[发明专利]基于AI的面试语料分类方法、装置、计算机设备和介质

说明书

本申请属于人工智能领域，公开了一种基于AI的面试语料分类方法、装置、计算机设备及可读存储介质。所述方法通过根据以GPT模型为基础训练得到的轻量模型对充分考虑与预测结果相关的面试场景下面试者的语料的若干语料特征，对面试者进行分类，并将分类结果存储于区块链网络节点中。通过根据GPT模型得来的轻量模型对面试者进行分类，因为通过对轻量模型每一层的都计算与GPT模型的损失函数，这样可以保证轻量级模型输出结果的准确性，以及与GPT模型的输出结果的一致性得到保证，解决了现有技术中用轻量网络进行面试者分类得到的分类结果准确率低的技术问题。

技术领域

本申请涉及人工智能领域，特别是涉及一种基于AI的面试语料分类方法。

背景技术

随着大数据和AI技术的迅速发展，在智能面试能力评估场景中，需要对面试者的回答的各个维度进行能力点评，因此每一个维度都需要训练一个文本分类模型，但是由于面试场景的语料不易获取，标注困难，因此在前期构建模型时通常会遇到缺乏语料的问题，当语料较少时，我们通常会在预先训练好的语言模型上用面试语料进行微调后来达到最终效果，其优点在于能够无监督地采用通用领域的语料训练模型，使得模型学到通用语言知识，解决了数据获取及对其标注都困难的问题。当模型学到通用语义，再用目标领域仅有的少量语料对模型进行微调，就可以得到目标领域中效果相对较好的模型，但是上述方式的缺点是语言模型通常参数数量很大，GPU/TPU内存难以支持其大量的数据运算，训练和推理速度都会变得很慢，难以在生产环境中部署并上线正常运行。

中国发明专利申请公开号CN108664893A公开了一种人脸检测方法，提供了一种轻量级模型，用于解决现有技术中复杂模型计算量大的技术问题，包括对轻量网络和复杂网络分别输入一批同样的训练图像，针对轻量网络和复杂网络的分类图的输出结果采用难样本挖掘法过滤；构造综合损失函数，基于损失函数更新轻量模型的参数，直到轻量网络训练至收敛，最后根据训练得到的模型进行预测降低计算量。但是该方法中提到的复杂网络模型训练，最后的效果评估只是对模型中其中两个网络的分类结果进行了比较，使得预测的准确度无法得到保证，无法适用比较复杂的语义预测。

发明内容

基于此，有必要针对上述技术问题，本申请提供一种基于AI的面试语料分类方法、装置、计算机设备及存储介质，以解决现有技术中轻量网络的预测准确度低、计算量大的技术问题。

一种基于AI的面试语料分类方法，所述方法包括：

获取面试场景下的面试者的面试语料,并对所述面试语料进行去噪处理，得到专用语料；

将所述专用语料输入预先训练的轻量模型中，其中，所述轻量模型包括编码层、transformer层以及预测层，所述轻量模型是对降维后的GPT模型训练得到的；

通过所述编码层向量化处理所述专用语料，得到所述专用语料的语料输出矩阵；

通过不同所述transformer层的权重矩阵为所述语料输出矩阵中的关键词生成权重系数，并将每一所述transformer层按照所述权重系数输出的语料矩阵结果相加，得到所述专用语料的注意力矩阵；

在所述预测层中根据所述注意力矩阵得到的所述专用语料的各个维度特征的能力评分，得到对所述面试语料的语料分类结果，输出所述分类结果。

一种基于AI的面试语料分类装置，所述装置包括：

语料预处理模块，用于获取面试场景下的面试者的面试语料,并对所述面试语料进行去噪处理，得到专用语料；

数据输入模块，用于将所述专用语料输入预先训练的轻量模型中，其中，所述轻量模型包括编码层、transformer层以及预测层，所述轻量模型是对降维后的GPT模型训练得到的；

编码处理模块，用于通过所述编码层向量化处理所述专用语料，得到所述专用语料的语料输出矩阵；