CN113158241A - 基于联邦学习的岗位推荐方法及装置 - Google Patents
基于联邦学习的岗位推荐方法及装置 Download PDFInfo
- Publication number
- CN113158241A CN113158241A CN202110367781.8A CN202110367781A CN113158241A CN 113158241 A CN113158241 A CN 113158241A CN 202110367781 A CN202110367781 A CN 202110367781A CN 113158241 A CN113158241 A CN 113158241A
- Authority
- CN
- China
- Prior art keywords
- post
- client
- target
- characteristic information
- local
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims description 169
- 230000007115 recruitment Effects 0.000 claims description 38
- 238000004891 communication Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 15
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种基于联邦学习的岗位推荐方法、装置、客户端设备和服务器,包括:获得当前客户端指定的简历特征和浏览过的目标岗位及目标岗位特征信息,将其输入至预先训练好的横向联邦学习算法模型,得到各个目标岗位的岗位评分,并将各个目标岗位以及岗位评分发给服务器,服务器会根据目标岗位以及岗位评分,获得满足与当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐的岗位发送至当前客户端。本发明实施例中,服务器可以基于当前客户端预先与服务器共同训练的横向联邦学习算法模型为当前客户端推荐岗位,而不是根据客户端发送到服务器的个人简历进行岗位推荐,因此,有效地保护了个人隐私。
Description
技术领域
本发明涉及数据推荐技术领域,特别是涉及一种基于横向联邦学习的岗位推荐方法、装置、客户端设备和服务器。
背景技术
随着网络招聘平台的发展,网络招聘以覆盖面广、成本低等诸多优势吸引了大批求职者上传个人简历到平台数据库中,招聘平台可基于上传的个人简历和相关推荐算法向求职者推荐岗位。
然而,网络招聘平台数据库可能会存在安全漏洞,黑客等有机会非法侵入网络招聘平台数据库从个人简历中获得求职者的隐私数据。
可见,现有技术中招聘平台基于上传的个人简历和相关推荐算法向求职者推荐岗位的方式,有可能导致求职者的隐私数据被泄漏,不能有效地保护求职者的个人隐私信息。
发明内容
本发明实施例的目的在于提供一种岗位推荐方法、装置、客户端设备和服务器,以实现在有效保护个人隐私信息的前提下,为用户推荐岗位。具体技术方案如下:
在本发明实施例的第一方面,首先提供了一种岗位推荐方法,应用于网络招聘平台的当前客户端,上述方法包括:
获得当前客户端的目标个人简历中指定的简历特征,作为本地简历特征信息;
获得用户通过所述当前客户端在所述网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
针对每个目标岗位,将该目标岗位的目标岗位特征信息和所述本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型;
获得所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
将当前客户端的所述各个目标岗位及岗位评分发送至所述服务器,以使所述服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
在本发明实施的第二方面,提供了一种岗位推荐方法,应用于网络招聘平台的服务器,上述方法包括:
接收当前客户端发送的目标岗位及岗位评分;所述目标岗位及岗位评分,为:所述当前客户端针对每个目标岗位,将该目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型后,获得的所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
在本发明的第三方面,提供了一种岗位推荐装置,应用于网络招聘平台的当前客户端,上述装置包括:
简历特征信息获得模块,用于获得当前客户端的目标个人简历中指定的简历特征,作为本地简历特征信息;
岗位特征信息获得模块,用于获得用户通过所述当前客户端在所述网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
模型输入模块,用于针对每个目标岗位,将该目标岗位的目标岗位特征信息和所述本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型;
岗位评分获得模块,用于获得所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
目标岗位发送模块,用于将当前客户端的所述各个目标岗位及岗位评分发送至所述服务器,以使所述服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位返回至所述当前客户端。
在本发明的第四方面,提供了一种岗位推荐装置,应用于网络招聘平台的服务器,上述装置包括:
目标岗位接收模块,用于接收当前客户端目标岗位及岗位评分;所述目标岗位及岗位评分,为:所述当前客户端针对每个目标岗位,将该目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型后,获得的所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
推荐岗位发送模块,用于基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位返回至所述当前客户端。
在本发明实施例的另一方面,提供了一种客户端设备,包括处理器、通信接口、存储器和通信总线,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,实现上述应用于网络招聘平台的当前客户端的岗位推荐方法。
在本发明实施例的另一方面,还提供了一种服务器,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,实现上述应用于网络招聘平台的服务器的岗位推荐方法。
本发明实施例提供的一种岗位推荐方法,从当前客户端的目标个人简历中获得指定的简历特征,将其作为本地简历特征信息;并获得用户通过对应客户端在网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息。将目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型,得到对各个目标岗位的岗位评分,然后将客户端的各个目标岗位以及岗位评分发给服务器,从而使得服务器根据当前客户端的目标岗位以及岗位评分,获得满足与当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐的岗位发送至当前客户端。
应用本发明实施例,服务器可以基于当前客户端预先与服务器共同训练的横向联邦学习算法模型为当前客户端推荐岗位,而不是根据客户端发送到服务器的个人简历进行岗位推荐,当前客户端不需要将目标个人简历发送至服务器,个人简历始终保存在本地。因此,实现了在有效保护个人隐私信息的前提下,服务器通过客户端发送的目标岗位以及对于目标岗位的评分,找到满足与当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐的岗位发送至当前客户端。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应用于网络招聘平台的当前客户端的岗位推荐方法流程图。
图2为图1所示实施例中横向联邦学习算法模型的一种训练流程图。
图3为图1所示实施例中横向联邦学习算法模型的另一种训练流程图。
图4为本发明实施例提供的岗位推荐方法的一种示例交互流程图。
图5为本发明实施例提供的应用于网络招聘平台的服务器的岗位推荐方法流程图。
图6为本发明实施例中横向联邦学习算法模型的一种训练流程图。
图7为本发明实施例提供的应用于网络招聘平台的当前客户端的岗位推荐装置的结构示意图。
图8为本发明实施例提供的应用于网络招聘平台的服务器的岗位推荐装置的结构示意图。
图9为本发明实施例提供的一种客户端设备的结构示意图。
图10为本发明实施例提供的一种服务器的结构示意图。
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,都属于本发明保护的范围。
为了实现在隐私安全的情况下为用户推荐岗位,本发明实施例提供了一种岗位推荐方法、装置、客户端设备和服务器。
下面首先介绍本发明实施例提供的一种应用于网络招聘平台的当前客户端的岗位推荐方法。
如图1所示,图1为本发明实施例提供的应用于网络招聘平台的当前客户端的岗位推荐方法流程图,具体步骤可以包括:
步骤101,获得当前客户端的目标个人简历中指定的简历特征,作为本地简历特征信息;
这里指定的简历特征,可以是在本发明实施例所使用的横向联邦学习算法模型训练前,进行特征对齐过程中指定的简历字段的字段值。其中,指定的简历字段可以作为横向联邦学习算法模型变量,对应的字段值可以作为横向联邦学习算法模型变量的属性,具体示例可以如下表所示:
变量 | 属性 | 变量 | 属性 |
X1 | 学历 | X4 | 性别 |
X2 | 专业 | X5 | 毕业院校 |
X3 | 工作经历 | X6 | 婚否 |
当前客户端能够从服务器接收到服务器利用特征对齐得到的简历特征属性表,然后按照简历特征属性表调整当前客户端的目标个人简历,将调整后的简历特征属性表中的简历特征作为本地简历特征信息。
步骤102,获得用户通过所述当前客户端在所述网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
本实施例中,目标岗位特征信息可以与简历特征相对应,具体可以是指目标岗位的具体要求,例如:学历要求、专业要求、院校要求或工作经历要求等。
步骤103,针对每个目标岗位,将该目标岗位的目标岗位特征信息和所述本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型;
例如,所述的横向联邦学习算法模型,为:协同过滤模型。
具体的,可以将目标岗位特征信息和本地简历特征信息按照类别特征编码转换成向量输入横向联邦学习算法模型进行计算。
步骤104,获得所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
本实施例中,横向联邦学习算法模型的输入可以是本地特征简历信息和目标岗位特征信息,然后横向联邦学习算法模型将本地简历特征信息与目标岗位特征信息进行比对计算,得出本地简历特征信息与目标岗位特征信息之间的相似度值,以该相似度值作为客户端对目标岗位的评分,当然也可以将相似度值进行整形变换后的值作为评分,具体可以根据实际需求进行设置,这里不做限定。
步骤105,将当前客户端的所述各个目标岗位及岗位评分发送至所述服务器,以使所述服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
这样,服务器在接收到当前客户端发送的针对目标岗位的评分后,便能基于当前客户端的所述目标岗位及岗位评分,确定出满足与当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,然后将推荐岗位发送至当前客户端。
应用本发明实施例,当前客户端无需将个人简历发送至服务器,以获得服务器针对个人简历推荐的岗位,只需通过当前客户端预先与服务器共同训练的横向联邦学习算法模型就能获得推荐的岗位。由于个人简历始终保存在本地。因此,有效地保护了用户的个人隐私信息。
基于图1所示的实施例。如图2所示,图2为图1所示实施例中横向联邦学习算法模型的一种训练流程图,采用如下步骤训练:
步骤201,获得用户通过所述当前客户端对预先指定的各个样本岗位的评分;
为了对横向联邦学习算法模型进行训练,需要获得样本数据。样本数据包括:简历特征信息、样本岗位的样本岗位特征信息以及用户对各个样本岗位的评分。
因此,服务器可以先进行特征对齐以及样本岗位的下发。具体的,服务器可以在用户注册时,向当前客户端发送指定的简历特征字段,以及预先指定的各个样本岗位,并引导用户对各个样本岗位进行评分。
步骤202,获得各个样本岗位的岗位特征信息,作为各个样本岗位的样本岗位特征信息;
步骤203,基于所述各个样本岗位的样本岗位特征信息和所述本地简历特征信息,对待训练的横向联邦学习算法模型进行本地训练,获得所述当前客户端的本地训练参数;
横向联邦学习算法模型可以基于各个样本岗位的样本岗位特征信息和本地简历特征信息进行本地训练,得到的本地训练参数是本地简历特征中每个特征的权重数。
当横向联邦学习算法模型为:协同过滤模型时,得到的本地训练参数就是协同过滤模型的模型参数。
步骤204,将本地训练参数发送至所述服务器;
这样,服务器就可以对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数。具体的,当前客户端可以将本地训练参数加密后发送至所述服务器,以使所述服务器对各个客户端发送的本地训练参数解密后做安全聚合操作,生成更新后训练参数,并判断所述待训练的横向联邦学习算法模型是否收敛,将更新后训练参数和是否收敛的结果加密后发送给各个客户端。
具体的,服务器对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数的步骤,可以包括:
按如下公式计算获得更新后训练参数:
其中,nk为第K个客户端的样本岗位特征信息和本地简历特征信息,n为所有客户端的样本岗位特征信息和本地简历特征信息,为第K个客户端在第t+1轮迭代的参数更新值,即是客户端在第t+1轮发送给服务器的本地训练参数,ωt+1为第t+1轮在服务器端迭代的联邦参数更新值。
所述判断所述待训练的横向联邦学习算法模型是否收敛的步骤,包括:
按如下损失函数公式计算损失值:
其中,l(xi,yi,ω)根据选择模型的不同而不同,具体可以为平方损失函数、绝对值损失函数、0-1损失函数,对数损失函数等,nk为第K个客户端的样本岗位特征信息和本地简历特征信息,n为所有客户端的样本岗位特征信息和本地简历特征信息,Pk为参与训练的客户端的总数量,xi为第i个客户端的本地简历特征信息,yi为第i个客户端对目标岗位的评分,ω为本地简历特征信息的权重参数。例如:当采用逻辑回归模型时,损失函数可以是对数函数。
步骤205,接收服务器发送的更新后训练参数和是否收敛的结果;
具体可以为,当前客户端接收服务器发送的加密后的更新后训练参数和是否收敛的结果并解密。
步骤206,如果所述待训练的横向联邦学习算法模型收敛,则将所述更新后训练参数作为训练完成的横向联邦学习算法模型的模型参数;
步骤207,如果所述待训练的横向联邦学习算法模型不收敛,则将所述更新后训练参数,作为本地训练的初始训练参数,返回步骤203,基于所述各个样本岗位的样本岗位特征信息和所述本地简历特征信息,对待训练的横向联邦学习算法模型进行本地训练,获得所述当前客户端的本地训练参数的。
可见,通过本发明实施例提供的横向联邦学习算法模型的训练方法,实现了横向联邦学习算法模型的训练。
图3为图1所示实施例中横向联邦学习算法模型的另一种训练流程图。在图2所示流程的基础上,在步骤201获得用户通过所述当前客户端对预先指定的各个样本岗位的评分前,当前客户端还可以执行如下步骤:
步骤301,接收服务器发送的指定的各个样本岗位特征;
步骤302,在各终端之间进行特征对齐后,从所述目标个人简历中获取指定的简历特征字段及字段值,作为指定的简历特征。
其中,各终端之间进行特征对齐可以基于隐私求交技术实现,具体的可以通过以下两种方式实现:
第一种方式,通过第三方隐私服务器实现:
各个终端将自身的简历特征发送至第三方隐私服务器,第三方隐私服务器求出各个终端简历特征的交集,将简历特征交集中的简历特征,作为对齐后的特征返回给各个终端,各个终端将特征对齐后的特征字段保留在本地。这样,就实现了各终端之间的特征对齐。
第二种方式:各终端之间针对简历特征直接进行特征对齐操作,以使各个客户端得到正确的简历特征交集,各个终端将特征对齐后的特征字段保留在本地。
可见,在开始对横向联邦横向联邦学习算法模型进行训练时,当前客户端应用本发明实施例能够得到简历特征以及样本岗位。
作为本发明实施例的一种具体实施方式,图4为岗位推荐方法的交互流程图,具体实现可以通过如下步骤。
该方法包括两个阶段:模型训练阶段和岗位推荐阶段。图4中,步骤401~408为模型训练阶段,步骤409~411为岗位推荐阶段。具体的,参见图4:
首先,当前客户端(即图4中示出的2个客户端,客户端1和客户端2。实际应用中,参加模型训练的客户端很多,这里仅做示意)。分别执行步骤401~405。
步骤401,当前客户端通过特征对齐,确定共有简历特征,作为本地简历特征信息;
步骤402,获得当前客户端对预先指定的各个样本岗位的评分;
步骤403,获得各个样本岗位的岗位特征信息,作为各个样本岗位的样本岗位特征信息;
步骤404,将各个样本岗位的样本岗位特征信息和本地简历特征信息输入到横向联邦学习算法模型进行本地训练,获得当前客户端的本地训练参数;
步骤405a,将本地训练参数加密;
步骤405b,将加密后的参数发给服务器;
步骤406a,服务器对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数,并判断所述待训练的横向联邦学习算法模型是否收敛;
步骤406b,将更新后的训练参数和模型是否收敛的结果发送给当前客户端;
各个客户端在接收到更新后训练参数和是否收敛的结果后,分别执行步骤407~410。
步骤407,在模型不收敛的情况下,当前客户端将参数解密后进行新一轮的训练;
步骤408,在模型收敛的情况下,获得当前客户端在网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
步骤409,各客户端利用训练好的横向联邦学习算法模型对本地简历特征信息与各个目标岗位特征信息进行比对,得到对各个目标岗位的评分;
步骤410,将对目标岗位的评分发送给服务器;
步骤411a,服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位;
步骤411b,将推荐岗位发送至当前客户端。
应用本发明实施例,服务器可以基于当前客户端预先与服务器共同训练的横向联邦学习算法模型为当前客户端推荐岗位,而不是根据客户端发送到服务器的个人简历进行岗位推荐,当前客户端不需要将目标个人简历发送至服务器,个人简历始终保存在本地。因此,实现了在有效保护个人隐私信息的前提下,服务器通过客户端发送的目标岗位以及对于目标岗位的评分,找到满足与当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐的岗位发送至当前客户端。
图5为本发明实施例提供的应用于网络招聘平台的服务器的岗位推荐方法流程图,具体步骤可以包括:
步骤501,接收当前客户端发送的目标岗位及岗位评分;
所述目标岗位及岗位评分,为:所述当前客户端针对每个目标岗位,将该目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型后,获得的所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分。所述横向联邦学习算法模型输出的目标岗位的岗位评分可以为所述横向联邦学习算法模型将本地简历特征信息与目标岗位特征信息进行比对计算,得出的本地简历特征信息与目标岗位特征信息之间的相似度值。其中,横向联邦学习算法模型,可以为:协同过滤模型。
步骤502,基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端;
具体可以为:获得所述当前客户端所对应的横向联邦学习算法模型的第一模型参数;获得已训练完成的多个其他横向联邦学习算法模型的多个第二模型参数;所述其他横向联邦学习算法模型为:不包含当前客户端的多个其他客户端与服务器共同训练的横向联邦学习算法模型。
计算所述第一模型参数与各个第二模型参数的模型参数差异,将模型参数差异最小的横向联邦学习算法模型作为相似算法模型;将参与所述相似算法模型训练的各个其他客户端作为相似客户端。具体的,可以计算所述第一模型参数与各个第二模型参数之间的差值或比值,基于差值或比值确定出模型参数差异最小的横向联邦学习算法模型。
步骤503,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
具体的,可以将相似客户端中评分高于预设阈值的目标岗位,作为推荐岗位返回至所述当前客户端。
应用本发明实施例,服务器可以基于当前客户端预先与服务器共同训练的横向联邦学习算法模型为当前客户端推荐岗位,而不是根据客户端发送到服务器的个人简历进行岗位推荐,当前客户端不需要将目标个人简历发送至服务器,个人简历始终保存在本地。因此,实现了在有效保护个人隐私信息的前提下,服务器通过客户端发送的目标岗位以及对于目标岗位的评分,找到满足与当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐的岗位发送至当前客户端。
图6为本发明实施例中横向联邦学习算法模型的一种训练流程图,采用如下步骤训练:
步骤601,接收各个参与训练的客户端发送的本地训练参数;
例如,接收各个参与训练的客户端发送的加密后的本地训练参数;所述本地训练参数,为:各个参与训练的客户端分别基于指定的各个样本岗位的样本岗位特征信息和本地简历特征信息,对待训练的横向联邦学习算法模型进行本地训练后获得的;所述参与训练的客户端包括所述当前客户端。
步骤602,对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数;
可以对各个参与训练的客户端发送的本地训练参数解密后做安全聚合操作,生成更新后训练参数。其中,服务器按如下公式计算获得更新后的训练参数:
其中,nk为第K个客户端的样本岗位特征信息和本地简历特征信息,n为所有客户端的样本岗位特征信息和本地简历特征信息,为第K个客户端在第t+1轮迭代的参数更新值,即是客户端在第t+1轮发送给服务器的本地训练参数,ωt+1为第t+1轮在服务器端迭代的联邦参数更新值。
步骤603,判断所述待训练的横向联邦学习算法模型是否收敛;将更新后训练参数和是否收敛的结果发送给各个参与训练的客户端。
服务器可以按如下损失函公式计算损失值:
其中,fi(ω)=l(xi,yi,ω),即损失值,l(xi,yi,ω)根据选择模型的不同而不同,具体可以为平方损失函数、绝对值损失函数、0-1损失函数,对数损失函数等,nk为第K个客户端的样本岗位特征信息和本地简历特征信息,n为所有客户端的样本岗位特征信息和本地简历特征信息,Pk为所有参与训练的客户端,xi为第i个客户端的本地简历特征信息,yi为第i个客户端对目标岗位的评分,ω为本地简历特征信息的权重参数。例如:当采用逻辑回归模型时,损失函数可以是对数函数。
然后,基于损失值判断所述待训练的横向联邦学习算法模型是否收敛。具体的,可以在损失值小于预设阈值时,确定所述待训练的横向联邦学习算法模型是否收敛。
服务器能够将更新后训练参数和是否收敛的结果加密后发送给各个客户端,以使各个参与训练的客户端可以接收服务器发送的加密后的更新后训练参数和是否收敛的结果并解密。
各个参与训练的客户端在所述待训练的横向联邦学习算法模型收敛的情况下,将所述更新后训练参数作为训练完成的横向联邦学习算法模型的模型参数,以及在所述待训练的横向联邦学习算法模型不收敛的情况下,将所述更新后训练参数,作为本地训练的初始训练参数,对待训练的横向联邦学习算法模型进行下一轮本地训练,获得各个参与训练的客户端的本地训练参数并发送至服务器。
可见,应用本发明实施例能够实现横向联邦学习算法模型的训练。
作为本发明实施例的一种具体实施方式,在所述接收各个参与训练的客户端发送的本地训练参数的步骤之前,还包括:向各个参与训练的客户端发送指定的各个样本岗位特征。
可见,本发明实施例解决了为用户提供简历特征以及样本岗位的问题。
其次,本发明实施例还提供了一种应用于网络招聘平台的当前客户端的岗位推荐装置的结构示意图,如图7所示。该装置包括:
简历特征信息获得模块701,用于获得当前客户端的目标个人简历中指定的简历特征,作为本地简历特征信息;
岗位特征信息获得模块702,用于获得用户通过所述当前客户端在所述网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
模型输入模块703,用于针对每个目标岗位,将该目标岗位的目标岗位特征信息和所述本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型;
岗位评分获得模块704,用于获得所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
目标岗位发送模块705,用于将当前客户端的所述各个目标岗位及岗位评分发送至所述服务器,以使所述服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位返回至所述当前客户端。
本发明实施例中,当前客户端无需将个人简历发送至服务器,以获得服务器针对个人简历推荐的岗位,只需通过模型输入模块,将目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型中,获得岗位评分模块对各个目标岗位的岗位评分,最后接收目标岗位发送模块发送的基于对各个目标岗位的岗位评分的推荐岗位。由于个人简历始终保存在本地。因此,实现了有效保护个人隐私信息。
此外,本发明实施例还提供了一种应用于网络招聘平台的服务器的岗位推荐装置的结构示意图,如图8所示。该装置包括:
目标岗位接收模块801,用于接收当前客户端目标岗位及岗位评分;所述目标岗位及岗位评分,为:所述当前客户端针对每个目标岗位,将该目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型后,获得的所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分。
推荐岗位发送模块802,用于基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位返回至所述当前客户端。
应用本发明实施例,服务器可以基于当前客户端预先与服务器共同训练的横向联邦学习算法模型通过推荐岗位发送模块为当前客户端推荐岗位,而不是根据客户端发送到服务器的个人简历进行岗位推荐,当前客户端不需要将目标个人简历发送至服务器,个人简历始终保存在本地。因此,实现了在有效保护个人隐私信息的前提下,服务器通过目标岗位接收模块接收客户端发送的目标岗位以及对于目标岗位的评分,找到满足与当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐的岗位发送至当前客户端。
最后,本发明实施例提供了一种客户端设备,如图9所示,包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信;
存储器903,用于存放计算机程序;
处理器901,用于执行存储器上所存放的程序时,实现如下步骤:
获得当前客户端的目标个人简历中指定的简历特征,作为本地简历特征信息;
获得用户通过所述当前客户端在所述网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
针对每个目标岗位,将该目标岗位的目标岗位特征信息和所述本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型;
获得所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
将当前客户端的所述各个目标岗位及岗位评分发送至所述服务器,以使所述服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
本发明实施例还提供了一种电子设备,如图10所示,包括处理器1001、通信接口1002、存储器1003和通信总线1004,其中,处理器1001,通信接口1002,存储器1003通过通信总线1004完成相互间的通信,
存储器1003,用于存放计算机程序;
处理器1001,用于执行存储器1003上所存放的程序时,实现如下步骤:
接收当前客户端目标岗位及岗位评分;所述目标岗位及岗位评分,为:所述当前客户端针对每个目标岗位,将该目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型后,获得的所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
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 Access Memory,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 SignalProcessor,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方法的步骤。
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,对于系统实施例而言,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 (17)
1.一种岗位推荐方法,其特征在于,应用于网络招聘平台的当前客户端,该网络招聘平台还包括服务器,所述方法包括:
获得当前客户端的目标个人简历中指定的简历特征,作为本地简历特征信息;
获得用户通过所述当前客户端在所述网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
针对每个目标岗位,将该目标岗位的目标岗位特征信息和所述本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型;
获得所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
将当前客户端的所述各个目标岗位及岗位评分发送至所述服务器,以使所述服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
2.根据权利要求1所述的方法,其特征在于,所述横向联邦学习算法模型,采用如下步骤训练:
获得用户通过所述当前客户端对预先指定的各个样本岗位的评分;
获得各个样本岗位的岗位特征信息,作为各个样本岗位的样本岗位特征信息;
基于所述各个样本岗位的样本岗位特征信息和所述本地简历特征信息,对待训练的横向联邦学习算法模型进行本地训练,获得所述当前客户端的本地训练参数;
将本地训练参数发送至所述服务器,以使所述服务器对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数,并判断所述待训练的横向联邦学习算法模型是否收敛,将更新后训练参数和是否收敛的结果发送给各个客户端;
接收服务器发送的更新后训练参数和是否收敛的结果;
如果所述待训练的横向联邦学习算法模型收敛,则将所述更新后训练参数作为训练完成的横向联邦学习算法模型的模型参数;
如果所述待训练的横向联邦学习算法模型不收敛,则将所述更新后训练参数,作为本地训练的初始训练参数,返回所述基于所述各个样本岗位的样本岗位特征信息和所述本地简历特征信息,对待训练的横向联邦学习算法模型进行本地训练,获得所述当前客户端的本地训练参数的步骤。
3.根据权利要求2所述的方法,其特征在于,
在所述获得用户通过所述当前客户端对预先指定的各个样本岗位的评分的步骤之前,还包括:
接收服务器发送的指定的各个样本岗位特征;
在各终端之间进行特征对齐后,从所述目标个人简历中获取指定的简历特征字段及字段值,作为指定的简历特征。
4.根据权利要求2所述的方法,其特征在于,
所述将本地训练参数发送至所述服务器,以使所述服务器对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数,并判断所述待训练的横向联邦学习算法模型是否收敛,将更新后训练参数和是否收敛的结果发送给各个参与训练客户端的步骤,包括:
将本地训练参数加密后发送至所述服务器,以使所述服务器对各个客户端发送的本地训练参数解密后做安全聚合操作,生成更新后训练参数,并判断所述待训练的横向联邦学习算法模型是否收敛,将更新后训练参数和是否收敛的结果加密后发送给各个客户端;
所述接收服务器发送的更新后训练参数和是否收敛的结果的步骤,包括:
接收服务器发送的加密后的更新后训练参数和是否收敛的结果并解密。
5.根据权利要求1所述的方法,其特征在于:
所述的横向联邦学习算法模型,为:协同过滤模型;
所述横向联邦学习算法模型输出的目标岗位的岗位评分,为:所述横向联邦学习算法模型将本地简历特征信息与目标岗位特征信息进行比对计算,得出的本地简历特征信息与目标岗位特征信息之间的相似度值。
6.一种岗位推荐方法,其特征在于,应用于网络招聘平台的服务器,该网络招聘平台还包括多个客户端,所述方法包括:
接收当前客户端发送的目标岗位及岗位评分;所述目标岗位及岗位评分,为:所述当前客户端针对每个目标岗位,将该目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型后,获得的所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位发送至所述当前客户端。
7.根据权利要求6所述的方法,其特征在于,所述横向联邦学习算法模型,采用如下步骤训练:
接收各个参与训练的客户端发送的本地训练参数;所述本地训练参数,为:各个参与训练的客户端分别基于指定的各个样本岗位的样本岗位特征信息和本地简历特征信息,对待训练的横向联邦学习算法模型进行本地训练后获得的;所述参与训练的客户端包括所述当前客户端;
对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数;
判断所述待训练的横向联邦学习算法模型是否收敛;
将更新后训练参数和是否收敛的结果发送给各个参与训练的客户端,以使各个参与训练的客户端在所述待训练的横向联邦学习算法模型收敛的情况下,将所述更新后训练参数作为训练完成的横向联邦学习算法模型的模型参数,以及在所述待训练的横向联邦学习算法模型不收敛的情况下,将所述更新后训练参数,作为本地训练的初始训练参数,对待训练的横向联邦学习算法模型进行下一轮本地训练,获得各个参与训练的客户端的本地训练参数并发送至服务器。
8.根据权利要求7所述的方法,其特征在于,
在所述接收各个参与训练的客户端发送的本地训练参数的步骤之前,还包括:
向各个参与训练的客户端发送指定的各个样本岗位特征。
9.根据权利要求7所述的方法,其特征在于,
所述接收各个参与训练的客户端发送的本地训练参数的步骤,包括:接收各个参与训练的客户端发送的加密后的本地训练参数;
所述对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数的步骤,包括:
对各个参与训练的客户端发送的本地训练参数解密后做安全聚合操作,生成更新后训练参数;
所述将更新后训练参数和是否收敛的结果发送给各个参与训练的客户端的步骤,包括:
将更新后训练参数和是否收敛的结果加密后发送给各个客户端,以使各个参与训练的客户端接收服务器发送的加密后的更新后训练参数和是否收敛的结果并解密。
10.根据权利要求7所述的方法,其特征在于,
所述服务器对各个参与训练的客户端发送的本地训练参数做安全聚合操作,生成更新后训练参数的步骤,包括:
按如下公式计算获得更新后训练参数:
其中,nk为第K个客户端的样本岗位特征信息和本地简历特征信息,n为所有客户端的样本岗位特征信息和本地简历特征信息,为第K个客户端在第t+1轮迭代的参数更新值,ωt+1为第t+1轮在服务器端迭代的联邦参数更新值;
所述判断所述待训练的横向联邦学习算法模型是否收敛的步骤,包括:
按如下损失函数公式计算损失值:
其中,fi(ω)=l(xi,yi,ω),nk为第K个客户端的样本岗位特征信息和本地简历特征信息,n为所有客户端的样本岗位特征信息和本地简历特征信息,Ρk为参与训练的客户端的总数量,xi为第i个客户端的本地简历特征信息,yi为第i个客户端对目标岗位的评分,ω为本地简历特征信息的权重参数;
基于损失值判断所述待训练的横向联邦学习算法模型是否收敛。
11.根据权利要求6~10所述的方法,其特征在于:
所述的横向联邦学习算法模型,为:协同过滤模型;
所述横向联邦学习算法模型输出的目标岗位的岗位评分,为:所述横向联邦学习算法模型将本地简历特征信息与目标岗位特征信息进行比对计算,得出的本地简历特征信息与目标岗位特征信息之间的相似度值。
12.根据权利要求6所述的方法,其特征在于:
所述基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位返回至所述当前客户端的步骤,包括:
获得所述当前客户端所对应的横向联邦学习算法模型的第一模型参数;
获得已训练完成的多个其他横向联邦学习算法模型的多个第二模型参数;所述其他横向联邦学习算法模型为:不包含当前客户端的多个其他客户端与服务器共同训练的横向联邦学习算法模型;
计算所述第一模型参数与各个第二模型参数的模型参数差异,将模型参数差异最小的横向联邦学习算法模型作为相似算法模型;
将参与所述相似算法模型训练的各个其他客户端作为相似客户端;
将相似客户端中评分高于预设阈值的目标岗位返回至所述当前客户端。
13.一种岗位推荐装置,其特征在于,应用于网络招聘平台的当前客户端,该网络招聘平台还包括服务器,所述装置包括:
简历特征信息获得模块,用于获得当前客户端的目标个人简历中指定的简历特征,作为本地简历特征信息;
岗位特征信息获得模块,用于获得用户通过所述当前客户端在所述网络招聘平台浏览过的目标岗位及各个目标岗位的目标岗位特征信息;
模型输入模块,用于针对每个目标岗位,将该目标岗位的目标岗位特征信息和所述本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型;
岗位评分获得模块,用于获得所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
目标岗位发送模块,用于将当前客户端的所述各个目标岗位及岗位评分发送至所述服务器,以使所述服务器基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位返回至所述当前客户端。
14.一种岗位推荐装置,其特征在于,应用于网络招聘平台的服务器,该网络招聘平台还包括多个客户端,所述装置包括:
目标岗位接收模块,用于接收当前客户端目标岗位及岗位评分;所述目标岗位及岗位评分,为:所述当前客户端针对每个目标岗位,将该目标岗位的目标岗位特征信息和本地简历特征信息输入至预先与服务器共同训练的横向联邦学习算法模型后,获得的所述横向联邦学习算法模型基于所述本地简历特征信息与各个所述目标岗位特征信息进行比对输出的各个目标岗位的岗位评分;
推荐岗位发送模块,用于基于当前客户端的所述目标岗位及岗位评分,获得满足与所述当前客户端预设相似度条件的相似客户端,从相似客户端发送的目标岗位中获得推荐岗位,将推荐岗位返回至所述当前客户端。
15.一种客户端设备,其特征在于,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,实现权利要求1-5任一所述的方法步骤。
16.一种服务器,特征在于,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,实现权利要求6-12任一所述的方法步骤。
17.一种计算机可读存储介质,其特征在于,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权利要求1-5或6-12任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367781.8A CN113158241A (zh) | 2021-04-06 | 2021-04-06 | 基于联邦学习的岗位推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367781.8A CN113158241A (zh) | 2021-04-06 | 2021-04-06 | 基于联邦学习的岗位推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158241A true CN113158241A (zh) | 2021-07-23 |
Family
ID=76888611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367781.8A Pending CN113158241A (zh) | 2021-04-06 | 2021-04-06 | 基于联邦学习的岗位推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158241A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761371A (zh) * | 2021-09-08 | 2021-12-07 | 东北大学 | 一种基于匿名化隐私保护的推荐方法 |
CN114169869A (zh) * | 2022-02-14 | 2022-03-11 | 北京大学 | 一种基于注意力机制的岗位推荐方法及装置 |
CN114358657A (zh) * | 2022-03-09 | 2022-04-15 | 北京大学 | 一种基于模型融合的岗位推荐方法及装置 |
CN114418380A (zh) * | 2022-01-17 | 2022-04-29 | 建信金融科技有限责任公司 | 基于联邦学习的用户评分方法、服务器及存储介质 |
CN115526590A (zh) * | 2022-09-16 | 2022-12-27 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
WO2023082406A1 (zh) * | 2021-11-15 | 2023-05-19 | 中国科学院深圳先进技术研究院 | 基于联邦学习的脑电信号分类模型训练方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
US20200126022A1 (en) * | 2018-10-19 | 2020-04-23 | CareerBuilder, LLC | Automated Systems and Methods for Determining Jobs, Skills, and Training Recommendations |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN111553743A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 联邦产品推荐方法、装置、设备及计算机存储介质 |
CN112287244A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 |
CN112348204A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 |
-
2021
- 2021-04-06 CN CN202110367781.8A patent/CN113158241A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200126022A1 (en) * | 2018-10-19 | 2020-04-23 | CareerBuilder, LLC | Automated Systems and Methods for Determining Jobs, Skills, and Training Recommendations |
CN110297848A (zh) * | 2019-07-09 | 2019-10-01 | 深圳前海微众银行股份有限公司 | 基于联邦学习的推荐模型训练方法、终端及存储介质 |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN111553743A (zh) * | 2020-05-08 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 联邦产品推荐方法、装置、设备及计算机存储介质 |
CN112287244A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 基于联邦学习的产品推荐方法、装置、计算机设备及介质 |
CN112348204A (zh) * | 2020-11-05 | 2021-02-09 | 大连理工大学 | 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 |
Non-Patent Citations (2)
Title |
---|
MUHAMMAD AMMAD-UD-DIN 等: "FEDERATED COLLABORATIVE FILTERING FOR PRIVACY-PRESERVING PERSONALIZED RECOMMENDATION SYSTEM", 《HTTPS://ARXIV.ORG/PDF/1901.09888.PDF》, 29 January 2019 (2019-01-29), pages 1 - 12 * |
王健宗 等: "联邦推荐系统的协同过滤冷启动解决方法", 智能系统学报, vol. 16, no. 01, 7 February 2021 (2021-02-07), pages 178 - 185 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761371A (zh) * | 2021-09-08 | 2021-12-07 | 东北大学 | 一种基于匿名化隐私保护的推荐方法 |
CN113761371B (zh) * | 2021-09-08 | 2023-08-01 | 东北大学 | 一种基于匿名化隐私保护的推荐方法 |
WO2023082406A1 (zh) * | 2021-11-15 | 2023-05-19 | 中国科学院深圳先进技术研究院 | 基于联邦学习的脑电信号分类模型训练方法及装置 |
CN114418380A (zh) * | 2022-01-17 | 2022-04-29 | 建信金融科技有限责任公司 | 基于联邦学习的用户评分方法、服务器及存储介质 |
CN114169869A (zh) * | 2022-02-14 | 2022-03-11 | 北京大学 | 一种基于注意力机制的岗位推荐方法及装置 |
CN114169869B (zh) * | 2022-02-14 | 2022-06-07 | 北京大学 | 一种基于注意力机制的岗位推荐方法及装置 |
CN114358657A (zh) * | 2022-03-09 | 2022-04-15 | 北京大学 | 一种基于模型融合的岗位推荐方法及装置 |
CN115526590A (zh) * | 2022-09-16 | 2022-12-27 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
CN115526590B (zh) * | 2022-09-16 | 2023-08-04 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158241A (zh) | 基于联邦学习的岗位推荐方法及装置 | |
Belloni et al. | Post-selection inference for generalized linear models with many controls | |
CN110414567B (zh) | 数据处理方法、装置和电子设备 | |
CN111931950A (zh) | 一种基于联邦学习进行模型参数更新的方法及系统 | |
WO2021174877A1 (zh) | 基于智能决策的目标检测模型的处理方法、及其相关设备 | |
WO2021232747A1 (zh) | 数据确权方法、设备及可读存储介质 | |
US20230104176A1 (en) | Using a Machine Learning System to Process a Corpus of Documents Associated With a User to Determine a User-Specific and/or Process-Specific Consequence Index | |
Nepomuceno et al. | On the use of interval extensions to estimate the largest Lyapunov exponent from chaotic data | |
Dammak et al. | An exhaustive study of possibility measures of interval‐valued intuitionistic fuzzy sets and application to multicriteria decision making | |
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 | |
CN111797319A (zh) | 推荐方法、装置、设备及存储介质 | |
CN112733181B (zh) | 一种产品推荐方法、系统、计算机设备及存储介质 | |
US9548996B2 (en) | Hybrid engine for generating a recommended security tier | |
CN112328881B (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
Han et al. | Replication robust payoff allocation in submodular cooperative games | |
Zhang et al. | Visual object detection for privacy-preserving federated learning | |
Zheng et al. | Testing mean and covariance structures with reweighted least squares | |
CN109658277B (zh) | 一种学术社交网络好友推荐方法、系统和存储介质 | |
US10402555B2 (en) | Browser attestation challenge and response system | |
CN117094773A (zh) | 基于区块链隐私计算的在线迁移学习方法及系统 | |
CN111241297A (zh) | 一种基于标签传播算法的图谱数据处理方法及装置 | |
US11893070B2 (en) | Apparatus and methods for expanding contacts for a social networking platform | |
Shanmugasundaram et al. | Revised Max‐Min Average Composition Method for Decision Making Using Intuitionistic Fuzzy Soft Matrix Theory | |
BR102022016487A2 (pt) | Método para pontuação e avaliação de dados para troca | |
CN117033997A (zh) | 数据切分方法、装置、电子设备和介质 |
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 |