CN116485281A - 基于纵向联邦学习和知识图谱的员工画像方法及系统 - Google Patents
基于纵向联邦学习和知识图谱的员工画像方法及系统 Download PDFInfo
- Publication number
- CN116485281A CN116485281A CN202310712985.XA CN202310712985A CN116485281A CN 116485281 A CN116485281 A CN 116485281A CN 202310712985 A CN202310712985 A CN 202310712985A CN 116485281 A CN116485281 A CN 116485281A
- Authority
- CN
- China
- Prior art keywords
- sub
- preset
- model
- data
- employee
- 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 44
- 230000002776 aggregation Effects 0.000 claims abstract description 43
- 238000004220 aggregation Methods 0.000 claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06—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
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- 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)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于纵向联邦学习和知识图谱的员工画像方法及系统,主要涉及员工画像技术领域,用以解决现有的方法子公司无法准确获取到单个员工的画像,另外,现有的数据互通方法分析不够精确的问题。包括:获取子公司系统采集到的员工行为数据,写入预设子数据库;通过子公司系统搭建子用户画像模型,获得初始梯度信息;向子用户画像模型分发加密密钥,进而获得初始梯度信息;通过聚合模型对获得的梯度信息进行安全聚合,以获得聚合梯度信息;并向子用户画像模型发送聚合梯度信息;使子用户画像模型根据聚合梯度信息更新模型参数,进而通过更新后的子用户画像模型和预设子数据库,生成用户画像结果;将用户画像结果更新至知识图谱中。
Description
技术领域
本申请涉及员工画像技术领域,尤其涉及一种基于纵向联邦学习和知识图谱的员工画像方法及系统。
背景技术
随着人工智能和物联网等技术的快速发展,各类数据也呈现出爆炸式增长的态势,为深入发掘海量数据中的深层信息,大数据分析技术随之而生:国内外各企业、学者纷纷结合人工智能及知识图谱等技术对来源广泛、数据总量巨大的各类型数据进行分析和挖掘。
然而,面对日益严峻的网络安全态势,各大企业都将网络安全,尤其是数据安全视为重中之重,即使是同一企业内的分子公司之间也很少允许数据的完全互通,带来了大量的数据孤岛。
目前,为解决各分子公司之间的数据孤岛问题设立了大数据中心,各分子公司与大数据中心实现数据互通,当某公司需要其他公司的数据时,可以从大数据中心获取。这一方式能够有效实现不同分子公司之间的数据互通,但是在实际使用中也存在着局限性:一方面,一些支撑类子公司在分析员工办公需求时需要的可能只是员工的分析标签,而并非数据集本身,获取到数据集后重新开展数据分析反而浪费了资源。另一方面,各支撑类子公司对于自身拥有的数据往往拥有更准确的分析模型,而其余子公司重新搭建模型分析源数据的结果可能并不准确,无法最大程度地发掘数据中蕴含的价值。
发明内容
针对现有技术的上述不足,本申请提供一种基于纵向联邦学习和知识图谱的员工画像方法及系统,以解决上述技术问题。
第一方面,本申请提供了一种基于纵向联邦学习和知识图谱的员工画像方法,方法包括:获取子公司系统采集到的员工行为数据,写入预设子数据库;通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中;通过子公司系统搭建子用户画像模型,并调取预设子数据库中的数据进行子用户画像模型的初步训练,以获得训练好的子用户画像模型对应的初始梯度信息;通过预设聚合服务器向子用户画像模型分发加密密钥,进而获得子用户画像模型根据加密密钥加密上传的初始梯度信息;通过聚合模型对获得的梯度信息进行安全聚合,以获得聚合梯度信息;并向子用户画像模型发送聚合梯度信息;使子用户画像模型根据聚合梯度信息更新模型参数,进而通过更新后的子用户画像模型和预设子数据库,生成用户画像结果;将用户画像结果更新至知识图谱中。
进一步地,方法还包括:从知识图谱中获取用户画像结果至子公司系统,以进行本地运算。
进一步地,在写入预设子数据库之前,方法还包括:对员工行为数据进行清洗,以去除异常数据;对员工行为数据进行类型分类;获取各类型员工行为数据对应的预设计算公式,以通过预设计算公式对员工行为数据进行预计算。
进一步地,通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中,具体包括:通过子公司系统确定预处理后的用户数据对应的补充数据为预设补充数据;并从大数据中心调取到子公司系统中。
进一步地,在通过预设聚合服务器向子用户画像模型分发加密密钥之前,方法还包括:通过预设聚合服务器创建加密密钥。
第二方面,本申请提供了一种基于纵向联邦学习和知识图谱的员工画像系统,系统包括:调取模块,用于获取子公司系统采集到的员工行为数据,写入预设子数据库;通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中;获得模块,用于通过子公司系统搭建子用户画像模型,并调取预设子数据库中的数据进行子用户画像模型的初步训练,以获得训练好的子用户画像模型对应的初始梯度信息;发送模块,用于通过预设聚合服务器向子用户画像模型分发加密密钥,进而获得子用户画像模型根据加密密钥加密上传的初始梯度信息;通过聚合模型对获得的梯度信息进行安全聚合,以获得聚合梯度信息;并向子用户画像模型发送聚合梯度信息;更新模块,用于使子用户画像模型根据聚合梯度信息更新模型参数,进而通过更新后的子用户画像模型和预设子数据库,生成用户画像结果;将用户画像结果更新至知识图谱中。
进一步地,系统还包括获取模块,用于从知识图谱中获取用户画像结果至子公司系统,以进行本地运算。
进一步地,获得模块包括处理单元,用于对员工行为数据进行清洗,以去除异常数据;对员工行为数据进行类型分类;获取各类型员工行为数据对应的预设计算公式,以通过预设计算公式对员工行为数据进行预计算。
进一步地,获得模块包括调取单元,用于通过子公司系统确定预处理后的用户数据对应的补充数据为预设补充数据;并从大数据中心调取到子公司系统中。
进一步地,发送模块还包括创建单元,用于通过预设聚合服务器创建加密密钥。
本领域技术人员能够理解的是,本申请至少具有如下有益效果:
本申请实现了由大数据中心提供部分数据互通的同一公司下各支撑类子公司共同参与的联邦学习系统;实现了各支撑类子公司统一维护的用户画像标签知识图谱,同一企业的不同支撑类子公司,为同一批员工提供不同的服务,建立由各支撑类子公司参与的联邦学习模型,并利用知识图谱记录各系统提供的员工画像标签,如该企业拥有大数据中心,可支持各参与方按需获取数据集,助力各支撑类子公司的精准分析。
附图说明
下面参照附图来描述本公开的部分实施例,附图中:
图1是本申请实施例提供的一种基于纵向联邦学习和知识图谱的员工画像方法流程图。
图2是本申请实施例提供的一种基于纵向联邦学习和知识图谱的员工画像系统内部结构示意图。
具体实施方式
本领域技术人员应当理解的是,下文所描述的实施例仅仅是本公开的优选实施例,并不表示本公开仅能通过该优选实施例实现,该优选实施例仅仅是用于解释本公开的技术原理,并非用于限制本公开的保护范围。基于本公开提供的优选实施例,本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例,仍应落入到本公开的保护范围之内。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
本申请实施例还提供了一种基于纵向联邦学习和知识图谱的员工画像方法,如图1所示,本申请实施例提供的方法,主要包括以下步骤:
步骤110、 获取子公司系统采集到的员工行为数据,写入预设子数据库;通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中。
需要说明的是,员工行为数据具体可以为员工名称、员工岗位编号、员工上班时间、员工下班时间、员工电脑操作数据。
在写入预设子数据库之前,方法还包括:对员工行为数据进行清洗,以去除异常数据;对员工行为数据进行类型分类;获取各类型员工行为数据对应的预设计算公式,以通过预设计算公式对员工行为数据进行预计算。需要说明的是,清洗方法具体可以通过分箱法、回归法、聚类法,本申请对此不作过多限定。
其中,通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中,具体可以为:通过子公司系统确定预处理后的用户数据对应的补充数据为预设补充数据;并从大数据中心调取到子公司系统中。
步骤120、 通过子公司系统搭建子用户画像模型,并调取预设子数据库中的数据进行子用户画像模型的初步训练,以获得训练好的子用户画像模型对应的初始梯度信息。
步骤130、 通过预设聚合服务器向子用户画像模型分发加密密钥,进而获得子用户画像模型根据加密密钥加密上传的初始梯度信息;通过聚合模型对获得的梯度信息进行安全聚合,以获得聚合梯度信息;并向子用户画像模型发送聚合梯度信息。
在通过预设聚合服务器向子用户画像模型分发加密密钥之前,方法还包括:通过预设聚合服务器创建加密密钥。
步骤140、 使子用户画像模型根据聚合梯度信息更新模型参数,进而通过更新后的子用户画像模型和预设子数据库,生成用户画像结果;将用户画像结果更新至知识图谱中。
此外,方法还包括:从知识图谱中获取用户画像结果至子公司系统,以进行本地运算。
除此之外,图2为本申请实施例提供的一种基于纵向联邦学习和知识图谱的员工画像系统。如图2所示,本申请实施例提供的系统,主要包括:
调取模块210,用于获取子公司系统采集到的员工行为数据,写入预设子数据库;通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中。
获得模块220,用于通过子公司系统搭建子用户画像模型,并调取预设子数据库中的数据进行子用户画像模型的初步训练,以获得训练好的子用户画像模型对应的初始梯度信息。
获得模块220包括处理单元221,用于对员工行为数据进行清洗,以去除异常数据;对员工行为数据进行类型分类;获取各类型员工行为数据对应的预设计算公式,以通过预设计算公式对员工行为数据进行预计算。
获得模块220包括调取单元222,用于通过子公司系统确定预处理后的用户数据对应的补充数据为预设补充数据;并从大数据中心调取到子公司系统中。
发送模块230,用于通过预设聚合服务器向子用户画像模型分发加密密钥,进而获得子用户画像模型根据加密密钥加密上传的初始梯度信息;通过聚合模型对获得的梯度信息进行安全聚合,以获得聚合梯度信息;并向子用户画像模型发送聚合梯度信息。
发送模块230还包括创建单元231,用于通过预设聚合服务器创建加密密钥。
更新模块240,用于使子用户画像模型根据聚合梯度信息更新模型参数,进而通过更新后的子用户画像模型和预设子数据库,生成用户画像结果;将用户画像结果更新至知识图谱中。
系统还包括获取模块,用于从知识图谱中获取用户画像结果至子公司系统,以进行本地运算。
至此,已经结合前文的多个实施例描述了本公开的技术方案,但是,本领域技术人员容易理解的是,本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下,本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合,也可以对相关技术特征作出等同的更改或替换,凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。
Claims (10)
1.一种基于纵向联邦学习和知识图谱的员工画像方法,其特征在于,所述方法包括:
获取子公司系统采集到的员工行为数据,写入预设子数据库;通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中;
通过子公司系统搭建子用户画像模型,并调取预设子数据库中的数据进行子用户画像模型的初步训练,以获得训练好的子用户画像模型对应的初始梯度信息;
通过预设聚合服务器向子用户画像模型分发加密密钥,进而获得子用户画像模型根据加密密钥加密上传的初始梯度信息;通过聚合模型对获得的梯度信息进行安全聚合,以获得聚合梯度信息;并向子用户画像模型发送聚合梯度信息;
使子用户画像模型根据聚合梯度信息更新模型参数,进而通过更新后的子用户画像模型和预设子数据库,生成用户画像结果;将用户画像结果更新至知识图谱中。
2.根据权利要求1所述的基于纵向联邦学习和知识图谱的员工画像方法,所述方法还包括:
从知识图谱中获取用户画像结果至子公司系统,以进行本地运算。
3.根据权利要求1所述的基于纵向联邦学习和知识图谱的员工画像方法,其特征在于,在写入预设子数据库之前,所述方法还包括:
对员工行为数据进行清洗,以去除异常数据;
对员工行为数据进行类型分类;获取各类型员工行为数据对应的预设计算公式,以通过预设计算公式对员工行为数据进行预计算。
4.根据权利要求1所述的基于纵向联邦学习和知识图谱的员工画像方法,其特征在于,通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中,具体包括:
通过子公司系统确定预处理后的用户数据对应的补充数据为预设补充数据;并从大数据中心调取到子公司系统中。
5.根据权利要求1所述的基于纵向联邦学习和知识图谱的员工画像方法,其特征在于,在通过预设聚合服务器向子用户画像模型分发加密密钥之前,所述方法还包括:
通过预设聚合服务器创建加密密钥。
6.一种基于纵向联邦学习和知识图谱的员工画像系统,其特征在于,所述系统包括:
调取模块,用于获取子公司系统采集到的员工行为数据,写入预设子数据库;通过子公司系统从大数据中心中调取预设补充数据至预设子数据库中;
获得模块,用于通过子公司系统搭建子用户画像模型,并调取预设子数据库中的数据进行子用户画像模型的初步训练,以获得训练好的子用户画像模型对应的初始梯度信息;
发送模块,用于通过预设聚合服务器向子用户画像模型分发加密密钥,进而获得子用户画像模型根据加密密钥加密上传的初始梯度信息;通过聚合模型对获得的梯度信息进行安全聚合,以获得聚合梯度信息;并向子用户画像模型发送聚合梯度信息;
更新模块,用于使子用户画像模型根据聚合梯度信息更新模型参数,进而通过更新后的子用户画像模型和预设子数据库,生成用户画像结果;将用户画像结果更新至知识图谱中。
7.根据权利要求6所述的基于纵向联邦学习和知识图谱的员工画像系统,其特征在于,所述系统还包括获取模块,
用于从知识图谱中获取用户画像结果至子公司系统,以进行本地运算。
8.根据权利要求6所述的基于纵向联邦学习和知识图谱的员工画像系统,其特征在于,获得模块包括处理单元,
用于对员工行为数据进行清洗,以去除异常数据;对员工行为数据进行类型分类;获取各类型员工行为数据对应的预设计算公式,以通过预设计算公式对员工行为数据进行预计算。
9.根据权利要求6所述的基于纵向联邦学习和知识图谱的员工画像系统,其特征在于,获得模块包括调取单元,
用于通过子公司系统确定预处理后的用户数据对应的补充数据为预设补充数据;并从大数据中心调取到子公司系统中。
10.根据权利要求6所述的基于纵向联邦学习和知识图谱的员工画像系统,其特征在于,发送模块还包括创建单元,
用于通过预设聚合服务器创建加密密钥。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712985.XA CN116485281A (zh) | 2023-06-16 | 2023-06-16 | 基于纵向联邦学习和知识图谱的员工画像方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712985.XA CN116485281A (zh) | 2023-06-16 | 2023-06-16 | 基于纵向联邦学习和知识图谱的员工画像方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485281A true CN116485281A (zh) | 2023-07-25 |
Family
ID=87223466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310712985.XA Pending CN116485281A (zh) | 2023-06-16 | 2023-06-16 | 基于纵向联邦学习和知识图谱的员工画像方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485281A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
CN112416986A (zh) * | 2020-11-23 | 2021-02-26 | 中国科学技术大学 | 基于分层个性化联邦学习的用户画像实现方法及系统 |
CN114676316A (zh) * | 2022-02-16 | 2022-06-28 | 广东卓维网络有限公司 | 一种基于大数据构建的企业员工画像的方法及系统 |
CN114969503A (zh) * | 2022-03-30 | 2022-08-30 | 贵州大学 | 一种基于联邦学习的多元数据用户画像实现方法 |
US20230062351A1 (en) * | 2022-08-30 | 2023-03-02 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods, systems and storage mediums for employment management in a smart city based on internet of things |
CN115952280A (zh) * | 2022-10-26 | 2023-04-11 | 中科紫东信息技术(北京)有限公司 | 基于多模型联邦集成的用户画像方法 |
-
2023
- 2023-06-16 CN CN202310712985.XA patent/CN116485281A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
CN112416986A (zh) * | 2020-11-23 | 2021-02-26 | 中国科学技术大学 | 基于分层个性化联邦学习的用户画像实现方法及系统 |
CN114676316A (zh) * | 2022-02-16 | 2022-06-28 | 广东卓维网络有限公司 | 一种基于大数据构建的企业员工画像的方法及系统 |
CN114969503A (zh) * | 2022-03-30 | 2022-08-30 | 贵州大学 | 一种基于联邦学习的多元数据用户画像实现方法 |
US20230062351A1 (en) * | 2022-08-30 | 2023-03-02 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods, systems and storage mediums for employment management in a smart city based on internet of things |
CN115952280A (zh) * | 2022-10-26 | 2023-04-11 | 中科紫东信息技术(北京)有限公司 | 基于多模型联邦集成的用户画像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073625B (zh) | 用于元数据信息管理的系统及方法 | |
CN113592680A (zh) | 基于区域级教育大数据的服务平台 | |
US20240054013A1 (en) | Systems and methods for maintaining data objects to manage asynchronous workflows | |
CN114416703A (zh) | 数据完整性自动监控方法、装置、设备及介质 | |
US11748495B2 (en) | Systems and methods for data usage monitoring in multi-tenancy enabled HADOOP clusters | |
Gangadhara et al. | Optimize utility in computing-Based manufacturing systems using service models and development models | |
CN115221380A (zh) | 一种城建档案的批量管理方法、系统和平台 | |
CN110168589A (zh) | 用于跟踪、捕获和跨多个设备同步活动数据的方法和装置 | |
CN101931525B (zh) | 一种信息安全管理资源定位方法及系统 | |
CN116485281A (zh) | 基于纵向联邦学习和知识图谱的员工画像方法及系统 | |
EP3306540A1 (en) | System and method for content affinity analytics | |
CN115168474B (zh) | 一种基于大数据模型的物联中台系统搭建方法 | |
CN114691782B (zh) | 数据库表增量同步方法、装置及存储介质 | |
US20210090028A1 (en) | Replication of planned working time information | |
Liu et al. | Research on environmental monitoring system based on microservices and data mining | |
CN115982213A (zh) | Bi数据分析方法、系统及存储介质 | |
CN115689788A (zh) | 一种财务数据分析方法 | |
US20220284052A1 (en) | Extracting and surfacing topic descriptions from regionally separated data stores | |
CN109669996A (zh) | 信息动态更新方法及装置 | |
CN103092841A (zh) | 一种数据处理方法及装置 | |
CN111865636B (zh) | 一种光缆管线数据分析系统、方法、服务器和存储介质 | |
CN115114495B (zh) | 基于深度学习的适航数据治理辅助方法及其系统 | |
CN111369116A (zh) | 一种基于可视化技术的项目前期和工程前期管理系统 | |
CN113641740B (zh) | 基于多系统的数据处理方法、装置、设备和存储介质 | |
US20160283576A1 (en) | Leveraging enterprise content |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230725 |