一种追问模型的训练方法及面试题的追问方法与流程

1.本发明属于视频面试的技术领域，尤其涉及一种追问模型的训练方法，以及一种面试题的追问方法。


背景技术：

2.视频面试是指面试官与求职候选人通过摄像头、耳麦和键盘进行语音、视频、文字的沟通交流，以利用互联网和计算机来进行招聘面试的行为。通过采用视频面试的方式，双方即使足不出户也能完成招聘的面试流程，从而打破空间上的限制以提高招聘的效率。
3.现有的视频面试方式包括实时视频面试和异步视频面试。实时视频面试要求面试官和候选人同时在线，对双方的面试时间存在较大的限制。相对地，在异步视频面试中，面试官可以在招聘系统中预先设定面试题目。候选人可以随时通过招聘系统回答这些预先设定的面试题目，并通过电脑后台自动记录并上传其回答内容，以供面试官后期在任何时间、任何地点进行查看、评估和分享。因此，异步视频面试彻底地打破了空间和时间上的约束，为面试双方提供了更大的自由。
4.然而，现有的异步视频面试技术存在缺乏灵活性的问题。当候选人的回答不够完整时，面试官可能因缺少相关信息而无法准确判断候选人与招聘职位的匹配程度。在这种情况下，即使候选人参加了异步视频面试，面试官依旧需要再次和候选人进行实施的沟通，通过对候选人不完整或模糊的回答进行追问，才能更详尽地评估候选人与招聘职位的匹配程度。这一缺陷严重降低了异步视频面试的优势，不利于异步视频面试技术的发展和推广。
5.因此，本领域亟需一种面试问题追问技术，用于根据候选人回答内容的完整性及深度自动选择对应的追问问题，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。


技术实现要素：

6.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。
7.为了克服现有技术存在的上述缺陷，本发明提供了一种追问模型的训练方法、一种面试问题的追问方法、一种追问模型的训练装置、一种面试问题的追问装置，以及两种对应的计算机可读存储介质，用于根据候选人回答内容的完整性及深度自动选择对应的追问问题，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
8.本发明提供的上述追问模型的训练方法包括步骤：根据面试题库中每道源问题的至少一个追问维度构建追问题库，其中，所述面试题库包括多道所述源问题，每个所述追问维度对应所述追问题库中的至少一道追问问题；根据每道所述源问题的各所述追问维度，对多个回答样本的回答完整性及回答深度进行追问结果标注，所述追问结果标注指示各所
述追问维度是否需要追问；构建追问模型，所述追问模型适于根据训练的追问规则判断需要追问的追问维度，并根据所述需要追问的追问维度从所述追问题库调取对应的追问问题；以及根据所述多个回答样本及其对应的追问结果标注，训练所述追问模型根据面试候选人的回答内容来判断需要追问的追问维度。通过根据源问题的多个追问维度来标注回答样本需要进行追问的维度，本发明训练获得的追问模型可以根据候选人回答内容的完整性及深度，提供对应的追问问题来对回答内容的不足之处进行补充，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
9.本发明提供的上述面试题的追问方法包括步骤：采集面试候选人对面试问题的回答内容，其中，所述面试问题为存储于面试题库中的源问题，所述面试题库包括多道所述源问题，每道所述源问题包括多个追问维度，每个所述追问维度对应追问题库中的至少一道追问问题；将所述回答内容输入预先训练的追问模型，以利用所述追问模型判断需要追问的追问维度，其中，所述追问模型根据所述面试问题的各所述追问维度判断所述回答内容的回答完整性及回答深度，并根据所述回答完整性及所述回答深度判断各所述追问维度是否需要追问；以及利用所述追问模型根据所述需要追问的追问维度，从所述追问题库调取对应的追问问题来进行追问。通过根据面试问题的多个追问维度来判断候选人回答内容的完整性及深度，本发明采用的追问模型可以针对回答内容的不足之处来提供对应的追问问题，以帮助候选人补充回答内容，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
10.本发明提供的上述追问模型的训练装置包括存储器及处理器。所述处理器连接所述存储器，并配置用于实施一种追问模型的训练方法。通过根据源问题的多个追问维度来标注回答样本需要进行追问的维度，本发明训练获得的追问模型可以根据候选人回答内容的完整性及深度，提供对应的追问问题来对回答内容的不足之处进行补充，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
11.本发明提供的上述面试问题的追问装置包括存储器及处理器。所述处理器连接所述存储器，并配置用于实施一种面试问题的追问方法。通过根据面试问题的多个追问维度来判断候选人回答内容的完整性及深度，本发明采用的追问模型可以针对回答内容的不足之处来提供对应的追问问题，以帮助候选人补充回答内容，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
12.本发明提供的第一种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，能够实施一种追问模型的训练方法。通过根据源问题的多个追问维度来标注回答样本的完整性及深度，本发明训练获得的追问模型可以判断候选人回答内容的完整性及深度，并提供对应的追问问题来对回答内容的不足之处进行补充，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
13.本发明提供的第二种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，能够实施一种面试问题的追问方法。通过根据面试问题的多个追问维度来判断候选人回答内容的完整性及深度，本发明采用的追问模型可以针对回答内容的不足之处来提供对应的追问问题，以帮助候选人补充回答内容，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
附图说明
14.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。
15.图1示出了根据本发明的一方面提供的追问模型训练方法的流程示意图。
16.图2示出了根据本发明的一些实施例提供的追问模型的训练装置的架构示意图。
17.图3示出了根据本发明的一些实施例提供的源问题、追问维度及追问问题的架构示意图。
18.图4示出了根据本发明的一些实施例提供的源问题词条的示意图。
19.图5示出了根据本发明的一些实施例提供的面试问题的追问装置的架构示意图。
20.图6示出了根据本发明的一方面提供的面试问题追问方法的流程示意图。
具体实施方式
21.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。
22.能理解的是，虽然在此可使用用语“第一”、“第二”、“第三”等来叙述各种组件、区域、层和/或部分，这些组件、区域、层和/或部分不应被这些用语限定，且这些用语仅是用来区别不同的组件、区域、层和/或部分。因此，以下讨论的第一组件、区域、层和/或部分可在不偏离本发明一些实施例的情况下被称为第二组件、区域、层和/或部分。
23.如上所述，现有的异步视频面试技术存在缺乏灵活性的问题。当候选人的回答不够完整时，面试官可能因缺少相关信息而无法准确判断候选人与招聘职位的匹配程度。在这种情况下，即使候选人参加了异步视频面试，面试官依旧需要再次和候选人进行实施的沟通，通过对候选人不完整或模糊的回答进行追问，才能更详尽地评估候选人与招聘职位的匹配程度。这一缺陷严重降低了异步视频面试的优势，不利于异步视频面试技术的发展和推广。
24.为了克服现有技术存在的上述缺陷，本发明提供了一种追问模型的训练方法、一种面试问题的追问方法、一种追问模型的训练装置、一种面试题的追问装置，以及两种对应的计算机可读存储介质，用于根据候选人回答内容的完整性及深度自动选择对应的追问问题，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
25.请参考图1，图1示出了根据本发明的一方面提供的追问模型训练方法的流程示意图。
26.如图1所示，本发明提供的上述追问模型的训练方法可以包括步骤101：根据面试题库中每道源问题的至少一个追问维度构建追问题库。
27.上述面试题库中存储有面试官预先设定的多道源问题，用于引导面试候选人回答面试官希望了解的信息，以便于面试官判断候选人与招聘职位的匹配程度。相比于现有异
步视频面试技术采用的面试问题，本发明采用的源问题包括至少一个追问维度，用于考核候选人的至少一项胜任力。每个追问维度可以对应一项胜任力，以便面试官通过一道源问题同时考核候选人的多项胜任力。
28.在一些实施例中，面试题库中存储的源问题可以被分为两类。第一类源问题主要根据候选人回答内容的完整性来考核候选人的综合素质。该第一类源问题可以包括多个第一追问维度。每个第一追问维度指示候选人的一项通用胜任力。该通用胜任力包括但不限于沟通能力、抗压能力、团队合作能力等软技能，适用于几乎所有岗位。面试官可以为每道第一类源问题设定多个第一追问维度，以全面地了解候选人的多项通用胜任力。
29.相对地，第二类源问题主要根据候选人回答内容的深度来考核候选人的专业素质。该第二类源问题可以包括多个第二追问维度。每个第二追问维度指示候选人的一项岗位胜任力。该岗位胜任力包括但不限于针对财务岗位的财务知识、针对人事岗位的人力资源知识，以及针对编程岗位的编程技术。每项岗位胜任力可以指示对应第二类源问题所要考核的一个知识点。面试官可以根据候选人的回答是否涉及每个第二追问维度，判断候选人是否全面地了解对应专业技能的每个知识点。进一步地，面试官可以为每个第二追问维度设定多个考核维度，并根据候选人的回答是否涉及每个考核维度，进一步判断候选人对该知识点的掌握深度。更进一步地，每个第二追问维度可以包括多级考核维度。具体来说，每个第二追问维度可以包括多个一级考核维度。每个一级考核维度可以包括多个二级考核维度。每个二级考核维度可以包括多个三级考核维度。以此类推，由点及面地展开对专业素质的深度追问。面试官可以根据候选人的回答最终涉及哪一级考核维度，准确地判断候选人对该知识点的具体掌握深度。
30.本领域的技术人员可以理解，上述利用第一类源问题考核候选人综合素质全面性，并利用第二类源问题考核候选人专业素质深度的方案，只是本发明提供的一种非限制性的实施例，旨在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，本发明也可以利用上述第一类源问题对候选人专业素质进行完整性的追问，或利用上述第二类源问题对候选人综合素质深度进行深度的追问。
31.在一些非限制性的实施例中，本发明提供的上述追问模型的训练方法可以由一种追问模型的训练装置来自动实施。请参考图2，图2示出了根据本发明的一些实施例提供的追问模型的训练装置的架构示意图。
32.如图2所示，上述追问模型的训练装置20可以包括存储器21及处理器22。该存储器21可以包括一种计算机可读存储介质，其上存储有计算机指令。该处理器22连接存储器21，并配置用于执行存储器21上存储的计算机指令，以实施一种追问模型的训练方法。
33.具体来说，在构建追问题库时，处理器22可以分别为每道源问题的每个追问维度配置至少一道追问问题，以用于针对回答完整性或回答深度不达标的追问维度进行追问。请参考图3，图3示出了根据本发明的一些实施例提供的源问题、追问维度及追问问题的架构示意图。
34.如图3所示，在本发明的一些实施例中，面试题库可以包括多道第一类源问题及多道第二类源问题，以用于分别考核候选人的综合素质和专业素质。在一些实施例中，一道第一类源问题可以包括k个第一追问维度，以用于评价候选人回答内容的完整性。处理器22可
以分别为每个追问维度配置s道追问问题，以供追问模型从中随机选择一道追问问题来对候选人进行完整性追问。此时，该第一类源问题可以对应k*s道追问问题。在一些实施例中，处理器22可以为每个第一追问维度配置20道以上的追问问题(即s》20)，以防止候选人利用多次面试的经验对相同的追问问题做出刻意的准备，以掩盖其真实情况。
35.举例来说，第一类源问题11为“请分享一个在过去1年中，您遇到过最困难的任务。具体说说当时的任务内容是什么？遇到了哪些困难？您是怎么克服的？最后任务结果如何？”，包括背景(situation，s)、内容(task，t)、行为(action，a)、结果(result，r)等多个第一追问维度111～114。针对其中任务结果(r)的第一追问维度114，处理器22可以配置“最后任务的结果如何？”等追问问题1141以供追问模型选择。
36.类似地，一道第二类源问题可以包括k1个第二追问维度，以用于评价候选人回答内容的完整性。每个第二追问维度又可以进一步包括k2个考核维度，以用于评价候选人回答内容在该第二追问维度的深度。处理器22可以分别为每个考核维度配置s道追问问题，以供追问模型从中随机选择一道追问问题来对候选人进行深度追问。此时，定义k＝k1*k2，则该第二类源问题也可以对应k*s道追问问题。同样地，处理器22也可以为每个第二追问维度配置二十道以上的追问问题(即s》20)，以防止候选人利用多次面试的经验对相同的追问问题做出刻意的准备，以掩盖其真实情况。
37.举例来说，针对java工程师岗位的第二类源问题21为“请详细介绍一下java微服务架构spring cloud的核心组件”，包括eureka组件、ribbon组件、feign组件、zuul组件等多个第二追问维度211～215。针对其中eureka组件的第二追问维度211，又可以进一步包括组件功能及使用方法等多个考核维度2111～2112。针对组件功能的考核维度2111，处理器22可以配置“eureka组件的主要功能是什么”等追问问题21111以供追问模型选择。
38.在一些实施例中，处理器22可以按《源问题，k*s道追问问题》的字典形式构建追问题库。该追问题库字典以源问题为单位构建源问题词条。通过将每道源问题的多个追问维度，以及每个追问维度的多个追问问题收录到对应的源问题词条，即可对k*s道追问问题与对应的源问题进行关联。
39.请进一步参考图4，图4示出了根据本发明的一些实施例提供的源问题词条的示意图。
40.如图4所示，第一类源问题11的词条可以包括四个第一追问维度111～114。每个追问维度(例如：追问维度111)可以对应三道追问问题1111～1113。处理器22可以按《第一类源问题11，4*3道追问问题》的形式构建第一类源问题11的词条，并通过收录所有源问题的词条来构建追问题库字典。在进行异步视频面试时，追问模型可以根据面试提出的第一类源问题11查询对应的追问维度111～114，并根据需要追问的第一追问维度111从追问题库随机选择一道追问问题1111，对候选人进行完整性追问。
41.如图1所示，本发明提供的上述追问模型的训练方法还可以包括步骤102：根据每道源问题的各追问维度，对多个回答样本的回答完整性及回答深度进行追问结果标注。
42.本发明提供的上述追问模型是一种人工智能(artificial intelligence，ai)模型，需要根据预先训练的追问规则来判断需要追问的追问维度。在一些实施例中，追问模型的训练者可以收集大量涉及不同岗位的面试视频样本，并邀请资深的面试官担任标注师，针对每份回答样本的完整性及深度来进行追问结果标注，以确定需要针对哪些追问维度来
对这些回答样本进行追问。
43.如上所述，在一些实施例中，面试题库中存储的源问题可以分为两类。第一类源问题包括多个第一追问维度，用于评价回答内容的完整性。第二类源问题包括多个第二追问维度用于评价回答内容的深度。对应地，标注师也可以针对上述两种源问题采用不同的标准来进行标注。
44.具体来说，若面试问题为上述第一类源问题，标注师可以根据回答样本对第一类源问题的各第一追问维度的丰富度，标注回答样本缺失的第一追问维度。该丰富度可以根据回答内容是否只是复述问题、回答内容是否过于宽泛、回答是否过于精简等方面来进行评价。若回答样本的内容未涉及某一第一追问维度，或针对某一追问维度的丰富度不达标，则标注师可以将该缺失的第一追问维度标注为需要追问的追问维度，以引导候选人完善其回答内容。
45.若面试问题为上述第二类源问题，标注师可以根据回答样本对第二类源问题的各第二追问维度的回答深度，标注回答深度不足的第二追问维度。该回答深度可以根据回答内容涉及的考核维度来进行评价。若回答样本的内容涉及某一第二追问维度却未涉及其中的一个考核维度，则标注师可以判断该候选人知道该知识点但回答深度不足，从而将该回答深度不足的第二追问维度标注为需要追问的追问维度，以引导候选人深化其回答内容。
46.更进一步地，针对上述第二追问维度包括多级考核维度的实施例，若回答样本的内容涉及某一第二追问维度却未涉及其中的一个或多个一级考核维度，则标注师可以判断该候选人知道该第二追问维度对应的知识点，但回答深度不足。因此，标注师将该回答深度不足的第二追问维度标注为需要追问的追问维度，并标注出缺失的一级考核维度以供追问模型选择追问问题。之后，若回答样本的补充回答内容涉及该缺失的一级考核维度的某一二级考核维度，却未涉及其中的一个或多个三级考核维度，则标注师可以判断该候选人知道该二级考核维度对应的知识点，但回答深度仍不足。因此，标注师将该回答深度不足的二级考核维度标注为需要追问的考核维度，并标注出缺失的三级级考核维度以供追问模型进一步选择追问问题。依此类推，标注师可以逐级标注需要追问的考核维度，直到该第二类源问题不再涉及更深层次的考核维度，或该回答样本不再涉及追问问题的任何下级维度。
47.一些优选的实施例中，为了确保标注数据的客观性和准确性，追问模型的训练者可以邀请多位资深的面试官共同担任标注师，对相同的面试视频样本进行标注，以确定需要追问的追问维度。进一步地，该多位标注师的数量可以为奇数，以便在标注意见不一致时通过投票的方式得出差异性标准。
48.如图1所示，本发明提供的上述追问模型的训练方法还可以包括步骤102：构建追问模型。
49.如上所述，追问模型是一种根据预先训练的追问规则判断需要追问的追问维度，并根据需要追问的追问维度从追问题库调取对应的追问问题的人工智能(ai)模型。在一些实施例中，该追问模型可以基于一种面试问题的追问装置来实施。请参考图5，图5示出了根据本发明的一些实施例提供的面试问题的追问装置的架构示意图。
50.如图5所示，上述面试问题的追问装置50可以包括存储器51及处理器52。该存储器51可以包括一种计算机可读存储介质，其上存储有计算机指令。该处理器52连接存储器51，并配置用于执行存储器51上存储的计算机指令，以实施一种面试问题的追问方法，从而实
现上述追问模型的功能。
51.在一些实施例中，追问模型的训练者可以将上述面试题库及上述追问题库都配置于存储器51中，以供追问模型根据面试涉及的源问题查询对应的追问维度，并根据需要追问的追问维度从追问题库调取对应的追问问题。
52.如图1所示，本发明提供的上述追问模型的训练方法还可以包括步骤104：根据多个回答样本及其对应的追问结果标注，训练追问模型根据面试候选人的回答内容来判断需要追问的追问维度。
53.在获取标注师针对多个回答样本的标注数据之后，处理器22可以将该多个回答样本作为追问模型的输入参数，并将对应的追问结果标注作为追问模型的输出参数，训练追问模型根据回答内容来判断需要追问的追问维度。
54.在一些实施例中，追问模型可以包括分类模块，用于判断是否需要进行追问。该分类模块可以选用基于深度神经网络(cnn,rnn(lstm,gru),bi-lstm,bi-gru等)的文本分类模型或基于预训练模型(gpt,bert,elmo及其变种)的文本分类模型。
55.在训练是否需要进行追问的追问规则时，处理器52可以首先对各回答样本进行语音识别以获取其中的回答文本。之后，处理器52可以分别将各回答样本的回答文本a与对应源问题的问题文本q组成多个问答文本对《q,a》。同时，处理器22可以根据对应的追问结果标注是否指示需要追问的追问维度来确定是否需要进行追问。具体来说，若追问结果标注指示了一个或多个需要追问的维度，则处理器22可以将分类模块的二分类输出标签标注为1，以指示需要进行追问。反之，若追问结果标注没有指示任何需要追问的维度，则处理器22可以将分类模块的二分类输出标签标注为0，以指示不需要进行追问。
56.之后，处理器22可以将多个问答文本对《q,a》作为输入，并将指示是否需要进行追问的输出标签作为输出，训练分类模块根据面试候选人的回答内容来判断是否需要进行追问。训练后的分类模块可以根据输入的问答文本对《q,a》，输出对应的标签1或0来指示是否需要进行追问。
57.进一步地，追问模型还可以包括选择模块，用于选择需要追问的追问维度。如上所述，由于该选择功能涉及对问答内容较高的语义理解要求，处理器52需要首先将回答文本a与对应源问题的问题文本q分别输入编码器，以获取对应的回答语义表示向量repa及问题语义表示向量repq。该编码器可以基于卷积神经网络(cnn)、循环神经网络(rnn,lstm,gru,bi-lstm,bi-gru等)或预训练模型(elmo,gpt,bert等)中的一种来搭建。
58.之后，处理器22可以将多个回答样本的回答语义表示向量repa及其对应的问题语义表示向量repq作为输入，并以对应的追问结果标注所指示的需要追问的追问维度为输出，训练选择模块根据面试候选人的回答内容来判断需要追问的维度。举例来说，对于上述第一类源问题11的star四个追问维度111～114，处理器22可以利用一组维度为4的标签集合(c0,c1,c2,c3)来指示需要追问的维度。具体来说，c0表示背景(s)维度111是否需要被追问。若s维度111不需要追问，则选择模块可以输出c0＝0。反之，若s维度111需要追问，则选择模块可以输出c0＝1。同理，c1、c2、c3可以分别表示tar对应的第一追问维度112～114是否需要追问。训练后的选择模块可以根据输入的回答语义表示向量repa及其对应的问题语义表示向量repq，输出对应的标签集合(c0,c1,c2,c3)来指示需要追问的维度。
59.在一些更优的实施例中，为了进一步提高选择模块对问答内容的语义理解能力，
处理器52可以对获取的回答语义表示向量repa及问题语义表示向量repq进行进一步地问答交互，以获取对应的问答相关性表示向量repqa。之后，处理器52可以分别对各回答样本的回答语义表示向量repa、对应的问题语义表示向量repq及对应的问答相关性表示向量repqa进行加权融合，以获取对应于各回答样本的最终相关性表示向量repfinal，从而将repq、repa、repqa映射到同一个高维空间以便于更好地进行分类。
60.之后，处理器22可以将多个回答样本的最终相关性表示向量repfinal作为输入，并将对应的追问结果标注(c0,c1,c2,c3)作为输出，训练选择模块根据面试候选人的回答内容来判断需要追问的追问维度。训练后的选择模块可以根据输入的最终相关性表示向量repfinal，输出对应的标签集合(c0,c1,c2,c3)以更准确地指示需要追问的维度。
61.基于以上描述可知，通过根据源问题的多个追问维度来标注回答样本的需要进行追问的维度，本发明训练获得的追问模型可以根据候选人回答内容的完整性及深度，提供对应的追问问题来对回答内容的不足之处进行补充。通过将训练获得的追问模型应用于异步视频面试，可以保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
62.根据本发明的另一方面，本文还提供了一种面试题的追问方法。请参考图6，图6示出了根据本发明的一方面提供的面试问题追问方法的流程示意图。
63.如图6所示，本发明提供的上述面试问题的追问方法可以包括步骤601：采集面试候选人对面试问题的回答内容。
64.上述面试问题可以为存储于面试题库中的源问题。如上所述，该面试题库可以包括多道源问题，用于引导面试候选人回答面试官希望了解的信息，以便于面试官判断候选人与招聘职位的匹配程度。相比于现有异步视频面试技术采用的面试问题，本发明采用的源问题可以包括至少一个追问维度，用于考核候选人的至少一项胜任力。每个追问维度可以对应一项胜任力，以便面试官通过一道源问题同时考核候选人的多项胜任力。
65.在一些实施例中，本发明提供的上述面试问题的追问方法可以应用于异步视频面试。在一些非限制性的实施例中，面试问题的追问方法可以基于图5所示的追问装置50来实施。具体来说，在进行异步视频面试的过程中，候选人可以利用计算机的摄像头和麦克风采集其面试视频数据，并通过网络将采集面试视频数据实时地上传到异步视频面试的系统服务器。追问装置50的处理器52可以实时获取候选人上传的面试视频数据，并通过语音识别等方式获取其中的回答内容。与此同时，追问装置50还可以从系统服务器获取对应的面试问题信息，以将候选人的回答内容与对应的面试问题进行关联。
66.如图6所示，本发明提供的上述面试问题的追问方法还可以包括步骤602：将回答内容输入预先训练的追问模型，以利用追问模型判断需要追问的维度。
67.如上所述，追问模型是一种人工智能(ai)模型，可以根据预先训练的追问规则来判断需要追问的追问维度。通过预先使用上述训练方法进行训练，追问模型的追问规则可以包括：响应于面试问题为第一类源问题，而且回答内容缺失任意第一追问维度，则对缺失的第一追问维度进行完整性追问；以及响应于面试问题为第二类源问题，而且回答内容涉及任意第二追问维度，则对涉及的回答深度不足的第二追问维度进行深度追问。
68.如图3所示，在一些实施例中，第一类源问题主要根据候选人回答内容的完整性来考核候选人的综合素质。该第一类源问题可以包括多个第一追问维度。每个第一追问维度指示候选人的一项通用胜任力。该通用胜任力包括但不限于沟通能力、抗压能力、团队合作
能力等软技能，适用于几乎所有岗位。面试官可以为每道第一类源问题设定多个第一追问维度，以全面地了解候选人的多项通用胜任力。
69.相对地，第二类源问题主要根据候选人回答内容的深度来考核候选人的专业素质。该第二类源问题可以包括多个第二追问维度。每个第二追问维度指示候选人的一项岗位胜任力。该岗位胜任力包括但不限于针对财务岗位的财务知识、针对人事岗位的人力资源知识，以及针对编程岗位的编程技术。每项岗位胜任力可以指示对应第二类源问题所要考核的一个知识点。面试官可以根据候选人的回答是否涉及每个第二追问维度，判断候选人是否全面地了解对应专业技能的每个知识点。进一步地，面试官可以为每个第二追问维度设定多个考核维度，并根据候选人的回答是否涉及每个考核维度，进一步判断候选人对该知识点的掌握深度。更进一步地，每个第二追问维度可以包括多级考核维度。具体来说，每个第二追问维度可以包括多个一级考核维度。每个一级考核维度可以包括多个二级考核维度。每个二级考核维度可以包括多个三级考核维度。以此类推，由点及面地展开对专业素质的深度追问。面试官可以根据候选人的回答最终涉及哪一级考核维度，准确地判断候选人对该知识点的具体掌握深度。
70.在一些实施例中，追问模型的训练者可以将面试题库及追问题库都配置于存储器51中，以供追问模型根据面试涉及的源问题查询对应的追问维度，并根据需要追问的追问维度从追问题库调取对应的追问问题。
71.具体来说，在判断是否需要对回答内容进行完整性追问时，执行追问模型的处理器52可以首先根据候选人的回答内容确定其涉及的第一追问维度，并直接将回答内容未涉及的第一追问维度确定为缺失的第一追问维度。在一些优选的实施例中，处理器52还可以进一步判断回答内容涉及的第一追问维度的丰富度。该丰富度可以根据回答内容是否只是复述问题、回答内容是否过于宽泛、回答是否过于精简等方面来进行评价。响应于回答内容针对一个追问维度的丰富度不达标，处理器52可以将该不达标的第一追问维度也确定为缺失的第一追问维度。之后，处理器52可以针对缺失的第一追问维度，从追问题库调取对应的追问问题以进行完整性追问。
72.举例来说，如图3所示，异步视频面试系统可以向候选人提出第一类源问题11，即“请分享一个在过去1年中，您遇到过最困难的任务。具体说说当时的任务内容是什么？遇到了哪些困难？您是怎么克服的？最后任务结果如何？”。该第一类源问题11包括背景(situation，s)、内容(task，t)、行为(action，a)、结果(result，r)等多个第一追问维度111～114，其中，每个第一追问维度111～114可以对应一道或多道追问问题。若候选人的没有回答最后任务结果如何，则处理器52可以针对其中任务结果(r)的第一追问维度114，从追问题库调取“最后任务的结果如何？”的追问问题1141，进行完整性追问以引导候选人完善其回答内容。
73.在判断是否需要对回答内容进行深度追问时，实施追问模型的处理器52可以首先根据候选人的回答内容确定其涉及的第二追问维度，再针对回答内容涉及的第二追问维度来判断回答内容进一步涉及的考核维度。响应于回答内容遗漏了一个第二追问维度，则处理器52可以判断候选人对该知识点存在缺失，因此不必再进行深度追问。响应于回答内容涉及一个第二追问维度却未覆盖该第二追问维度的所有考核维度，处理器52可以判断回答内容针对该第二追问维度的深度不足，从而针对该深度不足的第二追问维度及未涉及的考
核维度，从追问题库调取对应的追问问题以进行深度追问。在一些优选的实施例中，对于第二追问维度包括多级考核维度的实施例，在提出深度追问问题后，处理器52还可以从异步视频面试系统进一步获取候选人的补充回答内容，并根据获取的补充回答内容确定其涉及的二级考核维度。响应于该补充回答内容涉及一个二级考核维度却未覆盖该二级考核维度的所有三级考核维度，处理器52可以判断回答内容针对该二级考核维度的深度不足，从而针对该深度不足的二级考核维度及未涉及的三级考核维度，从追问题库调取对应的追问问题以进行进一步的深度追问。
74.举例来说，如图3所示，异步视频面试系统可以向java工程师岗位的候选人提出第二类源问题21，即“请详细介绍一下java微服务架构spring cloud的核心组件”。该第二类源问题21包括eureka组件、ribbon组件、feign组件、zuul组件等多个第二追问维度211～215，其中，每个第二追问维度211～215可以包括组件功能及使用方法等多个考核维度2111～2112、2121～2122，每个考核维度2111～2112、2121～2122又可以进一步对应一道或多道追问问题21111、21121、21211～21213。若候选人在回答过程中仅提到组件的名称，如“spring cloud包含的组件包括eureka”，但并没有对该eureka组件的功能展开详细的介绍，则处理器52可以针对组件功能的考核维度2111，从追问题库调取“eureka组件的主要功能是什么”的追问问题21111，进行深度追问以引导候选人深化其回答内容。更进一步地，若候选人的补充回答内容仅涉及eureka组件的一些功能名称(即二级考核维度)，而未对这些功能的原理(即三级考核维度)展开详细的说明，则处理器52可以针对eureka组件的功能原理，从追问题库调取“请详细说明该功能的实现原理”的追问问题，进行进一步的深度追问以引导候选人进一步深化其回答内容。
75.如上所述，追问模型需要根据面试问题及回答内容的问答语义来判断需要追问的维度。在一些实施例中，追问模型可以包括分类模块，用于判断是否需要针对候选人的回答内容进行追问。具体来说，该分类模块可以选用基于深度神经网络(cnn,rnn(lstm,gru),bi-lstm,bi-gru等)的文本分类模型或基于预训练模型(gpt,bert,elmo及其变种)的文本分类模型。
76.在判断需要追问的维度时，处理器52可以首先对候选人上传的面试视频数据进行语音识别，以获取回答内容的回答文本a。之后，处理器52可以将候选人提供的回答文本a与面试问题的问题文本q组成问答文本对《q,a》，并将该问答文本对《q,a》输入预先训练的分类模块，以利用分类模块判断是否需要进行追问。分类模块的训练步骤及判断规则，已在上述训练追问模型的实施例中详细介绍，在此不再赘述。若分类模块输出的二分类标签为1，则说明候选人的回答内容不够完整或深度不足，需要进行追问。反之，若分类模块输出的二分类标签为0，则说明候选人的回答内容已经足够完整且不涉及深度不足的问题，不再需要进行追问。
77.在一些实施例中，追问模型还可以包括选择模块，用于选择需要追问的追问维度。具体来说，若分类模块判断需要对候选人的回答内容进行追问，则处理器52可以进一步将上述回答文本a与问题文本q分别输入编码器，以获取对应的回答语义表示向量repa及问题语义表示向量repq。该编码器可以基于卷积神经网络(cnn)、循环神经网络(rnn,lstm,gru,bi-lstm,bi-gru等)或预训练模型(elmo,gpt,bert等)中的一种来搭建。之后，处理器52可以将该回答语义表示向量repa及问题语义表示向量repq输入选择模块，以利用该选择模块
来选择需要追问的维度。
78.在一些优选的实施例中，为了进一步提高选择模块对问答内容的语义理解能力，处理器52可以对获取的回答语义表示向量repa及问题语义表示向量repq进行进一步地问答交互，以获取对应的问答相关性表示向量repqa。之后，处理器52可以分别对各回答样本的回答语义表示向量repa、对应的问题语义表示向量repq及对应的问答相关性表示向量repqa进行加权融合，以获取对应于各回答样本的最终相关性表示向量repfinal，从而将repq、repa、repqa映射到同一个高维空间以便于更好地进行分类。
79.之后，处理器52可以将候选人回答内容的最终相关性表示向量repfinal输入选择模块，以利用该选择模块来选择需要追问的维度。选择模块的训练步骤及选择规则，已在上述训练追问模型的实施例中详细介绍，在此不再赘述。训练后的选择模块可以根据输入的最终相关性表示向量repfinal，输出对应的标签集合(c0,c1,c2,c3)以更准确地指示需要追问的维度。
80.举例来说，对于图3所示的第一类源问题11的star四个追问维度111～114，处理器52可以利用一组维度为4的标签集合(c0,c1,c2,c3)来指示需要追问的维度。具体来说，c0表示背景(s)维度111是否需要被追问。若s维度111不需要追问，则选择模块可以输出c0＝0。反之，若s维度111需要追问，则选择模块可以输出c0＝1。同理，c1、c2、c3可以分别表示tar对应的第一追问维度112～114是否需要追问。训练后的选择模块可以根据输入的回答语义表示向量repa及其对应的问题语义表示向量repq，输出对应的标签集合(c0,c1,c2,c3)来指示需要追问的维度。
81.如图6所示，本发明提供的上述面试问题的追问方法还可以包括步骤603：利用追问模型根据需要追问的追问维度，从追问题库调取对应的追问问题来进行追问。
82.如上所述，在本发明的一些实施例中，面试题库可以包括多道第一类源问题及多道第二类源问题，以用于分别考核候选人的综合素质和专业素质。在一些实施例中，一道第一类源问题可以包括k个第一追问维度，以用于评价候选人回答内容的完整性。处理器22可以分别为每个追问维度配置s道追问问题，以供追问模型从中随机选择一道追问问题来对候选人进行完整性追问。此时，该第一类源问题可以对应k*s道追问问题。在一些实施例中，处理器22可以为每个第一追问维度配置20道以上的追问问题(即s》20)，以防止候选人利用多次面试的经验对相同的追问问题做出刻意的准备，以掩盖其真实情况。
83.类似地，一道第二类源问题可以包括k1个第二追问维度，以用于评价候选人回答内容的完整性。每个第二追问维度又可以进一步包括k2个考核维度，以用于评价候选人回答内容在该第二追问维度的深度。处理器22可以分别为每个考核维度配置s道追问问题，以供追问模型从中随机选择一道追问问题来对候选人进行深度追问。此时，定义k＝k1*k2，则该第二类源问题也可以对应k*s道追问问题。同样地，处理器22也可以为每个第二追问维度配置二十道以上的追问问题(即s》20)，以防止候选人利用多次面试的经验对相同的追问问题做出刻意的准备，以掩盖其真实情况。
84.如图4所示，在一些实施例中，追问题库可以按《源问题，k*s道追问问题》的字典形式来构建。该追问题库字典以源问题为单位构建源问题词条。通过将每道源问题的多个追问维度，以及每个追问维度的多个追问问题收录到对应的源问题词条，即可对k*s道追问问题与对应的源问题进行关联。
85.举例来说，第一类源问题11的词条可以包括四个第一追问维度111～114。每个追问维度(例如：追问维度111)可以对应三道追问问题1111～1113。处理器22可以按《第一类源问题11，4*3道追问问题》的形式构建第一类源问题11的词条，并通过收录所有源问题的词条来构建追问题库字典。在进行异步视频面试时，实施追问模型的处理器52可以根据面试提出的第一类源问题11查询对应的追问维度111～114，并根据需要追问的第一追问维度111从追问题库中多道相关的追问问题中随机选择一道追问问题1111，对候选人进行完整性追问。
86.基于以上描述可知，在进行异步视频面试时，通过根据面试问题的多个追问维度来判断候选人回答内容的完整性及深度，本发明采用的追问模型可以针对回答内容的不足之处来提供对应的追问问题，以帮助候选人补充回答内容，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。
87.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。
88.本领域技术人员将可理解，信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如，以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
89.本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
90.结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
91.尽管上述的实施例所述的处理器22、52可以通过软件与硬件的组合来实现的。但是可以理解，这些处理器22、52也可以单独在软件或硬件中加以实施。对于硬件实施而言，处理器22、52可在一个或多个专用集成电路(asic)、数字信号处理器(dsp)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器、用于执行上述功能的其它电子装置或上述装置的选择组合来加以实施。对软件实施而言，处理器22、52可以通过在通用芯片上运行的诸如程序模块(procedures)和函数模块(functions)等独立的软件模块来加以实施，其中每一个模块可以执行一个或多个本文中描述的功能和操作。
92.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。

技术特征：
1.一种追问模型的训练方法，其特征在于，包括：根据面试题库中每道源问题的至少一个追问维度构建追问题库，其中，所述面试题库包括多道所述源问题，每个所述追问维度对应所述追问题库中的至少一道追问问题；根据每道所述源问题的各所述追问维度，对多个回答样本的回答完整性及回答深度进行追问结果标注，所述追问结果标注指示各所述追问维度是否需要追问；构建追问模型，所述追问模型适于根据训练的追问规则判断需要追问的追问维度，并根据所述需要追问的追问维度从所述追问题库调取对应的追问问题；以及根据所述多个回答样本及其对应的追问结果标注，训练所述追问模型根据面试候选人的回答内容来判断需要追问的追问维度。2.如权利要求1所述的训练方法，其特征在于，所述面试题库包括两类所述源问题，其中，第一类源问题包括多个第一追问维度，用于指示所述回答完整性，第二类源问题包括多个第二追问维度，用于指示所述回答深度，所述追问规则包括：若面试问题为所述第一类源问题，而且所述面试候选人的回答内容缺失任意所述第一追问维度，则对缺失的第一追问维度进行完整性追问；以及若面试问题为所述第二类源问题，而且所述面试候选人的回答内容涉及任意所述第二追问维度，则对涉及的回答深度不足的第二追问维度进行深度追问。3.如权利要求2所述的训练方法，其特征在于，所述第一类源问题包括通用胜任力问题，用于考核所述面试候选人的通用胜任力，进行所述完整性追问的步骤包括：根据所述面试候选人的回答内容，确定所述回答内容涉及的第一追问维度，并将未涉及的第一追问维度确定为所述缺失的第一追问维度；针对所述涉及的第一追问维度，判断所述回答内容的丰富度；以及响应于所述丰富度不达标，将所述不达标的第一追问维度也确定为所述缺失的第一追问维度。4.如权利要求2所述的训练方法，其特征在于，所述第二类源问题包括岗位胜任力问题，用于考核所述面试候选人的专业技能，其中，每个所述第二追问维度包括多个考核维度，用于指示多个专业知识点以评价所述面试候选人的回答深度，进行所述深度追问的步骤包括：根据所述面试候选人的回答内容，确定所述回答内容涉及的第二追问维度；针对所述涉及的第二追问维度，判断所述回答内容进一步涉及的考核维度；以及响应于所述回答内容存在未涉及的考核维度，针对所述未涉及的考核维度进行所述深度追问。5.如权利要求4所述的训练方法，其特征在于，所述第二追问维度包括多级考核维度，其中，每个所述第二追问维度包括多个一级考核维度，每个所述一级考核维度包括多个二级考核维度，每个所述二级考核维度包括多个三级考核维度，进行所述深度追问的步骤进一步包括：响应于所述回答内容存在未涉及的一级考核维度，针对所述未涉及的一级考核维度进行所述深度追问；根据所述面试候选人对追问问题的补充回答内容，确定涉及的二级考核维度；针对所述涉及的二级考核维度，判断所述补充回答内容进一步涉及的三级考核维度；
以及响应于所述补充回答内容存在未涉及的三级考核维度，针对所述未涉及的三级考核维度进行进一步的深度追问。6.如权利要求2所述的训练方法，其特征在于，进行所述追问结果标注的步骤包括：根据所述回答样本对所述第一类源问题的各所述第一追问维度的丰富度，标注所述回答样本缺失的第一追问维度；以及根据所述回答样本对所述第二类源问题的各所述第二追问维度的各所述考核维度的涉及情况，标注所述回答样本涉及的回答深度不足的第二追问维度，并标注所述回答样本未涉及的考核维度。7.如权利要求1所述的训练方法，其特征在于，所述源问题包括k个所述追问维度，每个所述追问维度对应s道所述追问问题，构建所述追问题库的步骤包括：以<源问题，k*s道追问问题>的字典形式构建所述追问题库，以供所述追问模型根据面试提出的源问题查询对应的追问维度，并根据所述需要追问的追问维度从所述追问题库调取对应的追问问题。8.如权利要求1所述的训练方法，其特征在于，所述追问模型包括分类模块，训练所述追问模型的步骤包括：分别将所述多个回答样本的回答文本与对应源问题的问题文本组成多个问答文本对；以及以所述多个问答文本对为输入，并以对应的追问结果标注是否指示需要追问的追问维度为输出，训练所述分类模块根据面试候选人的回答内容来判断是否需要进行追问。9.如权利要求8所述的训练方法，其特征在于，所述追问模型还包括选择模块，训练所述追问模型的步骤还包括：根据所述回答文本确定对应的回答语义表示向量，并根据所述问题文本确定对应的问题语义表示向量；以及以所述多个回答样本的回答语义表示向量及其对应的问题语义表示向量为输入，并以对应的追问结果标注所指示的需要追问的追问维度为输出，训练所述选择模块根据面试候选人的回答内容来判断需要追问的追问维度。10.如权利要求9所述的训练方法，其特征在于，训练所述选择模块的步骤包括：对各所述回答语义表示向量及其对应的问题语义表示向量进行交互，以获取对应的问答相关性表示向量；对各所述回答语义表示向量、对应的问题语义表示向量及对应的问答相关性表示向量进行加权融合，以获取对应的最终相关性表示向量；以及以所述多个回答样本的最终相关性表示向量为输入，并以对应的追问结果标注所指示的需要追问的追问维度为输出，训练所述选择模块根据面试候选人的回答内容来判断需要追问的追问维度。11.一种面试问题的追问方法，其特征在于，包括：采集面试候选人对面试问题的回答内容，其中，所述面试问题为存储于面试题库中的源问题，所述面试题库包括多道所述源问题，每道所述源问题包括多个追问维度，每个所述追问维度对应追问题库中的至少一道追问问题；
将所述回答内容输入预先训练的追问模型，以利用所述追问模型判断需要追问的追问维度，其中，所述追问模型根据所述面试问题的各所述追问维度判断所述回答内容的回答完整性及回答深度，并根据所述回答完整性及所述回答深度判断各所述追问维度是否需要追问；以及利用所述追问模型根据所述需要追问的追问维度，从所述追问题库调取对应的追问问题来进行追问。12.如权利要求11所述的追问方法，其特征在于，所述面试题库包括两类所述源问题，其中，第一类源问题包括多个第一追问维度，用于指示所述回答完整性，第二类源问题包括多个第二追问维度，用于指示所述回答深度，判断各所述追问维度是否需要追问的步骤包括：响应于所述面试问题为所述第一类源问题，而且所述回答内容缺失任意所述第一追问维度，则对缺失的第一追问维度进行完整性追问；以及响应于所述面试问题为所述第二类源问题，而且所述回答内容涉及任意所述第二追问维度，则对涉及的回答深度不足的第二追问维度进行深度追问。13.如权利要求12所述的追问方法，其特征在于，所述第一类源问题包括通用胜任力问题，用于考核所述面试候选人的通用胜任力，进行所述完整性追问的步骤包括：根据所述回答内容确定其涉及的第一追问维度，并将未涉及的第一追问维度确定为所述缺失的第一追问维度；针对所述涉及的第一追问维度，判断所述回答内容的丰富度；以及响应于所述丰富度不达标，将所述不达标的第一追问维度也确定为所述缺失的第一追问维度。14.如权利要求12所述的追问方法，其特征在于，所述第二类源问题包括岗位胜任力问题，用于考核所述面试候选人的专业技能，其中，每个所述第二追问维度包括多个考核维度，用于指示多个专业知识点以评价所述面试候选人的回答深度，进行所述深度追问的步骤包括：根据所述回答内容确定其涉及的第二追问维度；针对所述涉及的第二追问维度，判断所述回答内容进一步涉及的考核维度；以及响应于所述回答内容存在未涉及的考核维度，针对所述未涉及的考核维度进行所述深度追问。15.如权利要求14所述的追问方法，其特征在于，所述第二追问维度包括多级考核维度，其中，每个所述第二追问维度包括多个一级考核维度，每个所述一级考核维度包括多个二级考核维度，每个所述二级考核维度包括多个三级考核维度，进行所述深度追问的步骤进一步包括：响应于所述回答内容存在未涉及的一级考核维度，针对所述未涉及的一级考核维度进行所述深度追问；采集所述面试候选人对追问问题的补充回答内容，并根据所述补充回答内容确定其涉及的二级考核维度；针对所述涉及的二级考核维度，判断所述补充回答内容进一步涉及的三级考核维度；以及
响应于所述补充回答内容存在未涉及的三级考核维度，针对所述未涉及的三级考核维度进行进一步的深度追问。16.如权利要求11所述的追问方法，其特征在于，所述源问题包括k个所述追问维度，每个所述追问维度对应s道所述追问问题，所述追问题库是以<源问题，k*s道追问问题>的字典形式构建，从所述追问题库调取对应的追问问题来进行追问的步骤包括：根据所述面试问题查询对应的源问题，以确定对应词条所包括的k个追问维度；根据所述需要追问的追问维度，从所述面试问题的对应词条确定s道追问问题；以及从所述s道追问问题中随机选择一道追问问题来进行追问。17.如权利要求11所述的追问方法，其特征在于，所述追问模型包括分类模块，判断所述需要追问的追问维度的步骤包括：识别所述回答内容的回答文本，并将所述回答文本与所述面试问题的问题文本组成问答文本对；以及将所述问答文本对输入预先训练的分类模块，以利用所述分类模块判断是否需要进行追问。18.如权利要求17所述的追问方法，其特征在于，所述追问模型还包括选择模块，判断所述需要追问的追问维度的步骤还包括：根据所述回答文本确定对应的回答语义表示向量，并根据所述问题文本确定对应的问题语义表示向量；以及将所述回答语义表示向量及所述问题语义表示向量输入预先训练的选择模块，以利用所述选择模块判断需要追问的追问维度。19.如权利要求18所述的追问方法，其特征在于，利用所述选择模块判断需要追问的追问维度的步骤包括：对所述回答语义表示向量及所述问题语义表示向量进行交互，以获取问答相关性表示向量；对所述回答语义表示向量、所述问题语义表示向量及所述问答相关性表示向量进行加权融合，以获取最终相关性表示向量；以及利用所述选择模块根据所述最终相关性表示向量来判断需要追问的追问维度。20.一种追问模型的训练装置，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，并配置用于实施如权利要求1～10中任一项所述的追问模型的训练方法。21.一种面试问题的追问装置，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，并配置用于实施如权利要求11～19中任一项所述的面试问题的追问方法。22.一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1～10中任一项所述的追问模型的训练方法。23.一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11～19中任一项所述的面试问题的追问方法。

技术总结
本发明涉及一种追问模型的训练方法及装置、一种面试题的追问方法及装置，以及两种对应的计算机可读存储介质。该方法包括步骤：根据面试题库中每道源问题的至少一个追问维度构建追问题库；根据每道所述源问题的各所述追问维度，对多个回答样本的回答完整性及回答深度进行追问结果标注；构建追问模型；以及根据所述多个回答样本及其对应的追问结果标注，训练所述追问模型根据面试候选人的回答内容来判断需要追问的追问维度。本发明能够根据候选人回答内容的完整性及深度自动选择对应的追问问题，从而保证面试官能够获得充足的信息来判断候选人与招聘职位的匹配程度。判断候选人与招聘职位的匹配程度。判断候选人与招聘职位的匹配程度。


技术研发人员：陈凯 刘志伟 陈清财 颜让 方小雷
受保护的技术使用者：无锡近屿智能科技有限公司
技术研发日：2020.11.09
技术公布日：2022/5/25