CN112052271B - 一种数据处理方法及装置 - Google Patents
一种数据处理方法及装置 Download PDFInfo
- Publication number
- CN112052271B CN112052271B CN202011051462.8A CN202011051462A CN112052271B CN 112052271 B CN112052271 B CN 112052271B CN 202011051462 A CN202011051462 A CN 202011051462A CN 112052271 B CN112052271 B CN 112052271B
- Authority
- CN
- China
- Prior art keywords
- information
- company
- target
- portrait
- job
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 230000007115 recruitment Effects 0.000 claims abstract description 202
- 238000000034 method Methods 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 45
- 238000013475 authorization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 43
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 9
- 238000012550 audit Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 description 6
- 238000012797 qualification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种数据处理方法及装置,通过预设类型应用获取求职者的求职信息,预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;根据求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与求职信息匹配的目标招聘信息,公司画像根据用于表征公司实力的企业信息得到;输出目标招聘信息,实现通过能获取企业信息的预设类型应用进行招聘信息检索,并且在确定目标招聘信息过程中将公司画像和求职信息相结合得到,而公司画像根据用于表征公司实力的企业信息得到,在确定目标招聘信息过程中参考了发布招聘信息的公司实力,提高发布招聘信息的公司的真实性和可靠性,进而提高目标招聘信息的真实性和可靠性。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种数据处理方法及装置。
背景技术
目前服务各个公司进行招聘的服务器在接收到求职信息后,将求职信息与招聘信息匹配,得到与求职信息匹配的目标招聘信息,将目标招聘信息发送至求职者的终端上,求职者在向发布目标招聘信息的公司发送简历之前,可对公司的一些情况进行理解。目前求职者对公司情况的理解可以通过在论坛上搜索其所求职公司的评价信息,这些评价信息主要是评价公司的薪资待遇、公司氛围等,且不同用户感受不同给出的评价信息存在一定差异,从而通过评价信息无法确定发布招聘信息的公司的真实性和可靠性,进而使得与求职信息匹配的目标招聘信息的真实性和可靠性也随之降低。
发明内容
有鉴于此,本申请的目的在于提供一种数据处理方法及装置,用于提高目标招聘信息的真实性和可靠性。技术方案如下:
一方面,本申请提供一种数据处理方法,所述方法包括:
通过预设类型应用获取求职者的求职信息,所述预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;
根据所述求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与所述求职信息匹配的目标招聘信息,所述公司画像根据用于表征公司实力的企业信息得到;
输出所述目标招聘信息。
可选的,所述方法还包括:
获取求职者针对投递入口的操作,以得到简历投递指令;
如果响应所述简历投递指令时确定所述预设类型应用中没有所述求职者的简历,利用预设类型应用显示简历创建界面;
获取求职者在所述简历创建界面中输入的数据,以得到求职者的简历,并发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司;
如果响应所述简历投递指令时确定所述预设类型应用中有所述求职者的简历,发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司。
可选的,所述发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司包括:
在所述预设类型应用中待发送的求职者的简历满足简历发送条件的情况下,发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司,所述简历发送条件与所述投递入口对应的目标招聘信息指向的公司对应。
可选的,所述公司画像根据用于表征公司实力的企业信息得到的过程包括:
调用公司画像智能模型基于所述用于表征公司实力的企业信息,构建所述企业信息对应的公司画像,所述公司画像智能模型是通过历史企业信息和历史公司画像,对预设神经网络模型进行训练得到。
可选的,所述预设神经网络模型的生成过程包括:
获取预设神经网络模型的模型架构,所述模型架构包括输入层、隐藏层和输出层;
确定所述隐藏层的初始节点个数、所述输入层和所述隐藏层中各参数对应的初始权重;
根据预设神经网络模型的输入参数和输出参数,确定所述预设神经网络模型中待优化的权重个数,所述输入参数为企业信息,所述输出参数为公司画像;
利用评价函数对利用所述初始节点个数和所述初始权重构建的预设神经网络模型进行测试,得到测试结果;
如果所述测试结果不满足预设要求,对所述初始节点个数和所述待优化的权重个数指示的初始权重进行调整;
如果所述测试结果满足预设要求,得到用于生成所述公司画像智能模型的预设神经网络模型。
可选的,所述方法还包括:
获取求职者针对所述目标招聘信息指向的公司的评价信息;
从所述评价信息中获取目标评价信息;
利用所述目标评价信息对所述目标招聘信息指向的公司的公司画像进行调整。
可选的,所述方法还包括:
向企业信息监控节点发送企业信息审核请求,所述企业信息审核请求中携带有企业信息;
接收所述企业信息监控节点发送的审核响应,所述审核响应用于指示所述企业信息是否有效,以在所述企业信息有效的情况下生成公司画像。
可选的,所述根据所述求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与所述求职信息匹配的目标招聘信息包括:
将所述求职信息和所述公司画像输入到信息匹配模型中,通过所述信息匹配模型确定与所述求职信息匹配的目标公司,从所述目标公司发布的招聘信息中确定与所述求职信息匹配的目标招聘信息,所述信息匹配模型根据历史招聘过程中成功匹配的历史求职信息、历史招聘信息和历史公司画像训练得到。
另一方面,本申请提供一种数据处理装置,所述装置包括:
获取单元,用于通过预设类型应用获取求职者的求职信息,所述预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;
匹配单元,用于根据所述求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与所述求职信息匹配的目标招聘信息,所述公司画像根据用于表征公司实力的企业信息得到;
输出单元,用于输出所述目标招聘信息。
再一方面,本申请提供一种电子设备,所述电子设备包括:
处理器;
用于存储计算机程序代码的存储器;
所述处理器运行所述计算机程序代码,以实现上述数据处理方法。
本申请提供的数据处理方法及装置,通过预设类型应用获取求职者的求职信息,预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;根据求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与求职信息匹配的目标招聘信息,公司画像根据用于表征公司实力的企业信息得到;输出目标招聘信息,实现通过能获取企业信息的预设类型应用进行招聘信息检索,并且在确定目标招聘信息过程中将公司画像和求职信息相结合得到,而公司画像根据用于表征公司实力的企业信息得到,在确定目标招聘信息过程中参考了发布招聘信息的公司实力,提高发布招聘信息的公司的真实性和可靠性,进而提高目标招聘信息的真实性和可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图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是本申请实施例提供的一种数据处理方法的流程图;
图2是本申请实施例提供的另一种数据处理方法的流程图;
图3是本申请实施例提供的再一种数据处理方法的流程图;
图4是本申请实施例提供的一种数据处理装置的结构示意图;
图5是本申请实施例提供的另一种数据处理装置的结构示意图;
图6是本申请实施例提供的再一种数据处理装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,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,都属于本申请保护的范围。
请参见图1,其示出了本申请实施例提供的一种数据处理方法的流程图,可以包括以下步骤:
101:通过预设类型应用获取求职者的求职信息,预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息。
目前公司发布的招聘信息可以在公司自己的网页和一些专门的招聘应用中显示,本实施例提供的数据处理方法改变现有招聘信息的显示方式,在一个能够在公司授权的情况下获取到用于表征公司实力的企业信息的预设类型应用中显示,以通过预设类型应用进行招聘信息检索。例如预设类型应用可以是但不限于是手机银行应用,因为手机银行应用对应一个银行,而银行作为各公司资本流转的机构,其能够对各公司进行监控,使得银行通过自身内部数据或者通过与其他银行交互能够获取到表征公司实力的企业信息,便于企业信息的获取。如在手机银行应用上集成招聘模块,响应针对招聘模型的指令(如监测到点击招聘模块时生成),以获取求职者的求职信息。
其中用于表征公司实力的企业信息包括但不限于注册资金、资金流水,存款、负债、代发薪及时性、员工工资等信息,因为这些信息是公司的机密信息,通常情况下是不能随意利用这些信息的,所以本实施例在公司授权的情况下获取企业信息,在公司授权的情况下,公司发布的招聘信息可通过网络传输到预设类型应用对应的服务器中,在进行招聘信息显示和检索过程中,可从服务器中获取招聘信息。如果没有接收到公司授权指令,预设类型应用不能发布该公司的招聘信息。
相对应的,求职信息可以是求职者输入的关键词,输入的关键词用于表明求职者的求职意向,或者求职信息是求职者从预设类型应用的界面显示的求职选项中选取出的求职选型对应的信息,即预设类型应用的界面中会显示一些求职选项,如行业、地区、薪资范围等等,从这些求职选项中选取表征求职者的求职意向的选项作为求职信息,具体本实施例不再阐述。
102:根据求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与求职信息匹配的目标招聘信息,公司画像根据用于表征公司实力的企业信息得到。
因公司画像根据表征公司实力的企业信息得到,在结合求职信息和公司画像匹配目标招聘信息过程中,可以公司实力为参考,排除可靠性和真实性低(如可靠性和真实性分别小于各自对应的阈值,阈值不进行限定)的公司,那么在进行招聘信息检索过程中自动排除掉可靠性和真实性低的公司发布的招聘信息,这就意味着目标招聘信息能够从可靠性和真实性高的公司发布的招聘信息中查找到,从而提高目标招聘信息的真实性和可靠性。
在本实施例中,确定目标招聘信息的一种方式是:将求职信息和公司画像输入到信息匹配模型中,通过信息匹配模型确定与求职信息匹配的目标公司,从目标公司发布的招聘信息中确定与求职信息匹配的目标招聘信息。
其中信息匹配模型根据历史招聘过程中成功匹配的历史求职信息、历史招聘信息和历史公司画像训练得到,以得到历史求职信息和历史公司画像之间的对应关系,确定出在成功匹配的招聘过程中与求职信息匹配的企业信息,从而能够基于信息匹配模型对当前的求职信息对应的目标公司进行筛选。因信息匹配模型是通过成功匹配的历史求职信息、历史招聘信息和历史公司画像训练,使得目标公司与当前的求职信息的匹配度提高,节省求职者对目标公司的筛选,提高效率。
当然,信息匹配模型还可以是以求职信息和公司画像为输入,输出为目标招聘信息,即将目标招聘信息的确定过程也加入到信息匹配模型中,以通过信息匹配模型完成目标招聘信息的确定。相对应的信息匹配模型的训练过程根据历史招聘过程中成功匹配的历史求职信息、历史招聘信息和历史公司画像训练得到,只不过是得到求职信息和目标招聘信息之间的对应关系,对此本实施例不再阐述。
在匹配目标招聘信息过程中,会匹配出多个目标招聘信息,本实施例可以对目标招聘信息进行排序,根据排序进行目标招聘信息的选取,选取出的目标招聘信息与求职信息匹配的目标招聘信息。当然也可以在输出过程中根据排序有选择性地输出。
其中公司画像根据用于表征公司实力的企业信息得到的一种方式是,调用公司画像智能模型基于用于表征公司实力的企业信息,构建企业信息对应的公司画像,公司画像智能模型是通过历史企业信息和历史公司画像,对预设神经网络模型进行训练得到。
对预设神经网络模型的训练可以是:根据历史企业信息和历史公司画像,得到测试样本和训练样本,利用训练样本对预设神经网络模型进行训练,在并利用测试样本对训练后的预设神经网络模型进行测试,以验证训练后的预设神经网络模型的预测准确率,具体过程不再详述。其中预设神经网络模型可通过但不限于下述方式生成:
步骤1:获取预设神经网络模型的模型架构,模型架构包括输入层、隐藏层和输出层。根据kolmogorov原理,一个三层BP神经网络能够完成任意的n维到m维的映射,因此本实施例中预设神经网络模型的模型架构为三层架构,分别是输入层、隐藏层和输出层。
步骤2:确定隐藏层的初始节点个数、输入层和隐藏层中各参数对应的初始权重。初始节点个数和初始权重可由用户根据历史经验设置,本实施例不进行限定。
步骤3:根据预设神经网络模型的输入参数和输出参数,确定预设神经网络模型中待优化的权重个数,输入参数为企业信息,输出参数为公司画像。如根据输入参数的个数和输出参数的个数,确定预设神经网络模型中待优化的权重个数,例如输入参数的个数与输出参数的个数之间的乘积就是预设神经网络模型中待优化的权重个数。
步骤4:利用评价函数对利用初始节点个数和初始权重构建的预设神经网络模型进行测试,得到测试结果。
步骤5:如果测试结果不满足预设要求,对初始节点个数和待优化的权重个数指示的初始权重进行调整。其中预设要求用于指示利用评价函数得到的预设测试结果以及测试结果与预设测试结果匹配的次数达到预设次数,若测试结果与预设测试结果匹配但是匹配的次数没有达到预设次数,仍继续对初始节点个数和待优化的权重个数指示的初始权重进行调整。如果测试结果与预设测试结果不匹配,可基于测试结果与预设测试结果之间的差异信息,对初始节点个数和待优化的权重个数指示的初始权重进行调整。
对于预设测试结果和预设次数,本实施例不进行限定。
步骤6:如果测试结果满足预设要求,得到用于生成公司画像智能模型的预设神经网络模型。
此外,利用预设类型应用发布招聘信息过程中,招聘信息还包括限定推荐条件,限定推荐条件用于指示拒绝向具有预设资格的求职者推荐招聘信息,预设资格可以是对求职者自身条件的限定,如限定学历、年龄、工作经验等信息,如果从求职信息对应的简历中确定出具有限定推荐条件,则不向该求职者推荐具有此限定推荐条件的招聘信息。
103:输出目标招聘信息。在输出目标招聘信息过程中,还能够输出目标招聘信息指向的公司的基础信息,如公司人员、平均薪资等等。输出的基础信息可以通过公司人员指定,不同公司指定的基础信息可以相同或者不同,以在显示目标招聘信息过程中同时显示公司的基础信息,便于求职者对目标招聘信息指向的公司有个大概了解。
从上述技术方案可知,通过预设类型应用获取求职者的求职信息,预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;根据求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与求职信息匹配的目标招聘信息,公司画像根据用于表征公司实力的企业信息得到;输出目标招聘信息,实现通过能获取企业信息的预设类型应用进行招聘信息检索,并且在确定目标招聘信息过程中将公司画像和求职信息相结合得到,而公司画像根据用于表征公司实力的企业信息得到,在确定目标招聘信息过程中参考了发布招聘信息的公司实力,提高发布招聘信息的公司的真实性和可靠性,进而提高目标招聘信息的真实性和可靠性。
请参见图2,其示出了本申请实施例提供的另一种数据处理方法的流程图,在图1所示基础上,还可以包括以下步骤:
104:获取求职者针对投递入口的操作,以得到简历投递指令。投递入口可以是但不限于是预设类型应用的界面中显示的投递控件,投递入口绑定简历投递指令,在监测到触发投递入口的操作时得到简历投递指令。
105:如果响应简历投递指令时确定预设类型应用中没有求职者的简历,利用预设类型应用显示简历创建界面。
简历投递指令用于发送求职者的简历至投递入口对应的目标招聘信息指向的公司,因此如果没有求职者的简历,则需要利用预设类型应用显示简历创建界面,对于简历创建界面的形式本实施例不进行限定,可以由求职者输入和选择简历创建界面中提供的一些选项等方式生成简历。
106:获取求职者在简历创建界面中输入的数据,以得到求职者的简历,并发送求职者的简历至投递入口对应的目标招聘信息指向的公司。
对于简历创建界面的形式本实施例不进行限定,可以由求职者输入和选择简历创建界面中提供的一些选项等方式生成简历。例如由求职者输入个人基础信息,对于证明材料,证明材料通过手机扫描的方式获取并存储在服务器中,方便发布招聘信息的公司核实求职者的信息。此外还可以输入求职者的求职需求,如公司性质、公司经营范围、应聘职位、应聘薪资、作息情况等,在推荐目标招聘信息过程中可利用求职需求进行匹配。
107:如果响应简历投递指令时确定预设类型应用中有求职者的简历,发送求职者的简历至投递入口对应的目标招聘信息指向的公司。
发送求职者的简历至投递入口对应的目标招聘信息指向的公司可以是:将求职者的简历以邮件形式发送至公司人力部门的邮箱;在本实施例中,预设类型应用还可以提供简历发送条件,简历发送条件用于指示何时发送求职者的简历,如简历发送条件可以是但不限于是特定时间、简历数达到预设数量、求职者是公司急需的专业等中的至少一种,这样在预设类型应用中待发送的求职者的简历满足简历发送条件的情况下,发送求职者的简历至投递入口对应的目标招聘信息指向的公司。
简历发送条件与投递入口对应的目标招聘信息指向的公司对应,以使不同公司能够设置不同的简历发送条件。
请参见图3,其示出了本申请实施例提供的再一种数据处理方法,可以包括以下步骤:
301:通过预设类型应用获取求职者的求职信息,预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息。
302:根据求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与求职信息匹配的目标招聘信息,公司画像根据用于表征公司实力的企业信息得到。
303:输出目标招聘信息。
304:获取求职者针对目标招聘信息指向的公司的评价信息。
305:从评价信息中获取目标评价信息。目标评价信息是能够对公司画像进行矫正的评价信息,如从评价信息中获取相似的评价信息作为目标评价信息,因为相似的评价信息说明求职者对公司的印象统一,更具有大众性。
306:利用目标评价信息对目标招聘信息指向的公司的公司画像进行调整。如可以将企业信息和目标评价信息输入到画像矫正模型中,利用画像矫正模型对公司画像进行调整,以保证公司画像的真实有效,其中画像矫正模型可利用但不限于利用基于决策树的模型构建,具体本实施例不再阐述。
通过目标评价信息对目标招聘信息指向的公司的公司画像进行调整,使得公司画像更加真实有效,这样在进行招聘信息检索过程中,可提供目标招聘信息的真实性和有效性。
在本实施例中,建立一个与求职者的客户端和运行预设类型应用的客户端对应的区块链,区块链包括两个节点,一个节点对应求职者的客户端,另一个节点对应运行预设类型应用的客户端,求职信息、目标招聘信息和评价信息等都通过区块链上的各节点传输,使得信息传输有溯可寻,提高信息可靠性。
在上述数据处理方法中,数据处理方法还包括:向企业信息监控节点发送企业信息审核请求,企业信息审核请求中携带有企业信息;接收企业信息监控节点发送的审核响应,审核响应用于指示企业信息是否有效,以在企业信息有效的情况下生成公司画像。
企业信息监控节点可以是但不限于是位于工商和税务等部门的节点,以通过工商和税务等监督查看企业信息,保证企业信息的准确度,才能真正保证求职者的合法利益。但是公司发布的招聘信息不受企业信息监控节点,防止信息泄露。其中企业信息监控节点也可以与区块链中的一个节点对应,同样通过区块链中的节点传输信息,达到信息传输有溯可寻的目的。
与上述方法实施例相对应,本申请实施例还提供一种数据处理装置,其结构如图4所示,可以包括:获取单元10、匹配单元20和输出单元30。
获取单元10,用于通过预设类型应用获取求职者的求职信息,预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息。
例如预设类型应用可以是但不限于是手机银行应用,因为手机银行应用对应一个银行,而银行作为各公司资本流转的机构,其能够对各公司进行监控,使得银行通过自身内部数据或者通过与其他银行交互能够获取到表征公司实力的企业信息,便于企业信息的获取。如在手机银行应用上集成招聘模块,响应针对招聘模型的指令(如监测到点击招聘模块时生成),以获取求职者的求职信息。其中用于表征公司实力的企业信息包括但不限于注册资金、资金流水,存款、负债、代发薪及时性、员工工资等信息,具体请参见上述实施例中的说明,此处不再赘述。
匹配单元20,用于根据求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与求职信息匹配的目标招聘信息,公司画像根据用于表征公司实力的企业信息得到。
因公司画像根据表征公司实力的企业信息得到,在结合求职信息和公司画像匹配目标招聘信息过程中,可以公司实力为参考,排除可靠性和真实性低(如可靠性和真实性分别小于各自对应的阈值,阈值不进行限定)的公司,那么在进行招聘信息检索过程中自动排除掉可靠性和真实性低的公司发布的招聘信息,这就意味着目标招聘信息能够从可靠性和真实性高的公司发布的招聘信息中查找到,从而提高目标招聘信息的真实性和可靠性。
在本实施例中,确定目标招聘信息的一种方式是:将求职信息和公司画像输入到信息匹配模型中,通过信息匹配模型确定与求职信息匹配的目标公司,从目标公司发布的招聘信息中确定与求职信息匹配的目标招聘信息。
其中信息匹配模型根据历史招聘过程中成功匹配的历史求职信息、历史招聘信息和历史公司画像训练得到,以得到历史求职信息和历史公司画像之间的对应关系,确定出在成功匹配的招聘过程中与求职信息匹配的企业信息,从而能够基于信息匹配模型对当前的求职信息对应的目标公司进行筛选,对于信息匹配模型的说明请参见上述实施例中的说明,此处不再赘述。
公司画像根据用于表征公司实力的企业信息得到的一种方式是,调用公司画像智能模型基于用于表征公司实力的企业信息,构建企业信息对应的公司画像,公司画像智能模型是通过历史企业信息和历史公司画像,对预设神经网络模型进行训练得到。
对预设神经网络模型的训练可以是:根据历史企业信息和历史公司画像,得到测试样本和训练样本,利用训练样本对预设神经网络模型进行训练,在并利用测试样本对训练后的预设神经网络模型进行测试,以验证训练后的预设神经网络模型的预测准确率,具体过程不再详述。预设神经网络模型可通过但不限于下述方式生成:
获取预设神经网络模型的模型架构,模型架构包括输入层、隐藏层和输出层;确定隐藏层的初始节点个数、输入层和隐藏层中各参数对应的初始权重;根据预设神经网络模型的输入参数和输出参数,确定预设神经网络模型中待优化的权重个数,输入参数为企业信息,输出参数为公司画像;利用评价函数对利用初始节点个数和初始权重构建的预设神经网络模型进行测试,得到测试结果;如果测试结果不满足预设要求,对初始节点个数和待优化的权重个数指示的初始权重进行调整;如果测试结果满足预设要求,得到用于生成公司画像智能模型的预设神经网络模型,对于预设神经网络模型的生成过程的说明请参见上述实施例,此处不再赘述。
此外,利用预设类型应用发布招聘信息过程中,招聘信息还包括限定推荐条件,限定推荐条件用于指示拒绝向具有预设资格的求职者推荐招聘信息,预设资格可以是对求职者自身条件的限定,如限定学历、年龄、工作经验等信息,如果从求职信息对应的简历中确定出具有限定推荐条件,则不向该求职者推荐具有此限定推荐条件的招聘信息。
输出单元30,用于输出目标招聘信息。在输出目标招聘信息过程中,还能够输出目标招聘信息指向的公司的基础信息,如公司人员、平均薪资等等。输出的基础信息可以通过公司人员指定,不同公司指定的基础信息可以相同或者不同,以在显示目标招聘信息过程中同时显示公司的基础信息,便于求职者对目标招聘信息指向的公司有个大概了解。
从上述技术方案可知,通过预设类型应用获取求职者的求职信息,预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;根据求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与求职信息匹配的目标招聘信息,公司画像根据用于表征公司实力的企业信息得到;输出目标招聘信息,实现通过能获取企业信息的预设类型应用进行招聘信息检索,并且在确定目标招聘信息过程中将公司画像和求职信息相结合得到,而公司画像根据用于表征公司实力的企业信息得到,在确定目标招聘信息过程中参考了发布招聘信息的公司实力,提高发布招聘信息的公司的真实性和可靠性,进而提高目标招聘信息的真实性和可靠性。
请参见图5,其示出了本申请实施例提供的另一种数据处理装置的可选结构,还可以包括:监测单元40、显示单元50、创建单元60和发送单元70。
监测单元40,用于获取求职者针对投递入口的操作,以得到简历投递指令。投递入口可以是但不限于是预设类型应用的界面中显示的投递控件,投递入口绑定简历投递指令,在监测到触发投递入口的操作时得到简历投递指令。
显示单元50,用于如果响应简历投递指令时确定预设类型应用中没有求职者的简历,利用预设类型应用显示简历创建界面。简历投递指令用于发送求职者的简历至投递入口对应的目标招聘信息指向的公司,因此如果没有求职者的简历,则需要利用预设类型应用显示简历创建界面,对于简历创建界面的形式本实施例不进行限定,可以由求职者输入和选择简历创建界面中提供的一些选项等方式生成简历。
创建单元60,用于获取求职者在简历创建界面中输入的数据,以得到求职者的简历;对于简历创建界面的形式本实施例不进行限定,可以由求职者输入和选择简历创建界面中提供的一些选项等方式生成简历。例如由求职者输入个人基础信息,对于证明材料,证明材料通过手机扫描的方式获取并存储在服务器中,方便发布招聘信息的公司核实求职者的信息。此外还可以输入求职者的求职需求,如公司性质、公司经营范围、应聘职位、应聘薪资、作息情况等,在推荐目标招聘信息过程中可利用求职需求进行匹配。
发送单元70,用于在创建单元60生成求职者的简历的情况下发送求职者的简历至投递入口对应的目标招聘信息指向的公司,以及用于如果响应简历投递指令时确定预设类型应用中有求职者的简历,发送求职者的简历至投递入口对应的目标招聘信息指向的公司。
发送求职者的简历至投递入口对应的目标招聘信息指向的公司可以是:将求职者的简历以邮件形式发送至公司人力部门的邮箱;在本实施例中,预设类型应用还可以提供简历发送条件,简历发送条件用于指示何时发送求职者的简历,如简历发送条件可以是但不限于是特定时间、简历数达到预设数量、求职者是公司急需的专业等中的至少一种,这样在预设类型应用中待发送的求职者的简历满足简历发送条件的情况下,发送求职者的简历至投递入口对应的目标招聘信息指向的公司。简历发送条件与投递入口对应的目标招聘信息指向的公司对应,以使不同公司能够设置不同的简历发送条件。
请参见图6,其示出了本申请实施例提供的再一种数据处理装置的可选结构,还可以包括:信息获取单元80和调整单元90。
信息获取单元80,用于获取求职者针对目标招聘信息指向的公司的评价信息,从评价信息中获取目标评价信息。目标评价信息是能够对公司画像进行矫正的评价信息,如从评价信息中获取相似的评价信息作为目标评价信息,因为相似的评价信息说明求职者对公司的印象统一,更具有大众性。
调整单元90,用于利用目标评价信息对目标招聘信息指向的公司的公司画像进行调整。如可以将企业信息和目标评价信息输入到画像矫正模型中,利用画像矫正模型对公司画像进行调整,以保证公司画像的真实有效,其中画像矫正模型可利用但不限于利用基于决策树的模型构建,具体本实施例不再阐述。
通过目标评价信息对目标招聘信息指向的公司的公司画像进行调整,使得公司画像更加真实有效,这样在进行招聘信息检索过程中,可提供目标招聘信息的真实性和有效性。
本申请实施例还提供一种电子设备,电子设备包括:处理器;用于存储计算机程序代码的存储器;处理器运行计算机程序代码,以实现上述数据处理方法。
本申请实施例还提供一种存储介质,存储介质中存储有程序代码,程序代码运行时实现上述数据处理方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述、各个实施例中记载的特征可以相互替换或者组合,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
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。
Claims (8)
1.一种数据处理方法,其特征在于,所述方法包括:
通过预设类型应用获取求职者的求职信息,所述预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;
根据所述求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与所述求职信息匹配的目标招聘信息,所述公司画像根据用于表征公司实力的企业信息得到,所述公司画像根据用于表征公司实力的企业信息得到的过程包括:调用公司画像智能模型基于所述用于表征公司实力的企业信息,构建所述企业信息对应的公司画像,所述公司画像智能模型是通过历史企业信息和历史公司画像,对预设神经网络模型进行训练得到;
输出所述目标招聘信息;
所述根据所述求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与所述求职信息匹配的目标招聘信息包括:
将所述求职信息和所述公司画像输入到信息匹配模型中,通过所述信息匹配模型确定与所述求职信息匹配的目标公司,从所述目标公司发布的招聘信息中确定与所述求职信息匹配的目标招聘信息,所述信息匹配模型根据历史招聘过程中成功匹配的历史求职信息、历史招聘信息和历史公司画像训练得到。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取求职者针对投递入口的操作,以得到简历投递指令;
如果响应所述简历投递指令时确定所述预设类型应用中没有所述求职者的简历,利用预设类型应用显示简历创建界面;
获取求职者在所述简历创建界面中输入的数据,以得到求职者的简历,并发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司;
如果响应所述简历投递指令时确定所述预设类型应用中有所述求职者的简历,发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司。
3.根据权利要求2所述的方法,其特征在于,所述发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司包括:
在所述预设类型应用中待发送的求职者的简历满足简历发送条件的情况下,发送所述求职者的简历至所述投递入口对应的目标招聘信息指向的公司,所述简历发送条件与所述投递入口对应的目标招聘信息指向的公司对应。
4.根据权利要求1所述的方法,其特征在于,所述预设神经网络模型的生成过程包括:
获取预设神经网络模型的模型架构,所述模型架构包括输入层、隐藏层和输出层;
确定所述隐藏层的初始节点个数、所述输入层和所述隐藏层中各参数对应的初始权重;
根据预设神经网络模型的输入参数和输出参数,确定所述预设神经网络模型中待优化的权重个数,所述输入参数为企业信息,所述输出参数为公司画像;
利用评价函数对利用所述初始节点个数和所述初始权重构建的预设神经网络模型进行测试,得到测试结果;
如果所述测试结果不满足预设要求,对所述初始节点个数和所述待优化的权重个数指示的初始权重进行调整;
如果所述测试结果满足预设要求,得到用于生成所述公司画像智能模型的预设神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取求职者针对所述目标招聘信息指向的公司的评价信息;
从所述评价信息中获取目标评价信息;
利用所述目标评价信息对所述目标招聘信息指向的公司的公司画像进行调整。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
向企业信息监控节点发送企业信息审核请求,所述企业信息审核请求中携带有企业信息;
接收所述企业信息监控节点发送的审核响应,所述审核响应用于指示所述企业信息是否有效,以在所述企业信息有效的情况下生成公司画像。
7.一种数据处理装置,其特征在于,所述装置包括:
获取单元,用于通过预设类型应用获取求职者的求职信息,所述预设类型应用能在公司授权的情况下获取公司发布的招聘信息和用于表征公司实力的企业信息;
匹配单元,用于根据所述求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与所述求职信息匹配的目标招聘信息,所述公司画像根据用于表征公司实力的企业信息得到,所述公司画像根据用于表征公司实力的企业信息得到的过程包括:调用公司画像智能模型基于所述用于表征公司实力的企业信息,构建所述企业信息对应的公司画像,所述公司画像智能模型是通过历史企业信息和历史公司画像,对预设神经网络模型进行训练得到;
输出单元,用于输出所述目标招聘信息;
所述匹配单元根据所述求职信息和公司画像,从预设类型应用获取到的招聘信息中确定与所述求职信息匹配的目标招聘信息包括:
将所述求职信息和所述公司画像输入到信息匹配模型中,通过所述信息匹配模型确定与所述求职信息匹配的目标公司,从所述目标公司发布的招聘信息中确定与所述求职信息匹配的目标招聘信息,所述信息匹配模型根据历史招聘过程中成功匹配的历史求职信息、历史招聘信息和历史公司画像训练得到。
8.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储计算机程序代码的存储器;
所述处理器运行所述计算机程序代码,以实现如权利要求1至6中任意一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011051462.8A CN112052271B (zh) | 2020-09-29 | 2020-09-29 | 一种数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011051462.8A CN112052271B (zh) | 2020-09-29 | 2020-09-29 | 一种数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052271A CN112052271A (zh) | 2020-12-08 |
CN112052271B true CN112052271B (zh) | 2023-11-17 |
Family
ID=73605390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011051462.8A Active CN112052271B (zh) | 2020-09-29 | 2020-09-29 | 一种数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052271B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113918765A (zh) * | 2021-11-04 | 2022-01-11 | 盐城金堤科技有限公司 | 视频推荐方法、装置、介质和电子设备 |
CN116468414B (zh) * | 2023-04-21 | 2023-11-21 | 中山市才通天下信息科技股份有限公司 | 一种招聘用智能简历筛选评估方法及系统 |
CN117252565B (zh) * | 2023-11-10 | 2024-02-06 | 北京华品博睿网络技术有限公司 | 一种公司亮点生成方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527151A (zh) * | 2017-08-31 | 2017-12-29 | 郑州云海信息技术有限公司 | 一种构建企业画像的方法及系统 |
CN108256827A (zh) * | 2018-01-10 | 2018-07-06 | 广东轩辕网络科技股份有限公司 | 目标职位分析方法及系统 |
CN108572967A (zh) * | 2017-03-09 | 2018-09-25 | 神州数码系统集成服务有限公司 | 一种创建企业画像的方法及装置 |
CN108733827A (zh) * | 2018-05-24 | 2018-11-02 | 佛山市轻遣网络有限公司 | 一种招聘网站外的招聘信息获取方法及系统 |
CN110059162A (zh) * | 2019-04-28 | 2019-07-26 | 苏州创汇智信息技术有限公司 | 一种求职简历与招聘职位的匹配方法及装置 |
CN110059923A (zh) * | 2019-03-13 | 2019-07-26 | 平安科技(深圳)有限公司 | 岗位画像和简历信息的匹配方法、装置、设备及存储介质 |
CN110196943A (zh) * | 2019-04-22 | 2019-09-03 | 苏州同者信息科技有限公司 | 一种职位智能推荐系方法及其系统 |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
CN110619506A (zh) * | 2019-08-13 | 2019-12-27 | 平安科技(深圳)有限公司 | 一种岗位画像生成方法、岗位画像生成装置及电子设备 |
CN111460813A (zh) * | 2020-03-04 | 2020-07-28 | 北京网聘咨询有限公司 | 招聘信息和求职简历匹配的方法及系统 |
-
2020
- 2020-09-29 CN CN202011051462.8A patent/CN112052271B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108572967A (zh) * | 2017-03-09 | 2018-09-25 | 神州数码系统集成服务有限公司 | 一种创建企业画像的方法及装置 |
CN107527151A (zh) * | 2017-08-31 | 2017-12-29 | 郑州云海信息技术有限公司 | 一种构建企业画像的方法及系统 |
CN108256827A (zh) * | 2018-01-10 | 2018-07-06 | 广东轩辕网络科技股份有限公司 | 目标职位分析方法及系统 |
CN108733827A (zh) * | 2018-05-24 | 2018-11-02 | 佛山市轻遣网络有限公司 | 一种招聘网站外的招聘信息获取方法及系统 |
CN110059923A (zh) * | 2019-03-13 | 2019-07-26 | 平安科技(深圳)有限公司 | 岗位画像和简历信息的匹配方法、装置、设备及存储介质 |
CN110196943A (zh) * | 2019-04-22 | 2019-09-03 | 苏州同者信息科技有限公司 | 一种职位智能推荐系方法及其系统 |
CN110059162A (zh) * | 2019-04-28 | 2019-07-26 | 苏州创汇智信息技术有限公司 | 一种求职简历与招聘职位的匹配方法及装置 |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
CN110619506A (zh) * | 2019-08-13 | 2019-12-27 | 平安科技(深圳)有限公司 | 一种岗位画像生成方法、岗位画像生成装置及电子设备 |
CN111460813A (zh) * | 2020-03-04 | 2020-07-28 | 北京网聘咨询有限公司 | 招聘信息和求职简历匹配的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112052271A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052271B (zh) | 一种数据处理方法及装置 | |
US11985037B2 (en) | Systems and methods for conducting more reliable assessments with connectivity statistics | |
US11037083B2 (en) | Non-intrusive techniques for discovering and using organizational relationships | |
US10187277B2 (en) | Scoring using distributed database with encrypted communications for credit-granting and identification verification | |
CN112639845B (zh) | 确定个人信息查找结果可信度的机器学习系统和方法 | |
US6532459B1 (en) | System for finding, identifying, tracking, and correcting personal information in diverse databases | |
US8676684B2 (en) | System and method for evaluating risk in fraud prevention | |
CN107945015B (zh) | 人机问答审核方法、装置、设备及计算机可读存储介质 | |
US8438386B2 (en) | System and method for developing a risk profile for an internet service | |
CN102891897B (zh) | 网页分享方法和服务器及客户端 | |
CN107679211A (zh) | 用于推送信息的方法和装置 | |
US20120182882A1 (en) | Systems and methods for social graph data analytics to determine connectivity within a community | |
CN106230867A (zh) | 预测域名是否恶意的方法、系统及其模型训练方法、系统 | |
TWI734466B (zh) | 針對隱私資料洩漏的風險評估方法及裝置 | |
CN109831459B (zh) | 安全访问的方法、装置、存储介质和终端设备 | |
CN101375546A (zh) | 用于欺骗监控、检测和分层用户鉴权的系统和方法 | |
EP2748781A2 (en) | Multi-factor identity fingerprinting with user behavior | |
CN106779278A (zh) | 资产信息的评价系统及其信息的处理方法和装置 | |
US20140330759A1 (en) | System and method for developing a risk profile for an internet service | |
CN112632409A (zh) | 同一用户识别方法、装置、计算机设备和存储介质 | |
CN113190562A (zh) | 一种报表生成方法、装置及电子设备 | |
Kusuma et al. | Security system for digital land certificate based on Blockchain and QR code validation in Indonesia | |
CN109101574A (zh) | 一种数据防泄漏系统的任务审批方法和系统 | |
CN109657900B (zh) | 工作单位信息的风险检测方法、装置、设备及存储介质 | |
CN111753149A (zh) | 敏感信息的检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |