基于文本匹配的智能面试方法、装置和计算机设备专利检索-滑动窗口算法算法电脑编程专利检索查询-专利查询网

基于文本匹配的智能面试方法、装置和计算机设备

阅读：493发布：2020-05-11

专利汇可以提供基于文本匹配的智能面试方法、装置和计算机设备专利检索，专利查询，专利分析的服务。并且本申请提供了一种基于文本匹配的智能面试方法、装置、计算机设备和计算接可读存储介质，涉及语义分析领域，其中方法包括：获取面试文本和标准文本；根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；计算所述第一向量和所述第二向量之间的相似度；根据所述相似度匹配对应的面试分数。本申请将面试文本和标准文本通过上述处理后得到的第一向量和第二向量，可以最大程度的表现出文本本身所要表达的词义，从而使得基于向量层面上的文本相似度匹配的精确度大幅度提高，实现智能面试的高精准性和客观性。，下面是基于文本匹配的智能面试方法、装置和计算机设备专利的具体信息内容。

权利要求

1.一种基于文本匹配的智能面试方法，其特征在于，包括：
获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；
根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；
计算所述第一向量和所述第二向量之间的相似度；
根据所述相似度匹配对应的面试分数。
2.根据权利要求1所述的基于文本匹配的智能面试方法，其特征在于，所述根据第一预设规则对所述面试文本进行向量转化，得到所述面试文本对应的第一向量的步骤，包括：
将所述面试文本中的各个单词进行复值嵌入，得到各所述单词分别对应的复值向量组成的词矩阵；
采用滑动窗口将所述词矩阵转化为混合密度矩阵；
按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量；
分别选择各个所述滑动窗口中最大的概率向量，各所述最大的概率向量组成所述第一向量。
3.根据权利要求2所述的基于文本匹配的智能面试方法，其特征在于，所述采用滑动窗口将所述词矩阵转化为混合密度矩阵的步骤，包括：
按照各所述复值向量分别对应的所述单词在所述面试文本中的排列顺序，采用所述滑动窗口从所述词矩阵中依次递进选择预设数量个第一复值向量组成矩阵，直至完成对所有所述复值向量的选择，得到若干个第一词矩阵；
分别计算各所述第一词矩阵中的各所述第一复值向量与各自对应的共轭装置向量的外积，将各所述第一词矩阵转化为对应的词密度矩阵，并计算各所述第一复值向量分别对应的第一概率；
根据各所述词密度矩阵和各所述第一概率计算得到混合密度矩阵。
4.根据权利要求3所述的基于文本匹配的智能面试方法，其特征在于，所述计算各所述第一复值向量分别对应的第一概率的步骤，包括：
分别将各所述第一复值向量代入第一预设公式中，计算得到各所述第一复值向量分别对应的范数，其中，所述第一预设公式为： π(wi)为所述范
数，x为所述第一复值向量的值；
分别将各所述范数代入第二预设公式中，计算得到各所述范数分别对应的所述第一概率，其中，所述第二预设公式为： p(wi)为所述第一概率，e为自然底数，l表示共有l个w，j表示第j个w。
5.根据权利要求3所述的基于文本匹配的智能面试方法，其特征在于，所述根据所述词密度矩阵和各所述第一概率计算得到混合密度矩阵的步骤，包括：
分别将各所述词密度矩阵中的向量乘以各自对应的所述第一概率，得到各自对应的加权词密度矩阵；
将各所述加权词密度矩阵相加，得到所述混合密度矩阵。
6.根据权利要求2所述的基于文本匹配的智能面试方法，其特征在于，所述按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量的步骤，包括：
将所述混合密度矩阵代入第三预设公式中，计算得到若干个第二概率，其中，所述第三预设公式为：：px(p)＝〈xi|ρ|xi>＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，|xi>的外积，px(p)为第二概率，i表示第i个投影平面；
将各所述第二概率组合得到所述概率向量。
7.根据权利要求1所述的基于文本匹配的智能面试方法，其特征在于，所述计算所述第一向量和所述第二向量之间的相似度的步骤，包括：
计算所述第一向量和所述第二向量之间的余弦值；
将所述余弦值作为所述相似度。
8.一种基于文本匹配的智能面试装置，其特征在于，包括：
获取模块，用于获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；
转化模块，用于根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；
计算模块，用于计算所述第一向量和所述第二向量之间的相似度；
匹配模块，用于根据所述相似度匹配对应的面试分数。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

说明书全文

基于文本匹配的智能面试方法、装置和计算机设备

技术领域

[0001] 本申请涉及语义解析技术领域，特别涉及一种基于文本匹配的智能面试方法、装置和计算机设备。

背景技术

[0002] 目前各行业中招聘岗位一般是通过人工进行面试，特别是对于某些流动性大、招聘需求大的岗位，人力部门需要花费大量的精力和资源开展频繁的面试，导致招聘的成本较高，需要耗费大量人力资源。并且，人工面试会受到面试官个人的主观意识影响，无法实现对应聘者筛选标准的统一性和客观性。发明内容

[0003] 本申请的主要目的为提供一种基于文本匹配的智能面试方法、装置和计算机设备，旨在解决现有面试方法缺乏统一性和客观性的弊端。

[0004] 为实现上述目的，本申请提供了一种基于文本匹配的智能面试方法，包括：

[0005] 获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；

[0006] 根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；

[0007] 计算所述第一向量和所述第二向量之间的相似度；

[0008] 根据所述相似度匹配对应的面试分数。

[0009] 进一步的，所述根据第一预设规则对所述面试文本进行向量转化，得到所述面试文本对应的第一向量的步骤，包括：

[0010] 将所述面试文本中的各个单词进行复值嵌入，得到各所述单词分别对应的复值向量组成的词矩阵；

[0011] 采用滑动窗口将所述词矩阵转化为混合密度矩阵；

[0012] 按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量；

[0013] 分别选择各个所述滑动窗口中最大的概率向量，各所述最大的概率向量组成所述第一向量。

[0014] 进一步的，所述采用滑动窗口将所述词矩阵转化为混合密度矩阵的步骤，包括：

[0015] 按照各所述复值向量分别对应的所述单词在所述面试文本中的排列顺序，采用所述滑动窗口从所述词矩阵中依次递进选择预设数量个第一复值向量组成矩阵，直至完成对所有所述复值向量的选择，得到若干个第一词矩阵；

[0016] 分别计算各所述第一词矩阵中的各所述第一复值向量与各自对应的共轭装置向量的外积，将各所述第一词矩阵转化为对应的词密度矩阵，并计算各所述第一复值向量分别对应的第一概率；

[0017] 根据各所述词密度矩阵和各所述第一概率计算得到混合密度矩阵。

[0018] 进一步的，所述计算各所述第一复值向量分别对应的第一概率的步骤，包括：

[0019] 分别将各所述第一复值向量代入第一预设公式中，计算得到各所述第一复值向量分别对应的范数，其中，所述第一预设公式为： π(wi)为所述范数，x为所述第一复值向量的值；

[0020] 分别将各所述范数代入第二预设公式中，计算得到各所述范数分别对应的所述第一概率，其中，所述第二预设公式为： p(wi)为所述第一概率，e为自然底数，l表示共有l个w，j表示第j个w。

[0021] 进一步的，所述根据所述词密度矩阵和各所述第一概率计算得到混合密度矩阵的步骤，包括：

[0022] 分别将各所述词密度矩阵中的向量乘以各自对应的所述第一概率，得到各自对应的加权词密度矩阵；

[0023] 将各所述加权词密度矩阵相加，得到所述混合密度矩阵。

[0024] 进一步的，所述按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量的步骤，包括：

[0025] 将所述混合密度矩阵代入第三预设公式中，计算得到若干个第二概率，其中，所述第三预设公式为：：px(p)＝＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，|xi>的外积，px(p)为第二概率，i表示第i个投影平面；

[0026] 将各所述第二概率组合得到所述概率向量。

[0027] 进一步的，所述计算所述第一向量和所述第二向量之间的相似度的步骤，包括：

[0028] 计算所述第一向量和所述第二向量之间的余弦值；

[0029] 将所述余弦值作为所述相似度。

[0030] 本申请还提供了一种基于文本匹配的智能面试装置，包括：

[0031] 获取模块，用于获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；

[0032] 转化模块，用于根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；

[0033] 计算模块，用于计算所述第一向量和所述第二向量之间的相似度；

[0034] 匹配模块，用于根据所述相似度匹配对应的面试分数。

[0035] 进一步的，所述转化模块，包括：

[0036] 嵌入子模块，用于将所述面试文本中的各个单词进行复值嵌入，得到各所述单词分别对应的复值向量组成的词矩阵；

[0037] 转化子模块，用于采用滑动窗口将所述词矩阵转化为混合密度矩阵；

[0038] 第一计算子模块，用于按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量；

[0039] 选择子模块，用于分别选择各个所述滑动窗口中最大的概率向量，各所述最大的概率向量组成所述第一向量。

[0040] 进一步的，所述转化子模块，包括：

[0041] 选择单元，用于按照各所述复值向量分别对应的所述单词在所述面试文本中的排列顺序，采用所述滑动窗口从所述词矩阵中依次递进选择预设数量个第一复值向量组成矩阵，直至完成对所有所述复值向量的选择，得到若干个第一词矩阵；

[0042] 第一计算单元，用于分别计算各所述第一词矩阵中的各所述第一复值向量与各自对应的共轭装置向量的外积，将各所述第一词矩阵转化为对应的词密度矩阵，并计算各所述第一复值向量分别对应的第一概率；

[0043] 第二计算单元，用于根据各所述词密度矩阵和各所述第一概率计算得到混合密度矩阵。

[0044] 进一步的，所述第一计算单元，包括：

[0045] 第一计算子单元，用于分别将各所述第一复值向量代入第一预设公式中，计算得到各所述第一复值向量分别对应的范数，其中，所述第一预设公式为：π(wi)为所述范数，x为所述第一复值向量的值；

[0046] 第二计算子单元，用于分别将各所述范数代入第二预设公式中，计算得到各所述范数分别对应的所述第一概率，其中，所述第二预设公式为： p(wi)为所述第一概率，e为自然底数，l表示共有l个w，j表示第j个w。

[0047] 进一步的，所述第二计算单元，包括：

[0048] 第三计算子单元，用于分别将各所述词密度矩阵中的向量乘以各自对应的所述第一概率，得到各自对应的加权词密度矩阵；

[0049] 组合子单元，用于将各所述加权词密度矩阵相加，得到所述混合密度矩阵。

[0050] 进一步的，所述计算子模块，包括：

[0051] 第三计算单元，用于将所述混合密度矩阵代入第三预设公式中，计算得到若干个第二概率，其中，所述第三预设公式为：：px(p)＝＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，|xi>的外积，px(p)为第二概率，i表示第i个投影平面；

[0052] 组合单元，用于将各所述第二概率组合得到所述概率向量。

[0053] 进一步的，所述计算模块，包括：

[0054] 第二计算子模块，用于计算所述第一向量和所述第二向量之间的余弦值；

[0055] 标记模块，用于将所述余弦值作为所述相似度。

[0056] 本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

[0057] 本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。

[0058] 本申请中提供的一种基于文本匹配的智能面试方法、装置和计算机设备，通过将应聘者作出的面试文本和预先录入的标准文本转化为对应的复值向量后，再将复值向量经过相应的计算得到面试文本和标准文本分别对应的混合密度矩阵，并从各滑动窗口的混合密度矩阵中选出最大概率向量组成各自对应的第一向量和第二向量，然后通过计算第一向量和第二向量之间的余弦得到面试文本和标准文本之间的相似度，最后根据相似度匹配得到相应的面试评分。本申请将面试文本和标准文本通过上述处理后得到的第一向量和第二向量，可以最大程度的表现出文本本身所要表达的词义，从而使得基于向量层面上的文本相似度匹配的精确度大幅度提高，实现智能面试的高精准性和客观性。附图说明

[0059] 图1是本申请一实施例中基于文本匹配的智能面试方法的步骤示意图；

[0060] 图2是本申请一实施例中基于文本匹配的智能面试装置的整体结构框图；

[0061] 图3是本申请一实施例的计算机设备的结构示意框图。

[0062] 本申请目的的实现、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

[0063] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0064] 参照图1，本申请一实施例中提供了一种基于文本匹配的智能面试方法，包括：

[0065] S1：获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；

[0066] S2：根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；

[0067] S3：计算所述第一向量和所述第二向量之间的相似度；

[0068] S4：根据所述相似度匹配对应的面试分数。

[0069] 本实施例中，面试系统会根据预先的设置依次输出面试题目给面试者进行回答，面试者可以通过语音或手动输入等方式回答面试题目。面试系统在收集到面试者针对面试题目的回答后，形成面试文本，同时调取预先录入的该面试题目对应的标准答案，即标准文本。面试系统需要将面试文本和标准文本转化为对应的向量，以便后续进行两者之间的相似度比较，其中，面试系统将面试文本和标准文本转化为对应的向量的方法相同，两者的转化动作并没有顺序限制，比如两者可以同时转化，也可以先转化标准文本，再转化面试文本，甚至标准文本可以在进行面试者进行面试前就已经预先转化好后录入面试系统中存储，从而使得在面试过程中面试系统只需要处理面试文本，加快处理效率。本实施例中以面试文本的向量转化为例进行具体说明，首先，面试系统运用独热编码并将面试文本中的各个单词进行复值嵌入(Complex-v alued Embedding)，使得各个单词产生对应的复值向量，各个复值向量组合形成词矩阵。面试系统对词矩阵采用滑动窗口，每次从词矩阵中按照复值向量各自对应的单词在面试文本中的排列顺序，依次递进选择预设数量个复值向量作为第一复值向量并组成第一词矩阵，直至完成对所有复值向量的选择。比如词矩阵中的复值向量为(a,b,c,d,e)，预设数量为3，则选择得到的第一词矩阵分别为：(a,b,c),(b,c,d),(c,d,e)。面试系统每次对筛选得到的第一词矩阵都需要进行相同的数据处理，具体的处理步骤为：面试系统分别将各第一复值向量与各自对应的共轭转置向量相乘得到外积，从而使得由各第一复值向量的外积组成的第一词矩阵转化为词密度矩阵。并且，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数。然后，面试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的第一概率。面试系统在完成上述的数据处理后，分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩阵。面试系统调取第三预设公式，将混合密度矩阵在各个不同的投影平面的投影长度转化为对应的第二概率，从而得到混合密度矩阵投影在各投影平面上的多个第二概率组成的概率向量。其中，第三预设公式为：px(p)＝〈xi|ρ|xi>＝tr(ρ|xi>为狄拉克符号表示的词向量，|xi>的外积，px(p)为第二概率，多个概率组成概率向量，i表示第i个投影平面。面试系统通过池化操作，分别从各滑动窗口中的多个概率向量中的最大概率向量取出组成第一向量，比如，滑动窗口A的概率向量为(1,2,3)，滑动窗口B的概率向量为(4,5,6)，滑动窗口C的概率向量为(7,8,9)，则分别从滑动窗口A、B、C中选择3、6、9组成第一向量(3,6,9)。面试系统按照相同的转化方法，将标准文本转化为对应的第二向量。面试系统根据第一向量和第二向量之间的角度计算两者之间的余弦值，计算后的余弦值即为面试文本与标准文本之间的相似度。面试系统中预先录入有相似度与面试分数映射关系表，因此面试系统可以根据当前次计算得到的相似度得到该面试者在这次面试题目中得到的评价分数。

[0070] 进一步的，所述根据第一预设规则对所述面试文本进行向量转化，得到所述面试文本对应的第一向量的步骤，包括：

[0071] S21：将所述面试文本中的各个单词进行复值嵌入，得到各所述单词分别对应的复值向量组成的词矩阵；

[0072] S22：采用滑动窗口将所述词矩阵转化为混合密度矩阵；

[0073] S23：按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量；

[0074] S24：分别选择各个所述滑动窗口中最大的概率向量，各所述最大的概率向量组成所述第一向量。

[0075] 本实施例中，面试系统运用独热码编码并将面试文本中的各个单词进行复值嵌入，使得各个单词产生对应的复值向量，各个复值向量组合形成词矩阵。其中，本实施例中的复值向量表达式为z＝r(cos θ+i sin θ)，其好处在于复值向量可以使得词向量相较于传统的实值向量更能表达隐含的词义。使用复值向量表示的词向量不仅只考虑普通的的振幅加减，还会同时考虑它们的相位信息带来的更高阶的语义，既能达到两个词语相加有更多词义的效果，同样也可以使得两个词语相加产生反作用。面试系统对词矩阵采用滑动窗口，每次从词矩阵中按照复值向量各自对应的单词在面试文本中的排列顺序，依次递进选择预设数量个复值向量作为第一复值向量并组成第一词矩阵，直至完成对所有复值向量的选择，比如词矩阵中的复值向量为(a,b,c,d,e)，预设数量为3，则选择得到的第一词矩阵分别为：(a,b,c),(b,c,d),(c,d,e)。面试系统每次对筛选得到的第一词矩阵都需要进行相同的数据处理，具体的处理步骤为：面试系统分别将各第一复值向量a与各自对应的共轭转置向量aT相乘得到外积，从而使得由各第一复值向量的外积组成的第一词矩阵转化为词密度矩阵。并且，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数。然后，面试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的所述第一概率。面试系统在完成上述的数据处理后，分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩阵。面试系统调取第三预设公式，将混合密度矩阵在各个不同投影平面的投影长度转化为对应的第二概率，从而得到混合密度矩阵投影在各投影平面上的多个第二概率组成的概率向量。面试系统通过池化操作，分别从每个滑动窗口的多个概率向量中的最大概率向量取出组成第一向量。

[0076] 进一步的，所述采用滑动窗口将所述词矩阵转化为混合密度矩阵的步骤，包括：

[0077] S221：按照各所述复值向量分别对应的所述单词在所述面试文本中的排列顺序，采用所述滑动窗口从所述词矩阵中依次递进选择预设数量个第一复值向量组成矩阵，直至完成对所有所述复值向量的选择，得到若干个第一词矩阵；

[0078] S222：分别计算各所述第一词矩阵中的各所述第一复值向量与各自对应的共轭装置向量的外积，将各所述第一词矩阵转化为对应的词密度矩阵，并计算各所述第一复值向量分别对应的第一概率；

[0079] S223：根据各所述词密度矩阵和各所述第一概率计算得到混合密度矩阵。

[0080] 本实施例中，面试系统采用滑动窗口，每次从词矩阵中按照复值向量各自对应的单词在面试文本中的排列顺序，依次递进选择预设数量个复值向量作为第一复值向量并组成第一词矩阵，直至完成对所有复值向量的选择，比如词矩阵中的复值向量为(a,b,c,d,e)，预设数量为3，则选择得到的第一词矩阵分别为：(a,b,c),(b,c,d),(c,d,e)。面试系统每次对筛选得到的第一词矩阵都需要进行相同的数据处理，具体的处理步骤为：面试系统分别将各第一复值向量a与各自对应的共轭转置向量aT相乘得到外积，从而使得由各第一复值向量的外积组成的第一词矩阵转化为词密度矩阵。并且，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数。然后，面试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的第一概率。面试系统在完成上述的数据处理后，分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩阵。在应用中，相比于普通的平均加权，本实施例根据局部单词进行加权，使得该系统对不同的单词有不同的权重，并且能结合上下文对单词做出判断。

[0081] 进一步的，所述计算各所述第一复值向量分别对应的第一概率的步骤，包括：

[0082] S2221：分别将各所述第一复值向量代入第一预设公式中，计算得到各所述第一复值向量分别对应的范数，其中，所述第一预设公式为： π(wi)为所述范数，x为所述第一复值向量的值；

[0083] S2222：分别将各所述范数代入第二预设公式中，计算得到各所述范数分别对应的所述第一概率，其中，所述第二预设公式为： p(wi)为所述第一概率，e为自然底数，l表示共有l个w，j表示第j个w。

[0084] 本实施例中，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数，其中，第二预设公式为：π(wi)为需要求得的范数，x为第一复值向量的值。然后，面
试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的第一概率，其中，第二预设公式为： p(wi)为第一概率，e是自然底数，l
表示共有l个w，j表示第j个w。

[0085] 进一步的，所述根据所述词密度矩阵和各所述第一概率计算得到混合密度矩阵的步骤，包括：

[0086] S2231：分别将各所述词密度矩阵中的向量乘以各自对应的所述第一概率，得到各自对应的加权词密度矩阵；

[0087] S2232：将各所述加权词密度矩阵相加，得到所述混合密度矩阵。

[0088] 本实施例中，面试系统分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩。在应用中，相比于普通的平均加权，本实施例根据局部单词进行加权，使得该系统对不同的单词有不同的权重，并且能结合上下文对单词做出判断。

[0089] 进一步的，所述按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量的步骤，包括：

[0090] S231：将所述混合密度矩阵代入第三预设公式中，计算得到若干个第二概率，其中，所述第三预设公式为：：px(p)＝＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，|xi>的外积，px(p)为第二概率，i表示第i个投影平面；

[0091] S232：将各所述第二概率组合得到所述概率向量。

[0093] 进一步的，所述计算所述第一向量和所述第二向量之间的相似度的步骤，包括：

[0094] S31：计算所述第一向量和所述第二向量之间的余弦值；

[0095] S32：将所述余弦值作为所述相似度。

[0096] 本实施例中，面试文本转化的第一向量和标准文本转化的第二向量是两个文本各自的N-gram在同一个投影平面投影后的到的向量，因此这两个向量才能具有进行计算的基础。面试系统计算第一向量和第二向量之间角度的余弦，计算得到的余弦值即可作为两个文本之间的相似度。比如，a,b为两个向量，则两个向量之间的余弦为：cos(θ)＝a×b/(|a|×|b|)。

[0097] 本实施例提供的一种基于文本匹配的智能面试方法，通过将应聘者作出的面试文本和预先录入的标准文本转化为对应的复值向量后，再将复值向量经过相应的计算得到面试文本和标准文本分别对应的混合密度矩阵，并从各滑动窗口的混合密度矩阵中选出最大概率向量组成各自对应的第一向量和第二向量，然后通过计算第一向量和第二向量之间的余弦得到面试文本和标准文本之间的相似度，最后根据相似度匹配得到相应的面试评分。本申请将面试文本和标准文本通过上述处理后得到的第一向量和第二向量，可以最大程度的表现出文本本身所要表达的词义，从而使得基于向量层面上的文本相似度匹配的精确度大幅度提高，实现智能面试的高精准性和客观性。

[0098] 参照图2，本申请一实施例中还提供了一种基于文本匹配的智能面试装置，包括：

[0099] 获取模块1，用于获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；

[0100] 转化模块2，用于根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；

[0101] 计算模块3，用于计算所述第一向量和所述第二向量之间的相似度；

[0102] 匹配模块4，用于根据所述相似度匹配对应的面试分数。

[0103] 本实施例中，面试系统会根据预先的设置依次输出面试题目给面试者进行回答，面试者可以通过语音或手动输入等方式回答面试题目。面试系统在收集到面试者针对面试题目的回答后，形成面试文本，同时调取预先录入的该面试题目对应的标准答案，即标准文本。面试系统需要将面试文本和标准文本转化为对应的向量，以便后续进行两者之间的相似度比较，其中，面试系统将面试文本和标准文本转化为对应的向量的方法相同，两者的转化动作并没有顺序限制，比如两者可以同时转化，也可以先转化标准文本，再转化面试文本，甚至标准文本可以在进行面试者进行面试前就已经预先转化好后录入面试系统中存储，从而使得在面试过程中面试系统只需要处理面试文本，加快处理效率。本实施例中以面试文本的向量转化为例进行具体说明，首先，面试系统运用独热编码并将面试文本中的各个单词进行复值嵌入(Complex-valued Embedding)，使得各个单词产生对应的复值向量，各个复值向量组合形成词矩阵。面试系统对词矩阵采用滑动窗口，每次从词矩阵中按照复值向量各自对应的单词在面试文本中的排列顺序，依次递进选择预设数量个复值向量作为第一复值向量并组成第一词矩阵，直至完成对所有复值向量的选择。比如词矩阵中的复值向量为(a,b,c,d,e)，预设数量为3，则选择得到的第一词矩阵分别为：(a,b,c),(b,c,d),(c,d,e)。面试系统每次对筛选得到的第一词矩阵都需要进行相同的数据处理，具体的处理步骤为：面试系统分别将各第一复值向量与各自对应的共轭转置向量相乘得到外积，从而使得由各第一复值向量的外积组成的第一词矩阵转化为词密度矩阵。并且，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数。然后，面试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的第一概率。面试系统在完成上述的数据处理后，分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩阵。面试系统调取第三预设公式，将混合密度矩阵在各个不同的投影平面的投影长度转化为对应的第二概率，从而得到混合密度矩阵投影在各投影平面上的多个第二概率组成的概率向量。其中，第三预设公式为：px(p)＝＜xi|ρ|xi>＝tr(ρ|xi>为狄拉克符号表示的词向量，|xi>的外积，px(p)为第二概率，多个概率组成概率向量，i表示第i个投影平面。面试系统通过池化操作，分别从各滑动窗口中的多个概率向量中的最大概率向量取出组成第一向量，比如，滑动窗口A的概率向量为(1,2,3)，滑动窗口B的概率向量为(4,5,6)，滑动窗口C的概率向量为(7,8,9)，则分别从滑动窗口A、B、C中选择3、6、9组成第一向量(3,6,9)。面试系统按照相同的转化方法，将标准文本转化为对应的第二向量。面试系统根据第一向量和第二向量之间的角度计算两者之间的余弦值，计算后的余弦值即为面试文本与标准文本之间的相似度。面试系统中预先录入有相似度与面试分数映射关系表，因此面试系统可以根据当前次计算得到的相似度得到该面试者在这次面试题目中得到的评价分数。

[0104] 进一步的，所述转化模块2，包括：

[0105] 嵌入子模块，用于将所述面试文本中的各个单词进行复值嵌入，得到各所述单词分别对应的复值向量组成的词矩阵；

[0106] 转化子模块，用于采用滑动窗口将所述词矩阵转化为混合密度矩阵；

[0107] 第一计算子模块，用于按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量；

[0108] 选择子模块，用于分别选择各个所述滑动窗口中最大的概率向量，各所述最大的概率向量组成所述第一向量。

[0109] 本实施例中，面试系统运用独热码编码并将面试文本中的各个单词进行复值嵌入，使得各个单词产生对应的复值向量，各个复值向量组合形成词矩阵。其中，本实施例中的复值向量表达式为z＝r(cos θ+i sin θ)，其好处在于复值向量可以使得词向量相较于传统的实值向量更能表达隐含的词义。使用复值向量表示的词向量不仅只考虑普通的的振幅加减，还会同时考虑它们的相位信息带来的更高阶的语义，既能达到两个词语相加有更多词义的效果，同样也可以使得两个词语相加产生反作用。面试系统对词矩阵采用滑动窗口，每次从词矩阵中按照复值向量各自对应的单词在面试文本中的排列顺序，依次递进选择预设数量个复值向量作为第一复值向量并组成第一词矩阵，直至完成对所有复值向量的选择，比如词矩阵中的复值向量为(a,b,c,d,e)，预设数量为3，则选择得到的第一词矩阵分别为：(a,b,c),(b,c,d),(c,d,e)。面试系统每次对筛选得到的第一词矩阵都需要进行相同的数据处理，具体的处理步骤为：面试系统分别将各第一复值向量a与各自对应的共轭转置向量aT相乘得到外积，从而使得由各第一复值向量的外积组成的第一词矩阵转化为词密度矩阵。并且，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数。然后，面试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的所述第一概率。面试系统在完成上述的数据处理后，分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩阵。面试系统调取第三预设公式，将混合密度矩阵在各个不同投影平面的投影长度转化为对应的第二概率，从而得到混合密度矩阵投影在各投影平面上的多个第二概率组成的概率向量。面试系统通过池化操作，分别从每个滑动窗口的多个概率向量中的最大概率向量取出组成第一向量。

[0110] 进一步的，所述转化子模块，包括：

[0111] 选择单元，用于按照各所述复值向量分别对应的所述单词在所述面试文本中的排列顺序，采用所述滑动窗口从所述词矩阵中依次递进选择预设数量个第一复值向量组成矩阵，直至完成对所有所述复值向量的选择，得到若干个第一词矩阵；

[0112] 第一计算单元，用于分别计算各所述第一词矩阵中的各所述第一复值向量与各自对应的共轭装置向量的外积，将各所述第一词矩阵转化为对应的词密度矩阵，并计算各所述第一复值向量分别对应的第一概率；

[0113] 第二计算单元，用于根据各所述词密度矩阵和各所述第一概率计算得到混合密度矩阵。

[0114] 本实施例中，面试系统采用滑动窗口，每次从词矩阵中按照复值向量各自对应的单词在面试文本中的排列顺序，依次递进选择预设数量个复值向量作为第一复值向量并组成第一词矩阵，直至完成对所有复值向量的选择，比如词矩阵中的复值向量为(a,b,c,d,e)，预设数量为3，则选择得到的第一词矩阵分别为：(a,b,c),(b,c,d),(c,d,e)。面试系统每次对筛选得到的第一词矩阵都需要进行相同的数据处理，具体的处理步骤为：面试系统分别将各第一复值向量a与各自对应的共轭转置向量aT相乘得到外积，从而使得由各第一复值向量的外积组成的第一词矩阵转化为词密度矩阵。并且，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数。然后，面试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的第一概率。面试系统在完成上述的数据处理后，分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩阵。在应用中，相比于普通的平均加权，本实施例根据局部单词进行加权，使得该系统对不同的单词有不同的权重，并且能结合上下文对单词做出判断。

[0115] 进一步的，所述第一计算单元，包括：

[0116] 第一计算子单元，用于分别将各所述第一复值向量代入第一预设公式中，计算得到各所述第一复值向量分别对应的范数，其中，所述第一预设公式为：π(wi)为所述范数，x为所述第一复值向量的值；

[0117] 第二计算子单元，用于分别将各所述范数代入第二预设公式中，计算得到各所述范数分别对应的所述第一概率，其中，所述第二预设公式为： p(wi)为所述第一概率，e为自然底数，l表示共有l个w，j表示第j个w。

[0118] 本实施例中，面试系统分别将第一词矩阵中的各个第一复值向量代入第一预设公式中，计算得到各第一复值向量分别对应的范数，其中，第二预设公式为：π(wi)为需要求得的范数，x为第一复值向量的值。然后，面
试系统分别将各第一复值向量对应的范数代入第二预设公式中，计算得到各范数分别对应的第一概率，其中，第二预设公式为： p(wi)为第一概率，e是自然底数，l
表示共有l个w，j表示第j个w。

[0119] 进一步的，所述第二计算单元，包括：

[0120] 第三计算子单元，用于分别将各所述词密度矩阵中的向量乘以各自对应的所述第一概率，得到各自对应的加权词密度矩阵；

[0121] 组合子单元，用于将各所述加权词密度矩阵相加，得到所述混合密度矩阵。

[0122] 本实施例中，面试系统分别将词密度矩阵中的向量乘以各自对应的第一概率，得到计算后的向量组成的各自对应的加权词密度矩阵。面试系统将各加权词密度矩阵相加，得到混合密度矩。在应用中，相比于普通的平均加权，本实施例根据局部单词进行加权，使得该系统对不同的单词有不同的权重，并且能结合上下文对单词做出判断。

[0123] 进一步的，所述计算子模块，包括：

[0124] 第三计算单元，用于将所述混合密度矩阵代入第三预设公式中，计算得到若干个第二概率，其中，所述第三预设公式为：：px(p)＝〈xi|ρ|xi>＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，|xi>的外积，px(p)为第二概率，i表示第i个投影平面；

[0125] 组合单元，用于将各所述第二概率组合得到所述概率向量。

[0126] 本实施例中，面试系统调取第三预设公式，将混合密度矩阵在投影平面的投影长度转化为对应的第二概率，面试系统将得到的各个第二概率组成，从而得到混合密度矩阵在当前滑动窗口对应的投影平面的概率向量。其中，第三预设公式为：px(p)＝＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，在模型训练中长度始终为单位长度，|xi>的外积，用于被训练作为抽取混合密度矩阵的高纬度特征的投影平面，px(p)为第二概率。

[0127] 进一步的，所述计算模块3，包括：

[0128] 第二计算子模块，用于计算所述第一向量和所述第二向量之间的余弦值；

[0129] 标记模块，用于将所述余弦值作为所述相似度。

[0130] 本实施例中，面试文本转化的第一向量和标准文本转化的第二向量是两个文本各自的N-gram在同一个投影平面投影后的到的向量，因此这两个向量才能具有进行计算的基础。面试系统计算第一向量和第二向量之间角度的余弦，计算得到的余弦值即可作为两个文本之间的相似度。比如，a,b为两个向量，则两个向量之间的余弦为：cos(θ)＝a×b/(|a|×|b|)。

[0131] 本实施例提供的一种基于文本匹配的智能面试装置，通过将应聘者作出的面试文本和预先录入的标准文本转化为对应的复值向量后，再将复值向量经过相应的计算得到面试文本和标准文本分别对应的混合密度矩阵，并从各滑动窗口的混合密度矩阵中选出最大概率向量组成各自对应的第一向量和第二向量，然后通过计算第一向量和第二向量之间的余弦得到面试文本和标准文本之间的相似度，最后根据相似度匹配得到相应的面试评分。本申请将面试文本和标准文本通过上述处理后得到的第一向量和第二向量，可以最大程度的表现出文本本身所要表达的词义，从而使得基于向量层面上的文本相似度匹配的精确度大幅度提高，实现智能面试的高精准性和客观性。

[0132] 参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储标准文本等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于文本匹配的智能面试方法。

[0133] 上述处理器执行上述基于文本匹配的智能面试方法的步骤为：

[0134] S1：获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；

[0135] S2：根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；

[0136] S3：计算所述第一向量和所述第二向量之间的相似度；

[0137] S4：根据所述相似度匹配对应的面试分数。

[0138] 进一步的，所述根据第一预设规则对所述面试文本进行向量转化，得到所述面试文本对应的第一向量的步骤，包括：

[0139] S21：将所述面试文本中的各个单词进行复值嵌入，得到各所述单词分别对应的复值向量组成的词矩阵；

[0140] S22：采用滑动窗口将所述词矩阵转化为混合密度矩阵；

[0141] S23：按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量；

[0142] S24：分别选择各个所述滑动窗口中最大的概率向量，各所述最大的概率向量组成所述第一向量。

[0143] 进一步的，所述采用滑动窗口将所述词矩阵转化为混合密度矩阵的步骤，包括：

[0144] S221：按照各所述复值向量分别对应的所述单词在所述面试文本中的排列顺序，采用所述滑动窗口从所述词矩阵中依次递进选择预设数量个第一复值向量组成矩阵，直至完成对所有所述复值向量的选择，得到若干个第一词矩阵；

[0145] S222：分别计算各所述第一词矩阵中的各所述第一复值向量与各自对应的共轭装置向量的外积，将各所述第一词矩阵转化为对应的词密度矩阵，并计算各所述第一复值向量分别对应的第一概率；

[0146] S223：根据各所述词密度矩阵和各所述第一概率计算得到混合密度矩阵。

[0147] 进一步的，所述计算各所述第一复值向量分别对应的第一概率的步骤，包括：

[0148] S2221：分别将各所述第一复值向量代入第一预设公式中，计算得到各所述第一复值向量分别对应的范数，其中，所述第一预设公式为： π(wi)为所述范数，x为所述第一复值向量的值；

[0149] S2222：分别将各所述范数代入第二预设公式中，计算得到各所述范数分别对应的所述第一概率，其中，所述第二预设公式为： p(wi)为所述第一概率，e为自然底数，l表示共有l个w，j表示第j个w。

[0150] 进一步的，所述根据所述词密度矩阵和各所述第一概率计算得到混合密度矩阵的步骤，包括：

[0151] S2231：分别将各所述词密度矩阵中的向量乘以各自对应的所述第一概率，得到各自对应的加权词密度矩阵；

[0152] S2232：将各所述加权词密度矩阵相加，得到所述混合密度矩阵。

[0153] 进一步的，所述按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量的步骤，包括：

[0154] S231：将所述混合密度矩阵代入第三预设公式中，计算得到若干个第二概率，其中，所述第三预设公式为：：px(p)＝＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，|xi>的外积，px(p)为第二概率，i表示第i个投影平面；

[0155] S232：将各所述第二概率组合得到所述概率向量。

[0156] 进一步的，所述计算所述第一向量和所述第二向量之间的相似度的步骤，包括：

[0157] S31：计算所述第一向量和所述第二向量之间的余弦值；

[0158] S32：将所述余弦值作为所述相似度。

[0159] 本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于文本匹配的智能面试方法，具体为：

[0160] S1：获取面试文本和标准文本，其中所述面试文本为面试者针对面试题目的回答后形成的文本，所述标准文本为面试题目对应的标准答案的文本；

[0161] S2：根据第一预设规则分别对所述面试文本和所述标准文本进行向量转化，得到所述面试文本对应的第一向量和所述标准文本对应的第二向量；

[0162] S3：计算所述第一向量和所述第二向量之间的相似度；

[0163] S4：根据所述相似度匹配对应的面试分数。

[0164] 进一步的，所述根据第一预设规则对所述面试文本进行向量转化，得到所述面试文本对应的第一向量的步骤，包括：

[0165] S21：将所述面试文本中的各个单词进行复值嵌入，得到各所述单词分别对应的复值向量组成的词矩阵；

[0166] S22：采用滑动窗口将所述词矩阵转化为混合密度矩阵；

[0167] S23：按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量；

[0168] S24：分别选择各个所述滑动窗口中最大的概率向量，各所述最大的概率向量组成所述第一向量。

[0169] 进一步的，所述采用滑动窗口将所述词矩阵转化为混合密度矩阵的步骤，包括：

[0170] S221：按照各所述复值向量分别对应的所述单词在所述面试文本中的排列顺序，采用所述滑动窗口从所述词矩阵中依次递进选择预设数量个第一复值向量组成矩阵，直至完成对所有所述复值向量的选择，得到若干个第一词矩阵；

[0171] S222：分别计算各所述第一词矩阵中的各所述第一复值向量与各自对应的共轭装置向量的外积，将各所述第一词矩阵转化为对应的词密度矩阵，并计算各所述第一复值向量分别对应的第一概率；

[0172] S223：根据各所述词密度矩阵和各所述第一概率计算得到混合密度矩阵。

[0173] 进一步的，所述计算各所述第一复值向量分别对应的第一概率的步骤，包括：

[0174] S2221：分别将各所述第一复值向量代入第一预设公式中，计算得到各所述第一复值向量分别对应的范数，其中，所述第一预设公式为： π(wi)为所述范数，x为所述第一复值向量的值；

[0175] S2222：分别将各所述范数代入第二预设公式中，计算得到各所述范数分别对应的所述第一概率，其中，所述第二预设公式为： p(wi)为所述第一概率，e为自然底数，l表示共有l个w，j表示第j个w。

[0176] 进一步的，所述根据所述词密度矩阵和各所述第一概率计算得到混合密度矩阵的步骤，包括：

[0177] S2231：分别将各所述词密度矩阵中的向量乘以各自对应的所述第一概率，得到各自对应的加权词密度矩阵；

[0178] S2232：将各所述加权词密度矩阵相加，得到所述混合密度矩阵。

[0179] 进一步的，所述按照预设算法计算得到所述混合密度矩阵在不同的所述滑动窗口分别对应的若干个概率向量的步骤，包括：

[0180] S231：将所述混合密度矩阵代入第三预设公式中，计算得到若干个第二概率，其中，所述第三预设公式为：：px(p)＝〈xi|ρ|xi>＝tr(ρ|xi>初始值为狄拉克符号表示的正交的独热编码向量，|xi>的外积，px(p)为第二概率，i表示第i个投影平面；

[0181] S232：将各所述第二概率组合得到所述概率向量。

[0182] 进一步的，所述计算所述第一向量和所述第二向量之间的相似度的步骤，包括：

[0183] S31：计算所述第一向量和所述第二向量之间的余弦值；

[0184] S32：将所述余弦值作为所述相似度。

[0185] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0186] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

[0187] 以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

标题	发布/更新时间	阅读量
一种人体关键点检测与自学习方法及装置	2020-05-08	577
一种旋转类机械产品剩余寿命预测系统	2020-05-12	635
一种抗蛇行减振器的控制方法及装置	2020-05-08	73
一种基于心率变异性的睡眠分期方法	2020-05-08	407
一种无人机视觉-惯性融合室内定位方法	2020-05-11	22
一种基于深度卷积神经网络的多时次风速预测方法	2020-05-12	581
一种监狱工作区域人员身份辨识系统及方法	2020-05-12	270
针对智能船舶近似重复记录的检测方法、消除方法	2020-05-08	146
一种吊装过程人员安全监测方法及系统	2020-05-08	775
一种分布式驱动电动汽车的车辆状态估计系统及方法	2020-05-11	865

基于文本匹配的智能面试方法、装置和计算机设备

基于文本匹配的智能面试方法、装置和计算机设备

技术领域

背景技术

具体实施方式

该功能需要专业版企业版VIP权限，您可以：