基于人工智能的招聘方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的招聘方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.现如今，大部分公司招聘需要人力资源在人才库中寻找应聘者信息，进行岗位匹配和筛选，再致电筛选出的应聘者，进行电话面试或者现场面试，通过面试评判获得最终满意的应聘者。这一招聘流程节点多且复杂，需要付出大量的人力和时间。目前利用人工智能进行招聘筛选的方法，大多筛选出匹配公司岗位的应聘者信息，这种方法筛选应聘者的角度较为单一，不够全面和人性化，筛选后的应聘者与岗位的匹配不够精确。


技术实现要素：

3.本发明提供一种基于人工智能的招聘方法、装置及计算机可读存储介质，其主要目的在于解决招聘岗位匹配的精确度低的问题。
4.为实现上述目的，本发明提供的一种基于人工智能的招聘方法，包括：
5.获得招聘信息，从预设的用户信息集群中筛选出符合所述招聘信息的目标用户信息；
6.从所述目标用户信息中提取电话号码，利用预设的ai机器人对所述电话号码进行致电，并获取致电过程中产生的用户语音数据；
7.识别所述用户语音数据的语音情绪，根据识别的结果计算所述用户语音数据对应的用户的意向度；
8.提取所述用户语音数据的语义信息，计算所述语义信息和预设的话术模板库中的标准话术的匹配度；
9.根据所述意向度和所述匹配度计算所述目标用户信息对应的用户的分值，并判断所述分值是否大于预设阈值；
10.若所述分值大于所述阈值，则确定所述用户为招聘候选人；
11.若所述分值小于或等于所述阈值，则淘汰所述用户。
12.可选地，所述从预设的用户信息集群中筛选出符合所述招聘信息的目标用户信息，包括：
13.提取所述招聘信息中的招聘特征，根据所述招聘特征构建决策树模型；
14.提取所述用户信息集群中所有用户信息的用户特征，判断所述用户特征是否符合所述决策树模型，得到输出结果；
15.根据所述输出结果计算所述用户信息与所述招聘信息之间的信息匹配度；
16.选取所述信息匹配度大于预设信息匹配度阈值的用户信息为目标用户信息。
17.可选地，所述判断所述用户特征是否符合所述决策树模型，得到输出结果，包括：
18.从所述用户特征中逐个选取其中一个特征为输入值；
19.从所述决策树模型中逐个选取一个决策树为目标决策树，将所述输入值输入至所述目标决策树，得到所述目标决策树输出的输出结果，其中，所述输出结果为所述输入值与所述目标决策树的参数相同，或者所述输入值与所述目标决策树的参数不同。
20.可选地，所述从所述目标用户信息中提取电话号码，包括：
21.利用预设的索引函数构建所述用户信息的标签索引；
22.根据所述标签索引在所述目标用户信息中进行检索，得到其中的电话号码。
23.可选地，所述识别所述用户语音数据的语音情绪，包括：
24.提取所述用户语音数据中的语音特征；
25.利用预先训练的激活函数计算所述语音特征与预设的多个情绪标签的相对概率值；
26.根据所述相对概率值计算每一个情绪标签的得分，并选择得分最高的情绪标签为所述语音数据的语音情绪。
27.可选地，其特征在于，所述提取所述用户语音数据中的语音特征，包括：
28.对所述用户语音数据进行分帧加窗，得到多个语音帧，并从所述多个语音帧中逐个选取其中一个语音帧为目标语音帧；
29.将所述目标语音帧映射为语音时域图，统计所述语音时域图的峰值、幅值、均值和过零率，根据所述幅值计算帧能量，并将所述峰值、所述幅值、所述均值、所述帧能量及所述过零率汇集为时域特征；
30.利用预设滤波器将所述用户语音数据转换为谱域图，统计所述谱域图的谱域密度、谱熵和共振峰参数，得到谱域特征；
31.通过傅里叶逆变换将所述谱域图转换为倒谱域图，统计所述倒谱域图的倒谱域密度、倒谱熵和倒谱周期，得到所述到谱域特征；
32.汇集所述时域特征、所述谱域特征和所述倒谱域特征汇集为语音特征。
33.可选地，所述提取所述用户语音数据的语义信息，包括：
34.将所述用户语音数据转化为用户语音文本；
35.对所述用户语音文本进行分词，得到文本分词；
36.将所述文本分词转化为词向量；
37.根据预设的分词权重所述词向量进行加权计算，得到文本向量，确定所述文本向量为语义信息。
38.为了解决上述问题，本发明还提供一种基于人工智能的招聘装置，所述装置包括：
39.目标用户信息筛选模块，用于获得招聘信息，从预设的用户信息集群中筛选出符合所述招聘信息的目标用户信息；
40.用户语音数据获取模块，用于从所述目标用户信息中提取电话号码，利用预设的ai机器人对所述电话号码进行致电，并获取致电过程中产生的用户语音数据；
41.意向度获取模块，用于识别所述用户语音数据的语音情绪，根据识别的结果计算所述用户语音数据对应的用户的意向度；
42.匹配度获取模块，用于提取所述用户语音数据的语义信息，计算所述语义信息和预设的话术模板库中的标准话术的匹配度；
43.招聘结果确认模块，用于根据所述意向度和所述匹配度计算所述目标用户信息对
应的用户的分值，并判断所述分值是否大于预设阈值；若所述分值大于所述阈值，则确定所述用户为招聘候选人；若所述分值小于或等于所述阈值，则淘汰所述用户。
44.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
45.至少一个处理器；以及，
46.与所述至少一个处理器通信连接的存储器；其中，
47.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于人工智能的招聘方法。
48.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人工智能的招聘方法。
49.本发明实施例通过利用招聘信息和人才信息进行初次匹配，得到第一轮筛选结果，提高了招聘流程的效率；再通过人工智能对与应聘者交流的语音数据进行情绪识别和问答匹配，进而人性化的筛选出符合企业招聘标准的应聘候选者，实现了基于人工智能的招聘多角度分析，提高了招聘岗位匹配的精确度。因此本发明提出的基于人工智能的招聘方法、装置、电子设备及计算机可读存储介质，可以解决招聘岗位匹配的精确度低的问题。
附图说明
50.图1为本发明一实施例提供的基于人工智能的招聘方法的流程示意图；
51.图2为本发明一实施例提供的筛选出目标用户信息的流程示意图；
52.图3为本发明一实施例提供的识别语音情绪的流程示意图；
53.图4为本发明一实施例提供的基于人工智能的招聘装置的功能模块图；
54.图5为本发明一实施例提供的实现所述基于人工智能的招聘方法的电子设备的结构示意图。
55.本发明目的的实现、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
56.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
57.本技术实施例提供一种基于人工智能的招聘方法。所述基于人工智能的招聘方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的招聘方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
58.参照图1所示，为本发明一实施例提供的基于人工智能的招聘方法的流程示意图。在本实施例中，所述基于人工智能的招聘方法包括：
59.s1、获得招聘信息，从预设的用户信息集群中筛选出符合所述招聘信息的目标用
户信息；
60.本发明实施例中，所述招聘信息为获取到的公司预先设置的招聘标准，例如，学历要求为本科及以上，专业为理工科，从业经历为一年及以上等；所述用户信息集群包括多个用户信息，所述用户信息为应聘者的招聘信息，其中包括姓名、性别、电话号码、邮箱、学历、专业、从业经验等。
61.本发明实施例中，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的用于存储招聘信息的存储区域中获取多个公司岗位的招聘信息，所述存储区域包括但不限于数据库、区块链节点、网络缓存等。
62.本发明实施例中，请参阅图2所示，所述从预设的用户信息集群中筛选出符合所述招聘信息的目标用户信息，包括：
63.s11、提取所述招聘信息中的招聘特征，根据所述招聘特征构建决策树模型；
64.s12、提取所述用户信息集群中所有用户信息的用户特征，判断所述用户特征是否符合所述决策树模型，得到输出结果；
65.s13、根据所述输出结果计算所述用户信息与所述招聘信息之间的信息匹配度；
66.s14、选取所述信息匹配度大于预设信息匹配度阈值的用户信息为目标用户信息。
67.本发明实施例可利用预先训练的自然语言模型对所述招聘信息和所述用户信息集群中所有用户信息进行处理，以提取所述招聘信息和所述用户信息的特征，所述自然语言模型包括但不限于nlp(natural language processing，自然语言处理)模型、hmm(hidden markov model，隐马尔可夫模型)、n
‑
gram模型。
68.详细地，可利用预设的词典对所述招聘信息和所述用户信息集群中所有用户信息进行分词处理，所述词典中包含多个分词，利用所述招聘信息和所述用户信息集群中所有用户信息的分词在所述词典中进行检索，若能检索到相同的分词，则确定检索到的分词为所述招聘信息和所述用户信息集群中所有用户信息的招聘分词和用户分词。
69.本发明实施例中，为了筛选符合招聘信息的用户信息，可利用提取的所述招聘特征构建多个决策树，并将构建出的决策树聚合为决策树模型。具体可利用随机森林算法、xgboost算法等具有决策树构建功能的算法构建所述决策树模型。
70.进一步地，所述判断所述用户特征是否符合所述决策树模型，得到输出结果，包括：
71.从所述用户特征中逐个选取其中一个特征为输入值；
72.从所述决策树模型中逐个选取一个决策树为目标决策树，将所述输入值输入至所述目标决策树，得到所述目标决策树输出的输出结果，其中，所述输出结果为所述输入值与所述目标决策树的参数相同，或者所述输入值与所述目标决策树的参数不同。
73.本发明实施例中，可通过统计每一个用户特征的所述输入值与所述目标决策树的参数相同的输出结果的数量，并利用预设的得分算法根据所述数量计算用户信息与招聘信息之间的信息匹配度。
74.具体地，为了具体地对用户信息与招聘信息之间的信息匹配度进行量化，可利用预设的得分算法根据所述数量计算用户信息与招聘信息之间的信息匹配度。
75.本发明实施例中，所述利用预设的得分算法根据所述数量计算用户信息与招聘信息之间的信息匹配度，包括：
76.利用如下得分算法根据所述数量计算所述用户信息与招聘信息之间的信息匹配度：
[0077][0078]
其中，g
n
为所有用户信息中第n个用户信息的信息匹配度，k为所述第n个招聘特征对应的决策树的数量，x
i
为所述第n个招聘特征对应的决策树中第i个输出结果为所述输入值与所述目标决策树的参数相同的输出结果的数量的决策树，α
i
为所述x
i
的预设权重参数。
[0079]
本发明实施例中，可选取所述信息匹配度大于预设意向阈值的用户信息为筛选得到的用户信息。
[0080]
本发明实施例中，可通过判断所述用户特征是否符合所述决策树模型，得到输出结果，并根据输出结果计算用户信息与招聘信息之间的信息匹配度，以判断出所述用户信息是否与招聘信息相符合，以减少后续筛选符合招聘信息的用户数量，提高对招聘信息进行用户搜集的效率。
[0081]
s2、从所述目标用户信息中提取电话号码，利用预设的ai机器人对所述电话号码进行致电，并获取致电过程中产生的用户语音数据；
[0082]
本发明实施例中，所述目标用户信息为经过招聘信息筛选得到的应聘者的招聘信息，其中包括姓名、性别、电话号码、邮箱、学历、专业、从业经验等。所述用户语音数据为ai机器人进行致电后，用户与ai机器人交谈后产生的语音内容。
[0083]
本发明实施例中，所述从所述目标用户信息中提取电话号码，包括：
[0084]
利用预设的索引函数构建所述用户信息的标签索引；
[0085]
根据所述标签索引在所述目标用户信息中进行检索，得到其中的电话号码。
[0086]
详细地，可利用sql中的create index函数作为索引函数，可以根据目标用户信息构建索引。
[0087]
本发明一可选实施例中，所述用户语音数据可以采用语音端点检测(voice activity detection，vad)技术对致电内容进行语音端点选取，获取用户的语音数据。在实际应用中，用户语音数据往往会包含无效的声音，例如噪声、他人说话声音等，vad技术可以从带有噪声的语音中准确的定位出语音的开始和结束点，即把静音和噪声作为干扰信号从原始数据中去除。
[0088]
s3、识别所述用户语音数据的语音情绪，根据识别的结果计算所述用户语音数据对应的用户意向度；
[0089]
本发明实施例中，所述语音清晰是指通过对用户语音数据进行情绪识别得到的识别结果；所述用户意向度是用户对企业招聘岗位和条件等的满意程度。
[0090]
本发明实施例中，请参阅图3所示，所述识别所述用户语音数据的语音情绪，包括：
[0091]
s31、提取所述用户语音数据中的语音特征；
[0092]
s32、利用预先训练的激活函数计算所述语音特征与预设的多个情绪标签的相对概率值；
[0093]
s33、根据所述相对概率值计算每一个情绪标签的得分，并选择得分最高的情绪标签为所述语音数据的语音情绪。
[0094]
本发明实施例中，为了根据所述用户语音数据对用户的情绪进行识别，需提取所述用户语音数据的时域特征、谱域特征和倒谱域特征。
[0095]
本发明实施例中，所述相对概率是指每一个特征是某一种情绪的概率值，当某一特征与某一情绪标签之间的相对概率越高，则该特征是用于表达该情绪标签的概率越高。所述激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数，所述预设的多个情绪标签包括但不限于开心、紧张、中性、随意。
[0096]
本发明其中一个实施例中，可利用如下激活函数计算相对概率值：
[0097][0098]
其中，p(a|x)为语音特征x和情绪标签a之间的相对概率，w
a
为情绪标签a的权重向量，t为求转置运算符号，exp为求期望运算符号，a为预设的多个情绪标签的数量。
[0099]
本发明实施例中，可采用差异性投票机制，利用所述语音特征多个情感标签之间的相对概率值，计算每一个情感标签的得分，并对每一个情感标签的得分进行统计，进而确定得分最高的情感标签为所述用户的情感状态。
[0100]
进一步地，所述提取所述用户语音数据中的语音特征，包括：
[0101]
对所述用户语音数据进行分帧加窗，得到多个语音帧，并从所述多个语音帧中逐个选取其中一个语音帧为目标语音帧；
[0102]
将所述目标语音帧映射为语音时域图，统计所述语音时域图的峰值、幅值、均值和过零率，根据所述幅值计算帧能量，并将所述峰值、所述幅值、所述均值、所述帧能量及所述过零率汇集为时域特征；
[0103]
利用预设滤波器将所述用户语音数据转换为谱域图，统计所述谱域图的谱域密度、谱熵和共振峰参数，得到谱域特征；
[0104]
通过傅里叶逆变换将所述谱域图转换为倒谱域图，统计所述倒谱域图的倒谱域密度、倒谱熵和倒谱周期，得到所述到谱域特征；
[0105]
汇集所述时域特征、所述谱域特征和所述倒谱域特征汇集为语音特征。
[0106]
本发明实施例中，可利用预设滤波器将所述用户语音数据转换为谱域图(即频谱图)，并通过数理统计，获取所述倒谱域图的倒谱域密度、倒谱熵和倒谱周期等谱域特征，所述预设滤波器包括但不限于pe滤波器、doumax滤波器。
[0107]
进一步地，由于获取的所述用户语音数据中可能耦合多种背景噪声音频，而在对该用户语音数据进行分析时，背景噪声音频会对分析结果产生干扰，造成分析结果的精确度，因此，为了提高最终情绪识别的精确度，本发明实施例通过傅里叶逆变换将所述谱域图转换为倒谱域图，将耦合进该用户语音数据中的多种音频信号进行分离，从而提高情绪识别的精确度。
[0108]
本发明实施例中，通过对用户语音数据进行情绪识别，可以获知所述用户语音数据对应的用户对所述招聘的岗位的心理意向，能够更加人性化的了解所述用户对所述招聘的岗位的心仪程度。
[0109]
s4、提取所述用户语音数据的语义信息，计算所述语义信息和预设的话术模板库中的标准话术的匹配度；
[0110]
本发明实施例中，所述语义信息为所述用户语音数据的语音文本的语义识别结果；所述匹配度是所述用户语音数据与预设的标准回答(最满意的答案)之间的匹配程度。
[0111]
本发明实施例中，所述提取所述用户语音数据的语义信息，包括：
[0112]
将所述用户语音数据转化为用户语音文本；
[0113]
对所述用户语音文本进行分词，得到文本分词；
[0114]
将所述文本分词转化为词向量；
[0115]
根据预设的分词权重所述词向量进行加权计算，得到文本向量，确定所述文本向量为语义信息。
[0116]
本发明实施例中，对于不同的分词，其重要性可能并不相同，因此可以通过权重设置，对不同的分词进行重要性划分。
[0117]
本发明一可选实施例中，逐一计算所述语义信息与预设的话术模板库中的标准话术的距离值，通过距离值反映匹配程度，距离值计算公式如下所示：
[0118][0119]
其中，d为所述距离值，r为语义信息，t为话术模板库中的标准话术，θ为预设系数。
[0120]
本发明实施例中，若距离值越大则匹配度越低，若距离值越小则匹配度越高。逐一分别对所有的语义信息与话术模板库中的标准话术进行距离值计算，选取每个语义距离值最小的标准话术作为匹配的标准话术，对所有语义计算得到的距离值按照预设的规则(例如取平均值等)进行计算得到匹配度。
[0121]
s5、根据所述意向度和所述匹配度计算所述目标用户信息对应的用户的分值，并判断所述分值是否大于预设阈值；
[0122]
本发明实施例中，所述用户的分值可由预设的权重算法或其他计算规则对意向度和匹配度计算得到，其表示所述意向度和所述匹配度对应的用户与所述招聘信息的契合程度。所述预设阈值为用户信息符合招聘信息要求的最低分值。
[0123]
例如，所述利用预设的权重算法，根据所述占比计算所述目标用户信息对应的用户的分值，包括：
[0124]
利用如下权重算法根据所述占比及所述意向度/匹配度计算所述目标用户信息对应的用户的分值：
[0125][0126]
其中，g为所述用户的分值，n为评价指标的数量(例如，意向度和匹配度，即n＝2)，q
i
为第i个指标数值(意向度或匹配度)，p
i
为第i个预设的权重系数。
[0127]
本发明实施例中，通过将计算得到的用户的分值与预设的阈值进行比较，可以对所述用户信息进行再一次筛选，使筛选更加全面，以保留综合评分较高的用户。
[0128]
若所述分值大于所述阈值，则执行s6、确定所述用户为招聘候选人；
[0129]
本发明实施例中，将所述分值与预设阈值进行比较，若所述分值大于预设阈值则说明所述分值对应的用户与所述招聘信息的要求契合，可以作为进行下一轮面试的候选人
或者作为面试成功的候选人。
[0130]
若所述分值小于或等于所述阈值，则执行s7、淘汰所述用户。
[0131]
本发明实施例中，将所述分值与预设阈值进行比较，若所述分值小于或等于预设阈值则说明所述分值对应的用户与所述招聘信息的要求不够契合，则所述用户将被淘汰掉。
[0132]
本发明实施例通过利用招聘信息和人才信息进行初次匹配，得到第一轮筛选结果，提高了招聘流程的效率；再通过人工智能对与应聘者交流的语音数据进行情绪识别和问答匹配，进而人性化的筛选出符合企业招聘标准的应聘候选者，实现了基于人工智能的招聘多角度分析，提高了招聘岗位匹配的精确度。因此本发明提出的基于人工智能的招聘方法，可以解决招聘岗位匹配的精确度低的问题。
[0133]
如图4所示，是本发明一实施例提供的基于人工智能的招聘装置的功能模块图。
[0134]
本发明所述基于人工智能的招聘装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的招聘装置100可以包括目标用户信息筛选模块101、用户语音数据获取模块102、意向度获取模块103、匹配度获取模块104及招聘结果确认模块105本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0135]
在本实施例中，关于各模块/单元的功能如下：
[0136]
所述目标用户信息筛选模块101，用于获得招聘信息，从预设的用户信息集群中筛选出符合所述招聘信息的目标用户信息；
[0137]
所述用户语音数据获取模块102，用于从所述目标用户信息中提取电话号码，利用预设的ai机器人对所述电话号码进行致电，并获取致电过程中产生的用户语音数据；
[0138]
所述意向度获取模块103，用于识别所述用户语音数据的语音情绪，根据识别的结果计算所述用户语音数据对应的用户的意向度；
[0139]
所述匹配度获取模块104，用于提取所述用户语音数据的语义信息，计算所述语义信息和预设的话术模板库中的标准话术的匹配度；
[0140]
所述招聘结果确认模块105，用于根据所述意向度和所述匹配度计算所述目标用户信息对应的用户的分值，并判断所述分值是否大于预设阈值；若所述分值大于所述阈值，则确定所述用户为招聘候选人；若所述分值小于或等于所述阈值，则淘汰所述用户。
[0141]
详细地，本发明实施例中所述基于人工智能的招聘装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于人工智能的招聘方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0142]
如图5所示，是本发明一实施例提供的实现基于人工智能的招聘方法的电子设备的结构示意图。
[0143]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人工智能的招聘程序。
[0144]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形
处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于人工智能的招聘程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0145]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于人工智能的招聘程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0146]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0147]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi
‑
fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0148]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0149]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi
‑
fi模块等，在此不再赘述。
[0150]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0151]
所述电子设备1中的所述存储器11存储的基于人工智能的招聘程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0152]
获得招聘信息，从预设的用户信息集群中筛选出符合所述招聘信息的目标用户信息；
[0153]
从所述目标用户信息中提取电话号码，利用预设的ai机器人对所述电话号码进行致电，并获取致电过程中产生的用户语音数据；
[0154]
识别所述用户语音数据的语音情绪，根据识别的结果计算所述用户语音数据对应的用户的意向度；
[0155]
提取所述用户语音数据的语义信息，计算所述语义信息和预设的话术模板库中的标准话术的匹配度；
[0156]
根据所述意向度和所述匹配度计算所述目标用户信息对应的用户的分值，并判断所述分值是否大于预设阈值；
[0157]
若所述分值大于所述阈值，则确定所述用户为招聘候选人；
[0158]
若所述分值小于或等于所述阈值，则淘汰所述用户。
[0159]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0160]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)。
[0161]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0162]
获得招聘信息，从预设的用户信息集群中筛选出符合所述招聘信息的目标用户信息；
[0163]
从所述目标用户信息中提取电话号码，利用预设的ai机器人对所述电话号码进行致电，并获取致电过程中产生的用户语音数据；
[0164]
识别所述用户语音数据的语音情绪，根据识别的结果计算所述用户语音数据对应的用户的意向度；
[0165]
提取所述用户语音数据的语义信息，计算所述语义信息和预设的话术模板库中的标准话术的匹配度；
[0166]
根据所述意向度和所述匹配度计算所述目标用户信息对应的用户的分值，并判断所述分值是否大于预设阈值；
[0167]
若所述分值大于所述阈值，则确定所述用户为招聘候选人；
[0168]
若所述分值小于或等于所述阈值，则淘汰所述用户。
[0169]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0170]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0171]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以
是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0172]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0173]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0174]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0175]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0176]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0177]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。