【技术实现步骤摘要】
一种面试辅助方法及装置
[0001]本专利技术涉及人才招聘的辅助技术，尤其涉及一种面试辅助方法，以及一种面试辅助装置。
技术介绍
[0002]人才是企业获取持续竞争优势的重要源泉，企业间的“人才战争”正在变得越来越激烈。如何对求职者进行筛选，聘用其中适合招聘岗位的优秀人才，成为了企业招聘工作的一大挑战。目前，大部分企业通常会根据应聘者的教育背景、硬技能(专业知识/技能水平)和以往经验来做出是否聘用的决定，却很少对应聘者的软技能进行考核。
[0003]上述软技能指的是个人的综合素质，也可以叫胜任力，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、抗压能力和对所从事岗位的专业热忱等。根据领英2019年3月发布的人才趋势报告显示，80％的受访人员(来自于35个国家的5000多位招聘人员)认为软技能对企业成功越来越重要，89％认为聘用的员工表现不佳往往是由于缺乏软技能，而不单单只是硬技能薄弱的问题。尤其在科学技术飞速发展的今天，专业知识、技能水平等硬技能的更新迭代周期正在缩短并随时可能过时，但时间管理能力、沟通能力、适应能力等软技能却会随着时间的推移而历久弥新。因此，软技能的评估在当今这个自动化和人工智能兴起的社会已变得尤为的不可或缺，是企业招聘过程中不能缺少的一环。
[0004]面试环节为企业提供了一个深入了解候选人的机会，可以帮助企业对候选人的形象、沟通表达、性格等笔试中难以获得的软技能进行评估，以便于判断候选人是否能够胜任招聘的岗位。然而，由于企业中部分面试官缺少...
【技术保护点】
【技术特征摘要】
1.一种面试辅助方法，其特征在于，包括：根据待面试岗位的岗位信息，从岗位说明书库中确定匹配度得分最高的岗位说明书；响应于所述匹配度得分高于或等于预设阈值，将所述匹配度得分最高的岗位说明书作为最匹配的岗位说明书；根据所述最匹配的岗位说明书获取其对应的胜任力模型，其中，所述胜任力模型包括多个胜任力要素，每个胜任力要素对应多道考题，所述多个胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库；以及根据每个所述胜任力要素从所述胜任力题库选择一道或多道考题，以生成多道推荐考题。2.如权利要求1所述的面试辅助方法，其特征在于，确定所述匹配度得分最高的岗位说明书的步骤包括：将所述岗位信息与所述岗位说明书库中的一份岗位说明书组成文本对；将所述文本对输入预先训练的文本匹配模型，以获取所述岗位信息与所述岗位说明书的匹配度得分；以及依次获取所述岗位信息与所述岗位说明书库中的每一份岗位说明书的匹配度得分，以确定所述匹配度得分最高的岗位说明书。3.如权利要求2所述的面试辅助方法，其特征在于，预先训练所述文本匹配模型的步骤包括：将一份岗位信息样本与一份岗位说明书样本组成文本对样本；从所述文本对样本提取多个文本特征；为各所述文本特征分别赋予权重，并决定各所述文本特征的表示；以及依次将多份岗位信息样本与多份岗位说明书样本组成的多个文本对样本作为输入，并将各所述文本对样本对应的匹配度人工打分标签作为模型输出的训练目标，训练各所述权重以实现所述文本对到所述匹配度得分的匹配度映射。4.如权利要求1所述的面试辅助方法，其特征在于，所述岗位说明书库包括三层结构，其中，第一层包括至少一个岗位大类，第二层包括所述岗位大类下的至少一个细分岗位，第三层包括所述细分岗位下的至少一份岗位说明书，所述面试辅助方法还包括：响应于所述匹配度得分低于所述预设阈值，对所述岗位信息进行分段处理以得到多个短文本，并获取与所述匹配度得分最高的岗位说明书位于同一岗位大类的所有岗位说明书对应的胜任力模型；将一个所述短文本与各所述胜任力模型中的一个胜任力要素组成文本对；将所述文本对输入预先训练的文本匹配模型，以获取所述短文本与所述胜任力要素的匹配度得分；依次获取各所述短文本与各所述胜任力模型中的各所述胜任力要素的匹配度得分；以及将匹配度得分最高的多个不重复的胜任力要素的组合作为所述岗位信息对应的胜任力模型，其中，所述匹配度得分最高的多个不重复的胜任力要素对应的多道考题构成对应于所述胜任力模型的胜任力题库。5.如权利要求1所述的面试辅助方法，其特征在于，构建所述岗位说明书库的步骤包
括：从至少一个招聘信息源获取至少一个岗位的多份岗位说明书；根据一份岗位说明书确定其对应岗位要求的多个胜任力要素，其中，每个胜任力要素对应所述岗位要求的一项素质；以所述多个胜任力要素的组合作为所述岗位说明书对应的胜任力模型；根据所述多个胜任力要素从胜任力词典获取每个所述胜任力要素对应的多道考题，以构建所述岗位说明书对应的胜任力题库；以及将所述多份岗位说明书、每份所述岗位说明书对应的胜任力模型及胜任力题库关联地存储，以构成所述岗位说明书库。6.如权利要求5所述的面试辅助方法，其特征在于，构建所述胜任力词典的步骤包括：根据各岗位的高绩效员工与低绩效员工的素质区别特征，确定各所述岗位要求的多个胜任力要素；以所述至少一个岗位要求的多个胜任力要素构建胜任力词典，其中，所述胜任力词典中的每个所述胜任力要素包括多个胜任力等级；以及为每个所述胜任力要素人工编写多道对应的考题，其中，每道考题包括多个答案，每个答案对应一个所述胜任力等级。7.如权利要求1所述的面试辅助方法，其特征在于，还包括：将所述多道推荐考题按胜任力要素分别显示于面试官界面；响应于面试官选择其中的一道推荐考题，将选择的推荐考题显示于候选人界面，并采集候选人回答所述推荐考题的图像信息及声音信息；根据所述图像信息对所述候选人回答所述推荐考题的形象及表情打分；根据所述声音信息对所述候选人回答所述推荐考题的语音及答案打分；以及响应于所述候选人完成所述面试官选择的所有推荐考题，根据所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分及答案得分，确定所述候选人的面试结果。8.如权利要求7所述的面试辅助方法，其特征在于，所述图像信息包括面试视频，对所述候选人回答所述推荐考题的形象打分的步骤包括：从所述面试视频抽取多张图片帧，以获取所述面试视频的图像序列；对所述图像序列的一张图片帧进行矩阵表示、卷积计算及池化操作，以获取所述图片帧的最终特征；将所述最终特征输入形象打分模型，通过分类层确定所述图片帧对应的形象得分，其中，所述形象打分模型是以多张图片帧样本为输入，并以对应的人工打分标签为输出，通过调整所述卷积计算及所述分类层的学习参数预先训练的；以及根据各所述图片帧对应的形象得分，确定所述候选人回答所述推荐考题的形象得分。9.如权利要求8所述的面试辅助方法，其特征在于，对所述候选人回答所述推荐考题的表情打分的步骤包括：对一张所述图片帧进行识别检测，以提取所述图片帧中的人脸区域；对所述人脸区域进行标定，以预测所述图片帧中的人脸关键点；采用旋转、翻转和/或缩放的图像增强操作，以保证所述人脸关键点的数据充分；对所述人脸区域进行归一化操作，以排除光照强度和头部姿态对表情识别效果的影
响；对归一化操作后的图像帧进行卷积计算、池化操作及分类层分类，以确定所述图片帧对应的表情得分，其中，所述卷积计算及所述分类层分类的学习参数是以多张图片帧的人脸区域样本为输入，并以对应的人工打分标签为输出预先训练的；以及根据各所述图片帧对应的表情得分，确定所述候选人回答所述推荐考题的表情得分。10.如权利要求7所述的面试辅助方法，其特征在于，所述声音信息包括面试音频，对所述候选人回答所述推荐考题的语音打分的步骤包括：对所述面试音频进行声音特征提取，以获取所述面试音频的声音序列；以及将所述声音序列输入声音打分模型，以确定所述候选人回答所述推荐考题的语音得分，其中，所述声音打分模型是以多个声音序列样本为输入，并以标注师根据对应音频样本的语气、语速及流畅度人工标注的声音标签为输出，通过机器学习或深度神经网络的方法预先训练的。11.如权利要求10所述的面试辅助方法，其特征在于，对所述候选人回答所述推荐考题的答案打分的步骤包括：对所述面试音频进行语音识别，以获取所述答案的文本；将所述推荐考题与所述答案的文本组成文本问答对；以及将所述文本问答对转化为词向量并输入文本打分模型，以确定所述候选人回答所述推荐考题的答案得分，其中，所述文本打分模型是以多个词向量样本为输入，并以标注师根据对应答案的正确性、条理性及完整性人工标注的答案得分标签为输出预先训练的。12.如权利要求7所述的面试辅助方法，其特征在于，确定所述面试结果的步骤包括：根据所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分或答案得分，确定所述候选人在对应考核维度的平均得分，其中，各所述考核维度的平均得分指示所述候选人在对应考核维度的素质；对所述候选人回答各所述推荐考题的形象得分、表情得分、语音得分及答案得分进行加权求和，以确定所述候选人的总得分；以及根据所述总得分是否高于合格阈值判断所述候选人是否通过面试，其中，所述合格阈值是以多个总得分样本为输入，并以对应的面试结果为输出，预先训练匹配模型来确定的。13.一种面试辅助装置，其特征在于，包括：存储器；以及处理...
【专利技术属性】
技术研发人员：颜让，陈凯，刘志伟，方小雷，陈清财，
申请(专利权)人：上海近屿智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。