[發(fā)明專利]面試回答文本的分類方法及裝置、電子設備、存儲介質

在審

• 申請?zhí)枺?/td>: 201910882034.0
• 申請日: 2019-09-18
• 公開（公告）號: CN110717023A
• 公開（公告）日: 2020-01-21
• 發(fā)明（設計）人: 鄭立穎;徐亮;金戈
• 申請（專利權）人: 平安科技(深圳)有限公司
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/35;G06Q10/10
• 代理公司: 44232 深圳市隆天聯(lián)鼎知識產權代理有限公司
• 代理人: 朱黎

1.一種面試回答文本的分類方法，其特征在于，所述方法包括：

獲取面試者的面試回答文本，所述面試回答文本是根據(jù)所述面試者在面試中對面試提問的回復獲得的；

通過所構建分類模型的特征提取層構建所述面試回答文本的語義向量，所述分類模型是通過若干樣本回答文本和為每一樣本回答文本所標注的標簽數(shù)據(jù)進行訓練獲得的，所述標簽數(shù)據(jù)指示了根據(jù)所述樣本回答文本為所述面試者所標注在設定能力項上的評分等級；

通過所述分類模型的每一全連接層分別根據(jù)所述語義向量進行全連接，對應獲得特征向量，在所述全連接層上所獲得的所述特征向量用于表征所述樣本回答文本在所述全連接層所對應設定能力項上的特征，所述分類模型包括至少兩個全連接層，每一全連接層對應一設定能力項；

對在每一全連接層所獲得的特征向量進行分類預測，分別獲得所述面試者在各設定能力項上的評分等級。

2.根據(jù)權利要求1所述的方法，其特征在于，所述獲取為面試者所采集的面試數(shù)據(jù)，包括：

采集面試者在面試過程中針對所述面試提問的回復語音；

對所述回復語音進行語音識別，獲得所述回復語音所對應的面試回答文本。

3.根據(jù)權利要求1所述的方法，其特征在于，所述通過所構建分類模型的特征提取層構建所述面試回答文本的語義向量，包括：

通過所述分類模型的特征提取層對所述面試回答文本進行分詞，獲得由若干詞所構成的詞序列；

通過所述特征提取層根據(jù)所述詞詞序列中各詞所對應的編碼以及各詞所對應的語義權重構建得到所述面試回答文本的語義向量。

4.根據(jù)權利要求3所述的方法，其特征在于，所述分類模型是通過text-CNN神經網絡所構建的，所述通過所述分類模型的特征提取層對所述面試回答文本進行分詞，獲得由若干詞所構成的詞序列之前，所述方法還包括：

獲取為進行分詞而確定的文本截斷長度；

根據(jù)所獲取的所述文本截斷長度對所述面試回答文本進行截斷，將通過截斷所保留的文本作為進行分詞的對象。

5.根據(jù)權利要求4所述的方法，其特征在于，所述獲取為進行分詞而確定的文本截斷長度之前，所述方法還包括：

根據(jù)各所述樣本回答文本的文本長度確定所述文本截斷長度。

6.根據(jù)權利要求5所述的方法，其特征在于，所述根據(jù)各所述樣本回答文本的文本長度確定所述文本截斷長度，包括：

獲取對各所述樣本回答文本進行分詞而獲得各樣本回答文本的文本長度，對樣本回答文本進行分詞所獲得詞的數(shù)量作為所述樣本回答文本的文本長度；

根據(jù)每一樣本回答文本的文本長度，計算得到文本長度均值和文本長度標準差；

根據(jù)所述文本長度均值和所述文本長度標準差確定所述文本截斷長度。

7.根據(jù)權利要求1所述的方法，其特征在于，所述通過所構建分類模型的特征提取層構建所述面試回答文本的語義向量之前，所述方法還包括：

按照所設定的若干能力項預構建神經網絡模型，所述神經網絡模型包括為每一設定能力項對應構建的一全連接層；

通過所述若干樣本回答文本和每一樣本回答文本所對應的所述標簽數(shù)據(jù)對所述神經網絡模型進行訓練，直至所述神經網絡模型的損失函數(shù)收斂，所述收斂函數(shù)為各設定能力項上交叉熵的加權和；

將所述損失函數(shù)收斂時的所述神經網絡模型作為所述分類模型。