CN110738323B - 基于数据共享建立机器学习模型的方法和装置 - Google Patents

Abstract

本申请实施例公开了基于数据共享建立机器学习模型的方法和装置。该基于数据共享建立机器学习模型的方法的一个具体实施方式包括：获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合；基于训练样本和关联数据集合，训练预设算法模型。该实施方式保证了预设算法模型所采用的特征数据的安全性，也提高了预设算法模型的准确率。

Description

基于数据共享建立机器学习模型的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及电子地图技术领域，尤其涉及基于数据共享建立机器学习模型的方法和装置。

背景技术

建立机器学习的模型需要样本、特征和算法三个部分，在实际业务中，可能是A公司有样本、B公司有特征，或者A公司有样本和部分特征，B公司有部分特征，双方希望能互通数据，联合建模以得到更好的模型效果。

在目前的技术中，通常以一个身份标识号码(ID)互通数据，可以生成训练集和测试集，然后采用一种算法得到联合建模的模型效果，但是这种以一个ID互通双方数据的方法会曝露数据，双方都可以拿到或反推对方的数据，无法达成合作。

发明内容

本申请实施例提供了基于数据共享建立机器学习模型的方法和装置。

第一方面，本申请实施例提供了一种基于数据共享建立机器学习模型的方法，包括：获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合；基于训练样本和关联数据集合，训练预设算法模型。

在一些实施例中，基于训练样本和关联数据集合，训练预设算法模型包括：基于训练样本和关联数据集合训练预设算法模型；响应于对预设算法模型进行测试的结果符合测试通过条件，将预设算法模型传输至特征提供端；获取特征提供端所提供的接入预设算法模型的在线特征提取接口。

在一些实施例中，基于训练样本和关联数据集合，训练预设算法模型包括：基于关联数据集合训练第一模型；基于第一模型的输出，确定训练样本的评分数据；提取训练样本的本地提取特征；基于训练样本的评分数据和训练样本的本地提取特征，训练第二模型；响应于对第二模型进行测试的结果符合测试通过条件，将第一模型传输至特征提供端；获取特征提供端所提供的接入第一模型的在线特征提取接口，在线特征提取接口用于接收输入样本ID并输出对应输入样本ID的采用ID编码的特征。

在一些实施例中，特征提供端提供的采用ID编码的特征文件经由以下步骤得到：基于训练样本，生成训练样本ID列表文件；压缩并加密训练样本ID列表文件，得到加密后的训练样本ID列表文件压缩包；经由不同渠道向特征提供端发送训练样本ID列表文件压缩包和加密密码；接收特征提供端提供的采用ID编码的特征文件。

在一些实施例中，预设算法模型包括以下任意一项：逻辑回归模型、决策树模型、极限梯度提升模型和神经网络模型。

第二方面，本申请实施例提供了一种样本标签预测方法，包括：获取预测样本；基于预测样本，确定对应预测样本的采用ID编码的特征；将对应预测样本的采用ID编码的特征输入如上述的预设算法模型，得到预设算法模型的对预测样本的评分数据。

第三方面，本申请实施例提供了一种样本标签预测方法，包括：获取预测样本；将预测样本输入如上述的在线特征提取接口，得到对应预测样本的采用ID编码的特征；将对应预测样本的采用ID编码的特征输入如上述的第一模型，得到第一模型对预测样本的评分数据；提取预测样本的本地提取特征；将第一模型对预测样本的评分数据和预测样本的本地提取特征输入如上述的第二模型，得到第二模型对预测样本的评分数据。

第四方面，本申请实施例提供了一种基于数据共享建立机器学习模型的装置，包括：数据获取单元，被配置成获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；数据关联单元，被配置成在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合；模型训练单元，被配置成基于训练样本和关联数据集合，训练预设算法模型。

在一些实施例中，模型训练单元进一步被配置成：基于训练样本和关联数据集合训练预设算法模型；响应于对预设算法模型进行测试的结果符合测试通过条件，将预设算法模型传输至特征提供端；获取特征提供端所提供的接入预设算法模型的在线特征提取接口。

在一些实施例中，模型训练单元进一步被配置成：基于关联数据集合训练第一模型；基于第一模型的输出，确定训练样本的评分数据；提取训练样本的本地提取特征；基于训练样本的评分数据和训练样本的本地提取特征，训练第二模型；响应于对第二模型进行测试的结果符合测试通过条件，将第一模型传输至特征提供端；获取特征提供端所提供的接入第一模型的在线特征提取接口，在线特征提取接口用于接收输入样本ID并输出对应输入样本ID的采用ID编码的特征。

在一些实施例中，数据获取单元中特征提供端提供的采用ID编码的特征文件经由以下步骤得到：基于训练样本，生成训练样本ID列表文件；压缩并加密训练样本ID列表文件，得到加密后的训练样本ID列表文件压缩包；经由不同渠道向特征提供端发送训练样本ID列表文件压缩包和加密密码；接收特征提供端提供的采用ID编码的特征文件。

在一些实施例中，预设算法模型包括以下任意一项：逻辑回归模型、决策树模型、极限梯度提升模型和神经网络模型。

第五方面，本申请实施例提供了一种样本标签预测装置，包括：预测样本获取单元，被配置成获取预测样本；编码特征确定单元，被配置成基于预测样本，确定对应预测样本的采用ID编码的特征；编码特征输入单元，被配置成将对应预测样本的采用ID编码的特征输入如上述的任意一项的预设算法模型，得到预设算法模型的对预测样本的评分数据。

第六方面，本申请实施例提供了一种样本标签预测装置，包括：预测样本获取单元，被配置成获取预测样本；在线特征获取单元，被配置成将预测样本输入如上述的在线特征提取接口，得到对应预测样本的采用ID编码的特征；编码特征输入单元，被配置成将对应预测样本的采用ID编码的特征输入如上述的第一模型，得到第一模型对预测样本的评分数据；本体特征提取单元，被配置成提取预测样本的本地提取特征；评分数据确定单元，被配置成将第一模型对预测样本的评分数据和预测样本的本地提取特征输入如上述的第二模型，得到第二模型对预测样本的评分数据。

第七方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任一所述的方法。

第八方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一所述的方法。

本申请实施例提供的基于数据共享建立机器学习模型的方法和装置，首先获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；之后，在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合；最后，基于训练样本和关联数据集合，训练预设算法模型。在这一过程中，由于特征提供端提供的为采用ID编码的特征文件，提升了特征提供端所提供的特征文件的数据安全；此外，在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，进一步提升了在生成关联数据集合的过程中的数据安全性；最后，基于训练样本和关联数据集合，训练预设算法模型，保证了预设算法模型所采用的特征数据的安全性，也提高了预设算法模型的准确率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请实施例的基于数据共享建立机器学习模型的方法的一个实施例的流程示意图；

图3是根据本申请实施例的一个应用场景示意图；

图4是根据本申请实施例的基于训练样本和关联数据集合训练预设算法模型的方法的另一个实施例的流程示意图；

图5是根据本申请实施例的样本标签预测方法的一个实施例的流程示意图；

图6是本申请的用于数据共享的建模装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的基于数据共享建立机器学习模型的方法或用于数据共享的建模装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105、106交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如搜索引擎类应用、购物类应用、即时通信工具、邮箱客户端、社交平台软件、视频播放类应用等。

终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio LayerIII，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105、106可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对终端提交的数据进行分析、存储或计算等处理，并将分析、存储或计算结果推送给终端设备。

需要说明的是，在实践中，本申请实施例所提供的基于数据共享建立机器学习模型的方法往往需要通过相对高性能的电子设备来执行；用于数据共享的建模装置的往往需要通过相对高性能的电子设备来设置实现。相对终端设备而言，服务器往往具有更高的性能。因而，通常情况下，本申请实施例所提供的基于数据共享建立机器学习模型的方法一般由服务器105、106执行，相应地，用于数据共享的建模装置一般设置于服务器105、106中。然而，当终端设备的性能可以满足该方法的执行条件或该设备的设置条件时，本申请实施例所提供的基于数据共享建立机器学习模型的方法也可以由终端设备101、102、103执行，用于数据共享的建模装置也可以设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于数据共享建立机器学习模型的方法的一个实施例的流程200。该基于数据共享建立机器学习模型的方法，包括以下步骤：

步骤201，获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件。

在本实施例中，上述基于数据共享建立机器学习模型的方法运行于其上的电子设备(例如图1所示的服务器)可以以训练样本的身份标识号码(ID)为基础，获取预先存储于本地的对应该ID的训练样本、样本标签(用于标记训练样本的识别结果)，以及从特征提供端获取采用ID编码的特征文件。在这里，特征提供端可以和运行基于数据共享建立机器学习模型的方法的电子设备分属不同的公司或企业。

在本实施例的一些可选实现方式中，特征提供端提供的采用ID编码的特征文件经由以下步骤得到：基于训练样本，生成训练样本ID列表文件；压缩并加密训练样本ID列表文件，得到加密后的训练样本ID列表文件压缩包；经由不同渠道向特征提供端发送训练样本ID列表文件压缩包和加密密码；接收特征提供端提供的采用ID编码的特征文件。

在本实现方式中，上述基于数据共享建立机器学习模型的方法运行于其上的电子设备(例如图1所示的服务器)可以基于训练样本，生成训练样本ID列表文件，然后该电子设备可以采用压缩软件压缩并加密训练样本ID列表文件，得到加密后的训练样本ID列表文件压缩包。这里的压缩软件，可以为现有技术或未来发展的技术中用于压缩文件的软件，本申请对此不做限定。例如，可以使用RAR压缩数据并加密码，得到加密后的训练样本ID列表文件压缩包。

之后，该电子设备可以经由不同渠道向特征提供端发送训练样本ID列表文件压缩包和加密密码。例如，该电子设备可以将训练样本ID列表文件压缩包通过企业级数据传输BOS传输给特征提供端，同时再使用其它渠道，例如公司邮件方式传输加密密码。最后，上述电子设备可以接收特征提供端提供的采用ID编码的特征文件。

特征提供端在接收到训练样本ID列表文件压缩包和加密密码后，可以采用加密密码解压训练样本ID列表文件压缩包，并在特征提供端将训练样本ID和特征提供端内的特征进行关联，并将关联后的特征进行特征的id(唯一标识号)化加密，即采用字典将字符串类型的特征转为数字表示的id，导出成为采用ID编码的特征文件。此时，由于上述基于数据共享建立机器学习模型的方法运行于其上的电子设备并未具备该字典，所以无法解开特征提供端所提供的特征数据，提高了特征提供端所提供的特征数据的安全性。

步骤202，在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合。

在本实施例中，特征提供端技术人员将采用ID编码的特征文件拷贝至上述电子设备的网络隔离区域中，并在该网络隔离区域中关联样本标签和采用ID编码的特征文件中的特征，从而无需上述电子设备的技术人员的参与便得到关联数据集合，提高了采用ID编码的特征文件的数据安全性。

步骤203，基于训练样本和关联数据集合，训练预设算法模型。

在本实施例中，上述电子设备可以基于关联数据集合，来训练预设算法模型。预设算法模型通过机器对关联数据集合这一标签样本数据的多维度学习，建立机器自学习的标签模型，可通过对样本数据的调整以及模型结构及参数的调整来逐步优化模型。预设算法模型用于根据各个输入样本的特征预测各个输入样本匹配标签的概率。机器学习英文全称为Machine Learning，简称ML。机器学习模型可以采用逻辑回归模型、决策树模型、极限梯度提升模型(xgboost)或者神经网络模型等。神经网络模型比如卷积神经网络、反向传播神经网络、反馈神经网络、径向基神经网络或者自组织神经网络等。在本实施例中，预设算法模型的输入可以为输入样本，输出可以为输入样本匹配标签的概率。

在本实施例的一些可选实现方式中，基于训练样本和关联数据集合，训练预设算法模型包括：基于训练样本和关联数据集合训练预设算法模型；响应于对预设算法模型进行测试的结果符合测试通过条件，将预设算法模型传输至特征提供端；获取特征提供端所提供的接入预设算法模型的在线特征提取接口。

在本实现方式中，可以将训练样本在本地提取的特征与标签的对应关系以及关联数据集合，均作为预设算法模型的训练数据，完成对预设算法模型的训练。在这里，对预设算法模型进行测试的结果符合测试通过条件，是指预设算法模型的输出与训练样本的标签的比较结果，符合用户设定的测试通过条件。在该实现方式中，通过在训练完的预设算法模型中提供在线特征提取接口，便于预设算法模型的使用者提高向特征提供端确定采用ID编码的特征的效率。

与上述图2中所示的基于数据共享建立机器学习模型的方法相对应，本申请还提供了一种样本标签预测方法，包括：首先获取预测样本；之后，基于预测样本，确定对应预测样本的采用ID编码的特征；之后，将对应预测样本的采用ID编码的特征输入如上所述的预设算法模型，得到预设算法模型的对预测样本的评分数据。基于该样本标签预测方法，可以采用各方特征与标签的对应关系来训练预设算法模型，提高了预设算法模型预测样本标签的准确率。

以下结合图3，描述本申请的基于数据共享建立机器学习模型的方法的示例性应用场景。

如图3所示，图3示出了根据本申请的基于数据共享建立机器学习模型的方法的一个应用场景的示意性流程图。

如图3所示，基于数据共享建立机器学习模型的方法300运行于电子设备310中，可以包括：

首先，获取与训练样本ID301相对应的以下数据：训练样本302、样本标签303以及特征提供端提供的采用ID编码的特征文件304。

之后，在网络隔离区域305中，根据特征提供端技术人员的操作，关联样本标签303与采用ID编码的特征文件304中的特征，得到关联数据集合306。

之后，基于训练样本302和关联数据集合306，训练预设算法模型307。

应当理解，上述图3中所示出的基于数据共享建立机器学习模型的方法的应用场景，仅为对于基于数据共享建立机器学习模型的方法的示例性描述，并不代表对该方法的限定。例如，上述图3中示出的各个步骤，可以进一步采用更为细节的实现方法。

本申请上述实施例的基于数据共享建立机器学习模型的方法，可以获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；之后，在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合；最后，基于关联数据集合，训练预设算法模型。在这一过程中，由于特征提供端所提供的采用ID编码的特征文件为非明文文件，并且关联样本标签与采用ID编码的特征文件中的特征也是有特征提供端技术人员在网络隔离区域中操作，因此避免了由执行基于数据共享建立机器学习模型的方法的电子设备曝露特征提供端所提供的特征，提高了特征提供端所提供的共享数据的安全性。

请参考图4，其示出了根据本申请的基于训练样本和关联数据集合训练预设算法模型的方法的另一个实施例的流程图。

如图4所示，本实施例的基于训练样本和关联数据集合训练预设算法模型的方法的流程400，可以包括以下步骤：

步骤401，基于关联数据集合训练第一模型。

在本实施例中，上述图2中基于数据共享建立机器学习模型的方法运行于其上的电子设备(例如图1所示的服务器)可以基于特征提供端所提供的表征特征与标签的对应关系的关联数据集合，训练第一模型。

步骤402，基于第一模型的输出，确定训练样本的评分数据。

在本实施例中，上述电子设备可以将训练样本输入第一模型，从而根据第一模型的输出确定该训练样本匹配标签的概率，也即确定训练样本的评分数据。

步骤403，提取训练样本的本地提取特征。

在本实施例中，对于存储于本地的训练样本，上述步骤402输出的评分数据可以作为一种特征，进一步进行其它机器学习模型的训练。

步骤404，基于训练样本的评分数据和训练样本的本地提取特征，训练第二模型。

在本实施例中，可以将第一模型输出的评分数据作为一种特征，与训练样本的本地提取特征，一起训练第二模型，从而提高第二模型的预测结果的准确性。

步骤405，响应于对第二模型进行测试的结果符合测试通过条件，将第一模型传输至特征提供端。

在本实施例中，对第二模型进行测试的结果符合测试通过条件，是指第二模型的输出与训练样本的标签的比较结果，符合用户设定的测试通过条件。此时，可以认为第二模型的训练效果获得认可，从而可以将第一模型传输至特征提供端以供特征提供端使用或部署接口第一模型的在线服务。

步骤406，获取特征提供端所提供的接入第一模型的在线特征提取接口。

在本实施例中，特征提供端所提供的接入第一模型的在线特征提取接口，也即特征提供端根据第一模型部署的在线服务。该在线特征提取接口用于接收输入样本ID并输出对应输入样本ID的采用ID编码的特征。

本申请上述实施例的基于训练样本和关联数据集合训练预设算法模型的方法，根据特征提供端提供的特征训练了第一模型，又将第一模型的输出作为特征，并将该特征和从训练样本提取的特征一起用于训练第二模型，由于在训练第二模型时采用了更为丰富的特征，因此提高了第二模型输出的预测结果的准确性，并且在训练第一模型时仅采用了特征提供端提供的数据，避免了向特征提供端曝露上述电子设备中的训练样本所提取的特征，保证了双方数据的安全性。

请参考图5，其示出了根据本申请实施例的基于图4中的预设算法模型的样本标签预测方法的一个实施例的流程图。

如图5所示，本实施例的样本标签预测方法的流程500，可以包括以下步骤：

在步骤501中，获取预测样本。

在步骤502中，将预测样本输入如上述图4中的在线特征提取接口，得到对应预测样本的采用ID编码的特征。

在步骤503中，将对应预测样本的采用ID编码的特征输入如上述图4中的第一模型，得到第一模型对预测样本的评分数据。

在步骤504中，提取预测样本的本地提取特征。

在步骤505中，将第一模型对预测样本的评分数据和预测样本的本地提取特征输入如上述图4中的第二模型，得到第二模型对预测样本的评分数据。

本申请上述实施例的样本标签预测方法，在保护了各方数据的基础上，提高了预测样本的评分准确率。

在根据本申请实施例的图2、4和图5的一个具体的实施例中，A公司有贷款违约样本和用户填写申请表数据，B公司有用户的银行卡消费记录，A公司希望通过B公司的消费记录数据来提升违约识别模型的效果，但是双方互不泄漏建模数据，同时对新用户判断时，B公司需要不泄漏数据且A公司对数据持续产生依赖。那么，可以通过以下步骤完成基于数据共享建立机器学习模型和样本标签预测。

首先，用户ID列表输出：A公司的电子设备输出需要联合建模的用户ID列表，用户ID列表双方是一样的，例如md5加密后手机号码，用于关联数据，为了保证数据传输安全，文件采用rar压缩，并通过其他通道告知B公司解压密码，用户ID列表数据举例：

123

124

其次，特征导出并加密：B公司通过id列表关联出对应的银行卡消费记录，按ID汇总一个用户的所有数据，并提取特征，例如最近3个月餐饮消费总金额、娱乐消费总次数、总刷卡次数，然后利用字典或映射表将特征id化编码，例如餐饮消费总金额＝1，娱乐消费总次数＝2,总刷卡次数＝3，字典保留在B公司，不告知A公司，最终输出为：(第一列用户id，第二列特征列表)

123,1:310.02 2:3 3:8

124,1:1021.10 2:10 3:30

A公司特征也使用字典的方式，将特征id化编码，同样字典不告知B公司，输出举例(第一列用户id，第二列label，第三列特征列表)

123,1,101:12 102:2 103:18

124,0,101:1 102:8 103:201

再次，样本关联：B公司拷贝上一步骤的产出文件到A公司隔离环境，通过用户id关联A的样本label，输出举例(第一列用户id，第二列label，第三列特征列表)

123,1,1:310.02 2:3 3:8

124,0,1:1021.10 2:10 3:30

然后，两级模型训练：使用上一步骤的输出训练模型M1，并使用M1对所有用户id打分，输出(第一列用户id，第二列打分结果)

123,0.821

124,0.023

用上边的输出使用用户id关联上述步骤中A公司的文件，得到

123,1,1:0.821 101:12 102:2 103:18

124,0,1:0.023 101:1 102:8 103:201

使用这份数据训练M2模型，为最终模型。

之后，M1模型回拷至B公司，不涉及输入输出。

最后，在线打分：新用户到来之后，A公司使用用户id(例如192)请求B公司M1模型的在线服务，B公司请求192用户的特征并用之前的字典id化编码，输入M1获取到打分，输出192:0.781，并返回在线服务结果给A，A同时获取192用户的特征并按自己的字典编码，得到192,101:15 102:5 103:8，结合B公司的打分，得到192,1:0.781101:15 102:5 103:8，输入到M2模型得到最终打分，例如192:0.812，所有建模与打分流程结束。

进一步参考图6，作为对上述各图所示方法的实现，本申请实施例提供了一种用于数据共享的建模装置的一个实施例，该装置实施例与图2-图5中所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于数据共享的建模装置600可以包括：数据获取单元610，被配置成获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；数据关联单元620，被配置成在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合；模型训练单元630，被配置成基于训练样本和关联数据集合，训练预设算法模型。

在一些实施例中，模型训练单元进一步被配置成：基于训练样本和关联数据集合训练预设算法模型；响应于对预设算法模型进行测试的结果符合测试通过条件，将预设算法模型传输至特征提供端；获取特征提供端所提供的接入预设算法模型的在线特征提取接口。

在一些实施例中，模型训练单元进一步被配置成：基于关联数据集合训练第一模型；基于第一模型的输出，确定训练样本的评分数据；提取训练样本的本地提取特征；基于训练样本的评分数据和训练样本的本地提取特征，训练第二模型；响应于对第二模型进行测试的结果符合测试通过条件，将第一模型传输至特征提供端；获取特征提供端所提供的接入第一模型的在线特征提取接口，在线特征提取接口用于接收输入样本ID并输出对应输入样本ID的采用ID编码的特征。

在一些实施例中，数据获取单元中特征提供端提供的采用ID编码的特征文件经由以下步骤得到：基于训练样本，生成训练样本ID列表文件；压缩并加密训练样本ID列表文件，得到加密后的训练样本ID列表文件压缩包；经由不同渠道向特征提供端发送训练样本ID列表文件压缩包和加密密码；接收特征提供端提供的采用ID编码的特征文件。

在一些实施例中，预设算法模型包括以下任意一项：逻辑回归模型、决策树模型、极限梯度提升模型和神经网络模型。

本申请实施例还提供了一种样本标签预测装置(图中未示出)，包括：预测样本获取单元，被配置成获取预测样本；编码特征确定单元，被配置成基于预测样本，确定对应预测样本的采用ID编码的特征；编码特征输入单元，被配置成将对应预测样本的采用ID编码的特征输入如上任意一项的预设算法模型，得到预设算法模型的对预测样本的评分数据。

本申请实施例还提供了一种样本标签预测装置(图中未示出)，包括：预测样本获取单元，被配置成获取预测样本；在线特征获取单元，被配置成将预测样本输入如上述的在线特征提取接口，得到对应预测样本的采用ID编码的特征；编码特征输入单元，被配置成将对应预测样本的采用ID编码的特征输入如上述的第一模型，得到第一模型对预测样本的评分数据；本体特征提取单元，被配置成提取预测样本的本地提取特征；评分数据确定单元，被配置成将第一模型对预测样本的评分数据和预测样本的本地提取特征输入如上述的第二模型，得到第二模型对预测样本的评分数据。

应当理解，装置600中记载的诸单元可以与参考图2-图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的终端设备或服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括数据获取单元、数据关联单元和模型训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，数据获取单元还可以被描述为“获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；在网络隔离区域中，根据特征提供端技术人员的操作，关联样本标签与采用ID编码的特征文件中的特征，得到关联数据集合；基于训练样本和关联数据集合，训练预设算法模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种基于数据共享建立机器学习模型的方法，包括：

获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；所述特征文件为非明文文件；

通过特征提供端技术人员将采用ID编码的特征文件拷贝至网络隔离区域，在所述网络隔离区域中关联所述样本标签与所述采用ID编码的特征文件中的特征，得到关联数据集合；

基于所述训练样本和所述关联数据集合，训练预设算法模型，包括：基于所述关联数据集合训练第一模型；基于所述第一模型的输出和所述训练样本，训练第二模型；

所述特征提供端提供的采用ID编码的特征文件经由以下步骤得到：

基于训练样本，生成训练样本ID列表文件；

压缩并加密所述训练样本ID列表文件，得到加密后的训练样本ID列表文件压缩包；

经由不同渠道向所述特征提供端发送所述训练样本ID列表文件压缩包和加密密码；

接收所述特征提供端提供的采用ID编码的特征文件。

2.根据权利要求1所述的方法，其中，所述基于所述训练样本和所述关联数据集合，训练预设算法模型包括：

基于所述训练样本和所述关联数据集合训练预设算法模型；

响应于对预设算法模型进行测试的结果符合测试通过条件，将所述预设算法模型传输至所述特征提供端；

获取所述特征提供端所提供的接入所述预设算法模型的在线特征提取接口。

3.根据权利要求1所述的方法，其中，所述基于所述训练样本和所述关联数据集合，训练预设算法模型包括：

基于所述关联数据集合训练所述第一模型；

基于所述第一模型的输出，确定所述训练样本的评分数据；

提取所述训练样本的本地提取特征；

基于所述训练样本的评分数据和所述训练样本的本地提取特征，训练所述第二模型；

响应于对所述第二模型进行测试的结果符合测试通过条件，将所述第一模型传输至所述特征提供端；

获取所述特征提供端所提供的接入所述第一模型的在线特征提取接口，所述在线特征提取接口用于接收输入样本ID并输出对应所述输入样本ID的采用ID编码的特征。

4.根据权利要求1-3任意一项所述的方法，其中，所述预设算法模型包括以下任意一项：逻辑回归模型、决策树模型、极限梯度提升模型和神经网络模型。

5.一种样本标签预测方法，包括：

获取预测样本；

基于所述预测样本，确定对应所述预测样本的采用ID编码的特征；

将所述对应所述预测样本的采用ID编码的特征输入如权利要求1-2任意一项所述的基于数据共享建立机器学习模型的方法训练得到的预设算法模型，得到所述预设算法模型的对所述预测样本的评分数据。

6.一种样本标签预测方法，包括：

获取预测样本；

将所述预测样本输入在线特征提取接口，得到对应所述预测样本的采用ID编码的特征；

将所述对应所述预测样本的采用ID编码的特征输入基于关联数据集合训练得到的第一模型，得到所述第一模型对所述预测样本的评分数据；所述关联数据集合基于以下步骤得到：获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；所述特征文件为非明文文件；通过特征提供端技术人员将采用ID编码的特征文件拷贝至网络隔离区域，在所述网络隔离区域中关联所述样本标签与所述采用ID编码的特征文件中的特征，得到所述关联数据集合；

提取所述预测样本的本地提取特征；

将所述第一模型对所述预测样本的评分数据和所述预测样本的本地提取特征输入基于所述第一模型的输出和所述训练样本训练得到的第二模型，得到所述第二模型对所述预测样本的评分数据。

7.一种基于数据共享建立机器学习模型的装置，包括：

数据获取单元，被配置成获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；所述特征文件为非明文文件；

数据关联单元，被配置成通过特征提供端技术人员将采用ID编码的特征文件拷贝至网络隔离区域，在所述网络隔离区域中关联所述样本标签与所述采用ID编码的特征文件中的特征，得到关联数据集合；

模型训练单元，被配置成基于所述训练样本和所述关联数据集合，训练预设算法模型，包括：基于所述关联数据集合训练第一模型；基于所述第一模型的输出和所述训练样本，训练第二模型；

所述数据获取单元中特征提供端提供的采用ID编码的特征文件经由以下步骤得到：

基于训练样本，生成训练样本ID列表文件；

压缩并加密所述训练样本ID列表文件，得到加密后的训练样本ID列表文件压缩包；

经由不同渠道向所述特征提供端发送所述训练样本ID列表文件压缩包和加密密码；

接收所述特征提供端提供的采用ID编码的特征文件。

8.根据权利要求7所述的装置，其中，所述模型训练单元进一步被配置成：

基于所述训练样本和所述关联数据集合训练预设算法模型；

响应于对预设算法模型进行测试的结果符合测试通过条件，将所述预设算法模型传输至所述特征提供端；

获取所述特征提供端所提供的接入所述预设算法模型的在线特征提取接口。

9.根据权利要求7所述的装置，其中，所述模型训练单元进一步被配置成：

基于所述关联数据集合训练所述第一模型；

基于所述第一模型的输出，确定所述训练样本的评分数据；

提取所述训练样本的本地提取特征；

基于所述训练样本的评分数据和所述训练样本的本地提取特征，训练所述第二模型；

响应于对所述第二模型进行测试的结果符合测试通过条件，将所述第一模型传输至所述特征提供端；

获取所述特征提供端所提供的接入所述第一模型的在线特征提取接口，所述在线特征提取接口用于接收输入样本ID并输出对应所述输入样本ID的采用ID编码的特征。

10.根据权利要求7-9任意一项所述的装置，其中，所述预设算法模型包括以下任意一项：逻辑回归模型、决策树模型、极限梯度提升模型和神经网络模型。

11.一种样本标签预测装置，包括：

预测样本获取单元，被配置成获取预测样本；

编码特征确定单元，被配置成基于所述预测样本，确定对应所述预测样本的采用ID编码的特征；

编码特征输入单元，被配置成将所述对应所述预测样本的采用ID编码的特征输入如权利要求7-8任意一项所述的基于数据共享建立机器学习模型的装置训练得到的预设算法模型，得到所述预设算法模型的对所述预测样本的评分数据。

12.一种样本标签预测装置，包括：

预测样本获取单元，被配置成获取预测样本；

在线特征获取单元，被配置成将所述预测样本输入在线特征提取接口，得到对应所述预测样本的采用ID编码的特征；

编码特征输入单元，被配置成将所述对应所述预测样本的采用ID编码的特征基于关联数据集合训练得到的第一模型，得到所述第一模型对所述预测样本的评分数据；所述关联数据集合基于以下步骤得到：获取与训练样本ID相对应的以下数据：训练样本、样本标签以及特征提供端提供的采用ID编码的特征文件；所述特征文件为非明文文件；通过特征提供端技术人员将采用ID编码的特征文件拷贝至网络隔离区域，在所述网络隔离区域中关联所述样本标签与所述采用ID编码的特征文件中的特征，得到所述关联数据集合；

本体特征提取单元，被配置成提取所述预测样本的本地提取特征；

评分数据确定单元，被配置成将所述第一模型对所述预测样本的评分数据和所述预测样本的本地提取特征输入基于所述第一模型的输出和所述训练样本训练得到的第二模型，得到所述第二模型对所述预测样本的评分数据。

13.一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images