在初筛时ai赋分主要是依据：算法基础、数据基础、数据质量基础。
一、算法基础：单项维度打分算法。
1、形象打分：通过计算机视觉算法识别候选人面部特征，判断面试者的形象，年龄以及是否微笑，最后计算出百分制的形象打分。
2、情绪识别：通过计算机视觉算法识别候选人面部情绪特征。面试的过程中出现负面情绪将会影响最终情绪得分。
3、语速：通过语音识别算法计算候选人回答问题的语速，语速过快或过慢都会影响面试者的语速得分。
4、语言丰富度：根据候选人回答的长度以及用词多样性进行打分。
5、流利度：通过语音识别以及自然语言处理算法，评估面试者表达是否流利。
6、普通话得分：判断面试者普通话发音标准程度，也可以用于判断英文发音。
二、数据基础：候选人面试数据。
数据是AI算法训练的基石，AI个性化判断模型需要大量面试数据作为训练数据来学习模型参数。在数据量较小的情况下，数据的真实分布很难被反映出来。稍微复杂的模型在训练中就会出现过拟合现象，得到的最终模型具有较大方差，不能很好在新数据上进行预测。
一般情况下，数据量越大，数据所包含的信息量就会越多，同一模型的效果会随数据增加而提高，最终收敛到一个结果。同时，随着数据量增大，结构更复杂参数更多的模型可以被应用到算法训练中，模型效果会越来越好。
三、数据质量基础：用户标注数据。
在获得候选人面试数据的基础上，系统还需要获取用户（招聘方）对于面试者的评价结果作为数据标签，也就是机器学习中所谓的。用户评价结果可以是针对某一道题目的评论，如：此题回答卡顿较多。也可以是针对面试者总体面试的打分，如：95/100。
在方便面面试系统中，最容易获取的用户标注信息是面试者是否通过面试进入下一轮。这一结果可以被视为一个二元分类标注结果，即通过vs淘汰。
温馨提示：答案为网友推荐，仅供参考
相似回答