CN110472647B - 基于人工智能的辅助面试方法、装置及存储介质 - Google Patents

基于人工智能的辅助面试方法、装置及存储介质 Download PDF

Info

Publication number
CN110472647B
CN110472647B CN201810443339.7A CN201810443339A CN110472647B CN 110472647 B CN110472647 B CN 110472647B CN 201810443339 A CN201810443339 A CN 201810443339A CN 110472647 B CN110472647 B CN 110472647B
Authority
CN
China
Prior art keywords
interview
parameter distribution
description information
post
type
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.)
Active
Application number
CN201810443339.7A
Other languages
English (en)
Other versions
CN110472647A (zh
Inventor
申大忠
祝恒书
马超
朱琛
熊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN201810443339.7A priority Critical patent/CN110472647B/zh
Priority to US16/406,893 priority patent/US20190347600A1/en
Publication of CN110472647A publication Critical patent/CN110472647A/zh
Application granted granted Critical
Publication of CN110472647B publication Critical patent/CN110472647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于人工智能的辅助面试方法、装置及存储介质，该方法包括接收岗位的描述信息，以及接收各应聘者的描述信息；基于预先训练的辅助面试模型，确定岗位的描述信息对应的第一参数分布，以及确定各应聘者的描述信息对应的第二参数分布，其中，第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况；根据第一参数分布和第二参数分布，确定岗位与每个应聘者之间的匹配程度；筛选出符合预设第一条件的匹配程度对应目标应聘者。通过本发明能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，有效避免传统面试中的主观性和片面性，提升面试效果。

Description

基于人工智能的辅助面试方法、装置及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于人工智能的辅助面试方法、装置及存储介质。
背景技术
在如今知识经济的时代，人才招聘已经成为影响企业发展前景的重要因素。在传统的招聘过程中，面试官通过与应聘者面对面地交谈进行双向沟通，对被面试者专业技术、综合能力等方面素质进行考察，并决定最终面试结果。
这种方式下，面试结果取决于面试官个人经验及偏好的影响，以及，取决于面试官的领域知识中可获取的数据，缺乏客观数据的支撑，面试效果不佳。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于人工智能的辅助面试方法，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，有效避免传统面试中的主观性和片面性，提升面试效果。
本发明的另一个目的在于提出一种基于人工智能的辅助面试装置。
本发明的另一个目的在于提出一种非临时性计算机可读存储介质。
本发明的另一个目的在于提出一种计算机程序产品。
为达到上述目的，本发明第一方面实施例提出的基于人工智能的辅助面试方法，包括：接收岗位的描述信息，以及接收各应聘者的描述信息；基于预先训练的辅助面试模型，确定所述岗位的描述信息对应的第一参数分布，以及确定所述各应聘者的描述信息对应的第二参数分布，其中，所述第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，所述第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况；根据所述第一参数分布和所述第二参数分布，确定岗位与每个应聘者之间的匹配程度；筛选出符合预设第一条件的匹配程度对应目标应聘者。
本发明第一方面实施例提出的基于人工智能的辅助面试方法，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
为达到上述目的，本发明第二方面实施例提出的基于人工智能的辅助面试装置，包括：接收模块，用于接收岗位的描述信息，以及接收各应聘者的描述信息；第一确定模块，用于基于预先训练的辅助面试模型，确定所述岗位的描述信息对应的第一参数分布，以及确定所述各应聘者的描述信息对应的第二参数分布，其中，所述第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，所述第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况；第二确定模块，用于根据所述第一参数分布和所述第二参数分布，确定岗位与每个应聘者之间的匹配程度；选取模块，用于筛选出符合预设第一条件的匹配程度对应目标应聘者。
本发明第二方面实施例提出的基于人工智能的辅助面试装置，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
为达到上述目的，本发明第三方面实施例提出的非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器被执行时，使得移动终端能够执行一种基于人工智能的辅助面试方法，所述方法包括：接收岗位的描述信息，以及接收各应聘者的描述信息；基于预先训练的辅助面试模型，确定所述岗位的描述信息对应的第一参数分布，以及确定所述各应聘者的描述信息对应的第二参数分布，其中，所述第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，所述第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况；根据所述第一参数分布和所述第二参数分布，确定岗位与每个应聘者之间的匹配程度；筛选出符合预设第一条件的匹配程度对应目标应聘者。
本发明第三方面实施例提出的非临时性计算机可读存储介质，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
为达到上述目的，本发明第四方面实施例提出的计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行一种基于人工智能的辅助面试方法，所述方法包括：接收岗位的描述信息，以及接收各应聘者的描述信息；基于预先训练的辅助面试模型，确定所述岗位的描述信息对应的第一参数分布，以及确定所述各应聘者的描述信息对应的第二参数分布，其中，所述第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，所述第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况；根据所述第一参数分布和所述第二参数分布，确定岗位与每个应聘者之间的匹配程度；筛选出符合预设第一条件的匹配程度对应目标应聘者。
本发明第四方面实施例提出的计算机程序产品，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例提出的基于人工智能的辅助面试方法的流程示意图；
图2是本发明另一实施例提出的基于人工智能的辅助面试方法的流程示意图；
图3是本发明另一实施例提出的基于人工智能的辅助面试方法的流程示意图；
图4为本发明实施例中目标模型的示意图；
图5是本发明一实施例提出的基于人工智能的辅助面试装置的结构示意图；
图6是本发明另一实施例提出的基于人工智能的辅助面试装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一实施例提出的基于人工智能的辅助面试方法的流程示意图。
本实施例以基于人工智能的辅助面试方法被配置为基于人工智能的辅助面试装置中来举例说明。
本实施例中基于人工智能的辅助面试方法可以被配置在基于人工智能的辅助面试装置中，基于人工智能的辅助面试装置可以设置在服务器中，或者也可以设置在电子设备中，本发明实施例对此不作限制。
本实施例以基于人工智能的辅助面试方法被配置在电子设备中为例。
其中，电子设备例如智能手机、平板电脑、个人数字助理、电子书等具有各种操作***的硬件设备。
需要说明的是，本发明实施例的执行主体，在硬件上可以例如为服务器或者电子设备中的中央处理器(Central Processing Unit，CPU)，在软件上可以例如为服务器或者电子设备中的相关的后台服务，对此不作限制。
在如今知识经济的时代，人才招聘已经成为影响企业发展前景的重要因素。在传统的招聘过程中，面试官通过与应聘者面对面地交谈进行双向沟通，对被面试者专业技术、综合能力等方面素质进行考察，并决定最终面试结果。
这种方式下，面试结果取决于面试官个人经验及偏好的影响，以及，取决于面试官的领域知识中可获取的数据，缺乏客观数据的支撑，面试效果不佳。
为了解决上述问题，本发明实施例提供的基于人工智能的辅助面试方法，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，有效避免传统面试中的主观性和片面性，提升面试效果。
参见图1，该方法包括：
S101：接收岗位的描述信息，以及接收各应聘者的描述信息。
其中，岗位可以例如人力资源岗位、技术类岗位，行政类岗位等。
岗位的描述信息，例如为岗位对应的具体的招聘需求，岗位的描述信息可以以文本的形式呈现。
各应聘者的描述信息，例如为简历中的自我介绍、工作经验，项目经历等内容。
各应聘者的描述信息可以以文本的形式呈现。
本发明实施例在具体执行的过程中，可以在电子设备上提供一个录入接口，以使通过该录入接口接收用户录入的岗位的描述信息，以及各应聘者的描述信息。
可以理解的是，在实际的面试场景中，针对一个岗位，可能接收到一位或者多位应聘者的简历，本发明实施例中为了基于人工智能技术从提升面试效率，可以首先采用相关技术中的数据挖掘技术，对接收到的各应聘者的简历中的数据进行抽取，得到其中的应聘者的描述信息，还可以在相关的招聘网站界面上，提取该岗位的描述信息，或者，直接接收用户录入的岗位的描述信息，和应聘者的描述信息，对此不作限制。
S102：基于预先训练的辅助面试模型，确定岗位的描述信息对应的第一参数分布，以及确定各应聘者的描述信息对应的第二参数分布，其中，第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况。
其中，辅助面试模型是基于历史面试记录相关的面试数据训练得到的，该面试数据例如为招聘面试过程中所记录的文本数据，该文本数据可以从百度人才智库项目数据库中收集。
该文本数据具体例如为，历史面试记录过程中，每个岗位的岗位要求描述，应聘者的简历信息，面试官对每个应聘者的面试评语，以及所有面试官参加每场面试时所处的职位类别(例如，技术类面试官，综合类面试官)。
针对该辅助面试模型的训练方法可以参见下述实施例。
本发明实施例中为了将实际获取的各种描述信息，与基于人工智能所训练得到的辅助面试模型相结合，可以基于预先训练的辅助面试模型，确定岗位的描述信息对应的参数分布，该参数分布可以被称为第一参数分布，并确定各应聘者的描述信息对应的参数分布，该参数分布可以被称为第二参数分布，则针对每位应聘者的描述信息，均会对应一个第二参数分布。
其中的第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况。
第一参数分布和第二参数分布，可以具体采用参数的形式表示。
本发明中，可以先确定文本形式的各描述信息对应的词分布，而后，采用连续多变量概率分布(例如，狄利克雷分布)根据对应的词分布推导出话题分布，对此不作限制。
或者，也可以将各描述信息对应的词分布，分别作为预先训练的辅助面试模型，得到与各描述信息对应的参数分布。
例如，在给定一个新的岗位的描述信息Jnew(应聘者的描述信息Rnew),通过把预先训练的辅助面试模型中，其它类别的文本数据(简历的描述信息与面试评语/岗位的描述信息与面试评语)均设置为空，利用预先训练的辅助面试模型，可以得到岗位的描述信息Jnew的话题分布θJ new，以及应聘者的描述信息Rnew的话题分布θR new。
S103：根据第一参数分布和第二参数分布，确定岗位与每个应聘者之间的匹配程度。
上述步骤中确定岗位与每个应聘者之间的匹配程度的示例可以如下：
而在根据第一参数分布和第二参数分布，确定岗位与每个应聘者之间的匹配程度时，可以将θJ new与θR new的相似度(相似度例如，余弦相似度或者相对熵)作为岗位的描述信息Jnew与应聘者的描述信息Rnew的匹配程度的度量，并将该度量作为岗位与每个应聘者之间的匹配程度。
本发明实施例在具体执行的过程中，由于θJ new与θR new维数可能不同，可以用
Figure BDA0001656588860000061
求取得到的
Figure BDA0001656588860000062
替换θR new,其中Ck为θR new所有分量中由
Figure BDA0001656588860000063
生成的分量集合。另一方面，把两个表征向量θJ new与θR new拼接作为特征输入，训练一个分类器(该分类器例如为，随机森林分类器)，而训练该分类器后得到的预测概率值也可以作为岗位与每个应聘者之间的匹配程度。
S104：筛选出符合预设第一条件的匹配程度对应目标应聘者。
其中的目标应聘者为与当前所应聘岗位的匹配程度较高的应聘者。
通过根据匹配程序从多位应聘者中筛选出目标应聘者，能够直接将匹配程度较高的应聘者的信息提供给面试官作面试参考，使其能够更快地确定合适的岗位人选，因此，有效提升了面试效果。
本实施例还为了从技术上实现从多个应聘者中筛选出目标应聘者，还设置了预设第一条件，该预设第一条件可以是用户根据实际的面试场景需求进行设定的，或者，也可以是电子设备的出厂程序预先设定的，预设第一条件可以具体为一个数据范围，或者一个数值阈值。
在上述步骤确定出岗位与每个应聘者之间的匹配程度，可以将每个匹配程度与该预设第一条件进行匹配，并将匹配成功的匹配程度对应应聘者选定为目标应聘者。
本实施例中，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
图2是本发明另一实施例提出的基于人工智能的辅助面试方法的流程示意图。
参见图2，该方法包括：
S201：接收岗位的描述信息，以及接收各应聘者的描述信息。
S202：基于预先训练的辅助面试模型，确定岗位的描述信息对应的第一参数分布，以及确定各应聘者的描述信息对应的第二参数分布，其中，第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况。
S203：根据第一参数分布和第二参数分布，确定岗位与每个应聘者之间的匹配程度。
S204：筛选出符合预设第一条件的匹配程度对应目标应聘者。
S205：根据目标应聘者的描述信息对应的第一参数分布，结合预设问题集中各问题的第三参数分布，生成与每个目标应聘者对应的推荐问题集，其中，第三参数分布用于指示各问题所涉及话题的分布情况。
其中，预设问题集中可以包括多个问题，该多个问题为可以供面试官借鉴，对应聘者进行提问。
该预设问题集可以是预先生成的，具体可以经由对互联网中海量的面试问题进行学习、搜集所生成。
相对于相关技术中面试结果取决于面试官的领域知识中可获取的数据，缺乏客观数据的支撑，本发明实施例通过配置预设问题集，通过对目标应聘者的描述信息所涉及话题的分布情况，以及预设问题集中各问题所涉及话题的分布情况进行模型分析，可以得到每个问题与目标应聘者之间的相关程度。
本实施例中，可以根据目标应聘者的描述信息所对应的第一参数分布，分别结合每个问题的第三参数分布，训练一个目标函数，获取训练每个目标函数所得到的训练结果，得到与每个目标函数对应的训练结果，筛选出训练结果符合预设第二条件的目标函数所对应的问题，根据筛选出的各问题生成与每个目标应聘者对应的推荐问题集。
作为一种示例，本实施例中可以从历史面试记录过程中的优秀面试评语中收集预设问题集
Figure BDA0001656588860000071
本实施例中可以从预设问题集中筛选出固定大小的合适的问题子集
Figure BDA0001656588860000072
|X|＝L作为推荐问题集，以推荐给面试官。可以通过把预设问题集中的各问题qi看作面评的一部分，利用上述S102中预先训练的辅助面试模型，确定出各问题对应的第三参数分布
Figure BDA0001656588860000073
而针对上述S102中，对于一条岗位的描述信息，或者一位应聘者的描述信息γ，同样，可以得到其话题分布(第一参数分布或者第三参数分布)
Figure BDA0001656588860000074
在得到前述的数据之后，本实施例中为了推荐高质量的推荐问题集，一方面，推荐的问题要与γ相关，另一方面，问题之间要有一定的多样性，为此需要同时兼顾推荐问题集X的相似性与多样性。本发明实施例可以训练如下的一个目标函数，并将训练目标配置为使得目标函数的输出值最大化：
Figure BDA0001656588860000075
其中，
Figure BDA0001656588860000076
与
Figure BDA0001656588860000077
为正则化项，0<μ<1。
其中使得目标函数的输出值最大化的训练目标即可被称为预设第二条件。
S206：将推荐问题集提供至面试官，以辅助面试官对目标应聘者进行面试。
本实施例中，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
本发明实施例中，可以筛选出能够使得上述目标函数的输出值最大化的第三参数分布所对应的问题，根据筛选出的各问题生成与每个目标应聘者对应的推荐问题集，从而实现对每个目标应聘者，生成具有针对性的推荐问题集，使得各不同应聘者的面试问题更具有针对性，因而，提升面试效果。另外本发明可以从岗位与每个应聘者之间的匹配程度和生成推荐问题集，两个方面给面试官提供了智能化的辅助建议，能够有效地降低面试官的工作负担，提高了面试流程的效率。并且，由于本发明使用机器替代了面试官的部分工作(例如，对岗位与每个应聘者之间的匹配程度进行度量，构思推荐问题集)，可以很好的节约公司人力资源，降低面试成本。
图3是本发明另一实施例提出的基于人工智能的辅助面试方法的流程示意图。
其中，图3所示实施例用于示意上述的辅助面试模型的训练过程。
参见图3，该方法包括：
S301：获取历史面试记录相关的多种类型的数据集，每种类型的数据集中包括：多个数据，以及每个数据的描述信息。
其中，辅助面试模型是基于历史面试记录相关的面试数据训练得到的，该面试数据例如为招聘面试过程中所记录的文本数据，该文本数据可以从百度人才智库项目数据库中收集。
该文本数据具体例如为，历史面试记录过程中，每个岗位的岗位要求描述，应聘者的简历信息，面试官对每个应聘者的面试评语，以及所有面试官参加每场面试时所处的职位类别(例如，技术类面试官，综合类面试官)。
可选地，多种类型的数据集包括：
岗位类型的数据集，岗位类型的数据集中包括：多个岗位，以及每个岗位的描述信息；
简历类型的数据集，简历类型的数据集中包括：多个简历标识以及每个简历的描述信息；
面试评语类型的数据集，面试评语类型的数据集中包括：多个面试类别，以及每个面试类别对应的面试评语，以及作出面试评语的面试官的身份标识；
面试官信息类别的数据集，面试官信息类别的数据集中包括：多个岗位类别，以及每个岗位类别对应的级别，岗位类别标识面试官所处岗位的类别。
本实施例在执行过程中，为减少数据偏差，需对上一步所收集的相关的面试数据进行清洗和预处理，可以确定面试官信息类别的数据集中各面试官所处岗位的级别；确定小于预设阈值的级别所隶属面试官的身份标识并作为目标身份标识；从面试评语类型的数据集中，对目标身份标识所对应的面试评语的描述信息进行删除处理，通过该步骤，可以实现选用经验丰富的面试官参与的招聘面试记录来训练得到辅助面试模型，使得辅助面试模型的评估更为精准，从另外一个维度提升面试效果。
或者，也可以执行以下步骤来减少数据偏差，包括但不限以下步骤：
1、数据筛选，对相关的面试数据进行预筛选，具体方法包括但不限于：筛选经验丰富的面试官参与的招聘面试记录；解析岗位要求、简历与面试评语文本，抽取其中有效的信息，去除与招聘面试无关的信息(例如，应聘者姓名与联系方式)。
2、数据清洗，对筛选后的面试数据进一步清洗，具体包括但不限于分词处理、停用词移除、无意义高频和低频词移除。
3、数据表示，将非格式化的面试数据表示为计算机易于处理的格式化形式，具体方法包括但不限于向量空间模型、词袋模型。
4、数据聚合，把面试数据中，对同一应聘者经历的所有面试评语进行拼接处理，并根据面试官所处岗位的类别(例如技术类面试官，综合类面试官)为面试评语中的每一个单词确定标签(例如，技术类面试TI，综合类面试CI)，形成(简历，面评)匹配对，该匹配对可以被称为预设匹配对。最后，以岗位为单位把申请同一岗位的(简历，面评)匹配对进行聚合，形成集合。
S302：确定第一类型的数据集中，每个数据的描述信息对应的第四参数分布，并确定第二类型的数据集中，每个数据的描述信息对应的第五参数分布，确定第三类型的数据集中，每个数据的描述信息对应的第六参数分布，以及根据第四数据集确定第七参数。
其中的第一类型的数据集为岗位类型的数据集，岗位类型的数据集中包括：多个岗位，以及每个岗位的描述信息。
第二类型的数据集为简历类型的数据集，简历类型的数据集中包括：多个简历标识以及每个简历的描述信息。
第三类型的数据集为面试评语类型的数据集，面试评语类型的数据集中包括：多个面试类别，以及每个面试类别对应的面试评语，以及作出面试评语的面试官的身份标识。
第四类型的数据集为面试官信息类别的数据集，面试官信息类别的数据集中包括：多个岗位类别，以及每个岗位类别对应的级别，岗位类别标识面试官所处岗位的类别。
其中，第四参数分布、第五参数分布，以及第六参数分布，分别用于指示第一类型的数据集、第二类型的数据集，以及第三类型的数据集中，每种数据的描述信息所包含的关键词的分布情况。
根据第三数据集，可以得到与每个第六参数分布相对应的面试官岗位类别标识作为第七参数。
S303：根据第四参数分布、第五参数分布，第六参数分布以及第七参数训练目标模型，并将训练后的目标模型作为辅助面试模型。
可选地，目标模型为人工智能中的概率模型，该概率模型是基于人工智能的联合感知学习技术所生成的。
参见图4，图4为本发明实施例中目标模型的示意图。上述的第四参数分布、第五参数分布，以及第六参数分布对应图4中wJ，wR，wE，上述的第七参数为图4中的I。
该概率模型可以具体例如为贝叶斯网络模型，该模型可以用于学习招聘面试中岗位的描述信息、简历的描述信息，以及面试评语三者之间的潜在话题与相互关系。
作为一种示例，假定清洗和预处理后的面试数据中有|M|个岗位，第m个岗位
Figure BDA0001656588860000101
有Dm个应聘者申请，即对应Dm个(简历，面评)预设匹配对
Figure BDA0001656588860000102
其中，
Figure BDA0001656588860000103
为简历的描述信息，
Figure BDA0001656588860000104
为面试评语(其中，
Figure BDA0001656588860000105
为单词的表示)。
本发明实施例中为了训练人工智能中的概率模型，可以假设岗位的描述信息、简历的描述信息与面试评语，该三种类型的数据具有各自的话题集合
Figure BDA0001656588860000106
本发明实施例中还考虑到面试官，一般情况下根据应聘者简历进行面试流程设计，因此，可以假定同一(简历，面评)预设匹配对(Rmd，Emd)之间，共享同一个话题分布
Figure BDA0001656588860000107
其次，应聘者通常根据岗位的实际招聘需求来撰写简历，而且，不同经历的应聘者可能都是同一岗位的合适人选。因此，基于实际的应用场景中的前述特征，简历的描述信息与岗位的描述信息所涉及话题之间，存在着强关联关系，但二者所涉及的话题多样性，可能存在差异。
因此，本发明实施例中还可以假设(简历，面评)预设匹配对所涉及的话题分布
Figure BDA0001656588860000108
是由以岗位的描述信息所涉及的话题分布
Figure BDA0001656588860000109
的拓展向量
Figure BDA00016565888600001010
为平均值参数的高斯分布生成的，其中，
Figure BDA00016565888600001011
是由C个
Figure BDA00016565888600001012
向量首尾相连得到。
基于上述假设关系由此推导出，话题集合
Figure BDA00016565888600001013
的大小关系为|kR|＝|kE|＝C|kJ|＝CK。同时，技术类面试评语与综合类面试评语所涉及的话题
Figure BDA00016565888600001014
明显不同。
因此，本发明实施例中还可以通过描述信息中所包含的关键词的分布情况，根据其中每个关键词的面试类别标签来选择生成该关键词所涉及的话题分布
Figure BDA00016565888600001015
进一步地，作为一种示例，参见下述：
1、对于岗位的描述信息、简历的描述信息与面试评语，可以预先分别生成三者所涉及话题分布的关键词分布，
Figure BDA00016565888600001016
其中，k＝1，...，K，k′＝1，...，CK。
2、对于每一个岗位Jm，首先狄利克雷分布生成所涉及的话题分布
Figure BDA00016565888600001017
再由
Figure BDA00016565888600001018
生成岗位的描述信息中每个关键词的话题下标
Figure BDA0001656588860000111
生成每个关键词
Figure BDA0001656588860000112
而后，对于申请此岗位的每一个(简历，面评)预设匹配对生成其所涉及的话题分布
Figure BDA0001656588860000113
3、由
Figure BDA0001656588860000114
生成简历中每个关键词所涉及的话题下标
Figure BDA0001656588860000115
生成简历中的每个关键词
Figure BDA0001656588860000116
其中，
Figure BDA0001656588860000117
为逻辑斯蒂变换
Figure BDA0001656588860000118
4、由
Figure BDA0001656588860000119
生成面试评语中每个关键词的话题下标
Figure BDA00016565888600001110
5、根据
Figure BDA00016565888600001111
生成面试评语中每个关键词时需要考虑面试类别的影响，即，若Imde＝TI，则
Figure BDA00016565888600001112
而若Imde＝CI，则
Figure BDA00016565888600001113
本发明实施例可以训练如下的目标模型，并将训练目标配置为使得目标模型的输出值最大化，使得目标模型的输出最大化时的目标模型即为本发明实施例中训练得到的辅助面试模型。
Figure BDA00016565888600001114
本实施例中，通过预先训练一个辅助面试模型，由于是基于海量优秀面试过程中所记录的文本数据驱动的模型，不再局限于单个面试官，而是学习与继承了大量优秀面试官的面试经验与领域知识，挖掘其中有价值的话题所生成的，有效地避免传统面试中的主观性和片面性的问题，使评估结果更加客观。并且，用于训练人工智能中的概率模型的优秀面试记录数据越多，越多样，模型效果越好。因此，通过从人才智库项目数据库中收集面试数据，随着公司中面试记录文本数据的日益增多，能够进一步有效提升模型评估效果，能够保障模型的可持续性。
图5是本发明一实施例提出的基于人工智能的辅助面试装置的结构示意图。
参见图5，该装置500包括：接收模块501、第一确定模块502、第二确定模块503，以及选取模块504，其中，
接收模块501，用于接收岗位的描述信息，以及接收各应聘者的描述信息。
第一确定模块502，用于基于预先训练的辅助面试模型，确定岗位的描述信息对应的第一参数分布，以及确定各应聘者的描述信息对应的第二参数分布，其中，第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况。
第二确定模块503，用于根据第一参数分布和第二参数分布，确定岗位与每个应聘者之间的匹配程度。
选取模块504，用于筛选出符合预设第一条件的匹配程度对应目标应聘者。
可选地，一些实施例中，参见图6，该装置500还包括：
生成模块505，用于根据目标应聘者的描述信息对应的第一参数分布，结合预设问题集中各问题的第三参数分布，生成与每个目标应聘者对应的推荐问题集，其中，第三参数分布用于指示各问题所涉及话题的分布情况。
提供模块506，用于将推荐问题集提供至面试官，以辅助面试官对目标应聘者进行面试。
可选地，一些实施例中，参见图6，生成模块505，包括：
训练子模块5051，用于根据目标应聘者的描述信息所对应的第一参数分布，分别结合每个问题的第三参数分布，训练一个目标函数。
获取子模块5052，用于获取训练每个目标函数所得到的训练结果，得到与每个目标函数对应的训练结果。
选取子模块5053，用于筛选出训练结果符合预设第二条件的目标函数所对应的问题。
生成子模块5054，用于根据筛选出的各问题生成与每个目标应聘者对应的推荐问题集。
可选地，一些实施例中，参见图6，该装置500还包括：
获取模块507，用于获取历史面试记录相关的多种类型的数据集，每种类型的数据集中包括：多个数据，以及每个数据的描述信息。
第三确定模块508，用于确定第一类型的数据集中，每个数据的描述信息对应的第四参数分布，并确定第二类型的数据集中，每个数据的描述信息对应的第五参数分布，确定第三类型的数据集中，每个数据的描述信息对应的第六参数分布，以及根据第四数据集确定第七参数。
训练模块509，用于根据第四参数分布、第五参数分布，第六参数分布以及第七参数训练目标模型，并将训练后的目标模型作为辅助面试模型。
其中，第四参数分布、第五参数分布，以及第六参数分布，分别用于指示第一类型的数据集、第二类型的数据集，以及第三类型的数据集中，每种数据的描述信息所包含的关键词的分布情况。
可选地，一些实施例中，多种类型的数据集包括：
岗位类型的数据集，岗位类型的数据集中包括：多个岗位，以及每个岗位的描述信息；
简历类型的数据集，简历类型的数据集中包括：多个简历标识，以及每个简历的描述信息；
面试评语类型的数据集，面试评语类型的数据集中包括：多个面试类别，以及每个面试类别对应的面试评语，以及作出面试评语的面试官的身份标识；
面试官信息类别的数据集，面试官信息类别的数据集中包括：多个岗位类别，以及每个岗位类别对应的级别，岗位类别标识面试官所处岗位的类别。
可选地，一些实施例中，目标模型为人工智能中的概率模型。
可选地，一些实施例中，参见图6，该装置500还包括：
处理模块510，用于确定面试官信息类别的数据集中各面试官所处岗位的级别，并确定小于预设阈值的级别所隶属面试官的身份标识并作为目标身份标识，以及从面试评语类型的数据集中，对目标身份标识所对应的面试评语的描述信息进行删除处理。
需要说明的是，前述图1-图4实施例中对基于人工智能的辅助面试方法实施例的解释说明也适用于该实施例的基于人工智能的辅助面试装置500，其实现原理类似，此处不再赘述。
上述基于人工智能的辅助面试装置500中各个模块的划分仅用于举例说明，在其它实施例中，可将基于人工智能的辅助面试装置按照需要划分为不同的模块，以完成上述基于人工智能的辅助面试装置的全部或部分功能。
本实施例中，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，当存储介质中的指令由终端的处理器执行时，使得终端能够执行一种基于人工智能的辅助面试方法，方法包括：
接收岗位的描述信息，以及接收各应聘者的描述信息；
基于预先训练的辅助面试模型，确定岗位的描述信息对应的第一参数分布，以及确定各应聘者的描述信息对应的第二参数分布，其中，第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况；
根据第一参数分布和第二参数分布，确定岗位与每个应聘者之间的匹配程度；
筛选出符合预设第一条件的匹配程度对应目标应聘者。
本实施例中的非临时性计算机可读存储介质，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
为了实现上述实施例，本发明还提出一种计算机程序产品，当计算机程序产品中的指令被处理器执行时，执行一种基于人工智能的辅助面试方法，方法包括：
接收岗位的描述信息，以及接收各应聘者的描述信息；
基于预先训练的辅助面试模型，确定岗位的描述信息对应的第一参数分布，以及确定各应聘者的描述信息对应的第二参数分布，其中，第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，第二参数分布用于指示各应聘者的描述信息所涉及话题的分布情况；
根据第一参数分布和第二参数分布，确定岗位与每个应聘者之间的匹配程度；
筛选出符合预设第一条件的匹配程度对应目标应聘者。
本实施例中的计算机程序产品，由于根据岗位与每个应聘者之间的匹配程度对应聘者进行筛选以辅助面试，且，匹配程度是基于预先训练的辅助面试模型所得到的，因此，能够结合人工智能技术辅助面试官进行面试，提供客观数据的支撑，提升面试效果。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (11)

1.一种基于人工智能的辅助面试方法，其特征在于，包括以下步骤：
接收岗位的描述信息，以及接收各应聘者的描述信息；
基于预先训练的辅助面试模型，确定所述岗位的描述信息对应的第一参数分布，以及确定所述各应聘者的描述信息对应的第二参数分布，其中，所述第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，所述第二参数分布用于指示各应聘者的描述信息γ所涉及话题的分布情况
Figure FDA0003638423270000011
根据所述第一参数分布和所述第二参数分布，确定岗位与每个应聘者之间的匹配程度；
筛选出符合预设第一条件的匹配程度对应目标应聘者；
其中，所述方法还包括：
根据目标应聘者的描述信息对应的第二参数分布，结合预设问题集Q中各问题的第三参数分布
Figure FDA0003638423270000012
生成与每个目标应聘者对应的推荐问题集X，
Figure FDA0003638423270000013
其中，所述第三参数分布用于指示各问题所涉及话题的分布情况；
将所述推荐问题集提供至面试官，以辅助所述面试官对所述目标应聘者进行面试；
所述根据目标应聘者的描述信息对应的第二参数分布，结合预设问题集中各问题的第三参数分布，生成与每个目标应聘者对应的推荐问题集，包括：
根据所述目标应聘者的描述信息所对应的第二参数分布，分别结合每个问题的第三参数分布，训练一个目标函数，所述训练一个目标函数的训练目标配置为使得所述目标函数的输出值最大化，其中，所述目标函数为：
Figure FDA0003638423270000014
其中，
Figure FDA0003638423270000015
与
Figure FDA0003638423270000016
为正则化项，0<μ<1，qi、qj为所述预设问题集中的各问题；
获取所述目标函数所得到的训练结果，得到与所述目标函数对应的训练结果；
筛选出训练结果符合预设第二条件的目标函数所对应的问题，其中，所述符合预设第二条件的目标函数所对应的问题为所述目标函数的输出值最大化的第三参数分布所对应的问题；
根据筛选出的各问题生成与每个目标应聘者对应的推荐问题集。
2.如权利要求1所述的基于人工智能的辅助面试方法，其特征在于，在所述接收岗位的描述信息，以及接收各应聘者的描述信息之前，还包括：
获取历史面试记录相关的多种类型的数据集，每种类型的数据集中包括：多个数据，以及每个数据的描述信息；
确定第一类型的数据集中，每个数据的描述信息对应的第四参数分布，并确定第二类型的数据集中，每个数据的描述信息对应的第五参数分布，确定第三类型的数据集中，每个数据的描述信息对应的第六参数分布，以及根据第四类型的数据集确定第七参数；
根据第四参数分布、第五参数分布，第六参数分布以及第七参数训练目标模型，并将训练后的目标模型作为辅助面试模型；
其中，所述第四参数分布、第五参数分布，以及第六参数分布，分别用于指示所述第一类型的数据集、所述第二类型的数据集，以及所述第三类型的数据集中，每种数据的描述信息所包含的关键词的分布情况；所述第一类型的数据集为岗位类型的数据集，所述第二类型的数据集为简历类型的数据集，所述第三类型的数据集为面试评语类型的数据集，所述第四类型的数据集为面试官信息类别的数据集，所述第七参数包括根据所述第三类型的数据集，得到与每个第六参数分布相对应的面试官岗位类别标识。
3.如权利要求2所述的基于人工智能的辅助面试方法，其特征在于，所述多种类型的数据集包括：
岗位类型的数据集，所述岗位类型的数据集中包括：多个岗位，以及每个岗位的描述信息；
简历类型的数据集，所述简历类型的数据集中包括：多个简历标识，以及每个简历的描述信息；
面试评语类型的数据集，所述面试评语类型的数据集中包括：多个面试类别，以及每个面试类别对应的面试评语，以及作出所述面试评语的面试官的身份标识；
面试官信息类别的数据集，所述面试官信息类别的数据集中包括：多个岗位类别，以及每个岗位类别对应的级别，所述岗位类别标识面试官所处岗位的类别。
4.如权利要求2所述的基于人工智能的辅助面试方法，其特征在于，所述目标模型为人工智能中的概率模型。
5.如权利要求2所述的基于人工智能的辅助面试方法，其特征在于，在获取历史面试记录相关的多种类型的数据集之后，还包括：
确定所述面试官信息类别的数据集中各面试官所处岗位的级别；
确定小于预设阈值的级别所隶属面试官的身份标识并作为目标身份标识；
从所述面试评语类型的数据集中，对所述目标身份标识所对应的面试评语的描述信息进行删除处理。
6.一种基于人工智能的辅助面试装置，其特征在于，包括：
接收模块，用于接收岗位的描述信息，以及接收各应聘者的描述信息；
第一确定模块，用于基于预先训练的辅助面试模型，确定所述岗位的描述信息对应的第一参数分布，以及确定所述各应聘者的描述信息对应的第二参数分布，其中，所述第一参数分布用于指示岗位的描述信息所涉及话题的分布情况，所述第二参数分布用于指示各应聘者的描述信息γ所涉及话题的分布情况
Figure FDA0003638423270000031
第二确定模块，用于根据所述第一参数分布和所述第二参数分布，确定岗位与每个应聘者之间的匹配程度；
选取模块，用于筛选出符合预设第一条件的匹配程度对应目标应聘者；
生成模块，用于根据目标应聘者的描述信息对应的第二参数分布，结合预设问题集Q中各问题的第三参数分布
Figure FDA0003638423270000032
生成与每个目标应聘者对应的推荐问题集X，
Figure FDA0003638423270000033
其中，所述第三参数分布用于指示各问题所涉及话题的分布情况；
提供模块，用于将所述推荐问题集提供至面试官，以辅助所述面试官对所述目标应聘者进行面试；
所述生成模块，包括：
训练子模块，用于根据所述目标应聘者的描述信息所对应的第二参数分布，分别结合每个问题的第三参数分布，训练一个目标函数，所述训练一个目标函数的训练目标配置为使得所述目标函数的输出值最大化，其中，所述目标函数为：
Figure FDA0003638423270000034
其中，
Figure FDA0003638423270000035
与
Figure FDA0003638423270000036
为正则化项，0<μ<1，qi、qj为所述预设问题集中的各问题；
获取子模块，用于获取所述目标函数所得到的训练结果，得到与所述目标函数对应的训练结果；
选取子模块，用于筛选出训练结果符合预设第二条件的目标函数所对应的问题，其中，所述符合预设第二条件的目标函数所对应的问题为所述目标函数的输出值最大化的第三参数分布所对应的问题；
生成子模块，用于根据筛选出的各问题生成与每个目标应聘者对应的推荐问题集。
7.如权利要求6所述的基于人工智能的辅助面试装置，其特征在于，还包括：
获取模块，用于获取历史面试记录相关的多种类型的数据集，每种类型的数据集中包括：多个数据，以及每个数据的描述信息；
第三确定模块，用于确定第一类型的数据集中，每个数据的描述信息对应的第四参数分布，并确定第二类型的数据集中，每个数据的描述信息对应的第五参数分布，确定第三类型的数据集中，每个数据的描述信息对应的第六参数分布，以及根据第四类型的数据集确定第七参数；
训练模块，用于根据第四参数分布、第五参数分布，第六参数分布以及第七参数训练目标模型，并将训练后的目标模型作为辅助面试模型；
其中，所述第四参数分布、第五参数分布，以及第六参数分布，分别用于指示所述第一类型的数据集、所述第二类型的数据集，以及所述第三类型的数据集中，每种数据的描述信息所包含的关键词的分布情况；所述第一类型的数据集为岗位类型的数据集，所述第二类型的数据集为简历类型的数据集，所述第三类型的数据集为面试评语类型的数据集，所述第四类型的数据集为面试官信息类别的数据集，所述第七参数包括根据所述第三类型的数据集，得到与每个第六参数分布相对应的面试官岗位类别标识。
8.如权利要求7所述的基于人工智能的辅助面试装置，其特征在于，所述多种类型的数据集包括：
岗位类型的数据集，所述岗位类型的数据集中包括：多个岗位，以及每个岗位的描述信息；
简历类型的数据集，所述简历类型的数据集中包括：多个简历标识，以及每个简历的描述信息；
面试评语类型的数据集，所述面试评语类型的数据集中包括：多个面试类别，以及每个面试类别对应的面试评语，以及作出所述面试评语的面试官的身份标识；
面试官信息类别的数据集，所述面试官信息类别的数据集中包括：多个岗位类别，以及每个岗位类别对应的级别，所述岗位类别标识面试官所处岗位的类别。
9.如权利要求7所述的基于人工智能的辅助面试装置，其特征在于，所述目标模型为人工智能中的概率模型。
10.如权利要求7所述的基于人工智能的辅助面试装置，其特征在于，还包括：
处理模块，用于确定所述面试官信息类别的数据集中各面试官所处岗位的级别，并确定小于预设阈值的级别所隶属面试官的身份标识并作为目标身份标识，以及从所述面试评语类型的数据集中，对所述目标身份标识所对应的面试评语的描述信息进行删除处理。
11.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的基于人工智能的辅助面试方法。
CN201810443339.7A 2018-05-10 2018-05-10 基于人工智能的辅助面试方法、装置及存储介质 Active CN110472647B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810443339.7A CN110472647B (zh) 2018-05-10 2018-05-10 基于人工智能的辅助面试方法、装置及存储介质
US16/406,893 US20190347600A1 (en) 2018-05-10 2019-05-08 Computer-assisted interview method and device based on artificial intelligence, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810443339.7A CN110472647B (zh) 2018-05-10 2018-05-10 基于人工智能的辅助面试方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110472647A CN110472647A (zh) 2019-11-19
CN110472647B true CN110472647B (zh) 2022-06-24

Family

ID=68464794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810443339.7A Active CN110472647B (zh) 2018-05-10 2018-05-10 基于人工智能的辅助面试方法、装置及存储介质

Country Status (2)

Country Link
US (1) US20190347600A1 (zh)
CN (1) CN110472647B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263733B (zh) * 2019-06-24 2021-07-23 上海商汤智能科技有限公司 图像处理方法、提名评估方法及相关装置
CN111126553B (zh) * 2019-12-25 2024-04-30 平安银行股份有限公司 智能机器人面试方法、设备、存储介质及装置
JP2021149595A (ja) * 2020-03-19 2021-09-27 積 酒井 面接支援システム及び面接支援方法
CN111694936B (zh) * 2020-04-26 2023-06-06 平安科技（深圳）有限公司 用于ai智能面试的识别的方法、装置、计算机设备及存储介质
CN111695338A (zh) * 2020-04-29 2020-09-22 平安科技（深圳）有限公司 基于人工智能的面试内容精炼方法、装置、设备及介质
CN112466308A (zh) * 2020-11-25 2021-03-09 北京明略软件***有限公司 一种基于语音识别的辅助面试方法及***
WO2022172251A1 (en) * 2021-02-15 2022-08-18 L.B.C Software And Digital Solutions Ltd. Method and system for auto filtering candidates
CN113254126A (zh) * 2021-05-12 2021-08-13 北京字跳网络技术有限公司 信息处理方法、装置和电子设备
CN113342942B (zh) * 2021-08-02 2021-11-16 平安科技（深圳）有限公司 语料自动化获取方法、装置、计算机设备及存储介质
US20230086901A1 (en) * 2021-09-21 2023-03-23 Elizabeth Gearhart Video directory method
CN114492393A (zh) * 2022-01-17 2022-05-13 北京百度网讯科技有限公司 文本主题的确定方法、装置及电子设备
CN115758178B (zh) * 2022-11-23 2024-02-06 北京百度网讯科技有限公司 数据处理方法、数据处理模型训练方法、装置及设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520867A (zh) * 2009-04-03 2009-09-02 汤溪蔚 一种便捷式网络求职招聘方法及***
CN101546331A (zh) * 2009-05-07 2009-09-30 刘健 获取有助检索的特征、评价相关事物的价值的***及方法
US20150262130A1 (en) * 2014-03-17 2015-09-17 Hirevue, Inc. Automatic interview question recommendation and analysis
CN105912570A (zh) * 2016-03-29 2016-08-31 北京工业大学 基于隐马尔可夫模型的英文简历关键字段抽取方法
US20160364692A1 (en) * 2015-06-12 2016-12-15 Wipro Limited Method for automatic assessment of a candidate and a virtual interviewing system therefor
CN106408249A (zh) * 2016-08-31 2017-02-15 五八同城信息技术有限公司 简历与职位匹配方法及装置
CN106447285A (zh) * 2016-09-12 2017-02-22 北京大学 基于多维度领域关键知识的招聘信息匹配方法
CN106777295A (zh) * 2016-12-30 2017-05-31 深圳爱拼信息科技有限公司 一种基于语义匹配的职位搜索推荐方法和***
CN106844771A (zh) * 2017-02-28 2017-06-13 海南职业技术学院 一种基于文本匹配的信息处理方法及装置
CN107341233A (zh) * 2017-07-03 2017-11-10 北京拉勾科技有限公司 一种职位推荐方法及计算设备
CN107688609A (zh) * 2017-07-31 2018-02-13 北京拉勾科技有限公司 一种职位标签推荐方法和计算设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140122355A1 (en) * 2012-10-26 2014-05-01 Bright Media Corporation Identifying candidates for job openings using a scoring function based on features in resumes and job descriptions
WO2015198317A1 (en) * 2014-06-23 2015-12-30 Intervyo R&D Ltd. Method and system for analysing subjects
US9712635B2 (en) * 2014-07-25 2017-07-18 Accenture Global Services Limited Aggregated data in a mobile device for session object
US20160104260A1 (en) * 2014-10-10 2016-04-14 CLAIRE Technologies Practitioner Career Management Assessment Interviewer Method and Tool
US20160171448A1 (en) * 2014-12-15 2016-06-16 Mark Jeffrey Stevens Method of Job Recruiting between an Employer Network and a Jobseeker Network
US20160253627A1 (en) * 2015-02-27 2016-09-01 Karmasuit Technologies Inc. System and method for job seaching and referral
US10685291B2 (en) * 2016-01-04 2020-06-16 Facebook, Inc. Systems and methods to rank job candidates based on machine learning model
US20180005191A1 (en) * 2016-06-30 2018-01-04 Xerox Corporation Method and system for ranking questions for job interview
US20180089627A1 (en) * 2016-09-29 2018-03-29 American Express Travel Related Services Company, Inc. System and method for advanced candidate screening

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101520867A (zh) * 2009-04-03 2009-09-02 汤溪蔚 一种便捷式网络求职招聘方法及***
CN101546331A (zh) * 2009-05-07 2009-09-30 刘健 获取有助检索的特征、评价相关事物的价值的***及方法
US20150262130A1 (en) * 2014-03-17 2015-09-17 Hirevue, Inc. Automatic interview question recommendation and analysis
US20160364692A1 (en) * 2015-06-12 2016-12-15 Wipro Limited Method for automatic assessment of a candidate and a virtual interviewing system therefor
CN105912570A (zh) * 2016-03-29 2016-08-31 北京工业大学 基于隐马尔可夫模型的英文简历关键字段抽取方法
CN106408249A (zh) * 2016-08-31 2017-02-15 五八同城信息技术有限公司 简历与职位匹配方法及装置
CN106447285A (zh) * 2016-09-12 2017-02-22 北京大学 基于多维度领域关键知识的招聘信息匹配方法
CN106777295A (zh) * 2016-12-30 2017-05-31 深圳爱拼信息科技有限公司 一种基于语义匹配的职位搜索推荐方法和***
CN106844771A (zh) * 2017-02-28 2017-06-13 海南职业技术学院 一种基于文本匹配的信息处理方法及装置
CN107341233A (zh) * 2017-07-03 2017-11-10 北京拉勾科技有限公司 一种职位推荐方法及计算设备
CN107688609A (zh) * 2017-07-31 2018-02-13 北京拉勾科技有限公司 一种职位标签推荐方法和计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Applying Topic Modeling on JobsPikr Data to Create Robust Jobs";Preetish Panda;《https://www.jobspikr.com/blog/using-topic-modelling-on-jobspikr-data-to-create-jobs-matching-service/》;20170811;第1-4页 *
基于LDA模型挖掘招聘信息的技术主题;施乾坤 等;《计算机与现代化》;20131231(第9期);第46-49页 *

Also Published As

Publication number Publication date
CN110472647A (zh) 2019-11-19
US20190347600A1 (en) 2019-11-14

Similar Documents

Publication Publication Date Title
CN110472647B (zh) 基于人工智能的辅助面试方法、装置及存储介质
US10242345B2 (en) Automatic interview question recommendation and analysis
CN110070391B (zh) 数据处理方法、装置、计算机可读介质及电子设备
Verma et al. Big data analytics: Challenges and applications for text, audio, video, and social media data
Davenport et al. Designing and developing analytics-based data products
Li et al. The wisdom of minority: Discovering and targeting the right group of workers for crowdsourcing
Luo et al. Social media and firm equity value
Köchling et al. Highly accurate, but still discriminatory: A fairness evaluation of algorithmic video analysis in the recruitment context
Shafranskaya et al. An empirical study of consumer-based city brand equity from signalling theory perspective
CN111882398A (zh) 智慧城市服务推荐方法、装置、计算机设备及存储介质
Sadly et al. An Application of SMART Method in vendor selection of Satellite Systems Case study of Indonesia Remote Sensing Satellite Systems (InaRSSat)
Cid-López et al. A hybrid model for decision-making in the information and communications technology sector
Yu et al. KVAM: Model for measuring knowledge management performance of engineering community of practice
US11551187B2 (en) Machine-learning creation of job posting content
Muramalla et al. Entrepreneurial strategies and factors stimulate the business of tech startups
Mameli et al. Social media analytics system for action inspection on social networks
Singh et al. Automated machine learning (AutoML): an overview of opportunities for application and research
Shaharuddin et al. Adoption of construction industry 4.0 among small and medium sized contractor in Malaysia
Hai-Jew Online Survey Design and Data Analytics: Emerging Research and Opportunities: Emerging Research and Opportunities
Ahmadi et al. A social media analytics-based approach to customer-centric reverse logistics management of electronic devices: A case study on notebooks
CN112200602B (zh) 用于广告推荐的神经网络模型训练方法及装置
CN112905892A (zh) 应用于用户画像挖掘的大数据处理方法及大数据服务器
Ramchander Industry 4.0: a systematic review of surveys
Pajo et al. Analysis of automatic online lead user identification
KR102617635B1 (ko) 관공서와 기업 간을 연결하는 공공계약 플랫폼 서비스 제공 시스템

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
GR01 Patent grant
GR01 Patent grant