CN109800354A - 一种基于区块链存储的简历修改意图识别方法及系统 - Google Patents

Abstract

本发明公开一种基于区块链存储的简历修改意图识别方法及系统，所述方法包括：获取以区块链形式存储的用户简历相关数据；依据所述用户简历相关数据，确定区块链中保存的所述用户的简历修改历史记录信息；将所述简历修改历史记录信息输入用户意图判断模型进行运算；基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图，从而替代以往人力资源领域人工审核简历造假的工作，大大提高简历修改意图识别的工作效率，同时利用机器学习模型使得识别结果更趋于客观，从而能显著提高对候选人背景调查的效率和准确性。

Description

一种基于区块链存储的简历修改意图识别方法及系统

技术领域

本说明书涉及互联网及区块链技术领域，尤其涉及一种基于区块链存储的简历修改意图识别方法及系统。

背景技术

现阶段，随着互联网普及，在线人力资源平台接入的服务越来越多，而在大数据处理的背景下，在线人力资源平台对于人员的职业背景调查方面花费的人力财力都非常巨大，尤其在简历真实度方面一直都欠缺有效的技术手段加以验证。同时对于在线简历，其存在一个重要的特征在于简历的更改是不留痕迹的，人力资源平台用户频繁更改简历更是普遍现象。但是，用户修改简历其意图有良性(例如补充经历，更改错误)和恶性(例如删除过往工作经历，比如将频繁跳槽修改为较少跳槽)之分。因此在背景调查领域，判断一份简历的可信度，获得其完整的修改历史是有重要意义的。首先，完整的修改历史通常难以获得，其同一用户通常在各种不同的人力资源平台上有多份不同的简历拷贝；其次，即便花费巨大的财力和精力得到某一用户的完整的修改历史，目前行业内也仅能根据人力资源从业者个人经验来判断其修改的意图，估计该简历的可信度，但这种方式主观性比重太高，客观真实性较低。

发明内容

鉴于上述问题，提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的基于区块链存储的简历修改意图识别方法及系统。

第一方面，本说明书提供一种基于区块链存储的简历修改意图识别方法，其特征在于，包括：获取以区块链形式存储的用户简历相关数据；依据所述用户简历相关数据，确定区块链中保存的所述用户的简历修改历史记录信息；将所述简历修改历史记录信息输入用户意图判断模型进行运算；基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图。

第二方面，本说明书提供一种基于区块链存储的简历修改意图识别系统，其特征在于，包括：获取单元，用于获取以区块链形式存储的用户简历相关数据；确定修改单元，用于依据所述用户简历相关数据，确定区块链中保存的所述用户的简历修改历史记录信息；模型运算单元，用于将所述简历修改历史记录信息输入用户意图判断模型进行运算；意图识别单元，用于基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图。

第三方面，本说明书提供一种服务器，包括处理器和存储器：所述存储器用于存储上述任一项所述方法的程序；所述处理器被配置为用于执行所述存储器中存储的程序实现上述任一项所述方法的步骤。

第四方面，本说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

本说明书上述一个或多个技术方案，至少具有如下一种或多种技术效果：

在实施本说明书的技术方案中，利用了区块链内容修改会存证的特征，用于记录简历数据的修改历史，并通过机器学习算法得到的用户意图判断模型运算，得出用户修改意图的客观判断。从而可以大大加速人力资源领域过往由人工完成的繁琐的简历造假，随着机器学习模型输入的数据越多模型运算越完备，结果更趋于客观，从而能显著提高对候选人背景调查的效率和准确性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一实施例的基于区块链存储的简历修改意图识别方法的流程图；

图2示出了根据本发明一实施例的基于区块链存储的简历修改意图识别系统的结构示意图；

图3示出了根据本发明一实施例中的计算设备的示意图；

图4示出了根据本发明一实施例的基于区块链存储的简历的示意图；

图5示出了根据本发明一实施例的用户的简历经过分词处理后得到的知识图谱示意图；

图6示出了根据本发明一实施例的用户意图判断模型中分类运算示意图。

具体实施方式

下面通过附图以及具体实施例对本说明书技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

实施例

请参考图1，本发明基于区块链存储的简历修改意图识别方法的一个实施例，包括：

步骤S110，获取以区块链形式存储的用户简历相关数据。

其中，所述获取以区块链形式存储的用户简历相关数据之前，还包括：所述用户简历相关数据以区块链形式存储在多个区块节点中，所述多个节点共享存储的建立所述用户建立相关数据；当接收到用户对简历进行编辑修改的操作时，在区块链上产生新的区块节点进行记录，并在所述多个节点中共享存储。基于此，利用区块链信息存证保留所有历史痕迹的特征，给每一个用户开辟单独的区块链节点存储各个时间阶段的简历更新变化，比如，利用用户ID、邮箱、手机号等身份标识作为索引项，在区块链存储形式上位每一个用户生成一条区块链，区块链上的节点保存有用户不同时间阶段更新或修改的简历信息。

进一步地，所述用户对简历进行编辑修改的操作如果是多次时，按照编辑修改操作对应的时间顺序逐次产生新的区块节点，并提取对应操作的时间戳与所述编辑修改的记录分别存储在各新区块节点中，作为该用户的简历相关数据。其中，时间戳作为区块链中各区块节点保存的必要属性，标识存储区块节点对应数据信息的时间，基于区块链自身属性不可篡改，客观如实的反应了用户对简历的历次更新或编辑修改操作，并且按照区块链生成的顺序依次进行记录，杜绝了电子数据信息易修改不留痕导致信息不准确的问题。

作为一个实施方式，可以通过多个人力资源平台的数据开发接口共享所述存储用户简历相关数据的区块链，各人力资源平台具有所述区块链中一部分区块节点的建立/编辑权限；此时，当所述用户通过任一个所述人力资源平台对简历进行编辑修改的操作，仅保存在该人力资源平台负责的区块节点中，其他人力资源平台依然保存所述用户操作前的简历相关数据。比如，各人力资源平台可以包括拉卡拉、智联招聘、51job、boss直聘、脉脉网等各大在线人力资源网站的数据服务平台，其可以各自或统一设置数据开发接口，共享和维护一个海量用户简历存储的庞大区块链，各个平台各自负责此区块链中一部分区块节点，当任一个平台中有用户产生新简历建立或者旧简历修改的操作时，在相应负责的区块链中产生区块节点对用户建立或修改的简历信息进行存储，并通知共享此次操作和数据信息给区块链其他的区块节点。

如图4所示一种区块链存储简历的示意图，作为一种实施方式，某一用户开始生成建立一份简历或上传自己第一份简历时，后台将第一份简历以区块链形式存储在对应此用户的第一个区块节点1中，内容记做简历1，此第一个区块节点的时间戳001记录简历1建立的时间。在此之后，当此用户在任一个节点进行上传或修改简历的操作时，该操作的结果会以区块链中的一个区块的形式，存储在与该用户对应的区块链中，如图4所示。之后此用户每一次的操作，都会产生区块链上的一个新的区块，比如区块节点2记录了用户对简历进行修改生成简历2的操作和时间戳信息002，进一步区块节点3记录了用户对简历再次修改生成简历3及对应时间戳信息003。由此可见，对应该用户的简历每次更新或修改生成的一条区块链进行存储，按照时间戳的顺序从而可以完整的体现该用户对简历的操作历史。此外，由于节点间的数据共享的关系，由于用户的操作而生成的区块，会在所有节点中都有存储。更进一步地，基于区块链存储简历这种方式，可以为多个在线人力资源服务机构通过协议来建立统一的人力资源区块链联盟。例如拉卡拉、智联、51job、boss直聘、脉脉网等通过开发区块链基础设施和服务接口，建立一个简历区块链联盟。此后，一个用户可能由于一定的需要，仅在一个服务商更新其建立，例如在拉卡拉更新了简历，则在其他人力资源服务机构都会共享和获知此用户对简历的更新操作。需要说明的是，此时，某一用户仅在一个服务机构提供商所属的区块节点中更新简历并不意味着简历的修改为恶意。由此，人力资源区块链联盟将在区块链中存储该用户在拉卡拉的一次简历修改，并同时记录其他节点处此前没有修改的简历数据。

另外，由于根据区块链存储的规则，想要修改区块节点的区块链必须获得该区块节点的相应权限，因此，即便用户能够获取到篡改部分节点的区块链，删除或修改其中的部分区块，也无法或很难在所有节点中篡改。与此同时，除了用户以外的其他任何人或人力资源机构管理员等也无法做到在所有节点中进行篡改。

进一步地，所述获取以区块链形式存储的用户简历相关数据，进一步包括：查找与所述用户对应的各个区块节点；提取所述各个区块节点中记录的时间戳信息及用户简历相关数据。其中基于用户ID、手机号、邮箱等用户身份信息在区块链中查找定位与此用户相关的区块节点，将区块节点中记录的时间戳信息及用户简历相关的数据挖掘出来准备做下一步历史数据分析处理。

步骤S120，依据所述用户简历相关数据，确定区块链中保存的所述用户的简历修改历史记录信息。

作为一种实施方式，依据所述时间戳信息，对从各个区块节点中提取出的用户简历相关数据进行分析比较，确定出所述用户对简历进行编辑修改操作所产生的修改历史记录信息。具体地，分别对各个时间戳对应的用户简历相关数据进行分词处理，抽取简历数据中的各关键词作为标签，分析识别各关键词之间的联系作为关系框架，以此构建各个时间戳对应的各个知识图谱数据，作为此用户画像；以及，按照时间戳顺序，比较各个知识图谱数据中是否存在发生变化的标签和/或关系框架，基于发生变化的标签和/或关系框架，确定出所述简历的修改历史记录信息。

其中，由于简历是一种正式的格式文书，其内容信息字段都大致相同，都是可以通过结构化数据模板的形式进行字段抽取，或者各个人力资源网站统一对用户简历的格式进行模板要求。比如结构化数据模板可以设置抽取简历关键字段，比如姓名、照片或图片、年龄、出生年月、职业、教育背景、工作履历、职业证书、所获荣誉以及兴趣爱好等等，这些结构化数据都有其特点，在开发结构化数据模板抽取过程中可以按照各种策略进行设定和机器识别，进一步地，可以按照一个简历中文本自然分段来识别出各个简历文本块，对于各个文本块单独进行识别，例如识别到“学校”则为教育背景字段信息，出生年月有固定的数学格式，“本科”、“硕士”等字段同一行的都为学历信息，大段描述性词语部分大部分为工作经验或工作履历信息，“司法考试”、“注册会计师”等字段都应识别为职业证书信息等等。

进一步地，对抽取出的字段进行分词处理，这里可以用到自然语言识别NLP的相关算法，分词处理识别出关键词进行标注，形成对应关键词的标签，同时也从简历字段抽取中得到对应各个关键词标签之间的关系数据作为关系向量或关系框架，将上述关键词标签作为元数据，构建对应此用户简历的知识图谱，从而得到对应此用户该简历的一个的用户画像。如图5所示一个用户的简历经过分词处理后得到的知识图谱示意图，这样操作后，对于此用户各次简历修改历史记录信息以上述关键词标签及关系框架构建的知识图谱形式进行表征出来，进一步确定出知识图谱中变化的关键词标签以及关系向量。比如对于某一用户的一份简历形成如下关键词标签：李某某、2001年、北京大学、2006年、复旦大学、2009年、腾讯、算法工程师、2013年、阿里巴巴、系统架构师，以及上述关键词标签之间关系框架，比如什么时间对应哪个学校或公司或者职位、各公司履职的先后顺序、职位晋升的顺序等等。根据用户对简历进行修改，确定出标签的变化及关系框架的变化。

步骤S130，将所述简历修改历史记录信息输入用户意图判断模型进行运算。

首先，所述用户意图判断模型是预先通过训练数据机器学习模型训练的方式得到，包括：通过人工标注的方式生成大量简历修改历史黑/白样本数据；使用所述简历修改历史黑/白样本数据作为训练数据，对机器学习模型进行训练，得到所述用户意图判断模型。

由此，进一步地，将所述简历修改历史记录信息中发生变化的标签和/或关系框架分别输入到用户意图判断模型中，所述用户意图判断模型基于修改的标签和/或关系框架进行分类运算，判断修改对应的简历修改意图所属的类别。其中，将所确定的第一用户的简历修改历史记录信息中发生变化的标签和/或关系框架输入已训练好的用户意图判断模型，所述用户意图判断模型用于判断用户的操作/修改的意图，例如该用户意图判断模型可以是二元分类器(binary classification)，用于输出简历的修改是恶意还是善意。如图6所示的一种用户意图判断模型中分类运算简单示意图。此模型输入的是第一用户的简历修改历史记录信息中发生变化的各种标签以及各种标签对应的关系框架或关系向量数据，经过已经训练好的分类器模型的逐层运算最后输出简历的修改是善意或是恶意的结果。

另外，该用户意图判断模型也可以是多元类别分类器(multi-classclassification)，即同样输入的是用户的简历修改历史记录信息中发生变化的标签和关系框架/关系向量数据信息，经过多元分类器的模型运算，输出的结果不仅包含善意还是恶意，还根据输入标签及关系框架数据的不同，运算输出是否属于不同等级的恶意修改类别。这需要通过大量标注的各种恶意类别的训练样本进行训练，一些意图修改特征可以被模型所学习，例如模型将对毕业院校及学历的修改生成更高等级的学历属于恶意修改意图，对个人兴趣爱好的修改则可能影响较小不太会划分为恶意修改。

在另一种实施方式中，所述用户意图判断模型可以基于各个区块节点上时间戳对应获得不同时间点的简历信息，并通过对整个职业生涯的数据进行判断，得到对应的意图结果。这是由于，职业生涯的演进一般而言具有连续性，而非断裂在不同时间点的任意描述性数据。比如师范类学校的教育背景及小学任职的工作经历不可能下一连续时间点直接为某三甲医院任职主任医师。因此，可以将大量标注过的不同时间点的体现连续职业生涯的简历数据输入至所述用户意图判断模型，并使用类似的训练方法，即可得到一个用于预测连续职业生涯的简历修改意图。比如通过对用户历次简历修改数据进行分析处理得到的关键词标签以及关系框架，并按时间段进行了整理，得到了一个不同时间片段的简历修改历史(比如2011年、2012年、2013年分别作了三次简历修改)，其中，通过多个区块节点得到的毕业院校(比如北京大学)数据均未发生改变，因此毕业院校的数据在不同时间点之间保持一致；而在任职单位处，来自不同区块节点处的数据记录了多次修改，比如2011年增加了新的工作履历和职位：腾讯公司、算法工程师；2012年增加了创新工场、系统工程师、2013年增加了百度、系统架构师，说明此用户工作履历和任职公司的更新情况，成为一个连续职业生涯数据的一部分。

步骤S140，基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图。

其中，根据所述运算结果中简历修改意图所属的类别，识别出用户意图是恶意还是善意；如果识别出的所述用户意图是恶意，确定其属于何种类别和/或等级的恶意修改。例如模型将对用户同一时间段内在某一任职单位对应的岗位职级(科员改为处级等)或者学历的修改(比如中专改为本科)属于恶意修改意图，再例如用户在前份简历工作经历中延续时间段中没出现，在后续修改突兀出现的工作单位更换经历属于恶意修改意图，尤其是修改加入某些知名企业的工作经历，对个人兴趣爱好的修改则可能影响较小不太会划分为恶意修改。

进一步地，对于所述用户意图判断模型输出的结果为恶意修改意图的情况，可以再通过人工核查的方式予以确认，比如背景调查。对于确认属实的情况，基于恶意修改不同的级别，在人力资源服务机构平台进行人才数据库的管理时进行附加备注，对于高级别的人才，也可以在所述人力资源联盟中统一进行通报、记录和处理。

请参考图2，本发明基于区块链存储的简历修改意图识别系统的一个实施例，包括：

获取单元210，用于获取以区块链形式存储的用户简历相关数据；

确定修改单元220，用于依据所述用户简历相关数据，确定区块链中保存的所述用户的简历修改历史记录信息；

模型运算单元230，用于将所述简历修改历史记录信息输入用户意图判断模型进行运算；

意图识别单元240，用于基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图。

具体地，所述系统，还包括：区块链存储单元，用于将用户简历相关数据以区块链形式存储在多个区块节点中，所述多个节点共享存储的建立所述用户建立相关数据；当接收到用户对简历进行编辑修改的操作时，在区块链上产生新的区块节点进行记录，并在所述多个节点中共享存储。基于此，利用区块链信息存证保留所有历史痕迹的特征，给每一个用户开辟单独的区块链节点存储各个时间阶段的简历更新变化，比如，利用用户ID、邮箱、手机号等身份标识作为索引项，在区块链存储形式上位每一个用户生成一条区块链，区块链上的节点保存有用户不同时间阶段更新或修改的简历信息。

具体地，所述区块链存储单元，还用于当所述用户对简历进行编辑修改的操作如果是多次时，按照编辑修改操作对应的时间顺序逐次产生新的区块节点，并提取对应操作的时间戳与所述编辑修改的记录分别存储在各新区块节点中，作为该用户的简历相关数据。其中，时间戳作为区块链中各区块节点保存的必要属性，标识存储区块节点对应数据信息的时间，基于区块链自身属性不可篡改，客观如实的反应了用户对简历的历次更新或编辑修改操作，并且按照区块链生成的顺序依次进行记录，杜绝了电子数据信息易修改不留痕导致信息不准确的问题。

作为一种实施方式，所述系统，还包括：多平台接入单元，用于通过多个人力资源平台的数据开发接口共享所述存储用户简历相关数据的区块链，各人力资源平台具有所述区块链中一部分区块节点的建立/编辑权限，当所述用户通过任一个所述人力资源平台对简历进行编辑修改的操作，仅保存在该人力资源平台负责的区块节点中，其他人力资源平台依然保存所述用户操作前的简历相关数据。比如，各人力资源平台可以包括拉卡拉、智联招聘、51job、boss直聘、脉脉网等各大在线人力资源网站的数据服务平台，其可以各自或统一设置数据开发接口，共享和维护一个海量用户简历存储的庞大区块链，各个平台各自负责此区块链中一部分区块节点，当任一个平台中有用户产生新简历建立或者旧简历修改的操作时，在相应负责的区块链中产生区块节点对用户建立或修改的简历信息进行存储，并通知共享此次操作和数据信息给区块链其他的区块节点。

如图4所示一种区块链存储简历的示意图，作为一种实施方式，系统的区块链存储单元将用户的简历以区块链形式存储在多个节点中，多个节点共享存储的建立数据。某一用户开始生成建立一份简历或上传自己第一份简历时，后台将第一份简历以区块链形式存储在对应此用户的第一个区块节点1中，内容记做简历1，此第一个区块节点的时间戳001记录简历1建立的时间。在此之后，当此用户在任一个节点进行上传或修改简历的操作时，该操作的结果会以区块链中的一个区块的形式，存储在与该用户对应的区块链中，如图4所示。之后此用户每一次的操作，都会产生区块链上的一个新的区块，比如区块节点2记录了用户对简历进行修改生成简历2的操作和时间戳信息002，进一步区块节点3记录了用户对简历再次修改生成简历3及对应时间戳信息003。由此可见，对应该用户的简历每次更新或修改生成的一条区块链进行存储，按照时间戳的顺序从而可以完整的体现该用户对简历的操作历史。此外，由于节点间的数据共享的关系，由于用户的操作而生成的区块，会在所有节点中都有存储。更进一步地，基于区块链存储简历这种方式，可以为多个在线人力资源服务机构通过协议来建立统一的人力资源区块链联盟。例如拉卡拉、智联、51job、boss直聘、脉脉网等通过开发区块链基础设施和服务接口，建立一个简历区块链联盟。此后，一个用户可能由于一定的需要，仅在一个服务商更新其建立，例如在拉卡拉更新了简历，则在其他人力资源服务机构都会共享和获知此用户对简历的更新操作。需要说明的是，此时，某一用户仅在一个服务机构提供商所属的区块节点中更新简历并不意味着简历的修改为恶意。由此，人力资源区块链联盟将在区块链中存储该用户在拉卡拉的一次简历修改，并同时记录其他节点处此前没有修改的简历数据。由于根据区块链存储的规则，修改节点的区块链必须获得该节点的相应权限，因此即便用户能篡改部分节点的区块链，删除或修改其中的部分区块，也无法或很难在所有节点中篡改。因此，所述人力资源区块链联盟将存储用户在拉卡拉的一次建立修改，并同时记录其他节点处此前没有修改的简历数据。

另外，由于根据区块链存储的规则，想要修改区块节点的区块链必须获得该区块节点的相应权限，因此，即便用户能够获取到篡改部分节点的区块链，删除或修改其中的部分区块，也无法或很难在所有节点中篡改。与此同时，除了用户以外的其他任何人或人力资源机构管理员等也无法做到在所有节点中进行篡改。

进一步地，所述获取单元210，还用于，查找与所述用户对应的各个区块节点；提取所述各个区块节点中记录的时间戳信息及用户简历相关数据。其中基于用户ID、手机号、邮箱等用户身份信息在区块链中查找定位与此用户相关的区块节点，将区块节点中记录的时间戳信息及用户简历相关的数据挖掘出来准备做下一步历史数据分析处理。

具体地，所述确定修改单元220，还用于，依据所述时间戳信息，对从各个区块节点中提取出的用户简历相关数据进行分析比较，确定出所述用户对简历进行编辑修改操作所产生的修改历史记录信息。

更进一步地，所述确定修改单元，还包括：知识图谱子单元，用于分别对各个时间戳对应的用户简历相关数据进行分词处理，抽取简历数据中的各关键词作为标签，分析识别各关键词之间的联系作为关系框架，以此构建各个时间戳对应的各个知识图谱数据，作为此用户画像；以及，比较变化子单元，用于按照时间戳顺序，比较各个知识图谱数据中是否存在发生变化的标签和/或关系框架，基于发生变化的标签和/或关系框架，确定出所述简历的修改历史记录信息。

其中，由于简历是一种正式的格式文书，其内容信息字段都大致相同，都是可以通过结构化数据模板的形式进行字段抽取，或者各个人力资源网站统一对用户简历的格式进行模板要求。比如结构化数据模板可以设置抽取简历关键字段，比如姓名、照片或图片、年龄、出生年月、职业、教育背景、工作履历、职业证书、所获荣誉以及兴趣爱好等等，这些结构化数据都有其特点，在开发系统的知识图谱子单元的结构化数据模板抽取过程中可以按照各种策略进行设定和机器识别，进一步地，所述知识图谱子单元可以按照一个简历中文本自然分段来识别出各个简历文本块，对于各个文本块单独进行识别，例如识别到“学校”则为教育背景字段信息，出生年月有固定的数学格式，“本科”、“硕士”等字段同一行的都为学历信息，大段描述性词语部分大部分为工作经验或工作履历信息，“司法考试”、“注册会计师”等字段都应识别为职业证书信息等等。

进一步地，所述知识图谱子单元对抽取出的字段进行分词处理，这里可以用到自然语言识别NLP的相关算法，分词处理识别出关键词进行标注，形成对应关键词的标签，同时也从简历字段抽取中得到对应各个关键词标签之间的关系数据作为关系向量或关系框架，将上述关键词标签作为元数据，构建对应此用户简历的知识图谱，从而得到对应此用户该简历的一个的用户画像。如图5所示一个用户的简历经过分词处理后得到的知识图谱示意图，这样操作后，对于此用户各次简历修改历史记录信息以上述关键词标签及关系框架构建的知识图谱形式进行表征出来，比较变化子单元就可以进一步确定出知识图谱中变化的关键词标签以及关系向量。比如对于某一用户的一份简历形成如下关键词标签：李某某、2001年、北京大学、2006年、复旦大学、2009年、腾讯、算法工程师、2013年、阿里巴巴、系统架构师，以及上述关键词标签之间关系框架，比如什么时间对应哪个学校或公司或者职位、各公司履职的先后顺序、职位晋升的顺序等等。所述比较变化子单元根据用户对简历进行修改，确定出标签的变化及关系框架的变化。

作为一种实施方式，所述系统，还包括：模型训练单元，用于预先通过人工标注的方式生成大量简历修改历史黑/白样本数据；使用所述简历修改历史黑/白样本数据作为训练数据，对机器学习模型进行训练，得到所述用户意图判断模型。

从而，所述模型运算单元230，还用于，将所述简历修改历史记录信息中发生变化的标签和/或关系框架分别输入到用户意图判断模型中，所述用户意图判断模型基于修改的标签和/或关系框架进行分类运算，判断修改对应的简历修改意图所属的类别。其中，将所确定的第一用户的简历修改历史记录信息中发生变化的标签和/或关系框架输入已训练好的用户意图判断模型，所述用户意图判断模型用于判断用户的操作/修改的意图，例如该用户意图判断模型可以是二元分类器(binary classification)，用于输出简历的修改是恶意还是善意。如图6所示的一种用户意图判断模型中分类运算简单示意图。此模型输入的是第一用户的简历修改历史记录信息中发生变化的各种标签以及各种标签对应的关系框架或关系向量数据，经过已经训练好的分类器模型的逐层运算最后输出简历的修改是善意或是恶意的结果。

另外，该用户意图判断模型也可以是多元类别分类器(multi-classclassification)，即同样输入的是用户的简历修改历史记录信息中发生变化的标签和关系框架/关系向量数据信息，经过多元分类器的模型运算，输出的结果不仅包含善意还是恶意，还根据输入标签及关系框架数据的不同，运算输出是否属于不同等级的恶意修改类别。这需要通过大量标注的各种恶意类别的训练样本进行训练，一些意图修改特征可以被模型所学习，例如模型将对毕业院校及学历的修改生成更高等级的学历属于恶意修改意图，对个人兴趣爱好的修改则可能影响较小不太会划分为恶意修改。

在另一种实施方式中，所述用户意图判断模型可以基于各个区块节点上时间戳对应获得不同时间点的简历信息，并通过对整个职业生涯的数据进行判断，得到对应的意图结果。这是由于，职业生涯的演进一般而言具有连续性，而非断裂在不同时间点的任意描述性数据。比如师范类学校的教育背景及小学任职的工作经历不可能下一连续时间点直接为某三甲医院任职主任医师。因此，可以将大量标注过的不同时间点的体现连续职业生涯的简历数据输入至所述用户意图判断模型，并使用类似的训练方法，即可得到一个用于预测连续职业生涯的简历修改意图。比如通过对用户历次简历修改数据进行分析处理得到的关键词标签以及关系框架，并按时间段进行了整理，得到了一个不同时间片段的简历修改历史(比如2011年、2012年、2013年分别作了三次简历修改)，其中，通过多个区块节点得到的毕业院校(比如北京大学)数据均未发生改变，因此毕业院校的数据在不同时间点之间保持一致；而在任职单位处，来自不同区块节点处的数据记录了多次修改，比如2011年增加了新的工作履历和职位：腾讯公司、算法工程师；2012年增加了创新工场、系统工程师、2013年增加了百度、系统架构师，说明此用户工作履历和任职公司的更新情况，成为一个连续职业生涯数据的一部分。

进一步地，所述意图识别单元240，还用于，根据所述运算结果中简历修改意图所属的类别，识别出用户意图是恶意还是善意；如果识别出的所述用户意图是恶意，确定其属于何种类别和/或等级的恶意修改。

其中，根据所述运算结果中简历修改意图所属的类别，识别出用户意图是恶意还是善意；如果识别出的所述用户意图是恶意，确定其属于何种类别和/或等级的恶意修改。例如模型将对用户同一时间段内在某一任职单位对应的岗位职级(科员改为处级等)或者学历的修改(比如中专改为本科)属于恶意修改意图，再例如用户在前份简历工作经历中延续时间段中没出现，在后续修改突兀出现的工作单位更换经历属于恶意修改意图，尤其是修改加入某些知名企业的工作经历，对个人兴趣爱好的修改则可能影响较小不太会划分为恶意修改。

进一步地，对于所述用户意图判断模型输出的结果为恶意修改意图的情况，可以再通过人工核查的方式予以确认，比如背景调查。对于确认属实的情况，基于恶意修改不同的级别，在人力资源服务机构平台进行人才数据库的管理时进行附加备注，对于高级别的人才，也可以在所述人力资源联盟中统一进行通报和处理。

需要注意的，本发明中给出的用户意图判断模型仅为一种示例性说明。模型的具体输出可以为任意与简历修改历史的真实性相关的定义，例如简历真实性、简历欺诈概率等描述均属于本发明所保护的范围。

本发明另一实施例还提供了一种图3示出了根据本发明一个实施例提供的一种计算设备结构示意图。该计算设备300包括：处理器310，以及存储有可在所述处理器310上运行的计算机程序的存储器320。处理器310，用于在执行所述存储器320中的计算机程序时执行本发明中方法的各步骤。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机程序331的存储空间330。计算机程序331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书实施例方法部分。该计算设备，可以是包括各种电子设备形成的计算设备，PC电脑、网络云服务器，甚至手机、平板电脑、PDA(PersonalDigital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑、台式电脑等任意电子设备上设置的服务器功能。

基于这样的理解，本说明书实现上述第一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。

显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。

Claims (22)

1.一种基于区块链存储的简历修改意图识别方法，其特征在于，包括：

获取以区块链形式存储的用户简历相关数据；

依据所述用户简历相关数据，确定区块链中保存的所述用户的简历修改历史记录信息；

将所述简历修改历史记录信息输入用户意图判断模型进行运算；

基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图。

2.如权利要求1所述的方法，其特征在于，所述获取以区块链形式存储的用户简历相关数据之前，还包括：

所述用户简历相关数据以区块链形式存储在多个区块节点中，所述多个节点共享存储的建立所述用户建立相关数据；

当接收到用户对简历进行编辑修改的操作时，在区块链上产生新的区块节点进行记录，并在所述多个节点中共享存储。

3.如权利要求2所述的方法，其特征在于，所述用户对简历进行编辑修改的操作如果是多次时，按照编辑修改操作对应的时间顺序逐次产生新的区块节点，并提取对应操作的时间戳与所述编辑修改的记录分别存储在各新区块节点中，作为该用户的简历相关数据。

4.如权利要求1所述的方法，其特征在于，还包括：

通过多个人力资源平台的数据开发接口共享所述存储用户简历相关数据的区块链，各人力资源平台具有所述区块链中一部分区块节点的建立/编辑权限；

当所述用户通过任一个所述人力资源平台对简历进行编辑修改的操作，仅保存在该人力资源平台负责的区块节点中，其他人力资源平台依然保存所述用户操作前的简历相关数据。

5.如权利要求1所述的方法，其特征在于，所述获取以区块链形式存储的用户简历相关数据，进一步包括：

查找与所述用户对应的各个区块节点；

提取所述各个区块节点中记录的时间戳信息及用户简历相关数据。

6.如权利要求5所述的方法，其特征在于，所述依据所述用户简历相关数据，确定区块链中保存的所述简历的修改历史记录信息，进一步包括：

依据所述时间戳信息，对从各个区块节点中提取出的用户简历相关数据进行分析比较，确定出所述用户对简历进行编辑修改操作所产生的修改历史记录信息。

7.如权利要求6所述的方法，其特征在于，所述依据所述时间戳信息，对提取出的各用户简历相关数据进行分析比较，进一步包括：

分别对各个时间戳对应的用户简历相关数据进行分词处理，抽取简历数据中的各关键词作为标签，分析识别各关键词之间的联系作为关系框架，以此构建各个时间戳对应的各个知识图谱数据，作为此用户画像；以及

按照时间戳顺序，比较各个知识图谱数据中是否存在发生变化的标签和/或关系框架，基于发生变化的标签和/或关系框架，确定出所述简历的修改历史记录信息。

8.如权利要求1所述的方法，其特征在于，所述用户意图判断模型是预先通过训练数据机器学习模型训练的方式得到，包括：

通过人工标注的方式生成大量简历修改历史黑/白样本数据；

使用所述简历修改历史黑/白样本数据作为训练数据，对机器学习模型进行训练，得到所述用户意图判断模型。

9.如权利要求1所述的方法，其特征在于，将所述简历修改历史记录信息输入用户意图判断模型进行运算，进一步包括：

将所述简历修改历史记录信息中发生变化的标签和/或关系框架分别输入到用户意图判断模型中，所述用户意图判断模型基于修改的标签和/或关系框架进行分类运算，判断修改对应的简历修改意图所属的类别。

10.如权利要求9所述的方法，其特征在于，基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图，进一步包括：

根据所述运算结果中简历修改意图所属的类别，识别出用户意图是恶意还是善意；

如果识别出的所述用户意图是恶意，确定其属于何种类别和/或等级的恶意修改。

11.一种基于区块链存储的简历修改意图识别系统，其特征在于，包括：

获取单元，用于获取以区块链形式存储的用户简历相关数据；

确定修改单元，用于依据所述用户简历相关数据，确定区块链中保存的所述用户的简历修改历史记录信息；

模型运算单元，用于将所述简历修改历史记录信息输入用户意图判断模型进行运算；

意图识别单元，用于基于所述用户意图判断模型运算的结果识别所述用户对简历修改的意图。

12.如权利要求11所述的系统，其特征在于，还包括：

区块链存储单元，用于将用户简历相关数据以区块链形式存储在多个区块节点中，所述多个节点共享存储的建立所述用户建立相关数据；当接收到用户对简历进行编辑修改的操作时，在区块链上产生新的区块节点进行记录，并在所述多个节点中共享存储。

13.如权利要求12所述的系统，其特征在于，所述区块链存储单元，还用于当所述用户对简历进行编辑修改的操作如果是多次时，按照编辑修改操作对应的时间顺序逐次产生新的区块节点，并提取对应操作的时间戳与所述编辑修改的记录分别存储在各新区块节点中，作为该用户的简历相关数据。

14.如权利要求11所述的系统，其特征在于，还包括：

多平台接入单元，用于通过多个人力资源平台的数据开发接口共享所述存储用户简历相关数据的区块链，各人力资源平台具有所述区块链中一部分区块节点的建立/编辑权限，当所述用户通过任一个所述人力资源平台对简历进行编辑修改的操作，仅保存在该人力资源平台负责的区块节点中，其他人力资源平台依然保存所述用户操作前的简历相关数据。

15.如权利要求11所述的系统，其特征在于，所述获取单元，进一步用于，

查找与所述用户对应的各个区块节点；

提取所述各个区块节点中记录的时间戳信息及用户简历相关数据。

16.如权利要求15所述的系统，其特征在于，所述确定修改单元，进一步用于，

依据所述时间戳信息，对从各个区块节点中提取出的用户简历相关数据进行分析比较，确定出所述用户对简历进行编辑修改操作所产生的修改历史记录信息。

17.如权利要求16所述的系统，其特征在于，所述确定修改单元，还包括：

知识图谱子单元，用于分别对各个时间戳对应的用户简历相关数据进行分词处理，抽取简历数据中的各关键词作为标签，分析识别各关键词之间的联系作为关系框架，以此构建各个时间戳对应的各个知识图谱数据，作为此用户画像；以及

比较变化子单元，用于按照时间戳顺序，比较各个知识图谱数据中是否存在发生变化的标签和/或关系框架，基于发生变化的标签和/或关系框架，确定出所述简历的修改历史记录信息。

18.如权利要求11所述的系统，其特征在于，还包括：

模型训练单元，用于预先通过人工标注的方式生成大量简历修改历史黑/白样本数据；使用所述简历修改历史黑/白样本数据作为训练数据，对机器学习模型进行训练，得到所述用户意图判断模型。

19.如权利要求11所述的系统，其特征在于，所述模型运算单元，进一步用于，

将所述简历修改历史记录信息中发生变化的标签和/或关系框架分别输入到用户意图判断模型中，所述用户意图判断模型基于修改的标签和/或关系框架进行分类运算，判断修改对应的简历修改意图所属的类别。

20.如权利要求19所述的系统，其特征在于，所述意图识别单元，，进一步用于，

根据所述运算结果中简历修改意图所属的类别，识别出用户意图是恶意还是善意；

如果识别出的所述用户意图是恶意，确定其属于何种类别和/或等级的恶意修改。

21.一种服务器，包括处理器和存储器：

所述存储器用于存储执行权利要求1至10任一项所述方法的程序；

所述处理器被配置为用于执行所述存储器中存储的程序。

22.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至10任一项所述方法的步骤。