CN117114475A - 基于多维度人才评估策略的综合能力测评*** - Google Patents
基于多维度人才评估策略的综合能力测评*** Download PDFInfo
- Publication number
- CN117114475A CN117114475A CN202311058841.3A CN202311058841A CN117114475A CN 117114475 A CN117114475 A CN 117114475A CN 202311058841 A CN202311058841 A CN 202311058841A CN 117114475 A CN117114475 A CN 117114475A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- sub
- question
- evaluation
- 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
- 238000011156 evaluation Methods 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000009471 action Effects 0.000 claims abstract description 10
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 22
- 238000000034 method Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 231100000871 behavioral problem Toxicity 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/0639—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于人才评估技术领域,提供了一种基于多维度人才评估策略的综合能力测评***,该***包括:获取模块,获取待评估用户的基础信息,并根据基础信息生成第一评分项;第一生成模块,根据基础信息生成提问信息,并发送提问信息至对应于待评估用户的用户终端;接收模块,接收用户终端返回的回答信息,生成第二评分项;第二生成模块,根据基础信息生成三维场景信息,并发送三维场景信息至用户终端;检测模块,检测待评估用户的动作信息,生成第三评分项;评估模块,基于第一评分项、第二评分项以及第三评分项,根据人才评估策略进行评估,得到评估结果。可见,本申请可以综合多个维度自动化对候选人进行及时评估,提高评估效率。
Description
技术领域
本申请属于人才评估技术领域,尤其涉及一种基于多维度人才评估策略的综合能力测评***。
背景技术
人才评估是指通过对候选人的能力、技能、工作经验、个性特征和潜力等方面进行评估和分析,以确定其是否适合特定职位的过程。人才评估在招聘过程中起着关键的作用,它可以通过各种工具和方法,如面试、能力测试、行为问题、案例研究、参考调查等,来综合评估候选人在相关领域的知识、技能和能力,评估结果可以帮助企业更准确地了解候选人的背景、能力和适应性,以便做出聘用决策。但是,现有技术中当候选人较多时,企业由于人力不足,无法对候选人进行及时评估,导致评估效率较低。
发明内容
本申请实施例提供了一种多维度人才评估策略的综合能力测评***,可以解决现有技术中存在评估效率较低的问题。
第一方面,本申请实施例提供了一种一种多维度人才评估策略的综合能力测评***,包括:
获取模块,用于获取待评估用户的基础信息,并根据所述基础信息生成第一评分项;
第一生成模块,用于根据所述基础信息生成提问信息,并发送所述提问信息至对应于所述待评估用户的用户终端;其中,所述提问信息用于指示所述用户终端播放提问信息对应的语音至所述待评估用户;
接收模块,用于接收所述用户终端返回的回答信息,生成第二评分项;
第二生成模块,用于根据所述基础信息生成三维场景信息,并发送所述三维场景信息至所述用户终端;其中,所述三维场景信息用于指示所述用户终端播放所述三维场景信息对应的画面至至所述待评估用户;
检测模块,用于检测所述待评估用户的动作信息,生成第三评分项;
评估模块,用于基于所述第一评分项、所述第二评分项以及所述第三评分项,根据人才评估策略进行评估,得到评估结果。
在第一方面的一种可能的实现方式中,所述第一生成模块,包括:
抽取模块,用于抽取所述基础信息中的目标句子;
问答模块,用于根据所述目标句子在预设问答库中查询对应的提问信息。
在第一方面的一种可能的实现方式中,所述问答模块,包括:
结构相似度计算子模块,用于根据下式计算所述目标句子与预设问答库中各个问句之间的结构相似度:
StrSim(S1,S2)=α×MorSim(S1,S2)+β×OrdSim(S1,S2)+γ×LenSim(S1,S2),
其中,S1表示目标句子,S2表示预设问答库中任意一个问句,StrSim(S1,S2)表示目标句子与预设问答库中各个问句之间的结构相似度,MorSim(S1,S2)表示目标句子与预设问答库中各个问句之间的词形相似度,OrdSim(S1,S2)表示目标句子与预设问答库中各个问句之间的词序相似度,LenSim(S1,S2)表示目标句子与预设问答库中各个问句之间的句长相似度,α表示词形相似度对应的权重值,β表示词序相似度对应的权重值,γ表示句长相似度对应的权重值;
形成子模块,根据结构相似度大于相似度阈值对应的问句形成提问信息。
在第一方面的一种可能的实现方式中,所述接收模块,包括:
查询子模块,用于在预设问答库中查询提问信息对应的答案信息;
语义评估子模块,用于根据所述答案信息对所述回答信息进行语义评估;
生成子模块,用于根据语义评估的结果生成第二评分项。
在第一方面的一种可能的实现方式中,所述语义评估子模块,包括:
向量化单元,用于将所述答案信息和所述回答信息输入至预训练BERT语言模型,得到所述答案信息对应的第一文本向量和所述所述回答信息对应的第二文本向量;
语义相似度计算单元,用于根据下式对所述第一文本向量和所述第二文本向量进行语义相似度计算,
其中,H表示语义相似度,A表示第一文本向量,B表示第二文本向量。
在第一方面的一种可能的实现方式中,所述第二生成模块,包括:
识别子模块,用于识别所述基础信息中的关键词;
查询子模块,用于根据所述关键词调用所述关键词对应的三维场景信息。
在第一方面的一种可能的实现方式中,所述第二生成模块,还包括:
采集子模块,用于采集现实场景中的场景数据;其中,所述场景数据包括全景图像数据以及场景视频数据;
构建子模块,用于根据所述全景图像数据和所述场景视频数据构建三维场景信息;
建立子模块,用于建立所述三维场景信息和所述关键词之间的关联关系。
在第一方面的一种可能的实现方式中,所述检测模块,包括:
获取子模块,用于实时获取所述待评估用户的行为视频数据;
行为识别子模块,用于将所述行为视频数据输入至预设行为识别网络中,输出待评估用户的动作信息。
在第一方面的一种可能的实现方式中,其特征在于,所述预设行为识别网络包括目标检测子网络、特征提取子网络以及分类子网络;
所述行为识别子模块,包括:
分割单元,用于根据所述目标检测子网络对所述行为视频数据进行目标分割,得到目标序列帧;
提取单元,用于根据所述特征提取子网络对所述目标序列帧进行特征提取,得到动态特征;
识别单元,用于根据所述分类子网络对动态特征进行识别,得到待评估用户的动作信息。
在第一方面的一种可能的实现方式中,所述评估模块,包括:
评分子模块,用于分别对所述第一评分项、所述第二评分项以及所述第三评分进行评分,得到所述第一评分项、所述第二评分项以及所述第三评分对应的分数;
评估子模块,用于将所述第一评分项、所述第二评分项以及所述第三评分项代入下式,得到评估结果:
其中,M表示评估结果,i=1,2,…n,n=3,W1表示第一评分项对应的权重,W2表示第二评分项对应的权重,W3表示第三评分项对应的权重,S1表示第三评分项对应的S2表示第三评分项对应的分数,S3表示第三评分项对应的分数
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例中,采用三个轮次从各个维度对候选人进行评估,第一轮评估,对候选人的基础信息进行文本识别,得到第一评分项,第二轮评估,基于候选人的基础信息进行智能问答,得到第二评分项,第三轮评估,根据候选人的的基础信息生成三维场景信息,生成虚拟场景对候选人进行行为评估,得到第三评分项,最后基于人才评估策略,综合三个评分项得到最后的评估结果。可见,本申请实施例可以综合多个维度自动化对候选人进行及时评估,提高评估效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于多维度人才评估策略的综合能力测评***的结构示意图;
图2是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
需说明的是,本申请实施例的基于多维度人才评估策略的综合能力测评***的应用场景是,在企业招聘过程中,在线下场景中对候选人进行自动化人才评估,将评估结果推送给面试官,从而对候选人进行及时评估,提高评估效率。进一步的,在线下场景中对候选人进行自动化人才评估过程中,本申请实施例采用三个轮次从各个维度对候选人进行评估(即第一轮评估,对候选人的基础信息进行文本识别,得到第一评分项;第二轮评估,基于候选人的基础信息进行智能问答,得到第二评分项;第三轮评估,根据候选人的的基础信息生成三维场景信息,生成虚拟场景对候选人进行行为评估,得到第三评分项),最后基于人才评估策略,综合三个评分项得到最后的评估结果。
下面对本申请实施例的技术方案进行介绍。
参见图1,为本申请实施例提供的基于多维度人才评估策略的综合能力测评***的结构示意图,该***可以应用于服务器,该***可以包括获取模块11、第一生成模块12、接收模块13、第二生成模块14、检测模块15以及评估模块16。
获取模块11,用于获取待评估用户的基础信息,并根据基础信息生成第一评分项。
其中,待评估用户是指参加企业面试的候选人,基础信息可以是候选人的简历信息,第一评分项可以为基本项、专业项、长远项以及期望项,基本项具体包括候选人的性别、年龄、住址、毕业学校、专业方向以及工作经验等,专业项具体包括候选人的专业技能的掌握程度,长远项具体包括候选人的长远规划等,期望项具体包括候选人的期望岗位、期望薪资以及期望工作地点等。
示例性地,采用命名实体识别技术(Named Entity Recognition,NER)提取基础信息中的评分项。
可以理解的是,在第一轮人才评估中,通过对候选人的简历信息进行文本识别,从而了解候选人的基本信息。
第一生成模块12,用于根据基础信息生成提问信息,并发送提问信息至对应于待评估用户的用户终端。
其中,提问信息用于指示用户终端播放提问信息对应的语音至待评估用户。需说明的是,用户终端可以是集成有麦克风、扬声器的虚拟现实(Virtual Reality,VR)设备。可以理解的是,提问信息是基于基础信息中的第一评分项结合岗位要求生成的预先编制好的面试题目。
示例性地,第一生成模块,包括:
抽取模块21,用于抽取基础信息中的目标句子。
示例性地,遍历基础信息中的句子,根据正则表达式对基础信息中的句子进行匹配,确定出目标句子。
问答模块22,用于根据目标句子在预设问答库中查询对应的提问信息。
示例性地,问答模块,包括:
结构相似度计算子模块31,用于根据下式计算目标句子与预设问答库中各个问句之间的结构相似度:
StrSim(S1,S2)=α×MorSim(S1,S2)+β×OrdSim(S1,S2)+γ×LenSim(S1,S2),
其中,S1表示目标句子,S2表示预设问答库中任意一个问句,StrSim(S1,S2)表示目标句子与预设问答库中各个问句之间的结构相似度,MorSim(S1,S2)表示目标句子与预设问答库中各个问句之间的词形相似度,OrdSim(S1,S2)表示目标句子与预设问答库中各个问句之间的词序相似度,LenSim(S1,S2)表示目标句子与预设问答库中各个问句之间的句长相似度,α表示词形相似度对应的权重值,β表示词序相似度对应的权重值,γ表示句长相似度对应的权重值,且满足α+β+γ=1。
示例性地,根据下式计算词形相似度:
其中,MorSim(S1,S2)表示词形相似度,S1表示目标句子,S2表示预设问答库中任意一个问句,Com(S1,S2)表示目标句子与预设问答库中各个问句之间经分词结果后共同拥有的特征项个数,Len(S1)表示目标句子的长度,Len(S2)表示预设问答库中任意一个问句的长度。
示例性地,根据下式计算词序相似度:
其中,OrdSim(S1,S2)表示词序相似度,将S1和S2中均出现且只出现一次的词汇集合定义为Once(S1,S2),s代表Once(S1,S2)集合中词汇的个数,AIN(S1,S2,s)表示预设问答库中任意一个问句的长度S2中词汇的逆序数。
示例性地,根据下式计算句长相似度:
其中,LenSim(S1,S2)表示句长相似度,Len(S1)表示目标句子的长度,Len(S2)表示预设问答库中任意一个问句的长度,abs()表示绝对值函数,计算两个句子长度差值的绝对值。
形成子模块32,根据结构相似度大于相似度阈值对应的问句形成提问信息。
接收模块13,用于接收用户终端返回的回答信息,生成第二评分项。
示例性地,接收模块,包括:
查询子模块41,用于在预设问答库中查询提问信息对应的答案信息。
语义评估子模块42,用于根据答案信息对回答信息进行语义评估。
其中,答案信息是指提问信息对应的标准考核答案。
具体应用中,语义评估子模块,包括:
向量化单元51,用于将答案信息和回答信息输入至预训练BERT语言模型,得到答案信息对应的第一文本向量和回答信息对应的第二文本向量;
语义相似度计算单元52,用于根据下式对第一文本向量和第二文本向量进行语义相似度计算,
其中,H表示语义相似度,A表示第一文本向量,B表示第二文本向量。
生成子模块43,用于根据语义评估的结果生成第二评分项。
可以理解的是,在第二轮人才评估中采用智能问答的方式通过预先编制好的面试题目和对应的标准考核答案,对候选人的回答进行量化分析,从而了解候选人的知识、能力、经验和综合素质。
第二生成模块14,用于根据基础信息生成三维场景信息,并发送三维场景信息至用户终端。
其中,三维场景信息用于指示用户终端播放三维场景信息对应的画面至至待评估用户。
具体应用中,第二生成模块,包括:
识别子模块61,用于识别基础信息中的关键词。示例性地,采用字符串查找的方式,筛选出候选人基础中与历史工作事件关联的关键词,从而根据呈现候选人历史工作事件相关的虚拟工作情景,根据候选人在虚拟工作情景的行为,确定出候选人的岗位胜任能力。
查询子模块62,用于根据关键词调用关键词对应的三维场景信息。
在一种可能的实现方式中,第二生成模块,还包括:
采集子模块71,用于采集现实场景中的场景数据。
其中,场景数据包括全景图像数据以及场景视频数据,全景图像数据是指可以呈现出某个场景的完整视角的图像,场景视频数据是指由一段连续画面帧组成的视频,现实场景是指候选人历史工作事件真实发生的现实场景。
构建子模块72,用于根据全景图像数据和场景视频数据构建三维场景信息。
示例性地,构建子模块,包括:
构建单元81,用于基于全景图像数据,根据预设场景重建算法构建静态三维模型。
其中,预设场景重建算法是指kinectfusion算法,它结合了实时深度图像获取和体素融合技术,能够从深度图像流中实时生成和更新三维场景模型。
融合单元82,用于将静态三维模型和场景视频数据进行融合,得到三维场景信息。
示例性地,采用RANSAC匹配算法对静态三维模型和场景视频数据进行配准,将静态三维模型所在的坐标系与场景视频数据所在坐标系进行统一,将场景视频数据***到静态三维模型中,得到三维场景信息。
建立子模块73,用于建立三维场景信息和关键词之间的关联关系。
检测模块15,用于检测待评估用户的动作信息,生成第三评分项。
具体应用中,检测模块,包括:
获取子模块91,用于实时获取待评估用户的行为视频数据。
其中,行为视频数据是根据线下场景中设置的摄像头采集候选人在观看三维场景信息对应的画面时作出的行为得到视频数据。
行为识别子模块92,用于将行为视频数据输入至预设行为识别网络中,输出待评估用户的动作信息。
示例性地,预设行为识别网络包括目标检测子网络、特征提取子网络以及分类子网络。
行为识别子模块,包括:
分割单元101,根据目标检测子网络对行为视频数据进行目标分割,得到目标序列帧。
提取单元102,根据特征提取子网络对目标序列帧进行特征提取,得到动态特征。
识别单元103,根据分类子网络对动态特征进行识别,得到待评估用户的动作信息。
可以理解的是,在第三轮评估中,根据候选人的的基础信息生成三维场景信息(即虚拟场景),对候选人的行为进行识别,得到的第三评分项。例如,三维场景信息以“虚拟角色”的营销经理爱德华的故事为例,从人物的特点描述和目标完成情况开始,然后播放工作场景,随着视频的进行,候选人会逐渐了解工作事件的冲突和矛盾,认识到工作场景中的不同角色。一般来说,有3-5个场景片段,每个片段中的行为动作代表候选人做出的决定,每个主题都是候选人下一个工作事件的线索或原因,然后转到下一个场景,候选人被要求做出决定,每一个决定对后续故事的发展方向都有不同的影响。最终根据候选人对候选人的行为进行分析,得到岗位胜任能力作为评分项。
评估模块16,用于基于第一评分项、第二评分项以及第三评分项,根据人才评估策略进行评估,得到评估结果。
具体应用中,评估模块,包括:
评分子模块111,分别对第一评分项、第二评分项以及第三评分进行评分,得到第一评分项、第二评分项以及第三评分对应的分数。可以理解的是,根据预先设置的评分标准分别对第一评分项、第二评分项以及第三评分进行打分。
评估子模块112,将第一评分项、第二评分项以及第三评分项代入下式,得到评估结果:
其中,M表示评估结果,i=1,2,…n,n=3,W1表示第一评分项对应的权重,W2表示第二评分项对应的权重,W3表示第三评分项对应的权重,S1表示第三评分项对应的分数,S2表示第三评分项对应的分数,S3表示第三评分项对应的分数。
本申请实施例中,采用三个轮次从各个维度对候选人进行评估,第一轮评估,对候选人的基础信息进行文本识别,得到第一评分项,第二轮评估,基于候选人的基础信息进行智能问答,得到第二评分项,第三轮评估,根据候选人的的基础信息生成三维场景信息,生成虚拟场景对候选人进行行为评估,得到第三评分项,最后基于人才评估策略,综合三个评分项得到最后的评估结果。可见,本申请实施例可以综合多个维度自动化对候选人进行及时评估,提高评估效率。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图2为本申请实施例提供的服务器的结构示意图。如图2所示,该实施例的服务器2包括:至少一个处理器20、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序42,所述处理器20执行所述计算机程序42时实现上述任意***实施例中对应的应用方法。
所述服务器2可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该服务器可包括,但不仅限于,处理器20、存储器21。本领域技术人员可以理解,图2仅仅是服务器2的举例,并不构成对服务器2的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),该处理器20还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21在一些实施例中可以是所述服务器2的内部存储单元,例如服务器2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述服务器2的外部存储设备,例如所述服务器2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器21还可以既包括所述服务器2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种多维度人才评估策略的综合能力测评***,其特征在于,包括:
获取模块,用于获取待评估用户的基础信息,并根据所述基础信息生成第一评分项;
第一生成模块,用于根据所述基础信息生成提问信息,并发送所述提问信息至对应于所述待评估用户的用户终端;其中,所述提问信息用于指示所述用户终端播放提问信息对应的语音至所述待评估用户;
接收模块,用于接收所述用户终端返回的回答信息,生成第二评分项;
第二生成模块,用于根据所述基础信息生成三维场景信息,并发送所述三维场景信息至所述用户终端;其中,所述三维场景信息用于指示所述用户终端播放所述三维场景信息对应的画面至至所述待评估用户;
检测模块,用于检测所述待评估用户的动作信息,生成第三评分项;
评估模块,用于基于所述第一评分项、所述第二评分项以及所述第三评分项,根据人才评估策略进行评估,得到评估结果。
2.如权利要求1所述的多维度人才评估策略的综合能力测评***,所述第一生成模块,包括:
抽取模块,用于抽取所述基础信息中的目标句子;
问答模块,用于根据所述目标句子在预设问答库中查询对应的提问信息。
3.如权利要求2所述的多维度人才评估策略的综合能力测评***,所述问答模块,包括:
结构相似度计算子模块,用于根据下式计算所述目标句子与预设问答库中各个问句之间的结构相似度:
StrSim(S1,S2)=α×MorSim(S1,S2)+β×OrdSim(S1,S2)+γ×LenSim(S1,S2),
其中,S1表示目标句子,S2表示预设问答库中任意一个问句,StrSim(S1,S2)表示目标句子与预设问答库中各个问句之间的结构相似度,MorSim(S1,S2)表示目标句子与预设问答库中各个问句之间的词形相似度,OrdSim(S1,S2)表示目标句子与预设问答库中各个问句之间的词序相似度,LenSim(S1,S2)表示目标句子与预设问答库中各个问句之间的句长相似度,α表示词形相似度对应的权重值,β表示词序相似度对应的权重值,γ表示句长相似度对应的权重值;
形成子模块,根据结构相似度大于相似度阈值对应的问句形成提问信息。
4.如权利要求2所述的多维度人才评估策略的综合能力测评***,所述接收模块,包括:
查询子模块,用于在预设问答库中查询提问信息对应的答案信息;
语义评估子模块,用于根据所述答案信息对所述回答信息进行语义评估;
生成子模块,用于根据语义评估的结果生成第二评分项。
5.如权利要求4所述的多维度人才评估策略的综合能力测评***,所述语义评估子模块,包括:
向量化单元,用于将所述答案信息和所述回答信息输入至预训练BERT语言模型,得到所述答案信息对应的第一文本向量和所述所述回答信息对应的第二文本向量;
语义相似度计算单元,用于根据下式对所述第一文本向量和所述第二文本向量进行语义相似度计算,
其中,H表示语义相似度,A表示第一文本向量,B表示第二文本向量。
6.如权利要求1所述的多维度人才评估策略的综合能力测评***,所述第二生成模块,包括:
识别子模块,用于识别所述基础信息中的关键词;
查询子模块,用于根据所述关键词调用所述关键词对应的三维场景信息。
7.如权利要求6所述的多维度人才评估策略的综合能力测评***,所述第二生成模块,还包括:
采集子模块,用于采集现实场景中的场景数据;其中,所述场景数据包括全景图像数据以及场景视频数据;
构建子模块,用于根据所述全景图像数据和所述场景视频数据构建三维场景信息;
建立子模块,用于建立所述三维场景信息和所述关键词之间的关联关系。
8.如权利要求1所述的多维度人才评估策略的综合能力测评***,所述检测模块,包括:
获取子模块,用于实时获取所述待评估用户的行为视频数据;
行为识别子模块,用于将所述行为视频数据输入至预设行为识别网络中,输出待评估用户的动作信息。
9.如权利要求8所述的多维度人才评估策略的综合能力测评***,其特征在于,所述预设行为识别网络包括目标检测子网络、特征提取子网络以及分类子网络;
所述行为识别子模块,包括:
分割单元,用于根据所述目标检测子网络对所述行为视频数据进行目标分割,得到目标序列帧;
提取单元,用于根据所述特征提取子网络对所述目标序列帧进行特征提取,得到动态特征;
识别单元,用于根据所述分类子网络对动态特征进行识别,得到待评估用户的动作信息。
10.如权利要求1至8任一项所述的多维度人才评估策略的综合能力测评***,其特征在于,所述评估模块,包括:
评分子模块,用于分别对所述第一评分项、所述第二评分项以及所述第三评分进行评分,得到所述第一评分项、所述第二评分项以及所述第三评分对应的分数;
评估子模块,用于将所述第一评分项、所述第二评分项以及所述第三评分项代入下式,得到评估结果:
其中,M表示评估结果,i=1,2,…n,n=3,W1表示第一评分项对应的权重,W2表示第二评分项对应的权重,W3表示第三评分项对应的权重,S1表示第三评分项对应的分数,S2表示第三评分项对应的分数,S3表示第三评分项对应的分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058841.3A CN117114475A (zh) | 2023-08-21 | 2023-08-21 | 基于多维度人才评估策略的综合能力测评*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058841.3A CN117114475A (zh) | 2023-08-21 | 2023-08-21 | 基于多维度人才评估策略的综合能力测评*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114475A true CN117114475A (zh) | 2023-11-24 |
Family
ID=88794139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311058841.3A Pending CN117114475A (zh) | 2023-08-21 | 2023-08-21 | 基于多维度人才评估策略的综合能力测评*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114475A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069484A (zh) * | 2024-04-18 | 2024-05-24 | 清华大学 | 数据中心网络运维评估方法、装置及存储介质 |
CN118069484B (zh) * | 2024-04-18 | 2024-07-16 | 清华大学 | 数据中心网络运维评估方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273350A (zh) * | 2017-05-16 | 2017-10-20 | 广东电网有限责任公司江门供电局 | 一种实现智能问答的信息处理方法及其装置 |
CN109670023A (zh) * | 2018-12-14 | 2019-04-23 | 平安城市建设科技(深圳)有限公司 | 人机自动面试方法、装置、设备和存储介质 |
KR102047385B1 (ko) * | 2018-09-21 | 2019-11-21 | 삼성생명보험주식회사 | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 |
CN110874716A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技(深圳)有限公司 | 面试测评方法、装置、电子设备及存储介质 |
CN111222837A (zh) * | 2019-10-12 | 2020-06-02 | 中国平安财产保险股份有限公司 | 智能化面试的方法、***、设备及计算机存储介质 |
CN113034044A (zh) * | 2021-04-20 | 2021-06-25 | 平安科技(深圳)有限公司 | 基于人工智能的面试方法、装置、设备及介质 |
CN115641101A (zh) * | 2022-10-19 | 2023-01-24 | 浙江连信科技有限公司 | 一种智能化招聘的方法、装置及计算机可读介质 |
CN116091014A (zh) * | 2023-03-07 | 2023-05-09 | 安徽智享云科技有限公司 | 一种基于多模态识别的人力资源面试*** |
-
2023
- 2023-08-21 CN CN202311058841.3A patent/CN117114475A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273350A (zh) * | 2017-05-16 | 2017-10-20 | 广东电网有限责任公司江门供电局 | 一种实现智能问答的信息处理方法及其装置 |
KR102047385B1 (ko) * | 2018-09-21 | 2019-11-21 | 삼성생명보험주식회사 | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 |
CN109670023A (zh) * | 2018-12-14 | 2019-04-23 | 平安城市建设科技(深圳)有限公司 | 人机自动面试方法、装置、设备和存储介质 |
CN110874716A (zh) * | 2019-09-23 | 2020-03-10 | 平安科技(深圳)有限公司 | 面试测评方法、装置、电子设备及存储介质 |
CN111222837A (zh) * | 2019-10-12 | 2020-06-02 | 中国平安财产保险股份有限公司 | 智能化面试的方法、***、设备及计算机存储介质 |
CN113034044A (zh) * | 2021-04-20 | 2021-06-25 | 平安科技(深圳)有限公司 | 基于人工智能的面试方法、装置、设备及介质 |
CN115641101A (zh) * | 2022-10-19 | 2023-01-24 | 浙江连信科技有限公司 | 一种智能化招聘的方法、装置及计算机可读介质 |
CN116091014A (zh) * | 2023-03-07 | 2023-05-09 | 安徽智享云科技有限公司 | 一种基于多模态识别的人力资源面试*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069484A (zh) * | 2024-04-18 | 2024-05-24 | 清华大学 | 数据中心网络运维评估方法、装置及存储介质 |
CN118069484B (zh) * | 2024-04-18 | 2024-07-16 | 清华大学 | 数据中心网络运维评估方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6893233B2 (ja) | 画像に基づくデータ処理方法、装置、電子機器、コンピュータ可読記憶媒体およびコンピュータプログラム | |
WO2021114840A1 (zh) | 基于语义分析的评分方法、装置、终端设备及存储介质 | |
CN111046133A (zh) | 基于图谱化知识库的问答方法、设备、存储介质及装置 | |
WO2021218028A1 (zh) | 基于人工智能的面试内容精炼方法、装置、设备及介质 | |
CN111126553A (zh) | 智能机器人面试方法、设备、存储介质及装置 | |
WO2018196718A1 (zh) | 图像消歧方法、装置、存储介质和电子设备 | |
CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
CN113094478B (zh) | 表情回复方法、装置、设备及存储介质 | |
CN111538816A (zh) | 基于ai识别的问答方法、装置、电子设备及介质 | |
CN112685550B (zh) | 智能问答方法、装置、服务器及计算机可读存储介质 | |
CN116824278A (zh) | 图像内容分析方法、装置、设备和介质 | |
CN107844531B (zh) | 答案输出方法、装置和计算机设备 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN113361396A (zh) | 多模态的知识蒸馏方法及*** | |
CN113220854B (zh) | 机器阅读理解的智能对话方法及装置 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN116402166B (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN112434144A (zh) | 生成目标问题的方法、装置、电子设备和计算机可读介质 | |
CN110263346B (zh) | 基于小样本学习的语意分析方法、电子设备及存储介质 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN112989001B (zh) | 一种问答处理方法、装置、介质及电子设备 | |
CN117114475A (zh) | 基于多维度人才评估策略的综合能力测评*** | |
CN111883111B (zh) | 话术训练处理方法、装置、计算机设备和可读存储介质 |
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 |