阅读说明：本技术 一种智能面试方法、装置及终端设备 (Intelligent interviewing method and device and terminal equipment ) 是由 邓悦 郑立颖 徐亮 于 2020-05-28 设计创作，主要内容包括：本申请适用于人工智能技术领域,提供了一种智能面试方法、装置及终端设备,所述方法包括：获取候选人在面试过程中的回复信息；采用预设的语言模型,分别将多个回复语句转换为对应的句向量信息；根据多个回复语句的句向量信息,确定回复信息对应的语句集合向量信息；采用语句集合向量信息,计算回复信息中包含的多个实体相互间的关系概率；根据关系概率,从多个实体中提取出目标关系信息；基于目标关系信息,生成针对候选人的面试题目。上述方法可以快速地抽取出候选人回答内容中的重要部分,方便人工智能面试官给出必要和合理的追问,进而生成面试评价报告。此外,面试评价报告可以上传至区块链中,以保证其安全性和公正透明性。(The application is suitable for the technical field of artificial intelligence, and provides an intelligent interview method, an intelligent interview device and terminal equipment, wherein the method comprises the following steps: acquiring reply information of a candidate in an interviewing process; adopting a preset language model to respectively convert a plurality of reply sentences into corresponding sentence vector information; determining statement set vector information corresponding to the reply information according to the statement vector information of the reply statements; adopting statement set vector information to calculate the relationship probability among a plurality of entities contained in the reply information; extracting target relation information from a plurality of entities according to the relation probability; generating interview questions for the candidate based on the target relationship information. The method can rapidly extract important parts in the answer content of the candidate, and is convenient for an artificial intelligent interviewer to give necessary and reasonable questions, thereby generating an interview evaluation report. In addition, an interview evaluation report can be uploaded to a block chain to ensure safety and fair transparency.)

一种智能面试方法、装置及终端设备

技术领域

本申请属于人工智能技术领域，特别是涉及一种智能面试方法、装置及终端设备。

背景技术

招聘面试是一项费时费力的工作。尤其是在招聘量大的时候，由于等待面试的候选人众多但面试官却有限，面试官通常需要连续进行多个场次的面试，严重影响面试效率。为了节省面试时间，提高招聘效率，智能面试应运而生。智能面试可以通过机器与候选人进行交互，自动完成对候选人的评价。

在进行智能面试时，为了使机器能够准确地对候选人做出提问，需要对候选人针对上一个问题的回答进行处理，抽取候选人前面回答的重要部分作为参考依据。关系抽取在这个环节中起着重要作用。

现有技术中可以通过两种方式来实现关系抽取。一种是使用文本中的概念与知识库中对应的关系实例，启发式地生成标记数据，然后再采用标记数据训练关系抽取模型。但是，按照这种方式生成的标记数据会产生噪声标记，得到错误的判断和不完整的知识库信息，使机器做出不准确的提问。另一种方式可以基于预先提供的语义和句法知识进行多实例学习，并根据学习结果来指导模型的训练。但是，根据预先提供的语义和句法知识训练出的模型只能识别与提供的语义和句法知识对应的某一部分或某一类的关系，在其他类的关系识别上表现较差，适用范围较窄，也无法广泛地应用于各种不同场景下的智能面试。

发明内容

有鉴于此，本申请实施例提供了一种智能面试方法、装置及终端设备，以解决现有技术中在进行智能面试时，由于关系抽取不准确导致面试结果可信度较低的问题，有助于更准确地对候选人做出客观评价。

本申请实施例的第一方面提供了一种智能面试方法，包括：

获取候选人在面试过程中的回复信息，所述回复信息包括多个回复语句；

采用预设的语言模型，分别将所述多个回复语句转换为对应的句向量信息；

根据所述多个回复语句的句向量信息，确定所述回复信息对应的语句集合向量信息；

采用所述语句集合向量信息，计算所述回复信息中包含的多个实体相互间的关系概率；

根据所述关系概率，从所述多个实体中提取出目标关系信息；

基于所述目标关系信息，生成针对所述候选人的面试题目。

本申请实施例的第二方面提供了一种智能面试装置，包括：

获取模块，用于获取候选人在面试过程中的回复信息，所述回复信息包括多个回复语句；

转换模块，用于采用预设的语言模型，分别将所述多个回复语句转换为对应的句向量信息；

确定模块，用于根据所述多个回复语句的句向量信息，确定所述回复信息对应的语句集合向量信息；

计算模块，用于采用所述语句集合向量信息，计算所述回复信息中包含的多个实体相互间的关系概率；

提取模块，用于根据所述关系概率，从所述多个实体中提取出目标关系信息；

生成模块，用于基于所述目标关系信息，生成针对所述候选人的面试题目。

本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的智能面试方法。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的智能面试方法。

本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述第一方面任一项所述的智能面试方法。

与现有技术相比，本申请实施例包括以下优点：

本申请实施例，通过获取候选人在面试过程中的回复信息并采用预设的语言模型，将回复信息中的多个回复语句转换为对应的句向量信息，从而可以基于各个回复语句的句向量信息，计算出整段回复信息的语句集合向量信息，便于终端设备根据语句集合向量信息快速地抽取出候选人回复信息中的重要部分，减少后续机器理解的数据量，提高终端设备给出必要和合理追问的速度。在实际的面试应用中，根据候选人回复信息中的重要部分内容进行针对性的处理，使得终端设备对候选人的评价更准确。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例的一种智能面试方法的步骤流程示意图；

图2是本申请一个实施例的另一种智能面试方法的步骤流程示意图；

图3是本申请一个实施例的一种智能面试装置的示意图；

图4是本申请一个实施例的一种终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

下面通过具体实施例来说明本申请的技术方案。

参照图1，示出了本申请一个实施例的一种智能面试方法的步骤流程示意图，具体可以包括如下步骤：

S101、获取候选人在面试过程中的回复信息，所述回复信息包括多个回复语句；

需要说明的是，本方法可以应用于智能面试中，即通过终端设备等机器与面试候选人进行交互，完成对候选人的面试评价。

本实施例中的终端设备可以是手机、平板电脑、个人计算机等电子设备，本实施例对终端设备的具体类型不作限定。

在本申请实施例中，候选人的回复信息可以是在面试过程中，由候选人通过终端设备提供的输入装置，以文字的形式输入至终端设备的；或者，终端设备也可以通过语音交互的形式对候选人进行面试，通过采集候选人在面试过程中的语音信息，并将语音信息转换为文本内容，从而得到候选人的回复信息，本实施例对此不作限定。

在本申请实施例中，候选人的回复信息可以是针对终端设备提出的某一个问题所进行回复的信息。在面试开始时，终端设备可以要求候选人首先进行自我介绍。候选人自我介绍的内容，即是需要获取的回复信息，终端设备可以针对该回复信息进行处理，使整个面试过程顺畅地进行下去。

S102、采用预设的语言模型，分别将所述多个回复语句转换为对应的句向量信息；

通常，候选人的回复信息可能包括多个回复语句，在对每个回复语句进行转换后，可以得到相应的句向量信息，该句向量信息也就是对应回复语句的句子表征。

在本申请实施例中，可以采用预先训练得到的语言模型对每个回复语句进行向量转换，得到相应的句子表征。

在具体实现中，可以在语言模型中预置字节对编码(byte pair encoder，BPE)功能，使用字节对编码的方式对每个回复语句中的词语进行编码，得到每个词语的词向量；然后将各个句子中每个词语的词向量与该词语所在位置对应的位置向量相加，从而得到表征该句子的句向量信息。

或者，也可以采用基于自然语言处理(Natural Language Processing，NLP)变压器的语言模型来对每个回复语句进行转换。通常，NLP变压器包括编码器和解码器两部分，对于给定的语句序列，通过编码器和解码器的处理，可以用于表征该语句的句向量。本实施例对如何回复语句进行转换不作限定。

S103、根据所述多个回复语句的句向量信息，确定所述回复信息对应的语句集合向量信息；

通常，根据每个回复语句得到的句向量信息仅可以用于表征当前句子的内容，而候选人的每一次回复往往是针对某一个话题而进行的详细阐述，各个句子所体现出的关注点可能存在差异。

因此，在分别得到每个回复语句的句向量信息后，还可以根据全部的句向量信息，确定出整个回复信息的语句集合向量信息，通过语句集合向量信息表征整个回复信息的内容。

S104、采用所述语句集合向量信息，计算所述回复信息中包含的多个实体相互间的关系概率；

在本申请实施例中，回复信息中包含的多个实体可以是对每个回复语句进行分词并通过确定分词后的各个词语的词性来得到的。例如，可以将具有名词词性的各个词语标记为实体。这些实体将被作为后续对候选人进行追问的基础，即通过这些实体生成相应面试题目。

通常，需要对候选人进行追问，或者需要请候选人对某一话题进行深入分析的，往往是候选人在面试过程中多次或重点提及的内容。因此，本实施例可以通过对各个实体之间的关系概率来确定哪些是需要重点关注的内容。

在具体实现中，可以基于前述语言模型，输出各个实体之间的关系概率。

S105、根据所述关系概率，从所述多个实体中提取出目标关系信息；

在本申请实施例中，可以提取概率值最大的一组实体对作为目标关系，或者提取概率值超过一定阈值的多组实体对作为目标关系信息，作为终端设备的输入语句。

根据关系概率的大小提取部分实体作为后续面试的提问基础，可以减少机器处理的数据量，提高终端设备在面试过程中的提问效率。

S106、基于所述目标关系信息，生成针对所述候选人的面试题目。

终端设备在接收到上述目标关系信息后，可以根据该关系，确定下一个面试问题，继续对候选人进行面试。

在本申请实施例中，通过获取候选人在面试过程中的回复信息并采用预设的语言模型，将回复信息中的多个回复语句转换为对应的句向量信息，从而可以基于各个回复语句的句向量信息，计算出整段回复信息的语句集合向量信息，便于终端设备根据语句集合向量信息快速地抽取出候选人回复信息中的重要部分，减少后续机器理解的数据量，提高终端设备给出必要和合理追问的速度。在实际的面试应用中，根据候选人回复信息中的重要部分内容进行针对性的处理，使得终端设备对候选人的评价更准确。

参照图2，示出了本申请一个实施例的另一种智能面试方法的步骤流程示意图，具体可以包括如下步骤：

S201、获取候选人在面试过程中的回复信息，所述回复信息包括多个回复语句；

本方法可以应用于智能面试中，通过使用终端设备作为人工智能(ArtificialIntelligence，AI)面试官，与面试候选人进行交互，完成对候选人的面试评价，提高面试效率。

在本申请实施例中，候选人可以直接使用语音与AI面试官进行交流。例如，候选人使用手机、平板电脑或个人计算机进行面试，通过采集面试过程中的语音信息，AI面试官可以将语音信息转换为文本内容，然后基于自然语言处理技术理解文本内容所包含的具体意思，并在此基础上对候选人进行提问。

S202、识别目标回复语句中的多个实体，根据所述多个实体生成待处理的实体序列，所述目标回复语句为所述多个回复语句中的任意一个；

在本申请实施例中，候选人的每一次回复可能包含多个回复语句。AI面试官可以针对每个回复语句分别进行处理，从而识别出候选人整段回复信息中的重点内容。

在本申请实施例中，AI面试官可以首先识别出每个回复语句中的实体，生成待处理的实体序列。

需要说明的是，每个回复语句中的实体可以是指该回复语句中具有名词词性的各个词语。

在具体实现中，每个实体可以对应预设的语料库中的一个具有词序编号的词语，通过按照各个实体在回复语句中的先后顺序对对应的词序编号进行排列，可以得到该回复语句的实体序列。

S203、将所述待处理的实体序列输入预设的语言模型中，获得所述目标回复语句中每个实体的概率分布；

在本申请实施例中，可以使用基于NLP变压器解码器的语言模型来将候选人的回复语句转换为响应的句向量。上述基于NLP变压器解码器的语言模型可以是基于位置前馈操作的有屏蔽的多头自注意力机制的变压器解码器模型。

本实施例中的NLP变压器解码器，不同于仅解码的原始NLP变压器，而是包括基于位置前馈操作的有屏蔽的多头自注意力机制，可以在多个NLP变压器块上基于给定的输入表征重复编码。而且因为没有编码器块，NLP变压器解码器不包含任何非屏蔽的自注意力机制。

在具体实现中，可以通过采用如下编码方式生成NLP变压器解码器：

h₀＝TW_e+W_p

其中，T是句子对应的独热码one-hot向量组成的矩阵，W_e是标记嵌入矩阵，W_p是位置嵌入矩阵，L是变压器块的数量，h_l是第l层变压器块的状态。

由于NLP变压器没有标记位置这一隐含概念，因此第一层NLP变压器会将待学习的位置嵌入e_p∈R^d添加到输入序列位置p的每个标记嵌入上。自注意力的体系结构允许通过所有输入状态h_l-1表示输出状态块这对有效地对远程依赖关系建模很重要。但是，本实施例中的NLP变压器解码器同时需要限制自注意力，使模型只需关注当前标记的下文，而无需关注当前标记的上文。上述标记即是各个回复语句中的实体。

S204、根据所述目标回复语句中每个实体的概率分布，生成所述目标回复语句的句向量信息；

在本申请实施例中，基于上述NLP变压器解码器模型，对于给定的实体序列可以设定目标函数为最大化对数似然函数：

其中，k是考虑用于通过条件概率P预测下一个标记c_i的上下文窗口。

使用上述NLP变压器解码器模型，可以计算出各个实体的概率分布如下：

其中，h_L是变压器最后一层L之后的状态序列，W_e是嵌入矩阵，θ是通过随机梯度下降优化得到的模型参数。

通过输出每个实体的概率分布，可以组成每个回复语句对应的句向量信息，即句子表征。

S205、确定每个回复语句的句向量信息的权重值，根据所述权重值，对所述每个回复语句的句向量信息进行加权求和，得到所述回复信息对应的语句集合向量信息；

在本申请实施例中，可以通过汇总每个回复语句的句子表征，得到整段回复信息的语句集合表征，即与候选人回复信息相对应的语句集合向量信息。

在具体实现中，为了更清晰地表达每个回复语句与整段回复信息的关系，可以将分别计算每个回复语句的句向量信息与全部回复语句的句向量信息之和的比值，并将该比值作为对应的回复语句的句向量信息的权重值。

例如，每个回复语句的句向量信息的权重值可以采用如下公式表示：

其中，α_i为第i个回复语句的句向量信息的权重值，exp(s_ir)为第i个回复语句的句向量信息。

在本申请实施例中，为了在使用基于上述NLP变压器生成的语言模型实现对远程监管数据集的多实例学习时更有效，还可以对NLP变压器进行结构扩展。即，可以首先以等式(1)为目标对模型进行预训练，然后针对关系提取任务对语言模型进行微调。

例如，令一个标记的数据集

其中每个示例都由标记x_i＝[x¹,…,x^m]组成，head_i和tail_i是关系中两个实体在标记的实体序列中的位置，r_i是远距离监督对应的关系标签。由于有噪声注释，以标签r_i为训练的响应变量是不可靠的。相反，将关系分类应用于袋级别的文本，将每个实体对表示为集合其中由所有句子的实体对组成。

通过将句子的实体序列馈入模型中，使用最终状态表征h_L的上一个状态

表示回复语句的句向量信息s_i，

然后，将每个回复语句的句向量信息进行加权求和，可以得到回复信息对应的语句集合向量信息：

S206、依次对所述语句集合向量信息进行线性变换和逻辑回归softmax变换，获得所述回复信息中包含的多个实体相互间的关系概率；

在本申请实施例中，可以将用于表征整段回复信息的语句集合向量信息进行线性变换后再做softmax变换，可以得到关系标签上的输出分布P(l)：

P(l|S,θ)＝softmax(W_rs+b)

其中，W_r是关系r的表示矩阵，

是偏差矢量。

上述输出分布即是候选人回答内容中各个实体之间的关系概率。

在本申请实施例中，为了提高模型输出的分布概率的准确性，还可以对输出分布中各个参数进行微调。

具体地，微调的目标是最大化如下似然函数：

在微调时，可以将语言模型作为辅助目标，提高模型的通用性和收敛速度。因此，结合上述公式(1)和(2)，可以得到最终的目标函数：

其中，标量值λ是微调过程中语言模型目标函数的权重。

S207、提取所述关系概率超过预设阈值的一个或多个实体对，作为目标关系信息；

在本申请实施例中，可以提取概率最大的一组实体对作为目标关系，或者提取概率超过一定阈值的多组实体对作为目标关系，作为AI面试官的输入语句。AI面试官在接收到上述目标关系信息后，可以根据该关系，确定下一个面试问题，继续对候选人进行面试。

作为一个具体的示例，若面试官提问：“我们有一个新产品，你们可以通过讨论决定是否要发售这个新产品。”

候选人回答：“我认为新产品的临床试验时间还不够长，如果直接投入使用会为用户带来一定的风险，并且我们可能没有办法解决这些问题。所以我认为应该在临床试验的结果足够充分以后再投入销售”

通过对该候选人的回答进行编码，并得到相应的隐藏状态h_L，然后对每句话加权得到整段文本的表征，然后输出每种实体的概率。例如<新产品，风险>(0.7)，<新产品，问题>(0.2)，……。那么，可以选择概率最大的关系，也就是<新产品，风险>作为目标关系信息，作为进一步面试的提问基础。

S208、基于所述目标关系信息，生成针对所述候选人的面试题目；

S209、根据所述候选人对多个面试题目的回复信息，生成针对所述候选人的面试评价报告；将所述面试评价报告上传至区块链中。

在本申请实施例中，根据候选人对AI面试官每个问题的回复，可以生成针对该候选人的面试评价报告，上述报告可以被上传至区块链(Block chain)中，以保证其安全性以及评价结果的透明公正性。

在后续过程中，例如需要对某个候选人的信息进行回溯时，可以通过用户设备从区块链中下载该评价报告，以便查证报告是否被篡改。

需要说明的是，本实施例中所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在本申请实施例中，在智能面试过程中，通过采用基于远程监督NLP变压器的语言模型进行关系抽取，AI面试官可以迅速抽取候选人回答的重要内容。由于抽取内容后用于机器理解的数据量少了，所以AI面试官可以迅速给出必要和合理的追问。在实际应用中，因为判断更精准，硬件的应答速度也得到了提高，不仅节省了硬件空间，而且提高了运行速度和候选人的面试体验。

其次，通过抽取候选人的回答内容，可以对候选人回答中体现的关系与实际信息不一致的地方进行追问，进而可以更好地理解候选人的回答，有助于提供更有效的选拔候选人的依据，避免了面试官因为候选人的外貌，以及长时间面试造成的精力不足等因素而导致对候选人的表现产生错误判断的可能性，保证面试结果的准确性和可靠性。

需要说明的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

参照图3，示出了本申请一个实施例的一种智能面试装置的示意图，具体可以包括如下模块：

获取模块301，用于获取候选人在面试过程中的回复信息，所述回复信息包括多个回复语句；

转换模块302，用于采用预设的语言模型，分别将所述多个回复语句转换为对应的句向量信息；

确定模块303，用于根据所述多个回复语句的句向量信息，确定所述回复信息对应的语句集合向量信息；

计算模块304，用于采用所述语句集合向量信息，计算所述回复信息中包含的多个实体相互间的关系概率；

提取模块305，用于根据所述关系概率，从所述多个实体中提取出目标关系信息；

生成模块306，用于基于所述目标关系信息，生成针对所述候选人的面试题目。

在本申请实施例中，所述转换模块302具体可以包括如下子模块：

实体序列生成子模块，用于识别目标回复语句中的多个实体，根据所述多个实体生成待处理的实体序列，所述目标回复语句为所述多个回复语句中的任意一个；

概率分布计算子模块，用于将所述待处理的实体序列输入预设的语言模型中，获得所述目标回复语句中每个实体的概率分布，所述语言模型为基于位置前馈操作的有屏蔽的多头自注意力机制的变压器解码器；

句向量信息生成子模块，用于根据所述目标回复语句中每个实体的概率分布，生成所述目标回复语句的句向量信息。

在本申请实施例中，所述基于位置前馈操作的有屏蔽的多头自注意力机制的变压器解码器通过采用如下编码方式生成：

h₀＝TW_e+W_p

其中，T是句子对应的独热码one-hot向量组成的矩阵，W_e是标记嵌入矩阵，W_p是位置嵌入矩阵，L是变压器块的数量，h_l是第l层变压器块的状态。

在本申请实施例中，所述确定模块303具体可以包括如下子模块：

权重值确定子模块，用于确定每个回复语句的句向量信息的权重值；

语句集合向量信息生成子模块，用于根据所述权重值，对所述每个回复语句的句向量信息进行加权求和，得到所述回复信息对应的语句集合向量信息。

在本申请实施例中，所述权重值确定子模块具体可以包括如下单元：

权重值计算单元，用于分别计算每个回复语句的句向量信息与全部回复语句的句向量信息之和的比值，将所述比值作为对应的回复语句的句向量信息的权重值。

在本申请实施例中，所述计算模块304具体可以包括如下子模块：

关系概率计算子模块，用于依次对所述语句集合向量信息进行线性变换和逻辑回归softmax变换，获得所述回复信息中包含的多个实体相互间的关系概率。

在本申请实施例中，所述提取模块305具体可以包括如下子模块：

目标关系信息提取子模块，用于提取所述关系概率超过预设阈值的一个或多个实体对，作为目标关系信息。

在本申请实施例中，所述装置还可以包括如下模块：

面试评价报告生成模块，用于根据所述候选人对多个面试题目的回复信息，生成针对所述候选人的面试评价报告；

面试评价报告上传模块，用于将所述面试评价报告上传至区块链中。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例部分的说明即可。

参照图4，示出了本申请一个实施例的一种终端设备的示意图。如图4所示，本实施例的终端设备400包括：处理器410、存储器420以及存储在所述存储器420中并可在所述处理器410上运行的计算机程序421。所述处理器410执行所述计算机程序421时实现上述智能面试方法各个实施例中的步骤，例如图1所示的步骤S101至S106。或者，所述处理器410执行所述计算机程序421时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至306的功能。

示例性的，所述计算机程序421可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器420中，并由所述处理器410执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段可以用于描述所述计算机程序421在所述终端设备400中的执行过程。例如，所述计算机程序421可以被分割成获取模块、转换模块、确定模块、计算模块、提取模块和生成模块，各模块具体功能如下：

获取模块，用于获取候选人在面试过程中的回复信息，所述回复信息包括多个回复语句；

转换模块，用于采用预设的语言模型，分别将所述多个回复语句转换为对应的句向量信息；

确定模块，用于根据所述多个回复语句的句向量信息，确定所述回复信息对应的语句集合向量信息；

计算模块，用于采用所述语句集合向量信息，计算所述回复信息中包含的多个实体相互间的关系概率；

提取模块，用于根据所述关系概率，从所述多个实体中提取出目标关系信息；

生成模块，用于基于所述目标关系信息，生成针对所述候选人的面试题目。

所述终端设备400可以是桌上型计算机、笔记本、掌上电脑等计算设备。所述终端设备400可包括，但不仅限于，处理器410、存储器420。本领域技术人员可以理解，图4仅仅是终端设备400的一种示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备400还可以包括输入输出设备、网络接入设备、总线等。

所述处理器410可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器420可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器420也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等等。进一步地，所述存储器420还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器420用于存储所述计算机程序421以及所述终端设备400所需的其他程序和数据。所述存储器420还可以用于暂时地存储已经输出或者将要输出的数据。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。