基于语义分析的评分方法、装置、终端设备及存储介质制造方法及图纸

本申请适用于计算机技术领域，提供了一种基于语义分析的评分方法、装置、终端设备及存储介质，所述方法包括：获取目标用户的语音信息，并将所述语音信息转化为文本信息；将所述文本信息输入至训练后的第一神经网络模型，对所述文本信息进行语义分析，得到所述第一神经网络模型的输出文本分类结果；其中，所述文本分类结果包括所述文本信息对应的评分标签，根据所述评分标签，计算所述目标用户的面试评分结果。通过本申请解决了解决语言模型精度推理速度慢增加面试成本以及面试维度判定准确性低、面试效率低的问题。

【技术实现步骤摘要】
基于语义分析的评分方法、装置、终端设备及存储介质
本申请属于计算机
，尤其涉及基于语义分析的评分方法、装置、终端设备及存储介质。
技术介绍
随着企业规模的扩大，招聘员工的数量也随之增加；针对招聘量大的情形，通过智能面试可以进行能力评分。在智能面试能力评分场景中，根据用户的回答对其各维度能力点进行评分。然而，目前语言模型的参数量很大，终端处理器内存难以支持，使得语言模型的训练和推理速度都很慢，而且语言模型的精度难以评判，不仅增大了面试成本，还降低各维度能力判定的准确性，从而直接影响智能面试效率。
技术实现思路
本申请实施例提供了一种基于语义分析的评分方法、装置、终端设备及存储介质，可以解决语言模型精度推理速度慢增加面试成本以及面试维度判定准确性低、面试效率低的问题。第一方面，本申请实施例提供了一种应用程序资源更新方法，包括：获取目标用户的语音信息，并将所述语音信息转化为文本信息；将所述文本信息输入至训练后的第一神经网络模型，对所述文本信息进行语义分析，得到所述第一神经网络模型的输出文本分类本文档来自技高网...

【技术保护点】
1.一种基于语义分析的评分方法，其特征在于，包括：/n获取目标用户的语音信息，并将所述语音信息转化为文本信息；/n将所述文本信息输入至训练后的第一神经网络模型，对所述文本信息进行语义分析，得到所述第一神经网络模型的输出文本分类结果；其中，所述文本分类结果包括所述文本信息对应的评分标签，所述第一神经网络模型为基于训练样本集合及第二神经网络模型训练得到的，所述第二神经网络模型为基于所述训练样本集合及第一神经网络模型的输出结果训练得到的，所述第一神经网络模型的输出结果为将所述训练样本集合作为输入得到的，所述训练样本集合包括多个面试语料文本；/n根据所述评分标签，计算所述目标用户的面试评分结果。/n

【技术特征摘要】
1.一种基于语义分析的评分方法，其特征在于，包括：
获取目标用户的语音信息，并将所述语音信息转化为文本信息；
将所述文本信息输入至训练后的第一神经网络模型，对所述文本信息进行语义分析，得到所述第一神经网络模型的输出文本分类结果；其中，所述文本分类结果包括所述文本信息对应的评分标签，所述第一神经网络模型为基于训练样本集合及第二神经网络模型训练得到的，所述第二神经网络模型为基于所述训练样本集合及第一神经网络模型的输出结果训练得到的，所述第一神经网络模型的输出结果为将所述训练样本集合作为输入得到的，所述训练样本集合包括多个面试语料文本；
根据所述评分标签，计算所述目标用户的面试评分结果。


2.如权利要求1所述的方法，其特征在于，所述获取目标用户的语音信息，并将所述语音信息转化为文本信息，包括：
通过语音识别算法对所述语音信息进行识别，提取所述语音信息中的声学特征；
根据所述声学特征，将语音信息转化为文本信息。


3.如权利要求1所述的方法，其特征在于，在所述将所述文本信息输入至训练后的第一神经网络模型之前，包括：
按预设分词数量，将所述文本信息进行划分，得到符合所述预设分词数量的至少一个短句文本；
或者，在将所述语音信息转化为所述文本信息过程中，设置最长短句数量，将所述语音信息划分为小于或等于所述最长短句数量的至少一个语音短句，并将所述至少一个语音短句转化为所述文本信息。


4.如权利要求1所述的方法，其特征在于，在所述将所述文本信息输入至训练后的第一神经网络模型之前，包括：
获取训练样本集合，所述训练样本集合包括多个面试语料文本；
将所述训练样本集合中的语句文本划分为预设分词数量的短句集合，并对所述短句集合中的分词进行编码，得到分词矩阵；
将所述分词矩阵进行卷积计算，得到目标矩阵，将所述目标矩阵与参数矩阵的点积作为第一神经网络的输出矩阵；
获取所述输出矩阵中被掩盖的分词对应的预测向量，计算所述预测向量与被掩盖的词实际对应的真实向量的交叉熵损失，作为第一损失。


5.如权利要求...

【专利技术属性】
技术研发人员：邓悦，郑立颖，徐亮，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44