基于关键词注意力的细粒度面试评价方法

海量的在线面试视频数据为智能面试评价提供了重要的数据基础.随着目前全球疫情的蔓延,网络在线面试的需求程度上升,对智能面试评价工具的需求也随之上升.结构化面试中,面试官需要依据评价标准,观察面试者所做的回答,并形成面试者人格特性、沟通技能以及领导力等方面的画像评估,以此判断面试者的特质是否与应聘职位相匹配.其中人格特性评估是公司间广泛使用的一种评估方法,因为人格特性影响着人们的语言表达、人际交往等多个方面,是辅助面试官决策该面试者是否符合其应聘岗位需求的重要参考.基于此,提出了基于循环神经网络长短期记忆(long short term memory,LSTM)以及关键词-问题注意力机制的多层次(hierarchical keyword-question attention LSTM,HKQA-LSTM)细粒度面试评价方法,旨在针对面试者的不同人格特性维度进行打分,并据此得到综合面试得分.首先,通过引入关键词注意力机制有效筛选出面试对话中与人格特性密切相关的重要词句;然后,在此基础上采用了关键词-问题层次注意力机制和2阶段的模型学习机制,充分结合面试者表述文本的多尺度上下文特征,对人格特性进行准确预测;最后通过融合人格特性得到具有较高解释性的面试综合评价结果.基于真实面试场景数据的实验结果表明,该方法能有效地评价面试者的不同人格特性得分,并准确地预测面试者总体得分.

基于融合条目词嵌入和注意力机制的自动ICD编码

构建一种基于融合条目词嵌入和注意力机制的深度学习模型,可以充分利用电子病案中的多种非结构化文本数据,对病案首页的主要诊断进行自动ICD编码。该模型首先对含有病案条目的文本进行融合条目的词嵌入,并通过关键词注意力来丰富词级别的类别表示;然后利用词语注意力来突出重点词语的作用,增强文本表示;最后通过全连接神经网络分类器进行分类,输出ICD编码。通过在中文电子病案数据集上的消融实验,验证了融合条目词嵌入、关键词注意力和词语注意力的有效性;与多个基准模型相比,所建模型在对81种疾病的分类中取得最好的分类效果,可以有效地提高自动ICD编码的质量。