用于进行自动化面试会话的系统和方法与流程

用于进行自动化面试会话的系统和方法
1.相关申请的交叉引用
2.本技术要求2020年5月15日提交的美国非临时专利申请号16/875,405和2020年4月3日提交的印度临时专利申请号202041014886的优先权，这些专利申请中的每一者的全文以引用的方式并入本文。


背景技术：

3.联系中心中的代理人中的平均人员流失率估计为30％，并且许多联系中心的代理人平均人员流失率超过50％。例如，在采用数千个代理人的联系中心中，每年更换数百或数千个代理人是非常耗时的。在发布新的代理人岗位之后，通常有数百或数千个申请由候选人填写以填补特定代理人岗位。目前，用于筛选候选人的最常见方法是评估候选人简历，其目前包括筛选多达89％的候选人。简历筛选是用于招聘联系中心代理人的最低效的方法之一，因为此类过程非常耗时，并且联系中心对候选人的技能了解不多。通常经由人工方法(包括例如面对面、电话和/或web实时通信(即，语音、视频或聊天)面试)来对剩余11％的候选人进行面试。填补单个代理人岗位所需的平均时间约为六周，并且要对平均三十个候选人进行面试以填补单个代理人岗位。因此，用于联系中心代理人岗位的当前筛选方法主要由招聘人员或联系中心输入用户手动进行，并且上文所描述的招聘统计数据证明了招聘联系中心代理人的当前人工方法是低效、昂贵且耗时的。


技术实现要素：

4.根据一个实施方案，一种用于在候选人与自动化聊天资源之间进行自动化面试会话的方法包括：分析候选人简历以识别第一个性特征；基于该第一个性特征生成第一基于简历的问题；由该自动化聊天资源基于所识别的第一个性特征在该自动化面试会话期间向该候选人呈现该第一基于简历的问题；基于从该候选人接收的第一响应生成第一特征分数，其中该第一特征分数指示所识别的第一个性特征的相关性；基于该第一基于简历的问题和该第一响应生成第一问题-回答分数，其中该第一问题-回答分数指示第一问题-回答相关性并且用于确定是否向该候选人呈现第二基于简历的问题；分析通信抄本以识别第二个性特征；基于该第二个性特征生成第一基于抄本的问题；由该自动化聊天资源基于所识别的第二个性特征在该自动化面试会话期间向该候选人呈现该第一基于抄本的问题；分析来自该候选人的第二响应以确定该候选人是否具有所识别的第二个性特征；响应于确定该候选人是否具有所识别的第二个性特征而基于该第二响应生成第二特征分数，其中该第二特征分数指示所识别的第二个性特征的相关性；以及基于该第一基于抄本的问题和该第二响应生成第二问题-回答分数，其中该第二问题-回答分数指示第二问题-回答相关性并且用于确定是否向该候选人呈现第二基于抄本的问题。
5.在一些实施方案中，该方法还可包括：响应于识别该第一个性特征，基于所识别的第一个性特征更新第一候选人简档；分析第二候选人简历以识别至少一个个性特征；响应于识别该至少一个个性特征，基于所识别的至少一个个性特征更新第二候选人简档；以及
基于工作描述简档匹配来对该第一候选人简档和该第二候选人简档进行排名。
6.在一些实施方案中，该第一候选人简档被排名为高于该第二候选人简档，并且其中选择与该第一候选人简档相关联的该候选人以用于该自动化面试会话。
7.在一些实施方案中，该方法还可包括：响应于分析该第一响应或该第二响应中的至少一者，识别该候选人所具有的第三个性特征；以及基于该第一响应或该第二响应中的至少一者生成第三特征分数，其中该第三特征分数指示该第三个性特征的相关性。
8.在一些实施方案中，该方法还可包括：基于所识别的第三个性特征生成第二基于抄本的问题；由该自动化聊天资源基于所识别的第三个性特征在该自动化面试会话期间向该候选人呈现该第二基于抄本的问题；基于从该候选人接收的第三响应生成第四特征分数，其中该第四特征分数指示所识别的第三个性特征的相关性；以及基于该第二基于抄本的问题和该第三响应生成第三问题-回答分数，其中该第三问题-回答分数指示第三问题-回答相关性并且用于确定是否向该候选人呈现第四基于抄本的问题。
9.在一些实施方案中，该第一个性特征包括人员流失率、工作历史、教育历史、工作技能、爱好或证书中的至少一者。
10.在一些实施方案中，该第二个性特征包括语言流畅性、积极性、同理心、专注性、情绪稳定性或耐心中的至少一者。
11.在一些实施方案中，该方法还可包括向用户设备提供该第一特征分数、该第二特征分数、该第一问题-回答分数和该第二问题-回答分数。
12.在一些实施方案中，该方法还可包括基于该第一特征分数和该第一问题-回答分数，选择该候选人以用于与人的面试会话；由该人向该候选人呈现基于人的问题；以及从该候选人接收基于人的响应。
13.在一些实施方案中，该方法还可包括：记录该基于人的问题和该基于人的响应；转录所记录的基于人的问题和所记录的基于人的响应；向用户设备传输所转录的基于人的问题和所转录的基于人的响应；分析所转录的基于人的问题和所转录的基于人的响应以识别第三个性特征；以及基于该第三个性特征生成第三特征分数。
14.在一些实施方案中，该方法还可包括：响应于确定该第三个性特征被不正确地识别，通过与该第三个性特征不同的个性特征标记该基于人的响应；响应于确定该第三特征分数被不正确地生成而修改该第三特征分数；以及使用所标记的基于人的响应和所修改的第三特征分数来训练机器学习模型。
15.在一些实施方案中，该方法还可包括使用该第一特征分数、该第一问题-回答分数、所标记的基于人的响应或所修改的第三特征分数中的至少一者来生成训练课程。
16.在一些实施方案中，使用机器学习模型来分析该第一响应或该第二响应中的至少一者。
17.根据另一个实施方案，一种用于在候选人与自动化聊天资源之间进行自动化面试会话的系统可包括：至少一个处理器；和至少一个存储器，该至少一个存储器包括存储在其上的多个指令，该多个指令响应于由该至少一个处理器执行，使该系统：分析候选人简历以识别第一个性特征；基于该第一个性特征生成第一基于简历的问题；由该自动化聊天资源基于所识别的第一个性特征在该自动化面试会话期间向该候选人呈现该第一基于简历的问题；基于从该候选人接收的第一响应生成第一特征分数，其中该第一特征分数指示所识
别的第一个性特征的相关性；基于该第一基于简历的问题和该第一响应生成第一问题-回答分数，其中该第一问题-回答分数指示第一问题-回答相关性并且用于确定是否向该候选人呈现第二基于简历的问题；分析通信抄本以识别第二个性特征；基于该第二个性特征生成第一基于抄本的问题；由该自动化聊天资源基于所识别的第二个性特征在该自动化面试会话期间向该候选人呈现该第一基于抄本的问题；分析来自该候选人的第二响应以确定该候选人是否具有所识别的第二个性特征；响应于确定该候选人是否具有所识别的第二个性特征而基于该第二响应生成第二特征分数，其中该第二特征分数指示所识别的第二个性特征的相关性；以及基于该第一基于抄本的问题和该第二响应生成第二问题-回答分数，其中该第二问题-回答分数指示第二问题-回答相关性并且用于确定是否向该候选人呈现第二基于抄本的问题。
18.在一些实施方案中，该多个指令进一步使该系统响应于识别该第一个性特征，基于所识别的第一个性特征更新第一候选人简档；分析第二候选人简历以识别至少一个个性特征；响应于识别该至少一个个性特征，基于所识别的至少一个个性特征更新第二候选人简档；以及基于工作描述简档匹配来对该第一候选人简档和该第二候选人简档进行排名。
19.在一些实施方案中，该第一候选人简档被排名为高于该第二候选人简档，并且其中选择与该第一候选人简档相关联的该候选人以用于该自动化面试会话。
20.在一些实施方案中，该第一个性特征包括人员流失率、工作历史、教育历史、工作技能、爱好或证书中的至少一者。
21.在一些实施方案中，该第二个性特征包括语言流畅性、积极性、同理心、专注性、情绪稳定性或耐心中的至少一者。
22.在一些实施方案中，使用机器学习模型来分析该第一响应或该第二响应中的至少一者。
23.根据另一个实施方案，一种或多种非暂时性机器可读存储介质，其包括存储在其上的多个指令，该多个指令响应于由至少一个处理器执行而使该至少一个处理器：分析候选人简历以识别第一个性特征；基于该第一个性特征生成第一基于简历的问题；由该自动化聊天资源基于所识别的第一个性特征在该自动化面试会话期间向该候选人呈现该第一基于简历的问题；基于从该候选人接收的第一响应生成第一特征分数，其中该第一特征分数指示所识别的第一个性特征的相关性；基于该第一基于简历的问题和该第一响应生成第一问题-回答分数，其中该第一问题-回答分数指示第一问题-回答相关性并且用于确定是否向该候选人呈现第二基于简历的问题；分析通信抄本以识别第二个性特征；基于该第二个性特征生成第一基于抄本的问题；由该自动化聊天资源基于所识别的第二个性特征在该自动化面试会话期间向该候选人呈现该第一基于抄本的问题；分析来自该候选人的第二响应以确定该候选人是否具有所识别的第二个性特征；响应于确定该候选人是否具有所识别的第二个性特征而基于该第二响应生成第二特征分数，其中该第二特征分数指示所识别的第二个性特征的相关性；以及基于该第一基于抄本的问题和该第二响应生成第二问题-回答分数，其中该第二问题-回答分数指示第二问题-回答相关性并且用于确定是否向该候选人呈现第二基于抄本的问题。
附图说明
24.本文描述的概念在附图中通过举例的方式并且不是通过限制的方式进行说明。为了简单和清楚说明，图中示出的元件不一定按比例绘制。在认为适当的情况下，参考标记已在附图中重复以指示对应或类似的元件。
25.图1是用于进行自动化面试会话的系统的至少一个实施方案的简化框图；
26.图2是用于进行自动化面试会话的图1的系统的基于云的系统的至少一个实施方案的简化框图；
27.图3是计算系统的至少一个实施方案的简化框图；
28.图4是用于使用图1的系统来进行自动化面试会话的方法的至少一个实施方案的简化框图；
29.图5是用于使用图1的系统来识别来自候选人简历的个性特征分数并且对候选人简历进行排名的方法的至少一个实施方案的简化流程图；
30.图6是用于使用图1的系统来生成要在自动化面试会话期间呈现给候选人的基于所识别的个性特征的问题并且通过个性特征标记所生成的问题的方法的至少一个实施方案的简化流程图；
31.图7是用于使用图1的系统基于在自动化面试会话期间从候选人接收的响应来生成特征分数和/或q-a相关性分数的方法的至少一个实施方案的简化流程图；
32.图8是用于使用图1的系统来训练机器学习模型的方法的至少一个实施方案的简化流程图；
33.图9是可使用图1的系统来生成的样本抄本的至少一个实施方案；并且
34.图10是聊天机器人与候选人之间的样本对话的至少一个实施方案。
具体实施方式
35.尽管本公开的概念易受各种修改和可替代形式的影响，但特定实施方案在附图中已通过举例的方式示出，并且将在本文中详细描述。然而，应当理解，不意图将本公开的概念限制为所公开的特定形式，但是相反，意图是涵盖与本公开和所附权利要求一致的所有修改、等同形式和替代方案。
36.说明书中对“一个实施方案”、“实施方案”、“说明性实施方案”等的提及指示所描述的实施方案可以包括特定特征、结构或特性，但是每个实施方案可以或可以不一定包括该特定特征、结构或特性。此外，此类短语不一定是指同一实施方案。还应当理解，尽管提及“优选的”部件或特征可以指示特定部件或特征关于实施方案的合意性，但是本公开不因此关于可以省略此种部件或特征的其他实施方案进行限制。此外，当结合实施方案描述特定特征、结构或特性时，认为结合其他实施方案实施此种特征、结构或特性在本领域技术人员的知识范围内，无论是否明确地描述。另外，应当理解，以“a、b和c中的至少一者”的形式包括在列表中的项目可以意指(a)；(b)；(c)；(a和b)；(b和c)；(a和c)；或(a、b和c)。相似地，以“a、b或c中的至少一者”的形式列出的项目可以意指(a)；(b)；(c)；(a和b)；(b和c)；(a和c)；或(a、b和c)。此外，关于权利要求，单词和短语诸如“一个(a)”、“一个(an)”、“至少一个”、和/或“至少一部分”的使用不应被解释为限制于仅一个此种元件，除非相反地具体陈述，并且短语诸如“至少一部分”和/或“一部分”的使用应被解释为涵盖仅包括此种元件中的一部
分的实施方案和包括整个此种元件的实施方案两者，除非相反地具体陈述。
37.在一些情况下，所公开的实施方案可以硬件、固件、软件或其组合来实施。所公开的实施方案还可以实施为在一个或多个暂时性或非暂时性机器可读(例如，计算机可读)存储介质上携载或存储的指令，该指令可以由一个或多个处理器读取和执行。机器可读存储介质可以体现为用于以机器可读的形式(例如，易失性或非易失性存储器、介质盘或其他介质设备)存储或传输信息的任何存储设备、机构或其他物理结构。
38.在附图中，可以在特定布置和/或排序中示出一些结构或方法特征。然而，应当理解，可以不需要此类特定布置和/或排序。相反，在一些实施方案中，除非相反指示，否则此类特征可以与说明性图所示不同的方式和/或顺序进行布置。另外，在特定图中包括结构或方法特征并不意味着暗示所有实施方案中需要此种特征，并且在一些实施方案中，可以不包括此种特征或可以将其与其他特征组合。
39.现在参考图1，在说明性实施方案中，用于进行自动化面试会话的系统100包括用户设备102、网络104、基于云的系统106和候选人设备108。尽管在图1的说明性实施方案中仅示出了一个用户设备102、一个网络104、一个基于云的系统106和一个候选人设备108，但在其他实施方案中，系统100可包括多个用户设备102、网络104、基于云的系统106和/或候选人设备108。例如，在一些实施方案中，可使用多个基于云的系统106(例如，相关或不相关的系统)来执行本文所述的各种功能。此外，如本文所述，多个用户设备102和/或候选人设备108可用于访问例如基于web的图形用户界面，该图形用户界面允许用户管理招聘过程并且允许候选人参与此类招聘过程。
40.应当理解，本文描述的系统100和技术可包括自动化招聘系统。系统100可允许根据候选人的简历和通信抄本(例如，联系中心抄本)动态生成问题/场景。系统100还可使用机器学习模型和技术来分析候选人个性并且进行自动化对话面试会话。系统100还可预测候选人的人员流失的可能性。在一些实施方案中，系统100还可监测人工面试会话，并且使用来自面试人员/招聘人员的人工评论/反馈来重新训练机器学习模型(例如，ai模型)。此类反馈回路(例如，数据流水线)可细化系统100以从实时数据进行学习并且使用较少的努力来进行具有“人类接触”的自动化面试会话。系统100还可捕获招聘数据并且利用候选人的面试表现以在入职培训过程期间训练新雇用的代理人。与传统招聘系统相比，系统100还可增加为工作岗位招聘候选人的速度。例如，在一些实施方案中，系统100可自动进行针对至少1000个候选人的筛选过程，这可减小对许多人工联系中心资源的需要并且减小在招聘过程期间花费的时长。系统100还可产生更一致的候选人面试表现结果。例如，在传统招聘系统下生成的候选人面试表现结果更依赖于人工面试人员/招聘人员的情绪/思想状态，而系统100可从招聘分析中移除那些偏差。系统100还可通过以下方式来减小组织的人员流失率：通过分析候选人的简历和先前人员流失模式来预测候选人在特定时间段内留在(或离开)组织的可能性。系统100还可基于新雇用的代理人作为候选人的面试表现结果将入职培训训练课程分配给此类代理人。系统100还可被设计有端到端自动化以用于联系中心招聘过程。另外，实时招聘结果可在网站主页(例如，gui)中发布，其中可在招聘过程期间以各种级别对每个候选人的招聘行程进行跟踪。
41.应当理解，用户设备102、网络104、基于云的系统106和候选人设备108可被体现为适合于执行本文所述功能的任何类型的设备/系统或设备/系统的集合。更具体地，在说明
性实施方案中，用户设备102和/或候选人设备108可以是语音通信设备，诸如电话、蜂窝电话或卫星电话。另选地，用户设备102和/或候选人设备108可以是例如电子平板计算机、电子书阅读器、个人数字助理(pda)、便携式音乐播放器或能够与基于云的系统106进行通信的计算机。用户设备102和/或候选人设备108可具有用户可与其交互以提供和接收音频、文本、视频和/或其他形式的数据的各种输入/输出设备。用户设备102和/或候选人设备108可允许用户和/或候选人通过网络104与基于云的系统106进行交互。
42.在一些实施方案中，用户设备102和/或候选人设备108可被体现为能够执行应用程序并且以其他方式执行本文描述的功能的任何类型的设备。例如，在说明性实施方案中，用户设备102可被配置为执行应用程序110，并且候选人设备108可被配置为执行应用程序112。应当理解，应用程序110、112中的每一者可被体现为适合于执行本文所述的功能的任何类型的应用程序。具体地，在一些实施方案中，应用程序110、112中的一者或多者可被体现为移动应用程序(例如，智能电话应用程序)、基于云的应用程序、web应用程序、瘦客户端应用程序和/或另一类型的应用程序。例如，在一些实施方案中，应用程序110、112中的一者或多者可用作基于web的应用程序或服务的客户端侧接口(例如，经由web浏览器)。另外，尽管仅一个应用程序110、112被示为由对应设备102、108执行，但应当理解，设备102、108中的每一者可被配置为执行其他应用程序以便执行本文描述的功能。
43.在一些实施方案中，输入用户可经由应用程序110的图形用户界面(gui)与用户设备102进行交互以便管理招聘过程。gui可允许输入用户创建工作岗位，从公共工作门户网站获得开放工作岗位的候选人简历，查看候选人的排名列表，利用过滤器来选择候选人以用于初始筛选或人工面试，提供来自人工面试的反馈以用于训练机器学习模型，以及/或者可视化招聘过程的状态。
44.在一些实施方案中，候选人可经由应用程序112的gui与候选人设备108交互以便参与招聘过程。gui可允许候选人上传简历，选择人工面试会话的类型(即，面对面、电话和/或web实时通信)以用于参加面试过程、查看面试细节(即，面试日期、时间、位置等)，以及/或者从输入用户安排回电选项以用于任何面试查询和/或最终面试结果。
45.网络104可被体现为能够促进经由网络104通信地连接的各种设备之间的通信的任何一种或多种类型的通信网络。因此，网络104可包括一个或多个网络、路由器、交换机、接入点、集线器、计算机和/或其他中间网络设备。例如，网络104可被体现为或以其他方式包括一个或多个蜂窝网络、电话网络、局域网或广域网、公共可用的全局网络(例如，互联网)、自组织网络、短程通信链路或它们的组合。在一些实施方案中，网络104可包括电路交换语音或数据网络、分组交换语音或数据网络和/或能够承载语音和/或数据的任何其他网络。具体地，在一些实施方案中，网络104可包括基于互联网协议(ip)和/或基于异步传输模式(atm)的网络。在一些实施方案中，网络104可处理语音流量(例如，经由ip语音(voip)网络)、web流量(例如，诸如超文本传输协议(http)流量和超文本标记语言(html)流量)和/或取决于彼此通信的系统100的特定实施方案和/或设备的其他网络流量。在各种实施方案中，网络104可包括模拟或数字有线和无线网络(例如，ieee 802.11网络、公共交换电话网络(pstn)、集成服务数字网络(isdn)和数字订户线路(xdsl))、第三代(3g)移动电信网络、第四代(4g)移动电信网络、第五代(5g)移动电信网络、有线以太网网络、专用网络(例如，诸如内联网)、无线电、电视、电缆、卫星和/或用于承载数据的任何其他递送或隧道机制，或此
类网络的任何适当组合。网络104可实现系统100的各种设备/系统102、106、108之间的连接。应当理解，各种设备/系统102、106、108可取决于源和/或目的地设备102、106、108经由不同网络104彼此通信。此外，在一些实施方案中，设备/系统102、106、108中的一者或多者可不被配置为经由网络104与设备/系统102、106、108中的另一者通信。
46.现在参考图2，基于云的系统106可被体现为能够执行本文所述的功能的任何一种或多种类型的设备/系统。在说明性实施方案中，基于云的系统106被体现为在云计算环境中执行的基于云的系统；然而，应当理解，在其他实施方案中，基于云的系统106或其一部分(例如，个性分析器202、问题选择器204、问题生成器206、聊天机器人208、候选人数据库210、简历数据库212、抄本数据库214和/或其一个或多个部分中的一者或多者)可被体现为在云计算环境外部执行的一个或多个系统。
47.在基于云的实施方案中，个性分析器202、问题选择器204、问题生成器206、聊天机器人208、候选人数据库210、简历数据库212和/或抄本数据库214(和/或其一个或多个部分)中的一者或多者可被体现为服务器模糊的计算解决方案，例如，其按需执行多个指令，包含用于仅在由特定活动/触发提示时执行指令的逻辑，并且在不使用时不消耗计算资源(或消耗标称资源)。也就是说，基于云的系统106、个性分析器202、问题选择器204、问题生成器206、聊天机器人208、候选人数据库210、简历数据库212和/或抄本数据库214(和/或其一个或多个部分)可被体现为驻留在计算系统(例如，设备的分布式网络)“上”的虚拟计算环境，其中可执行与本文所述的基于云的系统106、个性分析器202、问题选择器204、问题生成器206、聊天机器人208、候选人数据库210、简历数据库212和/或抄本数据库214(和/或其一个或多个部分)的功能相对应的各种第3方虚拟功能。例如，当发生事件时(例如，数据被传输到基于云的系统106以用于处理)，可与虚拟计算环境通信(例如，经由对虚拟计算环境的api的请求)，由此api可基于规则集合将请求路由到正确虚拟功能(例如，特定的服务器模糊的计算资源)。因此，当进行对数据传输的请求(例如，经由到基于云的系统106的适当用户界面)时，可执行适当的虚拟功能以在消除虚拟功能的实例之前执行动作。
48.个性分析器202可被体现为能够执行本文所述的功能的任何一种或多种类型的设备/系统。例如，在一些实施方案中，个性分析器202可被配置为分析一个或多个候选人简历以识别一个或多个个性特征并且生成一个或多个特征分数。在其他实施方案中，个性分析器202可被配置为基于从候选人简历识别的一个或多个个性特征并且针对候选人申请的工作岗位对一个或多个候选人简历进行排名。个性分析器202还可被配置为分析候选人对在自动化面试会话期间呈现给候选人的问题的响应以识别一个或多个个性特征并且生成一个或多个特征分数。在一些实施方案中，个性分析器202可更新包含候选人的一个或多个个性特征的候选人简档。候选人简档可包含如从候选人简历中识别的候选人可拥有的所有个性特征和/或候选人对在自动化面试会话期间呈现给候选人的问题的响应的列表。个性分析器202还可被配置为执行自然语言处理/技术。个性特征在本文中也可称为特性和/或技能。在其他实施方案中，应当理解，个性分析器202可附加地或另选地包括分析候选人简历和候选人响应以用于由基于云的系统106和/或系统100的其他设备处理的其他类型的系统。
49.问题选择器204可被体现为能够执行本文所述的功能的任何一种或多种类型的设备/系统。问题选择器204可被配置为从可由个性分析器202维持的候选人简档中检索个性
特征，并且将该个性特征用作参考以从问题生成器206检索问题/场景，并且在自动化面试会话期间将该问题/场景呈现给候选人。问题选择器204还可被配置为分析候选人对在自动化面试会话期间呈现给候选人的问题/场景的响应以生成问题-回答相关性分数，以便确定是否询问另一个问题/场景或修改呈现给候选人的先前问题/场景。术语“问题-回答相关性分数”和“q-a相关性分数”在本文中可互换使用。在一些实施方案中，问题选择器204可从响应中识别未回答问题/场景的哪个部分。问题选择器204从候选人响应中识别问题/场景的未回答部分的意图可以是决定是否针对相同的问题/场景更仔细地审查候选人，因为候选人响应可能不相关或不足以继续或候选人可能需要对于先前问题的更多的上下文/细节。此分析可允许问题选择器204类似于人工面试(例如，人类面试会话)动态地决定问题流程。在一个实施方案中，可关于如何在问题/场景之间动态地切换来训练问题选择器204。在其他实施方案中，应当理解，问题选择器204可附加地或另选地包括检索问题/场景和/或生成问题-回答相关性分数以用于由基于云的系统106和/或系统100的其他设备处理的其他类型的系统。
50.问题生成器206可被体现为能够执行本文所述的功能的任何一种或多种类型的设备/系统。问题生成器206可被配置为分析候选人简历以识别一个或多个个性特征并且基于所识别的一个或多个个性特征来生成一个或多个问题。例如，如果候选人在候选人简历上列举先前工作历史，则问题生成器206可生成一个或多个问题以从候选人获得关于工作历史的解释(即，一般问题)。类似地，例如，如果候选人在候选人简历上列举许多工作经历，则问题生成器206可生成一个或多个问题以从候选人获得关于多个工作经历的解释(即，基于人员流失的问题)。问题生成器206还可被配置为分析通信抄本(例如，联系中心抄本)以识别一个或多个个性特征并且基于所识别的一个或多个个性特征来生成一个或多个问题。例如，基于场景的问题可由问题生成器206生成，如下文进一步详细描述的。问题生成器206还可被配置为通过一个或多个个性特征标记由问题生成器206生成的一个或多个问题。在其他实施方案中，应当理解，问题生成器206可附加地或另选地包括生成问题以用于由基于云的系统106和/或系统100的其他设备处理的其他类型的系统。
51.聊天机器人208可被体现为能够使用自动化以与候选人交互并且以其他方式执行本文所述的功能的任何自动化服务或系统。例如，在一些实施方案中，聊天机器人208可例如作为可根据特定聊天机器人的需求启动的可执行程序来操作。在一些实施方案中，聊天机器人208模拟和处理人类对话(书面或口头)，从而允许人类与数字设备进行交互，如同人与另一个人通信。在一些实施方案中，聊天机器人208可像通过单线响应回答简单查询的基本程序那样简单，或者像学习和演进以在其收集和处理信息时递送不断提高的个性化水平的数字助理那样复杂。在一些实施方案中，聊天机器人208包括和/或利用人工智能、自适应学习、机器人、认知计算和/或其他自动化技术。在一些实施方案中，聊天机器人208可利用一个或多个机器学习和/或人工智能技术来确定是否向候选人呈现一个或多个问题和/或将对话升级到人类资源。例如，在一些实施方案中，聊天机器人208可以利用一种或多种神经网络算法、回归算法、基于实例的算法、正则化算法、决策树算法、贝叶斯算法、聚类算法、关联规则学习算法、深度学习算法、降维算法、基于规则的算法、集成算法、人工智能和/或其他合适的机器学习算法、人工智能算法、技术和/或机制。应当理解，本文描述的任何设备/系统可利用这些机器学习和/或人工智能算法、技术和/或机制中的一者或多者。
52.在一个实施方案中，聊天机器人208的数量可根据聊天自动化服务器的设计和功能而变化并且不限于图2所示的数量。例如，可创建不同的聊天机器人208以具有不同的简档。特定聊天机器人的简档可用于选择具有关于特定工作岗位的专业知识的聊天机器人。将聊天机器人208与具有迎合特定工作岗位的简档相匹配可允许与候选人的更有效的通信。例如，一个聊天机器人可被设计成或专门用于参加第一通信主题，而另一个聊天机器人可被设计成或专门用于参加与第一通信主题不同的第二通信主题。在另一个示例中，聊天机器人208可被配置为利用不同的方言或俚语，或者可具有不同的个性特征或特性。例如，不同聊天机器人208的词汇可以被定制成使用年轻人、老年人、国家特定地区的人和/或具有特定语言或种族背景的人的俚语或措辞。聊天机器人208也可在本文中称为一个或多个聊天机器人、ai聊天机器人、自动化聊天机器人、闲聊机器人、对话系统、对话引擎、对话代理人、自动化聊天资源和/或机器人。应当理解，在一些实施方案中，使用中(例如，在与特定候选人的通信期间)的特定聊天机器人208可在通信的中间改变(例如，响应于在通信中检测到的特定触发和/或状况)。
53.利用自动化聊天机器人与候选人进行聊天的益处可以是其有助于更有效地使用有价值和昂贵的资源(如人类资源)，同时保持候选人满意度。例如，可调用聊天机器人以最初在人类候选人不知道其正在与机器人对话的情况下处理聊天对话。如果适当并且当适当时，可将聊天对话升级到人类资源。因此，无需将人类资源不必要地用于处理简单请求，而是可以更有效地用于处理更复杂的请求或同时监测许多不同自动化通信的进展。
54.候选人数据库210、简历数据库212和/或抄本数据库214中的每一者可被体现为能够在基于云的系统106中存储数据或以其他方式促进基于云的系统106的此类数据的存储的一个或多个数据库、数据结构和/或数据存储设备。例如，在一些实施方案中，候选人数据库210、简历数据库212和/或抄本数据库214可包括一个或多个云存储桶或数据存储区。在其他实施方案中，应当理解，候选人数据库210、简历数据库212和/或抄本数据库214可附加地或另选地包括允许用于基于云的系统106可用的数据存储量的动态缩放的其他类型的语音数据存储机制。候选人数据库210、简历数据库212和/或抄本数据库214还可被体现为能够短期或长期存储数据的任何设备或部件或者设备或部件的集合。尽管候选人数据库210、简历数据库212和/或抄本数据库214在本文中被描述为数据存储装置和数据库，但应当理解，候选人数据库210、简历数据库212和/或抄本数据库214可包括用于基础数据的实际存储的数据库(或数据和结构的其他类型的有组织集合)和数据存储装置。候选人数据库210、简历数据库212和/或抄本数据库214可存储用于执行本文所述的功能的各种数据。例如，在一些实施方案中，候选人数据库210可存储候选人简历排名、个性特征分数和/或q-a相关性分数。在其他实施方案中，简历数据库212可存储候选人简历。在一些实施方案中，抄本数据库214可存储通信抄本。在一些实施方案中，通信抄本是联系中心交互抄本。在一些实施方案中，通信抄本被认为具有良好反馈(来自输入用户或以其他方式)。
55.尽管个性分析器202、问题选择器204和问题生成器206在本文中主要被描述为被配置为执行其相应功能的单独设备/系统，但应当理解，在一些实施方案中，个性分析器202、问题选择器204和/或问题生成器206(和/或其功能)中的一者或多者可形成个性分析器202、问题选择器204和/或问题生成器206中的另一者的一部分。此外，在一些实施方案中，个性分析器202、问题选择器204和问题生成器206中的两者或更多者可包括在相同设
备/系统内。类似地，尽管候选人数据库210、简历数据库212和抄本数据库214在本文中主要被描述为单独数据库，但应当理解，在一些实施方案中，候选人数据库210、简历数据库212和抄本数据库214中的一者或多者可形成候选人数据库210、简历数据库212和抄本数据库214中的另一者的一部分。此外，在一些实施方案中，候选人数据库210、简历数据库212和抄本数据库214中的两者或更多者可形成相同数据库的部分。
56.应当理解，用户设备102、网络104、基于云的系统106和/或候选人设备108中的每一者可被体现为(或包括)类似于下文参考图3描述的计算设备300的一个或多个计算设备。例如，在说明性实施方案中，用户设备102、网络104、基于云的系统106和/或候选人设备108中的每一者可包括处理设备302和存储器306，该存储器在其上存储有用于由处理设备302执行以操作对应设备的操作逻辑308(例如，多个指令)。
57.现在参考图3，示出了计算设备300的至少一个实施方案的简化框图。说明性计算设备300描绘了可与图1所示的用户设备102、网络104、基于云的系统106和/或候选人设备108结合利用的用户设备、网络、基于云的系统和/或候选人设备的至少一个实施方案。此外，在一些实施方案中，个性分析器202、问题选择器204、问题生成器206、聊天机器人208、候选人数据库210、简历数据库212和/或抄本数据库214(和/或其一部分)中的一者或多者可被体现为类似于计算设备300的一个或多个计算设备或由其执行。取决于特定实施方案，计算设备300可以体现为服务器、台式计算机、膝上型计算机、平板计算机、笔记本、上网本、ultrabook
tm
、蜂窝电话、移动计算设备、智能手机、可穿戴计算设备、个人数字助理、物联网(iot)设备、处理系统、无线接入点、路由器、网关和/或能够执行本文描述的功能的任何其他计算设备、处理设备和/或通信设备。
58.计算设备300包括根据操作逻辑308执行算法和/或处理数据的处理设备302、实现计算设备300与一个或多个外部设备310之间的通信的输入/输出设备304以及存储例如经由输入/输出设备304从外部设备310接收的数据的存储器306。
59.输入/输出设备304允许计算设备300与外部设备310通信。例如，输入/输出设备304可以包括收发器、网络适配器、网卡、接口、一个或多个通信端口(例如，usb端口、串行端口、并行端口、模拟端口、数字端口、vga、dvi、hdmi、火线、cat 5或任何其他类型的通信端口或接口)和/或其他通信电路。取决于特定计算设备300，计算设备300的通信电路可以被配置为使用任何一种或多种通信技术(例如，无线或有线通信)和相关联的协议(例如，以太网、wimax等)来实现此类通信。输入/输出设备304可以包括适合于执行本文描述的技术的硬件、软件和/或固件。
60.外部设备310可以是允许从计算设备300输入或输出数据的任何类型的设备。例如，在各种实施方案中，外部设备310可被体现为用户设备102、基于云的系统106(或其设备/系统)、候选人设备108、个性分析器202、问题选择器204、问题生成器206、聊天机器人208、候选人数据库210、简历数据库212和/或抄本数据库214。此外，在一些实施方案中，外部设备310可以体现为另一计算设备、交换机、诊断工具、控制器、打印机、显示器、警报、外围设备(例如，键盘、鼠标、触摸屏显示器等)和/或能够执行本文描述的功能的任何其他计算设备、处理设备和/或通信设备。此外，在一些实施方案中，应当理解，外部设备310可集成到计算设备300中。
61.处理设备302可被体现为能够执行本文描述的功能的任何类型的处理器。具体地，
处理设备302可被体现为一个或多个单核或多核处理器、微控制器或其他处理器或处理/控制电路。例如，在一些实施方案中，处理设备302可以包括或体现为算术逻辑单元(alu)、中央处理单元(cpu)、数字信号处理器(dsp)和/或另一个合适处理器。处理设备302可以是可编程类型、专用硬连线状态机或它们的组合。在各种实施方案中，具有多个处理单元的处理设备302可利用分布式、流水线和/或并行处理。此外，处理设备302可以专用于仅执行本文描述的操作，或可以在一个或多个附加应用中利用。在说明性实施方案中，处理设备302是可编程的并且根据操作逻辑308执行算法和/或处理数据，如由存储在存储器306中的编程指令(诸如软件或固件)定义的。附加地或另选地，用于处理设备302的操作逻辑308可以至少部分地由硬连线逻辑或其他硬件定义。此外，处理设备302可以包括适合于处理从输入/输出设备304或从其他部件或设备接收的信号并且提供期望的输出信号的任何类型的一个或多个部件。此类部件可以包括数字电路、模拟电路或其组合。
62.存储器306可以是一种或多种类型的非暂时性计算机可读介质，诸如固态存储器、电磁存储器、光学存储器或它们的组合。此外，存储器306可以是易失性的和/或非易失性的，并且在一些实施方案中，存储器306中的一些或全部可以是便携式类型，诸如盘、磁带、记忆棒、盒式磁带和/或其他合适的便携式存储器。在操作中，存储器306可以存储在计算设备300的操作期间使用的各种数据和软件，诸如操作系统、应用程序、程序、库和驱动程序。应当理解，除了存储定义处理设备302的操作逻辑308的编程指令之外或代替该存储，存储器306可以存储由操作逻辑308操纵的数据，诸如，例如表示从输入/输出设备304接收和/或发送到该输入/输出设备的信号的数据。如图3所示，取决于特定实施方案，存储器306可以与处理设备302一起被包括和/或耦接到处理设备302。例如，在一些实施方案中，处理设备302、存储器306和/或计算设备300的其他部件可以形成片上系统(soc)中的一部分以及并入单个集成电路芯片上。
63.在一些实施方案中，计算设备300的各种部件(例如，处理设备302和存储器306)可以经由输入/输出子系统通信地耦接，该输入/输出子系统可以体现为电路和/或部件以促进与计算设备300的处理设备302、存储器306和其他部件的输入/输出操作。例如，输入/输出子系统可以体现为或以其他方式包括存储器控制器集线器、输入/输出控制集线器、固件设备、通信链路(即，点对点链路、总线链路、电线、电缆、光导、印刷电路板迹线等)和/或其他部件和子系统，以促进输入/输出操作。
64.在其他实施方案中，计算设备300可以包括其他或附加部件，诸如在典型的计算设备中常见的那些部件(例如，各种输入/输出设备和/或其他部件)。还应当理解，本文描述的计算设备300的部件中的一个或多个部件可以跨多个计算设备分布。换句话说，本文描述的技术可以由包括一个或多个计算设备的计算系统采用。另外，尽管仅在图3中说明性地示出单个处理设备302、i/o设备304和存储器306，但是应当理解，在其他实施方案中，特定计算设备300可以包括多个处理设备302、i/o设备304和/或存储器306。此外，在一些实施方案中，多于一个外部设备310可以与计算设备300通信。
65.现在参考图4，在使用中，系统100可执行用于进行自动化面试会话并且训练机器学习模型的方法400。应当理解，除非另有说明，否则方法400的特定框通过举例的方式示出，并且此类框可以根据特定实施方案全部或部分地组合或划分、添加或移除和/或重新排序。应当理解，在执行方法400之前，用户可经由应用程序110的gui与用户设备102交互以便
创建一个或多个工作岗位(例如，系统100可经由用户设备102接收开放工作岗位提示)。在一些实施方案中，工作岗位可以是在联系中心处或与联系中心系统相关联的工作岗位(例如，接触/呼叫中心代理人工作岗位)。
66.联系中心系统可以体现为能够向终端用户提供联系中心服务(例如，呼叫中心服务)并且以其他方式执行本文描述的功能的任何系统。取决于特定实施方案，应当理解，联系中心系统可以位于利用联系中心系统的组织的场所和/或相对于组织远程定位(例如，在基于云的计算环境中)。在一些实施方案中，联系中心系统中的一部分可以位于组织的场所/园区，而联系中心系统中的其他部分相对于组织的场所/园区远程定位。因此，应当理解，联系中心系统可以部署在专用于组织或其第三方服务提供商的装备中，和/或部署在远程计算环境中，该远程计算环境诸如例如具有用于支持多个企业的多个联系中心的基础设施的私有或公有云环境。在一些实施方案中，联系中心系统包括资源(例如，人员、计算机和电信装备)以使得能够经由电话和/或其他通信机制递送服务。取决于特定类型的联系中心，此类服务可以包括例如技术支持，帮助台支持、紧急响应和/或其他联系中心服务。
67.此外，在一些实施方案中，候选人可经由应用程序112的gui与候选人设备108交互以便上载候选人简历(例如，系统100可经由候选人设备108接收候选人简历)。在一些实施方案中，系统100(例如，经由特定设备/系统)可从公共工作门户和/或网站检索一个或多个候选人简历。在一些实施方案中，基于云的系统106可在简历数据库212中存储一个或多个候选人简历。换句话说，在一些实施方案中，说明性方法400针对以下设想(和/或肯定确认)执行：工作已被发布并且已经针对该特定工作存储了一个或多个候选人简历。
68.说明性方法400可开始于框402，其中系统100(例如，经由基于云的系统106，或更具体地，个性分析器202)可分析一个或多个候选人简历以识别一个或多个个性特征，并且基于从候选人简历识别的一个或多个个性特征并针对候选人所申请的工作岗位对一个或多个候选人简历进行排名。为此，在一些实施方案中，系统100可执行下文详细描述的图5的方法500。
69.在框404中，系统100(例如，经由基于云的系统106，或更具体地，问题生成器206)可分析候选人简历和/或通信抄本以识别一个或多个个性特征，基于所识别的一个或多个个性特征生成一个或多个问题，并且通过一个或多个个性特征标记所生成的问题。为此，在一些实施方案中，系统100可执行如下文详细描述的图6的方法600。
70.在框406中，系统100(例如，经由基于云的系统106)可基于在自动化面试会话期间从候选人接收的一个或多个响应生成特征分数和/或q-a相关性分数。为此，在一些实施方案中，系统100可执行如下文详细描述的图7的方法700。
71.在框408中，系统100(例如，经由基于云的系统106)可训练一个或多个机器学习模型(例如，方法400中的其他地方使用的机器学习模型中的一者或多者)。为此，在一些实施方案中，系统100可执行如下文详细描述的图8的方法800。
72.尽管以相对串行的方式描述了框402-408，但是应当理解，在一些实施方案中，方法400的各种框可以并行执行。
73.现在参考图5，在使用中，系统100可执行用于分析候选人简历并对其进行排名的方法500。应当理解，除非另有说明，否则方法500的特定框通过举例的方式示出，并且此类框可以根据特定实施方案全部或部分地组合或划分、添加或移除和/或重新排序。说明性方
法500开始于框502，其中系统100(例如，经由基于云的系统106，或更具体地，个性分析器202)可从简历数据库212选择一个或多个候选人简历。在框504中，个性分析器202可分析一个或多个候选人简历以识别候选人可具有的一个或多个个性特征。在一些实施方案中，可在候选人简历上识别的个性特征是人员流失率、工作历史、教育历史、工作技能、爱好和证书中的至少一者。在框506中，个性分析器202可确定是否已经在候选人简历上识别任何个性特征。如果个性分析器202确定已在候选人简历上识别一个或多个个性特征，则方法500可前进到框508，其中个性分析器202可更新包含候选人的一个或多个个性特征的候选人简档。如果个性分析器202在框506中确定尚未从候选人简历中识别出个性特征或者响应于在框508中更新候选人简档，则方法500可前进到框510，其中个性分析器202可确定是否有任何附加简历存储在简历数据库212中。如果个性分析器202确定附加简历存储在简历数据库212中，则方法500可返回到框502，其中个性分析器202可从简历数据库212选择一个或多个候选人简历。然而，如果个性分析器202确定简历数据库212中没有存储附加简历，则方法500可前进到框512，其中个性分析器202可生成一个或多个特征分数。个性分析器202可通过一个或多个特征分数更新候选人的包含一个或多个个性特征的候选人简档。在一些实施方案中，可基于用户的特定偏好创建特征分数的级别。例如，在一些实施方案中，针对特定个性特征，特征分数可以是1到10的级别。在一些实施方案中，个性分析器202可通过特定个性特征的分数的总和更新候选人简档。在一个实施方案中，总分可等于100％。在其他实施方案中，特定个性特征的分数可基于加权分数模型(该加权分数模型基于用户的偏好)。应当理解，更重要和/或与特定用户更相关的个性特征可被分配更大权重，并且较不重要/与特定用户相关性较低的个性特征可被分配更少权重。
74.在框514中，个性分析器202可基于从候选人简历识别的一个或多个个性特征并且针对候选人申请的工作岗位对一个或多个候选人简历进行排名。个性分析器202可利用一个或多个机器学习和/或人工智能技术来分析一个或多个候选人简历并对其进行排名。在一些实施方案中，个性分析器202可利用简历简档排名模型。简历简档排名模型可以是在个性分析器202扫描一个或多个候选人简历，将工作描述和特定工作岗位所需的技能与一个或多个候选人的主题(或内容)匹配，并且基于特定要求对候选人进行排名时利用的机器学习模型。在一些实施方案中，简历扫描特定于联系中心候选人简历。在框516中，个性分析器202可在候选人数据库210中存储特征分数和/或候选人简历排名。在框518中，基于云的系统106可向用户设备102提供特征分数和/或候选人简历排名。输入用户可经由应用程序110的gui与用户设备102交互以便查看特征分数和/或候选人简历排名。
75.尽管以相对串行的方式描述了框502-518，但是应当理解，在一些实施方案中，方法500的各种框可以并行执行。
76.现在参考图6，在使用中，系统100可执行方法600，该方法用于分析候选人简历和/或通信抄本以识别一个或多个个性特征，基于所识别的一个或多个个性特征生成一个或多个问题，并且通过一个或多个个性特征标记所生成的问题。应当理解，除非另有说明，否则方法600的特定框通过举例的方式示出，并且此类框可以根据特定实施方案全部或部分地组合或划分、添加或移除和/或重新排序。说明性方法600开始于框602，其中系统100(例如，经由基于云的系统106，或更具体地，问题生成器206)可从简历数据库212选择候选人简历并且分析候选人简历以识别候选人可能拥有的一个或多个个性特征。在框604中，问题生成
器206可基于在候选人简历上识别的一个或多个个性特征来生成一个或多个问题。在一些实施方案中，问题生成器206可生成一般问题和/或基于人员流失的问题，如上所述。
77.问题生成器206可利用一个或多个机器学习和/或人工智能技术来生成基于简历的问题。在一些实施方案中，问题生成器206可利用基于简历的问卷模型。基于简历的问卷模型可由问题生成器206利用以分析从简历数据库212接收的候选人简历的内容，并且使用特定工作岗位的一个或多个先前候选人(例如，前员工、未通过面试的候选人等)的先前面试表现数据来生成一般问题和基于人员流失的问题，如上所述。应当理解，在一些实施方案中，为了实现此类问题的生成，可通过相关数据集训练机器学习模型以分析候选人简历并且通过使用机器学习技术(例如，用于人工神经网络和/或其他机器学习算法/模型)的文本处理生成问题。附加地或另选地，在一些实施方案中，问题生成器206可生成问题以从候选人获得对于从候选人简历缺失的数据或候选人简历的内容的有效性的解释。
78.在框606中，问题生成器206可从抄本数据库214选择通信抄本，并且可分析通信抄本以识别候选人可具有的一个或多个个性特征。在一些实施方案中，可在通信抄本上识别的个性特征是语言流畅性、积极性、同理心、专注性(即，注意力)、情绪稳定性和耐心中的至少一者。应当理解，取决于特定上下文和/或环境，通信抄本在本文中也可称为联系中心抄本、交互抄本、联系中心交互抄本和/或交互式语音响应(ivr)抄本。
79.在框608中，问题生成器206可基于在通信抄本上识别的一个或多个个性特征来生成一个或多个问题。在一些实施方案中，问题生成器206可生成基于场景的问题。在一些实施方案中，基于场景的问题可以是问题和/或答案的序列/系列。在其他实施方案中，基于场景的问题可概述用于询问一系列问题和/或提供一系列答案的指令/指示。
80.应当理解，问题生成器206可利用一个或多个机器学习和/或人工智能技术来生成基于抄本的问题。例如，在一些实施方案中，问题生成器206可利用基于个性的问卷模型。具体地，基于个性的问卷模型可由问题生成器206利用以分析通信抄本的内容并且使用文本处理从抄本生成一对《特征，场景》。该对《特征，场景》可通过以下方式来生成：将被认为具有输入用户(或以其他方式)的良好反馈的一个或多个通信抄本传输到基于个性的问卷模型中，利用基于个性的问卷模型来分析通信的意图和终端用户的情绪，并且基于此类意图和情绪标记具有由问题生成器206识别的个性特征的通信抄本。
81.在框610中，问题生成器206可通过一个或多个个性特征标记由问题生成器206生成的一个或多个问题。在一些实施方案中，问题生成器206可通过标签“一般/人员流失”、“积极性”、“同理心”和/或另一个合适的标签/标记来标记从候选人简历生成的问题。在框612中，问题生成器206可确定是否有任何附加简历存储在简历数据库212中。如果问题生成器206确定附加简历存储在简历数据库212中，则方法600可返回到框602，其中问题生成器206可从简历数据库212选择一个或多个附加候选人简历。然而，如果问题生成器206确定简历数据库212中没有存储附加简历，则方法600可终止(例如，使得系统100执行本文所述的其他方法)。换句话说，在一些实施方案中，方法600可继续执行，选择附加候选人简历，直到简历数据库212中没有另外的候选人简历可用于分析。
82.尽管以相对串行的方式描述了框602-612，但是应当理解，在一些实施方案中，方法600的各种框可以并行执行。
83.在图9中示出了可根据实施方案通过执行方法600(例如，基于个性的问卷模型)来
生成的样本抄本的示例。图9的样本抄本包括终端用户/代理人场景，其中加粗的语句是通过个性特征同理心标记的问题/场景的示例，并且加下划线的语句是通过个性特征积极性标记的问题/场景的示例。斜体的语句是通过终端用户的情绪意图标记的问题/场景的示例。
84.现在参考图7，在使用中，系统100可执行用于基于在自动化面试会话期间从候选人接收的一个或多个响应生成特征分数和/或q-a相关性分数的方法700。应当理解，除非另有说明，否则方法700的特定框通过举例的方式示出，并且此类框可以根据特定实施方案全部或部分地组合或划分、添加或移除和/或重新排序。
85.说明性方法700开始于框702，其中系统100(例如，经由基于云的系统106，或更具体地，问题选择器204)可确定由个性分析器202维持的候选人简档是否包含可由问题选择器204检索的一个或多个个性特征。如果问题选择器204确定候选人简档确实包含一个或多个个性特征，则问题选择器204可检索由候选人简档包含的一个或多个个性特征，并且方法700可前进到下文描述的框704。然而，如果问题选择器204确定候选人简档不包含可由问题选择器204检索的一个或多个个性特征，则方法700可前进到框706，其中问题选择器204可基于用户个性特征偏好来检索问题/场景，并且方法700然后前进到框708。例如，在用户优选积极性或同理心个性特征的实施方案中，问题选择器204可检索通过积极性或同理心个性特征标记的问题/场景。在框704中，问题选择器204可使用每个检索的个性特征作为参考，以检索基于例如方法600的框610中描述的标记过程从候选人简历生成的一个或多个问题和/或从通信抄本生成的基于场景的问题；此类问题和/或场景在本文中可单独地或共同地称为问题/场景。在框708中，问题选择器204可向聊天机器人208提供问题/场景。聊天机器人208可向候选人呈现问题/场景。在一些实施方案中，聊天机器人208可经由音频、视频和/或聊天向候选人呈现问题/场景。在框710中，聊天机器人208可从候选人接收响应。聊天机器人208可向个性分析器202提供候选人响应和呈现给候选人的问题/场景，该个性分析器可基于候选人响应生成特征分数。该特征分数可指示个性特征的相关性。在一些实施方案中，可由个性分析器202识别一个或多个附加个性特征。在此类实施方案中，个性分析器202可将所识别的一个或多个附加个性特征添加到由个性分析器202维持的候选人简档。
86.个性分析器202可利用一个或多个机器学习和/或人工智能技术来生成特征分数。可设计一个或多个机器学习和/或人工智能技术以根据候选人响应预测特定个性特征的相关性。在一些实施方案中，个性分析器202可利用可以是标记数据集和未标记数据集的经训练组合的监督机器学习模型。可通过记录候选人的人工面试来收集未标记数据集。标记数据集可从开源数据集(例如，kaggle和其他网站)和/或其他相关数据集获得。此模型可用于根据候选人响应预测个性特征的相关性。在一些实施方案中，该模型可用于根据候选人响应预测积极性、同理心、人员流失率、情绪稳定性、耐心、语言流畅性和专注性(即，注意力)中的至少一者。在一个实施方案中，个性分析器202可利用nlp模型和/或视频情绪模型。应当理解，个性分析器202可基于该模型来确定特定个性特征的特征分数。在框712中，个性分析器202可在候选人数据库210中存储特征分数。在一些实施方案中，个性分析器202可周期性地更新候选人数据库210中所存储的候选人的特征分数。在框714中，基于云的系统106可向用户设备102提供特征分数。用户可经由应用程序110的gui与用户设备102交互以便查看特征分数。
87.图10示出了聊天机器人208与候选人之间的样本对话。候选人可被提供有用于在自动化面试会话期间解决终端用户问题的解决方案《xxx》。在图10所示的示例中，工作岗位的工作描述是“具有包括良好的专注性、语言流畅性、耐心和积极性等一系列技能的前端用户服务代理人职务”，并且来自候选人简历的已分析特征可维持在候选人简档中。加粗的语句是被识别的个性特征同理心的示例，并且加下划线的语句是被识别的个性特征积极性的示例。
88.在框716中，个性分析器202可向问题选择器204提供候选人响应和呈现给候选人的问题/场景。问题选择器204可分析候选人对呈现给候选人的问题/场景的响应以生成q-a相关性分数，以便确定是否询问另一个问题或修改呈现给候选人的先前问题。q-a相关性分数可指示问题-回答相关性。在一些实施方案中，如果未建立问题-回答相关性，则问题选择器204可修改呈现给候选人的先前问题并且向候选人呈现经修改的问题。在其他实施方案中，如果问题选择器204识别到问题/场景的一部分可能未由候选人回答，则问题选择器204可以另一个格式呈现相同的问题/场景，使得候选人可更好地理解问题。在框718中，问题选择器204可在候选人数据库210中存储q-a相关性分数。在一些实施方案中，问题选择器204可周期性地更新候选人数据库210中存储的q-a相关性分数。
89.在框720中，基于云的系统106可向用户设备102提供q-a相关性分数。用户可经由应用程序110的gui与用户设备102交互以便查看q-a相关性分数。在框722中，问题选择器204可确定q-a相关性分数是否足够。如果问题选择器204确定q-a相关性分数不足，则方法700可返回到框708，其中问题选择器204可向聊天机器人208提供另一个问题/场景以向候选人呈现问题/场景。然而，如果问题选择器204确定q-a相关性分数足够，则方法700可前进到框724，其中问题选择器204可确定由个性分析器202维持的候选人简档是否包含可由问题选择器204检索的一个或多个附加个性特征。如果问题选择器204确定候选人简档确实包含一个或多个附加个性特征，则问题选择器204可检索由候选人简档包含的一个或多个个性特征，并且方法700可返回到框704。在一些实施方案中，向候选人呈现问题、从候选人接收响应、生成特征分数以及生成q-a相关性分数的过程可重复一次或多次。此过程可重复，直到针对特定个性特征从问题生成器206检索的基于场景的问题完成。如果问题选择器204确定候选人简档不包含可由问题选择器204检索的一个或多个附加个性特征，则方法700可终止(例如，使得系统100执行本文所述的其他方法)。
90.尽管以相对串行的方式描述了框702-724，但是应当理解，在一些实施方案中，方法700的各种框可以并行执行。
91.现在参考图8，在使用中，系统100可执行用于训练一个或多个机器学习模型的方法800。应当理解，除非另有说明，否则方法800的特定框通过举例的方式示出，并且此类框可以根据特定实施方案全部或部分地组合或划分、添加或移除和/或重新排序。说明性方法800开始于框802，其中用户可经由应用程序110的gui与用户设备102交互以便基于特定特征分数和/或q-a相关性分数来选择候选人。在框804中，用户可向候选人呈现一个或多个问题/场景。在一些实施方案中，可在人工面试会话中向候选人呈现问题/场景。在其他实施方案中，人工面试会话可以是电话面试会话、web实时通信(即，web-rtc)面试会话或面对面面试会话。web-rtc可包括语音、视频或聊天通信选项。在一个实施方案中，用户可经由应用程序110的gui与用户设备102交互以便基于用户的要求经由web-rtc发起人工面试会话。在框
806中，用户可基于由用户呈现给候选人的一个或多个问题/场景从候选人接收一个或多个响应。
92.在框808中，可记录和转录(例如，转录成抄本)由用户呈现给候选人的一个或多个问题/场景以及从候选人接收的一个或多个响应。在框810中，可将呈现给候选人的一个或多个问题/场景以及从候选人接收的经转录的一个或多个响应(例如，问题/场景和响应的抄本)传输到用户设备102。用户设备102可将抄本传输到系统100。系统100可在数据库(例如，候选人数据库210)中存储抄本。在框812中，个性分析器202可选择抄本，分析从候选人接收的经转录的一个或多个响应，并且生成一个或多个特征分数。问题选择器204可选择抄本，分析从候选人接收的经转录的一个或多个响应，并且生成一个或多个q-a相关性分数。在其中面试会话模式为视频的一些实施方案中，系统100(例如，经由基于云的系统106)可分析通过web-rtc在视频中从候选人接收的一个或多个响应并且生成特征分数和/或q-a相关性分数。在框814中，个性分析器202可在候选人数据库210中存储特征分数，并且问题选择器204可在候选人数据库210中存储q-a相关性分数。在框816中，基于云的系统106可向用户设备102提供特征分数和/或q-a相关性分数。用户可经由应用程序110的gui与用户设备102交互以便查看特征分数和/或q-a相关性分数。
93.在框818中，用户可确定特征分数和/或q-a相关性分数是否准确。如果用户确定特征分数和/或q-a相关性分数不准确，则方法800可前进到框820，其中用户可经由应用程序110的gui与用户设备102交互以便修改/校正针对每个问题/场景和候选人响应的特征分数和/或q-a相关性分数。用户可经由应用程序110的gui与用户设备102交互以便通过特定个性特征标记来自候选人的一个或多个响应。在其他实施方案中，用户可经由应用程序110的gui与用户设备102交互，以便用不同的个性特征标签替换系统100不正确地应用于候选人响应的个性特征标签。在框822中，用户可经由应用程序110的gui与用户设备102交互，以便向系统100传输用户标记的一个或多个候选人响应和/或用户修改/校正的特征分数和/或q-a相关性分数。系统100可使用用户标记的一个或多个候选人响应和/或用户修改/校正的特征分数和/或q-a相关性分数来训练系统100的一个或多个机器学习模型。应当理解，框822中示出的解决方案可将监督学习过程并入到方法800中，这可改善方法800和系统100。
94.在一些实施方案中，方法800可返回到框812以根据候选人响应的分析以及特征分数和/或q-a相关性分数的生成来执行系统100的经训练的一个或多个机器学习模型。应当理解，系统100的经训练的一个或多个机器学习模型也可由方法400、500、600、700中的至少一者执行。
95.返回参考框818，在一些实施方案中，如果用户确定特征分数和/或q-a相关性分数是准确的，则方法800可结束或者方法800可返回到框802并继续执行。在一些实施方案中，可利用特征分数、q-a相关性分数、用户标记的一个或多个候选人响应、用户修改/校正的特征分数以及用户修改/校正的q-a相关性分数中的至少一者来生成训练课程。在一些实施方案中，训练课程可以是入职培训训练课程，其可用于训练新雇用的代理人。通过使用从方法400、500、600、700、800中的至少一者生成的此类数据，联系中心或联系中心系统可节省训练新雇用的代理人的人工时间和努力，并且可允许此类代理人更快速地准备好更有效地执行其工作职责。
96.尽管以相对串行的方式描述了框802-822，但是应当理解，在一些实施方案中，方
法800的各种框可以并行执行。

技术特征：
1.一种用于在候选人与自动化聊天资源之间进行自动化面试会话的方法，所述方法包括：分析候选人简历以识别第一个性特征；基于所述第一个性特征生成第一基于简历的问题；由所述自动化聊天资源基于所识别的第一个性特征在所述自动化面试会话期间向所述候选人呈现所述第一基于简历的问题；基于从所述候选人接收的第一响应生成第一特征分数，其中所述第一特征分数指示所识别的第一个性特征的相关性；基于所述第一基于简历的问题和所述第一响应生成第一问题-回答分数，其中所述第一问题-回答分数指示第一问题-回答相关性并且用于确定是否向所述候选人呈现第二基于简历的问题；分析通信抄本以识别第二个性特征；基于所述第二个性特征生成第一基于抄本的问题；由所述自动化聊天资源基于所识别的第二个性特征在所述自动化面试会话期间向所述候选人呈现所述第一基于抄本的问题；分析来自所述候选人的第二响应以确定所述候选人是否具有所识别的第二个性特征；响应于确定所述候选人是否具有所识别的第二个性特征而基于所述第二响应生成第二特征分数，其中所述第二特征分数指示所识别的第二个性特征的相关性；以及基于所述第一基于抄本的问题和所述第二响应生成第二问题-回答分数，其中所述第二问题-回答分数指示第二问题-回答相关性并且用于确定是否向所述候选人呈现第二基于抄本的问题。2.根据权利要求1所述的方法，所述方法还包括：响应于识别所述第一个性特征，基于所识别的第一个性特征更新第一候选人简档；分析第二候选人简历以识别至少一个个性特征；响应于识别所述至少一个个性特征，基于所识别的至少一个个性特征更新第二候选人简档；以及基于工作描述简档匹配来对所述第一候选人简档和所述第二候选人简档进行排名。3.根据权利要求2所述的方法，其中所述第一候选人简档被排名为高于所述第二候选人简档，并且其中选择与所述第一候选人简档相关联的所述候选人以用于所述自动化面试会话。4.根据权利要求1所述的方法，所述方法还包括：响应于分析所述第一响应或所述第二响应中的至少一者，识别所述候选人所具有的第三个性特征；以及基于所述第一响应或所述第二响应中的至少一者生成第三特征分数，其中所述第三特征分数指示所述第三个性特征的相关性。5.根据权利要求4所述的方法，所述方法还包括：基于所识别的第三个性特征生成第二基于抄本的问题；由所述自动化聊天资源基于所识别的第三个性特征在所述自动化面试会话期间向所述候选人呈现所述第二基于抄本的问题；
基于从所述候选人接收的第三响应生成第四特征分数，其中所述第四特征分数指示所识别的第三个性特征的相关性；以及基于所述第二基于抄本的问题和所述第三响应生成第三问题-回答分数，其中所述第三问题-回答分数指示第三问题-回答相关性并且用于确定是否向所述候选人呈现第四基于抄本的问题。6.根据权利要求1所述的方法，其中所述第一个性特征包括人员流失率、工作历史、教育历史、工作技能、爱好或证书中的至少一者。7.根据权利要求1所述的方法，其中所述第二个性特征包括语言流畅性、积极性、同理心、专注性、情绪稳定性或耐心中的至少一者。8.根据权利要求1所述的方法，还包括向用户设备提供所述第一特征分数、所述第二特征分数、所述第一问题-回答分数和所述第二问题-回答分数。9.根据权利要求1所述的方法，所述方法还包括：基于所述第一特征分数和所述第一问题-回答分数，选择所述候选人以用于与人的面试会话；由所述人向所述候选人呈现基于人的问题；以及从所述候选人接收基于人的响应。10.根据权利要求9所述的方法，所述方法还包括：记录所述基于人的问题和所述基于人的响应；转录所记录的基于人的问题和所记录的基于人的响应；向用户设备传输所转录的基于人的问题和所转录的基于人的响应；分析所转录的基于人的问题和所转录的基于人的响应以识别第三个性特征；以及基于所述第三个性特征生成第三特征分数。11.根据权利要求10所述的方法，所述方法还包括：响应于确定所述第三个性特征被不正确地识别，通过与所述第三个性特征不同的个性特征标记所述基于人的响应；响应于确定所述第三特征分数被不正确地生成而修改所述第三特征分数；以及使用所标记的基于人的响应和所修改的第三特征分数来训练机器学习模型。12.根据权利要求11所述的方法，还包括使用所述第一特征分数、所述第一问题-回答分数、所标记的基于人的响应或所修改的第三特征分数中的至少一者来生成训练课程。13.根据权利要求1所述的方法，其中使用机器学习模型来分析所述第一响应或所述第二响应中的至少一者。14.一种用于在候选人与自动化聊天资源之间进行自动化面试会话的系统，所述系统包括：至少一个处理器；和至少一个存储器，所述至少一个存储器包括存储在其上的多个指令，所述多个指令响应于由所述至少一个处理器执行，使所述系统：分析候选人简历以识别第一个性特征；基于所述第一个性特征生成第一基于简历的问题；由所述自动化聊天资源基于所识别的第一个性特征在所述自动化面试会话期间向所
述候选人呈现所述第一基于简历的问题；基于从所述候选人接收的第一响应生成第一特征分数，其中所述第一特征分数指示所识别的第一个性特征的相关性；基于所述第一基于简历的问题和所述第一响应生成第一问题-回答分数，其中所述第一问题-回答分数指示第一问题-回答相关性并且用于确定是否向所述候选人呈现第二基于简历的问题；分析通信抄本以识别第二个性特征；基于所述第二个性特征生成第一基于抄本的问题；由所述自动化聊天资源基于所识别的第二个性特征在所述自动化面试会话期间向所述候选人呈现所述第一基于抄本的问题；分析来自所述候选人的第二响应以确定所述候选人是否具有所识别的第二个性特征；响应于确定所述候选人是否具有所识别的第二个性特征而基于所述第二响应生成第二特征分数，其中所述第二特征分数指示所识别的第二个性特征的相关性；以及基于所述第一基于抄本的问题和所述第二响应生成第二问题-回答分数，其中所述第二问题-回答分数指示第二问题-回答相关性并且用于确定是否向所述候选人呈现第二基于抄本的问题。15.根据权利要求14所述的系统，其中所述多个指令还使所述系统：响应于识别所述第一个性特征，基于所识别的第一个性特征更新第一候选人简档；分析第二候选人简历以识别至少一个个性特征；响应于识别所述至少一个个性特征，基于所识别的至少一个个性特征更新第二候选人简档；以及基于工作描述简档匹配来对所述第一候选人简档和所述第二候选人简档进行排名。16.根据权利要求15所述的系统，其中所述第一候选人简档被排名为高于所述第二候选人简档，并且其中选择与所述第一候选人简档相关联的所述候选人以用于所述自动化面试会话。17.根据权利要求14所述的系统，其中所述第一个性特征包括人员流失率、工作历史、教育历史、工作技能、爱好或证书中的至少一者。18.根据权利要求14所述的系统，其中所述第二个性特征包括语言流畅性、积极性、同理心、专注性、情绪稳定性或耐心中的至少一者。19.根据权利要求14所述的系统，其中使用机器学习模型来分析所述第一响应或所述第二响应中的至少一者。20.一种或多种非暂时性机器可读存储介质，包括存储在其上的多个指令，所述多个指令响应于由至少一个处理器执行而使所述至少一个处理器：分析候选人简历以识别第一个性特征；基于所述第一个性特征生成第一基于简历的问题；由所述自动化聊天资源基于所识别的第一个性特征在所述自动化面试会话期间向所述候选人呈现所述第一基于简历的问题；基于从所述候选人接收的第一响应生成第一特征分数，其中所述第一特征分数指示所识别的第一个性特征的相关性；
基于所述第一基于简历的问题和所述第一响应生成第一问题-回答分数，其中所述第一问题-回答分数指示第一问题-回答相关性并且用于确定是否向所述候选人呈现第二基于简历的问题；分析通信抄本以识别第二个性特征；基于所述第二个性特征生成第一基于抄本的问题；由所述自动化聊天资源基于所识别的第二个性特征在所述自动化面试会话期间向所述候选人呈现所述第一基于抄本的问题；分析来自所述候选人的第二响应以确定所述候选人是否具有所识别的第二个性特征；响应于确定所述候选人是否具有所识别的第二个性特征而基于所述第二响应生成第二特征分数，其中所述第二特征分数指示所识别的第二个性特征的相关性；以及基于所述第一基于抄本的问题和所述第二响应生成第二问题-回答分数，其中所述第二问题-回答分数指示第二问题-回答相关性并且用于确定是否向所述候选人呈现第二基于抄本的问题。

技术总结
本发明公开了一种用于在候选人与自动化聊天资源之间进行自动化面试会话的方法，该方法包括：分析候选人简历以识别第一个性特征；基于该第一个性特征生成第一基于简历的问题；由该自动化聊天资源基于所识别的第一个性特征在该自动化面试会话期间向该候选人呈现该第一基于简历的问题；基于从该候选人接收的第一响应生成第一特征分数，其中该第一特征分数指示所识别的第一个性特征的相关性；基于该第一基于简历的问题和该第一响应生成第一问题-回答分数，其中该第一问题-回答分数指示第一问题-回答相关性并且用于确定是否向该候选人呈现第二基于简历的问题；分析通信抄本以识别第二个性特征；基于该第二个性特征生成第一基于抄本的问题；由该自动化聊天资源基于所识别的第二个性特征在该自动化面试会话期间向该候选人呈现该第一基于抄本的问题；分析来自该候选人的第二响应以确定该候选人是否具有所识别的第二个性特征；响应于确定该候选人是否具有所识别的第二个性特征而基于该第二响应生成第二特征分数，其中该第二特征分数指示所识别的第二个性特征的相关性；以及基于该第一基于抄本的问题和该第二响应生成第二问题-回答分数，其中该第二问题-回答分数指示第二问题-回答相关性并且用于确定是否向该候选人呈现第二基于抄本的问题。现第二基于抄本的问题。现第二基于抄本的问题。


技术研发人员：A
受保护的技术使用者：吉尼赛斯云服务第二控股有限公司
技术研发日：2021.02.19
技术公布日：2023/9/23