发明内容
本申请提供了一种人岗匹配方法、装置、设备及存储介质,以解决现有技术中人岗匹配会造成从业人员信息泄露的问题。
为解决上述问题,本申请提供了一种人岗匹配方法,包括:
接收智能合约;
通过校验节点对所述智能合约进行校验;
当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,并发送至隐私计算节点;
所述隐私计算节点,通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据;
输出所述匹配度数据。
进一步的,在所述基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据之前,还包括:
获取原始数据;
利用特征提取模型对所述原始数据进行特征提取,得到特征数据,所述特征提取模型基于TextCNN模型训练得到;
利用排序节点将所述原始数据以及对应的特征数据进行上链。
进一步的,在所述利用排序节点将所述原始数据以及对应的特征数据进行上链之后,还包括:
对上链后的原始数据以及对应的特征数据进行半同态加密,得到链上数据;
所述通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理包括:
通过调用Paillier预编译合约,并利用人岗匹配模型对目标数据中的特征数据以及所述岗位数据进行匹配处理。
进一步的,在所述基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据之前,还包括:
通过预言机连接链下可信数据,将所述链下可信数据和链上数据中的原始数据进行交叉核验,得到校验结果;
将所述校验结果,通过排序节点进行上链,并基于校验结果,将对应的链上数据打上对应的可信度标签。
进一步的,所述通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理包括:
所述人岗匹配模型基于所述目标数据中的人员信息与所述岗位数据中的岗位信息进行匹配,得到岗位信息中各项要求对应的匹配数值,所述人岗匹配模型基于APJFNN模型训练得到;
通过对所述各项要求对应的匹配数值进行加权求和,得到各人员对应的匹配度数据。
进一步的,所述通过校验节点对所述智能合约进行校验包括:
获取所述智能合约中数据请求方的签名,并通过正则匹配提取所述智能合约的格式信息;
所述校验节点对所述智能合约的签名和格式信息分别进行签名验证和格式验证;
当所述签名验证和格式验证都通过时,则对所述智能合约的校验通过;反之,则不通过。
进一步的,在所述得到对应的匹配度数据之后,还包括:
将所述匹配度数据以及对应的智能合约,通过排序节点进行上链。
为了解决上述问题,本申请还提供一种人岗匹配装置,所述装置包括:
接收模块,用于接收智能合约;
校验模块,用于通过校验节点对所述智能合约进行校验;
数据获取模块,用于当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,并发送至隐私计算节点;
匹配模块,用于所述隐私计算节点,通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据;
输出模块,用于输出所述匹配度数据。
为了解决上述问题,本申请还提供一种计算机设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的人岗匹配方法。
为了解决上述问题,本申请还提供一种非易失性的计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的人岗匹配方法。
根据本申请实施例提供的一种人岗匹配方法、装置、设备及存储介质,与现有技术相比至少具有以下有益效果:
通过接收请求方发送的智能合约,所述智能合约包含了筛选条件等,通过校验节点对所述智能合约进行校验,以确保智能合约格式以及请求方身份正确,当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,即相关从业人员的信息数据,并发送至隐私节点,通过从区块链上获取有关数据,提高了数据的安全性,再通过隐私计算节点利用人岗匹配模型对所述目标数据以及智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据,实现在区块链中对数据进行处理,避免直接将数据发送至请求方造成泄露,最后仅输出智能合约对应的匹配度数据至请求方,提高了数据的安全性。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是是相同的实施例,也不是与其它实施例相互排斥的独立的或备选的实施例。本领域技术人员显式地或隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供一种人岗匹配方法。所述人岗匹配方法应用于区块链中,所述区块链涉及有多个用户,例如个人、高校、培训机构、招聘平台、人事测评机构、工作单位、个人工作中涉及的服务单位、同事/同学、政府监管部门;对上述用户进行分类可分为提供数据的提供方、利用数据的请求方以及进行监管的监管方,每个用户在不同场景中可为不同类型,例如所述工作单位即可为提供方、又可为请求方,甚至还可为监管方;所述提供方对有关人员信息新上传或信息变更时,将有关人员的信息进行上链存储,实现数据都存储在链上。并且各用户在首次加入区块链中时,会获得对应的身份凭证等。
参照图1所示,图1为本申请一实施例提供的人岗匹配方法的流程示意图。
在本实施例中,人岗匹配方法包括:
S1、接收智能合约;
具体的,接收请求方发出的智能合约,所述智能合约中包含了业务逻辑、筛选条件以及请求方的身份信息等。所述业务逻辑为其相对数据进行何种方式的处理,在本申请中所述业务逻辑即为人岗匹配。所述筛选条件即筛选链上的何种数据,例如当筛选条件为具体人员时,将从链上数据调取对应人员的信息数据;当筛选条件为某一学校时,将从链上数据中调取对应人员的信息数据。而请求方身份信息即请求方的身份凭证,以证明其为区块链用户之一。并且智能合约具有固定格式,例如包括请求头、身份信息、业务逻辑以及筛选条件等。
可通过请求方在前端根据需要进行设定业务逻辑以及筛选条件等,并自动转换成智能合约,来发送至区块链的校验节点。
S2、通过校验节点对所述智能合约进行校验;
具体的,通校验节点对所述智能合约中的签名,即身份信息进行校验,并对智能合约的格式进行正确性验证,以确保数据处理前的安全性。
进一步的,所述通过校验节点对所述智能合约进行校验包括:
获取所述智能合约中数据请求方的签名,并通过正则匹配提取所述智能合约的格式信息;
所述校验节点对所述智能合约的签名和格式信息分别进行签名验证和格式验证;
当所述签名验证和格式验证都通过时,则对所述智能合约的校验通过;反之,则不通过。
具体的,从智能合约中获取数据请求方的签名,即身份信息,并通过正则匹配的方式提取所述智能合约的格式信息;所述校验节点对通过进行签名验证和格式验证,来确保智能合约有效,当所述签名验证和格式验证都通过时,则对所述智能合约的校验通过,可以进行下一步数据的获取了;若所述签名验证和格式验证其中一个没有通过,都将发送报错信息至请求方所在的前端。
通过对所述签名和格式信息进行验证,以确保所述智能合约的正确性,避免后续流程出错紊乱。
S3、当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,并发送至隐私计算节点;
具体的,在校验通过后,确保了智能合约的正确性,将基于所述智能合约中的筛选条件获取目标数据,并发送至隐私计算节点;所述筛选条件例如表明需要具体人员的信息数据,或表明需要某一学校毕业的人员的信息数据。
进一步的,在所述基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据之前,还包括:
获取原始数据;
利用特征提取模型对所述原始数据进行特征提取,得到特征数据,所述特征提取模型基于TextCNN模型训练得到;
利用排序节点将所述原始数据以及对应的特征数据进行上链。
具体的,通过提供方提供个人的教育培训信息、学历数据、工作履历信息、奖惩信息、人才测评数据和影响人才能力评定的其他知识产权/知识分享内容等信息作为原始数据;随后通过区块链中计算节点的特征提取模型对所述原始数据进行特征提取,具体为对个人的各类型数据分布进行特征提取,即对教育培训信息、学历数据、工作履历信息、奖惩信息、人才测评数据和影响人才能力评定的其他知识产权/知识分享内容等信息分别单独进行特征提取,得到特征数据;
将所述特征数据和对应的原始数据都发送至排序节点进行排序出块,并进行广播,以完成上链。
TextCNN(Convolutional Neural Networks for Sentence Classification)模型其主要思想是将不同长度的短文作为矩阵输入,使用多个不同size的filter去提取句子中的关键信息(类似于多窗口大小的n-gram);在本申请的其他实施例中还可采用tf-idf或n-gram等算法。
通过获取原始数据,并对原始数据进行特征提取,得到特征数据,通过将特征数据和对应的原始数据一起上链,实现数据链上数据的存储,便于后续利用数据,且保证了数据的安全。
在本申请的其他实施例中,还可在提供方一端进行特征提取的步骤。
再进一步的,在所述利用排序节点将所述原始数据以及对应的特征数据进行上链之后,还包括:
对上链后的原始数据以及对应的特征数据进行半同态加密,得到链上数据;
所述通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理包括:
通过调用Paillier预编译合约,并利用人岗匹配模型对目标数据中的特征数据以及所述岗位数据进行匹配处理。
具体的,通过对上链后的原始数据和对应的特征数据进行半同态加密,得到链上数据,进一步保证了数据的安全。具体通过调用Paillier半同态加密库对原始数据和对应的特征数据进行加密;即使某一方获取到链上数据,其也无法知晓个人的具体信息。
在利用目标数据进行处理时,由于是加密后的数据,所以需要调用Paillier预编译合约,再利用人岗匹配模型对目标数据中的特征数据和所述岗位数据进行匹配处理。
通过对原始数据以及对应的特征数据进行半同态加密,并且对加密后的数据进行对应处理,进一步保证了数据的安全。
再进一步的,在所述基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据之前,还包括:
通过预言机连接链下可信数据,将所述链下可信数据和链上数据中的原始数据进行交叉核验,得到校验结果;
将所述校验结果,通过排序节点进行上链,并基于校验结果,将对应的链上数据打上对应的可信度标签。
具体的,在监管方,即一些政府机构,如教育局等,其存储了具有公信力的数据,如教育培训信息和学历信息等,即称为链下可信数据;通过预言机连接链下可信数据,将所述链下可信数据和链上数据中的原始数据进行交叉核验,即进行比对,得到校验结果,将所述校验结果,通过排序节点进行上链存储,并基于校验结果,将对应的链上数据集打上对应的可信度标签,例如已校验/未校验等。该可信度标签将一直伴随对应的链上数据,且利用链上数据得到的匹配度数据也将带有对应的可信度标签。
并且在进行交叉核验之后,还对校验结果进行联合统计分析,得到分析报表,所述分析表中存储了链上数据对应的校验结果情况,还将所述分析报表进行上链存储,实现数据的可追溯和可审计。
通过将链上数据和链下可信数据进行交叉核验,以确定链上数据的可信度,从而明确最后匹配度数据的可信度。
进一步的,当基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据之后,对所述目标数据对应的提供方给予奖励,并对请求方发送支付请求等,在每次根据智能合约进行处理后,都会进行通证结算,通证结算指通过平台的中央账户去调用智能合约的购买、消费函数,将交易产生的资产转换为平台发布的区块链数字代币,然后对各数据交易方进行智能合约的自动交易和通过公式计算资产价格等,鼓励区块链内各节点积极参与到查询结果的计算和校验。
进一步的,提供方在有关人员的信息发送变更时,可通过对于的智能合约,来修改对应的链上数据。
S4、所述隐私计算节点,通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据;
具体的,通过区块链中的隐私计算节点,利用人岗匹配模型对所述目标数据中的人员信息以及所述岗位数据中的各项要求进行对应匹配,得到各项要求对应的匹配数值,再根据各项要求对应的匹配数值进行加权求和,得到对应的匹配度数据。
进一步的,如图2所示,所述通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理包括:
所述人岗匹配模型基于所述目标数据中的人员信息与所述岗位数据中的岗位信息进行匹配,得到岗位信息中各项要求对应的匹配数值,所述人岗匹配模型基于APJFNN模型训练得到;
通过对所述各项要求对应的匹配数值进行加权求和,得到各人员对应的匹配度数据。
具体的,将所述目标数据中各人员的人员信息与所述岗位数据中的岗位信息进行匹配,得到岗位信息中各项要求对应的匹配数值,例如现有岗位信息如下:年龄要求年龄需大于18岁、专业要求为软件开发类等,根据获取到两个人的人员信息,提取其中的年龄和大学所学专业信息,来与岗位信息中的两项要求进行匹配,分别得到匹配数值,如第一人对应的匹配数值为1和0.8;第二人对应的匹配数值为1和0.6。根据各项要求对应的权重,对各对应的匹配数值进行加权求和,例如年龄要求的权重为0.4,专业要求的权重为0.6,所以匹配度数据为第一人对应的匹配度数据为0.88,第二人对应的匹配度数据为0.76;
APJFNN模型(Ability-aware Person-Job Fit Neural Network,层级注意力机制的匹配模型)包括三个部分词级别的语义表征、分层级的基于能力感知的语义表征和人岗匹配预测。
在本申请的其他实施例中,还可利用bimpm模型来进行训练,得到所述人岗匹配模型。
通过在区块链中的隐私计算节点进行人岗匹配的计算处理,能快速且安全的进行计算,并避免了直接将数据发送至请求方,而造成的数据泄露,进一步提高安全性。
S5、输出所述匹配度数据。
具体的,隐私计算节点在得到匹配度数据后将其发送至请求方。
进一步的,在所述得到对应的匹配度数据之后,还包括:
将所述匹配度数据以及对应的智能合约,通过排序节点进行上链。
具体的,通过将匹配度数据以及对应的智能合约,通过排序节点进行上链处理,以进行数据留存,实现可追溯。
如图3所示,图3为本申请一实施例通过的人岗匹配方法的时序图,具体展示了本申请的整体流程;
A1、通过提供方上传原始数据至区块链;区块链通过计算节点对原始数据进行特征提取,得到特征数据,将所述特征数据和对应的原始数据进行上链,得到的上链数据;
A2、通过预言机将链上数据与所述监管方的链下可信数据进行校验,得到校验结果;将所述校验结果,通过排序节点进行上链,并基于校验结果,将对应的链上数据打上对应的可信度标签;
A3、接收请求方发送的智能合约;
A4、所述区块链通过校验节点对所述智能合约进行校验;
A5、当所述校验未通过时,发送报错信息至请求方;
A6、校验通过时,基于智能合约中的筛选条件从链上数据中获取对应的目标数据,并发送至隐私计算节点;所述隐私计算节点,通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据;
A7、将所述匹配度数据发送至请求方。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本实施例的人岗匹配方法通过接收请求方发送的智能合约,所述智能合约包含了筛选条件等,通过校验节点对所述智能合约进行校验,以确保智能合约格式以及请求方身份正确,当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,即相关从业人员的信息数据,并发送至隐私节点,通过从区块链上获取有关数据,提高了数据的安全性,再通过隐私计算节点利用人岗匹配模型对所述目标数据以及智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据,实现在区块链中对数据进行处理,避免直接将数据发送至请求方造成泄露,最后仅输出智能合约对应的匹配度数据至请求方,提高了数据的安全性。
本实施例还提供一种人岗匹配装置,如图4所示,是本申请人岗匹配装置的功能模块图。
本申请所述人岗匹配装置100可以安装于电子设备中。根据实现的功能,所述人岗匹配装置100可以包括接收模块101、校验模块102、数据获取模块103、匹配模块104和输出模块105。本申请所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
接收模块101,用于接收智能合约;
校验模块102,用于通过校验节点对所述智能合约进行校验;
进一步的,所述校验模块102包括信息获取子模块、验证子模块以及对应输出子模块;
所述信息获取子模块,用于获取所述智能合约中数据请求方的签名,并通过正则匹配提取所述智能合约的格式信息;
所述验证子模块,用于所述校验节点对所述智能合约的签名和格式信息分别进行签名验证和格式验证;
所述对应输出子模块,用于当所述签名验证和格式验证都通过时,则对所述智能合约的校验通过;反之,则不通过。
通过信息获取子模块、验证子模块以及对应输出子模块的配合,对所述签名和格式信息进行验证,以确保所述智能合约的正确性,避免后续流程出错紊乱。
数据获取模块103,用于当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,并发送至隐私计算节点;
进一步的,所述人岗匹配模块100还包括数据获取模块、特征提取模块以及上链模块;
所述数据获取模块,用于获取原始数据;
所述特征提取模块,用于利用特征提取模型对所述原始数据进行特征提取,得到特征数据,所述特征提取模型基于TextCNN模型训练得到;
所述上链模块,用于利用排序节点将所述原始数据以及对应的特征数据进行上链。
通过数据获取模块、特征提取模块以及上链模块的配合,获取原始数据,并对原始数据进行特征提取,得到特征数据,通过将特征数据和对应的原始数据一起上链,实现数据链上数据的存储,便于后续利用数据,且保证了数据的安全。
再进一步的,所述人岗匹配模块100还包括加密模块;
所述加密模块,用于对上链后的原始数据以及对应的特征数据进行半同态加密,得到链上数据;
所述匹配模块104包括加密匹配子模块;
所述加密匹配子模块,用于通过调用Paillier预编译合约,并利用人岗匹配模型对目标数据中的特征数据以及所述岗位数据进行匹配处理。
通过加密模块和加密匹配子模块的配合,通过对原始数据以及对应的特征数据进行半同态加密,并且对加密后的数据进行对应处理,进一步保证了数据的安全。
再进一步的,所述人岗匹配模块100还包括校验模块和标签模块;
所述校验模块,用于通过预言机连接链下可信数据,将所述链下可信数据和链上数据中的原始数据进行交叉核验,得到校验结果;
所述标签模块,用于将所述校验结果,通过排序节点进行上链,并基于校验结果,将对应的链上数据打上对应的可信度标签。
通过校验模块和标签模块的配合,将链上数据和链下可信数据进行交叉核验,以确定链上数据的可信度,从而明确最后匹配度数据的可信度。
匹配模块104,用于所述隐私计算节点,通过利用人岗匹配模型对所述目标数据以及所述智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据;
进一步的,所述匹配模块104包括对应匹配子模块和加权求和子模块;
所述对应匹配子模块,用于所述人岗匹配模型基于所述目标数据中的人员信息与所述岗位数据中的岗位信息进行匹配,得到岗位信息中各项要求对应的匹配数值,所述人岗匹配模型基于APJFNN模型训练得到;
所述加权求和子模块,用于通过对所述各项要求对应的匹配数值进行加权求和,得到各人员对应的匹配度数据。
通过对应匹配子模块和加权求和子模块的配合,在区块链中的隐私计算节点进行人岗匹配的计算处理,能快速且安全的进行计算,并避免了直接将数据发送至请求方,而造成的数据泄露,进一步提高安全性。
输出模块105,用于输出所述匹配度数据。
进一步的,所述人岗匹配模块100还包括存储模块;
所述存储模块,用于将所述匹配度数据以及对应的智能合约,通过排序节点进行上链。
通过存储模块将匹配度数据以及对应的智能合约,通过排序节点进行上链处理,以进行数据留存,实现可追溯。
通过采用上述装置,所述人岗匹配装置100通过接收模块101、校验模块102、数据获取模块103、匹配模块104和输出模块105的配合使用,通过接收请求方发送的智能合约,所述智能合约包含了筛选条件等,通过校验节点对所述智能合约进行校验,以确保智能合约格式以及请求方身份正确,当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,即相关从业人员的信息数据,并发送至隐私节点,通过从区块链上获取有关数据,提高了数据的安全性,再通过隐私计算节点利用人岗匹配模型对所述目标数据以及智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据,实现在区块链中对数据进行处理,避免直接将数据发送至请求方造成泄露,最后仅输出智能合约对应的匹配度数据至请求方,提高了数据的安全性。
本申请实施例还提供一种计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4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(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如人岗匹配方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述人岗匹配方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例人岗匹配方法的步骤,通过接收请求方发送的智能合约,所述智能合约包含了筛选条件等,通过校验节点对所述智能合约进行校验,以确保智能合约格式以及请求方身份正确,当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,即相关从业人员的信息数据,并发送至隐私节点,通过从区块链上获取有关数据,提高了数据的安全性,再通过隐私计算节点利用人岗匹配模型对所述目标数据以及智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据,实现在区块链中对数据进行处理,避免直接将数据发送至请求方造成泄露,最后仅输出智能合约对应的匹配度数据至请求方,提高了数据的安全性。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的人岗匹配方法的步骤,通过接收请求方发送的智能合约,所述智能合约包含了筛选条件等,通过校验节点对所述智能合约进行校验,以确保智能合约格式以及请求方身份正确,当所述校验通过后,基于所述智能合约中的筛选条件获取区块链链上数据中的目标数据,即相关从业人员的信息数据,并发送至隐私节点,通过从区块链上获取有关数据,提高了数据的安全性,再通过隐私计算节点利用人岗匹配模型对所述目标数据以及智能合约中的岗位数据进行匹配处理,得到对应的匹配度数据,实现在区块链中对数据进行处理,避免直接将数据发送至请求方造成泄露,最后仅输出智能合约对应的匹配度数据至请求方,提高了数据的安全性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请上述实施例的人岗匹配装置、计算机设备、计算机可读存储介质具有与上述实施例的人岗匹配方法相同的技术效果,在此不作展开。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。