【摘 要】
:
随着互联网时代的到来,互联网技术被广泛应用于各个行业、各个领域,其中也包括教育领域。高校针对学生(主要为应届生)提供的就业服务的发展也是日益完善。基于互联网的高校就业服务指导工作创新凸显了互联网时代“互联网+就业服务指导”的创新有效性,为高校在该领域健康有效发展创造了契机,也凸显了互联网的诸多技术优势。本课题针对高校就业指导中心、应届毕业生和企业的实际需要,设计并开发了高校就业服务系统。本课题根据
论文部分内容阅读
随着互联网时代的到来,互联网技术被广泛应用于各个行业、各个领域,其中也包括教育领域。高校针对学生(主要为应届生)提供的就业服务的发展也是日益完善。基于互联网的高校就业服务指导工作创新凸显了互联网时代“互联网+就业服务指导”的创新有效性,为高校在该领域健康有效发展创造了契机,也凸显了互联网的诸多技术优势。本课题针对高校就业指导中心、应届毕业生和企业的实际需要,设计并开发了高校就业服务系统。本课题根据高校就业指导中心、应届毕业生和企业三方面的实际需要,为解决目前高校就业服务系统功能不够完善、用户体验感欠佳等问题,选用Think PHP、Vue框架、Bootstrap框架结合微信小程序将传统的高校就业服务系统进行了设计改进并实现。首先,本文分析了国内外就业服务系统的发展情况和目前首经贸就业服务系统的现状和问题;进而介绍系统开发所需相关技术;在对就业服务系统进行需求分析的基础上,对该系统进行了整体架构设计、功能模块设计与数据库设计;最后利用相关技术对系统进行了开发实现,并对系统的各个模块进行了测试,测试结果表明本系统达到预期效果。本次课题所完成的系统前台分为企业平台和小程序端两部分,主要面向企业和校内人员,企业平台实现了企业信息管理、招聘信息发布、宣讲会/招聘会申请和投递简历查看功能,小程序端实现了个人管理、招聘信息查看、宣讲会/招聘会查看、简历诊所预约等功能。管理后台则面向系统管理人员,实现了学院管理、校内人员管理、企业管理、服务管理、招聘信息管理等功能。最终呈现的系统相较于传统的就业服务系统,提高了用户体验感。
其他文献
近年来,推荐系统得到迅速发展,在工业界和学术界均受到极大关注。目前有许多推荐系统的解决方案,比较传统和经典的是协同过滤推荐算法。基于模型的推荐算法也是一大类,其中,注意力机制的方法能将焦点放在最能够体现用户兴趣偏好的特征上,能较好的捕捉用户兴趣的动态性和多样性,所以基于注意力机制进行推荐算法研究具有很大的意义。为了证明注意力机制在处理短期会话时相比DNN、RNN具有更好的效果,首先研究一种基于短期
随钻核磁测井仪的井下电路始终处在高温恶劣的地下环境,极易发生故障,如不能及时更换电路板,会造成较大的经济损失,这就需要及时发现故障来源并进行电路板更换。同时,考虑到钻铤内部空间狭窄,安装成本较高,维护困难,应尽量减少故障检测传感器的使用。基于上述需求,本文提出了一种基于电源端口EMI信号非侵入式监测的故障检测方法,这一方法将单一检测电路接入电源控制电路的电压输出端口,通过采集并处理端口输出的电压信
储层总有机碳含量预测可用于储层含油气水平及生烃潜力评估,对非常规油气勘探和开发具有重要意义。然而传统的储层总有机碳含量预测方法通常存在测井数据信息提取能力差、预测精度有限等问题。为解决上述不足,本文以储层总有机碳含量为研究对象,从数据处理角度出发,利用机器学习理论方法,分别从提升测井数据质量、测井特征优选、总有机碳含量预测精度改善的角度,系统地开展测井数据驱动总有机碳含量预测方法研究,重点解决测井
近年来,云计算发展迅速,已成为互联网行业构建基础设施的利器。云的弹性灵活不仅能节约资源,而且能支撑业务快速发展。因此开发云服务,整合产品资源解决用户使用成本高、研发团队重复建设等问题成为必要。本课题通过整合算法资源,实现了面向计算机视觉应用的云服务系统,为用户提供优秀的产品解决方案。为了承载不断扩张的需求带来的计算压力,更好、更快、更强地开发运维系统服务,本课题提出采用消息中间件与容器虚拟化等关键
随着计算机技术的不断发展,互联网已经成为了人们日常生活中不可分割的一部分。一些大型网站提供不间断的服务,每天巨大的访问量给系统的正常运行带来了严峻的挑战,单个服务器已经不能满足企业的需求。为了满足系统支持高并发、低延迟的需求,许多大型网站的后端系统采用了服务器集群的方式,而不再是单一的服务器。通过集群内服务器节点的协同合作,提供稳定的服务。但这种方式带来了一个新的问题,服务器集群可能会出现负载不均
序列推荐是推荐系统领域近几年来新兴起的一个研究热点,与传统的推荐系统利用用户的长期兴趣偏好进行推荐不同,序列推荐考虑到用户的兴趣会随着时间的变化而发生改变,依靠用户与项目交互而产生的序列信息动态地构建用户的兴趣偏好,可以更为精确的完成对用户的推荐任务。目前,提取用户行为序列信息的方法有很多种,最为新颖的一种是在时间和潜在空间中将用户的行为序列信息嵌入进一幅“图像”中,利用卷积神经网络中的卷积滤波器
随着互联网时代的到来,每天有数以亿计的信息在网络上更新,当用户需求不明确时,如何在纷繁复杂的信息中快速找到用户所需内容成为了挑战。推荐系统不仅可以向用户推荐曾经购买过的其他类似物品,还可以通过推荐物品附件来增加用户购买量,捆绑推荐相比于传统推荐更加符合用户的消费习惯及购买偏好。在捆绑推荐基础上针对捆绑包中各个物品的序列关系,综合考虑静态捆绑包及动态捆绑包,提出序列化的捆绑推荐模型。不仅考虑捆绑包间