具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本申请实施例的一个方面，提供了一种工作技能的确定方法。可选地，在本实施例中，上述工作技能的确定方法可以应用于如图1所示的硬件环境中。如图1所示，终端102中可以包含有存储器104、处理器106和显示器108(可选部件)。终端102可以通过网络110与服务器112进行通信连接，该服务器112可用于为终端或终端上安装的客户端提供服务(如游戏服务、应用服务等)，可在服务器112上或独立于服务器112设置数据库114，用于为服务器112提供数据存储服务。此外，服务器112中可以运行有处理引擎116，该处理引擎116可以用于执行由服务器112所执行的步骤。

可选地，终端102可以但不限于为可以计算数据的终端，如移动终端(例如手机、平板电脑)、笔记本电脑、PC(Personal Computer，个人计算机)机等终端上，上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：蓝牙、WIFI(Wireless Fidelity，无线保真)及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器112可以包括但不限于任何可以进行计算的硬件设备。

此外，在本实施例中，上述工作技能的确定方法还可以但不限于应用于处理能力较强大的独立的处理设备中，而无需进行数据交互。例如，该处理设备可以但不限于为处理能力较强大的终端设备，即，上述工作技能的确定方法中的各个操作可以集成在一个独立的处理设备中。上述仅是一种示例，本实施例中对此不作任何限定。

可选地，在本实施例中，上述工作技能的确定方法可以由服务器112来执行，也可以由终端102来执行，还可以是由服务器112和终端102共同执行。其中，终端102执行本申请实施例的工作技能的确定方法也可以是由安装在其上的客户端来执行。

以运行在服务器为例，图2是根据本申请实施例的一种可选的工作技能的确定方法的流程示意图，如图2所示，该方法的流程可以包括以下步骤：

步骤S201，获取通讯软件中存储的聊天记录，其中，聊天记录用于记录目标帐号生成的技能问题列表，目标帐号为在通讯软件中使用的帐号，技能问题列表用于指示目标帐号对应的目标对象所具备的工作技能。

可选地，随着企业内部交流沟通工具的普及，员工内外部的交流越来越依赖线上沟通，本申请实施例服务器利用一些常用的通讯软件，比如wx软件等，获取到各个员工之间的聊天记录，其中，这些聊天记录中记录的有针对当前目标帐号生成的一些技能问题列表，比如，“xxx同事你好，请问你会用TensorFlow框架吗？”，“xxx同事你好，请问你会用officer办公软件吗？”等，其中，这些技能问题列表是为了获知使用目标帐号的目标对象(即使用目标帐号的用户)自身具备了哪些工作技能，这里的目标帐号是当前通讯软件中记载聊天记录的帐号，比如，目标帐号为：张三等。

步骤S202，利用第一方案对聊天记录中的词组进行实体的提取，确定实体所属的技能类别，其中，第一方案用于对词组中的词汇按照输入时序进行处理，并从处理后的词汇中提取出实体。

可选地，本申请可以采用第一方案中的对词组中词汇按照输入时序的处理方式先进行处理，然后对处理后的词汇进行提取，来完成对聊天记录中词组的实体的提取，再根据提取出的实体确定出该实体所属的技能类别。

需要说明的是，在利用第一方案进行实体提取之前，服务器会事先定义基于聊天记录生成会话员工技能列表的场景下，可以将员工具备的工作技能划分为N种技术类别，比如，N可以是7，然后这7类可以是“AI技术”、“后台技术”、“前端技术”、“运维技术”、“业务技术”、“财务技术”、“运营技术”，然后再对这7类设定对应的实体名称，可以每一种技术类别下对应包含多种具体的实体，如“AI技术”包括“NLP”、“CV”、“机器学习”等，“业务技术”包括“维修”、“焊接”等。这样，在利用第一方案提取出实体后，就可以直接找到该实体对应的技能类别。

步骤S203，利用第二方案对聊天记录中的词组进行文本类别的归类，得到目标帐号的文本标签，其中，文本类别数量为至少一个，第二方案用于根据预设文本类别标签对词组进行文本标签归类的处理，预设文本类别标签用于指示词组所属的文本类别。

可选地，本申请实施例可以采用第二方案对聊天记录中的词组进行文本类别的归类，这时，本申请实施例会事先设定用于指示词组所属的文本类别的预设文本类别标签，而第二方案是根据预设文本类别标签来对词组进行文本标签归类的处理，更具体地，第二方案的主要作用为进行文本意图的分类，因此，第二方案可以是基于卷积神经网络的文本类别判定方案。

然后，基于获取的词组的文本类别，得到目标帐号所对应的文本标签类别。可以理解的是，目标帐号通常对应使用该目标帐号的目标对象，所以在得到目标帐号中词组的文本类别后，即为确定了目标帐号的文本标签。其中，文本类别的数量大于等于一个，如有7种技术类别，分别是“AI技术”、“后台技术”、“前端技术”、“运维技术”、“业务技术”、“财务技术”、“运营技术”。

步骤S204，根据技能类别和文本标签，确定目标对象所具备的工作技能。

可选地，在服务器获取到第一方案确定的技能类别和第二方案确定的文本标签后，通过比较技能类别和文本标签，确定出目标对象所具备的工作技能。

在本申请实施例中，通过获取通讯软件中存储的聊天记录，其中，聊天记录用于记录目标帐号生成的技能问题列表，目标帐号为在通讯软件中使用的帐号，技能问题列表用于指示目标帐号对应的目标对象所具备的工作技能；利用第一方案对聊天记录中的词组进行实体的提取，确定实体所属的技能类别，其中，第一方案用于对词组中的词汇按照输入时序进行处理，并从处理后的词汇中提取出实体；利用第二方案对聊天记录中的词组进行文本类别的归类，得到目标帐号的文本标签，其中，文本类别数量为至少一个，第二方案用于根据预设文本类别标签对词组进行文本标签归类的处理，预设文本类别标签用于指示词组所属的文本类别；根据技能类别和文本标签，确定目标对象所具备的工作技能。由于本申请确定员工的工作技能是采用实体识别和对词组文本类别归类相结合的方式自动生成的，从而可以快速和准确地获取到每个员工的工作技能，从而达到了促进跨部门交流更加高效流畅的技术效果，进而解决了相关技术中存在的人工整理浪费较多人力资源，并且很容易出现细节遗漏或整理出错的问题。

作为一种可选实施例，利用第一方案对聊天记录中的词组进行实体的提取，确定实体所属的技能类别包括：

获取词组中的预设关键词，其中，预设关键词为与技能类别之间关联度大于预设阈值的词汇；

利用第一模型对预设关键词进行编码处理，得到编码数据；

利用第二模型对编码数据进行解码处理，得到实体，其中，实体为词组中用于表征目标对象具备工作技能的数据；

根据预设条件，确定出实体所属的技能类别，其中，预设条件用于表征实体与技能类别之间的对应关系。

可选地，本申请实施例中的服务器需要首先获取或提取出词组中的预设关键词，这些预设关键词与各个技能类别之间的关联度大于预设阈值，可以依据这些预设关键词找寻需要提取的实体信息。

进一步地，利用第一模型对这些预设关键词进行编码处理，得到编码数据，其中，第一模型可以是编码器等可以将文本数据处理成编码数据的模型或工具。

再利用第二模型对编码数据进行解码处理，得到对应的实体，其中，第二模型可以是解码器等可以将编码数据解码成需要的实体数据的模型或工具。

根据服务器事先设定的预设条件，依据确定的实体数据得到其对应的技能类别。其中，预设条件中记载了各个实体与各个技能类别之间的对应关系，比如，“AI技术”类别对应“NLP”、“CV”、“机器学习”等实体，“业务技术”类别对应“维修”、“焊接”等实体，在获取到“CV”实体时，即可根据上述对应关系确定“CV”实体所属的技能类别是“AI技术”。

本申请实施例可以根据提取出的实体以及实体与技能类别之间的对应关系，快速得到实体所属的技能类别。

作为一种可选实施例，利用第一模型对预设关键词进行编码处理，得到编码数据包括：

利用词向量模型对预设关键词进行处理，得到词向量；

将词向量输入第一目标网络进行编码，得到编码数据，其中，第一模型包括词向量模型和第一目标网络。

可选地，本申请实施例基于第一目标网络BiLSTM(Bi-directional Long Short-Term Memory，双向长短期记忆神经网络)进行编码处理，更具体地，设定原始文本为‘我会nlp技术，你会吗？’，这里完整文本即对应w₁，w₂，w₃...w₁₂共计12个字符长度，下面为了方便只以w₁至w₄来描述方法，实际为完整12个字符，可参见图3所示。

如图3，将原始文本{w₁，w₂，w₃，w₄}经过词向量word2voc模型中编码，得到词向量，再将获得词向量送入BiLSTM进行编码，得到编码数据。其中，word2voc是将文本映射成稠密向量的模型。

作为一种可选实施例，利用第二模型对编码数据进行解码处理，得到实体包括：

利用第一目标网络对编码数据进行提取，得到隐藏表征数据；

利用条件随机场模型对隐藏表征数据进行解码，得到实体，其中，第二模型包括第一目标网络和条件随机场模型。

可选地，经过第一目标网络BiLSTM对编码数据进行提取，得到隐藏表征数据，然后对隐藏表征数据使用条件随机场模型(CRF)进行解码，得到实体序列，这时依据BiLSTM+CRF构建的模型形成NER任务训练计算过程，拟合目标公式为标准基于crf的似然对数计算：

Loss_ner(θ_ner)＝-crf_log_likelihood(Dense(Hiddenrepresentation),ae_seq,length)

其中θ_ner为NER模型对应训练的参数，其中Dense为全连接网络，ae_seq为输入序列的正确标注结果，length为单句序列长度。

作为一种可选实施例，利用第二方案对聊天记录中的词组进行文本类别的归类，得到目标帐号的文本标签包括：

利用第二目标网络对隐藏表征数据进行训练，输出词组归属于文本类别的概率数值；

将最大的概率数值所对应的文本类别作为词组的文本标签。

如图3，在获取到隐藏表征数据后，利用第二目标网络对隐藏表征数据进行训练，这里的第二目标网络可以为文本卷积神经网络，利用该第二目标网络可以输出当前会话词组归属至各个文本类别的概率数值，然后将最大的概率数值所对应的文本类别设置为当前会话词组的文本标签，也即是目标对象的技能类别。

本申请实施例可以基于第二目标网络对词组的隐藏表征数据进行卷积训练，可以直接输出词组归属于各个文本类别的概率数值，并将概率数值最大的文本类别作为当前词组的文本标签，并将该文本标签作为后续辅助判定目标对象具备工作技能的判断依据，提高判定准确性。

作为一种可选实施例，利用第二目标网络对隐藏表征数据进行训练，输出词组归属于文本类别的概率数值包括：

利用第二目标网络对隐藏表征数据进行特征提取，得到第一特征数据；

将第一特征数据输入池化层，得到第一平均池化特征；

将第一平均池化特征输入第二目标网络中进行特征提取，得到第二特征数据；

将第二特征数据输入池化层，得到第二平均池化特征；

利用第三目标网络对第二平均池化特征进行解码，得到词组归属于文本类别的概率数值。

可选地，在利用第二目标网络对隐藏表征数据进行训练，输出词组归属于文本类别的概率数值的具体步骤为：如图3，(1)对隐藏表征数据(如图3中的x₁，x₂，x₃)经过一层CNN网络(即第二目标网络)提出特征得到第一特征数据；(2)将第一特征数据经过一个池化层AVG POOL layer进行平均池化操作，得到第一特征数据的第一平均池化特征；(3)将第一平均池化特征再次经过一次CNN卷积进行特征提纯，得到第二特征数据；(4)第二特征数据再次经过一次AVG POOL layer得到第二平均池化特征(如图3中的x₄，x₅，x₆)；(5)最后通过前馈神经网络(即第三目标网络)对第二平均池化特征进行解码判断，对上述各实施例中的七种技能类别进行概率判断，该第二目标网络使用softmax输出7种类别范围的概率最大值，即为当前词组归属的文本标签。在训练过程中，该模型的拟合目标为最小化该概率的负似然对数，计算公式如下：

其中θ_cls表示分类层网络的参数，x_i表示隐藏表征数据向量，z_i表示上述分类网络经过模型预测的对应每个类别的概率输出。

作为一种可选实施例，根据技能类别和文本标签，确定目标对象所具备的工作技能包括：

在技能类别对应的工作技能和文本标签对应的工作技能一致的情况下，确定目标对象具备工作技能。

可选地，将上述实施例得到的Loss_ner(θ_ner)和Loss_cls(θ_cls)进行融合，形成多任务训练，多任务训练的拟合目标公式如下：

Loss_multi(θ_ner,θ_cls)＝αLoss_cls(θ_cls)+βLoss_ner(θ_ner)

其中，α，β为超参权重，用以调整loss的侧重，取值范围为0-1的动态调整，且初始设为0.5，0.5，两个超参相加为1，这样做的目的是通过分类任务辅助判定技能实体为当前会话人的技能，避免出现第三方人员技能指代，如“我不会nlp技术，但是张三会”，这样的例子中“nlp技术”会被NER标注出“AI技术”，但是这句话的本意是说话人不会这个技术，因此这个不能算为目标对象(会话员工)的技能，因此以文本意图分类任务进行文本分类更为准确，因此，只有当文本意图分类任务的标签结果(即文本标签)与NER标注结果(即实体所属的技能类别)一致，才认定通过该句生成目标对象的技能标签。

该多任务模型训练最终的目标是降低Loss_multi，当在一定较低阈值区间内震荡时，则任务模型训练完成，如在1e-3与5e-3阈值区间震荡。

本申请实施例设定只有在技能类别对应的工作技能和文本标签对应的工作技能一致的情况下，才确定目标对象具备工作技能，这样更能提高确定工作技能的准确度。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM(Read-Only Memory，只读存储器)/RAM(Random Access Memory，随机存取存储器)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法。

根据本申请实施例的另一个方面，还提供了一种用于实施上述工作技能的确定方法的工作技能的确定装置。图4是根据本申请实施例的一种可选的工作技能的确定装置的结构框图，如图4所示，该装置可以包括：

获取单元401，用于获取通讯软件中存储的聊天记录，其中，聊天记录用于记录目标帐号生成的技能问题列表，目标帐号为在通讯软件中使用的帐号，技能问题列表用于指示目标帐号对应的目标对象所具备的工作技能；

提取单元402，与获取单元401相连，用于利用第一方案对聊天记录中的词组进行实体的提取，确定实体所属的技能类别，其中，第一方案用于对词组中的词汇按照输入时序进行处理，并从处理后的词汇中提取出实体；

归类单元403，与提取单元402相连，用于利用第二方案对聊天记录中的词组进行文本类别的归类，得到目标帐号的文本标签，其中，文本类别数量为至少一个，第二方案用于根据预设文本类别标签对词组进行文本标签归类的处理，预设文本类别标签用于指示词组所属的文本类别；

确定单元404，与归类单元403相连，用于根据技能类别和文本标签，确定目标对象所具备的工作技能。

需要说明的是，该实施例中的获取单元401可以用于执行上述步骤S201，该实施例中的提取单元402可以用于执行上述步骤S202，该实施例中的归类单元403可以用于执行上述步骤S203，该实施例中的确定单元404可以用于执行上述步骤S204。

通过上述模块，通过获取通讯软件中存储的聊天记录，其中，聊天记录用于记录目标帐号生成的技能问题列表，目标帐号为在通讯软件中使用的帐号，技能问题列表用于指示目标帐号对应的目标对象所具备的工作技能；利用第一方案对聊天记录中的词组进行实体的提取，确定实体所属的技能类别，其中，第一方案用于对词组中的词汇按照输入时序进行处理，并从处理后的词汇中提取出实体；利用第二方案对聊天记录中的词组进行文本类别的归类，得到目标帐号的文本标签，其中，文本类别数量为至少一个，第二方案用于根据预设文本类别标签对词组进行文本标签归类的处理，预设文本类别标签用于指示词组所属的文本类别；根据技能类别和文本标签，确定目标对象所具备的工作技能。由于本申请确定员工的工作技能是采用实体识别和对词组文本类别归类相结合的方式自动生成的，从而可以快速和准确地获取到每个员工的工作技能，从而达到了促进跨部门交流更加高效流畅的技术效果，进而解决了相关技术中存在的人工整理浪费较多人力资源，并且很容易出现细节遗漏或整理出错的问题。

作为一种可选的实施例，提取单元包括：获取模块，用于获取词组中的预设关键词，其中，预设关键词为与技能类别之间关联度大于预设阈值的词汇；编码模块，用于利用第一模型对预设关键词进行编码处理，得到编码数据；解码模块，用于利用第二模型对编码数据进行解码处理，得到实体，其中，实体为词组中用于表征目标对象具备工作技能的数据；第一确定模块，用于根据预设条件，确定出实体所属的技能类别，其中，预设条件用于表征实体与技能类别之间的对应关系。

作为一种可选的实施例，编码模块包括：处理子单元，用于利用词向量模型对预设关键词进行处理，得到词向量；编码子单元，用于将词向量输入第一目标网络进行编码，得到编码数据，其中，第一模型包括词向量模型和第一目标网络。

作为一种可选的实施例，解码模块包括：第一提取子单元，用于利用第一目标网络对编码数据进行提取，得到隐藏表征数据；第一解码子单元，用于利用条件随机场模型对隐藏表征数据进行解码，得到实体，其中，第二模型包括第一目标网络和条件随机场模型。

作为一种可选的实施例，归类单元包括：训练模块，用于利用第二目标网络对隐藏表征数据进行训练，输出词组归属于文本类别的概率数值；设定模块，用于将最大的概率数值所对应的文本类别作为词组的文本标签。

作为一种可选的实施例，训练模块包括：第二提取子单元，用于利用第二目标网络对隐藏表征数据进行特征提取，得到第一特征数据；第一输入子单元，用于将第一特征数据输入池化层，得到第一平均池化特征；第二输入子单元，用于将第一平均池化特征输入第二目标网络中进行特征提取，得到第二特征数据；第三输入子单元，用于将第二特征数据输入池化层，得到第二平均池化特征；第二解码子单元，用于利用第三目标网络对第二平均池化特征进行解码，得到词组归属于文本类别的概率数值。

作为一种可选的实施例，确定单元包括：第二确定模块，用于在技能类别对应的工作技能和文本标签对应的工作技能一致的情况下，确定目标对象具备工作技能。

此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。

根据本申请实施例的又一个方面，还提供了一种用于实施上述工作技能的确定方法的电子设备，该电子设备可以是服务器、终端、或者其组合。

图5是根据本申请实施例的一种可选的电子设备的结构框图，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501、通信接口502和存储器503通过通信总线504完成相互间的通信，其中，

存储器503，用于存储计算机程序；

处理器501，用于执行存储器503上所存放的计算机程序时，实现如下步骤：

S1，获取通讯软件中存储的聊天记录，其中，聊天记录用于记录目标帐号生成的技能问题列表，目标帐号为在通讯软件中使用的帐号，技能问题列表用于指示目标帐号对应的目标对象所具备的工作技能；

S2，利用第一方案对聊天记录中的词组进行实体的提取，确定实体所属的技能类别，其中，第一方案用于对词组中的词汇按照输入时序进行处理，并从处理后的词汇中提取出实体；

S3，利用第二方案对聊天记录中的词组进行文本类别的归类，得到目标帐号的文本标签，其中，文本类别数量为至少一个，第二方案用于根据预设文本类别标签对词组进行文本标签归类的处理，预设文本类别标签用于指示词组所属的文本类别；

S4，根据技能类别和文本标签，确定目标对象所具备的工作技能。

可选地，在本实施例中，上述的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。

作为一种示例，如图5所示，上述存储器503中可以但不限于包括上述工作技能的确定装置中的获取单元401、提取单元402、归类单元403、确定单元404。此外，还可以包括但不限于上述工作技能的确定装置中的其他模块单元，本示例中不再赘述。

上述处理器可以是通用处理器，可以包含但不限于：CPU(Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(DigitalSignal Processing，数字信号处理器)、ASIC(Application Specific IntegratedCircuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)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。

此外，上述电子设备还包括：显示器，用于显示工作技能的确定结果。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。

本领域普通技术人员可以理解，图5所示的结构仅为示意，实施上述工作技能的确定方法的设备可以是终端设备，该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图5其并不对上述电子设备的结构造成限定。例如，终端设备还可包括比图5中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图5所示的不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。

根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行工作技能的确定方法的程序代码。

可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：

S1，获取通讯软件中存储的聊天记录，其中，聊天记录用于记录目标帐号生成的技能问题列表，目标帐号为在通讯软件中使用的帐号，技能问题列表用于指示目标帐号对应的目标对象所具备的工作技能；

S2，利用第一方案对聊天记录中的词组进行实体的提取，确定实体所属的技能类别，其中，第一方案用于对词组中的词汇按照输入时序进行处理，并从处理后的词汇中提取出实体；

S3，利用第二方案对聊天记录中的词组进行文本类别的归类，得到目标帐号的文本标签，其中，文本类别数量为至少一个，第二方案用于根据预设文本类别标签对词组进行文本标签归类的处理，预设文本类别标签用于指示词组所属的文本类别；

S4，根据技能类别和文本标签，确定目标对象所具备的工作技能。

可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

根据本申请实施例的又一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一个实施例中的工作技能的确定方法步骤。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例工作技能的确定方法的全部或部分步骤。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。