基于智能面试交互系统的面试方法、装置和计算机设备与流程

本申请涉及到计算机领域，特别是涉及到一种基于智能面试交互系统的面试方法、装置、计算机设备和存储介质。

背景技术：

智能面试例如ai(人工智能)面试，能够减少人工成本，具有优秀的发展潜力。传统的智能面试方法，只能向答题者提供一份已确定的问卷，根据答题者回答所述问卷的答案生成面试报告。因此，传统的智能面试方法具有的缺陷包括：对答题者的就职倾向预测不准确、缺少与答题者的互动、由于答题者回答的问卷是预先确定的而导致适应的人群也是固定的，适用面窄等，导致面试成功率低(由于信息采集不准确，与答题者的交互不及时不全面，导致招收到人才的可能性较低)。

技术实现要素：

本申请的主要目的为提供一种基于智能面试交互系统的面试方法、装置、计算机设备和存储介质，旨在扩大适用人群，提高面试成功率。

为了实现上述发明目的，本申请提出一种基于智能面试交互系统的面试方法，包括以下步骤：

接收用户端发送的面试指令，并根据所述面试指令向用户端输出预设的多个指定问题，并要求所述用户端对回答所述多个指定问题；

接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向，其中，所述就职倾向预测模型基于所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向组成的样本数据训练而成；

打开所述用户端的摄像头采集所述用户端对应的用户的面部图像，并将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成；

判断所述用户的紧张情绪值是否处于预设的情绪范围值之内；

若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的所述就职倾向是否为就职；

若所述用户的所述就职倾向为就职，则向所述用户端发送允许提出咨询问题的信息，并接收所述用户端发送的咨询问题；

根据预设的句子深度语义表达计算方法，计算所述咨询问题的语义特征表达和预设的问题库中的目标问题的语义特征表达，并根据语义特征表达在深度语义特征空间上进行相似度计算，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案；

将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。

本申请提供一种基于智能面试交互系统的面试装置，包括：

面试指令接收单元，用于接收用户端发送的面试指令，并根据所述面试指令向用户端输出预设的多个指定问题，并要求所述用户端对回答所述多个指定问题；

多个指定答案接收单元，用于接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向，其中，所述就职倾向预测模型基于所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向组成的样本数据训练而成；

紧张情绪值获取单元，用于打开所述用户端的摄像头采集所述用户端对应的用户的面部图像，并将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成；

紧张情绪值判断单元，用于判断所述用户的紧张情绪值是否处于预设的情绪范围值之内；

就职倾向判断单元，用于若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的所述就职倾向是否为就职；

咨询问题接收单元，用于若所述用户的所述就职倾向为就职，则向所述用户端发送允许提出咨询问题的信息，并接收所述用户端发送的咨询问题；

目标问题获取单元，用于根据预设的句子深度语义表达计算方法，计算所述咨询问题的语义特征表达和预设的问题库中的目标问题的语义特征表达，并根据语义特征表达在深度语义特征空间上进行相似度计算，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案；

答案发送单元，用于将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。

本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

本申请的基于智能面试交互系统的面试方法、装置、计算机设备和存储介质，向用户端输出预设的多个指定问题；接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向；若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的就职倾向是否为就职；若所述用户的就职倾向为就职，则接收所述用户端发送的咨询问题；获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题；将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。从而扩大了适用人群，提高了面试成功率。

附图说明

图1为本申请一实施例的基于智能面试交互系统的面试方法的流程示意图；

图2为本申请一实施例的基于智能面试交互系统的面试装置的结构示意框图；

图3为本申请一实施例的计算机设备的结构示意框图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，本申请实施例提供一种基于智能面试交互系统的面试方法，包括以下步骤：

s1、接收用户端发送的面试指令，并根据所述面试指令向用户端输出预设的多个指定问题，并要求所述用户端对回答所述多个指定问题；

s2、接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向，其中，所述就职倾向预测模型基于所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向组成的样本数据训练而成；

s3、打开所述用户端的摄像头采集所述用户端对应的用户的面部图像，并将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成；

s4、判断所述用户的紧张情绪值是否处于预设的情绪范围值之内；

s5、若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的所述就职倾向是否为就职；

s6、若所述用户的所述就职倾向为就职，则向所述用户端发送允许提出咨询问题的信息，并接收所述用户端发送的咨询问题；

s7、根据预设的句子深度语义表达计算方法，计算所述咨询问题的语义特征表达和预设的问题库中的目标问题的语义特征表达，并根据语义特征表达在深度语义特征空间上进行相似度计算，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案；

s8、将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。

本申请通过就职倾向预测模型预测出用户的就职倾向，并利用微表情识别模型判断所述用户是否处于正常答题状态，从而综合判断用户是否处于真实的且意图就职，进而给予用户提出咨询问题，以增加信息交互并进一步确定用户与招募方是否确实匹配。

如上述步骤s1所述，接收用户端发送的面试指令，并根据所述面试指令向用户端输出预设的多个指定问题，并要求所述用户端对回答所述多个指定问题。本申请的人工智能面试系统用于向用户端对应的用户进行面试。所述用户端可以为用户所拥有的终端，所述终端通过与所述人工智能面试系统建立连接，在得到人工智能面试系统许可后成为用户端。所述用户端也可以为人工智能面试系统的一个输出端，用户通过所述输出端即可接受所述人工智能面试系统的面试。其中，所述多个指定问题可以通过任意方式获取，例如从预设的问题库中抽取。更优选地，所述多个指定问题均是同一个树状问题链的多个问题节点，所述多个指定问题的第一个问题是根问题节点，最后一个问题是端问题节点，所述树状问题链是指由多个问题构成的树状网络。

如上述步骤s2所述，接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向，其中，所述就职倾向预测模型基于所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向组成的样本数据训练而成。其中所述机器学习模型可为任意模型，例如为chaid决策树模型，将多个指定答案输入所述chaid决策树模型后，chaid决策树模型将根据多个指定答案中的具体信息进行分类处理，从而确定所述用户的所述就职倾向，其中所述就职倾向分为就职或者不就职。进一步地，所述机器学习模型还可以为基于深度学习文本分类的模型(例如textcnn,textrnn等)。其中深度学习是机器学习的一个分支。其中所述textcnn是一种大规模文本分类网络，是指将卷积神经网络cnn应用到文本分类任务，利用多个不同尺寸的内核来提取句子中的关键信息，从而使预测更准确。所述textrnn是一种大规模文本分类网络，是指将循环神经网络rnn应用到文本分类任务，即将在时间上深度的神经网络应用至文本分类任务中，从而使预测更准确。

如上述步骤s3所述，打开所述用户端的摄像头采集所述用户端对应的用户的面部图像，并将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成。其中神经网络模型可为vgg16模型、vgg19模型、vgg-f模型、resnet152模型、resnet50模型、dpn131模型、ixception模型、alexnet模型和densenet模型等，优选dpn模型。由于人的面部微表情能够反应人的情绪，当情绪异常时，可能表示人处于恶意状态(例如意图造假而通过人工智能面试)。因此本申请采用微表情识别模型对用户的面部图像进行运算，从而得到所述用户的紧张情绪值。

如上述步骤s4所述，判断所述用户的紧张情绪值是否处于预设的情绪范围值之内。预设的情绪范围值代表了处于正常面试状态下的用户应具有的情绪值，若所述用户的紧张情绪值处于预设的情绪范围值之内，表明所述用户的面试状态正常，因此用户的指定答案可信；所述用户的紧张情绪值不处于预设的情绪范围值之内，表明所述用户的面试状态不正常，因此用户的指定答案不可信。

如上述步骤s5所述，若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的所述就职倾向是否为就职。若所述用户的紧张情绪值处于预设的情绪范围值之内，表明所述用户的面试状态正常，因此判断所述用户的所述就职倾向是否为就职，从而确定所述用户对于本次面试的重视程度，以避免当用户就职意向不强又面试通过时，却放弃就职机会而造成的人才、精力、时间成本等过度浪费。

如上述步骤s6所述，若所述用户的所述就职倾向为就职，则向所述用户端发送允许提出咨询问题的信息，并接收所述用户端发送的咨询问题。若所述用户的所述就职倾向为就职，表明用户随意放弃就职机会的可能性较低，因此向所述用户端发送允许提出咨询问题的信息，并接收所述用户端发送的咨询问题，从而给予用户了解招聘方的机会，增加信息交互与信息收集。

如上述步骤s7所述，根据预设的句子深度语义表达计算方法，计算所述咨询问题的语义特征表达和预设的问题库中的目标问题的语义特征表达，并根据语义特征表达在深度语义特征空间上进行相似度计算，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案。若相似度值均低于预设的相似阈值，则系统无法匹配到预设的问题。其中所述问题库中预存有目标问题以及与目标问题对应的答案。由于用户的咨询问题并不一定有确切的框架，因此需要先确定用户的咨询问题的确切含意。本申请采用预设的句子深度语义表达计算方法，准确地表达用户咨询问题的确切含义，然后再计算句子在本质语义特征上的相似度，从而获取相似度值最大且大于预设的相似阈值的目标问题，从而将所述用户的咨询问题换成在深度语义特征空间上的相似度值大于预设的相似阈值的目标问题，以便于人工智能面试系统识别并做出回应。其中根据预设的句子深度语义表达计算方法，计算所述咨询问题与预设的问题库中的目标问题在深度语义特征空间上的表达可以为任意方式，例如为采用基于lstm(长短期记忆网络)的孪生网络算法、基于词频的句子表征算法(tf-idf)计算出所述咨询问题与预设的问题库中的目标问题在深度语义特征空间上的表达，所述咨询问题和预设的问题库中的目标问题在深度语义特征空间上的相似度的计算方式也可以为任意方式，例如余弦相似度计算方法、基于欧式距离的相似度计算方法等获取相似度值最大且大于阈值的目标问题。其中，孪生网络算法是采用相同或者不同的神经网络结构，将输入句子(即咨询问题与目标问题)映射为语义特征表达(例如为多维空间向量)，从而增加了后续计算相似度值的准确程度。

如上述步骤s8所述，将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。所述相似度值大于预设的相似阈值的目标问题对应的答案即为所述用户需要的答案，因此将该答案发送给所述用户端，以便于用户进一步了解招聘方，进而增加面试成功率。进一步地，当根据语义特征表达在深度语义特征空间上进行相似度计算之后发现，所有的目标问题与所述咨询问题的相似度值均小于预设的相似阈值之后，将生成提醒建议信息并将所述提醒建议信息发送给所述用户端，其中所述提醒建议信息例如为“我会把您的问题发送给您的推荐人，后续由他对您进行解答”等。

在一个实施方式中，所述人工智能面试系统预存有多个初始问题链，所述初始问题链标记有多个标签，所述接收用户端发送的面试指令，并根据所述面试指令向用户端输出预设的多个指定问题，并要求所述用户端对回答所述多个指定问题的步骤s1,包括：

s01、接收用户端发送的面试指令，并根据所述面试指令获取所述用户端对应的用户的特征信息，所述特征信息至少包括所述用户的职业信息；

s02、根据所述特征信息，按照预设的标签标记规则，对所述用户标记多个标签；

s03、从预存的多个初始问题链中筛选出最终问题链，其中所述最终问题链与所述用户具有最多的相同标签；

s04、将所述最终问题链中的问题作为将发送给所述用户端的多个指定问题。

如上所述，实现了获得多个指定问题。本申请预设有多个初始问题链，不同的初始问题链适用范围不同，例如针对开发人员的初始问题链与针对财务人员的初始问题链不同。为了更准确地进行人工智能面试，本申请采用获取所述用户端对应的用户的特征信息，所述特征信息至少包括所述用户的职业信息；根据所述特征信息，按照预设的标签标记规则，对所述用户标记多个标签；从预存的多个初始问题链中筛选出最终问题链，其中所述树状问题链与所述用户具有最多的相同标签的方式，确定与所述用户最匹配的问题链，以提高人工智能面试的质量。其中所述标签包括职业标签、收入标签、学历标签等。其中，所述问题链可以为任意形式的问题链，例如为单链结构的问题链，从而所述单链结构中的所有问题均作为指定问题。进一步地，所述问题链是树状问题链，所述多个指定问题的第一个问题是根问题节点，最后一个问题是端问题节点，即所述多个指定问题是从树状问题链中选出的以根问题节点为开始节点、端问题节点为结束节点的一条完整的单链。其中从树状问题链中获取所述单链的方法例如为，根据所述用户回答前一问题的答案，决定后一问题的内容(即确定与所述前一问题相连接的多个后一问题中的其中一个)，从而实现了灵活跳转节点，以使同一个树状问题链适应于多个不同人群，适用面广。

在一个实施方式中，所述机器学习模型为chaid决策树模型，所述接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向，其中，所述就职倾向预测模型基于所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向组成的样本数据训练而成的步骤s2之前，包括：

s11、获取指定量的样本数据，并将样本数据分成训练集和测试集；其中，所述样本数据由所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向所构成；

s12、将训练集的样本数据输入到chaid决策树模型中进行训练，得到初步chaid决策树；

s13、利用所述测试集的样本数据验证所述初步chaid决策树；

s14、如果验证通过，则将所述初步chaid决策树记为所述就职倾向预测模型。

如上所述，实现了获得就职倾向预测模型。其中chaid决策树模型指采用卡方自动交互检测法chaid的决策树模型。其中对所述第一问题的回答中包含了答题者的多种信息，例如对多个指定问题的相应回答包括：我的年龄为40岁、月薪为3万、月消费2万、毕业院校为某大学、工作经历包括在某企业就职等。从而所述相应回答可作为决策树分类的信息依据。其中，在此简单介绍chaid决策树的原理：1、合并组内对决策变量影响差别不显著的组值；2、选取卡方值最大的变量作为树分类变量；3、重复1、2步骤，至不能选取卡方值大于某值或样本小于某数。其中，可预先设所述就职倾向预测模型的建模标准参数，例如设置决策树的最大层数、母节点可再分的显著水平、母节点包含的最小样本数、子节点包含的最小样本数。其中，决策树的最大层数例如为3-5层、母节点可再分的显著水平为0.05-0.1、母节点包含的最小样本数100-200、子节点包含的最小样本数50-100。采用训练集的样本数据训练得到初步chaid决策树，再用测试集的样本进行验证，若通过，则记为所述就职倾向预测模型。其中，所述就职倾向预测模型输出的结果为用户的就职倾向，例如分为就职或者不就职。

在一个实施方式中，所述打开所述用户端的摄像头采集所述用户端对应的用户的面部图像，并将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成的步骤s3,包括：

s301、打开所述用户端的摄像头采集所述终端对应的用户的多幅初始图像，其中所述初始图像至少包括所述终端对应的用户的面部；

s302、将所述初始图像划分为多个区域，将每个区域的图像数据与预设的眼睛图像数据进行对比，得到每个区域图像数据与眼睛图像数据的差值，将差值不超过预设数值的区域记为眼睛区域；

s303、将每个区域的图像数据与预设的嘴巴图像数据进行比较，得到每个区域图像数据与嘴巴图像数据的差值，将差值不超过预设数值的区域记为嘴巴区域；

s304、调用预存的标准面部图像，并通过等比例缩小或者放大操作，使所述标准面部图像中的眼睛区域的中心与所述初始图像中的眼睛区域的中心重合，并且使所述标准面部图像中的嘴巴区域的中心与所述初始图像中的嘴巴区域的中心重合；

s305、将所述初始图像中与经过所述等比例缩小或者放大操作后的标准面部图像重叠的区域记为面部区域，并将所述面部区域范围内的图像作为面部图像；

s306、将初始图像中的所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成。

如上所述，实现了对所述初始图像进行区域识别处理从而识别出面部区域，并将所述面部区域范围内的图像作为面部图像，从而使微表情识别模型的结果更准确。其中，眼睛图像数据为标准的可用于标识眼睛特征的图像数据(例如预先采集得到的人的眼睛图像区域的数据)，嘴巴图像数据为标准的可用于标识嘴巴特征的图像数据(例如预先采集得到的人的嘴巴图像区域的数据)，所述图像数据例如为图像像素(三原色等)等。而具体比对图像数据的方法可采用任意的传统比较方式，在此不赘述。进一步地，若所述眼睛区域大于划分的单个区域，则以差值不超过预设数值的多个连续的区域为眼睛区域；同理，以差值不超过预设数值的多个连续的区域为鼻子区域。由于人的面部中的五官是按一定的几何结构比例分布的，若确定眼睛区域与嘴巴区域，即可获知大致的面部轮廓。据此，调用预存的标准面部图像，并通过等比例缩小或者放大操作，使所述标准面部图像中的眼睛区域的中心与所述初始图像中的眼睛区域的中心重合，并且使所述标准面部图像中的嘴巴区域的中心与所述初始图像中的嘴巴区域的中心重合；将所述初始图像中与经过所述等比例缩小或者放大操作后的标准面部图像重叠的区域记为面部区域，并将所述面部区域范围内的图像作为面部图像。再将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值。

在一个实施方式中，所述打开所述用户端的摄像头采集所述用户端对应的用户的面部图像，并将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成的步骤s3之前，包括：

s21、获取指定数量的样本数据，并将样本数据分成训练集和测试集；其中，所述样本数据包括人脸图像，以及与所述人脸图像关联的紧张情绪值；

s22、将训练集的样本数据输入到预设的神经网络模型中进行训练，得到初始微表情识别模型，其中，训练的过程中采用随机梯度下降法；

s23、利用测试集的样本数据验证所述初始微表情识别模型；

s24、若验证通过，则将所述初始微表情识别模型记为所述微表情识别模型。

如上所述，实现了设置微表情识别模型。本实施方式基于神经网络模型以训练出微表情识别模型。其中神经网络模型可为vgg16模型、vgg19模型、vgg-f模型、resnet152模型、resnet50模型、dpn131模型、ixception模型、alexnet模型和densenet模型等，优选dpn模型。其中，随机梯度下降法就是随机取样一些训练数据，替代整个训练集，如果样本量很大的情况(例如几十万)，那么可能只用其中几万条或者几千条的样本，就已经迭代到最优解了，可以提高训练速度。进一步地，训练的过程还可以采用反向传导法则更新所述神经网络模型各层的参数。其中反向传导法则(bp)建立在梯度下降法的基础上，bp网络的输入输出关系实质上是一种映射关系：一个n输入m输出的bp神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性，有利于神经网络模型各层的参数的更新。从而获得初始微表情识别模型。再利用测试集的样本数据验证所述初始微表情识别模型，若验证通过，则将所述初始微表情识别模型记为所述微表情识别模型。

在一个实施方式中，所述根据预设的句子深度语义表达计算方法，计算所述咨询问题的语义特征表达和预设的问题库中的目标问题的语义特征表达，并根据语义特征表达在深度语义特征空间上进行相似度计算，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案的步骤s7，包括：

s701、利用事先训练好的基于长短期记忆网络的孪生网络模型结构，计算出所述咨询问题在深度语义特征空间上的第一句子表征向量，以及预设问题库中的目标问题在深度语义特征空间上的第二句子表征向量；

s702、采用余弦距离计算公式来计算所述咨询问题和预设问题库中的目标问题在深度语义特征空间上的句子表征向量的相似度，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案，所述余弦距离计算公式为：

其中similarity为相似度值，a为所述咨询问题在深度语义特征空间上的第一句子表征向量，b为所述目标问题在深度语义特征空间上的第二句子表征向量,ai为所述第一句子表征向量的第i个分向量，bi为所述第二句子表征向量的第i个分向量。

如上所述，实现了所述咨询问题和预设的问题库中的目标问题在深度语义特征空间上的表达，并计算所述咨询问题和预设的问题库中的目标问题在深度语义特征空间上的相似度。所述咨询问题和预设的问题库中的目标问题在深度语义特征空间上的表达是通过基于lstm的孪生网络模型结构学习得到的多维数值向量，所述咨询问题和预设的问题库中的目标问题在深度语义特征空间上的相似度计算是通过计算所述咨询问题和预设的问题库中的目标问题在度语义特征空间的多维数值向量的余弦距离。其中当similarity的值越接近于1，表明越相似；越接近于0，表明越不相似。其中，基于长短期记忆网络的孪生网络模型结构可以通过离线采用基于lstm(长短期记忆网络)的孪生网络模型结构(siamesenetwork)训练模型，学习句子在深度语义特征空间上的句子表征，从而得到表征句子的多维数值向量，该多维向量涵盖了句子的关键词信息、关键词之间的上下文关联信息等。

在一个实施方式中，所述相似度值大于预设的相似阈值的目标问题有多个，所述将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端的步骤s8，包括：

s801、判断所述相似度值大于预设的相似阈值的目标问题的数量是否大于预设的数量阈值；

s802、若所述相似度值大于预设的相似阈值的目标问题的数量大于预设的数量阈值，则获取所述相似度值大于预设的相似阈值的目标问题的历史调用次数，并将所述相似度值大于预设的相似阈值的目标问题按所述历史调用次数降序排名，从而得到暂时目标问题表；

s803、从所述问题库中获取n个目标答案，所述n个目标答案分别与所述暂时目标问题表中排序为前n名的目标问题相对应，其中n等于所述数量阈值；

s804、将所述n个目标答案发送给所述用户端。

如上所述，实现了将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。由于所述相似度值大于预设的相似阈值的目标问题有多个，若这些目标问题的数量过多，那么全部发送至用户端会造成信息淤塞现象，即用户难以从庞大的信息源中快速获取需要的准确信息。因此，本申请还采用了判断所述相似度值大于预设的相似阈值的目标问题的数量是否大于预设的数量阈值；若所述相似度值大于预设的相似阈值的目标问题的数量大于预设的数量阈值，则获取所述相似度值大于预设的相似阈值的目标问题的历史调用次数，并将所述相似度值大于预设的相似阈值的目标问题按所述历史调用次数降序排名，从而得到暂时目标问题表；从所述问题库中获取n个目标答案，所述n个目标答案分别与所述暂时目标问题表中排序为前n名的目标问题相对应，其中n等于所述数量阈值的方式，对目标问题以及目标答案进行了筛选，以保证将发送给所述用户端的目标答案不会过多。其中，所述数量阈值为大于等于1的整数。并且，由于历史调用次数多的目标问题是所述用户端想要提问的真正问题的可能性更高，因此本申请的上述方式可以筛选出准确的目标问题。据此，将所述n个目标答案发送给所述用户端。

本申请的基于智能面试交互系统的面试方法，向用户端输出预设的多个指定问题；接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向；若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的就职倾向是否为就职；若所述用户的就职倾向为就职，则接收所述用户端发送的咨询问题；获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题；将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。从而扩大了适用人群，提高了面试成功率。

参照图2，本申请实施例提供一种基于智能面试交互系统的面试装置，包括：

面试指令接收单元10，用于接收用户端发送的面试指令，并根据所述面试指令向用户端输出预设的多个指定问题，并要求所述用户端对回答所述多个指定问题；

多个指定答案接收单元20，用于接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向，其中，所述就职倾向预测模型基于所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向组成的样本数据训练而成；

紧张情绪值获取单元30，用于打开所述用户端的摄像头采集所述用户端对应的用户的面部图像，并将所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成；

紧张情绪值判断单元40，用于判断所述用户的紧张情绪值是否处于预设的情绪范围值之内；

就职倾向判断单元50，用于若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的所述就职倾向是否为就职；

咨询问题接收单元60，用于若所述用户的所述就职倾向为就职，则向所述用户端发送允许提出咨询问题的信息，并接收所述用户端发送的咨询问题；

目标问题获取单元70，用于根据预设的句子深度语义表达计算方法，计算所述咨询问题的语义特征表达和预设的问题库中的目标问题的语义特征表达，并根据语义特征表达在深度语义特征空间上进行相似度计算，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案；

答案发送单元80，用于将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。

其中上述单元分别用于执行的操作与前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

在一个实施方式中，所述人工智能面试系统预存有多个初始问题链，所述初始问题链标记有多个标签，所述面试指令接收单元10,包括：

面试指令接收子单元，用于接收用户端发送的面试指令，并根据所述面试指令获取所述用户端对应的用户的特征信息，所述特征信息至少包括所述用户的职业信息；

标记多个标签子单元，用于根据所述特征信息，按照预设的标签标记规则，对所述用户标记多个标签；

筛选子单元，用于从预存的多个初始问题链中筛选出最终问题链，其中所述最终问题链与所述用户具有最多的相同标签；

指定问题标记子单元，用于将所述最终问题链中的问题作为将发送给所述用户端的多个指定问题。

其中上述子单元分别用于执行的操作与前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

在一个实施方式中，所述机器学习模型为chaid决策树模型，所述装置，包括：

样本数据获取单元，用于获取指定量的样本数据，并将样本数据分成训练集和测试集；其中，所述样本数据由所述指定问题、对所述指定问题的回答、以及与所述回答关联的就职倾向所构成；

训练单元，用于将训练集的样本数据输入到chaid决策树模型中进行训练，得到初步chaid决策树；

验证单元，用于利用所述测试集的样本数据验证所述初步chaid决策树；

模型标记单元，用于如果验证通过，则将所述初步chaid决策树记为所述就职倾向预测模型。

其中上述单元分别用于执行的操作与前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

在一个实施方式中，所述紧张情绪值获取单元30,包括：

采集子单元，用于打开所述用户端的摄像头采集所述终端对应的用户的多幅初始图像，其中所述初始图像至少包括所述终端对应的用户的面部；

划分子单元，用于将所述初始图像划分为多个区域，将每个区域的图像数据与预设的眼睛图像数据进行对比，得到每个区域图像数据与眼睛图像数据的差值，将差值不超过预设数值的区域记为眼睛区域；

比较子单元，用于将每个区域的图像数据与预设的嘴巴图像数据进行比较，得到每个区域图像数据与嘴巴图像数据的差值，将差值不超过预设数值的区域记为嘴巴区域；

重合子单元，用于调用预存的标准面部图像，并通过等比例缩小或者放大操作，使所述标准面部图像中的眼睛区域的中心与所述初始图像中的眼睛区域的中心重合，并且使所述标准面部图像中的嘴巴区域的中心与所述初始图像中的嘴巴区域的中心重合；

面部图像获取子单元，用于将所述初始图像中与经过所述等比例缩小或者放大操作后的标准面部图像重叠的区域记为面部区域，并将所述面部区域范围内的图像作为面部图像；

紧张情绪值获取子单元，用于将初始图像中的所述面部图像输入到预设的基于神经网络模型训练完成的微表情识别模型中进行运算，从而得到所述用户的紧张情绪值，其中，所述微表情识别模型基于人脸图像，以及与所述人脸图像关联的紧张情绪值组成的样本数据训练而成。

其中上述子单元分别用于执行的操作与前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

在一个实施方式中，所述装置，包括：

训练集和测试集获取单元，用于获取指定数量的样本数据，并将样本数据分成训练集和测试集；其中，所述样本数据包括人脸图像，以及与所述人脸图像关联的紧张情绪值；

初始微表情识别模型获取单元，用于将训练集的样本数据输入到预设的神经网络模型中进行训练，得到初始微表情识别模型，其中，训练的过程中采用随机梯度下降法；

模型验证单元，用于利用测试集的样本数据验证所述初始微表情识别模型；

微表情识别模型获取单元，用于若验证通过，则将所述初始微表情识别模型记为所述微表情识别模型。

其中上述子单元分别用于执行的操作与前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

在一个实施方式中，所述目标问题获取单元70，包括：

向量获取子单元，用于利用事先训练好的基于长短期记忆网络的孪生网络模型结构，计算出所述咨询问题在深度语义特征空间上的第一句子表征向量，以及预设问题库中的目标问题在深度语义特征空间上的第二句子表征向量；

相似度值获取子单元，用于采用余弦距离计算公式来计算所述咨询问题和预设问题库中的目标问题在深度语义特征空间上的句子表征向量的相似度，从而获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题，其中所述问题库中预存有目标问题以及与目标问题对应的答案，所述余弦距离计算公式为：

其中similarity为相似度值，a为所述咨询问题在深度语义特征空间上的第一句子表征向量，b为所述目标问题在深度语义特征空间上的第二句子表征向量,ai为所述第一句子表征向量的第i个分向量，bi为所述第二句子表征向量的第i个分向量。

其中上述子单元分别用于执行的操作与前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

在一个实施方式中，所述相似度值大于预设的相似阈值的目标问题有多个，所述答案发送单元80，包括：

数量阈值判断子单元，用于判断所述相似度值大于预设的相似阈值的目标问题的数量是否大于预设的数量阈值；

暂时目标问题表获取子单元，用于若所述相似度值大于预设的相似阈值的目标问题的数量大于预设的数量阈值，则获取所述相似度值大于预设的相似阈值的目标问题的历史调用次数，并将所述相似度值大于预设的相似阈值的目标问题按所述历史调用次数降序排名，从而得到暂时目标问题表；

n个目标答案获取子单元，用于从所述问题库中获取n个目标答案，所述n个目标答案分别与所述暂时目标问题表中排序为前n名的目标问题相对应，其中n等于所述数量阈值；

n个目标答案发送子单元，用于将所述n个目标答案发送给所述用户端。

其中上述子单元分别用于执行的操作与前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

本申请的基于智能面试交互系统的面试装置，向用户端输出预设的多个指定问题；接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向；若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的就职倾向是否为就职；若所述用户的就职倾向为就职，则接收所述用户端发送的咨询问题；获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题；将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。从而扩大了适用人群，提高了面试成功率。

参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于智能面试交互系统的面试方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于智能面试交互系统的面试方法。

上述处理器执行上述基于智能面试交互系统的面试方法，其中所述方法包括的步骤分别与执行前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

本领域技术人员可以理解，图中示出的结构，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的限定。

本申请的计算机设备，向用户端输出预设的多个指定问题；接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向；若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的就职倾向是否为就职；若所述用户的就职倾向为就职，则接收所述用户端发送的咨询问题；获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题；将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。从而扩大了适用人群，提高了面试成功率。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于智能面试交互系统的面试方法，其中所述方法包括的步骤分别与执行前述实施方式的基于智能面试交互系统的面试方法的步骤一一对应,在此不再赘述。

本申请的计算机可读存储介质，向用户端输出预设的多个指定问题；接收所述用户端回复所述多个指定问题的多个指定答案，并将所述多个指定答案输入预设的基于机器学习模型训练完成的就职倾向预测模型中运算，从而获得所述用户端对应用户的就职倾向；若所述用户的紧张情绪值处于预设的情绪范围值之内，则判断所述用户的就职倾向是否为就职；若所述用户的就职倾向为就职，则接收所述用户端发送的咨询问题；获取与所述咨询问题的相似度值大于预设的相似阈值的目标问题；将所述相似度值大于预设的相似阈值的目标问题对应的答案发送给所述用户端。从而扩大了适用人群，提高了面试成功率。

本领域普通技术人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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。