基于性格分析的招聘方法、装置、计算机设备及存储介质与流程

本发明涉及计算机技术领域，尤其涉及一种基于性格分析的招聘方法、装置、计算机设备及存储介质。

背景技术：

目前的基于性格分析的招聘都是基于用户回答预先设置的问题，并根据回答的答案来判断分析用户的性格，带有不真实、不确定以及作假的可能性。尤其是在用人单位在招聘人员的过程中,为了找到更为合适的员工，需要对应聘人员的各方面的性格进行评估，以判断他是否适合相应岗位的工作，但是在评估性格的过程中容易出现问题，并且在短时间内无法全面准确地评估应聘人员的性格，从而降低了对应聘人员的性格评估的准确度。

技术实现要素：

本发明实施例提供一种基于性格分析的招聘方法、装置、计算机设备及存储介质，能够快速准确地对应聘人员进行性格分析，以此判定其与应聘岗位的匹配度。

第一方面，本发明实施例提供了一种基于性格分析的招聘方法，该方法包括：

若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息；

根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值；

根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度；

若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库。

第二方面，本发明实施例还提供了一种基于性格分析的招聘装置，该装置包括用于执行上述方法的单元。

第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述方法。

本发明实施例通过若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息；根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值；根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度；若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库，可快速准确地对应聘人员进行性格分析，以此判定其与应聘岗位的匹配度，从而找到更为合适的员工，同时避免了性格分析评估过程中的不够准确全面缺陷，能够及时向招聘人员反馈分析结果，提高了用户的使用体验度。

附图说明

为了更清楚地说明本发明实施例技术方案，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，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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。

图1是本发明实施例提供的一种基于性格分析的招聘方法的流程示意图；

图2是本发明实施例提供的一种基于性格分析的招聘方法的子流程示意图；

图3是本发明实施例提供的一种基于性格分析的招聘方法的子流程示意图；

图4是本发明实施例提供的一种基于性格分析的招聘方法的子流程示意图；

图5是本发明实施例提供的一种基于性格分析的招聘方法的子流程示意图；

图6是本发明实施例提供的一种基于性格分析的招聘方法的子流程示意图；

图7是本发明另一实施例提供的一种基于性格分析的招聘方法的流程示意图；

图8是本发明实施例提供的一种基于性格分析的招聘装置的示意性框图；

图9是本发明实施例提供的一种基于性格分析的招聘装置的获取单元的示意性框图；

图10是本发明实施例提供的一种基于性格分析的招聘装置的获取单元的另一示意性框图；

图11是本发明实施例提供的一种基于性格分析的招聘装置的分析单元的示意性框图；

图12是本发明实施例提供的一种基于性格分析的招聘装置的分析单元的另一示意性框图；

图13是本发明实施例提供的一种基于性格分析的招聘装置的匹配单元的示意性框图；

图14是本发明另一实施例提供的一种基于性格分析的招聘装置的示意性框图；

图15是本发明实施例提供的一种计算机设备结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

请参阅图1，图1是本发明实施例提供的一种基于性格分析的招聘方法的示意流程图。该方法可以运行在智能手机(如android手机、ios手机等)、平板电脑、笔记本电脑以及智能设备等终端中，也可以运行在相应的服务器中。根据基于性格分析的招聘方法，终端或者服务器能够通过用户登录的某些社交应聘app或者微信上的应聘小程序获取相关的用户行为数据，并对该相关行为数据进行分析从而得到用户的性格类型及相关数据，以便于招聘人员准确评估应聘人员与相应工作的匹配度。如图1所示，该方法的步骤包括步骤s101～s104。

步骤s101，若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息。

在本实施例中，当用户进行求职应聘时，可以在相应的招聘应用程序app或者微信上的应用小程序上注册登录并填写跟自身相关的基本资料，如姓名、年龄、性别、学历、专业、期望薪资、个人简述、兴趣爱好、工作经历、贷款情况、职业技能以及性格描述等。同时，还可以通过相应的授权指令，对于与该招聘应用程序app相关联的其他应用程序app中的相关信息，如贷款情况、关注的内容等，以及应用小程序所关联的微信上的联系人、聊天记录、微信运动的步行数量、发布的朋友圈内容以及其他的基本相关信息，都可以作为用户相关的行为数据。同时，用户相关的行为数据还可以是用户在面试过程中录制的面部视频信息。故当接收到用户登录操作指令的时候，可以根据该登录操作指令中的用户登录信息进行登录，其中用户登录信息可以包括用户账号和相应的登录密码，登录成功之后，即可以获取在该用户账号所关联有的与用户相关的行为数据。

进一步地，如图2所示，所述行为数据包括用户基本信息，所述步骤s101包括步骤s201～s203。

步骤s201，若接收到用户登录操作指令，确定用户的登录信息以进行登录。

在本实施例中，当所述行为数据包括用户基本信息时，可以在接收到用户登录操作指令进行登录成功后，确定用户的登录信息从而进行登录，如登录招聘应用程序app或者微信中的应用小程序等。

步骤s202，判断是否接收到外部接口关联指令。

在本实施例中，所述外部接口关联指令可以是指外部的招聘应用app或者微信中的应用小程序与其余的应用app相关联的指令，该外部接口关联指令，能够确保读取到跟用户相关的用户基本信息。

步骤s203，若接收到外部接口关联指令，读取与所述登录信息相关联的用户基本信息。

在本实施例中，当接受到外部接口关联指令，则表示可以关联到外部应用程序，从而尽可能地获取更为全面的用户基本信。当然，除了从外部信息中获取相关的用户基本信息，还可以从招聘应用程序的显示界面获取用户提交的基本信息，如上传的包括个人基本情况以及工作学习经历的个人简历等。

进一步地，如图3所示，所述行为数据信息还包括面部视频信息，所述步骤s101包括步骤s301～s303。

步骤s301，若接收到用户登录操作指令，确定用户的登录信息以进行登录。

在本实施例中，当所述行为数据包括面部视频信息时，可以在接收到用户登录操作指令进行登录成功后，确定用户的登录信息从而进行登录，如登录招聘应用程序app或者微信中的应用小程序等，以便于录制相应的面试视频。

步骤s302，判断是否接收到面部视频录制指令。

在本实施例中，用户在进行招聘面试时，可以发起面部视频录制指令，从而对用户的面部进行录制，故此时需要判断是否接收到面部视频录制指令。

步骤s303，若接收到面部视频录制指令，控制录制设备进行面部视频录制，以获取相应的面部视频信息。

在本实施例中，用户在进行招聘面试时，可以发起面部视频录制指令，从而对用户的面部进行录制，通过对获取的面部视频信息分析，能够确定用户的性格特征值。一般情况下，当用户进行面试时，会有招聘人员有相应的互动，通过面部视频信息中，用户的面部表情以及与招聘人员的交流，能够准确分析用户的的性格特征值。

步骤s102，根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值。

在本实施例中，所述预设的分析预测模型是通过现有的样本数据对预先构建好的神经网络进行训练得到的，一般来说样本数据通过神经网络的输入层输入到神经网络的隐藏层后，能够训练隐藏层中的各个参数的值，通过训练过程中对参数值的不断调整，能够得到一个比较完善的用于性格特征分析的分析预测模型。该分析预测模型能够对输入的行为数据信息进行分析，得到的分析结果即为用户的性格特征值。

进一步地，如图4所示，所述行为数据包括用户基本信息，所述预设的分析预测模型包括用于语义识别的第一预测模型，所述步骤s102包括步骤s401～s402。

步骤s401，若所述行为数据包括用户基本信息，确定与所述用户基本信息相对应的文本数据。

在本实施例中，所述用户基本信息可以包括姓名、年龄、性别、学历、专业、期望薪资、个人简述、兴趣爱好、工作经历、贷款情况、职业技能以及性格描述等。为了对用户基本信息进行分析，需要提取该用户基本信息所包括的文本数据。

步骤s402，将所述文本数据输入所述第一预测模型，以分别得到用户的服务意识、信用度以及职业能力的概率值。

在本实施例中，所述第一预测模型是通过文本样本数据训练神经网络以得到的用于判断用户的服务意识、信用度以及职业能力的概率值的模型。例如，用户基本信息中的姓名、年龄、性别、学历、专业、期望薪资、个人简述、兴趣爱好以及性格描述等能够对应地用于评价用户的服务意识；而贷款情况等跟信用度相关的信息能够对应地用于评价用户的信用度；另外，工作经历以及职业技能等信息能够对应地用于评价用户的职业能力。一般情况下，第一预测模型输出的为用户的服务意识的概率值、信用度的概率值以及职业能力的概率值。

进一步地，如图5所示，所述行为数据包括面部视频信息，所述预设的分析预测模型包括用于视频识别的第二预测模型，所述步骤s102包括步骤s501～s502。

步骤s501，若所述行为数据信息包括面部视频信息，确定与所述面部视频信息相应的图像信息以及音频信息。

在本实施例中，若所述行为数据信息包括面部视频信息，此时则需要确定与所述面部视频相应的图像信息以及音频信息。经过上述处理，能够更好地对面部视频信息进行处理。

步骤s502，将所述图像信息以及音频信息输入所述第二预测模型，以得到用户对应不同的性格类型的概率值。

在本实施例中，所述第二预测模型是通过样本视频数据训练神经网络得到的用于根据视频信息分析用户的性格类型的模型，其可以将上述的图像信息以及音频信息输入进行特征提取得到图像特征以及音频特征，并能将图像特征和音频特征整合为视频特征进行分析处理，从而得到与面部视频信息对应的不同的性格类型的概率值。

例如，所述性格类型可以根据知、情、意三者在性格中何者占优势，将用户性格类型分为理智型、情绪型和意志型等，也可以根据人的心理活动倾向于外部还是内部，把人们的性格分为外向型和内向型。

步骤s103，根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度。

在本实施例中，用户作为应聘人员，不同的职位对应聘人员的性格特征的要求是不一样的，故不同的职位设置的预设匹配规则是不一样的，根据预设匹配规则以及所述性格特征值能够计算得到用户跟该预设匹配规则相应的职位的职位匹配度。

进一步地，如图6所示，所述预设匹配规则是指预先设置服务意识、信用度、职业能力以及性格类型之间的权重比值，不同的职位设置不同的权重值，所述步骤s103包括步骤s601～s602。

步骤s601，根据服务意识、信用度、职业能力以及性格类型之间的权重比值，计算服务意识、信用度、职业能力以及性格类型的概率值的权重值之和。

在本实施例中，通过综合用户的服务意识、信用度、职业能力以及性格类型之间的概率值，能够更为准确地确定用户跟相应的职位的职位匹配度。例如，若用户的服务意识的概率值为0.6、信用度的概率值为0.8、职业能力的概率值为0.9以及理智型的概率值为0.6、情绪型的概率值0.5和意志型的概率值0.8，而此时的服务意识、信用度、职业能力、理智型、情绪型以及意志型之间的权重比值为1:1:1:0.5:0.5:2，那么服务意识、信用度、职业能力以及性格类型的概率值的权重值之和即为：0.6*1+0.8*1+0.9*1+0.6*0.5+0.5*0.5+2*0.8＝4.45。

步骤s602，将所计算得到的权重值之和确定为该权重比值相对应的职位匹配度。

在本实施例中，所计算得到的权重值即为综合计算得到的最终结果，故可以将其确定为该权重比值相对应的职位匹配度。

步骤s104，若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库。

在本实施例中，所述预设阀值是指预先设定的阀值，如果所确定的职位匹配度大于预设阀值，那么则表明用户作为应聘者，跟相应职位的匹配程度很高，叨叨了该职位所设定的需求，故此时可以将用户登录信息进行标识，并将其加入预录取数据库中以供招聘人员进行选择。

综上，本发明实施例可快速准确地对应聘人员进行性格分析，以此判定其与应聘岗位的匹配度，从而找到更为合适的员工，同时避免了性格分析评估过程中的不够准确全面缺陷，能够及时向用户反馈分析结果，提高了用户的使用体验度。

请参阅图7，图7是本发明另一实施例提供的一种基于性格分析的招聘方法的示意流程图。该方法可以运行在智能手机(如android手机、ios手机等)、平板电脑、笔记本电脑以及智能设备等终端中。如图7所示，该方法的步骤包括步骤s701a～s704。其中与上述实施例中的步骤s101-s104类似的步骤的相关解释和详细说明在此不再赘述，下面详细说明的为本实施例中所增加的步骤。

步骤s701a，根据预设的样本数据库训练keras神经网络以得到相应的分析预测模型。

在本实施例中，keras是一个高层神经网络库，keras由纯python编而成，并基于tensorflow或theano。keras为支持快速实验而生，能够用户的想法快速转化为结果。keras具有简易和快速的原型设计，还具有高度模块化、极简和可扩充特性，支持cnn、rnn或二者的结合，支持任一的链接方案(包括多输入和多输出训练)，无缝cpu和gpu切换。故训练keras神经网络能够得到一个实现多输入和多输出的分析预测模型。

进一步地，所述预设的样本数据库包括多组预设的用户基本信息以及多组预设的面部视频信息，每组预设的用户基本信息对应标注一组对应服务意识、信用度以及职业能力的概率值，每组预设的面部视频数据都标注一个性格类型。故所述步骤s701a可以包括以下步骤：提取每组预设的用户基本信息的文本信息；将所提取的文本信息输入keras神经网络以训练得到第一预测模型；提取每组预设的面部视频信息的图像特征和音频特征，以组合得到相应的视频特征；所述视频特征输入以softmax分类器为输出层的keras神经网络进行训练以得到第二预测模型。

在本实施例中，能够获取用户的行为数据信息，并对该相关行为数据信息通过预设的神经网络模型进行综合分析用户的性格类型等，从而确定跟用户跟相应职位的职位匹配度，即便于快速准确评估应聘人员与相应工作的相关性，提高招聘人员的工作效率。

步骤s701，若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息。

步骤s702，根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值。

步骤s703，根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度。

步骤s704，若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库。

本领域普通技术员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等。

请参阅图8，对应上述一种基于性格分析的招聘方法，本发明实施例还提出一种基于性格分析的招聘装置，该装置100包括：获取单元101、分析单元102、匹配单元103以及标识单元104。

所述获取单元101，用于若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息。

进一步地，如图9所示，所述行为数据包括用户基本信息，所述获取单元101包括第一确定单元201、第一判断单元202以及第一读取单元203。

所述第一确定单元201，用于若接收到用户登录操作指令，确定用户的登录信息以进行登录。

所述第一判断单元202，用于判断是否接收到外部接口关联指令。

所述第一读取单元203，用于若接收到外部接口关联指令，读取与所述登录信息相关联的用户基本信息。

进一步地，如图10所示，所述行为数据信息还包括面部视频信息，所述获取单元101还包括第二确定单元301、第二判断单元302以及第二读取单元303。

所述第二确定单元301，若接收到用户登录操作指令，确定用户的登录信息以进行登录。

所述第二判断单元302，判断是否接收到面部视频录制指令。

所述第二读取单元303，若接收到面部视频录制指令，控制录制设备进行面部视频录制，以获取相应的面部视频信息。

所述分析单元102，用于根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值。

进一步地，如图11所示，所述预设的分析预测模型包括用于语义识别的第一预测模型，所述分析单元102包括数据确定单元401以及第一预测单元402。

所述数据确定单元401，用于若所述行为数据包括用户基本信息，确定与所述用户基本信息相对应的文本数据。

所述第一预测单元402，用于将所述文本数据输入所述第一预测模型，以分别得到用户的服务意识、信用度以及职业能力的概率值。

进一步地，如图12所示，所述预设的分析预测模型包括用于视频识别的第二预测模型，所述分析单元102包括视频确定单元501以及第二预测单元502。

所述视频确定单元501，用于若所述行为数据信息包括面部视频信息，确定与所述面部视频信息相应的图像信息以及音频信息。

所述第二预测单元502，用于将所述图像信息以及音频信息输入所述第二预测模型，以得到用户对应不同的性格类型的概率值。

所述匹配单元103，用于根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度。

进一步地，如图13所示，所述预设匹配规则是指预先设置服务意识、信用度、职业能力以及性格类型之间的权重比值，不同的职位设置不同的权重值，所述匹配单元103包括计算单元601以及比值确定单元602。

所述计算单元601，用于根据服务意识、信用度、职业能力以及性格类型之间的权重比值，计算服务意识、信用度、职业能力以及性格类型的概率值的权重值之和。

所述比值确定单元602，用于将所计算得到的权重值之和确定为该权重比值相对应的职位匹配度。

所述标识单元104，用于若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库。

请参阅图14，对应上述一种基于性格分析的招聘方法，本发明另一实施例还提出一种基于性格分析的招聘装置，该装置700包括：训练单元701a、获取单元701、分析单元702、匹配单元703以及标识单元704。

所述训练单元701a，用于根据预设的样本数据库训练keras神经网络以得到相应的分析预测模型。

进一步地，所述预设的样本数据库包括多组预设的用户基本信息以及多组预设的面部视频信息，每组预设的用户基本信息对应标注一组对应服务意识、信用度以及职业能力的概率值，每组预设的面部视频数据都标注一个性格类型。故所述训练单元701a可以包括第一提取单元、第一训练单元、第二提取单元以及第二训练单元。所述第一提取单元，用于提取每组预设的用户基本信息的文本信息；所述第一训练单元，用于将所提取的文本信息输入keras神经网络以训练得到第一预测模型；所述第二提取单元，用于提取每组预设的面部视频信息的图像特征和音频特征，以组合得到相应的视频特征；所述第二训练单元，用于所述视频特征输入以softmax分类器为输出层的keras神经网络进行训练以得到第二预测模型。

所述获取单元701，用于若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息。

所述分析单元702，用于根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值。

所述匹配单元703，用于根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度。

所述标识单元704，用于若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于性格分析的招聘装置100和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

由以上可见，在硬件实现上，以上获取单元101、分析单元102、匹配单元103以及标识单元104等可以以硬件形式内嵌于或独立于基于性格分析的招聘的装置中，也可以以软件形式存储于基于性格分析的招聘装置的存储器中，以便处理器调用执行以上各个单元对应的操作。该处理器可以为中央处理单元(cpu)、微处理器、单片机等。

上述基于性格分析的招聘装置可以实现为一种计算机程序的形式，计算机程序可以在如图15所示的计算机设备上运行。

图15为本发明一种计算机设备的结构组成示意图。该设备可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参照图15，该计算机设备800包括通过系统总线801连接的处理器802、存储器、内存储器804和网络接口805，其中，存储器可以包括非易失性存储介质803和内存储器804。

该非易失性存储介质803可存储操作系统8031和计算机程序8032，该计算机程序8032包括程序指令，该程序指令被执行时，可使得处理器802执行一种基于性格分析的招聘方法。

该处理器802用于提供计算和控制能力，支撑整个计算机设备800的运行。

该内存储器804为非易失性存储介质803中的计算机程序8032的运行提供环境，该计算机程序8032被处理器802执行时，可使得处理器802执行一种基于性格分析的招聘方法。

该网络接口805用于与其它设备进行网络通信。本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备800的限定，具体的计算机设备800可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器802用于运行存储在存储器中的计算机程序8032，以实现如下步骤：若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息；根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值；根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度；若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库。

在一实施例中，所述行为数据包括用户基本信息，处理器802在实现所述若接收到用户登录操作指令，获取与用户相关的行为数据信息步骤时，具体实现如下步骤：若接收到用户登录操作指令，确定用户的登录信息以进行登录；判断是否接收到外部接口关联指令；若接收到外部接口关联指令，读取与所述登录信息相关联的用户基本信息。

在一实施例中，所述预设的分析预测模型包括用于语义识别的第一预测模型，处理器802在实现所述根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值步骤时，具体实现如下步骤：若所述行为数据包括用户基本信息，确定与所述用户基本信息相对应的文本数据；将所述文本数据输入所述第一预测模型，以分别得到用户的服务意识、信用度以及职业能力的概率值。

在一实施例中，所述行为数据信息还包括面部视频信息，处理器802在实现所述若接收到用户登录操作指令，获取与用户相关的行为数据信息步骤时，具体实现如下步骤：若接收到用户登录操作指令，确定用户的登录信息以进行登录；判断是否接收到面部视频录制指令；若接收到面部视频录制指令，控制录制设备进行面部视频录制，以获取相应的面部视频信息。

在一实施例中，所述预设的分析预测模型包括用于视频识别的第二预测模型，处理器802在实现所述根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值步骤时，具体实现如下步骤：若所述行为数据信息包括面部视频信息，确定与所述面部视频信息相应的图像信息以及音频信息；将所述图像信息以及音频信息输入所述第二预测模型，以得到用户对应不同的性格类型的概率值。

在一实施例中，所述预设匹配规则是指预先设置服务意识、信用度、职业能力以及性格类型之间的权重比值，不同的职位设置不同的权重值，处理器802在实现所述根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度步骤时，具体实现如下步骤：根据服务意识、信用度、职业能力以及性格类型之间的权重比值，计算服务意识、信用度、职业能力以及性格类型的概率值的权重值之和；将所计算得到的权重值之和确定为该权重比值相对应的职位匹配度。

在一实施例中，处理器802在实现所述若接收到用户登录操作指令，获取与用户相关的行为数据信息步骤之前，具体实现如下步骤：根据预设的样本数据库训练keras神经网络以得到相应的分析预测模型。

应当理解，在本申请实施例中，处理器802可以是中央处理单元(centralprocessingunit，cpu)，该处理器802还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤：若接收到用户登录操作指令，获取与用户相关的行为数据信息，所述用户登录操作指令包括用户登录信息；根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值；根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度；若所述职位匹配度大于预设阀值，则将所述用户登录信息进行标识，并将其加入预录取数据库。

在一实施例中，所述行为数据包括用户基本信息，所述处理器在执行所述程序指令而实现所述若接收到用户登录操作指令，获取与用户相关的行为数据信息步骤时，具体实现如下步骤：若接收到用户登录操作指令，确定用户的登录信息以进行登录；判断是否接收到外部接口关联指令；若接收到外部接口关联指令，读取与所述登录信息相关联的用户基本信息。

在一实施例中，所述预设的分析预测模型包括用于语义识别的第一预测模型，所述处理器在执行所述程序指令而实现所述根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值步骤时，具体实现如下步骤：若所述行为数据包括用户基本信息，确定与所述用户基本信息相对应的文本数据；将所述文本数据输入所述第一预测模型，以分别得到用户的服务意识、信用度以及职业能力的概率值。

在一实施例中，所述行为数据信息还包括面部视频信息，所述处理器在执行所述程序指令而实现所述所述若接收到用户登录操作指令，获取与用户相关的行为数据信息步骤时，具体实现如下步骤：若接收到用户登录操作指令，确定用户的登录信息以进行登录；判断是否接收到面部视频录制指令；若接收到面部视频录制指令，控制录制设备进行面部视频录制，以获取相应的面部视频信息。

在一实施例中，所述预设的分析预测模型包括用于视频识别的第二预测模型，所述处理器在执行所述程序指令而实现所述所述根据预设的分析预测模型对所述行为数据信息进行分析，以确定用户的性格特征值步骤时，具体实现如下步骤：若所述行为数据信息包括面部视频信息，确定与所述面部视频信息相应的图像信息以及音频信息；将所述图像信息以及音频信息输入所述第二预测模型，以得到用户对应不同的性格类型的概率值。

在一实施例中，所述预设匹配规则是指预先设置服务意识、信用度、职业能力以及性格类型之间的权重比值，不同的职位设置不同的权重值，所述处理器在执行所述程序指令而实现所述根据预设匹配规则以及所述性格特征值确定与所述预设匹配规则相应的职位匹配度步骤时，具体实现如下步骤：根据服务意识、信用度、职业能力以及性格类型之间的权重比值，计算服务意识、信用度、职业能力以及性格类型的概率值的权重值之和；将所计算得到的权重值之和确定为该权重比值相对应的职位匹配度。

在一实施例中，所述处理器在执行所述程序指令而实现所述若接收到用户登录操作指令，获取与用户相关的行为数据信息步骤之前，还实现如下步骤：根据预设的样本数据库训练keras神经网络以得到相应的分析预测模型。

所述存储介质可以是u盘、移动硬盘、只读存储器(read-onlymemory，rom)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。