一种基于NLP的面试过程双群体关联评测方法

技术领域

本发明属于面试测评领域，具体涉及一种基于NLP的面试过程“双群体”关联评测方法。

背景技术

员工是企业的基本构成成分，企业的可持续发展离不开高忠诚度的员工队伍。当前，企业通常会通过各种举措提高员工在职期间的忠诚度，或者是通过数据统计的方式来复盘员工离职情况，但需要从不同来源的表格中人工汇总大量的员工属性字段，尽管汇总这些信息非常简单，但面对不断新增的素材，工作量庞大。

虽然当前AI技术已应用于简历筛选工作，但仅能实现将面试者应聘的硬性条件与企业的招聘需求进行简单匹配，评判的颗粒度大，结果的有效性不能满足企业进一步需求，更无法实现对员工职业生命周期内的行为预测。另外，面试官面试提问是否有效，技术领域是否匹配，选才能力是否达标，也缺乏相应的分析数据与评估手段。

发明内容

鉴于以上问题，本发明针对面试者与面试官这一“双群体”，提出一种基于NLP的面试过程“双群体”关联评测方法，以提高企业招聘过程中对面试者技能判断的准确度，降低面试者入职后的离职风险，同时对面试官的面试能力及领域偏好进行评估。

为实现上述目的，本发明采用以下技术方案：

一种基于NLP的面试过程“双群体”关联评测方法，包括以下步骤：

S1、根据面试者的应聘岗位制定具有关联关系的半结构化面试题目；

S2、基于NLP技术对投递简历进行初步筛选，选择符合招聘要求的面试者参加面试；

S3、对面试者给出的半结构化面试题目的答案、面试官提出的面试问题以及面试者对面试问题的回答进行样本收集；

S4、剔除面试者面试岗位与实际入职岗位不一致的样本；

S5、根据面试官和面试者在面试过程中的行为表现以及面试者入职后的行为表现，对收集到的样本进行多维度标记；

S6、根据关联评测的目标，利用收集到的样本及其对应标记构建若干个预测模型；

S7、利用预测模型对面试官的面试能力和后续面试者的工作稳定性、工作能力进行预测。

进一步地，S1中所述半结构化面试题目包括人力资源通用类面试题目以及与招聘岗位对应的能力类面试题目，能力类面试题目一方面是为了考察面试者的职业能力，另一方面是为了根据面试官的提问顺序以及前后问题的逻辑合理性来考察面试官的面试技能水平。

进一步地，S5中，对与面试官相关的样本进行标记，包括但不限于：对面试官在面试过程中提出问题的有效性进行标记，对面试官适合面试的岗位类型进行标记；对与面试者相关的样本进行标记，包括但不限于：对面试者是否入职或入职后是否离职进行标记，对面试者入职后的工作表现进行标记。

进一步地，S6中，

采用包括但不限于分类器的预测类深度学习模型框架，将面试者在面试过程中关于人力资源的问题以及回答的关键词作为输入项，将定期收集的面试者入职后试用期考核结果作为标记项，训练生成员工稳定性预测模模型；

采用包括但不限于分类器的预测类深度学习模型框架，将面试者在面试过程中关于技术相关的问题以及回答的关键词作为输入项，将面试者的面试技能应用评分、定期收集的面试者入职后的考核结果和导师辅导评分作为标记项，训练生成员工能力水平预测模型；

采用包含但不限于基于时间序列的深度学习模型框架，将面试官在面试过程中提出的问题和基于NLP提取的面试者回答的关键词作为输入项，将由专家组标记的提出问题有效性作为标记项，训练生成用于预测面试官提出问题有效性的预测模型。

进一步地，S7中，基于员工稳定性预测模模型和员工能力水平预测模型，对后续面试者入职后的工作稳定性及工作能力进行预测；基于面试官提出问题有效性的预测模型，定期对参与面试过程的面试官的提问有效性进行预测，若无效提问的次数大于设定阈值，则适当减少该面试官的面试场次。

一种基于上述评测方法的面试过程“双群体”关联评测系统，包括数据采集模块、样本标记模块、预测模型构建模块和预测模型应用模块；所述数据采集模块用于采集面试过程中面试者给出的半结构化面试题目的答案、面试官提出的面试问题以及面试者对面试问题的回答；所述样本标记模块用于根据面试者入职后的工作表现和对面试官面试过程提出问题的有效性评判，对数据采集模块获取的数据样本进行多维度标记；所述预测模型构建模块用于根据多维度标记的样本数据训练生成若干个用于关联评测的预测模型；所述预测模型应用模块用于根据训练生成的若干预测模型，对面试官的面试能力和后续面试者的工作稳定性、工作能力进行预测。

本发明的有益效果是：

本发明提出的基于NLP的面试过程“双群体”关联评测方法，首先通过NLP技术对面试者全职业生命周期内各阶段、面试官面试过程中的样本数据进行多维度动态采集、多维度跟踪标记；然后对“双群体”的样本数据、标记数据进行多维度训练，得到员工稳定性预测模模型、员工能力水平预测模型、面试官适合领域及面试技能预测模型等多个模型；最后使用模型对后续面试者入离职情况(稳定性)、工作表现情况等进行行为预测，并可定期对面试官面试提问的有效性、适合面试的群体及领域方向等进行预测。本发明方法操作简单、成本低、易于推广，突破以往“总结性”的面试数据统计分析，实现面试者和面试官的“双群体”关联预测，一举两得；能够在一定程度上提高招聘甄别面试者的“保有率”，优化面试官团队的配置和方向，降低因员工频繁离职造成的成本浪费，保障企业的可持续健康发展。

附图说明

图1为本发明方法的流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

本发明针对面试者与面试官这一“双群体”，设计有关联关系的半结构化面试题目，首先通过NLP(自然语言处理，Natural Language Processing)技术对面试者的简历与招聘要求进行匹配，形成对面试者的第一轮筛选，并确定其技术领域；其次对面试过程中，面试官的提问、面试者的回答进行采集与分析，利用NLP技术将其中非结构化的数据转换为结构化数据；再者剔除面试岗位(或技术方向)与实际入职后的岗位(或技术方向)不一致的样本后，根据业务需求对“双群体”对象，对面试官的面试行为进行标记，另外在面试者的全职业生命周期内，按一定的时间间隔进行多维度跟踪标记；然后基于样本与标签进行多维度模型训练，生成员工稳定性预测模模型、员工能力水平预测模型、面试官适合领域及面试技能预测模型等多个模型；最后基于不同模型，对后续面试者进行包括但不限于的入职意愿、离职风险、技术能力等多维度预测，以及定期对面试官的提问有效性、面试领域适合性进行分析与推荐。

如图1所示，本发明方法具体可包括如下步骤：

步骤1：为同时对面试者和面试官的能力进行预测，根据面试者的应聘岗位、技术方向等，准备具有关联关系的半结构化面试题目，包含人力资源通用类面试题目、能力类面试题目(结合岗位特性、技术方向等分类)等。其中，能力类面试题目具有一定的逻辑相关性，一方面是为了考察面试者的真实能力，一方面也是为了根据面试官提问的顺序，以及前后问题的逻辑合理性来检验面试官的面试技能水平。

步骤2：基于NLP技术对面试者投递的简历进行第一轮筛选，对简历中的教育背景、工作经历等非结构化数据进行分词，提取关键词，筛选符合招聘要求的面试者。

步骤3-1：对面试者面试过程中对半结构化题目的回答，通过多种方式进行样本收集；

步骤3-2：采用多种方式对面试官现场提出的面试问题进行样本收集。

步骤4：针对面试者面试岗位(或技术方向)与实际入职后的岗位(或技术方向)不一致的样本进行人为剔除，保证人岗匹配情形下的行为预测。

步骤5：一方面，对面试官在面试过程中的面试行为进行标记；另一方面，在面试者的全职业生命周期内，按照一定的时间周期，根据业务需求对样本进行多维度跟踪标记。标记样本包含但不限于：对面试官在面试过程中提出的无效问题进行标记；借助NLP技术对面试者在面试过程中的回答进行关键词提取，并对其入/离职情况、试用期考核评价、月度绩效评价、专业导师月度评价、面试技能(在面试时重点考察的技能)应用评分等进行标记。

针对面试官，通过NLP分词，对面试者回答的每个问题答案中的关键词进行自动梳理，将其作为面试问题有效性判断的输入样本，对面试官提出的无效问题进行人为标记；

针对面试者，当期对其面试回答关键词进行标记；远期来看，一方面对其离职行为进行标记，另一方面对其日常工作表现结果性评价判断进行标记(包含但不限于不同周期的考评结果、项目经历、技能认证等)。

步骤6：利用样本数据、标签数据进行多维度的模型训练，得到多个预测模型，包含员工稳定性预测模模型、员工能力水平预测模型、面试官适合领域及面试技能预测模型等。具体为：

采用包括但不限于分类器的相关预测类深度学习模型框架，将面试者在面试过程中关于人力资源的问题以及回答的关键词作为输入项，将定期收集的员工的试用期考核结果等作为标记项，训练生成员工稳定性预测模模型。

同样采用包括但不限于分类器的相关预测类深度学习模型框架，将面试者在面试过程中关于技术相关的问题以及回答的关键词作为输入项，将定期收集的员工考核结果(试用期考核、月度绩效、季度考评等)、导师辅导评分、面试技能(在面试时重点考察的技能)应用评分、项目经历等作为标记项，训练生成员工能力水平预测模型。

采用包含但不限定的基于时间序列的深度学习模型框架，将面试官在面试过程中提出问题的顺序，基于NLP提取的面试者回答的关键词作为模型的输入项，将由专家组标记出的无效问题作为标记项，训练生成用于预测后续提问过程中的无效问题的预测模型。

步骤7-1：基于预测模型，将后续的面试者的半结构化面试题目答案作为输入，对面试者是否稳定、能否具备相应的能力进行预测；

步骤7-2：定期对参与面试的面试官的提问有效性进行预测，从而间接推断出面试官的识人能力和技术专长。重点统计判断面试官在面试过程中的问题无效性，当无效问题阈值超过设定的上限值时，一方面要适当减少该面试官的当前面试岗位(或技术方面)面试场次，匹配适合面试岗位的面试机会，另一方面要加强面试官能力提升，增加相应的赋能培训，进一步合理化面试官配置、提升面试官面试能力与技巧。

本发明突破了AI技术仅应用于简历筛选的简单匹配过程，降低了对已离职人员复盘分析的人工统计复杂度，既能够“回头看”历史数据，又能实现面试者和面试官的“双群体”关联预测，一举两得。而且，通过对面试过程中产生的样本数据进行多维度采集，按照多维度属性进行标记，基于不断训练得到多维度的预测模型，可预先排除存在潜在跳槽风险的面试者，也可对员工(面试者)全职业生命周期内的行为进行进一步预测，匹配适当的员工发展计划、建设措施，在各个环节强化员工忠诚度，为企业的可持续高质量发展提供稳固的人才基座支撑。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。