문 항목에 대응되는 텍스트 데이터로부터 면접 피드백을 생성하도록 구성된다. 상기 면접 피드백은 각 질문에 대한 답변에 대한 타겟 기업의 면접 가이드 모델의 출력을 통합한 것으로, 이와 함께 합격 결과가 예측될 수 있다. 이때, 입력되는 사용자의 텍스트 데이터는 가장 최신 데이터일 수 있다.

이후, 각 질문별 텍스트 데이터는 타겟 기업의 면접 가이드 모델에 입력되어, 질문별 면접 결과에 영향을 미치는 특성을 기준으로 질문별 텍스트 데이터로부터 추출된 특성 정보가 합격자 그룹에 속하는 지 또는 불합격자 그룹에 속하는지 여부를 분석하고, 특정 질문에 대한 텍스트 데이터가 불합격자 그룹에 속하는 것으로 분석된 경우, 이와 비교되는 합격자 그룹의 답변으로부터의 특성 정보를 해당 질문에 대한 답변으로 피드백을 제공하도록 구성된다. 이와 달리, 특정 질문에 대한 텍스트 데이터가 합격자 그룹에 속하는 것으로 분석된 경우, 이와 비교되는 불합격자 그룹의 답변으로부터의 특성 정보를 피드백으로 제공하여, 사용자에게 알릴 수 있다.

한편, 이 경우, 상기 타겟기업별 피드백 생성부(355)는 질문별 면접 결과에 영향을 미치는 특성을 기준으로 각 질문별 사용자의 답변이 합격자 그룹과 불합격자 그룹에 어느 정도 일치하는지 유사도 값에 기초하여, 사용자의 타겟 기업의 면접 합격 확률을 산출할 수 있다.

면접 피드백을 전송하는 단계(S500)에서는, 주기적 또는 사용자의 새로운 면접 데이터가 수집된 경우, 그에 해당되는 면접 피드백을 생성하여, 사용자에게 제공된다.

본 발명의 일 실시예에 따르면, 사용자별 면접 데이터를 분석하여, 기업별 요구하는 사용자의 면접 훈련 상태를 진단할 수 있고, 기업별 면접 합격자와 불합격자의 면접 데이터를 학습하여 생성한 기업별 면접 가이드 모델에 기초하여, 사용자의 면접 데이터로부터 입사를 희망하는 타겟 기업이 요구하는 면접 가이드를 출력하여 피드백으로 제공할 수 있다.

전술한 본 발명의 일 실시예에 따른 맞춤형 면접 피드백 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션 (즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 면접 수강 이력관리를 이용한 맞춤형 면접 피드백 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 특성는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 특성들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드(또는, 애플리케이션이나 소프트웨어)로서 구현하는 것이 가능하다. 상술한 고장 진단 장치의 고장 진단 방법은 메모리 등에 저장된 코드에 의하여 실현될 수 있다.

컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 프로세서를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 사용자 단말
200: 네트워크
300: 중앙서버
310: 수집부
320: 추출부
330: 데이터베이스화부
340: 데이터 학습부
350: 피드백 생성부
360: 전송부

Claims

중앙 서버에 의해 수행되는 딥러닝 기반의 면접 피드백 제공 방법에 있어서,
불특정 다수의 사용자의 면접에 있어서의 질문 및 질문별 답변을 포함하는 면접 데이터를 수집하는 단계;
상기 면접 데이터를 기업별로 분류하고, 기업별 면접 데이터를 면접 합격 여부에 따라 합격한 그룹과 불합격한 그룹으로 그룹화하는 단계;
딥러닝에 기반하여, 각 그룹별 면접 데이터를 학습하여, 동일 질문별 답변에 대한 적어도 하나 이상의 공통의 특성 정보를 추출하고, 각 그룹별 적어도 하나 이상의 공통의 특성 정보 중에서 그룹 간 비교를 통해, 동일 질문별 답변에 대한 특성 정보가 서로 상이한 경우, 그룹 간 서로 상이한 특성 정보를 합격 특성 정보로 출력하는 기업별 면접 가이드 모델을 생성하는 단계; 및
사용자가 지정한 타겟 기업의 면접 가이드 모델에 기초하여, 사용자의 면접 데이터로부터 상기 합격 특성 정보에 대응되는 면접 피드백을 출력하는 단계를 포함하되,
상기 면접 가이드 모델에 의해,
상기 사용자의 면접 데이터에 포함된 답변이 상기 합격한 그룹과 상기 불합격한 그룹 중 어느 하나에 속하는 것으로 결정되고,
상기 면접 피드백을 제공하는 단계에서는,
상기 답변이 상기 합격한 그룹에 속하는 것으로 결정되면 상기 불합격한 그룹에 속하는 답변이 상기 면접 피드백에 포함되어서 제공되고, 상기 답변이 상기 불합격한 그룹에 속하는 것으로 결정되면 상기 합격한 그룹에 속하는 답변이 면접 피드백으로서 제공되며,
상기 사용자의 면접 데이터를 기반으로 각각의 질문별 답변에 대해 상기 합격한 그룹 및 상기 불합격한 그룹 각각에 대한 일치 정도를 나타내는 유사도 값을 산출하고,
상기 합격한 그룹 및 상기 불합격한 그룹 각각에 대해 산출된 유사도 값 중 어느 하나를 각각의 질문별 답변에 대해 선정 및 상기 각각의 질문별 답변에 대해 선정된 유사도를 합산하여 합격 확률을 예측하고,
상기 예측된 합격 확률이 상기 면접 피드백으로서 더 제공되는
면접 피드백 제공 방법.
제1 항에 있어서,
상기 특성 정보는, 딥러닝에 기반하여 추출되는 질문별 답변의 의미 또는 형식에 대한 정보인 것을 특징으로 하는 면접 피드백 제공 방법.
제1 항에 있어서,
상기 면접 데이터를 수집하는 단계에서는, 사용자별 자기 소개 정보 및 직무 이력 정보 중 적어도 하나를 상기 면접 데이터에 매칭시켜 수집하는 것을 특징으로 하는 면접 피드백 제공 방법.
제3 항에 있어서,
기업별 면접 가이드 모델을 생성하는 단계에서는, 상기 자기 소개 정보 또는 직무 이력 정보로부터 추출된 적어도 하나의 메타 데이터를 기준으로 각 그룹을 적어도 하나 이상의 구간으로 세분화하고, 상기 각 그룹별 면접 데이터를 구간별로 세분화하여 세분화된 복수의 기업별 면접 가이드 모델을 생성하는 것을 특징으로 하는 면접 피드백 제공 방법.
제4 항에 있어서,
상기 면접 피드백을 출력하는 단계에서는, 세분화된 상기 적어도 하나 이상의 구간 중 사용자가 속하는 구간에 대응하는 기업별 면접 가이드 모델에 기초하여 면접 피드백을 출력하는 것을 특징으로 하는 면접 피드백 제공 방법.
제1 항에 있어서,
상기 면접 데이터는 음성 데이터 또는 동영상 데이터의 형태로 수집되며,
딥러닝에 기반하여 수집된 면접 데이터로부터 질문 및 질문별 답변에 대응되는 텍스트 데이터가 추출되고, 문자 인식에 의해 추출된 키워드에 따라 미리 정해진 질문 항목으로 분류하여, 질문 항목에 따라 질문과 질문별 답변을 누적시켜 데이터베이스화하는 것을 특징으로 하는 것을 특징으로 하는 면접 피드백 제공 방법.
제6 항에 있어서,
상기 면접 피드백을 출력하는 단계에서는, 사용자의 면접 데이터 중에서, 상기 타겟 기업의 면접을 구성하는 적어도 하나 이상의 질문 항목과 각각 대응되는 질문 및 질문별 답변으로부터 상기 합격 특성 정보에 대응되는 면접 피드백을 출력하는 것을 특징으로 하는 것을 특징으로 하는 면접 피드백 제공 방법.
제7 항에 있어서,
상기 적어도 하나의 질문 항목과 각각 대응되는 질문 및 질문별 답변은, 질문 항목별로 가장 최근에 데이터베이스화된 것을 특징으로 하는 면접 피드백 제공 방법.
제6 항에 있어서,
데이터베이스화된 질문 항목별 질문과 질문별 답변은 텍스트화하여 사용자에게 제공되는 것을 특징으로 하는 면접 피드백 제공 방법.
제1 항에 있어서,
상기 면접 데이터는 사용자가 기업별 면접을 통해 수집되는 실전 면접 데이터와 가상의 면접 진행을 통해 수집되는 모의 면접 데이터를 포함하는 것을 특징으로 하는 면접 피드백 제공 방법.