智能面试方法、装置、设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其涉及一种智能面试方法、装置、设备及存储介质。


背景技术：

2.传统的人才招聘面试方式表现为：招聘方发布职位、等待或搜索简历、大范围邀请面试、现场面试笔试等。这样的招聘流程需要耗费较长的时间周期，每一个环节都需要人工的参与，简历需要经过各级人工的参与，大量的消耗人力、财力和时间成本。因此，智能面试应运而生。
3.目前，智能面试无法对面试者的能力进行客观的评估。


技术实现要素：

4.本技术从多个方面提供一种智能面试方法、装置、设备及存储介质，用以提高对求职用户的能力评估的精度。
5.本技术实施例提供一种智能面试方法，包括：获取简历文本和职位描述文本；根据所述简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；以及从职位描述文本中提取求职用户的应聘职位；根据所述求职用户的能力标签和应聘职位，从预设题库中选择出题目。
6.本技术实施例还提供一种智能面试装置，包括：获取模块，用于获取简历文本和职位描述文本；第一提取模块，用于根据所述简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；以及第二提取模块，用于从职位描述文本中提取求职用户的应聘职位；选择模块，用于根据所述求职用户的能力标签和应聘职位，从预设题库中选择出题目。
7.本技术实施例还提供一种电子设备，包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上述的方法。
8.本技术实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的方法。
9.在本技术的一些实施例中，智能面试装置获取求职用户的简历文本和职位描述文本；根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；智能面试装
置从职位描述文本中提取求职用户的应聘职位；智能面试装置根据求职用户的能力标签和应聘职位，从预设题库中选择出题目，选取与求职用户的个人能力和应聘职位相匹配的题目进行面试过程，对求职用户的能力进行合理评估，提高对求职用户的能力评估的精度。
附图说明
10.在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：图1为本技术示例性实施例提供的一种面试系统的结构示意图；图2为本技术示例性实施例提供的一种知识图谱的部分图；图3为本技术示例性实施例提供的一种智能面试方法的方法流程图；图4为本技术另一示例性实施例提供的一种智能面试方法的方法流程图；图5为本技术实施例提供的一种智能面试装置的框架结构示意图；图6为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
11.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
12.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
13.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
14.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
15.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
16.目前，智能面试方法，通过求职用户的岗位进行题目的筛选，面试很难掌握求职用户的各方面的能力，无法对求职用户进行合理的评估。
17.针对上述存在的技术问题，在本技术的一些实施例中，智能面试装置获取求职用户的简历文本和职位描述文本；根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；智能面试装置从职位描述文本中提取求职用户的应聘职位；智能面试装置根据求职用户的能力标签和应聘职位，从预设题库中选择出题目，选取与求职用户的个人能力和应聘职位相匹配的题目进行面试过程，对求职用户的能力进行合理评估，提高对
求职用户的能力评估的精度。
18.以下结合附图，详细说明本技术各实施例提供的技术方案。
19.图1为本技术示例性实施例提供的一种智能面试系统10的结构示意图。如图1所示，该智能面试系统10包括求职用户终端10a，面试设备10b和面试官终端10c。如图1中所呈现的用户终端10a，面试设备10b和面试官终端10c只是示例性说明，并不对二者的实现形式做限定。求职用户通过求职用户终端10a将电子简历上传至面试设备10b，面试设备10b接收到求职用户的电子简历对求职用户进行自动面试，并生成求职用户的面试结果；面试设备10b将面试结果发送至面试官终端10c，以供面试官查看该面试结果。
20.其中，求职用户终端10a、面试官终端10c与面试设备10b之间采用有线或者无线连接。可选地，用户终端10a、面试官终端10c可以采用wifi、蓝牙、红外等通信方式和面试设备10b建立通信连接，或者，用户终端10a、面试官终端10c也可以通过移动网络与面试设备10b建立通信连接。其中，移动网络的网络制式可以为2g（gsm）、2.5g（gprs）、3g（wcdma、td
‑
scdma、cdma2000、utms）、4g（lte）、4g+（lte+）、wimax等中的任意一种。
21.在本实施例中，求职用户终端10a是指用户使用的具有用户所需计算、上网、通信等功能的设备，例如可以是智能手机、平板电脑、个人电脑、穿戴设备等。求职用户终端10a包括至少一个处理单元和至少一个存储器。处理单元和存储器的数量取决于终端设备的配置和类型。存储器可以包括易失性的，例如ram，也可以包括非易失性的，例如只读存储器（read
‑
only memory,rom）、闪存等，或者也可以同时包括两种类型的。存储器内通常存储有操作系统（operating system，os）、一个或多个应用软件，也可以存储有程序数据等。除了处理单元和存储器之外，求职用户终端10a也会包括网卡芯片、io总线、音视频组件等基本配置。可选地，根据求职用户终端10a的实现形式，求职用户终端10a也可以包括一些外围设备，例如键盘、鼠标、输入笔、打印机等。这些外围设备在本领域中是众所周知的，在此不做赘述。
22.在本实施例中，面试官终端10c是指用户使用的具有用户所需计算、上网、通信等功能的设备，例如可以是智能手机、平板电脑、个人电脑、穿戴设备等。
23.在本实施例中，面试设备10b可以为智能终端设备或者服务器。当面试设备10b为服务器时，本实施例不限定服务器的实现形式，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器设备的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。
24.在本实施例中，求职用户使用求职用户终端10a进行电子简历的上传，面试设备10b在接收到简历文本和职位描述文本后，面试设备10b根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；面试设备10b根据求职用户的能力标签和应聘职位，从预设题库中选择出题目；面试设备10b将题目提供给求职用户，以供求职用户针对题目进行答题操作；面试设备10b根据获取到的求职用户针对题目的答题结果，生成求职用户的面试结果；面试设备10b将面试结果发送至面试官终端10c；面试官终端10c接收到面试结果后，在自身的电子显示屏上展示面试结果供面试官查看。
25.需要说明的是，职位描述文本是指，招聘方为用于描述自身招聘需求的文本。通常情况下，职位描述文本中包含有求职用户的应聘职位。能力标签，为反映求职用户应聘该应聘职位具备的技能的关键词。
26.在本实施例中，面试设备10b根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签。一种可实现的方式为，面试设备10b将简历文本和职位描述文本输入已有的简历内容理解模型中，得到求职用户的能力标签。例如，将简历文本“1、精通python，对列表、元组、集合操作熟练。2、熟练使用git，能够提交，删除、合并代码”和职位描述文本，输入已有的简历内容理解模型中，得到求职用户的能力标签“精通python”、“熟练使用git”。职位描述文本可参见上述职位描述文本的定义，在此不再举例说明。
27.在本实施例中，面试设备10b从职位描述文本中提取求职用户的应聘职位。一种可实现的方式为，面试设备10b可以搜索关键词“应聘职位”，将“应聘职位”后的文本内容作为应聘职位。
28.在另一种实施例中，若电子简历为图片类型，则面试设备10b从简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签，一种可实现的方式为，面试设备10b对电子简历进行简历文本区域检测，得到简历区域图片；面试设备10b对简历区域图片进行文本识别，得到简历文本；将简历文本和职位描述文本输入已有的简历内容理解模型中，得到求职用户的能力标签。可选地，面试设备10b利用文本检测模型对电子简历进行简历文本区域检测，得到简历区域图片；面试设备10b利用文本识别模型对简历区域图片进行文本识别，得到简历文本。例如，面试设备10b利用文本检测模型对电子简历进行简历文本区域检测，得到包含文本“1、精通python开发，对多线程、协程有较好的理解。2、熟练使用常见web开发框架比如：django、tornado、flask, 熟悉面向对象的设计思想，对常用的设计模式有所了解”的简历区域图片；面试设备10b利用文本识别模型对简历区域图片进行文本识别，得到简历文本：“1、精通python开发，对多线程、协程有较好的理解。2、熟练使用常见web开发框架比如：django、tornado、flask, 熟悉面向对象的设计思想，对常用的设计模式有所了解”。将简历文本：“1、精通python开发，对多线程、协程有较好的理解。2、熟练使用常见web开发框架比如：django、tornado、flask, 熟悉面向对象的设计思想，对常用的设计模式有所了解。”和职位描述文本输入简历内容理解模型中，得到求职用户的能力标签“1、精通python开发，2、精通django、flask框架及rest模式”。
29.在使用文本检测模型，文本识别模型，简历内容理解模型之前，首先需要对文本检测模型，文本识别模型和简历内容理解模型进行训练，以下对文本检测模型，文本识别模型，简历内容理解模型的训练过程依次作出说明：文本检测模型的训练过程：首先，收集大量的待识别简历文本图像样本，尽可能地覆盖多种文本检测场景中可能遇到的不同主体对象，以提升样本覆盖率。接着，可对训练样本上的简历文本区域进行标注，以标注得到待识别简历文本图像样本上的简历文本区域的实际分布情况。
30.接着，可将标注好的训练样本输入一神经网络模型。在神经网络模型内部，可根据模型参数对训练样本进行特征提取以及计算等操作，并由神经网络模型的输出层输出简历文本区域检测结果。接着，神经网络模型的损失函数层，可根据输出层输出的简历文本区域检测结果和训练样本上的真实简历文本区域的差别，计算损失函数。若损失函数不满足设定的要求，则可调整模型参数，继续迭代训练。当神经网络模型的损失函数满足设定的要求时，可得到训练完成的文本检测模型。
31.文本识别模型的训练过程：收集大量的待识别文本图像，尽可能地覆盖多种文本识别场景中可能遇到的不同主体对象，以提升样本覆盖率。接着，可对训练样本上的文本进
行标注，以标注得到待识别文本图像上的文本的实际分布情况。
32.接着，可将标注好的训练样本输入一神经网络模型。在神经网络模型内部，可根据模型参数对训练样本进行特征提取以及计算等操作，并由神经网络模型的输出层输出文本识别结果。接着，神经网络模型的损失函数层，可根据输出层输出的文本识别结果和训练样本上的真实文本的差别，计算损失函数。若损失函数不满足设定的要求，则可调整模型参数，继续迭代训练。当神经网络模型的损失函数满足设定的要求时，可得到训练完成的文本识别模型。
33.简历内容理解模型的训练过程：收集大量的简历文本样本以及与简历文本样本对应的职位描述文本样本，尽可能地覆盖多种内容理解场景中可能遇到的不同主体对象，以提升样本覆盖率。接着，可对训练样本上的能力标签进行标注，以标注得到简历文本样本和职位描述文本样本对应的能力标签的实际分布情况。
34.接着，可将标注好的训练样本输入一神经网络模型。在神经网络模型内部，可根据模型参数对训练样本进行特征提取以及计算等操作，并由神经网络模型的输出层输出能力标签。接着，神经网络模型的损失函数层，可根据输出层输出的能力标签和训练样本上的真实的能力标签的差别，计算损失函数。若损失函数不满足设定的要求，则可调整模型参数，继续迭代训练。当神经网络模型的损失函数满足设定的要求时，可得到训练完成的简历内容理解模型。
35.需要说明的是，本技术实施例中的能力标签是指，表征求职用户应聘对应的应聘职位具备的技能。应聘程序开发员的求职用户的能力标签包括但不限于：精通python，熟练使用python，基本了解python，精通git，熟练使用git，精通flask框架，熟练使用flask框架等。
36.在上述实施例中，面试设备10b根据求职用户的能力标签和应聘职位，从预设题库中选择出题目。一种可实现的方式为，根据求职用户的能力标签和应聘职位，从预设题库中选择出第一道题目；输出第一道题目；响应于求职用户针对第一道题目的答题信息，进行判题后得到第一道题目的答题结果；根据第一道题目的答题结果，从预设题库中选择出第二道题目；依次执行后续题目的选择，直至预设数量的题目选择完毕。
37.需要说明的是，知识图谱包括多个能力标签对应的子图，每个子图包括相应的能力标签节点和与能力标签节点连接的知识点节点，能力标签节点和知识点节点之间的连接关系表示能力标签节点对应的能力标签与知识点节点对应的知识点存在关联关系。能力标签节点包括但不限于：python基础，熟练使用python，精通python, 精通git，熟练使用git，精通flask框架，熟练使用flask框架等能力标签节点。例如，如图2为能力标签“python基础”对应的子图，python基础对应的知识点节点包括：numpy节点，pandas节点，flask框架节点，djago框架节点，基础语法节点，上述节点与python基础节点连接，其中，pandas节点包括处理csv子节点和处理excel子节点。
38.在上述实施例中，面试设备10b根据求职用户的能力标签和应聘职位，从预设题库中选择出一道题目。一种可实现的方式为，从已有的面试知识图谱中搜索与能力标签对应的能力标签节点连接的目标知识点节点，其中，面试知识图谱包括能力标签节点和与能力标签节点连接的知识点节点，能力标签节点和知识点节点之间的连接关系表示能力标签节点对应的能力标签与知识点节点对应的知识点存在关联关系；以及根据应聘职位的等级，
查询应聘职位的等级和能力匹配度系数的映射关系表，得到目标能力匹配度系数，其中，每道题目携带有能力匹配度系数；从目标知识点节点对应的子题库中随机选择具有目标能力匹配度系数的一道题目，其中，预设题库包括与多个知识点节点一一对应的多个子题库。
39.其中，面试设备10b根据求职用户的能力标签和应聘职位，从预设题库中选择出第一道题目。一种可实现的方式为，面试设备10b从已有的面试知识图谱中搜索与能力标签对应的能力标签节点连接的目标知识点节点；以及根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得到目标能力匹配度系数，其中，每道题目携带有能力匹配度系数；从目标知识点节点对应的子题库中随机选择出能力匹配度系数为目标能力匹配度系数的第一道题目，其中，预设题库包括多个知识点节点一一对应的多个子题库。可选地，根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得到多个候选能力匹配度系数；从多个候选能力匹配度系数中选择出满足预设匹配度条件的目标能力匹配度系数。
40.例如，求职用户对应的能力标签包括：java基础和python基础，java基础对应10个知识点节点，python基础对应10个知识点节点，每个知识点节点对应一个题库，从已有的面试知识图谱中搜索与java基础和python基础连接的共计20个知识点节点；应聘职位为初级开发工程师，查询应聘职位的等级和能力匹配度系数的映射关系表，得到多个候选能力匹配度系数0.3和0.4，在0.3和0.4中选择最大的候选能力匹配度系数作为目标能力匹配度系数；从上述20个知识点节点对应的子题库中随机选择出能力匹配度系数为0.4的第一道题目。
41.在一种实施例中，面试设备10b以语音方式向求职用户播放第一道题目，求职用户以语音方式作答，面试设备10b采集求职用户针对题目的答题语音，将第一道题目的答题文本与相应的标准答案进行匹配度计算，得到第一道题目的得分，作为第一道题目的答题结果。
42.在上述实施例中，面试设备10b根据第一道题目的答题结果，从预设题库中选择出第二道题目。一种可实现的方式为，面试设备10b根据第一道题目的答题结果，确定第二道题目的目标题目难度系数，其中，每道题目中携带有题目难度系数；判断第一道题目所在的子题库中是否存在目标题目难度系数的题目；若是，则从第一道题目所在的子题库中选择出一道目标题目难度系数的题目，作为第二道题目；若否，则从其他子题库中随机选择出目标题目难度系数的第二道题目，其中，其他子题库为求职用户的能力标签对应的所有目标知识点节点对应的所有子题库中除第一道题目所在的子题库之外的剩余子题库。
43.面试设备10b根据第一道题目的答题结果，从预设题库中选择出第二道题目。一种可实现的方式为，根据第一道题目的答题结果，确定第二道题目的目标题目难度系数，其中，每道题目中携带有题目难度系数；判断第一道题目所在的子题库中是否存在目标题目难度系数的题目；若是，则从第一道题目所在的子题库中选择出一道目标题目难度系数的题目，作为第二道题目；若否，则从其他子题库中随机选择出目标题目难度系数的第二道题目，其中，其他子题库为求职用户的能力标签对应的所有目标知识点节点对应的所有子题库中除第一道题目所在的子题库之外的剩余子题库。
44.可选地，其中，面试设备10b根据求职用户首轮次的题目的答题结果，确定第二道题目的目标题目难度系数。一种可实现的方式为，判断第一道题目的得分是否大于等于设
定得分阈值；若是，则根据第一道题目的题目难度系数和第一道题目的得分，以第一种方式计算得到第二道题目的目标题目难度系数，其中，目标题目难度系数大于第一道题目的题目难度系数；若否，则根据第一道题目的题目难度系数和第一道题目的得分，以第二种计算方式计算得到第二道题目的目标题目难度系数，其中，目标题目难度系数小于第一道题目的题目难度系数。
45.例如，能力匹配度系数δ，匹配度权重β和题目难度系数γ之间的关系如下公式：，其中，i为正整数，δ为能力匹配度系数，β为匹配度权重，γ为题目难度系数。
46.目标题目难度系数的计算公式如下：其中，γ为答题匹配度系数并且γ∈（0，1），i为题目的编号，s为每道题目的得分，为目标题目难度系数；若第一道题目的得分为70分，则利用上述目标题目难度系数的计算公式中的第一个计算公式计算得到目标题目难度系数；若第一道题目的得分为50分，则利用上述目标题目难度系数的计算公式中的第二个计算公式计算得到目标题目难度系数。
47.在第二道题目作答完毕后，后续依次根据前一道题目的答题结果，选择出后一道题目，直至达到预设数量的题目选择完毕。
48.在本实施例中，面试设备10b根据题目的答题结果，生成求职用户的面试结果。一种可实现的方式为，根据每道题目的得分，计算求职用户所有题目的总得分；若求职用户所有题目的总得分大于等于总得分阈值，则生成求职用户面试通过的结果；若求职用户所有题目的总得分小于总得分阈值，则生成求职用户面试未通过的结果。
49.其中，面试设备10b将每道题目的答题结果与相应的标准答案进行对比，计算每道题目的得分，可以根据已有的匹配度计算公式计算题目的得分。面试设备10b将求职用户的总得分作为求职用户与应聘职位的职位匹配度，可选地，根据能力匹配度系数δ，匹配度权重β，以及题目难度系数γ以及每道题目的得分，计算求职用户的总得分m，计算公式如下：其中，k为题目总数量，i为每道题；
匹配度权重，其中α为各个节点之间的距离；面试设备10b在计算得到求职用户的总得分后，若求职用户的总得分大于等于总得分阈值，则生成求职用户面试通过的结果；若求职用户的总得分小于总得分阈值，则生成求职用户面试未通过的结果。需要说明的是，本技术实施例对总得分阈值不作限定，总得分阈值可以根据实际情况作出调整。例如，总得分阈值为60分，若求职用户的总得分为70，则生成求职用户面试通过的结果，若求职用户的总得分为30分，则生成求职用户面试未通过的结果。
50.以下以一面试过程的实施例对本技术的技术方案作出说明：通过简历识别可以得到求职用户a和求职用户b的简历文本如表1:表1通过简历内容理解模型可以得到以下理解结果如表2表2经过模型对两位求职用户的分析，得到首轮次的题目表3（表中只是部分题目）：
表3求职用户a答题流程如下：面试设备1 python都有哪些数据结构。
51.求职用户a：int、float、str
…
面试设备:一个int类型数据，怎么转换成str类型。（δ=0.8，β=0.5，γ=0.3）
……
面试设备:git怎么提交代码。
52.求职用户a: git add, git commit
……
求职用户a回答两题，求职用户b回答问题回答三题。内容如表4（表中只是部分答题示例）：表4求职用户a和求职用户b的每道题的得分结果如表5：（表中只是部分题目的得分）
表5根据计算得出：ma=0.8*0.5*0.3*100+0.6*0.5*0.4*100+0.7*0.5*0.5*100+0.4*0.6*0.4*60+0.3*0.6*0.46*100+0.7*0.6*0.56*40+0.4*0.5*0.4*100+0.364*0.5*0.5*100 =82；mb=0.1*0.1*0.3*100+0.1*0.1*0.4*100+0.1*0.1*0.5*100+0.8*0.5*0.7*30+0.6*0.5*0.67*80+0.5*0.5*0.75*10+0.5*0.2*0.5*10+0.1*0.2*0.49*15+0.7*0.2*0.505*20=29.616；求职用户a得分82分。可见，求职用户a得分82分可以通过面试，而求职用户b得分29.616无法通过面试。
53.在本技术上述系统实施例中，智能面试装置获取求职用户的简历文本和职位描述文本；根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；智能面试装置从职位描述文本中提取求职用户的应聘职位；智能面试装置根据求职用户的能力标签和应聘职位，从预设题库中选择出题目，选取与求职用户的个人能力和应聘职位相匹配的题目进行面试过程，对求职用户的能力进行合理评估，提高对求职用户的能力评估的精度。
54.除上述提供的智能面试系统10之外，本技术一些实施例还提供一种智能面试方法，本技术所提供的智能面试方法可应用于上述智能面试系统10，但并不限于上述实施例提供的智能面试系统10。图3为本技术示例性实施例提供的一种题目处理的方法的流程示意图。如图3所示，该方法包括：s301：获取简历文本和职位描述文本；s302：根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；以及s303：从职位描述文本中提取求职用户的应聘职位；s304：根据求职用户的能力标签和应聘职位，从预设题库中选择出题目。
55.在本实施例中，上述方法的执行主体面试设备，可以为智能终端设备或者服务器，当面试设备为服务器时，本实施例不限定服务器的实现形式，服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中，服务器设备的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。
56.在本实施例中，求职用户使用求职用户终端进行电子简历的上传，面试设备在接收到简历文本和职位描述文本后，面试设备根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；面试设备根据求职用户的能力标签和应聘职位，从预设题库
中选择出题目；面试设备将题目提供给求职用户，以供求职用户针对题目进行答题操作；面试设备根据获取到的求职用户针对题目的答题结果，生成求职用户的面试结果；面试设备将面试结果发送至面试官终端；面试官终端接收到面试结果后，在自身的电子显示屏上展示面试结果供面试官查看。
57.需要说明的是，职位描述文本是指，招聘方为用于描述自身招聘需求的文本。通常情况下，职位描述文本中包含有求职用户的应聘职位。能力标签，为反映求职用户应聘该应聘职位具备的技能的关键词。
58.在本实施例中，面试设备根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签。一种可实现的方式为，面试设备将简历文本和职位描述文本输入已有的简历内容理解模型中，得到求职用户的能力标签。例如，将简历文本“1、精通python，对列表、元组、集合操作熟练。2、熟练使用git，能够提交，删除、合并代码”和职位描述文本，输入已有的简历内容理解模型中，得到求职用户的能力标签“精通python”、“熟练使用git”。
59.在本实施例中，面试设备从职位描述文本中提取求职用户的应聘职位。一种可实现的方式为，面试设备可以搜索关键词“应聘职位”，将“应聘职位”后的文本内容作为应聘职位。
60.在另一种实施例中，若电子简历为图片类型，则面试设备从简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签，一种可实现的方式为，面试设备对电子简历进行简历文本区域检测，得到简历区域图片；面试设备对简历区域图片进行文本识别，得到简历文本；将简历文本和职位描述文本输入已有的简历内容理解模型中，得到求职用户的能力标签。可选地，面试设备利用文本检测模型对电子简历进行简历文本区域检测，得到简历区域图片；面试设备利用文本识别模型对简历区域图片进行文本识别，得到简历文本。例如，面试设备利用文本检测模型对电子简历进行简历文本区域检测，得到包含文本“1、精通python开发，对多线程、协程有较好的理解。2、熟练使用常见web开发框架比如：django、tornado、flask, 熟悉面向对象的设计思想，对常用的设计模式有所了解”的简历区域图片；面试设备利用文本识别模型对简历区域图片进行文本识别，得到简历文本：“1、精通python开发，对多线程、协程有较好的理解。2、熟练使用常见web开发框架比如：django、tornado、flask, 熟悉面向对象的设计思想，对常用的设计模式有所了解”。将简历文本：“1、精通python开发，对多线程、协程有较好的理解。2、熟练使用常见web开发框架比如：django、tornado、flask, 熟悉面向对象的设计思想，对常用的设计模式有所了解。”和职位描述文本输入简历内容理解模型中，得到求职用户的能力标签“1、精通python开发，2、精通django、flask框架及rest模式”。
61.在使用文本检测模型，文本识别模型，简历内容理解模型之前，首先需要对文本检测模型，文本识别模型和简历内容理解模型进行训练，以下对文本检测模型，文本识别模型，简历内容理解模型的训练过程依次作出说明：文本检测模型的训练过程：首先，收集大量的待识别简历文本图像样本，尽可能地覆盖多种文本检测场景中可能遇到的不同主体对象，以提升样本覆盖率。接着，可对训练样本上的简历文本区域进行标注，以标注得到待识别简历文本图像样本上的简历文本区域的实际分布情况。
62.接着，可将标注好的训练样本输入一神经网络模型。在神经网络模型内部，可根据模型参数对训练样本进行特征提取以及计算等操作，并由神经网络模型的输出层输出简历
文本区域检测结果。接着，神经网络模型的损失函数层，可根据输出层输出的简历文本区域检测结果和训练样本上的真实简历文本区域的差别，计算损失函数。若损失函数不满足设定的要求，则可调整模型参数，继续迭代训练。当神经网络模型的损失函数满足设定的要求时，可得到训练完成的文本检测模型。
63.文本识别模型的训练过程：收集大量的待识别文本图像，尽可能地覆盖多种文本识别场景中可能遇到的不同主体对象，以提升样本覆盖率。接着，可对训练样本上的文本进行标注，以标注得到待识别文本图像上的文本的实际分布情况。
64.接着，可将标注好的训练样本输入一神经网络模型。在神经网络模型内部，可根据模型参数对训练样本进行特征提取以及计算等操作，并由神经网络模型的输出层输出文本识别结果。接着，神经网络模型的损失函数层，可根据输出层输出的文本识别结果和训练样本上的真实文本的差别，计算损失函数。若损失函数不满足设定的要求，则可调整模型参数，继续迭代训练。当神经网络模型的损失函数满足设定的要求时，可得到训练完成的文本识别模型。
65.简历内容理解模型的训练过程：收集大量的简历文本样本以及与简历文本样本对应的职位描述文本样本，尽可能地覆盖多种内容理解场景中可能遇到的不同主体对象，以提升样本覆盖率。接着，可对训练样本上的能力标签进行标注，以标注得到简历文本样本和职位描述文本样本对应的能力标签的实际分布情况。
66.接着，可将标注好的训练样本输入一神经网络模型。在神经网络模型内部，可根据模型参数对训练样本进行特征提取以及计算等操作，并由神经网络模型的输出层输出能力标签。接着，神经网络模型的损失函数层，可根据输出层输出的能力标签和训练样本上的真实的能力标签的差别，计算损失函数。若损失函数不满足设定的要求，则可调整模型参数，继续迭代训练。当神经网络模型的损失函数满足设定的要求时，可得到训练完成的简历内容理解模型。
67.需要说明的是，本技术实施例中的能力标签是指，表征求职用户应聘对应的应聘职位具备的技能。应聘程序开发员的求职用户的能力标签包括但不限于：精通python，熟练使用python，基本了解python，精通git，熟练使用git，精通flask框架，熟练使用flask框架等。
68.在上述实施例中，面试设备10b根据求职用户的能力标签和应聘职位，从预设题库中选择出题目。一种可实现的方式为，根据求职用户的能力标签和应聘职位，从预设题库中选择出第一道题目；输出第一道题目；响应于求职用户针对第一道题目的答题信息，计算第一道题目的答题结果；根据第一道题目的答题结果，从预设题库中选择出第二道题目；依次执行后续题目的选择，直至预设数量的题目选择完毕。
69.需要说明的是，知识图谱包括多个能力标签对应的子图，每个子图包括相应的能力标签节点和与能力标签节点连接的知识点节点，能力标签节点和知识点节点之间的连接关系表示能力标签节点对应的能力标签与知识点节点对应的知识点存在关联关系。能力标签节点包括但不限于：python基础，熟练使用python，精通python, 精通git，熟练使用git，精通flask框架，熟练使用flask框架等根节点。例如，如图2所示为能力标签“python基础”对应的子图，python基础对应的知识点节点包括：numpy节点，pandas节点，flask框架节点，djago框架节点，基础语法节点，上述节点与python基础节点连接，其中，pandas节点包括处
理csv子节点和处理excel子节点。
70.在上述实施例中，面试设备根据求职用户的能力标签和应聘职位，从预设题库中选择出一道题目。一种可实现的方式为，从已有的面试知识图谱中搜索与能力标签对应的能力标签节点连接的目标知识点节点，其中，面试知识图谱包括能力标签节点和与能力标签节点连接的知识点节点，能力标签节点和知识点节点之间的连接关系表示能力标签节点对应的能力标签与知识点节点对应的知识点存在关联关系；以及根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得到目标能力匹配度系数，其中，每道题目携带有能力匹配度系数；从目标知识点节点对应的子题库中随机选择具有目标能力匹配度系数的一道题目，其中，预设题库包括与多个知识点节点一一对应的多个子题库。
71.其中，面试设备根据求职用户的能力标签和应聘职位，从预设题库中选择出第一道题目。一种可实现的方式为，面试设备从已有的面试知识图谱中搜索与能力标签对应的能力标签节点连接的目标知识点节点；以及根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得到目标能力匹配度系数，其中，每道题目携带有能力匹配度系数；从目标知识点节点对应的子题库中随机选择出能力匹配度系数为目标能力匹配度系数的第一道题目，其中，预设题库包括多个知识点节点一一对应的多个子题库。可选地，根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得到多个候选能力匹配度系数；从多个候选能力匹配度系数中选择出满足预设匹配度条件的目标能力匹配度系数。
72.例如，求职用户对应的能力标签包括：java基础和python基础，java基础对应10个知识点节点，python基础对应10个知识点节点，每个知识点节点对应一个题库，从已有的面试知识图谱中搜索与java基础和python基础连接的共计20个知识点节点；应聘职位为初级开发工程师，查询应聘职位的等级和能力匹配度系数的映射关系表，得到多个候选能力匹配度系数0.3和0.4，在0.3和0.4中选择最大的候选能力匹配度系数作为目标能力匹配度系数；从上述20个知识点节点对应的子题库中随机选择出能力匹配度系数为0.4的第一道题目。
73.在一种实施例中，面试设备以语音方式向求职用户播放第一道题目，求职用户以语音方式作答，面试设备采集求职用户针对题目的答题语音，将第一道题目的答题文本与相应的标准答案进行匹配度计算，得到第一道题目的得分，作为第一道题目的答题结果。
74.在上述实施例中，面试设备根据第一道题目的答题结果，从预设题库中选择出第二道题目。一种可实现的方式为，面试设备根据第一道题目的答题结果，确定第二道题目的目标题目难度系数，其中，每道题目中携带有题目难度系数；判断第一道题目所在的子题库中是否存在目标题目难度系数的题目；若是，则从第一道题目所在的子题库中选择出一道目标题目难度系数的题目，作为第二道题目；若否，则从其他子题库中随机选择出目标题目难度系数的第二道题目，其中，其他子题库为求职用户的能力标签对应的所有目标知识点节点对应的所有子题库中除第一道题目所在的子题库之外的剩余子题库。
75.面试设备根据第一道题目的答题结果，从预设题库中选择出第二道题目。一种可实现的方式为，根据第一道题目的答题结果，确定第二道题目的目标题目难度系数，其中，每道题目中携带有题目难度系数；判断第一道题目所在的子题库中是否存在目标题目难度系数的题目；若是，则从第一道题目所在的子题库中选择出一道目标题目难度系数的题目，
作为第二道题目；若否，则从其他子题库中随机选择出目标题目难度系数的第二道题目，其中，其他子题库为求职用户的能力标签对应的所有目标知识点节点对应的所有子题库中除第一道题目所在的子题库之外的剩余子题库。
76.可选地，其中，面试设备根据求职用户首轮次的题目的答题结果，确定第二道题目的的目标题目难度系数。一种可实现的方式为，判断第一道题目的得分是否大于等于设定得分阈值；若是，则根据第一道题目的题目难度系数和第一道题目的得分，以第一种方式计算得到第二道题目的目标题目难度系数，其中，目标题目难度系数大于第一道题目的题目难度系数；若否，则根据第一道题目的题目难度系数和第一道题目的得分，以第二种计算方式计算得到第二道题目的目标题目难度系数，其中，目标题目难度系数小于第一道题目的题目难度系数。
77.在本实施例中，面试设备根据题目的答题结果，生成求职用户的面试结果。一种可实现的方式为，根据每道题目的得分，计算求职用户所有题目的总得分；若求职用户所有题目的总得分大于等于总得分阈值，则生成求职用户面试通过的结果；若求职用户所有题目的总得分小于总得分阈值，则生成求职用户面试未通过的结果。
78.其中，面试设备将每道题目的答题结果与相应的标准答案进行对比，计算每道题目的得分，可以根据已有的匹配度计算公式计算题目的得分。面试设备将求职用户的总得分作为求职用户与应聘职位的职位匹配度，可选地，根据能力匹配度系数δ，匹配度权重β，以及题目难度系数γ以及每道题目的得分，计算求职用户的总得分m，计算公式如下：其中，k为题目总数量，i为每道题；匹配度权重，其中α为各个节点之间的距离；面试设备在计算得到求职用户的总得分后，若求职用户的总得分大于等于总得分阈值，则生成求职用户面试通过的结果；若求职用户的总得分小于总得分阈值，则生成求职用户面试未通过的结果。需要说明的是，本技术实施例对总得分阈值不作限定，总得分阈值可以根据实际情况作出调整。例如，总得分阈值为60分，若求职用户的总得分为70，则生成求职用户面试通过的结果，若求职用户的总得分为30分，则生成求职用户面试未通过的结果。
79.基于以上各实施例的描述，图4为本技术实施例提供的另一种智能面试方法的流程示意图。如图4所示，该方法包括：s401：获取求职用户的简历文本和职位描述文本；s402：根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；s403：从职位描述文本中提取求职用户的应聘职位；s404：根据求职用户的能力标签和应聘职位，从预设题库中选择出题目；s405：以语音方式向求职用户播放题目；s406: 采集求职用户针对题目的答题语音；s407：根据答题语音，生成求职用户的面试结果。
80.在本实施例中，该实施例的各步骤的实现方式均可参见前述各实施例的描述，在
此不作赘述。
81.在本技术的上述方法实施例中，智能面试装置获取求职用户的简历文本和职位描述文本；根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；智能面试装置从职位描述文本中提取求职用户的应聘职位；智能面试装置根据求职用户的能力标签和应聘职位，从预设题库中选择出题目，选取与求职用户的个人能力和应聘职位相匹配的题目进行面试过程，对求职用户的能力进行合理评估，提高对求职用户的能力评估的精度。
82.图5为本技术实施例提供的一种智能面试装置50的结构示意图。如图5所示，该智能面试装置50包括：获取模块51，第一提取模块52，第二提取模块53和选择模块54。
83.获取模块51，用于获取简历文本和职位描述文本；第一提取模块52，用于根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；以及第二提取模块53，用于从职位描述文本中提取求职用户的应聘职位；选择模块54，用于根据求职用户的能力标签和应聘职位，从预设题库中选择出题目。
84.可选地，还包括生成模块55；生成模块55，用于根据求职用户针对题目的答题结果，生成求职用户的面试结果，其中，题目的答题结果通过采集到的求职用户针对每道题目的答题信息计算得到。
85.可选地，选择模块54在根据所述求职用户的能力标签和应聘职位，从预设题库中选择出题目时，具体用于：根据求职用户的能力标签和应聘职位，从预设题库中选择出第一道题目；输出所述第一道题目；响应于求职用户针对第一道题目的答题信息，进行判题后得到第一道题目的答题结果；根据第一道题目的答题结果，从预设题库中选择出第二道题目；依次执行后续题目的选择，直至预设数量的题目选择完毕。
86.可选地，选择模块54在根据求职用户的能力标签和应聘职位，从预设题库中选择出一道题目时，具体用于：从已有的面试知识图谱中搜索与能力标签对应的能力标签节点连接的目标知识点节点，其中，面试知识图谱包括能力标签节点和与能力标签节点连接的知识点节点，能力标签节点和知识点节点之间的连接关系表示能力标签节点对应的能力标签与知识点节点对应的知识点存在关联关系；以及根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得到目标能力匹配度系数，其中，每道题目携带有能力匹配度系数；从目标知识点节点对应的子题库中随机选择出具有目标能力匹配度系数的一道题目，其中，预设题库包括与多个知识点节点一一对应的多个子题库。
87.可选地，选择模块54在根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得到目标能力匹配度系数时，具体用于：根据应聘职位的等级，查询应聘职位的等级和能力匹配度系数的映射关系表，得
到多个候选能力匹配度系数；从多个候选能力匹配度系数中选择出满足预设匹配度条件的目标能力匹配度系数。
88.可选地，选择模块54在根据第一道题目的答题结果，从预设题库中选择出第二道题目时，具体用于：根据第一道题目的答题结果，确定第二道题目的目标题目难度系数，其中，每道题目中携带有题目难度系数；判断第一道题目所在的子题库中是否存在目标题目难度系数的题目；若是，则从第一道题目所在的子题库中选择出一道目标题目难度系数的题目，作为第二道题目；若否，则从其他子题库中随机选择出目标题目难度系数的第二道题目，其中，其他子题库为求职用户的能力标签对应的所有目标知识点节点对应的所有子题库中除第一道题目所在的子题库之外的剩余子题库。
89.可选地，选择模块54在根据第一道题目的答题结果，确定第二道题目的目标题目难度系数时，具体用于：判断第一道题目的得分是否大于等于设定得分阈值，其中，所述第一道题目的得分作为所述第一道题目的答题结果；若是，则根据第一道题目的题目难度系数和第一道题目的得分，以第一种方式计算得到第二道题目的目标题目难度系数，其中，目标题目难度系数大于第一道题目的题目难度系数；若否，则根据第一道题目的题目难度系数和第一道题目的得分，以第二种计算方式计算得到第二道题目的目标题目难度系数，其中，目标题目难度系数小于第一道题目的题目难度系数。
90.可选地，生成模块55在响应于求职用户针对第一道题目的答题信息，计算第一道题目的答题结果时，具体用于：将第一道题目的答题信息与相应的标准答案进行匹配度计算，得到每道题目的得分，作为第一道题目的答题结果。
91.可选地，生成模块55在输出第一道题目时，具体用于：以语音方式向求职用户播放第一道题目；响应于求职用户针对第一道题目的答题信息，计算第一道题目的答题结果，包括：采集求职用户以语音方式作答的第一道题目的答题语音；将第一道题目的答题语音进行文本转换，得到第一道题目的答题文本，将第一道题目的答题文本与相应的标准答案进行匹配度计算，得到第一道题目的得分，作为第一道题目的答题结果。
92.可选地，第一提取模块52在根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签时，具体用于：将简历文本和职位描述文本输入已有的简历内容理解模型中，得到求职用户的能力标签。
93.可选地，题目的答题结果为题目的得分，生成模块55在根据题目的答题结果，生成
求职用户的面试结果时，具体用于：根据每道题目的得分，计算求职用户所有题目的总得分；若求职用户所有题目的总得分大于等于总得分阈值，则生成求职用户面试通过的结果；若求职用户所有题目的总得分小于总得分阈值，则生成求职用户面试未通过的结果。
94.图5所示装置可执行前述各实施例提供的智能面试方法，本实施例未详细描述的部分，可参考对前述实施例的相关说明。该技术方案的执行过程和技术效果可参见前述实施例中的描述，在此不再赘述。
95.本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。存储器存储有能够被至少一个处理器执行的计算机程序，计算机程序在被至少一个处理器执行时用于使电子设备执行根据本公开实施例的方法。
96.本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，计算机程序在被计算机的处理器执行时用于使计算机执行根据本公开实施例的方法。
97.本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，计算机程序在被计算机的处理器执行时用于使计算机执行根据本公开实施例的方法。
98.参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
99.如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器（rom）602中的计算机程序或者从存储单元608加载到随机访问存储器（ram）603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出（i/o）接口605也连接至总线604。
100.电子设备600中的多个部件连接至i/o接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元604可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
101.计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单
元601的一些示例包括但不限于中央处理单元（cpu）、图形处理单元（gpu）、各种专用的人工智能（ai）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（dsp）、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理。例如，在一些实施例中，前述智能面试方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到电子设备600上。在一些实施例中，计算单元601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行上述智能面试方法。
102.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
103.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd
‑
rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
104.如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
105.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，crt（阴极射线管）或者lcd（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
106.可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（lan）、广域网（wan）和互联网。
107.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。
108.在本技术上述设备及存储介质实施例中，智能面试装置获取求职用户的简历文本和职位描述文本；根据简历文本和职位描述文本进行关键词提取，得到求职用户的能力标签；智能面试装置从职位描述文本中提取求职用户的应聘职位；智能面试装置根据求职用户的能力标签和应聘职位，从预设题库中选择出题目，选取与求职用户的个人能力和应聘职位相匹配的题目进行面试过程，对求职用户的能力进行合理评估，提高对求职用户的能力评估的精度。