CN113139796B - 基于纵向联邦学习的推荐方法及装置 - Google Patents

基于纵向联邦学习的推荐方法及装置 Download PDF

Info

Publication number
CN113139796B
CN113139796B CN202110505628.7A CN202110505628A CN113139796B CN 113139796 B CN113139796 B CN 113139796B CN 202110505628 A CN202110505628 A CN 202110505628A CN 113139796 B CN113139796 B CN 113139796B
Authority
CN
China
Prior art keywords
current
vector
matching degree
user
recruitment
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
Application number
CN202110505628.7A
Other languages
English (en)
Other versions
CN113139796A (zh
Inventor
李晶晶
王湾湾
姚明
吴海宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Atlas World Beijing Technology Co ltd
Shenzhen Dongjian Intelligent Technology Co ltd
Original Assignee
Atlas World Beijing Technology Co ltd
Shenzhen Dongjian Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Atlas World Beijing Technology Co ltd, Shenzhen Dongjian Intelligent Technology Co ltd filed Critical Atlas World Beijing Technology Co ltd
Priority to CN202110505628.7A priority Critical patent/CN113139796B/zh
Publication of CN113139796A publication Critical patent/CN113139796A/zh
Application granted granted Critical
Publication of CN113139796B publication Critical patent/CN113139796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/1053—Employment or hiring
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了基于纵向联邦学习的推荐方法及装置，第三方用户端判定职位权重向量和用户权重向量满足预设收敛条件时向招聘平台端和企业用户端发送确定消息；在判定职位权重向量和用户权重向量不满足预设收敛条件时，分别向招聘平台端和企业用户端发送第一迭代参数向量和第二迭代参数向量。企业用户端根据第二迭代参数向量更新职位权重向量，在接收到确定消息时向招聘平台端发送目标职位权重向量。招聘平台端根据第一迭代参数向量更新用户权重向量，在接收到确定消息时基于目标用户特征向量、目标职位特征向量、目标职位权重向量和目标用户权重向量，向指定求职者和企业用户端进行推荐，以保护求职者的隐私信息，提高招聘平台的推荐有效性。

Description

基于纵向联邦学习的推荐方法及装置
技术领域
本发明涉及网络技术领域，特别是涉及一种基于纵向联邦学习的推荐方法及装置。
背景技术
招聘平台端为企业用户和求职者提供了一个便捷的沟通渠道，例如，企业用户可以从招聘平台端提供的各求职者中，选择符合招聘要求的求职者；求职者可以从招聘平台端中的各企业用户提供的招聘职位中，选择符合求职要求的招聘职位。
现有技术中，招聘平台端可以基于求职者的求职要求(例如，薪资、招聘职位、工作地点等)，以及求职者所浏览、收藏和咨询的招聘职位，向求职者所使用的个人用户端推荐招聘职位。另外，招聘平台端还可以基于企业用户提供的招聘职位的招聘要求(例如，学历、工作经验等)和所浏览的简历，向企业用户所使用的企业用户端推荐求职者。如果招聘平台端可以结合求职者的求职要求、企业用户的招聘要求，以及企业用户对已参加面试的求职者(可以称为样本求职者)的最终反馈信息，向求职者所使用的个人用户端和企业用户端进行推荐，可以提高招聘平台端的推荐有效性。企业用户对样本求职者的最终反馈信息可以包括：样本求职者的面试结果、样本求职者入职后的工作表现等。
然而，为了保护求职者的隐私信息，企业用户不会向招聘平台端提供企业用户对求职者的最终反馈信息，导致招聘平台端无法结合企业用户对求职者的最终反馈信息，向求职者所使用的个人用户端和企业用户端进行推荐，进而，导致无法提高招聘平台端的推荐有效性。
发明内容
本发明实施例的目的在于提供一种基于纵向联邦学习的推荐方法及装置，以保护求职者的隐私信息，并提高招聘平台端的推荐有效性。具体技术方案如下：
第一方面，为了达到上述目的，本发明实施例提供了一种基于纵向联邦学习的推荐方法，所述方法应用于基于纵向联邦学习的推荐系统中的招聘平台端，所述基于纵向联邦学习的推荐系统还包括：企业用户端和第三方用户端，所述方法包括：针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度；其中，当前的用户权重向量中的元素表示该样本求职者的用户特征各自当前的权重；对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向所述第三方用户端发送当前的第一加密预测匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以及所述第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端在接收到当前的第二迭代参数向量时，根据当前的第二迭代参数向量，更新当前的职位权重向量；其中，当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；对包含当前的各第二预测匹配度的第二预测匹配度向量进行加密得到，并向所述第三方用户端发送的；加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到，并向所述第三方用户端发送的；若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，返回执行所述针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度的步骤；若接收到所述确定消息，确定当前的用户权重向量为最终的目标用户权重向量；当接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
第二方面，为了达到上述目的，本发明实施例提供了一种基于纵向联邦学习的推荐方法，所述方法应用于基于纵向联邦学习的推荐系统中企业用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和第三方用户端，所述方法包括：针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；其中，当前的职位权重向量中的元素表示该样本招聘职位的职位特征各自当前的权重；对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，得到加密真实匹配度向量；向所述第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述企业用户端发送当前的第二迭代参数向量，向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端在接收到当前的第一迭代参数向量时，根据当前的第一迭代参数向量，更新当前的用户权重向量；以及以使所述第三方用户端在确定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度得到，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到，并向所述第三方用户端发送的；若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，返回执行所述针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度的步骤；若接收到所述确定消息，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量，以使所述招聘平台端在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
第三方面，为了达到上述目的，本发明实施例提供了一种基于纵向联邦学习的推荐方法，所述方法应用于基于纵向联邦学习的推荐系统中的第三方用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和企业用户端，所述方法包括：接收所述企业用户端发送的当前的第一加密预测匹配度向量和加密真实匹配度向量，以及所述招聘平台端发送的当前的第二加密预测匹配度向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到的；当前的用户权重向量中的元素表示样本求职者的用户特征各自当前的权重；当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度，对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密得到的；当前的职位权重向量中的元素表示样本招聘职位的职位特征各自当前的权重；所述加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到的；基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判断当前的职位权重向量和用户权重向量是否满足预设收敛条件；若确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量；以及所述第三方用户端向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量；若确定当前的职位权重向量和用户权重向量满足预设收敛条件，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量，并在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
第四方面，为了达到上述目的，本发明实施例提供了一种基于纵向联邦学习的推荐装置，所述装置应用于基于纵向联邦学习的推荐系统中的招聘平台端，所述基于纵向联邦学习的推荐系统还包括：企业用户端和第三方用户端，所述装置包括：第一确定模块，用于针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度；其中，当前的用户权重向量中的元素表示该样本求职者的用户特征各自当前的权重；加密模块，用于对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向所述第三方用户端发送当前的第一加密预测匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以及所述第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端在接收到当前的第二迭代参数向量时，根据当前的第二迭代参数向量，更新当前的职位权重向量；其中，当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；对包含当前的各第二预测匹配度的第二预测匹配度向量进行加密得到，并向所述第三方用户端发送的；加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到，并向所述第三方用户端发送的；更新模块，用于若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，返回执行所述针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度的步骤；第二确定模块，用于若接收到所述确定消息，确定当前的用户权重向量为最终的目标用户权重向量；第三确定模块，用于当接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；推荐模块，用于基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
第五方面，为了达到上述目的，本发明实施例提供了一种基于纵向联邦学习的推荐装置，所述装置应用于基于纵向联邦学习的推荐系统中企业用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和第三方用户端，所述装置包括：第一确定模块，用于针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；其中，当前的职位权重向量中的元素表示该样本招聘职位的职位特征各自当前的权重；加密模块，用于对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，得到加密真实匹配度向量；发送模块，用于向所述第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述企业用户端发送当前的第二迭代参数向量，向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端在接收到当前的第一迭代参数向量时，根据当前的第一迭代参数向量，更新当前的用户权重向量；以及以使所述第三方用户端在确定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度得到，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到，并向所述第三方用户端发送的；更新模块，用于若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，返回执行所述针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度的步骤；第二确定模块，用于若接收到所述确定消息，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量，以使所述招聘平台端在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
第六方面，为了达到上述目的，本发明实施例提供了一种基于纵向联邦学习的推荐装置，所述装置应用于基于纵向联邦学习的推荐系统中的第三方用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和企业用户端，所述装置包括：接收模块，用于接收所述企业用户端发送的当前的第一加密预测匹配度向量和加密真实匹配度向量，以及所述招聘平台端发送的当前的第二加密预测匹配度向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到的；当前的用户权重向量中的元素表示样本求职者的用户特征各自当前的权重；当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度，对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密得到的；当前的职位权重向量中的元素表示样本招聘职位的职位特征各自当前的权重；所述加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到的；判断模块，用于基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判断当前的职位权重向量和用户权重向量是否满足预设收敛条件；确定模块，用于若确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量；以及所述第三方用户端向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量；发送模块，用于若确定当前的职位权重向量和用户权重向量满足预设收敛条件，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量，并在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述第一方面，或者第二方面，或者第三方面任一所述的基于纵向联邦学习的推荐方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面，或者第二方面，或者第三方面任一所述的基于纵向联邦学习的推荐方法。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面，或者第二方面，或者第三方面任一所述的基于纵向联邦学习的推荐方法。
本发明实施例提供的技术方案，招聘平台端基于包含每一样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的第一预测匹配度。对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，并向第三方用户端发送加密得到的当前的第一加密预测匹配度向量。企业用户端基于包含每一样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的第二预测匹配度。对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，并向第三方用户端发送加密得到的当前的第二加密预测匹配度向量和加密真实匹配度向量。第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向招聘平台端和企业用户端发送确定消息。第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，向企业用户端发送当前的第二迭代参数向量。若接收到当前的第一迭代参数向量，招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，针对每一样本求职者，再次基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的第一预测匹配度，直至接收到第三方用户端发送的确定消息。若接收到当前的第二迭代参数向量，企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，针对每一样本招聘职位，再次基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的第二预测匹配度，直至接收到第三方用户端发送的确定消息。若接收到确定消息，企业用户端确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量。若接收到确定消息，招聘平台端确定当前的用户权重向量为最终的目标用户权重向量。当接收到目标职位权重向量时，招聘平台端基于每一指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算每一指定求职者与每一指定招聘职位的目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，并向企业用户端推荐指定求职者。
基于上述处理，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明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的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的一种基于纵向联邦学习的推荐系统的结构图；
图2为本发明实施例提供的一种基于纵向联邦学习的推荐方法的流程图；
图3为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图4为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图5为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图6为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图7为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图8为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图9为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图10为本发明实施例提供的另一种基于纵向联邦学习的推荐方法的流程图；
图11为本发明实施例提供的一种基于纵向联邦学习的推荐装置的结构图；
图12为本发明实施例提供的另一种基于纵向联邦学习的推荐装置的结构图；
图13为本发明实施例提供的另一种基于纵向联邦学习的推荐装置的结构图；
图14为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
为了保护求职者的隐私信息，且提高招聘平台端的推荐有效性，参见图1，图1为本发明实施例提供的一种基于纵向联邦学习的推荐系统的结构图，该基于纵向联邦学习的推荐系统包括：招聘平台端、企业用户端和第三方用户端。其中：
针对每一样本求职者，招聘平台端基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度。对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向第三方用户端发送当前的第一加密预测匹配度向量。
针对每一样本招聘职位，企业用户端基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度。对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，得到加密真实匹配度向量。向第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量。
第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向招聘平台端和企业用户端发送确定消息。第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，向企业用户端发送当前的第二迭代参数向量。
若接收到当前的第一迭代参数向量，招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，针对每一样本求职者，再次基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度，直至接收到第三方用户端发送的确定消息。
若接收到当前的第二迭代参数向量，企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，针对每一样本招聘职位，再次基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度，直至接收到第三方用户端发送的确定消息。
若接收到确定消息，企业用户端确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量。若接收到确定消息，招聘平台端确定当前的用户权重向量为最终的目标用户权重向量。当接收到目标职位权重向量时，针对每一指定求职者，招聘平台端基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
基于本发明实施例提供的基于纵向联邦学习的推荐系统，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。
针对上述基于纵向联邦学习的推荐系统的其他实施例，可以参考后续关于招聘平台端、企业用户端和第三方用户端的方法实施例的相关介绍。
参见图2，图2为本发明实施例提供的一种基于纵向联邦学习的推荐方法的流程图，该方法应用于上述基于纵向联邦学习的推荐系统中的招聘平台端，该基于纵向联邦学习的推荐系统还包括：企业用户端和第三方用户端。该方法可以包括以下步骤：
S201：针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度。其中，当前的用户权重向量中的元素表示该样本求职者的用户特征各自当前的权重。
S202：对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向第三方用户端发送当前的第一加密预测匹配度向量，以使第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向招聘平台端和企业用户端发送确定消息，以使企业用户端在接收到确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量；以及第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，向企业用户端发送当前的第二迭代参数向量，以使企业用户端在接收到当前的第二迭代参数向量时，根据当前的第二迭代参数向量，更新当前的职位权重向量。
其中，当前的第二加密预测匹配度向量为：企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；对包含当前的各第二预测匹配度的第二预测匹配度向量进行加密得到，并向第三方用户端发送的；加密真实匹配度向量为：企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量，进行加密得到，并向第三方用户端发送的。
S203：若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，返回执行步骤S201。
S204：若接收到确定消息，确定当前的用户权重向量为最终的目标用户权重向量。
S205：当接收到目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度。
S206：基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
基于本发明实施例提供的基于纵向联邦学习的推荐方法，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。
在步骤S201中，样本求职者可以为：在招聘平台端注册的求职者中，已参加面试的求职者。样本招聘职位为样本求职者已面试招聘职位。招聘平台端可以获取每一该样本求职者的用户特征。一个求职者的用户特征可以包括：性别、年龄、学历、毕业院校、专业、工作年限、以往任职的公司、上一份工作的职位类型中至少一项。然后，招聘平台端可以确定表示该样本求职者的各用户特征的各数值，得到用户特征向量。例如，用1表示男性，用0表示女性，可以得到表示性别的数值。根据各院校的类型进行顺序编码，例如，用0表示专科及专科以下院校，用1表示普通本科院校，用2表示211本科院校，用3表示985本科院校等，可以得到表示各毕业院校的数值。按照各专业的类型(例如，通信、计算机、会计等)，进行one-hot(独热)编码，可以得到表示各专业的数值。按照公司所属行业(例如，金融、互联网、餐饮等)进行one-hot编码，并按照公司类型(例如，国企、事业单位、上市公司等)进行顺序编码，可以得到表示各公司的数值。按照职位类型(例如，前端开发、数据分析、运营、招聘等)，进行one-hot编码，可以得到表示各职位类型的数值。
进而，针对每一样本求职者，招聘平台端可以将当前的用户权重向量中的元素，作为该样本求职者的用户特征各自当前的权重，计算该样本求职者的用户特征向量中各元素的加权和，得到该样本求职者与已面试的每一样本招聘职位的第一预测匹配度，该样本求职者与已面试的每一样本招聘职位的第一预测匹配度相同。当前的用户权重向量为：基于第三方用户端上一次发送的当前的第一迭代参数向量确定的。在第1次计算第一预测匹配度时，当前的用户权重向量可以为预设的初始用户权重向量。
在步骤S202中，一种实现方式中，为了进一步提高求职者的隐私信息的安全性，第三方用户端可以基于预设的同态加密算法生成目标公钥和目标私钥，并向招聘平台端和企业用户端发送目标公钥。相应的，招聘平台端可以基于目标公钥，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向第三方用户端发送当前的第一加密预测匹配度向量。第三方用户端、企业用户端的具体处理方式可以参见后续实施例的相关介绍。
在步骤S203中，若接收到当前的第一迭代参数向量，表明当前的用户权重向量不满足预设收敛条件，基于当前的用户权重向量，确定出的样本求职者与样本招聘职位的预测匹配度向量与真实匹配度向量的差异较大，因此，招聘平台端可以根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，再次基于当前的用户权重向量，计算每一样本求职者与已面试的每一样本招聘职位的第一预测匹配度，直至接收到第三方用户端发送的确定消息。
在步骤S204中，若接收到第三方用户端发送的确定消息，表明当前的用户权重向量满足预设收敛条件，基于当前的用户权重向量，计算得到的样本求职者与样本招聘职位的预测匹配度与真实匹配度的差异较小，因此，招聘平台端可以确定当前的用户权重向量为最终的目标用户权重向量。指定求职者可以为：在招聘平台端注册的各求职者。指定招聘职位可以为：企业用户端提供的各招聘职位。
在本发明的一个实施例中，参见图3，步骤S205可以包括以下步骤：
S2051：当接收到目标职位权重向量时，针对每一指定求职者，按照目标用户权重向量，计算该指定求职者的用户特征对应的目标用户特征向量中各元素的加权和，作为第一和值。其中，目标用户权重向量中的元素为该指定求职者的用户特征各自的权重。
S2052：针对每一指定招聘职位，按照目标职位权重向量，计算该指定招聘职位的职位特征对应的目标职位特征向量中各元素的加权和，作为第二和值。其中，目标职位权重向量中的元素为该指定招聘职位的职位特征各自的权重。
S2053：根据第一和值、第二和值和第一预设公式，计算该指定求职者与该指定招聘职位的匹配度，作为目标匹配度。其中，第一预设公式为：
Figure BDA0003058305160000101
P表示目标匹配度，e表示自然常数，h1表示第一和值，h2表示第二和值。
相应的，步骤S206可以包括以下步骤：
S2061：针对每一指定求职者，从各指定招聘职位中，确定与该指定求职者的目标匹配度大于第一预设阈值的指定招聘职位，作为目标招聘职位，并向该求职者所使用的个人用户端推荐目标招聘职位。
S2062：针对每一指定招聘职位，从各指定求职者中，确定与该指定招聘职位的目标匹配度大于第一预设阈值的指定求职者，作为目标求职者，并向企业用户端推荐目标求职者。
在计算一个指定求职者与一个指定招聘职位的目标匹配度时，考虑了该指定求职者的求职要求(即目标用户特征向量)，以及该指定招聘职位的招聘要求(即目标职位特征向量)，并且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，因此，计算得到的目标匹配度可以表示该指定求职者针对该指定招聘职位面试成功的概率。
一种实现方式中，招聘平台端可以从各指定招聘职位中，确定与每一指定求职者的目标匹配度大于第一预设阈值的目标招聘职位。该指定求职者针对目标招聘职位面试成功的概率较大，因此，招聘平台端可以向该指定求职者所使用的个人用户端推荐目标招聘职位。第一预设阈值可以由技术人员根据经验设置，例如，第一预设阈值可以为0.5，或者也可以为0.6，但并不限于此。
招聘平台端还可以从各指定求职者中，确定与每一指定招聘职位的目标匹配度大于第一预设阈值的目标求职者。目标求职者针对该指定招聘职位面试成功的概率较大，因此，招聘平台端可以向企业用户端推荐目标求职者。
在本发明实施例中，并不限定步骤S2061和步骤S2062执行的先后顺序，也就是说，可以先执行步骤S2061，也可以先执行步骤S2062，或者同时执行步骤S2061和步骤S2062。
另一种实现方式中，针对每一指定求职者，招聘平台端可以按照与该指定求职者的目标匹配度从大到小的顺序，从各指定招聘职位中选取前第一数目个目标招聘职位，并向该指定求职者所使用的个人用户端推荐目标招聘职位。第一数目可以由技术人员根据经验设置，例如，第一数目可以为5，或者也可以为6，但并不限于此。
针对每一指定招聘职位，招聘平台端可以按照与该指定招聘职位的目标匹配度从大到小的顺序，从各指定求职者中选取前第二数目个目标求职者，并向企业用户端推荐目标求职者。其中，第二数目可以与第一数目相同，或者第二数目也可以与第一数目不同。
在本发明的一个实施例中，参见图4，在步骤S203之前，该方法还可以包括以下步骤：
S207：接收第三方用户端发送的当前的第一梯度参数向量。其中，当前的第一梯度参数向量为第三方用户端在目标损失函数值不小于第二预设阈值时，基于当前的预测匹配度向量和加密真实匹配度向量计算得到的；当前的预测匹配度向量为：当前的第一加密预测匹配度向量和第二加密预测匹配度向量的和值；目标损失函数值为：第三方用户端基于企业用户端发送的加密后的初始损失函数值计算得到的；初始损失函数值为企业用户端基于当前的预测匹配度向量和真实匹配度向量计算得到的。
S208：针对每一样本求职者，将当前的第一梯度参数向量中的元素，作为该样本求职者的用户特征各自的权重，计算该样本求职者的用户特征向量中各元素的加权和，作为当前的第二梯度参数。
S209：向第三方用户端发送包含当前的各个第二梯度参数的第二梯度参数向量，以使第三方用户端对当前的第二梯度参数向量进行解密，得到当前的第一迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量。
相应的，步骤S203可以包括以下步骤：
S2031：若接收到当前的第一迭代参数向量，基于当前的第一迭代参数向量和第二预设公式，更新当前的用户权重向量。其中，第二预设公式为：
w′＝w-ηb (2)
w′表示更新后的用户权重向量，w表示更新前的用户权重向量，η表示预设学习率，b表示当前的第一迭代参数向量。预设的学习率可以由技术人员根据经验设置，例如，预设的学习率可以为0.0001，或者，预设的学习率也可以为0.001，但并不限于此。
一种实现方式中，第三方用户端在确定当前的用户权重向量和当前的职位权重向量不满足预设收敛条件时，可以计算当前的第一梯度参数向量，并向招聘平台端和企业用户端发送第一梯度参数向量。相应的，在接收到当前的第一梯度参数向量时，针对每一样本求职者，招聘平台端可以按照当前的第一梯度参数向量，计算该样本求职者的用户特征向量中各元素的加权和，得到该样本求职者对应的当前的第二梯度参数。然后，招聘平台端可以向第三方用户端包含发送当前的各个第二梯度参数的第二梯度参数向量。第三方用户端可以基于当前的第二梯度参数向量，确定当前的第一迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量。第三方用户端、企业用户端的具体处理方式可以参见后续实施例的相关介绍。
进而，在接收到当前的第一迭代参数向量时，招聘平台端可以基于当前的第一迭代参数向量和上述公式(2)，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，再次基于当前的用户权重向量，计算每一样本求职者与已面试的每一样本招聘职位的第一预测匹配度，直至接收到第三方用户端发送的确定消息。
参见图5，图5为本发明实施例提供的一种基于纵向联邦学习的推荐方法的流程图，该方法应用于上述基于纵向联邦学习的推荐系统中的企业用户端，该基于纵向联邦学习的推荐系统还包括：招聘平台端和第三方用户端。该方法可以包括以下步骤：
S501：针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度。其中，当前的职位权重向量中的元素表示该样本招聘职位的职位特征各自当前的权重。
S502：对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，得到加密真实匹配度向量。
S503：向第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量，以使第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向企业用户端发送当前的第二迭代参数向量，向招聘平台端发送当前的第一迭代参数向量，以使招聘平台端在接收到当前的第一迭代参数向量时，根据当前的第一迭代参数向量，更新当前的用户权重向量；以及以使第三方用户端在确定当前的职位权重向量和用户权重向量满足预设收敛条件时，向招聘平台端和企业用户端发送确定消息，以使招聘平台端在接收到确定消息时，确定当前的用户权重向量为最终的目标用户权重向量。
其中，当前的第一加密预测匹配度向量为：招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度得到，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，并向第三方用户端发送的。
S504：若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，返回执行步骤S501。
S505：若接收到确定消息，确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量，以使招聘平台端在接收到目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
基于本发明实施例提供的基于纵向联邦学习的推荐方法，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。
在步骤S501中，企业用户端可以获取每一样本招聘职位的职位特征。一个样本招聘职位的职位特征可以包括：职位类型、各职位要求和薪资中的至少一项。各职位要求可以包括：学历要求、工作年限要求和职位相关技能要求等。然后，企业用户端可以确定表示该样本招聘职位的各职位特征的各数值，得到包含该样本招聘职位的职位特征的职位特征向量。进而，针对每一样本招聘职位，企业用户端可以将当前的职位权重向量中的元素，作为该样本招聘职位的职位特征各自当前的权重，计算该样本招聘职位的职位特征向量中各元素的加权和，得到每一样本求职者与该样本招聘职位的第二预测匹配度。当前的职位权重向量为：基于第三方用户端上一次发送的当前的第二迭代参数向量确定的。在第1次计算第二预测匹配度时，当前的职位权重向量可以为预设的初始职位权重向量。
针对步骤S502和步骤S503，为了进一步提高求职者的隐私信息的安全性，第三方用户端可以基于预设的同态加密算法生成目标公钥和目标私钥，并向招聘平台端和企业用户端发送目标公钥。相应的，企业用户端可以基于目标公钥，对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，并向第三方用户端发送当前的第二加密预测匹配度向量。
另外，企业用户端还可以获取表示每一样本求职者针对每一样本招聘职位的面试结果的真实匹配度，可以得到包含各个真实匹配度的真实匹配度向量。例如，可以用1表示面试成功，用0表示面试失败。一种实现方式中，企业用户端可以获取一个随机数，并基于目标公钥对该随机数进行加密，得到加密后的随机数。如果企业用户端为多个，则各个企业用户端获取的各随机数的和值为0。然后，企业用户端可以计算加密后的随机数与真实匹配度向量的和值，作为加密真实匹配度向量，并向第三方用户端发送加密真实匹配度向量。第三方用户端的具体处理方式可以参见后续实施例的相关介绍。
在步骤504中，若接收到当前的第二迭代参数向量，表明当前的职位权重向量和不满足预设收敛条件，基于当前的职位权重向量，确定出的样本求职者与样本招聘职位的预测匹配度向量与真实匹配度向量的差异较大，因此，企业用户端可以根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，再次计算每一样本求职者与每一样本招聘职位的第二预测匹配度，直至接收到第三方用户端发送的确定消息。
在步骤S505中，在接收到确定消息时，表明当前的职位权重向量满足预设收敛条件，基于当前的职位权重向量，确定出的样本求职者针对样本招聘职位的预测匹配度向量与真实匹配度向量的差异较小，因此，企业用户端可以确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量。招聘平台端的具体处理方式可以参见前述实施例的相关介绍。
在本发明的一个实施例中，参见图6，在步骤S504之前，该方法还可以包括以下步骤：
S506：接收第三方用户端发送的当前的预测匹配度向量。其中，当前的预测匹配度向量为当前的第一加密预测匹配度向量，与当前的第二加密预测匹配度向量的和值。
S507：基于当前的预测匹配度向量、真实匹配度向量和第三预设公式，计算表示当前的预测匹配度向量和真实匹配度向量的差异性的损失函数值，作为初始损失函数值。其中，第三预设公式为：
Figure BDA0003058305160000131
L表示初始损失函数值，n表示样本求职者的数目；Xi为真实匹配度向量中的第i个元素，Xi表示第i个样本求职者的真实匹配度；Di为当前的预测匹配度向量中的第i个元素，Di表示第i个样本求职者当前的预测匹配度。
S508：对初始损失函数值进行加密，并向第三方用户端发送加密后的初始损失函数值，以使第三方用户端对加密后的初始损失函数值进行解密，并基于解密得到的初始损失函数值，计算目标损失函数值，在目标损失函数值小于第二预设阈值时，确定当前的职位权重向量和用户权重向量满足预设收敛条件；在目标损失函数值不小于第二预设阈值时，确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的预测匹配度向量和加密真实匹配度向量，计算当前的第一梯度参数向量，并向招聘平台端和企业用户端发送当前的第一梯度参数向量。
S509：当接收到当前的第一梯度参数向量时，针对每一样本招聘职位，将当前的第一梯度参数向量中的元素，作为该样本招聘职位的职位特征各自的权重，计算该样本招聘职位的职位特征向量中各元素的加权和，作为当前的第三梯度参数。
S5010：向第三方用户端包含发送当前的各个第三梯度参数的第三梯度参数向量，以使第三方用户端对当前的第三梯度参数向量进行解密，基于解密结果计算当前的第二迭代参数向量，并向企业用户端发送当前的第二迭代参数向量。
相应的，步骤S504可以包括以下步骤：
S5041：若接收到当前的第二迭代参数向量，基于当前的第二迭代参数向量和第四预设公式，更新当前的职位权重向量。其中，第四预设公式为：
v′＝v-ηa (4)
v′表示更新后的职位权重向量，v表示更新前的职位权重向量，η表示预设学习率，a表示当前的第二迭代参数向量。
一种实现方式中，第三方用户端可以计算接收到的当前的第一加密预测匹配度向量，与当前的第二加密预测匹配度向量的和值，得到表示各样本求职者针对各样本招聘职位的预测匹配度的当前的预测匹配度向量，并向企业用户端发送当前的预测匹配度向量。相应的，企业用户端在接收到预测匹配度向量时，可以基于预测匹配度向量、真实匹配度向量和上述公式(3)，计算表示预测匹配度向量和真实匹配度向量的差异性的损失函数值，作为初始损失函数值。然后，企业用户端可以基于目标公钥，对初始损失函数值进行加密，并向第三方用户端发送加密后的初始损失函数值。第三方用户端在基于加密后的初始损失函数值进行解密，确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，确定当前的第一梯度参数向量。
当接收到第三方用户端发送的当前的第一梯度参数向量时，企业用户端可以按照当前的第一梯度参数向量，计算每一样本招聘职位对应的当前的第三梯度参数。进而，向第三方用户端包含发送当前的各第三梯度参数的第三梯度参数向量。第三方用户端可以基于当前的第三梯度参数向量，计算当前的第二迭代参数向量。
在接收到第三方用户端发送的当前的第二迭代参数向量时，企业用户端可以基于当前的第二迭代参数向量和上述公式(4)，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，再次计算每一样本求职者与每一样本招聘职位的第二预测匹配度，直至接收到第三方用户端发送的确定消息。
参见图7，图7为本发明实施例提供的一种基于纵向联邦学习的推荐方法的流程图，该方法应用于上述基于纵向联邦学习的推荐系统中的第三方用户端，该基于纵向联邦学习的推荐系统还包括：招聘平台端和企业用户端。该方法可以包括以下步骤：
S701：接收企业用户端发送的当前的第一加密预测匹配度向量和加密真实匹配度向量，以及招聘平台端发送的当前的第二加密预测匹配度向量。
其中，当前的第一加密预测匹配度向量为：招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到的；当前的用户权重向量中的元素表示样本求职者的用户特征各自当前的权重；当前的第二加密预测匹配度向量为：企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度，对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密得到的；当前的职位权重向量中的元素表示样本招聘职位的职位特征各自当前的权重；加密真实匹配度向量为：企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到的。
S702：基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判断当前的职位权重向量和用户权重向量是否满足预设收敛条件，如果是，执行步骤S704，如果否，执行步骤S703。
S703：基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，以使招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量；以及第三方用户端向企业用户端发送当前的第二迭代参数向量，以使企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量。
S704：向招聘平台端和企业用户端发送确定消息，以使企业用户端在接收到确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量；以使招聘平台端在接收到确定消息时，确定当前的用户权重向量为最终的目标用户权重向量，并在接收到目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
基于本发明实施例提供的基于纵向联邦学习的推荐方法，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。
在步骤S701中，为了进一步提高求职者的隐私信息的安全性，第三方用户端可以为具有较高公信力的组织所使用的用户端。例如，企业用户包括银行和保险公司时，第三方用户端可以为银监会用户端。
第三方用户端可以基于预设的同态加密算法生成目标公钥和目标私钥，并向招聘平台端和企业用户端发送目标公钥。招聘平台端可以计算每一样本求职者针对已面试的每一样本招聘职位的第一预测匹配度，并基于目标公钥，对包含当前的各第一预测匹配度的第一预测匹配度向量进行加密，向第三方用户端发送加密得到的第一加密预测匹配度向量。企业用户端可以计算每一样本求职者针对每一样本招聘职位的第二预测匹配度，并基于目标公钥，对包含当前的各第二预测匹配度的第二预测匹配度向量，以及包含各真实匹配度的真实匹配度向量进行加密，向第三方用户端发送加密得到的第二加密预测匹配度向量和加密真实匹配度向量。招聘平台端、企业用户端的具体处理方式可以参见前述实施例的相关介绍。
在步骤S702中，如果第三方用户端确定当前的职位权重向量和用户权重向量满足预设收敛条件，基于当前的职位权重向量和当前的用户权重向量，确定出的样本求职者与样本招聘职位的预测匹配度向量与真实匹配度向量的差异较小，因此，第三方用户端可以向企业用户端和招聘平台端发送确定消息。如果第三方用户端确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的职位权重向量和当前的用户权重向量，确定出的样本求职者与样本招聘职位的预测匹配度向量与真实匹配度向量的差异较大，因此，第三方用户端可以确定当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，向企业用户端发送当前的第二迭代参数向量。招聘平台端、企业用户端的具体处理方式可以参见前述实施例的相关介绍。
在本发明的一个实施例中，参见图8，步骤S702可以包括以下步骤：
S7021：计算当前的第一加密预测匹配度向量和第二加密预测匹配度向量的和值，作为当前的预测匹配度向量，向企业用户端发送当前的预测匹配度向量，以使企业用户端基于当前的预测匹配度向量和真实匹配度向量，计算表示当前的预测匹配度向量和真实匹配度向量的差异性的损失函数值，作为初始损失函数值，对初始损失函数值进行加密，并向第三方用户端发送加密后的初始损失函数值。
S7022：对加密后的初始损失函数值进行解密，并基于解密得到的初始损失函数值，计算目标损失函数值。
S7023：若目标损失函数值小于第二预设阈值，确定当前的职位权重向量和用户权重向量满足预设收敛条件。
S7024：若目标损失函数值不小于第二预设阈值，确定当前的职位权重向量和用户权重向量不满足预设收敛条件。
相应的，步骤S703可以包括以下步骤：
S7031：基于当前的预测匹配度向量、加密真实匹配度向量和第五预设公式，计算当前的第一梯度参数向量，并向企业用户端和招聘平台端发送当前的第一梯度参数向量，以使招聘平台端针对每一样本求职者，将第一梯度参数向量中的元素，作为该样本求职者的用户特征各自的权重，计算该样本求职者的用户特征向量中各元素的加权和，作为当前的第二梯度参数；向第三方用户端发送包含当前的各个第二梯度参数的第二梯度参数向量；以使企业用户端针对每一样本招聘职位，将当前的第一梯度参数向量中的元素，作为该样本招聘职位的职位特征各自的权重，计算该样本招聘职位的职位特征向量中各元素的加权和，作为当前的第三梯度参数；向第三方用户端发送包含当前的各个第三梯度参数的第三梯度参数向量。其中，第五预设公式为：
g＝0.25Y-0.5X′ (5)
g表示当前的第一梯度参数向量，Y表示当前的预测匹配度向量，X′表示加密真实匹配度向量。
S7032：当接收到当前的第二梯度参数向量时，对当前的第二梯度参数向量进行解密，得到当前的第一迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量；以使招聘平台端基于当前的第一迭代参数向量，更新当前的用户权重向量。
S7033：当接收到当前的第三梯度参数向量时，对当前的第三梯度参数向量进行解密，基于解密结果计算当前的第二迭代参数向量，并向企业用户端发送当前的第二迭代参数向量；以使企业用户端基于当前的第二迭代参数向量，更新当前的职位权重向量。
一种实现方式中，第三方用户端可以计算当前的第一加密预测匹配度向量和第二加密预测匹配度向量的和值，得到当前的预测匹配度向量，并向企业用户端发送当前的预测匹配度向量。企业用户端可以基于当前的预测匹配度向量和真实匹配度向量，计算初始损失函数值，并对初始损失函数值进行加密，向第三方用户端发送加密后的初始损失函数值。然后，第三方用户端可以基于目标私钥，对加密后的初始损失函数值进行解密，并基于解密得到的初始损失函数值，计算目标损失函数值。一种实现方式中，企业用户端为一个时，第三方用户端可以将解密得到的初始损失函数值，作为目标损失函数值。另一种实现方式中，企业用户端为多个时，第三方用户端可以对各企业用户端发送的加密后的初始损失函数值进行解密，并计算解密得到的各初始损失函数值的和值，作为目标损失函数值。
进而，第三方用户端可以判断目标损失函数值是否小于第二预设阈值。第二预设阈值可以由技术人员根据经验设置，例如，第二预设阈值可以为0.0001，或者，第二预设阈值也可以为0.00001，但并不限于此。如果是，第三方用户端可以确定当前的职位权重向量和用户权重向量满足预设收敛条件，基于当前的职位权重向量和当前的用户权重向量，确定出的样本求职者与样本招聘职位的预测匹配度向量与真实匹配度向量的差异较小，因此，第三方用户端可以向企业用户端和招聘平台端发送确定消息。如果否，第三方用户端可以确定当前的职位权重向量和用户权重向量不满足预设收敛条件。基于当前的职位权重向量和当前的用户权重向量，确定出的样本求职者与样本招聘职位的预测匹配度向量与真实匹配度向量的差异较大，因此，第三方用户端可以确定当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，以及向企业用户端发送当前的第二迭代参数向量。招聘平台端、企业用户端的具体处理方式可以参见前述实施例的相关介绍。
一种实现方式中，在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，第三方用户端可以基于当前的预测匹配度向量、加密真实匹配度向量和上述公式(5)，计算当前的第一梯度参数向量。进而，第三方用户端可以向企业用户端和招聘平台端发送当前的第一梯度参数向量。相应的，招聘平台端可以基于第一梯度参数向量，计算二梯度参数向量，并向第三方用户端发送当前的第二梯度参数向量。企业用户端可以基于当前的第一梯度参数向量，计算当前的第三梯度参数向量，并向第三方用户端发送当前的第二梯度参数向量。
当接收到当前的第二梯度参数向量时，第三方用户端可以对当前的第二梯度参数向量进行解密，得到当前的第一迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量。
当接收到当前的第三梯度参数向量时，第三方用户端可以对当前的第三梯度参数向量进行解密，基于解密结果计算当前的第二迭代参数向量。进而，第三方用户端可以向企业用户端发送当前的第二迭代参数向量。一种实现方式中，企业用户端为一个时，第三方用户端可以将解密结果作为当前的第二迭代参数向量。另一种实现方式中，企业用户端为多个时，第三方用户端可以计算当前的各第三梯度参数向量的和值，并对计算得到的和值进行解密，将解密结果作为当前的第二迭代参数向量。招聘平台端、企业用户端的处理方式可以参见前述实施例的相关介绍。
在本发明实施例中，并不限定步骤S7032和步骤S7033执行的先后顺序，也就是说，可以先执行步骤S7032，也可以先执行步骤S7033，或者同时执行步骤S7032和步骤S7033。
参见图9，图9为本发明实施例提供的一种基于纵向联邦学习的推荐方法示例的流程图。该方法应用于基于纵向联邦学习的推荐系统，该基于纵向联邦学习的推荐系统包括：招聘平台端、企业用户端和第三方用户端。
步骤1，第三方用户端基于预设的同态加密算法，生成目标公钥和目标私钥，并向企业用户端和招聘平台端发送目标公钥。
步骤2，招聘平台端基于目标公钥确定当前的第一加密预测匹配度向量，并向第三方用户端发送当前的第一加密预测匹配度向量，以及企业用户端基于目标公钥确定当前的第二加密预测匹配度向量和加密真实匹配度向量，并向第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量。
步骤3，第三方用户端确定当前的用户权重向量和当前的职位权重向量不满足预设收敛条件时，计算当前的第一梯度参数向量，并向招聘平台端和企业用户端发送当前的第一梯度参数向量。
步骤4，招聘平台端基于当前的第一梯度参数向量，确定当前的第二梯度参数向量，并向第三方用户端发送当前的第二梯度参数向量，以及企业用户端基于当前的第一梯度参数向量，确定当前的第三梯度参数向量，并向第三方用户端发送当前的第三梯度参数向量。
步骤5，第三方用户端基于当前的第二梯度参数向量，确定当前的第一迭代参数向量，并基于当前的第三梯度参数向量，确定当前的第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，向企业用户端发送当前的第二迭代参数向量。
步骤6，招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量，以及企业用户端基于当前的第二迭代参数向量，更新当前的职位权重向量。
步骤7，第三方用户端确定当前的用户权重向量和当前的职位权重向量满足预设收敛条件时，向招聘平台端和企业用户端发送确定消息。
步骤8，企业用户端在接收到确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量，以及招聘平台端在接收到确定消息和目标职位权重向量时，确定当前的用户权重向量为最终的目标用户权重向量，基于每一指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算每一指定求职者与每一指定招聘职位的匹配度，作为目标匹配度，并向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
参见图10，图10为本发明实施例提供的一种基于纵向联邦学习的推荐方法示例的流程图。该方法应用于基于纵向联邦学习的推荐系统，该基于纵向联邦学习的推荐系统包括：招聘平台端、企业用户端和第三方用户端。本实施例以该基于纵向联邦学习的推荐系统包括2个企业用户端为例进行说明，该两个企业用户端分别为：企业用户端1和企业用户端2。
第三方用户端基于预设的同态加密算法，生成目标公钥和目标私钥，并分别向企业用户端1、企业用户端2和招聘平台端发送目标公钥。招聘平台端确定当前的第一预测匹配度向量，并基于目标公钥，对当前的第一预测匹配度向量进行加密，并向第三方用户端发送当前的第一加密预测匹配度向量。
企业用户端1获取当前的职位权重向量，并向企业用户端2发送当前的职位权重向量。企业用户端1基于当前的职位权重向量确定当前的第二预测匹配度向量1，基于目标公钥对当前的第一预测匹配度向量1进行加密，并向第三方用户端发送当前的第二加密预测匹配度向量1。企业用户端1生成随机数1和随机数2，该2个随机数的和值为0，并向企业用户端2发送随机数2。企业用户端1基于随机数1确定加密真实匹配度向量1，并向第三方用户端发送加密真实匹配度向量1。企业用户端2基于当前的职位权重向量确定当前的第二预测匹配度向量2，基于目标公钥对当前的第一预测匹配度向量2进行加密，并向第三方用户端发送当前的第二加密预测匹配度向量2。企业用户端2基于随机数2确定加密真实匹配度向量2，并向第三方用户端发送加密真实匹配度向量2。
第三方用户端确定当前的用户权重向量和当前的职位权重向量满足预设收敛条件时，向招聘平台端、企业用户端1和企业用户端2发送确定消息。企业用户端1接收到确定消息时，确定目标职位权重向量，并向招聘平台端发送目标职位权重向量。招聘平台端接收到确定消息和目标职位权重向量时，计算每一指定求职者与每一指定招聘职位的目标匹配度，并向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。第三方用户端确定当前的用户权重向量和当前的职位权重向量不满足预设收敛条件时，确定当前的第一梯度参数向量，并向招聘平台端、企业用户端1和企业用户端2发送当前的第一梯度参数向量。招聘平台端基于当前的第一梯度参数向量，确定当前的第二梯度参数向量，并向第三方用户端发送当前的第二梯度参数向量。
企业用户端1基于当前的第一梯度参数向量，确定当前的第三梯度参数向量1，并向第三方用户端发送当前的第二梯度参数向量1。企业用户端2基于当前的第一梯度参数向量，确定当前的第三梯度参数向量2，并向第三方用户端发送当前的第二梯度参数向量2。
第三方用户端基于当前的第二梯度参数向量，确定当前的第一迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量。以及基于第三梯度参数向量1和第三梯度参数向量2，确定当前的第二迭代参数向量，并向企业用户端1发送当前的第二迭代参数向量。招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，再次计算每一样本求职者与已面试的每一样本招聘职位的第一预测匹配度，直至接收到确定消息。
企业用户端1根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，再次计算每一样本求职者与每一样本招聘职位的第二预测匹配度，直至接收到确定消息。企业用户端1向企业用户端2发送更新后的职位权重向量，企业用户端2再次计算每一样本求职者与每一样本招聘职位的第二预测匹配度，直至接收到确定消息。
与图2的方法实施例相对应，参见图11，图11为本发明实施例提供的一种基于纵向联邦学习的推荐装置的结构图，装置应用于基于纵向联邦学习的推荐系统中的招聘平台端，基于纵向联邦学习的推荐系统还包括：企业用户端和第三方用户端，装置包括：第一确定模块1101，用于针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度；其中，当前的用户权重向量中的元素表示该样本求职者的用户特征各自当前的权重；加密模块1102，用于对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向第三方用户端发送当前的第一加密预测匹配度向量，以使第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向招聘平台端和企业用户端发送确定消息，以使企业用户端在接收到确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量；以及第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，向企业用户端发送当前的第二迭代参数向量，以使企业用户端在接收到当前的第二迭代参数向量时，根据当前的第二迭代参数向量，更新当前的职位权重向量；其中，当前的第二加密预测匹配度向量为：企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；对包含当前的各第二预测匹配度的第二预测匹配度向量进行加密得到，并向第三方用户端发送的；加密真实匹配度向量为：企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到，并向第三方用户端发送的；更新模块1103，用于若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，返回执行针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度的步骤；第二确定模块1104，用于若接收到确定消息，确定当前的用户权重向量为最终的目标用户权重向量；第三确定模块1105，用于当接收到目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；推荐模块1106，用于基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
可选的，第三确定模块1105，具体用于当接收到目标职位权重向量时，针对每一指定求职者，按照目标用户权重向量，计算该指定求职者的用户特征对应的目标用户特征向量中各元素的加权和，作为第一和值；其中，目标用户权重向量中的元素为该指定求职者的用户特征各自的权重；针对每一指定招聘职位，按照目标职位权重向量，计算该指定招聘职位的职位特征对应的目标职位特征向量中各元素的加权和，作为第二和值；其中，目标职位权重向量中的元素为该指定招聘职位的职位特征各自的权重；根据计算第一和值、第二和值和第一预设公式，计算该指定求职者与该指定招聘职位的匹配度，作为目标匹配度；其中，第一预设公式为：
Figure BDA0003058305160000201
P表示目标匹配度，e表示自然常数，h1表示第一和值，h2表示第二和值。
推荐模块1106，具体用于针对每一指定求职者，从各指定招聘职位中，确定与该指定求职者的目标匹配度大于第一预设阈值的指定招聘职位，作为目标招聘职位，并向该求职者所使用的个人用户端推荐目标招聘职位；针对每一指定招聘职位，从各指定求职者中，确定与该指定招聘职位的目标匹配度大于第一预设阈值的指定求职者，作为目标求职者，并向企业用户端推荐目标求职者。
可选的，装置还包括：处理模块，用于接收第三方用户端发送的当前的第一梯度参数向量；其中，当前的第一梯度参数向量为第三方用户端在目标损失函数值不小于第二预设阈值时，基于当前的预测匹配度向量和加密真实匹配度向量计算得到的；当前的预测匹配度向量为：当前的第一加密预测匹配度向量和第二加密预测匹配度向量的和值；目标损失函数值为：第三方用户端基于企业用户端发送的加密后的初始损失函数值计算得到的；初始损失函数值为企业用户端基于当前的预测匹配度向量和真实匹配度向量计算得到的；针对每一样本求职者，将当前的第一梯度参数向量中的元素，作为该样本求职者的用户特征各自的权重，计算该样本求职者的用户特征向量中各元素的加权和，作为当前的第二梯度参数；向第三方用户端发送包含当前的各个第二梯度参数的第二梯度参数向量，以使第三方用户端对当前的第二梯度参数向量进行解密，得到当前的第一迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量；更新模块1103，具体用于若接收到当前的第一迭代参数向量，基于当前的第一迭代参数向量和第二预设公式，更新当前的用户权重向量；其中，第二预设公式为：
w′＝w-ηb
w′表示更新后的用户权重向量，w表示更新前的用户权重向量，η表示预设学习率，b表示当前的第一迭代参数向量。
基于本发明实施例提供的基于纵向联邦学习的推荐装置，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。
与图5的方法实施例相对应，参见图12，图12为本发明实施例提供的一种基于纵向联邦学习的推荐装置的结构图，装置应用于基于纵向联邦学习的推荐系统中企业用户端，基于纵向联邦学习的推荐系统还包括：招聘平台端和第三方用户端，装置包括：第一确定模块1201，用于针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；其中，当前的职位权重向量中的元素表示该样本招聘职位的职位特征各自当前的权重；加密模块1202，用于对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，得到加密真实匹配度向量；发送模块1203，用于向第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量，以使第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向企业用户端发送当前的第二迭代参数向量，向招聘平台端发送当前的第一迭代参数向量，以使招聘平台端在接收到当前的第一迭代参数向量时，根据当前的第一迭代参数向量，更新当前的用户权重向量；以及以使第三方用户端在确定当前的职位权重向量和用户权重向量满足预设收敛条件时，向招聘平台端和企业用户端发送确定消息，以使招聘平台端在接收到确定消息时，确定当前的用户权重向量为最终的目标用户权重向量；其中，当前的第一加密预测匹配度向量为：招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度得到，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到，并向第三方用户端发送的；更新模块1204，用于若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，返回执行针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度的步骤；第二确定模块1205，用于若接收到确定消息，确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量，以使招聘平台端在接收到目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
可选的，装置还包括：处理模块，用于接收第三方用户端发送的当前的预测匹配度向量；其中，当前的预测匹配度向量为当前的第一加密预测匹配度向量，与当前的第二加密预测匹配度向量的和值；基于当前的预测匹配度向量、真实匹配度向量和第三预设公式，计算表示当前的预测匹配度向量和真实匹配度向量的差异性的损失函数值，作为初始损失函数值；其中，第三预设公式为：
Figure BDA0003058305160000211
L表示所述初始损失函数值，n表示样本求职者的数目；Xi为真实匹配度向量中的第i个元素，Xi表示第i个样本求职者的真实匹配度；Di为当前的预测匹配度向量中的第i个元素，Di表示第i个样本求职者当前的预测匹配度；
对初始损失函数值进行加密，并向第三方用户端发送加密后的初始损失函数值，以使第三方用户端对加密后的初始损失函数值进行解密，并基于解密得到的初始损失函数值，计算目标损失函数值，在目标损失函数值小于第二预设阈值时，确定当前的职位权重向量和用户权重向量满足预设收敛条件；在目标损失函数值不小于第二预设阈值时，确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的预测匹配度向量和加密真实匹配度向量，计算当前的第一梯度参数向量，并向招聘平台端和企业用户端发送当前的第一梯度参数向量；当接收到当前的第一梯度参数向量时，针对每一样本招聘职位，将当前的第一梯度参数向量中的元素，作为该样本招聘职位的职位特征各自的权重，计算该样本招聘职位的职位特征向量中各元素的加权和，作为当前的第三梯度参数；向第三方用户端包含发送当前的各个第三梯度参数的第三梯度参数向量，以使第三方用户端对当前的第三梯度参数向量进行解密，基于解密结果计算当前的第二迭代参数向量，并向企业用户端发送当前的第二迭代参数向量；更新模块1204，具体用于若接收到当前的第二迭代参数向量，基于当前的第二迭代参数向量和第四预设公式，更新当前的职位权重向量；其中，第四预设公式为：
v′＝v-ηa
v′表示更新后的职位权重向量，v表示更新前的职位权重向量，η表示预设学习率，a表示当前的第二迭代参数向量。
基于本发明实施例提供的基于纵向联邦学习的推荐装置，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。
与图7的方法实施例相对应，参见图13，图13为本发明实施例提供的一种基于纵向联邦学习的推荐装置的结构图，装置应用于基于纵向联邦学习的推荐系统中的第三方用户端，基于纵向联邦学习的推荐系统还包括：招聘平台端和企业用户端，装置包括：接收模块1301，用于接收企业用户端发送的当前的第一加密预测匹配度向量和加密真实匹配度向量，以及招聘平台端发送的当前的第二加密预测匹配度向量；其中，当前的第一加密预测匹配度向量为：招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到的；当前的用户权重向量中的元素表示样本求职者的用户特征各自当前的权重；当前的第二加密预测匹配度向量为：企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度，对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密得到的；当前的职位权重向量中的元素表示样本招聘职位的职位特征各自当前的权重；加密真实匹配度向量为：企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到的；判断模块1302，用于基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判断当前的职位权重向量和用户权重向量是否满足预设收敛条件；确定模块1303，用于若确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量，以使招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量；以及第三方用户端向企业用户端发送当前的第二迭代参数向量，以使企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量；发送模块1304，用于若确定当前的职位权重向量和用户权重向量满足预设收敛条件，向招聘平台端和企业用户端发送确定消息，以使企业用户端在接收到确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向招聘平台端发送目标职位权重向量；以使招聘平台端在接收到确定消息时，确定当前的用户权重向量为最终的目标用户权重向量，并在接收到目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、目标职位权重向量和目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向企业用户端推荐指定求职者。
可选的，判断模块1302，具体用于计算当前的第一加密预测匹配度向量和第二加密预测匹配度向量的和值，作为当前的预测匹配度向量，向企业用户端发送当前的预测匹配度向量，以使企业用户端基于当前的预测匹配度向量和真实匹配度向量，计算表示当前的预测匹配度向量和真实匹配度向量的差异性的损失函数值，作为初始损失函数值，对初始损失函数值进行加密，并向第三方用户端发送加密后的初始损失函数值；对加密后的初始损失函数值进行解密，并基于解密得到的初始损失函数值，计算目标损失函数值；若目标损失函数值小于第二预设阈值，确定当前的职位权重向量和用户权重向量满足预设收敛条件；若目标损失函数值不小于第二预设阈值，确定当前的职位权重向量和用户权重向量不满足预设收敛条件；确定模块1303，具体用于基于当前的预测匹配度向量、加密真实匹配度向量和第五预设公式，计算当前的第一梯度参数向量，并向企业用户端和招聘平台端发送当前的第一梯度参数向量，以使招聘平台端针对每一样本求职者，将第一梯度参数向量中的元素，作为该样本求职者的用户特征各自的权重，计算该样本求职者的用户特征向量中各元素的加权和，作为当前的第二梯度参数；向第三方用户端发送包含当前的各个第二梯度参数的第二梯度参数向量；以使企业用户端针对每一样本招聘职位，将当前的第一梯度参数向量中的元素，作为该样本招聘职位的职位特征各自的权重，计算该样本招聘职位的职位特征向量中各元素的加权和，作为当前的第三梯度参数；向第三方用户端发送包含当前的各个第三梯度参数的第三梯度参数向量；其中，第五预设公式为：
g＝0.25Y-0.5X′
g表示当前的第一梯度参数向量，Y表示当前的预测匹配度向量，X′表示加密真实匹配度向量；
当接收到当前的第二梯度参数向量时，对当前的第二梯度参数向量进行解密，得到当前的第一迭代参数向量，并向招聘平台端发送当前的第一迭代参数向量；以使招聘平台端基于当前的第一迭代参数向量，更新当前的用户权重向量；当接收到当前的第三梯度参数向量时，对当前的第三梯度参数向量进行解密，基于解密结果计算当前的第二迭代参数向量，并向企业用户端发送当前的第二迭代参数向量；以使企业用户端基于当前的第二迭代参数向量，更新当前的职位权重向量。
基于本发明实施例提供的基于纵向联邦学习的推荐装置，招聘平台端计算目标匹配度时考虑了求职者的求职要求(即用户特征向量)和企业用户的招聘要求(即职位特征向量)，且目标职位权重向量和目标用户权重向量是基于样本求职者针对样本招聘职位的面试结果确定出的，考虑了企业用户对样本求职者的最终反馈信息，计算得到的目标匹配度可以表示指定求职者针对指定招聘职位面试成功的概率。招聘平台端可以基于各指定求职者与各指定招聘职位的目标匹配度，向企业用户端和每一指定求职者所使用的个人用户端进行推荐，可以提高招聘平台的推荐有效性。企业用户端向第三方用户端发送加密真实匹配度向量，不是直接向第三方用户端发送样本求职者的面试结果，并且企业用户端向招聘平台端发送目标职位权重向量，不需要向招聘平台端提供企业用户对样本求职者的最终反馈信息，可以保护求职者的隐私信息。
本发明实施例还提供了一种电子设备，如图14所示，包括处理器1401、通信接口1402、存储器1403和通信总线1404，其中，处理器1401，通信接口1402，存储器1403通过通信总线1404完成相互间的通信；存储器1403，用于存放计算机程序；处理器1401，用于执行存储器1403上所存放的程序时，实现上述实施例任一所述的基于纵向联邦学习的推荐方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)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。存储器可以包括随机存取存储器(Random AccessMemory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，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。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一基于纵向联邦学习的推荐方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一基于纵向联邦学习的推荐方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、系统、电子设备、计算机可读存储介质和计算机程序产品实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于纵向联邦学习的推荐方法，所述方法应用于基于纵向联邦学习的推荐系统中的招聘平台端，所述基于纵向联邦学习的推荐系统还包括：企业用户端和第三方用户端，其特征在于，所述方法包括：
针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度；其中，当前的用户权重向量中的元素表示该样本求职者的用户特征各自当前的权重；
对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向所述第三方用户端发送当前的第一加密预测匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以及所述第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端在接收到当前的第二迭代参数向量时，根据当前的第二迭代参数向量，更新当前的职位权重向量；其中，当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；对包含当前的各第二预测匹配度的第二预测匹配度向量进行加密得到，并向所述第三方用户端发送的；加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到，并向所述第三方用户端发送的；
若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，返回执行所述针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度的步骤；
若接收到所述确定消息，确定当前的用户权重向量为最终的目标用户权重向量；
当接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；
基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
2.根据权利要求1所述的方法，其特征在于，所述当接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度，包括：
当接收到所述目标职位权重向量时，针对每一指定求职者，按照所述目标用户权重向量，计算该指定求职者的用户特征对应的目标用户特征向量中各元素的加权和，作为第一和值；其中，所述目标用户权重向量中的元素为该指定求职者的用户特征各自的权重；
针对每一指定招聘职位，按照所述目标职位权重向量，计算该指定招聘职位的职位特征对应的目标职位特征向量中各元素的加权和，作为第二和值；其中，所述目标职位权重向量中的元素为该指定招聘职位的职位特征各自的权重；
根据所述第一和值、所述第二和值和第一预设公式，计算该指定求职者与该指定招聘职位的匹配度，作为目标匹配度；其中，所述第一预设公式为：
Figure FDA0003058305150000021
P表示所述目标匹配度，e表示自然常数，h1表示所述第一和值，h2表示所述第二和值；
所述基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者，包括：
针对每一指定求职者，从各指定招聘职位中，确定与该指定求职者的目标匹配度大于第一预设阈值的指定招聘职位，作为目标招聘职位，并向该求职者所使用的个人用户端推荐所述目标招聘职位；
针对每一指定招聘职位，从各指定求职者中，确定与该指定招聘职位的目标匹配度大于所述第一预设阈值的指定求职者，作为目标求职者，并向所述企业用户端推荐所述目标求职者。
3.根据权利要求1所述的方法，其特征在于，在所述若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量之前，所述方法还包括：
接收所述第三方用户端发送的当前的第一梯度参数向量；其中，当前的第一梯度参数向量为所述第三方用户端在目标损失函数值不小于第二预设阈值时，基于当前的预测匹配度向量和所述加密真实匹配度向量计算得到的；当前的预测匹配度向量为：当前的第一加密预测匹配度向量和第二加密预测匹配度向量的和值；所述目标损失函数值为：所述第三方用户端基于所述企业用户端发送的加密后的初始损失函数值计算得到的；所述初始损失函数值为所述企业用户端基于当前的预测匹配度向量和所述真实匹配度向量计算得到的；
针对每一样本求职者，将当前的第一梯度参数向量中的元素，作为该样本求职者的用户特征各自的权重，计算该样本求职者的用户特征向量中各元素的加权和，作为当前的第二梯度参数；
向所述第三方用户端发送包含当前的各个第二梯度参数的第二梯度参数向量，以使所述第三方用户端对当前的第二梯度参数向量进行解密，得到当前的第一迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量；
所述若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量，包括：
若接收到当前的第一迭代参数向量，基于当前的第一迭代参数向量和第二预设公式，更新当前的用户权重向量；其中，第二预设公式为：
w′＝w-ηb
w′表示更新后的用户权重向量，w表示更新前的用户权重向量，η表示预设学习率，b表示当前的第一迭代参数向量。
4.一种基于纵向联邦学习的推荐方法，所述方法应用于基于纵向联邦学习的推荐系统中的企业用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和第三方用户端，其特征在于，所述方法包括：
针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；其中，当前的职位权重向量中的元素表示该样本招聘职位的职位特征各自当前的权重；
对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，得到加密真实匹配度向量；
向所述第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述企业用户端发送当前的第二迭代参数向量，向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端在接收到当前的第一迭代参数向量时，根据当前的第一迭代参数向量，更新当前的用户权重向量；以及以使所述第三方用户端在确定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度得到，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到，并向所述第三方用户端发送的；
若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，返回执行所述针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度的步骤；
若接收到所述确定消息，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量，以使所述招聘平台端在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
5.根据权利要求4所述的方法，其特征在于，在所述若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量之前，所述方法还包括：
接收所述第三方用户端发送的当前的预测匹配度向量；其中，当前的预测匹配度向量为当前的第一加密预测匹配度向量，与当前的第二加密预测匹配度向量的和值；
基于当前的预测匹配度向量、所述真实匹配度向量和第三预设公式，计算表示当前的预测匹配度向量和所述真实匹配度向量的差异性的损失函数值，作为初始损失函数值；其中，所述第三预设公式为：
Figure FDA0003058305150000041
L表示所述初始损失函数值，n表示样本求职者的数目；Xi为真实匹配度向量中的第i个元素，Xi表示第i个样本求职者的真实匹配度；Di为当前的预测匹配度向量中的第i个元素，Di表示第i个样本求职者当前的预测匹配度；
对所述初始损失函数值进行加密，并向所述第三方用户端发送加密后的初始损失函数值，以使所述第三方用户端对加密后的初始损失函数值进行解密，并基于解密得到的初始损失函数值，计算目标损失函数值，在所述目标损失函数值小于第二预设阈值时，确定当前的职位权重向量和用户权重向量满足预设收敛条件；在所述目标损失函数值不小于所述第二预设阈值时，确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的预测匹配度向量和加密真实匹配度向量，计算当前的第一梯度参数向量，并向所述招聘平台端和所述企业用户端发送当前的第一梯度参数向量；
当接收到当前的第一梯度参数向量时，针对每一样本招聘职位，将当前的第一梯度参数向量中的元素，作为该样本招聘职位的职位特征各自的权重，计算该样本招聘职位的职位特征向量中各元素的加权和，作为当前的第三梯度参数；
向所述第三方用户端包含发送当前的各个第三梯度参数的第三梯度参数向量，以使所述第三方用户端对当前的第三梯度参数向量进行解密，基于解密结果计算当前的第二迭代参数向量，并向所述企业用户端发送当前的第二迭代参数向量；
所述若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量，包括：
若接收到当前的第二迭代参数向量，基于当前的第二迭代参数向量和第四预设公式，更新当前的职位权重向量；其中，第四预设公式为：
v′＝v-ηa
v′表示更新后的职位权重向量，v表示更新前的职位权重向量，η表示预设学习率，a表示当前的第二迭代参数向量。
6.一种基于纵向联邦学习的推荐方法，所述方法应用于基于纵向联邦学习的推荐系统中的第三方用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和企业用户端，其特征在于，所述方法包括：
接收所述企业用户端发送的当前的第一加密预测匹配度向量和加密真实匹配度向量，以及所述招聘平台端发送的当前的第二加密预测匹配度向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到的；当前的用户权重向量中的元素表示样本求职者的用户特征各自当前的权重；当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度，对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密得到的；当前的职位权重向量中的元素表示样本招聘职位的职位特征各自当前的权重；所述加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到的；
基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判断当前的职位权重向量和用户权重向量是否满足预设收敛条件；
若确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量；以及所述第三方用户端向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量；
若确定当前的职位权重向量和用户权重向量满足预设收敛条件，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量，并在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
7.根据权利要求6所述的方法，其特征在于，所述基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判断当前的职位权重向量和用户权重向量是否满足预设收敛条件，包括：
计算当前的第一加密预测匹配度向量和第二加密预测匹配度向量的和值，作为当前的预测匹配度向量，向所述企业用户端发送当前的预测匹配度向量，以使所述企业用户端基于当前的预测匹配度向量和所述真实匹配度向量，计算表示当前的预测匹配度向量和所述真实匹配度向量的差异性的损失函数值，作为初始损失函数值，对所述初始损失函数值进行加密，并向所述第三方用户端发送加密后的初始损失函数值；
对加密后的初始损失函数值进行解密，并基于解密得到的初始损失函数值，计算目标损失函数值；
若所述目标损失函数值小于第二预设阈值，确定当前的职位权重向量和用户权重向量满足预设收敛条件；
若所述目标损失函数值不小于所述第二预设阈值，确定当前的职位权重向量和用户权重向量不满足预设收敛条件；
所述基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，包括：
基于当前的预测匹配度向量、加密真实匹配度向量和第五预设公式，计算当前的第一梯度参数向量，并向所述企业用户端和所述招聘平台端发送当前的第一梯度参数向量，以使所述招聘平台端针对每一样本求职者，将所述第一梯度参数向量中的元素，作为该样本求职者的用户特征各自的权重，计算该样本求职者的用户特征向量中各元素的加权和，作为当前的第二梯度参数；向所述第三方用户端发送包含当前的各个第二梯度参数的第二梯度参数向量；以使所述企业用户端针对每一样本招聘职位，将当前的第一梯度参数向量中的元素，作为该样本招聘职位的职位特征各自的权重，计算该样本招聘职位的职位特征向量中各元素的加权和，作为当前的第三梯度参数；向所述第三方用户端发送包含当前的各个第三梯度参数的第三梯度参数向量；其中，所述第五预设公式为：
g＝0.25Y-0.5X′
g表示当前的第一梯度参数向量，Y表示当前的预测匹配度向量，X′表示加密真实匹配度向量；
当接收到当前的第二梯度参数向量时，对当前的第二梯度参数向量进行解密，得到当前的第一迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量；以使所述招聘平台端基于当前的第一迭代参数向量，更新当前的用户权重向量；
当接收到当前的第三梯度参数向量时，对当前的第三梯度参数向量进行解密，基于解密结果计算当前的第二迭代参数向量，并向所述企业用户端发送当前的第二迭代参数向量；以使所述企业用户端基于当前的第二迭代参数向量，更新当前的职位权重向量。
8.一种基于纵向联邦学习的推荐装置，所述装置应用于基于纵向联邦学习的推荐系统中的招聘平台端，所述基于纵向联邦学习的推荐系统还包括：企业用户端和第三方用户端，其特征在于，所述装置包括：
第一确定模块，用于针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度；其中，当前的用户权重向量中的元素表示该样本求职者的用户特征各自当前的权重；
加密模块，用于对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密，得到当前的第一加密预测匹配度向量，并向所述第三方用户端发送当前的第一加密预测匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以及所述第三方用户端在确定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端在接收到当前的第二迭代参数向量时，根据当前的第二迭代参数向量，更新当前的职位权重向量；其中，当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；对包含当前的各第二预测匹配度的第二预测匹配度向量进行加密得到，并向所述第三方用户端发送的；加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到，并向所述第三方用户端发送的；
更新模块，用于若接收到当前的第一迭代参数向量，根据当前的第一迭代参数向量，更新当前的用户权重向量，并将更新后的用户权重向量，作为当前的用户权重向量，返回执行所述针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度的步骤；
第二确定模块，用于若接收到所述确定消息，确定当前的用户权重向量为最终的目标用户权重向量；
第三确定模块，用于当接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；
推荐模块，用于基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
9.一种基于纵向联邦学习的推荐装置，所述装置应用于基于纵向联邦学习的推荐系统中企业用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和第三方用户端，其特征在于，所述装置包括：
第一确定模块，用于针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度；其中，当前的职位权重向量中的元素表示该样本招聘职位的职位特征各自当前的权重；
加密模块，用于对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密，得到当前的第二加密预测匹配度向量，以及对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密，得到加密真实匹配度向量；
发送模块，用于向所述第三方用户端发送当前的第二加密预测匹配度向量和加密真实匹配度向量，以使所述第三方用户端在基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判定当前的职位权重向量和用户权重向量不满足预设收敛条件时，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述企业用户端发送当前的第二迭代参数向量，向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端在接收到当前的第一迭代参数向量时，根据当前的第一迭代参数向量，更新当前的用户权重向量；以及以使所述第三方用户端在确定当前的职位权重向量和用户权重向量满足预设收敛条件时，向所述招聘平台端和所述企业用户端发送确定消息，以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度得到，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到，并向所述第三方用户端发送的；
更新模块，用于若接收到当前的第二迭代参数向量，根据当前的第二迭代参数向量，更新当前的职位权重向量，并将更新后的职位权重向量，作为当前的职位权重向量，返回执行所述针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度的步骤；
第二确定模块，用于若接收到所述确定消息，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量，以使所述招聘平台端在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
10.一种基于纵向联邦学习的推荐装置，所述装置应用于基于纵向联邦学习的推荐系统中的第三方用户端，所述基于纵向联邦学习的推荐系统还包括：招聘平台端和企业用户端，其特征在于，所述装置包括：
接收模块，用于接收所述企业用户端发送的当前的第一加密预测匹配度向量和加密真实匹配度向量，以及所述招聘平台端发送的当前的第二加密预测匹配度向量；其中，当前的第一加密预测匹配度向量为：所述招聘平台端针对每一样本求职者，基于包含该样本求职者的用户特征的用户特征向量和当前的用户权重向量，计算该样本求职者与已面试的每一样本招聘职位的匹配度，作为当前的第一预测匹配度，对包含当前的各个第一预测匹配度的第一预测匹配度向量进行加密得到的；当前的用户权重向量中的元素表示样本求职者的用户特征各自当前的权重；当前的第二加密预测匹配度向量为：所述企业用户端针对每一样本招聘职位，基于包含该样本招聘职位的职位特征的职位特征向量和当前的职位权重向量，计算每一样本求职者与该样本招聘职位的匹配度，作为当前的第二预测匹配度，对包含当前的各个第二预测匹配度的第二预测匹配度向量进行加密得到的；当前的职位权重向量中的元素表示样本招聘职位的职位特征各自当前的权重；所述加密真实匹配度向量为：所述企业用户端对表示各样本求职者针对已面试的各样本招聘职位的面试结果的真实匹配度向量进行加密得到的；
判断模块，用于基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，判断当前的职位权重向量和用户权重向量是否满足预设收敛条件；
确定模块，用于若确定当前的职位权重向量和用户权重向量不满足预设收敛条件，基于当前的第一加密预测匹配度向量、第二加密预测匹配度向量和加密真实匹配度向量，计算当前的第一迭代参数向量和第二迭代参数向量，并向所述招聘平台端发送当前的第一迭代参数向量，以使所述招聘平台端根据当前的第一迭代参数向量，更新当前的用户权重向量；以及所述第三方用户端向所述企业用户端发送当前的第二迭代参数向量，以使所述企业用户端根据当前的第二迭代参数向量，更新当前的职位权重向量；
发送模块，用于若确定当前的职位权重向量和用户权重向量满足预设收敛条件，向所述招聘平台端和所述企业用户端发送确定消息，以使所述企业用户端在接收到所述确定消息时，确定当前的职位权重向量为最终的目标职位权重向量，并向所述招聘平台端发送所述目标职位权重向量；以使所述招聘平台端在接收到所述确定消息时，确定当前的用户权重向量为最终的目标用户权重向量，并在接收到所述目标职位权重向量时，针对每一指定求职者，基于该指定求职者的用户特征对应的目标用户特征向量、每一指定招聘职位的职位特征对应的目标职位特征向量、所述目标职位权重向量和所述目标用户权重向量，计算该指定求职者与每一指定招聘职位的匹配度，作为目标匹配度；基于各指定求职者与各指定招聘职位的目标匹配度，向每一指定求职者所使用的个人用户端推荐指定招聘职位，以及向所述企业用户端推荐指定求职者。
CN202110505628.7A 2021-05-10 2021-05-10 基于纵向联邦学习的推荐方法及装置 Active CN113139796B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110505628.7A CN113139796B (zh) 2021-05-10 2021-05-10 基于纵向联邦学习的推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110505628.7A CN113139796B (zh) 2021-05-10 2021-05-10 基于纵向联邦学习的推荐方法及装置

Publications (2)

Publication Number Publication Date
CN113139796A CN113139796A (zh) 2021-07-20
CN113139796B true CN113139796B (zh) 2022-06-21

Family

ID=76817954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110505628.7A Active CN113139796B (zh) 2021-05-10 2021-05-10 基于纵向联邦学习的推荐方法及装置

Country Status (1)

Country Link
CN (1) CN113139796B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492164A (zh) * 2018-11-26 2019-03-19 北京网聘咨询有限公司 一种简历的推荐方法、装置、电子设备及存储介质
CN111192024A (zh) * 2019-12-31 2020-05-22 广东轩辕网络科技股份有限公司 一种基于强化学习的人岗匹配方法及装置
CN111783139A (zh) * 2020-06-29 2020-10-16 京东数字科技控股有限公司 联邦学习分类树构建方法、模型构建方法，及终端设备
CN112307331A (zh) * 2020-10-14 2021-02-02 湖南天河国云科技有限公司 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
WO2021022707A1 (zh) * 2019-08-06 2021-02-11 深圳前海微众银行股份有限公司 一种混合联邦学习方法及架构
CN112541592A (zh) * 2020-12-06 2021-03-23 支付宝(杭州)信息技术有限公司 基于差分隐私的联邦学习方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11720834B2 (en) * 2018-12-11 2023-08-08 Scout Exchange Llc Talent platform exchange and recruiter matching system
CN112182595B (zh) * 2019-07-03 2024-03-26 北京百度网讯科技有限公司 基于联邦学习的模型训练方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492164A (zh) * 2018-11-26 2019-03-19 北京网聘咨询有限公司 一种简历的推荐方法、装置、电子设备及存储介质
WO2021022707A1 (zh) * 2019-08-06 2021-02-11 深圳前海微众银行股份有限公司 一种混合联邦学习方法及架构
CN111192024A (zh) * 2019-12-31 2020-05-22 广东轩辕网络科技股份有限公司 一种基于强化学习的人岗匹配方法及装置
CN111783139A (zh) * 2020-06-29 2020-10-16 京东数字科技控股有限公司 联邦学习分类树构建方法、模型构建方法，及终端设备
CN112307331A (zh) * 2020-10-14 2021-02-02 湖南天河国云科技有限公司 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
CN112541592A (zh) * 2020-12-06 2021-03-23 支付宝(杭州)信息技术有限公司 基于差分隐私的联邦学习方法、装置及电子设备

Also Published As

Publication number Publication date
CN113139796A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
US20230006809A1 (en) Homomorphic computations on encrypted data within a distributed computing environment
CN110245510B (zh) 用于预测信息的方法和装置
KR101843340B1 (ko) 프라이버시―보존 협력 필터링
US20150154520A1 (en) Automated Data Breach Notification
CN110414567B (zh) 数据处理方法、装置和电子设备
WO2019173554A1 (en) Blockchain transaction safety
Maroofi et al. An investigation of initial trust in mobile banking
CN113516256A (zh) 基于秘密共享、同态加密的无第三方联邦学习方法及系统
JP2016511891A (ja) 大規模データへの妨害攻撃に対するプライバシー
JP2016531513A (ja) 付加ノイズを用いる効用対応プライバシー保護写像のための方法および装置
CN112508075A (zh) 基于横向联邦的dbscan聚类方法、及其相关设备
US11379616B2 (en) System and method for providing anonymous validation of a query among a plurality of nodes in a network
CN113221153B (zh) 图神经网络训练方法、装置、计算设备及存储介质
CN113158241A (zh) 基于联邦学习的岗位推荐方法及装置
CN110336786B (zh) 消息发送方法、装置、计算机设备和存储介质
CN113761350B (zh) 一种数据推荐方法、相关装置和数据推荐系统
Vatsalan et al. Privacy risk quantification in education data using Markov model
Xian et al. A ranking function based on principal‐value Pythagorean fuzzy set in multicriteria decision making
Ali-Eldin et al. A risk evaluation approach for authorization decisions in social pervasive applications
CN112101609B (zh) 关于用户还款及时性的预测系统、方法、装置及电子设备
Harkous et al. C3p: Context-aware crowdsourced cloud privacy
CN113139796B (zh) 基于纵向联邦学习的推荐方法及装置
EP3671611A1 (en) Method for establishing user-controlled privacy settings in payment systems according to data parameters defined as metrics of an algorithmic specification for their computation
Bogdanov et al. K-Anonymity Versus PSI3 for Depersonalization and Security Assessment of Large Data Structures
Shanmugasundaram et al. Revised Max‐Min Average Composition Method for Decision Making Using Intuitionistic Fuzzy Soft Matrix Theory

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