1（华南理工大学计算机科学与工程学院 广州 510006）；2（大数据与智能机器人教育部重点实验室(华南理工大学) 广州 510006）；3（中国科学院计算技术研究所 北京 100190) (cscjchen@mail.scut.edu.cn)
出版日期: 2021-09-01基金资助:国家自然科学基金项目(61876065)；广东省自然科学基金项目(2018A0303130022)；广州市科技计划项目(201904010200)；中央高校基本科研业务费专项资金项目(D2182480, D2200150)Fine-Grained Interview Evaluation Method Based on Keyword Attention
Chen Chujie1, Lü Jianming1,2, Shen Huawei31（School of Computer Science and Engineering, South China University of Technology, Guangzhou 510006);2(Key Laboratory of Big Data and Intelligent Robot (South China University of Technology), Ministry of Education, Guangzhou 510006);3(Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190)
Online: 2021-09-01Supported by:This work was supported by the National Natural Science Foundation of China (61876065), the Natural Science Foundation of Guangdong Province (2018A0303130022), the Science and Technology Program of Guangzhou (201904010200), and the Fundamental Research Funds for the Central Universities (D2182480, D2200150).摘要/Abstract
摘要： 海量的在线面试视频数据为智能面试评价提供了重要的数据基础.随着目前全球疫情的蔓延，网络在线面试的需求程度上升，对智能面试评价工具的需求也随之上升.结构化面试中，面试官需要依据评价标准，观察面试者所做的回答，并形成面试者人格特性、沟通技能以及领导力等方面的画像评估，以此判断面试者的特质是否与应聘职位相匹配.其中人格特性评估是公司间广泛使用的一种评估方法，因为人格特性影响着人们的语言表达、人际交往等多个方面，是辅助面试官决策该面试者是否符合其应聘岗位需求的重要参考.基于此，提出了基于循环神经网络长短期记忆(long short term memory, LSTM)以及关键词-问题注意力机制的多层次(hierarchical keyword-question attention LSTM, HKQA-LSTM)细粒度面试评价方法，旨在针对面试者的不同人格特性维度进行打分，并据此得到综合面试得分.首先，通过引入关键词注意力机制有效筛选出面试对话中与人格特性密切相关的重要词句；然后，在此基础上采用了关键词-问题层次注意力机制和2阶段的模型学习机制，充分结合面试者表述文本的多尺度上下文特征，对人格特性进行准确预测；最后通过融合人格特性得到具有较高解释性的面试综合评价结果.基于真实面试场景数据的实验结果表明，该方法能有效地评价面试者的不同人格特性得分，并准确地预测面试者总体得分.
参考文献
相关文章 15
| [1] | 郑海斌, 陈晋音, 章燕, 张旭鸿, 葛春鹏, 刘哲, 欧阳亦可, 纪守领. 面向自然语言处理的对抗攻防与鲁棒性分析综述[J]. 计算机研究与发展, 2021, 58(8): 1727-1750. |
| [2] | 潘旭东, 张谧, 颜一帆, 陆逸凡, 杨珉. 通用深度学习语言模型的隐私风险评估[J]. 计算机研究与发展, 2021, 58(5): 1092-1105. |
| [3] | 汪烨, 陈骏武, 夏鑫, 姜波. 智能需求获取与建模研究综述[J]. 计算机研究与发展, 2021, 58(4): 683-705. |
| [4] | 吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527. |
| [5] | 曾碧卿, 曾锋, 韩旭丽, 商齐. 基于交互特征表示的评价对象抽取模型[J]. 计算机研究与发展, 2021, 58(1): 224-232. |
| [6] | 李冬梅, 张扬, 李东远, 林丹琼. 实体关系抽取方法研究综述[J]. 计算机研究与发展, 2020, 57(7): 1424-1448. |
| [7] | 刘金硕, 冯阔, Jeff Z. Pan, 邓娟, 王丽娜. MSRD: 多模态网络谣言检测方法[J]. 计算机研究与发展, 2020, 57(11): 2328-2336. |
| [8] | 苏锦钿,欧阳志凡,余珊珊. 基于依存树及距离注意力的句子属性情感分类[J]. 计算机研究与发展, 2019, 56(8): 1731-1745. |
| [9] | 孙小婉,王英,王鑫,孙玉东. 面向双注意力网络的特定方面情感分析模型[J]. 计算机研究与发展, 2019, 56(11): 2384-2395. |
| [10] | 陈珂,梁斌,柯文德,许波,曾国超. 基于多通道卷积神经网络的中文微博情感分析[J]. 计算机研究与发展, 2018, 55(5): 945-957. |
| [11] | 侯梦薇，卫荣，陆亮，兰欣，蔡宏伟. 知识图谱研究综述及其在医疗领域的应用[J]. 计算机研究与发展, 2018, 55(12): 2587-2599. |
| [12] | 梁斌,刘全,徐进,周倩,章鹏. 基于多注意力卷积神经网络的特定目标情感分析[J]. 计算机研究与发展, 2017, 54(8): 1724-1735. |
| [13] | 刘峤,李杨,段宏,刘瑶,秦志光. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3): 582-600. |
| [14] | 王金水,翁伟,彭鑫. 一种基于句法分析的跟踪关系恢复方法[J]. 计算机研究与发展, 2015, 52(3): 729-737. |
| [15] | 许 焱, 金 芝, 李 戈, 魏 强,. 基于多Web信息源的主题概念网络获取[J]. 计算机研究与发展, 2013, 50(9): 1843-1854. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4498
