智能招聘流程优化与人才挖掘方法和系统

本发明涉及人力资源，具体涉及智能招聘流程优化与人才挖掘方法、系统、计算机介质和计算机。

背景技术：

1、随着全球经济的快速发展和人力资源市场的日益国际化，人力资源招聘市场需求及人才流动的速度正以前所未有的速率增长。越来越多的求职者倾向于通过在线平台投递简历，寻找适合的职位机会。这一趋势使得招聘人员可以通过互联网获取到数量庞大的应聘人员简历，拓宽了人才搜索的范围，同时也大大增加了招聘人员面试过程的工作量。随着职位需求的不断细分和专业化，招聘者在专业素养上也面临着更高的要求。

2、目前，现有的面试模式，通常是面试官对求职者进行面对面的面试，这种面试模式中，面试结果通常由面试官给出，面试官对求职者的评价往往不够客观，而企业领导只能根据面试官给出的面试结果了解求职者的面试情况，不利于企业甄选优秀人才，且面试效率有待提高。

3、因此，目前亟需一种能够客观的给出求职者的面试评价，优化人才挖掘过程的招聘流程优化与人才挖掘方法。

技术实现思路

1、发明目的：为了克服以上不足，本发明的目的是提供一种智能招聘流程优化与人才挖掘方法，利用神经网络模型与情感分析技术相结合，优化人才挖掘过程。

2、为解决上述技术问题，本发明提供了智能招聘流程优化与人才挖掘方法，包括：

3、步骤s1：根据采集的人力资源数据，生成数据集，进而对所述数据集进行数据预处理；

4、步骤s2：采用深度学习的方法不断对数据集进行训练，获得修正后的面试分析模型，包括：提取数据集中与面试相关的特征，生成面试数据，将所述面试数据输入到神经网络模型进行训练，获得修正后的面试分析模型；

5、步骤s3：部署面试分析模型，进而持续采集实时招聘面试数据；

6、步骤s4：将实时招聘面试数据输入面试分析模型，生成面试分析结果；

7、步骤s5：根据面试分析结果，将求职人员的情绪进行分类并给出匹配的情绪评分，进而根据情绪评分与面试评价指标结合，生成招聘评估信息。

8、作为本发明的一种优选方式，在步骤s1中，所述方法还包括以下步骤：

9、步骤s10：采集人力资源数据；

10、步骤s11：根据采集的人力资源数据，进行缺失值、异常值和/或重复值处理；

11、步骤s12：根据采集的人力资源数据，进行数据标准化和/或归一化，生成数据集。

12、作为本发明的一种优选方式，在步骤s2中，所述方法还包括以下步骤：

13、步骤s20：提取数据集中包含的人员面部数据及面试过程数据，并将人员面部数据与面试过程数据匹配；

14、步骤s21：提取匹配后的面试过程数据包含的教育、工作经历、技能、特长、地理位置、薪资需求和面试情绪信息，进而与公司招聘需求结合，生成面试数据。

15、作为本发明的一种优选方式，在步骤s2中，所述方法还包括以下步骤：

16、步骤s22：初始化神经网络模型的权重和偏置；

17、步骤s23：将面试数据输入神经网络模型，通过输入层到隐藏层：

18、

19、

20、再到输出层，计算模型的输出：

21、

22、

23、其中，为隐藏层的输入，为输入的面试数据，为隐藏层权重，为隐藏层偏置，为隐藏层的激活函数，为隐藏层的输出，为输出层权重，为输出层偏置，为输出层的激活函数；

24、步骤s24：使用交叉熵损失函数，计算神经网络模型输出与真实标签之间的差异：

25、

26、其中，为类别数，为真实标签，为真实标签的第个元素，为模型输出的第个元素；

27、步骤s25：使用反向传播算法计算交叉熵损失函数对模型参数的梯度：

28、计算输出层梯度：

29、

30、计算隐藏层梯度：

31、

32、

33、

34、计算输入层梯度：

35、

36、

37、步骤s26：根据梯度下降优化方法更新模型参数：

38、

39、其中，为更新后的模型参数，为更新前的模型参数，为学习率，为模型参数的梯度；

40、步骤s27：重复步骤s23-s26，直至达到预设停止条件。

41、作为本发明的一种优选方式，在步骤s2中，所述方法还包括以下步骤：

42、步骤s200：将数据集划分为个子集；

43、步骤s201：将其中一个子集作为验证集，其余子集作为训练集；

44、步骤s202：使用训练集训练神经网络模型，在验证集上评估模型性能，得到评估指标；

45、步骤s203：重复步骤s201-步骤s202，直到所有子集都作为验证集被使用过，进而计算所有验证结果的平均值作为模型的性能评估结果：

46、

47、其中，为交叉验证次数，为评估指标；

48、步骤s204：根据所述性能评估结果选择最佳的特征选择策略、超参数配置和模型结构；

49、步骤s205：更新神经网络模型参数，重新训练模型，进而在更新后的神经网络模型上进行交叉验证，得到新的评估结果；

50、步骤s206：重复步骤s204-步骤s205，直至达到预设需求。

51、作为本发明的一种优选方式，在步骤s3中，所述方法包括以下步骤：

52、步骤s30：根据求职人员实时的面试影像数据，提取面试影像数据包含的语音情绪特征和面部情绪特征；

53、步骤s31：根据求职人员实时的面试影像数据，提取包含的教育、工作经历、技能、特长、地理位置和薪资需求信息；

54、步骤s32：将提取的语音情绪特征、面部情绪特征与教育、工作经历、技能、特长、地理位置和薪资需求信息匹配，生成实时招聘面试数据。

55、作为本发明的一种优选方式，在步骤s30中，所述方法包括以下步骤：

56、步骤s300：根据求职人员实时的面试影像数据，进行语音数据处理；

57、步骤s301：根据经过语音数据处理的面试影像数据，提取语音基本特征、语音质量特征和语音内容特征；

58、步骤s302：使用支持向量机的方法对提取的语音基本特征、语音质量特征和语音内容特征进行情绪分类：

59、

60、其中，为超平面的法向量，为偏置项；为正则化参数，控制间隔和错误分类点之间的权衡；为特征向量，为特征匹配的情绪类别标签。

61、作为本发明的一种优选方式，在步骤s30中，所述方法还包括以下步骤：

62、步骤s303：根据求职人员实时的面试影像数据，进行面部数据处理；

63、步骤s301：根据经过面部数据处理的面试影像数据，提取面部关键点位置、面部表情强度、面部区域运动轨迹特征；

64、步骤s302：使用深度学习模型对提取的面部关键点位置、面部表情强度、面部区域运动轨迹特征进行训练，以分析不同面部表情之间的关系：

65、

66、其中，为损失函数，为特征数量，为表情类别数量，为样本属于类别的标签，为模型预测的样本属于类别的概率。

67、作为本发明的一种优选方式，在步骤s3中，所述方法还包括以下步骤：

68、步骤s33：利用自然语言处理技术构建聊天机器人；

69、步骤s34：利用聊天机器人与应聘人员进行交互式沟通，向应聘人员提供预设面试问题；

70、步骤s35：根据应聘人员的回答收集信息，并根据预设的条件进行初步筛选；

71、步骤s36：将通过初步筛选的应聘人员纳入求职人员，同时向通过初步筛选的应聘人员反馈后续面试通知，进而持续采集与求职人员匹配的实时招聘面试数据。

72、本发明还提供一种智能招聘流程优化与人才挖掘系统，包括：

73、数据处理模块，用于根据采集的人力资源数据，生成数据集，进而对所述数据集进行数据预处理；

74、模型训练模块，用于采用深度学习的方法不断对数据集进行训练，获得修正后的面试分析模型，包括：提取数据集中与面试相关的特征，生成面试数据，将所述面试数据输入到神经网络模型进行训练，获得修正后的面试分析模型；

75、模型部署模块，用于部署面试分析模型，进而持续采集实时招聘面试数据，且将实时招聘面试数据输入面试分析模型，生成面试情感分析结果；

76、招聘生成模块，用于根据面试情感分析结果，将求职人员的情绪进行分类并给出匹配的情绪评分，进而根据情绪评分与面试评价指标结合，生成招聘评估信息。

77、本发明的上述技术方案相比现有技术具有以下优点：

78、1、通过深度学习模型分析求职人员的履历、技能、经验、面试情绪信息，以及与已有成功员工的相似度，可以更好地理解求职人员的技能、情绪和特点，从而更准确地匹配人才需求，优化人才挖掘过程。

79、2、将情感分析技术整合至面试评估，能够评估求职人员的情绪、态度和情感稳定性，有助于更好地发现求职人员的适应能力和团队合作精神，从而提升招聘质量，减少人力资源投入和招聘风险。

80、3、通过自然语言处理技术构建的聊天机器人进行交互式沟通，可以及时收集应聘人员的反馈信息，进行初步筛选并调整招聘策略，提高招聘效率，从而更好地满足招聘需求。