一种基于大语言模型的面试技能训练方法技术

本申请公开了一种基于大语言模型的面试技能训练方法

【技术实现步骤摘要】
一种基于大语言模型的面试技能训练方法、设备及介质


[0001]本申请涉及人工智能大语言模型领域，具体涉及一种基于大语言模型的面试技能训练方法
、
设备及介质
。

技术介绍

[0002]在人力资源人才发展领域中，人力资源的从业人员
(
比如，面试专员
)
，以及对人力资源领域感兴趣，想要学习的人员，均需要进行面试技能训练
。
通常来说，面试技能需要在实战场景下进行多次反复训练才能熟练运用，但是实战场景并不常见，而且难以在相同的实战场景中反复练习，这就使得能得到的训练机会较少
。
[0003]在传统的人力资源人才发展领域中，可以通过以下方式来辅助从业人员完成面试
。
一种是基于自然语言处理技术对面试者的简历进行分析，查看简历信息与岗位要求是否匹配；另一种是是基于自然语言处理技术对面试者的回答内容进行分析，抽取出候选人回答内容的文本信息，并通过对文本信息进行语义实体分析
、
逻辑推理分析等，判断候选人的回答内容是否符合岗位要求
。
然而上述方式都是应用在面试实战场景中，对面试过程和结果起到辅助效果，无法实现对从业人员的训练效果
。

技术实现思路

[0004]为了解决上述问题，本申请提出了基于大语言模型的面试技能训练方法，包括：
[0005]针对预设的多个面试类型中的每个面试类型，确定该面试类型对应的知识图谱；
[0006]根据所述知识图谱中包含的节点，将所述面试类型下设置的若干个面试问题，输入至预先训练的大语言模型中，获取所述大语言模型输出的多个回答内容；
[0007]针对每个面试类型，基于所述面试问题的预设标准答案或面试官表现，得到该面试类型对应的分析标准；
[0008]基于所述面试类型的所述分析标准，对所述面试类型下的所述回答内容进行人类反馈标注，以形成对所述面试问题对应的价值标注数据，构建面向面试技能训练的内容数据集；
[0009]基于所述内容数据集，训练生成强化学习生成模型，并根据所述强化学习生成模型输出所述回答内容对应的优化内容，以根据所述优化内容进行面试技能训练
。
[0010]另一方面，本申请还提出了一种基于大语言模型的面试技能训练设备，包括：
[0011]至少一个处理器；以及，
[0012]与所述至少一个处理器通信连接的存储器；其中，
[0013]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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如：上述示例所述的基于大语言模型的面试技能训练方法
。
[0014]另一方面，本申请还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：上述示例所述的基于大语言模型的面试技能训练方
法
。
[0015]通过本申请提出基于大语言模型的面试技能训练方法能够带来如下有益效果：
[0016]对多个面试类型下的面试问题进行整合，利用大语言模型输出回答内容，能够在面向垂直行业中面试技能培训这一特定场景下，进行训练强化学习生成模型所需数据的快速全面采集
。
[0017]通过人类自身的偏好
、
期望和主观感受等人类反馈标注，使得采集到的训练数据在准确度
、
叙事细节以及上下文连贯性方面有更好的表现，更符合人类用户的预期和偏好，也使得该训练数据更贴合面试技能这一需要人类之间大量交流的场景，增加了最终训练得到的强化学习生成模型的可靠性
。
[0018]面试官通过该强化学习生成模型，无需经历面试实战场景，即可模拟进行多个面试类型下的面试过程，在相对真实的场景下进行面试技能的训练
。
附图说明
[0019]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定
。
在附图中：
[0020]图1为本申请实施例中基于大语言模型的面试技能训练方法的流程示意图；
[0021]图2为本申请实施例中基于大语言模型的面试技能训练方法具体实施步骤示意图；
[0022]图3为本申请实施例中基于大语言模型的面试技能训练设备的示意图
。
具体实施方式
[0023]为使本申请的目的
、
技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚
、
完整地描述
。
显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例
。
基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0024]以下结合附图，详细说明本申请各实施例提供的技术方案
。
[0025]如图1所示，本申请实施例提供一种基于大语言模型的面试技能训练方法，包括：
[0026]S101
：针对预设的多个面试类型中的每个面试类型，确定该面试类型对应的知识图谱
。
[0027]在面试官对被试人员的面试过程中，可以基于实际情况以及自身需求，采用相应的面试类型完成本次面试过程
。
不同的面试类型中，所使用的面试问题
、
面试场地
、
面试官数量等可能会不同，而面试官所期望被试人员回答的面试内容
、
面试表现可能也会有相应的不同
。
[0028]具体地，面试类型包括结构化面试
、
非结构化面试
、
行为面试
、
基于胜任力的面试以及压力面试等
。
其中，结构化面试是指通过一系列预定的问题和评分标准来评估应聘者的能力和适应性的面试类型；非结构化面试是指面试官没有预先准备好的问题列表，而是根据候选人的回答和表现，灵活地提出问题和追问的面试类型；行为面试是指通过询问候选人过去的行为和经验来评估其在特定情境下的表现和能力的面试类型；基于胜任力的面试是指评估候选人的技能
、
知识
、
经验和行为特征，以确定他们是否适合特定的工作岗位的
面试类型；压力面试是指通过给求职者施加一定的压力和紧张感来测试其在高压环境下的应对能力和表现的面试类型
。
[0029]对于结构化面试
、
基于胜任力的面试等面试类型，可以预先设置有标准答案，对于难以设置标准答案的面试类型，可以通过其他方向来对进行面试
。
比如，面试官询问“平时有什么爱好吗？”，此时，针对这个面试问题，没有标准答案，可以通过面试官的面部特征等，来判断被试人员的回答是否符合面试官的要求
。
[0030]面试类型不只有一个，存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于大语言模型的面试技能训练方法，其特征在于，包括：针对预设的多个面试类型中的每个面试类型，确定该面试类型对应的知识图谱；根据所述知识图谱中包含的节点，将所述面试类型下设置的若干个面试问题，输入至预先训练的大语言模型中，获取所述大语言模型输出的多个回答内容；针对每个面试类型，基于所述面试问题的预设标准答案或面试官表现，得到该面试类型对应的分析标准；基于所述面试类型的所述分析标准，对所述面试类型下的所述回答内容进行人类反馈标注，以形成对所述面试问题对应的价值标注数据，构建面向面试技能训练的内容数据集；基于所述内容数据集，训练生成强化学习生成模型，并根据所述强化学习生成模型输出所述回答内容对应的优化内容，以根据所述优化内容进行面试技能训练
。2.
根据权利要求1所述的方法，其特征在于，针对预设的多个面试类型中的每个面试类型，确定该面试类型对应的知识图谱，具体包括：确定预设的多个面试类型，所述面试类型包括结构化面试
、
非结构化面试
、
行为面试
、
基于胜任力的面试以及压力面试；根据每个面试类型，确定其对应的知识图谱，其中，所述知识图谱包括多个层次，每个层次包含有多个节点，所述多个层次由上至下依次为：第一层次中的节点对应于所述面试类型，第二层次中的节点对应于所述分析标准，第三层次中的节点对应于所述价值标注数据
。3.
根据权利要求1所述的方法，其特征在于，根据所述知识图谱中包含的节点，将所述面试类型下设置的若干个面试问题，输入至预先训练的大语言模型中，获取所述大语言模型输出的多个回答内容，具体包括：根据所述知识图谱中包含的节点，确定所述面试类型在其对应的面试场景下，所设置的若干个面试问题；将所述若干个面试问题输入至预先训练的大语言模型中；获取到所述大语言模型针对每个面试问题输出的多个回答内容
。4.
根据权利要求2所述的方法，其特征在于，针对每个面试类型，基于所述面试问题的预设标准答案，得到该面试类型对应的分析标准，具体包括：针对所述结构化面试
、
所述行为面试和所述基于胜任力的面试对应的面试类型，确定所述面试类型下设置的面试问题，以及所述面试问题对应的预设标准答案；确定所述预设标准答案的标准语序结构和标准高频关键词，以得到所述面试问题的信息预期符合程度，作为所述面试类型对应的分析标准
。5.
根据权利要求4所述的方法，其特征在于，基于所述面试类型的所述分析标准，对所述面试类型下的所述回答内容进行人类反馈标注，以形成对所述面试问题对应的价值标注数据，构建面向面试技能训练的内容数据集，具体包括：针对有预设标准答案的面试问题，获取所述大语言模型的基于所述面试问题作出的多个回答内容，拆分得到所述回答内容的实际语序结构和实际高频关键词；基于所述分析标准中的标准语序结构和标准高频关键词，根据所述回答内容的实际语序结构和实际高频关...

【专利技术属性】
技术研发人员：宋业臻，肖维斌，黄杰，李小龙，姚启晨，沈骏，
申请(专利权)人：山东心法科技有限公司，
类型：发明
国别省市：