CN115617960A - 一种岗位推荐方法及装置 - Google Patents
一种岗位推荐方法及装置 Download PDFInfo
- Publication number
- CN115617960A CN115617960A CN202110791270.9A CN202110791270A CN115617960A CN 115617960 A CN115617960 A CN 115617960A CN 202110791270 A CN202110791270 A CN 202110791270A CN 115617960 A CN115617960 A CN 115617960A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- candidate
- competency
- pair
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种岗位推荐方法及装置,以及一种计算机可读存储介质。该岗位推荐方法包括以下步骤:针对候选人的多项胜任力向所述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;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,以分别获取所述候选人针对各项所述胜任力的评分结果;以及根据所述候选人针对各项所述胜任力的评分结果及至少一个招聘岗位需要的胜任力组合,确定适合所述候选人的推荐岗位。
Description
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岗位推荐方法、一种用于执行该岗位推荐方法的装置,以及一种计算机可读存储介质。
背景技术
随着人工智能技术的发展,自动化的岗位推荐技术或***逐渐出现。一些现有的岗位推荐技术利用简单的自然语言处理基础,对候选人的简历内容、当前岗位内容及目标岗位内容进行分词或关键词提取操作,基于一些关键词权重完成简历与岗位的匹配或相似度计算,从而实现简单的岗位推荐的目的。另一些相对先进的岗位推荐技术,基于外部百科数据训练词向量模型,以表征候选人的个人语义向量(包括候选人的简历内容和个人信息)、岗位语义向量,进一步通过计算语义相似度的方式得到候选人对当前岗位的适合程度。更高级一些的岗位推荐技术在词向量的基础上,基于简历内容和岗位内容进一步训练匹配模型(简单的神经网络模型,比如卷积神经网络),以预测候选人对岗位的适合程度。这些做法虽然能一定程度上实现岗位的自动推荐,但仍然存在以下几个方面的缺点:
(1)理论支持薄弱。仅仅基于简历和岗位要求进行岗位推荐,只能一定程度说明候选人的工作经历符合岗位的要求背景,很难保证推荐的候选人能够胜任当前工作。换言之,推荐的候选人仍然需要繁琐的人工面试或一些视频面试来进行进一步考核,并没有为企业面试官带来实质的解放。
(2)技术粗糙。无论是分词、关键词提取还是基于基本的词向量技术开展的语义向量的相似度计算或匹配模型,都没能深入挖掘候选人工作经历与岗位要求之间的内在关联。进而,此类方法很难保证推荐的候选人适合相应的岗位。
(3)缺乏对候选人胜任力的考核。根据上海近屿智能科技有限公司公开的一种面试辅助技术(专利号/申请号202011060966.6),胜任力(Competency)是指个人的各项综合素质,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。胜任力是评估候选人能否胜任招聘岗位的重要因素。没有对候选人胜任力考核的岗位推荐技术,无法全面、准确地评估候选人是否胜任招聘岗位。
基于上述痛点,本发明提供了一种岗位推荐技术,一方面能够从胜任力考核的角度,利用人工智能技术对候选人回答各问题的问题文本和回答文本做问答交互,从而提高人工智能对候选人各项胜任力的评估精度,另一方面能够根据候选人各项胜任力的评估结果自动为其推荐适合的岗位。
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。
为了克服现有技术存在的上述缺陷,本发明提供了一种岗位推荐方法、一种岗位推荐装置,以及一种计算机可读存储介质,用于从胜任力考核的角度,利用人工智能技术对候选人回答各问题的问题文本和回答文本做问答交互,从而提高人工智能对候选人各项胜任力的评估精度,并根据候选人各项胜任力的评估结果自动为其推荐适合的岗位。
具体来说,本发明的第一方面提供的上述岗位推荐方法包括以下步骤:针对候选人的多项胜任力向所述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;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,以分别获取所述候选人针对各项所述胜任力的评分结果;以及根据所述候选人针对各项所述胜任力的评分结果及至少一个招聘岗位需要的胜任力组合,确定适合所述候选人的推荐岗位。通过执行这些步骤,该岗位推荐方法一方面能够从胜任力考核的角度,利用人工智能技术对候选人回答各问题的问题文本和回答文本做问答交互,从而提高人工智能对候选人各项胜任力的评估精度,另一方面能够根据候选人各项胜任力的评估结果自动为其推荐适合的岗位。
优选地,在本发明的一些实施例中,所述针对候选人的多项胜任力向所述候选人提出多个问题的步骤包括:根据多个岗位的胜任力模型确定所述多项胜任力;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,在执行所述针对候选人的多项胜任力向所述候选人提出多个问题的步骤之前,所述岗位推荐方法还包括以下步骤:对多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;根据各所述岗位的优秀员工应当具备的多项胜任力,构建各所述岗位的胜任力模型;以及针对每项所述胜任力准备至少一个问题,并基于所述多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,以分别获取所述候选人针对各项所述胜任力的评分结果。
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。
优选地,在本发明的一些实施例中,所述推理模型还包括多个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,以分别获取所述候选人针对各项所述胜任力的评分结果的步骤包括:将各所述问答对的所述语义表示向量分别输入对应的分类网络模块,以分别获取所述候选人针对各项所述胜任力的评分结果。
可选地,在本发明的一些实施例中,所述根据所述候选人针对各项所述胜任力的评分结果及至少一个招聘岗位需要的胜任力组合,确定适合所述候选人的推荐岗位的步骤包括:根据预设的评分阈值对所述候选人针对各项所述胜任力的评分结果进行筛选,以确定所述候选人的至少一项达标胜任力;将所述至少一项达标胜任力与至少一个招聘岗位需要的胜任力组合进行比对,以确定所述至少一项达标胜任力能够全面覆盖所述胜任力组合的至少一个招聘岗位;以及将所述至少一项达标胜任力能够全面覆盖所述胜任力组合的至少一个招聘岗位确定为所述候选人的推荐岗位。
优选地,在本发明的一些实施例中,在执行所述根据所述候选人针对各项所述胜任力的评分结果及至少一个招聘岗位需要的胜任力组合,确定适合所述候选人的推荐岗位的步骤之后,所述岗位推荐方法还包括以下步骤:根据招聘企业提供的招聘岗位筛选多名所述候选人的推荐岗位列表,以确定所述招聘岗位的推荐候选人,其中,所述推荐岗位列表中记载了适合对应候选人的至少一个推荐岗位;以及将所述推荐候选人推荐给所述招聘企业。
优选地,在本发明的一些实施例中,在执行所述将所述推荐候选人推荐给所述招聘企业的步骤之后,所述岗位推荐方法还包括以下步骤:将所述推荐候选人回答各所述问题的回答文本及其对应的问题文本,和/或所述推荐候选人回答各所述问题的视频和/或音频,和/或所述推荐候选人针对各项所述胜任力的评分结果提供给所述招聘企业。
可选地,在本发明的一些实施例中,在执行所述针对候选人的多项胜任力向所述候选人提出多个问题的步骤之前,所述岗位推荐方法还包括以下步骤:根据所述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,分别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胜任力评分;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胜任力评分,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。
根据本发明的第二方面提供的上述岗位推荐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岗位推荐方法。通过实施该岗位推荐方法,该岗位推荐装置一方面能够从胜任力考核的角度,利用人工智能技术对候选人回答各问题的问题文本和回答文本做问答交互,从而提高人工智能对候选人各项胜任力的评估精度,另一方面能够根据候选人各项胜任力的评估结果自动为其推荐适合的岗位。
根据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。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岗位推荐方法。通过实施该岗位推荐方法,该计算机可读存储介质一方面能够从胜任力考核的角度,利用人工智能技术对候选人回答各问题的问题文本和回答文本做问答交互,从而提高人工智能对候选人各项胜任力的评估精度,另一方面能够根据候选人各项胜任力的评估结果自动为其推荐适合的岗位。
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岗位推荐方法的流程示意图。
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,为了克服现有技术存在的理论支持薄弱、技术粗糙、缺乏对候选人胜任力的考核的缺陷,本发明提供了一种岗位推荐方法、一种岗位推荐装置,以及一种计算机可读存储介质,用于从胜任力考核的角度,利用人工智能技术对候选人回答各问题的问题文本和回答文本做问答交互,从而提高人工智能对候选人各项胜任力的评估精度,并根据候选人各项胜任力的评估结果自动为其推荐适合的岗位。
在一些非限制性的实施例中,本发明的第一方面提供上述岗位推荐方法可以由本发明的第二方面提供的上述岗位推荐装置,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岗位推荐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岗位推荐方法。
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该推理模型进行岗位推荐的方法,介绍上述岗位推荐装置的工作原理。本领域的技术人员可以理解,这些构建胜任力模型、训练推理模型及岗位推荐的方法,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多个岗位,并对每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,构建者可以针对每个岗位,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,...,qk]及对应的胜任力得分S[s1,s2,...,sk]。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[lq1C1,lq2C1,...,lqkC1,lq1C2,lq2C2,...,lqkC2],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*lq1C1+s2*lq2C1+…+sk*lqkC1
total_score_C2=s1*lq1C2+s2*lq2C2+…+sk*lqkC2
式中,lqiCj表示第j个员工Cj在第i个胜任力问题qi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,以供胜任力模型调取针对各项胜任力的问题来全面地考核候选人的各项胜任力。
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。
在完成大量(例如:1000个以上、2000个以上、5000个以上、10000个以上)岗位的胜任力模型及胜任力题库的构建后,本领域的技术人员可以根据这些岗位的胜任力模型涉及的所有胜任力,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,并向候选人样本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岗位推荐的流程。
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,根据大量岗位所需的多项胜任力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,…,qk]。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,…,ak]。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,…,Tk],从而全面地获取大量候选人样本在各项胜任力的数据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可以采用二分制、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各项胜任力的功能。
具体来说,推理模型的训练者可以首先将各回答文本样本ai分别与其对应的问题文本qi组成问答对样本<qi,ai>。之后,针对每一个问答对样本<qi,ai>,训练者将以句子为单位切分问题文本qi以获取其中的多个问句样本[qs1,qs2,...,qsc],并切分回答文本样本ai以获取其中的多个答句样本[as1,as2,...,asp],其中,c表示问题文本qi中的问句数量,p表示回答文本样本ai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[qs1,qs2,...,qsc]进行编码表示,以获取各问句样本的编码表示向量[rqs1,rqs2,...,rqsc],并对各答句样本[as1,as2,...,asp]进行编码表示,以获取各答句样本的编码表示向量[ras1,ras2,...,rasp]。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<qi,ai>的各问句样本[qs1,qs2,...,qsc]及各答句样本[as1,as2,...,asp]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<qi,ai>中各问句与其余问句的编码表示向量(例如:rqs1与rqs2~rqsc)、各问句与各答句的编码表示向量(例如:rqs1与ras1~rasp),以及各答句与其余答句的编码表示向量(例如:ras1与ras2~rqsp)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<qi,ai>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hi都会基于其自身hi和与其存在关联的邻居节点hj进行加权整合,即其中,wi、wn、wj均为待学习权重,nc表示节点hi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<qi,ai>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<qi,ai>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<qi,ai>中各问句样本的编码表示向量[rqs1,rqs2,…,rqsc],以及各答句样本的编码表示向量[ras1,ras2,…,rasp]进行迭代推理,以获得问答对样本<qi,ai>中各问句样本qsi的逻辑关系表示向量[lqs1,lqs2,…,lqsc]及各答句样本asi的逻辑关系表示向量[las1,las2,…,lasp]。这些逻辑关系表示向量[lqs1,lqs2,…,lqsc]及[las1,las2,…,lasp]能够表征问答对样本<qi,ai>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<qi,ai>中问题文本qi及回答文本样本ai的语序及预设的窗口值,分别确定各问答对<qi,ai>中各问句节点qsi及各答句节点asi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<qi,ai>中与问句节点qsi的间隔小于2的所有问句节点qs(i-1)及qs(i+1),以及问答对样本<qi,ai>中的所有答句节点as1~asp,都确定为问句节点qsi的邻居节点。同样地,训练者还可以将问答对样本<qi,ai>中与答句节点asi的间隔小于2的所有答句节点as(i-1)及as(i+1),以及问答对样本<qi,ai>中的所有问句节点qs1~qsc,都确定为答句节点asi的邻居节点。
之后,训练者可以根据问答对样本<qi,ai>的各问句节点qsi及其所有邻居节点,以及问答对样本<qi,ai>的各答句节点asi及其所有邻居节点,构建问答对样本<qi,ai>中问题文本qi及回答文本样本ai的关系图网络。该关系图网络能够对问答对样本<qi,ai>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<qi,ai>中每一问句节点qsi及其所有邻居节点的编码表示向量,分别对各问句节点qsi的编码表示向量进行加权整合,以实现问答对样本<qi,ai>中每一问句节点qsi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qsi的逻辑关系表示向量[lqs1,lqs2,…,lqsc]。同理,该关系图网络还可以根据问答对样本<qi,ai>中每一答句节点asi及其所有邻居节点的编码表示向量,分别对各答句节点asi的编码表示向量进行加权整合,以实现问答对样本<qi,ai>中每一答句节点asi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asi的逻辑关系表示向量[las1,las2,…,lasp]。
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,以及训练设备及岗位推荐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<qi,ai>的问题文本qi及回答文本样本ai,以同样获得问答对样本<qi,ai>的多个问句样本[qs1,qs2,…,qsc]及多个答句样本[as1,as2,…,asp]。之后,训练者可以如上所述地对各问句样本qsi及各答句样本asi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<qi,ai>中各问句样本qsi的逻辑关系表示向量[lqs1,lqs2,…,lqsc]及各答句样本asi的逻辑关系表示向量[las1,las2,…,lasp]。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<qi,ai>的各问句样本qsi的逻辑关系表示向量[lqs1,lqs2,…,lqsc],以及各答句样本asi的逻辑关系表示向量[las1,las2,…,lasp]进行语义推理,以进一步加强单个问答对样本<qi,ai>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qsi的表示向量hi,不再是上述编码表示向量rqsi,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lqsi。对应地,语义推理模块中各答句节点asi的表示向量hi,也不再是上述编码表示向量rasi,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lasi。
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hi都会基于其自身hi和与其存在关联的邻居节点hj进行加权整合,即 其中,wi、wn、wj均为待学习权重,nc表示节点hi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<qi,ai>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<qi,ai>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<qi,ai>中各问句样本的逻辑关系表示向量[lqs1,lqs2,...,lqsc],以及各答句样本的逻辑关系表示向量[las1,las2,...,lasp]进行进一步的语义推理,从而分别获得各问答对样本<qi,ai>的语义表示向量[h1,h2,...,hc+p]。该语义表示向量[h1,h2,...,hc+p]能够表征各问答对样本<qi,ai>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,...,hc+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,...,hc+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多个分类网络模块。这些分类网络模块可以分别获取对应胜任力维度的问答对样本<qi,ai>的语义表示向量hi,并根据获取的语义表示向量hi确定对应的分类结果。该分类结果指示候选人针对一项对应胜任力的评分结果Ti。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。
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,以及多个分类网络模块的推理模型。在该配置多个分类网络模块的场景中,整个推理模型可以被视作多个基于单题打分的端到端的多任务模型。问答对样本<qi,ai>的交互信息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及各分类网络模块传递,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胜任力评分结果T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、语义推理模块和/或多个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、语义推理及胜任力评分结果分类的功能。
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岗位推荐装置,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岗位推荐方法。
请参考图4,图4示出了根据本发明的一些实施例提供的岗位推荐方法的流程示意图。
如图4所示,在本发明的一些实施例中,在对一名候选人进行岗位推荐时,岗位推荐装置可以首先查询大量岗位的胜任力模型,以确定这些胜任力模型涉及的多项胜任力。之后,岗位推荐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。通过根据大量岗位的胜任力模型涉及的多项胜任力来选择问题,本发明能够全面地考核候选人在各方面的胜任力,从而准确、全面地为候选人推荐各领域、各行业、各类型的岗位。
候选人可以根据岗位推荐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,岗位推荐装置可以采集候选人回答各问题的视频或音频。之后,岗位推荐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(Automatic Speech 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,…,ak]。
本领域的技术人员可以理解,上述通过视频或音频来向候选人提出这多个问题的方案,只是本发明提供而一些非限制性的实施方式,旨在清楚地展示本发明的主要构思,并提供一些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,岗位推荐装置也可以通过在显示屏、触控屏等人机交互界面显示问题文本的方式向候选人提出这多个问题,以达到相同的效果。此外,岗位推荐装置还可以通过实体/虚拟键盘等人机交互接口,直接采集候选人回答各问题的回答文本,从而省略上述ASR语音文本转录的步骤。
在获取候选人回答各问题的回答文本A之后,岗位推荐装置可以将各回答文本ai分别与其对应的问题文本qi组成问答对<qi,ai>。之后,岗位推荐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<qi,ai>的问题文本qi切分为多个问句[qs1,qs2,…,qsc],并将每一个问答对<qi,ai>的回答文本ai切分为多个答句[as1,as2,…,asp],其中,c表示问题文本qi中的问句数量,p表示回答文本ai中的答句数量。
在切分获得各问答对<qi,ai>的多个问句[qs1,qs2,…,qsc]及多个答句[as1,as2,…,asp]之后,岗位推荐装置可以利用训练好的编码模块,逐一对各问答对<qi,ai>的多个问句[qs1,qs2,…,qsc]进行编码表示,以获取该问答对<qi,ai>中各问句的编码表示向量[rqs1,rqs2,...,rqsc]。同样地,岗位推荐装置还可以利用该编码模块,逐一对各问答对<qi,ai>的多个答句[as1,as2,...,asp]进行编码表示,以获取该问答对<qi,ai>中各答句的编码表示向量[ras1,ras2,...,rasp]。
在获取各问答对<qi,ai>中各问句的编码表示向量[rqs1,rqs2,...,rqsc]及各答句的编码表示向量[ras1,ras2,...,rasp]之后,岗位推荐装置可以逐一将每一个问答对<qi,ai>的各问句的编码表示向量[rqs1,rqs2,...,rqsc]及各答句的编码表示向量[ras1,ras2,...,rasp]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<qi,ai>的各问句及各答句进行迭代推理,以实现各问答对<qi,ai>中各问句及各答句之间的信息交互,并分别生成各问答对<qi,ai>中各问句的逻辑关系表示向量[lqs1,lqs2,...,lqsc]及各答句的逻辑关系表示向量[las1,las2,...,lasp]。
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wi、wn、wj,分别对每个节点的表示向量hi进行加权整合,即此处,各问句节点的表示向量hi为问答对<qi,ai>中各问句的编码表示向量[rqs1,rqs2,...,rqsc]。各答句节点的表示向量hi为问答对<qi,ai>中各答句的编码表示向量[ras1,ras2,...,rasp]。关系图网络模块可以对每一个问答对<qi,ai>的各问句的编码表示向量[rqs1,rqs2,...,rqsc],以及各答句的编码表示向量[ras1,ras2,...,rasp]进行迭代,以逐一获得每一个问答对<qi,ai>中各问句的逻辑关系表示向量[lqs1,lqs2,...,lqsc]及各答句的逻辑关系表示向量[las1,las2,...,lasp]。这些逻辑关系表示向量[lqs1,lqs2,...,lqsc]及[las1,las2,...,lasp]能够表征各问答对<qi,ai>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<qi,ai>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<qi,ai>中问题文本qi及回答文本ai的语序及预设的窗口值,分别确定各问答对<qi,ai>中各问句节点qsi及各答句节点asi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<qi,ai>中与问句节点qsi的间隔小于2的所有问句节点qs(i-1)及qs(i+1),以及问答对<qi,ai>中的所有答句节点as1~asp,都确定为问句节点qsi的邻居节点。同理,关系图网络模块还可以将问答对<qi,ai>中与答句节点asi的间隔小于2的所有答句节点as(i-1)及as(i+1),以及问答对<qi,ai>中的所有问句节点qs1~qsc,都确定为答句节点asi的邻居节点。之后,关系图网络模块可以根据问答对<qi,ai>中每一个问句节点qsi及其所有邻居节点的编码表示向量,分别对各问句节点qsi的编码表示向量进行加权整合,以实现问答对<qi,ai>中每一问句节点qsi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qsi的逻辑关系表示向量[lqs1,lqs2,…,lqsc]。同样地,该关系图网络还可以根据问答对<qi,ai>中每一个答句节点asi及其所有邻居节点的编码表示向量,分别对各答句节点asi的编码表示向量进行加权整合,以实现问答对<qi,ai>中每一答句节点asi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asi的逻辑关系表示向量[las1,las2,…,lasp]。
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,以及训练设备及岗位推荐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<qi,ai>中各问句qsi的逻辑关系表示向量[lqs1,lqs2,…,lqsc],以及各答句asi的逻辑关系表示向量[las1,las2,…,lasp]之后,岗位推荐装置可以将每一个问答对<qi,ai>的逻辑关系表示向量[lqs1,lqs2,…,lqsc]及[las1,las2,…,lasp],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qsi的表示向量hi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lqsi,而其中各答句节点asi的表示向量hi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lasi。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hi都会基于其自身hi和与其存在关联的邻居节点hj进行加权整合,即其中,wi、wn、wj均为通过前述训练过程确定的学习权重,nc表示节点hi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<qi,ai>的语义表示向量[h1,h2,...,hc+p]。该语义表示向量[h1,h2,...,hc+p]能够表征各问答对<qi,ai>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<qi,ai>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<qi,ai>中各问句与各答句之间语义的深度交互。
在一些实施例中,岗位推荐装置可以对得到的多个语义表示向量[h1,h2,...,hc+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,...,hc+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各项胜任力的评分结果Ti。
在利用语义推理模块生成各问答对<qi,ai>的语义表示向量H[h1,h2,...,hc+p]之后,岗位推荐装置可以将语义推理模块输出的各条语义表示向量hi,分别输入对应胜任力维度的分类网络模块,从而由这些分类网络模块根据输入的语义表示向量hi分别确定对应胜任力的分类结果。该分类结果指示候选人针对一项胜任力的评分结果Ti。
如图4所示,在确定候选人各项针对各项胜任力的评分结果T[T1,T2,...,Tk]之后,岗位推荐装置可以根据这些评分结果T[T1,T2,...,Tk]及至少一个招聘岗位需要的胜任力组合Ci[c1,c2,...,cn],确定适合该候选人的推荐岗位。
具体来说,在一些二分制的实施例中,各项评分结果Ti可以包括0和1的取值结果,其中,0表示候选人不具有该项胜任力,1表示候选人具备该胜任力。岗位推荐装置可以根据预设的评分阈值1对候选人针对各项胜任力的评分结果进行筛选,以确定候选人的至少一项达标胜任力。例如,若一名候选人x的评分结果Tx=[1,1,0,1,0],岗位推荐装置可以确定该候选人x的达标胜任力包括Cx[c1,c2,c4]。
之后,岗位推荐装置可以采用简单的序列匹配方式,逐一将该候选人x的至少一项达标胜任力Cx[c1,c2,c4]与各招聘岗位需要的胜任力组合Ci进行比对,以确定该至少一项达标胜任力Cx能够全面覆盖胜任力组合Ci的至少一个招聘岗位。例如,若一个招聘岗位i需要的胜任力组合为Ci[c1,c2],岗位推荐装置即可判定该候选人x的至少一项达标胜任力Cx[c1,c2,c4]能够全面覆盖该招聘岗位i需要的胜任力组合Ci[c1,c2],从而将该招聘岗位i确定为该候选人x的推荐岗位。
进一步地,若另一个招聘岗位j需要的胜任力组合为Cj[c2,c4],岗位推荐装置可以判定该候选人x的至少一项达标胜任力Cx[c1,c2,c4]也能够全面覆盖该招聘岗位j需要的胜任力组合Cj[c2,c4],从而将该招聘岗位j也确定为该候选人x的推荐岗位,并将该该招聘岗位i及该招聘岗位j一起添加到该候选人x的推荐岗位列表。
反之,若该候选人x的至少一项达标胜任力Cx[c1,c2,c4]未能全面覆盖任何招聘岗位需要的胜任力组合Ci,岗位推荐装置可以判定目前没有适合该候选人x的推荐岗位,从而输出不做推荐的结果。
如此,本发明提供的上述岗位推荐装置一方面能够从胜任力考核的角度,利用人工智能技术对候选人回答各问题的问题文本和回答文本做问答交互,从而提高人工智能对候选人各项胜任力的评估精度,另一方面能够根据候选人各项胜任力的评估结果自动为其推荐适合的岗位,从而为企业面试官带来实质的解放。
本领域的技术人员可以理解,上述二分制的评分方式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,在另一些三分制评分方式的实施例中,各项评分结果Ti可以包括0、1、2的取值结果,其中,0表示候选人不具有该项胜任力,1表示候选人基本具备该胜任力,2表示候选人的该项胜任力较为突出。岗位推荐装置可以根据招聘企业的具体需求来设置对应的评分阈值,再根据设置的评分阈值对候选人针对各项胜任力的评分结果进行筛选,以确定候选人的至少一项达标胜任力。例如,若招聘企业急需用人,岗位推荐装置可以将评分阈值设置为1,对基本具备所需胜任力的候选人进行广泛地筛选,以提升达标候选人的数量。又例如,若招聘企业只需要优秀人才,岗位推荐装置可以将评分阈值设置为2,对在所需胜任力较为突出的候选人进行精细地筛选,以进一步提升达标候选人的质量。
进一步地,在本发明的一些实施例中,为了满足招聘企业的招聘需求,岗位推荐装置还可以从招聘平台获取招聘企业提供的招聘岗位的需求信息。之后,岗位推荐装置可以根据招聘企业提供的招聘岗位,对预先进行过上述胜任力考核的大量候选人的推荐岗位列表进行筛选,将推荐岗位列表中记载了对应岗位的候选人确定为适合该招聘岗位的推荐候选人,并将该推荐候选人推荐给招聘企业。通过采用这种预先对候选人进行胜任力考核,再根据招聘企业的招聘需求筛选适合的推荐候选人的异步招聘方式,本发明能够进一步摆脱面试行为对招聘双方的时间限制,从而全面地为候选人推荐适合的岗位,并全面地为招聘企业推荐适合的人才。
更进一步地,在将推荐候选人推荐给招聘企业之后,岗位推荐装置还可以根据招聘企业的需求及其购买的服务,将该推荐候选人回答各问题的回答文本及其对应的问题文本,和/或该推荐候选人回答各问题的视频和/或音频,和/或该推荐候选人针对各项胜任力的评分结果提供给招聘企业,从而为该推荐结果提供理论支持及数据支持,并针对该推荐候选人各项胜任力的评估结果来为招聘企业后续的人才任用提供指导。
基于以上描述,本发明提供的上述岗位推荐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,并根据候选人各项胜任力的评估结果自动为其推荐适合的岗位。
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)
1.一种岗位推荐方法,其特征在于,包括以下步骤:
针对候选人的多项胜任力向所述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;
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,以分别获取所述候选人针对各项所述胜任力的评分结果;以及
根据所述候选人针对各项所述胜任力的评分结果及至少一个招聘岗位需要的胜任力组合,确定适合所述候选人的推荐岗位。
2.如权利要求1所述的岗位推荐方法,其特征在于,所述针对候选人的多项胜任力向所述候选人提出多个问题的步骤包括:
根据多个岗位的胜任力模型确定所述多项胜任力;
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所述的岗位推荐方法,其特征在于,在执行所述针对候选人的多项胜任力向所述候选人提出多个问题的步骤之前,所述岗位推荐方法还包括以下步骤:
对多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;
根据各所述岗位的优秀员工应当具备的多项胜任力,构建各所述岗位的胜任力模型;以及
针对每项所述胜任力准备至少一个问题,并基于所述多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所述的岗位推荐方法,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所述的岗位推荐方法,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所述的岗位推荐方法,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,以分别获取所述候选人针对各项所述胜任力的评分结果。
7.如权利要求6所述的岗位推荐方法,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所述的岗位推荐方法,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所述的岗位推荐方法,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所述的岗位推荐方法,其特征在于,所述推理模型还包括多个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,以分别获取所述候选人针对各项所述胜任力的评分结果的步骤包括:
将各所述问答对的所述语义表示向量分别输入对应的分类网络模块,以分别获取所述候选人针对各项所述胜任力的评分结果。
11.如权利要求1所述的岗位推荐方法,其特征在于,所述根据所述候选人针对各项所述胜任力的评分结果及至少一个招聘岗位需要的胜任力组合,确定适合所述候选人的推荐岗位的步骤包括:
根据预设的评分阈值对所述候选人针对各项所述胜任力的评分结果进行筛选,以确定所述候选人的至少一项达标胜任力;
将所述至少一项达标胜任力与至少一个招聘岗位需要的胜任力组合进行比对,以确定所述至少一项达标胜任力能够全面覆盖所述胜任力组合的至少一个招聘岗位;以及
将所述至少一项达标胜任力能够全面覆盖所述胜任力组合的至少一个招聘岗位确定为所述候选人的推荐岗位。
12.如权利要求11所述的岗位推荐方法,其特征在于,在执行所述根据所述候选人针对各项所述胜任力的评分结果及至少一个招聘岗位需要的胜任力组合,确定适合所述候选人的推荐岗位的步骤之后,所述岗位推荐方法还包括以下步骤:
根据招聘企业提供的招聘岗位筛选多名所述候选人的推荐岗位列表,以确定所述招聘岗位的推荐候选人,其中,所述推荐岗位列表中记载了适合对应候选人的至少一个推荐岗位;以及
将所述推荐候选人推荐给所述招聘企业。
13.如权利要求12所述的岗位推荐方法,其特征在于,在执行所述将所述推荐候选人推荐给所述招聘企业的步骤之后,所述岗位推荐方法还包括以下步骤:
将所述推荐候选人回答各所述问题的回答文本及其对应的问题文本,和/或所述推荐候选人回答各所述问题的视频和/或音频,和/或所述推荐候选人针对各项所述胜任力的评分结果提供给所述招聘企业。
14.如权利要求1所述的岗位推荐方法,其特征在于,在执行所述针对候选人的多项胜任力向所述候选人提出多个问题的步骤之前,所述岗位推荐方法还包括以下步骤:
根据所述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,分别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胜任力评分;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胜任力评分,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。
15.一种岗位推荐装置,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中任一项所述的岗位推荐方法。
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中任一项所述的岗位推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791270.9A CN115617960A (zh) | 2021-07-13 | 2021-07-13 | 一种岗位推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791270.9A CN115617960A (zh) | 2021-07-13 | 2021-07-13 | 一种岗位推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115617960A true CN115617960A (zh) | 2023-01-17 |
Family
ID=84855788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791270.9A Pending CN115617960A (zh) | 2021-07-13 | 2021-07-13 | 一种岗位推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115617960A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452047A (zh) * | 2023-04-12 | 2023-07-18 | 上海才历网络有限公司 | 一种候选人胜任能力测评方法及装置 |
CN117455430A (zh) * | 2023-08-31 | 2024-01-26 | 北京五八信息技术有限公司 | 基于ai的简历信息处理方法、装置、设备及存储介质 |
-
2021
- 2021-07-13 CN CN202110791270.9A patent/CN115617960A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452047A (zh) * | 2023-04-12 | 2023-07-18 | 上海才历网络有限公司 | 一种候选人胜任能力测评方法及装置 |
CN117455430A (zh) * | 2023-08-31 | 2024-01-26 | 北京五八信息技术有限公司 | 基于ai的简历信息处理方法、装置、设备及存储介质 |
CN117455430B (zh) * | 2023-08-31 | 2024-05-17 | 北京五八信息技术有限公司 | 基于ai的简历信息处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444709B (zh) | 文本分类方法、装置、存储介质及设备 | |
CN110543557B (zh) | 一种基于注意力机制的医疗智能问答***的构建方法 | |
Liu et al. | Piano playing teaching system based on artificial intelligence–design and research | |
CN111275401B (zh) | 一种基于位置关系的智能面试方法及*** | |
CN112667799B (zh) | 一种基于语言模型和实体匹配的医疗问答***构建方法 | |
Yang | [Retracted] Piano Performance and Music Automatic Notation Algorithm Teaching System Based on Artificial Intelligence | |
CN111666376B (zh) | 一种基于段落边界扫描预测与词移距离聚类匹配的答案生成方法及装置 | |
CN114818691A (zh) | 文章内容的评价方法、装置、设备及介质 | |
CN115617960A (zh) | 一种岗位推荐方法及装置 | |
KR20200089914A (ko) | 교육 플랫폼에서 전문가 자동 매칭 시스템 | |
CN112231491B (zh) | 基于知识结构的相似试题识别方法 | |
CN113705191A (zh) | 样本语句的生成方法、装置、设备及存储介质 | |
Shan et al. | [Retracted] Research on Classroom Online Teaching Model of “Learning” Wisdom Music on Wireless Network under the Background of Artificial Intelligence | |
CN117609486A (zh) | 一种心理领域智能对话*** | |
CN111259115A (zh) | 内容真实性检测模型的训练方法、装置和计算设备 | |
Zhai et al. | A wgan-based dialogue system for embedding humor, empathy, and cultural aspects in education | |
Xie | Recommendation of English reading in vocational colleges using linear regression training model | |
Muangnak et al. | The neural network conversation model enables the commonly asked student query agents | |
CN115115483B (zh) | 一种融合隐私保护的学生综合能力评测方法 | |
CN115619363A (zh) | 一种面试方法及装置 | |
Qi et al. | Attention-based hybrid model for automatic short answer scoring | |
Liu et al. | Suggestion mining from online reviews usingrandom multimodel deep learning | |
CN111428499A (zh) | 一种融合近义词信息用于自动问答***的成语压缩表示方法 | |
Siddiqui et al. | Predicting the Student Performance via Machine Leaning Techniques | |
Jia | [Retracted] Random Algorithm and Skill Evaluation System Based on the Combing of Construction Mechanism of Higher Vocational Professional Group |
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 |