CN112307331A - 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 - Google Patents
一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 Download PDFInfo
- Publication number
- CN112307331A CN112307331A CN202011097805.4A CN202011097805A CN112307331A CN 112307331 A CN112307331 A CN 112307331A CN 202011097805 A CN202011097805 A CN 202011097805A CN 112307331 A CN112307331 A CN 112307331A
- Authority
- CN
- China
- Prior art keywords
- local
- parameters
- edge server
- federal learning
- college
- 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.)
- Granted
Links
- 230000007115 recruitment Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012795 verification Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000000977 initiatory effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于区块链高校毕业生智能招聘信息推送方法，包括：根据获取的毕业生就业信息建立高校就业信息数据库；通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证；所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器；接收所述的全局参数，并根据本地参数进行联邦学习，获取最终的本地模型；根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。和现有的高校招聘系统，本发明能够解决目前高校应届生招聘信息杂乱、信息收集难度大以及信息推送精度不够的问题。
Description
技术领域
本发明属于区块链技术领域，具体是涉及到一种基于区块链高校毕业生智能招聘信息推送方法、系统、终端设备以及计算机可读介质。
背景技术
目前，高校现有的求职招聘信息推送方式包括以下几种：1、手机应用、各大招聘网站发布招聘信息，高校应届生自行下载招聘软件或者去招聘网站寻找自己心仪的工作。2、微信公众号推送，每所高校都会有自己求职就业平台，每天都会在平台上推送招聘信息。3、学院推送，学院自己收集信息，然后将招聘信息推送给学生。
但是现有的高校招聘信息推送，存在以下问题：1、求职招聘信息推送精确度不够：由高校微信公众号推送的招聘信息，面向是全校学生，对于不同学院不同专业的学生很难做到针对性。2、求职招聘信息推送杂乱：各种招聘软件和招聘网站，会推送很多不相关的招聘信息，当高校应届生设置自己的偏好之后，还是会出现关联性低的招聘信息，对高校应届生造成很大的信息筛选困扰。
发明内容
有鉴于此，本发明实施例提供一种利用边缘计算、联邦学习和区块链的高校毕业生招聘信息推送方法、系统及装置，能够解决目前高校应届生招聘信息杂乱、信息收集难度大以及信息推送精度不够的问题。
本发明实施例的第一方面提供了一种基于区块链高校毕业生智能招聘信息推送方法，包括：根据获取的毕业生就业信息建立高校就业信息数据库；
通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证；
如验证通过，所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器；
接收所述的全局参数，并根据本地参数对本地模型进行联邦学习训练，获取最终的本地模型；
根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。
本发明实施例的第二方面提供了一种基于区块链高校毕业生智能招聘信息系统，包括：
高校模块，用于获取的毕业生就业信息并建立高校就业信息数据库；
验证模块，包括边缘服务器和区块链网络，用于通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证；如验证通过，所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器；
联邦学习模块，用于接收所述的全局参数，并根据本地参数进行联邦学习，获取最终的本地模型；
推送模块，用于根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。
本发明实施例的第三方法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基于区块链高校毕业生智能招聘信息推送方法的步骤。
本发明实施例的第四方面提供了一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述基于区块链高校毕业生智能招聘信息推送方法的步骤。
本发明实施例提供的基于区块链高校毕业生智能招聘信息推送方法，通过在联邦学习，可以共同联合多个高校的数据进行训练，且各高校不共享自己数据，通过对于将不同高校的数据源进行训练，提取数据价值。然后对每个学生的数据分析，再进行招聘求职信息推送。通过结合区块链技术，解决第三机构可能存在的安全性，结合边缘计算，加强传输过程中的安全性，以提高整个系统的安全性。和现有的高校招聘系统，本发明能够解决目前高校应届生招聘信息杂乱、信息收集难度大以及信息推送精度不够的问题。
附图说明
为了更清楚地说明本发明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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于区块链高校毕业生智能招聘信息推送方法的流程图；
图2是本发明实施例提供的另外一种基于区块链高校毕业生智能招聘信息推送方法的流程图；
图3是本发明实施例提供的又一种基于区块链高校毕业生智能招聘信息推送方法的流程图
图4是是本发明实施例提供的一种基于区块链高校毕业生智能招聘信息推送系统的结构示意图；
图5是图4中本发明的基于区块链高校毕业生智能招聘信息推送系统的联邦学习模块的细化结构图；
图6是图4中本发明的基于区块链高校毕业生智能招聘信息推送系统的验证模块的细化结构图；
图7是本发明实施例提供的终端设备的示意图。
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，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，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发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本发明实施例提供的一种基于区块链高校毕业生智能招聘信息推送方法。如图1所示，本实施例的基于区块链高校毕业生智能招聘信息推送方法包括以下步骤：
S101：根据获取的毕业生就业信息建立高校就业信息数据库。
在本发明实施例中，高校毕业生尤其指应届毕业生，该高校应届生需要上传自己的信息，包括名字、年龄、期望工作、期望工作地址、期望薪资、所学专业、学生成绩、特长等特征，将这些数据上传到高校就业信息数据库中。通过对于这些特征信息的提出，以方便通过深度学习得到自己最想要的招聘信息。
本实施例中，不同的高校的数据库结构不同，参照图比如高校A的就业信息数据结构包括学生姓名、年龄、期望工作地、期望年薪、所学专业、特长等；高校B的就业信息数据结构除了包含高校A中具有的外，还包括学生是否由培训经历等。可以看出，不同高校在统计毕业生就业信息时候，数据库中具有很高的特征信息重合的现象，这样为后续对数据进行联邦学习奠定基础。
S102：通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证。
在本发明实施例中，边缘服务器为小型服务器或者具有一定计算能力的网关等，主要起三个作用，一、为计算能力不够的高校提供一定的计算资源；二、充当区块链网络节点，具有验证、保存、和传输事务的功能；三、提供监管作用，防止恶意模型去损害本地模型。边缘服务器靠近用户端，因此还可以保证传输的可靠性和高带宽传输。
在本发明的实施例中，在联邦学习初始阶段，高校想通过加入联邦学习，提高自己招聘信息推送的精准度，边缘服务器接收高校的信息，通过公私钥对高校进行验证，验证高校的身份，如果验证成功，则让高校加入联邦学习，否则拒绝高校加入请求。如果高校没有注册，那么需要向边缘服务器进行注册，注册成功后，边缘服务器对高校发送公私钥对，允许高校加入联邦学习。
在本发明的实施例中，在联邦学习过程中，如果高校的计算资源不够，则边缘服务器为高校提供资源计算。深度学习过程中需要耗费大量的计算资源，所以高校可能会出现计算资源不足的情况，这时候高校可以采用部分卸载策略，将一部分任务卸载到边缘服务器上，让边缘服务器处理，然后返回结果给高校，其返回结果为本地模型参数。因为边缘服务器靠近高校，甚至直接部署在高校中，因此具有可靠的传输和较高的带宽。部分卸载策略为将一个任务进行分割，分割成为两部分任务，其中一部分留在高校处理，一部分传输到边缘服务器上处理，其具体的分割比例可以让高校自身根据自身的资源做决定。
在本发明的实施例中，在整个联邦学习过程中，边缘服务器充当一个监管者的角色，在每一次本地模型参数上传到区块链汇总的时候，边缘服务器会对这些参数进行监管，判断是否是恶意的参数。在边缘服务器为高校提供资源的时候，边缘服务器进行深度学习也会产生本地模型的参数，将高校的本地参数和边缘服务器的本地参数进行对比，可以轻易的知道是否高校产生恶意参数。
本实施例中，高校想要通过联邦学习获得招聘就业信息精准智能推送，因此向边缘服务器发送联邦学习使用许可。具体地，参照图2，包括步骤：
S106：所述高校在所述边缘服务器进行注册，获取公私钥对；
S107：所述边缘服务器接收所述联邦学习请求后，根据公私钥对向区块链网络发布验证信息，由所述区块链网络确定是否为恶意请求或者正确请求。
确定了是否是恶意请求，如果是正确的请求，则让高校加入联邦学习，否则拒绝。
S103：所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器。具体的，区块链网络接收请求，并且初始化区块链初始化全局权重参数w(t＝0)和其他必要的配置，其中t为当前全局模型迭代迭代次数，每经过一次全局模型的更新和迭代t加1。
在本发明实施例中，在同意高校加入联邦学习之后，区块链网络对全局参数和其他一些必要的配置进行初始化。区块链网络将全局参数传输到边缘服务器上，边缘服务器再将全局参数传输到高校。每一级的传输都要加密和解密，这样多重加密技术防止了传输中的攻击，增大了安全性，且边缘服务器位于靠近用户的边缘侧，通过边缘服务器，进一步加强了传输安全性。
S104：接收所述的全局参数，并根据本地参数进行联邦学习，获取最终的本地模型。其中的本地模型为高校自身所采用的深度学习模型，如CNN、RNN/Bi-Rnn、LSTM/Bi-LSTM、Attention model等。
联邦学习的学习目标是基于所有的数据样本下最小化损失函数L(w*)，其实现方法为通过找到最优的权重参数w*去最小化损失函数L(w*)，权重参数w*是一个d维的列向量，d是输入样本的数量，损失函数用来衡量模型预测的好坏。具体地，在本实施例中，
A、高校从边缘服务器下载全局权重参数，进行k轮训练并更新本地的权重参数wi(t)，下标i表示高校i的本地权重参数，k为高校根据自身需求设定，其中更新本地模型参数的方法包括但不仅限于随机梯度下降方法(SVRG)。
B、高校本地模型训练完之后，将自己的本地参数用私钥加密并且形成一笔交易上传到边缘服务器，即上传到区块链中，等待区块链网络更新全局模型参数，其中的加密算法包括但不仅限于RSA算法。
C、区块链网络接收本地参数，并且将其记录在区块链网络上，利用区块链网络不可篡改特性，防止其他恶意攻击，从而保持模型参数的不可更改性。同时区块链网络等待其他的高校上传自己的参数模型，当其他高校的参数全部收集齐全之后，区块链对全局参数进行更新，全局参数更新方法采用分布式近似牛顿型方法(DANE)。
重复步骤A、B、C，直到wi(t)-wi(t-1)<ε，即全局权重都满足各大高校的要求，其中ε表示阈值。
在本发明的一个实施例中，高校接收到了全局参数之后，对本地参数更新，然后使用更新的本地参数进行模型的训练，训练K轮，其中训练的次数K由高校自己决定。在训练K轮之后，得到新的本地参数。然后对模型进行判断，是否已经达到了高校想要的标准，即：
S108:根据接收到的全局参数对本地参数进行更新，使用更新后的本地参数进行至少一次的联邦学习训练；其中，每训练一次，获取新的本地参数；
S109:对训练后的本地模型进行判断：
S120:若符合要求，停止对本地参数进行更新，所述训练后的本地模型即为最终的本地模型；
S121:若不符合要求，则将本地参数上传到边缘服务器。边缘服务器接受本地参数，然后上传到区块链网络。所述区块链网络接收所述本地参数，更新全局参数并进行联邦学习训练，直到符合要求。
在本实施例中，联邦学习是一种机器学习方法，通过联合不同数据源的数据进行联合训练，得到更好的模型。在进行机器学习的过程中，各参与方可以借助其他方数据进行联合建模。各方无需共享数据资源，数据不出本地情况下，进行联合训练，建立共享的机器学习模型。联邦学习是一种保护数据解决数据孤岛的一种机器学习方法。然而传统的联邦学习中全局模型更新的存储和计算完全依赖于中央服务器或第三方机构的可靠性。任何恶意活动都会导致有缺陷的全局模型更新，这不利于后续局部模型更新的准确性，从而使整个联邦学习过程变得错误。本发明实施中，通过步骤S101获得的高校就业信息数据库采用横向联邦学习模型，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，因此把高校的数据集按照横向(即应届生维度)切分，并取出双方高校应届生特征相同而应届生不完全相同的那部分数据进行训练。
S105根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。
在本发明实施例中，高校接收第三方招聘信息，如企业的招聘信息或者各大招聘平台(58同城、Boss直聘等)的招聘信息，然后根据本地模型，对招聘信息的筛选。高校完成信息筛选之后，针对应届生做出精准的求职招聘信息。
在图1提供的基于区块链高校毕业生智能招聘信息推送方法中，本发明实施例提供的基于区块链高校毕业生智能招聘信息推送方法，通过在联邦学习，可以共同联合多个高校的数据进行训练，且各高校不共享自己数据，通过对于将不同高校的数据源进行训练，提取数据价值。然后对每个学生的数据分析，再进行招聘求职信息推送。通过结合区块链技术，解决第三机构可能存在的安全性，结合边缘计算，加强传输过程中的安全性，以提高整个系统的安全性。和现有的高校招聘系统，本发明能够解决目前高校应届生招聘信息杂乱、信息收集难度大以及信息推送精度不够的问题。
请参阅图4，图4是本发明实施例提供的一种基于区块链高校毕业生智能招聘信息系统的结构框图。如图4所示，本实施例的基于区块链高校毕业生智能招聘信息系统20包括高校模块201、验证模块202、联邦学习模块203和推送模块204。这些模块分别用于执行图1中的S101、S102、S103、S104和S105中的具体方法，详情可参见图1的相关介绍，在此仅作简单描述：
高校模块201，用于获取的毕业生就业信息并建立高校就业信息数据库；
验证模块202，包括边缘服务器和区块链网络，用于通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证；如验证通过，所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器；
联邦学习模块203，用于接收所述的全局参数，并根据本地参数对本地模型进行联邦学习，获取最终的本地模型；
推送模块204，用于根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。
进一步地，可参见图5，联邦学习模块203可具体包括更新单元2031和判断单元2032：
更新单元2031，用于根据接收到的全局参数对本地参数进行更新，使用更新后的本地参数进行至少一次的联邦学习训练，其中，每训练一次，获取新的本地参数；
判断单元2032，用于对训练后的联邦学习模型进行判断：其中，若符合要求，停止对本地参数进行更新，所述训练后的本地模型即为最终的本地模型；若不符合要求，本地参数通过所述边缘服务器上传至所述区块链网络，所述区块链网络接收所述本地参数，更新全局参数并进行联邦学习训练，直到符合要求。
进一步地，可参见图6，验证模块202可具体包括聚注册单元2041和验证单元2042：
注册单元2041，用于所述高校在所述边缘服务器进行注册，获取公私钥对；
验证单元2042，用于所述边缘服务器接收所述联邦学习请求后，根据公私钥对向区块链网络发布验证信息，由所述区块链网络确定是否为恶意请求或者正确请求。
图4提供的基于区块链高校毕业生智能招聘信息系统，通过在联邦学习，可以共同联合多个高校的数据进行训练，且各高校不共享自己数据，通过对于将不同高校的数据源进行训练，提取数据价值。再通过结合区块链技术，解决第三机构可能存在的安全性，结合边缘计算，加强传输过程中的安全性，以提高整个系统的安全性。
图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如进行信用融资的程序。所述处理器60执行所述计算机程序62时实现上述方法实施例中的步骤，例如，图1所示的S101至S104。或者，所述处理器60执行所述计算机程序62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201至204的功能。
示例性的，所述计算机程序62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61中，并由所述处理器60执行，以完成本发明。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，该指令段用于描述所述计算机程序62在终端设备6中的执行过程。例如，所述计算机程序62可以被分割成高校模块201、验证模块202、联邦学习模块203和推送模块204。(虚拟装置中的模块)，各模块具体功能如下：
高校模块201，用于获取的毕业生就业信息并建立高校就业信息数据库；
验证模块202，包括边缘服务器和区块链网络，用于通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证；如验证通过，所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器；
联邦学习模块203，用于接收所述的全局参数，并根据本地参数对本地模型进行联邦学习，获取最终的本地模型；
推送模块204，用于根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图7仅仅是终端设备6的示例，并不构成对终端设备6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60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61可以是终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及终端设备6所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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，或者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方案的目的。
另外，在本发明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。
所述集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例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、记录介质、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。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于区块链高校毕业生智能招聘信息推送方法，其特征在于，包括：
根据获取的毕业生就业信息建立高校就业信息数据库；
通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证；
如验证通过，所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器；
接收所述的全局参数，并根据本地参数对本地模型进行联邦学习，获取最终的本地模型；
根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。
2.根据权利要求1所述的基于区块链高校毕业生智能招聘信息推送方法，其特征在于，接收所述的全局参数，并根据本地参数对本地模型进行联邦学习，获取最终的本地模型，包括：
根据接收到的全局参数对本地参数进行更新，使用更新后的本地参数进行至少一次的本地模型的联邦学习训练；其中，每训练一次，获取新的本地参数；
对训练后的本地模型进行判断：
若符合要求，停止对本地参数进行更新，所述训练后的本地模型即为最终的本地模型；
若不符合要求，本地参数通过所述边缘服务器上传至所述区块链网络，所述区块链网络接收所述本地参数，更新全局参数并进行联邦学习训练，直到符合要求。
3.根据权利要求1所述的基于区块链高校毕业生智能招聘信息推送方法，其特征在于，通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证，包括：
所述高校在所述边缘服务器进行注册，获取公私钥对；
所述边缘服务器接收所述联邦学习请求后，根据公私钥对向区块链网络发布验证信息，由所述区块链网络确定是否为恶意请求或者正确请求。
4.根据权利要求2所述的基于区块链高校毕业生智能招聘信息推送方法，其特征在于，
所述联邦学习为横向联邦学习模型；
所述的本地参数为本地权重参数wi(t)，其中，下标i表示高校i的本地权重参数，t为当前本地模型的迭代次数；
如果wi(t)-wi(t-1)<ε，其中ε表示阈值，则训练后的本地模型符合要求。
5.一种基于区块链高校毕业生智能招聘信息系统，其特征在于，包括：
高校模块，用于获取的毕业生就业信息并建立高校就业信息数据库；
验证模块，包括边缘服务器和区块链网络，用于通过边缘服务器向所述的高校就业信息数据库发起联邦学习请求，所述边缘服务器接收到请求后对高校进行身份识别验证；如验证通过，所述边缘服务器向区块链网络发送所述联邦学习请求，所述区块链网络更新全局参数及配置，并传输至所述边缘服务器；
联邦学习模块，用于接收所述的全局参数，并根据本地参数进行联邦学习，获取最终的本地模型；
推送模块，用于根据所述本地模型对获取的第三方招聘信息进行筛选，并推送处理后的招聘信息给高校毕业生。
6.根据权利要求5所述的基于区块链高校毕业生智能招聘信息系统，其特征在于，所述联邦学习模块包括：
更新单元，用于根据接收到的全局参数对本地参数进行更新，使用更新后的本地参数进行至少一次的联邦学习模型训练，其中，每训练一次，获取新的本地参数；
判断单元，用于对训练后的联邦学习模型进行判断：其中，若符合要求，停止对本地参数进行更新，所述训练后的联邦学习模型即为最终的本地模型；若不符合要求，本地参数通过所述边缘服务器上传至所述区块链网络，所述区块链网络接收所述本地参数，更新全局参数并进行联邦学习模型训练，直到符合要求。
7.根据权利要求5所述的基于区块链高校毕业生智能招聘信息系统，其特征在于，所述验证模块包括：
注册单元，用于所述高校在所述边缘服务器进行注册，获取公私钥对；
验证单元，用于所述边缘服务器接收所述联邦学习请求后，根据公私钥对向区块链网络发布验证信息，由所述区块链网络确定是否为恶意请求或者正确请求。
8.一种终端设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述方法的步骤。
9.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097805.4A CN112307331B (zh) | 2020-10-14 | 2020-10-14 | 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011097805.4A CN112307331B (zh) | 2020-10-14 | 2020-10-14 | 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112307331A true CN112307331A (zh) | 2021-02-02 |
| CN112307331B CN112307331B (zh) | 2023-11-24 |
Family
ID=74326955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011097805.4A Active CN112307331B (zh) | 2020-10-14 | 2020-10-14 | 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112307331B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966878A (zh) * | 2021-03-31 | 2021-06-15 | 中国工商银行股份有限公司 | 一种贷款逾期预测、学习方法及装置 |
| CN113139796A (zh) * | 2021-05-10 | 2021-07-20 | 深圳市洞见智慧科技有限公司 | 基于纵向联邦学习的推荐方法及装置 |
| CN113505522A (zh) * | 2021-06-10 | 2021-10-15 | 南方电网科学研究院有限责任公司 | 一种智能电网台区业务计算管理方法、装置、终端及介质 |
| CN114978893A (zh) * | 2022-04-18 | 2022-08-30 | 西安交通大学 | 一种基于区块链的去中心化联邦学习方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881474A (zh) * | 2018-07-10 | 2018-11-23 | 南京邮电大学 | 一种基于区块链的物联网数据分级保护架构 |
| US20190138940A1 (en) * | 2017-11-07 | 2019-05-09 | Google Llc | Incognito Mode for Personalized Machine-Learned Models |
| CN110263936A (zh) * | 2019-06-14 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 横向联邦学习方法、装置、设备及计算机存储介质 |
| CN110490330A (zh) * | 2019-08-16 | 2019-11-22 | 安徽航天信息有限公司 | 一种基于区块链的分布式机器学习系统 |
| CN110782042A (zh) * | 2019-10-29 | 2020-02-11 | 深圳前海微众银行股份有限公司 | 横向联邦和纵向联邦联合方法、装置、设备及介质 |
| CN111125256A (zh) * | 2019-12-24 | 2020-05-08 | 深圳前海乐寻坊区块链科技有限公司 | 基于区块链的用人信用认证方法、装置、设备、存储介质 |
| CN111180061A (zh) * | 2019-12-09 | 2020-05-19 | 广东工业大学 | 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统 |
| CN111212110A (zh) * | 2019-12-13 | 2020-05-29 | 清华大学深圳国际研究生院 | 一种基于区块链的联邦学习系统及方法 |
| US20200242514A1 (en) * | 2016-09-26 | 2020-07-30 | Google Llc | Communication Efficient Federated Learning |
-
2020
- 2020-10-14 CN CN202011097805.4A patent/CN112307331B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200242514A1 (en) * | 2016-09-26 | 2020-07-30 | Google Llc | Communication Efficient Federated Learning |
| US20190138940A1 (en) * | 2017-11-07 | 2019-05-09 | Google Llc | Incognito Mode for Personalized Machine-Learned Models |
| CN108881474A (zh) * | 2018-07-10 | 2018-11-23 | 南京邮电大学 | 一种基于区块链的物联网数据分级保护架构 |
| CN110263936A (zh) * | 2019-06-14 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 横向联邦学习方法、装置、设备及计算机存储介质 |
| CN110490330A (zh) * | 2019-08-16 | 2019-11-22 | 安徽航天信息有限公司 | 一种基于区块链的分布式机器学习系统 |
| CN110782042A (zh) * | 2019-10-29 | 2020-02-11 | 深圳前海微众银行股份有限公司 | 横向联邦和纵向联邦联合方法、装置、设备及介质 |
| CN111180061A (zh) * | 2019-12-09 | 2020-05-19 | 广东工业大学 | 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统 |
| CN111212110A (zh) * | 2019-12-13 | 2020-05-29 | 清华大学深圳国际研究生院 | 一种基于区块链的联邦学习系统及方法 |
| CN111125256A (zh) * | 2019-12-24 | 2020-05-08 | 深圳前海乐寻坊区块链科技有限公司 | 基于区块链的用人信用认证方法、装置、设备、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| LINLIN ZHANG 等: "Identity Authentication Chain based on Encrypted Database in Heterogeneous Alliance Network", 《ICIT \'19: PROCEEDINGS OF THE 2019 7TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY: IOT AND SMART CITY》, pages 353 * |
| 欧阳丽炜 等: "基于区块链的传染病监测与预警技术", 《智能科学与技术学报》, vol. 2, no. 02, pages 135 - 143 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966878A (zh) * | 2021-03-31 | 2021-06-15 | 中国工商银行股份有限公司 | 一种贷款逾期预测、学习方法及装置 |
| CN113139796A (zh) * | 2021-05-10 | 2021-07-20 | 深圳市洞见智慧科技有限公司 | 基于纵向联邦学习的推荐方法及装置 |
| CN113139796B (zh) * | 2021-05-10 | 2022-06-21 | 深圳市洞见智慧科技有限公司 | 基于纵向联邦学习的推荐方法及装置 |
| CN113505522A (zh) * | 2021-06-10 | 2021-10-15 | 南方电网科学研究院有限责任公司 | 一种智能电网台区业务计算管理方法、装置、终端及介质 |
| CN114978893A (zh) * | 2022-04-18 | 2022-08-30 | 西安交通大学 | 一种基于区块链的去中心化联邦学习方法及系统 |
| CN114978893B (zh) * | 2022-04-18 | 2024-04-12 | 西安交通大学 | 一种基于区块链的去中心化联邦学习方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112307331B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112307331A (zh) | 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 | |
| CN110084377B (zh) | 用于构建决策树的方法和装置 | |
| CN111681091B (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
| WO2021159753A1 (zh) | 一种联邦学习模型训练方法、装置、终端设备及存储介质 | |
| WO2019205325A1 (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
| WO2020119506A1 (zh) | 一种基于联盟链的身份认证方法及终端设备 | |
| CN106682825A (zh) | 一种基于区块链的社会物联网信用评估系统和评估方法 | |
| CN113014566B (zh) | 恶意注册的检测方法、装置、计算机可读介质及电子设备 | |
| CN107682397A (zh) | 客户资源获取方法、装置、终端设备及存储介质 | |
| US20200265514A1 (en) | Recording medium recording communication program and communication apparatus | |
| CN113553377B (zh) | 基于区块链和联邦学习的数据共享方法及装置 | |
| CN113268336A (zh) | 一种服务的获取方法、装置、设备以及可读介质 | |
| CN112801301B (zh) | 异步计算方法、装置、设备、存储介质及程序产品 | |
| CN116777294A (zh) | 区块链协助下基于联邦学习的众包质量安全评估方法 | |
| CN113420323B (zh) | 数据共享方法及终端设备 | |
| CN112598132A (zh) | 模型训练方法及装置、存储介质、电子装置 | |
| CN112702410A (zh) | 一种基于区块链网络的评估系统、方法及相关设备 | |
| CN113065748A (zh) | 业务风险评估方法、装置、设备及存储介质 | |
| CN113516065B (zh) | 基于区块链的资料权重测算方法、装置、服务器及存储介质 | |
| CN111459932A (zh) | 基于区块链的数据存证方法、装置及存储介质 | |
| CN115358894A (zh) | 一种知识产权生命周期托管管理方法、装置、设备及介质 | |
| JP7523183B2 (ja) | ブロックチェーン基盤個人の身上証明のためのサービス提供装置および方法 | |
| CN117216736A (zh) | 异常账号的识别方法、数据调度平台及图计算平台 | |
| CN113392138A (zh) | 一种隐私数据的统计分析方法、装置、服务器和存储介质 | |
| CN114970495A (zh) | 人名消歧方法、装置、电子设备及存储介质 |
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 |