智能面试认真程度预测方法、装置、电子设备及存储介质与流程

1.本技术涉及信息处理技术领域，具体涉及智能面试认真程度预测方法、装置、电子设备及存储介质。


背景技术：

2.传统的岗位面试筛选方法需耗费人事大量的人力、时间，故为了减轻人事的人力、时间，产生了智能面试系统，智能面试系统是一个通过互联网和人工智能技术结合起来的系统，当候选人针对指定问题进行回答时，系统自动给出基于候选人回答的语言表达(如流畅度等)和内容(如是否正确回答问题等)打分。
3.然而现有的智能面试系统中，尚没有系统根据候选人的回答语料信息判断面试答题认真程度，这样会造成不认真回答的面试语料信息与认真回答面试语料信息一起进入智能面试系统，对后续评分过程增加难度。


技术实现要素：

4.鉴于上述问题，提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的智能面试认真程度预测方法、系统、电子设备及存储介质。
5.第一方面，本技术实施例提供了一种智能面试认真程度预测方法，包括：获取面试候选人的回答语料信息；对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；将预处理后的回答语料信息转化为回答语料张量；基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果。
6.在一些实施例中，获取面试候选人的回答语料信息之前，还包括：获取面试候选人的回答语料；对面试候选人的回答语料进行去噪处理，得到去噪处理后的回答语料；将去噪处理后的回答语料转化成文本，文本为回答语料信息。
7.在一些实施例中，对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息，包括：判断回答语料信息中的回答语料文本是否含有空值，对回答语料文本进行空值预处理，得到不含空值的回答语料文本数据；判断不含空值的回答语料文本数据是否包含错误字符，对不含空值的回答语料文本数据进行错误字符剔除处理，得到错误字符剔除处理后的回答语料文本数据；将错误字符剔除处理后的回答语料文本数据作为预处理后的回答语料信息。
8.在一些实施例中，基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果之前，还包括：获取面试候选人回答语料训练数据集；对面试候选人回答语料训练数据集进行认真程度标记，得到认真程度标记后的面试候选人回答语料训练数据集；利用认真程度标记后的面试候选人回答语料训练数据集对自编码语言模型进行训练，得到训练好的自编码语言模型。
9.在一些实施例中，对面试候选人回答语料训练数据集进行认真程度标记，得到认真程度标记后的面试候选人回答语料训练数据集，包括：基于不同的标注类型，对面试候选
人回答语料训练数据集进行认真程度标记，不同的标注类型包括空白回答、无意义文本、重复文本、不认真回答。
10.在一些实施例中，利用认真程度标记后的面试候选人回答语料训练数据集对自编码语言模型进行训练，得到训练好的自编码语言模型，包括：对自编码语言模型进行训练时，基于自编码语言模型，对面试候选人回答语料训练数据集中的语料样本进行词粒度的随机掩码；设置动词掩码参数，动词掩码参数用于提高动词的掩码概率，得到未被掩码的词向量以及被掩码的词向量；利用未被掩码的词向量对被掩码的词向量进行预测，得到语料样本的语义特征；对语料样本的语义特征进行认真程度预测，得到语料样本对应的认真程度预测结果；基于语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型。
11.在一些实施例中，基于语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型，还包括：获取语料样本对应的面试题目；获取面试题目对应的语义特征；获取语料样本的语义特征与面试题目对应的语义特征之间的相似度；基于相似度、语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型。
12.第二方面，本技术实施例提供了一种智能面试认真程度预测装置，包括：语料信息获取模块，用于获取面试候选人的回答语料信息；预处理模块，用于对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；张量转化模块，用于将预处理后的回答语料信息转化为回答语料张量；预测模块，用于基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果。
13.第三方面，本技术实施例提供了一种电子设备，包括存储器存储有多条指令；处理器从存储器中加载指令，以执行本技术实施例所提供的任一种智能面试认真程度预测方法中的步骤。
14.第四方面，本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本技术实施例所提供的任一种智能面试认真程度预测方法中的步骤。
15.本技术实施例可以获取面试候选人的回答语料信息；然后对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；再将预处理后的回答语料信息转化为回答语料张量；最后基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果。
16.本发明提供了一种根据候选人的回答语料信息来判断候选人面试认真程度的方法，解决了目前智能面试系统针对不认真回答打分不准确的问题，本技术不仅克服了传统人工面试评判打分的主观性，而且基于预先训练好的自编码语言模型对回答语料张量进行预测，提高了候选人面试认真程度预测准确率。
附图说明
17.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，对于本领域技术人员来讲，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。
18.图1是本技术实施例提供的智能面试认真程度预测方法的场景示意图；
19.图2是本技术实施例提供的智能面试认真程度预测方法的流程示意图；
20.图3是本技术实施例提供的智能面试认真程度预测装置的结构示意图；
21.图4是本技术实施例提供的电子设备的结构示意图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
23.本技术实施例提供一种智能面试认真程度预测方法、装置、电子设备及存储介质。
24.其中，该智能面试认真程度预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(personal computer，pc)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
25.在一些实施例中，该智能面试认真程度预测装置还可以集成在多个电子设备中，比如，智能面试认真程度预测装置可以集成在多个服务器中，由多个服务器来实现本技术的智能面试认真程度预测方法。
26.在一些实施例中，服务器也可以以终端的形式来实现。
27.例如，参考图1，该电子设备可以包括存储终端11、服务器12等，存储终端11可以存储面试候选人的回答语料信息等，存储终端11、服务器12之间相互通信连接，在此不再赘述。
28.其中，服务器12可以为云服务器等，服务器12可以包括处理器和存储器等。服务器12可以先获取面试候选人的回答语料信息；然后对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；再将预处理后的回答语料信息转化为回答语料张量；最后基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果等。
29.以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
30.在本技术实施例中，提供了一种涉及信息处理的智能面试认真程度预测方法，如图2所示，应用于服务器中，该智能面试认真程度预测方法的具体流程可以如下：
31.200、获取面试候选人的回答语料信息。
32.在本技术实施例中，面试候选人回答可以有两种形式：第一种是候选人通过键盘、鼠标等输入设备，直接输入文本；第二种是候选人通过摄像头，话筒等输入设备，输入语音信号，再通过自动语音识别技术(automatic speech recognition，asr)转换成文本。本技术实施例的回答语料信息可以包括面试候选人直接输入的文本，还可以包括面试候选人输入语音转化成的文本等。
33.在一些实施例中，获取面试候选人的回答语料信息之前，还包括：获取面试候选人
的回答语料；对面试候选人的回答语料进行去噪处理，得到去噪处理后的回答语料；将去噪处理后的回答语料转化成文本，文本为回答语料信息。
34.在本技术实施例中，面试候选人的回答语料可以包括直接输入的文本，还可以包括语音信息等。当面试候选人输入语音时，语音信息中包含有噪声，本技术实施例可以通过对面试候选人的回答语料进行去噪处理，得到去噪处理后的回答语料，然后将去噪处理后的回答语料转化成文本，文本为回答语料信息。本技术实施例通过对面试候选人的回答语料进行去噪处理，不仅减少了服务器处理大量数据的压力，提高智能面试认真程度预测效率，而且还提高了后续智能面试认真程度预测的准确率。
35.210、对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息。
36.在一些实施例中，对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息，包括：判断回答语料信息中的回答语料文本是否含有空值，对回答语料文本进行空值预处理，得到不含空值的回答语料文本数据；判断不含空值的回答语料文本数据是否包含错误字符，对不含空值的回答语料文本数据进行错误字符剔除处理，得到错误字符剔除处理后的回答语料文本数据；将错误字符剔除处理后的回答语料文本数据作为预处理后的回答语料信息。
37.在本技术实施例中，可以先对面试候选人的回答语料信息的文本内容进行预处理判断，包括进行空值预处理，即是否有空白文本；还可以包括错误字符剔除处理等。
38.本技术实施例中，当面试候选人的回答语料信息的文本内容为纯数字文本时，可以将面试候选人的回答标记为不认真回答。
39.220、将预处理后的回答语料信息转化为回答语料张量。
40.本技术实施例中，可以采用自然语言处理技术(natural language processing，nlp)将预处理后的回答语料信息转化为回答语料张量。本技术实施例可以采用one-hot编码、word转为向量(word2vec)、词嵌入(word embedding)等方式将预处理后的回答语料信息转化为回答语料张量。
41.230、基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果。
42.本技术实施例中，认真程度预测结果可以包括面试候选人认真程度的类型以及概率值等。
43.在一些实施例中，基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果之前，还包括：获取面试候选人回答语料训练数据集；对面试候选人回答语料训练数据集进行认真程度标记，得到认真程度标记后的面试候选人回答语料训练数据集；利用认真程度标记后的面试候选人回答语料训练数据集对自编码语言模型进行训练，得到训练好的自编码语言模型。
44.在本技术实施例中，可以先收集面试候选人回答语料训练数据集，面试候选人回答语料训练数据集中的每一个语料样本包括面试题干以及面试候选人做出的回答。
45.在一些实施例中，对面试候选人回答语料训练数据集进行认真程度标记，得到认真程度标记后的面试候选人回答语料训练数据集，包括：基于不同的标注类型，对面试候选人回答语料训练数据集进行认真程度标记。
46.在本技术实施例中，不同的标注类型可以包括空白回答、无意义文本、重复文本、
不认真回答等。
47.在一些实施例中，利用认真程度标记后的面试候选人回答语料训练数据集对自编码语言模型进行训练，得到训练好的自编码语言模型，包括：对自编码语言模型进行训练时，基于自编码语言模型，对面试候选人回答语料训练数据集中的语料样本进行词粒度的随机掩码；设置动词掩码参数，动词掩码参数用于提高动词的掩码概率，得到未被掩码的词向量以及被掩码的词向量；利用未被掩码的词向量对被掩码的词向量进行预测，得到语料样本的语义特征；对语料样本的语义特征进行认真程度预测，得到语料样本对应的认真程度预测结果；基于语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型。
48.在本技术实施例中，利用认真程度标记后的面试候选人回答语料训练数据集对自编码语言模型进行训练的过程中可以包括若干个训练任务，比如完形填空训练任务、预测题干与题目回答内容是否有关联性训练任务等。
49.本技术实施例中基于语料的粒度不同，可以将输入的文本细分到词级、语句级、文档级等。当进行完形填空任务时，对自编码语言模型进行掩码语言模型训练，将输入的文本进行词粒度的随机掩码，任何词都有可能被掩码，本技术实施例通过设置动词掩码参数来提高动词的掩码概率，然后通过输入文本的上下文来预测掩码词的语义，只有该模型真实理解上下文的意思，才能准确的预测出当前掩码词的语义，这样可以大幅度降低自编码语言模型的困惑度，从而让模型真正的具备理解人类自然语言的能力。
50.在一些实施例中，基于语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型，还包括：获取语料样本对应的面试题目；获取面试题目对应的语义特征；获取语料样本的语义特征与面试题目对应的语义特征之间的相似度；基于相似度、语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型。
51.本技术实施例中，当进行预测题干与题目回答内容是否有关联性训练任务时，本技术实施例通过关联性训练任务可以进一步的让模型学习语言特性以及上下文之间的关系。经过上述训练得到的语言模型可以在下游任务上进行微调，以满足候选人回答认真程度判断的任务。输入为基于字的张量，输出为认真程度的概率值。根据验证，本技术实施例的自编码语言模型准确率可达到95％以上。
52.在本技术实施例中，可以将将训练好模型通过深度学习服务框架进行服务化，部署到云服务器上，在使用时，先对文本内容进行预处理判断，可以包括空白文本，纯数字文本的过滤等；然后将文本内容按照字为单元转化为张量，通过远程过程调用(remote procedure call,rpc)方式输入模型服务，得到面试候选人的认真程度概率值。下游面试打分环节时，还可以配置认真程度阈值，根据面试候选人的认真程度概率值以及认真程度阈值对候选人进行回答标记。
53.本技术实施例可以获取面试候选人的回答语料信息；然后对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；再将预处理后的回答语料信息转化为回答语料张量；最后基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果。
54.本发明提供了一种根据候选人的回答语料信息来判断候选人面试认真程度的方
法，解决了目前智能面试系统针对不认真回答打分不准确的问题，本技术不仅克服了传统人工面试评判打分的主观性，而且基于预先训练好的自编码语言模型对回答语料张量进行预测，提高了候选人面试认真程度预测准确率。
55.为了更好地实施以上方法，本技术实施例还提供一种智能面试认真程度预测装置，该智能面试认真程度预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
56.比如，在本实施例中，将以智能面试认真程度预测装置具体集成在电子设备中为例，对本技术实施例的方法进行详细说明。
57.例如，如图3所示，该智能面试认真程度预测装置可以包括：语料信息获取模块310、预处理模块320、张量转化模块330、预测模块340。其中，语料信息获取模块310，配置于获取面试候选人的回答语料信息；预处理模块320，配置于对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；张量转化模块330，配置于将预处理后的回答语料信息转化为回答语料张量；预测模块340，配置于基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果。
58.在一些实施例中，该智能面试认真程度预测装置还包括去噪处理模块，去噪处理模块配置于：获取面试候选人的回答语料；对面试候选人的回答语料进行去噪处理，得到去噪处理后的回答语料；将去噪处理后的回答语料转化成文本，文本为回答语料信息。
59.在一些实施例中，预处理模块320包括预处理子模块，预处理子模块配置于：判断回答语料信息中的回答语料文本是否含有空值，对回答语料文本进行空值预处理，得到不含空值的回答语料文本数据；判断不含空值的回答语料文本数据是否包含错误字符，对不含空值的回答语料文本数据进行错误字符剔除处理，得到错误字符剔除处理后的回答语料文本数据；将错误字符剔除处理后的回答语料文本数据作为预处理后的回答语料信息。
60.在一些实施例中，该智能面试认真程度预测装置还包括模型训练模块，模型训练模块配置于：获取面试候选人回答语料训练数据集；对面试候选人回答语料训练数据集进行认真程度标记，得到认真程度标记后的面试候选人回答语料训练数据集；利用认真程度标记后的面试候选人回答语料训练数据集对自编码语言模型进行训练，得到训练好的自编码语言模型。
61.在一些实施例中，模型训练模块包括标记模块，标记模块配置于：基于不同的标注类型，对面试候选人回答语料训练数据集进行认真程度标记，不同的标注类型包括空白回答、无意义文本、重复文本、不认真回答。
62.在一些实施例中，模型训练模块包括第一训练模块，第一训练模块配置于：对自编码语言模型进行训练时，基于自编码语言模型，对面试候选人回答语料训练数据集中的语料样本进行词粒度的随机掩码；设置动词掩码参数，动词掩码参数用于提高动词的掩码概率，得到未被掩码的词向量以及被掩码的词向量；利用未被掩码的词向量对被掩码的词向量进行预测，得到语料样本的语义特征；对语料样本的语义特征进行认真程度预测，得到语料样本对应的认真程度预测结果；基于语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型。
63.在一些实施例中，模型训练模块包括第二训练模块，第二训练模块配置于：获取语
料样本对应的面试题目；获取面试题目对应的语义特征；获取语料样本的语义特征与面试题目对应的语义特征之间的相似度；基于相似度、语料样本对应的认真程度预测结果以及语料样本对应的标注类型，对自编码语言模型调参，得到训练好的自编码语言模型。
64.具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
65.由上可知，本实施例的智能面试认真程度预测装置解决了目前智能面试系统针对不认真回答打分不准确的问题，本技术不仅克服了传统人工面试评判打分的主观性，而且基于预先训练好的自编码语言模型对回答语料张量进行预测，提高了候选人面试认真程度预测准确率。
66.本技术实施例还提供一种电子设备，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。
67.在一些实施例中，该智能面试认真程度预测装置还可以集成在多个电子设备中，比如，智能面试认真程度预测装置可以集成在多个服务器中，由多个服务器来实现本技术的智能面试认真程度预测方法。
68.在本实施例中，将以本实施例的电子设备是服务器为例进行详细描述，比如，如图4所示，其示出了本技术实施例所涉及的服务器的结构示意图，具体来讲：
69.该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解，图4中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
70.处理器401是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。在一些实施例中，处理器401可包括一个或多个处理核心；在一些实施例中，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
71.存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
72.服务器还包括给各个部件供电的电源403，在一些实施例中，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故
障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
73.该服务器还可包括输入模块404，该输入模块404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
74.该服务器还可包括通信模块405，在一些实施例中通信模块405可以包括无线模块，服务器可以通过该通信模块405的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
75.尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现智能面试认真程度预测装置中的各种功能
76.在一些实施例中，还提出一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现上述任一种智能面试认真程度预测方法中的步骤。
77.以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
78.由上可知，本技术实施例可以获取面试候选人的回答语料信息；然后对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；再将预处理后的回答语料信息转化为回答语料张量；最后基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果等。
79.本技术实施例解决了目前智能面试系统针对不认真回答打分不准确的问题，本技术不仅克服了传统人工面试评判打分的主观性，而且基于预先训练好的自编码语言模型对回答语料张量进行预测，提高了候选人面试认真程度预测准确率。
80.本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
81.为此，本技术实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术实施例所提供的任一种智能面试认真程度预测方法中的步骤。例如，该指令可以执行如下步骤：获取面试候选人的回答语料信息；然后对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；再将预处理后的回答语料信息转化为回答语料张量；最后基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果等。
82.其中，该存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、磁盘或光盘等。
83.根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的web前端表格系统优化的方面或者web前端表格系统优化的方面的各种可选实现方式中提供的方法。
84.由于该存储介质中所存储的指令，可以执行本技术实施例所提供的任一种智能面
试认真程度预测方法中的步骤，因此，可以实现本技术实施例所提供的任一种智能面试认真程度预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
85.以上对本技术实施例所提供的一种智能面试认真程度预测方法、装置、服务器和计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种智能面试认真程度预测方法，其特征在于，包括：获取面试候选人的回答语料信息；对所述面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；将所述预处理后的回答语料信息转化为回答语料张量；基于预先训练好的自编码语言模型，对所述回答语料张量进行预测，得到所述面试候选人的认真程度预测结果。2.如权利要求1所述的智能面试认真程度预测方法，其特征在于，所述获取面试候选人的回答语料信息之前，还包括：获取所述面试候选人的回答语料；对所述面试候选人的回答语料进行去噪处理，得到去噪处理后的回答语料；将所述去噪处理后的回答语料转化成文本，所述文本为所述回答语料信息。3.如权利要求2所述的智能面试认真程度预测方法，其特征在于，所述对所述面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息，包括：判断所述回答语料信息中的回答语料文本是否含有空值，对所述回答语料文本进行空值预处理，得到不含空值的回答语料文本数据；判断所述不含空值的回答语料文本数据是否包含错误字符，对所述不含空值的回答语料文本数据进行错误字符剔除处理，得到错误字符剔除处理后的回答语料文本数据；将所述错误字符剔除处理后的回答语料文本数据作为所述预处理后的回答语料信息。4.如权利要求1或3所述的智能面试认真程度预测方法，其特征在于，所述基于预先训练好的自编码语言模型，对所述回答语料张量进行预测，得到所述面试候选人的认真程度预测结果之前，还包括：获取面试候选人回答语料训练数据集；对所述面试候选人回答语料训练数据集进行认真程度标记，得到认真程度标记后的面试候选人回答语料训练数据集；利用所述认真程度标记后的面试候选人回答语料训练数据集对所述自编码语言模型进行训练，得到训练好的自编码语言模型。5.如权利要求4所述的智能面试认真程度预测方法，其特征在于，所述对所述面试候选人回答语料训练数据集进行认真程度标记，得到认真程度标记后的面试候选人回答语料训练数据集，包括：基于不同的标注类型，对所述面试候选人回答语料训练数据集进行认真程度标记，所述不同的标注类型包括空白回答、无意义文本、重复文本、不认真回答。6.如权利要求5所述的智能面试认真程度预测方法，其特征在于，所述利用所述认真程度标记后的面试候选人回答语料训练数据集对所述自编码语言模型进行训练，得到训练好的自编码语言模型，包括：对所述自编码语言模型进行训练时，基于所述自编码语言模型，对所述面试候选人回答语料训练数据集中的语料样本进行词粒度的随机掩码；设置动词掩码参数，所述动词掩码参数用于提高所述动词的掩码概率，得到未被掩码的词向量以及被掩码的词向量；利用所述未被掩码的词向量对所述被掩码的词向量进行预测，得到所述语料样本的语
义特征；对所述语料样本的语义特征进行认真程度预测，得到所述语料样本对应的认真程度预测结果；基于所述语料样本对应的认真程度预测结果以及所述语料样本对应的标注类型，对所述自编码语言模型调参，得到训练好的自编码语言模型。7.如权利要求6所述的智能面试认真程度预测方法，其特征在于，所述基于所述语料样本对应的认真程度预测结果以及所述语料样本对应的标注类型，对所述自编码语言模型调参，得到训练好的自编码语言模型，还包括：获取所述语料样本对应的面试题目；获取所述面试题目对应的语义特征；获取所述语料样本的语义特征与所述面试题目对应的语义特征之间的相似度；基于所述相似度、所述语料样本对应的认真程度预测结果以及所述语料样本对应的标注类型，对所述自编码语言模型调参，得到训练好的自编码语言模型。8.一种智能面试认真程度预测装置，其特征在于，包括：语料信息获取模块，用于获取面试候选人的回答语料信息；预处理模块，用于对所述面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；张量转化模块，用于将所述预处理后的回答语料信息转化为回答语料张量；预测模块，用于基于预先训练好的自编码语言模型，对所述回答语料张量进行预测，得到所述面试候选人的认真程度预测结果。9.一种电子设备，其特征在于，包括处理器和存储器，存储器存储有多条指令；处理器从存储器中加载指令，以执行如权利要求1～7任一项所述的智能面试认真程度预测方法中的步骤。10.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行权利要求1～7任一项所述的智能面试认真程度预测方法中的步骤。

技术总结
本申请实施例公开了智能面试认真程度预测方法、装置、电子设备及存储介质。在本申请实施例中，能够获取面试候选人的回答语料信息；对面试候选人的回答语料信息进行预处理，得到预处理后的回答语料信息；将预处理后的回答语料信息转化为回答语料张量；基于预先训练好的自编码语言模型，对回答语料张量进行预测，得到面试候选人的认真程度预测结果。本申请不仅克服了传统人工面试评判打分的主观性，而且基于预先训练好的自编码语言模型对回答语料张量进行预测，提高了候选人面试认真程度预测准确率。确率。确率。


技术研发人员：张竞尧
受保护的技术使用者：上海才历网络有限公司
技术研发日：2023.04.12
技术公布日：2023/7/12