CN111340558A - 基于联邦学习的线上信息处理方法、装置、设备及介质 - Google Patents
基于联邦学习的线上信息处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111340558A CN111340558A CN202010135042.1A CN202010135042A CN111340558A CN 111340558 A CN111340558 A CN 111340558A CN 202010135042 A CN202010135042 A CN 202010135042A CN 111340558 A CN111340558 A CN 111340558A
- Authority
- CN
- China
- Prior art keywords
- preset
- data
- conversion
- flow
- model
- 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.)
- Granted
Links
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于联邦学习的线上信息处理方法、装置、设备和介质,所述基于联邦学习的线上信息处理方法包括:在接收到资源请求时,提取所述资源请求中的资源特征数据;将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。本申请解决现有技术中用户特征数据无法回传,使得定位潜在目标人群的定位准确性变差,资源推广成功率变差的技术问题。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域,尤其涉及一种基于联邦学习的线上信息处理方法、装置、设备及介质。
背景技术
DSP(DemandSide Platform,需求方平台)是为资源主提供跨媒介,跨平台,跨终端的资源分析的平台,由于该平台通过数据整合、分析后,解决资源主需求,因此称为“需求方平台”。
DSP可以对接众多平台资源,并实现将资源精准定位潜在目标人群。而随着隐私保护法例的推广,数据流动性变差,尤其是用户前端表现,用户后端表现等敏感用户特征数据无法回传,使得定位潜在目标人群的定位准确性变差,资源推广效率变差。
发明内容
本申请的主要目的在于提供一种基于联邦学习的线上信息处理方法、装置、设备和介质,旨在解决现有技术中用户特征数据无法回传,使得定位潜在目标人群的定位准确性变差,资源推广成功率变差的技术问题。
为实现上述目的,本申请提供一种基于联邦学习的线上信息处理方法,所述基于联邦学习的线上信息处理方法包括:
在接收到资源请求时,提取所述资源请求中的资源特征数据;
将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;
根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。
可选地,所述预设转化评估模型包括预设后端转化评估模型,所述预设待训练预测模型包括第一预设待训练预测子模型,所述预设联邦流程包括第一预设联邦子流程;
所述将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的步骤包括:
将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率,其中,所述预设后端转化评估模型是基于所述预设流量转化数据中的预设流量后端转化数据通过执行第一预设联邦子流程,对所述第一预设待训练预测子模型进行迭代训练得到的。
可选地,所述将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率的步骤之前,所述方法还包括:
将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数,其中,所述预设流量后端转化数据至少包括用户的标识号以及表示用户付费与否的后端转化特征标签;
基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型。
可选地,所述基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型的步骤包括:
基于所述多个预测参数,求取均值,得到均值参数;
根据所述均值参数对所述第一预设待训练预测模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测模型满足预设训练完成条件,获得所述预设后端转化评估模型。
可选地,所述将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数的步骤之前,所述方法还包括:
获取所述资源特征数据中的初始特征导向,根据所述初始特征导向对预设流量转化数据进行初始筛选,得到剩余流量数据;
从所述剩余流量数据中提取所述预设流量后端转化数据。
可选地,所述预设转化评估模型包括预设点击转化评估模型与预设前端转化评估模型,所述预设待训练预测模型包括第二预设待训练预测子模型与第三预设待训练预测子模型;
所述根据所述初始特征数据对所述预设流量数据进行初始筛选,得到剩余流量数据步骤之后包括:
从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率;
从所述剩余流量数据中提取预设流量前端转化数据,根据所述预设流量前端转化数据对第三预设待训练预测子模型进行迭代训练,得到预设前端转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设前端转化评估模型中,得到预测前端转化率;
其中,所述根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据步骤包括:
根据所述预测点击转化率,所述预测前端转化率以及所述预测后端转化率,确定所述资源请求的实时竞价数据。
可选地,所述将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率的步骤包括:
将所述资源特征数据以及预设本地用户流量数据输入至预设评估模型中;
根据所述资源特征数据,从所述预设评估模型中选取所述预设转化评估模型,得到所述资源请求的预测转化率。
本申请还提供一种基于联邦学习的线上信息处理装置,所述基于联邦学习的线上信息处理装置包括:
接收模块,用于在接收到资源请求时,提取所述资源请求中的资源特征数据;
第一获取模块,用于将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;
竞价模块,用于根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。可选地,所述预设转化评估模型包括预设后端转化评估模型,所述预设待训练预测模型包括第一预设待训练预测子模型,所述预设联邦流程包括第一预设联邦子流程;
所述第一获取模块包括:
获取单元,用于将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率,其中,所述预设后端转化评估模型是基于所述预设流量转化数据中的预设流量后端转化数据通过执行第一预设联邦子流程,对所述第一预设待训练预测子模型进行迭代训练得到的。
可选地,所述基于联邦学习的线上信息处理装置包括:
发送模块,用于将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数,其中,所述预设流量后端转化数据至少包括用户的标识号以及表示用户付费与否的后端转化特征标签;
训练模块,用于基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型。
可选地,所述获取单元包括:
基于所述多个预测参数,求取均值,得到均值参数;
训练子单元,用于根据所述均值参数对所述第一预设待训练预测模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测模型满足预设训练完成条件,获得所述预设后端转化评估模型。
可选地,所述基于联邦学习的线上信息处理装置包括:
第二获取模块,用于获取所述资源特征数据中的初始特征导向,根据所述初始特征导向对预设流量转化数据进行初始筛选,得到剩余流量数据;
提取模块,用于从所述剩余流量数据中提取所述预设流量后端转化数据。
可选地,所述预设转化评估模型包括预设点击转化评估模型与预设前端转化评估模型,所述预设待训练预测模型包括第二预设待训练预测子模型与第三预设待训练预测子模型;
所述基于联邦学习的线上信息处理装置包括:
第三获取模块,用于从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率;
第四获取模块,用于从所述剩余流量数据中提取预设流量前端转化数据,根据所述预设流量前端转化数据对第三预设待训练预测子模型进行迭代训练,得到预设前端转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设前端转化评估模型中,得到预测前端转化率;
其中,所述竞价包括:
竞价单元,用于根据所述预测点击转化率,所述预测前端转化率以及所述预测后端转化率,确定所述资源请求的实时竞价数据。
可选地,所述提取模块包括:
输入模块,用于将所述资源特征数据以及预设本地用户流量数据输入至预设评估模型中;
选取模块,用于根据所述资源特征数据,从所述预设评估模型中选取所述预设转化评估模型,得到所述资源请求的预测转化率。
本申请还提供一种基于联邦学习的线上信息处理设备,所述基于联邦学习的线上信息处理设备为实体设备,所述基于联邦学习的线上信息处理设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于联邦学习的线上信息处理方法的程序,所述基于联邦学习的线上信息处理方法的程序被处理器执行时可实现如上述的基于联邦学习的线上信息处理方法的步骤。
本申请还提供一种介质,所述介质上存储有实现上述基于联邦学习的线上信息处理方法的程序,所述基于联邦学习的线上信息处理方法的程序被处理器执行时实现如上述的基于联邦学习的线上信息处理方法的步骤。
本申请通过在接收到资源请求时,提取所述资源请求中的资源特征数据;将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。在本申请中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的,也即,通过执行预设联邦流程,综合各方数据进行预测转化率的预测,进而实现精准定位潜在目标人群,此外,通过精准定位潜在目标人群,可以提升资源推广效果,且能够提升资源推广平台的资源推广成功率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请基于联邦学习的线上信息处理方法第一实施例的流程示意图;
图2为本申请基于联邦学习的线上信息处理方法第二实施例的流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种基于联邦学习的线上信息处理方法,在本申请基于联邦学习的线上信息处理方法的第一实施例中,参照图1,所述基于联邦学习的线上信息处理方法包括:
步骤S10,在接收到资源请求时,提取所述资源请求中的资源特征数据;
步骤S20,将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;
步骤S30,根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。
具体步骤如下:
步骤S10,在接收到资源请求时,提取所述资源请求中的资源特征数据;
在本实施例中,需要说明的是,所述基于联邦学习的线上信息处理方法应用于需求方平台或者基于联邦学习的线上信息处理系统,该需求方平台或者基于联邦学习的线上信息处理系统从属于基于联邦学习的线上信息处理设备,需要说明的是,基于联邦学习的线上信息处理方法实质上是程序化资源采买方法,其中,资源可以为广告,商品等内容,目前,业界的程序化资源采买方式中至少包括实时竞价(Real Time Bidding、简称RTB)和实时接口(Real Time Analyzer,简称RTA)两种方式,其中,RTB与RTA都由资源交易平台AdX(AdExchange)发送潜在曝光流量给需求方平台DSP,其主要区别在于AdX是否智能地优化流量,RTB模式下,AdX不对流量进行任何选择,RTA模式下,资源交易平台AdX对流量进行选择,但是RTA模式下对流量进行选择只是涉及点击转化等选择,以便进行资源竞价,而未进行后端或者是整个资源全链路的转化选择,即为了为资源方或者资源需求方创造真正价值,DSP依赖于用户在资源主侧的前端表现如加入购物车,后端表现如付费等,对于许多行业,用户后端表现,前端表现等是极其敏感的商业信息,无法回传,使得资源全链路的效果无法有效优化。
在本实施例中,需要说明的是,资源交易平台AdX会汇集备选参与方平台的潜在曝光流量或者用户流量数据(保密状态下的),并将用户流量数据发送给需求方平台,需求方平台在得到用户流量数据后,会以各个备选参与方平台为单位保存在本地,以进行转化率的预测,进而确定竞价数据,例如,腾讯在汇集微信,微众银行以及小红书等应用的用户流量数据后,会统一将用户流量数据(对于需求方平台而言,这部分用户流量数据为预设本地用户流量数据)以各个备选参与方平台为单位发送给需求方平台,需求方平台会基于资源交易平台AdX的请求,给各个资源商如广告商发送消息,表明当前存在资源如广告的机会或者窗口,而各个资源商在接收到存在资源机会或者窗口的消息后,会向需求方平台发送承接该机会或者窗口的消息,该需求方平台接收该承接的消息后,会确定该资源的转化率,基于该资源的转化率确定竞价价格即确定实时竞价数据,并发送给资源商,以供所述资源商或者是资源方确定是否接收该资源投放。
在本实施例中,在接收到资源请求时,提取所述资源请求中的资源特征数据,其中,资源特征数据包括资源内容的唯一设备号以及资源特征标签,资源内容的唯一设备号,通俗的讲,就是资源内容的身份证,这是出厂时就分配好的,在全世界中是唯一的。通常情况下,资源特征标签指的是该资源的属性如电影,文艺等。
在本实施例中,需要说明的是,在接收到资源请求时,提取所述资源请求中的资源特征数据步骤之前,是需求方平台向各个资源商或者资源方发送了存在资源竞价机会或者窗口的。
步骤S20,将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;
在本实施例中,在得到资源特征数据后,将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的,也即,由于预设转化评估模型是已经训练好的,能够准确进行转化率预测的模型,因而,将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中后,可以准确得到所述资源请求的预测转化率,另外,由于所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的,也即,通过该预设联邦流程,特别地,通过预设纵向联邦流程,参考了全面的数据,因而,能够准确进行转化率预测,该所述资源请求的预测转化率具体可以指的是在资源发布后,基于该资源,预测的用户购买资源中的内容的比率。
所述将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率的步骤包括:
步骤S21,将所述资源特征数据以及预设本地用户流量数据输入至预设评估模型中;
步骤S22,根据所述资源特征数据,从所述预设评估模型中选取所述预设转化评估模型,得到所述资源请求的预测转化率。
在本实施例中,需要说明的是,存在各个资源方,对应资源方对应不同的资源内容,为了准确进行竞价,针对每个资源方,或者是每个资源,都会预存有针对性的能够准确得到预测转化率的模型,该各个预测转化率的模型都存储在预设评估模型中,因而,在得到所述资源特征数据后,根据该资源特征数据针对性地选取对应的预设转化评估模型,也即,选取该资源请求对应的预设转化评估模型,进而,得到预设本地用户流量数据中购买该资源请求对应的数据内容的概率。在本实施例中,设置预设评估模型,便于对全部的资源进行预测转化率的确定,提升了资源竞价的便捷性,进而,提升了用户体验。
所述预设转化评估模型包括预设后端转化评估模型,所述预设待训练预测模型包括第一预设待训练预测子模型,所述预设联邦流程包括第一预设联邦子流程;
所述将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的步骤包括:
步骤S23,将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率,其中,所述预设后端转化评估模型是基于所述预设流量转化数据中的预设流量后端转化数据通过执行第一预设联邦子流程,对所述第一预设待训练预测子模型进行迭代训练得到的。
在本实施例中,需要说明的是,线上资源的主要流程为将资源曝光给用户,而后用户发生可能的点击,然后前端转化,而后后端转化,最后产生后续表现,以电商场景为例子,资源在平台曝光后,用户点击曝光的资源,前端转化为加入购物车,后端转化为付费,而后续表现为复购行为,显然,后端转化和后续表现为资源主创造了收入,也是需求方平台优化的目标。
显然,若需求方平台无法获取敏感的后端数据,则无法实现资源价值的优化,在本实施例中,将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率,其中,所述预设后端转化评估模型是基于所述预设流量转化数据中的预设流量后端转化数据通过执行第一预设联邦子流程,对所述第一预设待训练预测子模型进行迭代训练得到的,也即,在本实施例中,存在专门的后端转化预估模型,以准确得到后端转化率,在得到后端转化率后,基于后端转化率,可以为准确进行竞价的确定奠定基础,由于在本实施例中只是通过后端转化率进行竞价,因而,在确保准确进行竞价的同时(由于获取了竞价的关键性因素),提升定价的效率,另外,需要说明的是,在本实施例中,由于得到所述预设后端转化评估模型过程中,执行了第一预设联邦子流程,特别地,通过第一预设纵向联邦子流程,参考了全面的数据,因而,能够准确进行转化率预测,避免因数据不全面造成的模型不准确的消极影响,以实现精准定位潜在目标人群,此外,通过精准定位潜在目标人群,可以提升资源推广效果,且能够提升资源推广平台的资源推广成功率。
所述将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率的步骤之前包括:
步骤A1,将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数,其中,所述预设流量后端转化数据至少包括用户的标识号以及表示用户付费与否的后端转化特征标签;
在本实施例中,具体阐述如何准确通过联邦流程得到预设后端转化评估模型的,具体地,该需求方平台分开存储各个预设备选参与方平台的流量数据,在本实施例中,在得到预设流量转化数据(包括训练数据与测试数据)后,将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数,特别地,该多个预设参数是通过加密方式发送给需求方平台的。
步骤A2,基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型。
基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型,预设训练完成条件可以是迭代达到预设次数,或者是预设损失函数收敛,获得所述预设后端转化评估模型。
步骤S30,根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。
在本实施例中,在得到预测点击转化率后,确定所述资源请求的实时竞价数据。具体地,在得到预测点击转化率后,基于预测点击转化率与价格区间的映射关系,确定所述资源请求的对应的潜在目标人群和/或实时竞价数据,例如,若点击转化率为百分之五十,确定对应潜在目标人群为A类型用户,实时竞价数据为竞价价格为M,若点击转化率为百分之七十五,确定对应潜在目标人群为B类型人,实时竞价数据为竞价价格为N,其中,N大于M。在本实施例中,用户特征数据可以通过联邦流程间接回传,实现精准定位潜在目标人群,此外,通过精准定位潜在目标人群,可以提升资源推广效果,且能够提升资源推广平台的资源推广成功率。
本申请通过在接收到资源请求时,提取所述资源请求中的资源特征数据;将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。在本申请中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的,也即,通过执行预设联邦流程,综合各方数据进行预测转化率的预测,进而实现精准定位潜在目标人群,此外,通过精准定位潜在目标人群,可以提升资源推广效果,且能够提升资源推广平台的资源推广成功率。
进一步地,参照图2,基于本申请中上述第一实施例,提供本申请的另一实施例中,在该实施例中,所述基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型的步骤包括:
步骤B1,以每个所述备选参与方平台为单位,对所述多个预测参数分别进行加密处理,以分别得到多个加密的预测参数;
在本实施例中,需要说明的是,预测参数包括梯度等各个参数,其中,梯度的实质为模型中预设函数对各个变量求取偏导获取,且梯度的负方向为预设函数的当前值逼近极小值的指向方向,也即,梯度的负方向为预设函数值下降最快的方向,针对每个备选参与方平台而言,分别将该备选参与方平台中的预测参数(可以为多个)进行加密,得到加密的预测参数,由于存在多个备选参与方平台,因而得到多个加密的预测参数(针对一个备选参与方平台而言,也可以存在多个加密的预测参数)。
步骤B2,基于所述多个加密的预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型。
基于所述多个加密的预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型,具体地,根据加密的多个预测参数对模型参数进行更新训练,因而,确保获得所述预设后端转化评估模型过程中数据的安全性与保密性。
需要说明的是,第一预设联邦子流程是基于联邦学习的流程,联邦学习提供了多种建模方法使得双方数据不泄露,具体地,例如基于同态加密的逻辑回归,决策树,神经网络,分解机等联邦学习,由于在完全加密的空间下进行通信,同时,通信内容不仅包括所需的梯度,因此,在安全的状态下联邦学习获得模型参数θ。
本实施例通过获取所述资源特征数据中的初始特征导向,根据所述初始特征导向对预设流量转化数据进行初始筛选,得到剩余流量数据;从所述剩余流量数据中提取所述预设流量后端转化数据,在本实施例中,准确基于第一预设联邦子流程准确得到预设后端转化评估模型,提升模型测试的准确率。
进一步地,基于本申请上述实施例,所述基于联邦学习的线上信息处理方法包括:
所述将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数的步骤之前包括:
步骤C1,获取所述资源特征数据中的初始特征导向,根据所述初始特征导向对预设流量转化数据进行初始筛选,得到剩余流量数据;
在本实施例中,还获取所述资源特征数据中的初始特征导向,根据所述初始特征导向对预设流量转化数据进行初始筛选,得到剩余流量数据,具体地,对地址等的筛选,得到剩余流量数据,例如,某资源主仅针对广东地区投放资源,那么非广东地区的流量就会被过滤模块排除,得到剩余流量数据。
步骤C2,从所述剩余流量数据中提取所述预设流量后端转化数据。
在本实施例中,剩余流量数据中还包括预设流量点击转化数据,预设流量前端转化数据,预设流量后端转化数据等,从所述剩余流量数据中提取所述预设流量后端转化数据,以进行对应模型的训练。
所述预设转化评估模型包括预设点击转化评估模型与预设前端转化评估模型,所述预设待训练预测模型包括第二预设待训练预测子模型与第三预设待训练预测子模型;
所述根据所述初始特征数据对所述预设流量数据进行初始筛选,得到剩余流量数据步骤之后包括:
从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率;
预测转化率还包括预测点击转化率以及预测前端转化率,通过预测点击转化率以及预测前端转化率,可以全面确定资源的预测转化率,需要说明的是,P(预测转化率)=P(点击|曝光)×P(前端转化|点击)×P(后端转化|前端转化)。在本实施例中,从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率,其中,根据所述预设流量点击转化数据基于预设第二联邦子流程对第二预设待训练预测子模型进行迭代训练。
从所述剩余流量数据中提取预设流量前端转化数据,根据所述预设流量前端转化数据对第三预设待训练预测子模型进行迭代训练,得到预设前端转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设前端转化评估模型中,得到预测前端转化率;
在本实施例中,从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率,其中,根据所述预设流量前端转化数据基于预设第三联邦子流程对第三预设待训练预测子模型进行迭代训练。
其中,所述根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据步骤包括:
根据所述预测点击转化率,所述预测前端转化率以及所述预测后端转化率,确定所述资源请求的实时竞价数据。
在本实施例中,根据所述预测点击转化率,所述预测前端转化率以及所述预测后端转化率,全面对确定所述资源请求的实时竞价数据。
本实施例通过从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率;从所述剩余流量数据中提取预设流量前端转化数据,根据所述预设流量前端转化数据对第三预设待训练预测子模型进行迭代训练,得到预设前端转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设前端转化评估模型中,得到预测前端转化率;其中,所述根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据步骤包括:根据所述预测点击转化率,所述预测前端转化率以及所述预测后端转化率,确定所述资源请求的实时竞价数据。在本实施例中,实现全面预测转化率。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该基于联邦学习的线上信息处理设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该基于联邦学习的线上信息处理设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的基于联邦学习的线上信息处理设备结构并不构成对基于联邦学习的线上信息处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于联邦学习的线上信息处理程序。操作系统是管理和控制基于联邦学习的线上信息处理设备硬件和软件资源的程序,支持基于联邦学习的线上信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于联邦学习的线上信息处理系统中其它硬件和软件之间通信。
在图3所示的基于联邦学习的线上信息处理设备中,处理器1001用于执行存储器1005中存储的基于联邦学习的线上信息处理程序,实现上述任一项所述的基于联邦学习的线上信息处理方法的步骤。
本申请基于联邦学习的线上信息处理设备具体实施方式与上述基于联邦学习的线上信息处理方法各实施例基本相同,在此不再赘述。
本申请还提供一种基于联邦学习的线上信息处理装置,所述基于联邦学习的线上信息处理装置包括:
接收模块,用于在接收到资源请求时,提取所述资源请求中的资源特征数据;
第一获取模块,用于将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;
竞价模块,用于根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。可选地,所述预设转化评估模型包括预设后端转化评估模型,所述预设待训练预测模型包括第一预设待训练预测子模型,所述预设联邦流程包括第一预设联邦子流程;
所述第一获取模块包括:
获取单元,用于将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率,其中,所述预设后端转化评估模型是基于所述预设流量转化数据中的预设流量后端转化数据通过执行第一预设联邦子流程,对所述第一预设待训练预测子模型进行迭代训练得到的。
可选地,所述基于联邦学习的线上信息处理装置包括:
发送模块,用于将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数,其中,所述预设流量后端转化数据至少包括用户的标识号以及表示用户付费与否的后端转化特征标签;
训练模块,用于基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型。
可选地,所述获取单元包括:
基于所述多个预测参数,求取均值,得到均值参数;
训练子单元,用于根据所述均值参数对所述第一预设待训练预测模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测模型满足预设训练完成条件,获得所述预设后端转化评估模型。
可选地,所述基于联邦学习的线上信息处理装置包括:
第二获取模块,用于获取所述资源特征数据中的初始特征导向,根据所述初始特征导向对预设流量转化数据进行初始筛选,得到剩余流量数据;
提取模块,用于从所述剩余流量数据中提取所述预设流量后端转化数据。
可选地,所述预设转化评估模型包括预设点击转化评估模型与预设前端转化评估模型,所述预设待训练预测模型包括第二预设待训练预测子模型与第三预设待训练预测子模型;
所述基于联邦学习的线上信息处理装置包括:
第三获取模块,用于从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率;
第四获取模块,用于从所述剩余流量数据中提取预设流量前端转化数据,根据所述预设流量前端转化数据对第三预设待训练预测子模型进行迭代训练,得到预设前端转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设前端转化评估模型中,得到预测前端转化率;
其中,所述竞价包括:
竞价单元,用于根据所述预测点击转化率,所述预测前端转化率以及所述预测后端转化率,确定所述资源请求的实时竞价数据。
可选地,所述提取模块包括:
输入模块,用于将所述资源特征数据以及预设本地用户流量数据输入至预设评估模型中;
选取模块,用于根据所述资源特征数据,从所述预设评估模型中选取所述预设转化评估模型,得到所述资源请求的预测转化率。
本申请基于联邦学习的线上信息处理装置的具体实施方式与上述基于联邦学习的线上信息处理方法各实施例基本相同,在此不再赘述。
为实现上述目的,本申请还提供一种基于联邦学习的线上信息处理装置,所述基于联邦学习的线上信息处理装置应用于第二设备或者对应基于联邦学习的线上信息处理设备,所述基于联邦学习的线上信息处理装置包括:
发送模块,用于生成预设纵向联邦流程对应的密钥,并将所述密钥分别发送至与所述第二设备关联的多个第一设备,以供各所述第一设备基于所述密钥对各自的初始用户特征表示变量进行加密;
接收模块,用于接收各所述第一设备加密发送的初始用户特征表示变量,并对各所述初始用户特征表示变量进行聚合处理,获得聚合用户特征表示变量;
反馈模块,用于将所述聚合用户特征表示变量反馈至各所述第一设备,以供各所述第一设备对各自的第一预设待训练预测模型进行迭代训练。
本申请基于联邦学习的线上信息处理装置的具体实施方式与上述基于联邦学习的线上信息处理方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种介质,且所述介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的基于联邦学习的线上信息处理方法的步骤。
本申请介质具体实施方式与上述基于联邦学习的线上信息处理方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种基于联邦学习的线上信息处理方法,其特征在于,所述基于联邦学习的线上信息处理方法包括:
在接收到资源请求时,提取所述资源请求中的资源特征数据;
将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;
根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。
2.如权利要求1所述基于联邦学习的线上信息处理方法,其特征在于,所述预设转化评估模型包括预设后端转化评估模型,所述预设待训练预测模型包括第一预设待训练预测子模型,所述预设联邦流程包括第一预设联邦子流程;
所述将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的步骤包括:
将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率,其中,所述预设后端转化评估模型是基于所述预设流量转化数据中的预设流量后端转化数据通过执行第一预设联邦子流程,对所述第一预设待训练预测子模型进行迭代训练得到的。
3.如权利要求2所述基于联邦学习的线上信息处理方法,其特征在于,所述将所述资源特征数据以及预设本地用户流量数据输入至所述预设后端转化评估模型中,得到所述资源请求的预测后端转化率的步骤之前包括:
将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数,其中,所述预设流量后端转化数据至少包括用户的标识号以及表示用户付费与否的后端转化特征标签;
基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型。
4.如权利要求3所述基于联邦学习的线上信息处理方法,其特征在于,
所述基于所述多个预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型的步骤包括:
以每个所述备选参与方平台为单位,对所述多个预测参数分别进行加密处理,以分别得到多个加密的预测参数;
基于所述多个加密的预测参数对所述第一预设待训练预测子模型中的模型参数进行基于所述第一预设联邦子流程的迭代训练,直至所述第一预设待训练预测子模型满足预设训练完成条件,获得所述预设后端转化评估模型。
5.如权利要求3所述基于联邦学习的线上信息处理方法,其特征在于,所述将所述预设流量转化数据中的预设流量后端转化数据迭代发送给预设备选参与方平台,以供所述备选参与方平台基于所述预设流量后端转化数据迭代反馈多个预测参数的步骤之前,所述方法还包括:
获取所述资源特征数据中的初始特征导向,根据所述初始特征导向对预设流量转化数据进行初始筛选,得到剩余流量数据;
从所述剩余流量数据中提取所述预设流量后端转化数据。
6.如权利要求5所述基于联邦学习的线上信息处理方法,其特征在于,所述预设转化评估模型包括预设点击转化评估模型与预设前端转化评估模型,所述预设待训练预测模型包括第二预设待训练预测子模型与第三预设待训练预测子模型;
所述根据所述初始特征数据对所述预设流量数据进行初始筛选,得到剩余流量数据步骤之后,所述方法还包括:
从所述剩余流量数据中提取预设流量点击转化数据,根据所述预设流量点击转化数据对第二预设待训练预测子模型进行迭代训练,得到预设点击转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设点击转化评估模型中,得到预测点击转化率;
从所述剩余流量数据中提取预设流量前端转化数据,根据所述预设流量前端转化数据对第三预设待训练预测子模型进行迭代训练,得到预设前端转化评估模型,将所述资源特征数据以及预设本地用户流量数据输入至所述预设前端转化评估模型中,得到预测前端转化率;
其中,所述根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据和/或实时竞价数据步骤包括:
根据所述预测点击转化率,所述预测前端转化率以及所述预测后端转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。
7.如权利要求1-6任一项所述基于联邦学习的线上信息处理方法,其特征在于:
所述将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率的步骤包括:
将所述资源特征数据以及预设本地用户流量数据输入至预设评估模型中;
根据所述资源特征数据,从所述预设评估模型中选取所述预设转化评估模型,得到所述资源请求的预测转化率。
8.一种基于联邦学习的线上信息处理装置,其特征在于,所述基于联邦学习的线上信息处理装置包括:
提取模块,用于在接收到资源请求时,提取所述资源请求中的资源特征数据;
第一获取模块,用于将所述资源特征数据以及预设本地用户流量数据输入至预设转化评估模型中,得到所述资源请求的预测转化率,其中,所述预设转化评估模型是基于预设流量转化数据通过执行预设联邦流程,对预设待训练预测模型进行迭代训练得到的;
竞价模块,用于根据所述预测转化率,确定所述资源请求对应的潜在目标人群和/或实时竞价数据。
9.一种基于联邦学习的线上信息处理设备,其特征在于,所述基于联邦学习的线上信息处理设备包括:存储器、处理器以及存储在存储器上的用于实现所述基于联邦学习的线上信息处理方法的程序,
所述存储器用于存储实现基于联邦学习的线上信息处理方法的程序;
所述处理器用于执行实现所述基于联邦学习的线上信息处理方法的程序,以实现如权利要求1至7中任一项所述基于联邦学习的线上信息处理方法的步骤。
10.一种介质,其特征在于,所述介质上存储有实现基于联邦学习的线上信息处理方法的程序,所述实现基于联邦学习的线上信息处理方法的程序被处理器执行以实现如权利要求1至7中任一项所述基于联邦学习的线上信息处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135042.1A CN111340558B (zh) | 2020-02-28 | 2020-02-28 | 基于联邦学习的线上信息处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135042.1A CN111340558B (zh) | 2020-02-28 | 2020-02-28 | 基于联邦学习的线上信息处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340558A true CN111340558A (zh) | 2020-06-26 |
CN111340558B CN111340558B (zh) | 2021-07-27 |
Family
ID=71184099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135042.1A Active CN111340558B (zh) | 2020-02-28 | 2020-02-28 | 基于联邦学习的线上信息处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340558B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
CN111899076A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷(厦门)信息技术有限公司 | 一种基于联邦学习技术平台的航空服务定制化系统及方法 |
CN112163979A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于联邦学习的城市交通出行数据分析方法 |
CN112257081A (zh) * | 2020-09-30 | 2021-01-22 | 易联众信息技术股份有限公司 | 纵向联邦标准离差综合评分方法、系统、介质及设备 |
CN113112307A (zh) * | 2021-04-30 | 2021-07-13 | 欧冶云商股份有限公司 | 基于联邦学习的钢材价格预测方法、装置、设备及介质 |
CN113537518A (zh) * | 2021-07-19 | 2021-10-22 | 哈尔滨工业大学 | 基于联邦学习的模型训练方法及装置、设备、存储介质 |
WO2022001397A1 (zh) * | 2020-06-30 | 2022-01-06 | 深圳前海微众银行股份有限公司 | 交互资格等级确定方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679892A (zh) * | 2017-09-15 | 2018-02-09 | 晶赞广告(上海)有限公司 | 用于dsp的出价方法及装置、可读存储介质、终端 |
CN110363305A (zh) * | 2019-07-17 | 2019-10-22 | 深圳前海微众银行股份有限公司 | 联邦学习方法、系统、终端设备及存储介质 |
CN110807655A (zh) * | 2019-10-15 | 2020-02-18 | 微梦创科网络科技(中国)有限公司 | 一种广告竞价方法、装置及设备 |
-
2020
- 2020-02-28 CN CN202010135042.1A patent/CN111340558B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679892A (zh) * | 2017-09-15 | 2018-02-09 | 晶赞广告(上海)有限公司 | 用于dsp的出价方法及装置、可读存储介质、终端 |
CN110363305A (zh) * | 2019-07-17 | 2019-10-22 | 深圳前海微众银行股份有限公司 | 联邦学习方法、系统、终端设备及存储介质 |
CN110807655A (zh) * | 2019-10-15 | 2020-02-18 | 微梦创科网络科技(中国)有限公司 | 一种广告竞价方法、装置及设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022001397A1 (zh) * | 2020-06-30 | 2022-01-06 | 深圳前海微众银行股份有限公司 | 交互资格等级确定方法、装置、设备及存储介质 |
CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
CN111866869B (zh) * | 2020-07-07 | 2023-06-23 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
CN111899076A (zh) * | 2020-08-12 | 2020-11-06 | 科技谷(厦门)信息技术有限公司 | 一种基于联邦学习技术平台的航空服务定制化系统及方法 |
CN111899076B (zh) * | 2020-08-12 | 2023-12-22 | 科技谷(厦门)信息技术有限公司 | 一种基于联邦学习技术平台的航空服务定制化系统及方法 |
CN112257081A (zh) * | 2020-09-30 | 2021-01-22 | 易联众信息技术股份有限公司 | 纵向联邦标准离差综合评分方法、系统、介质及设备 |
CN112257081B (zh) * | 2020-09-30 | 2023-02-28 | 易联众信息技术股份有限公司 | 纵向联邦标准离差综合评分方法、系统、介质及设备 |
CN112163979A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于联邦学习的城市交通出行数据分析方法 |
CN113112307A (zh) * | 2021-04-30 | 2021-07-13 | 欧冶云商股份有限公司 | 基于联邦学习的钢材价格预测方法、装置、设备及介质 |
CN113537518A (zh) * | 2021-07-19 | 2021-10-22 | 哈尔滨工业大学 | 基于联邦学习的模型训练方法及装置、设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111340558B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340558B (zh) | 基于联邦学习的线上信息处理方法、装置、设备及介质 | |
CN109284313B (zh) | 基于半监督学习的联邦建模方法、设备及可读存储介质 | |
US10891161B2 (en) | Method and device for virtual resource allocation, modeling, and data prediction | |
CN111125512B (zh) | 业务推荐处理方法、装置及系统 | |
US10817813B2 (en) | Resource configuration and management system | |
US10387968B2 (en) | Method to determine account similarity in an online accounting system | |
US10726501B1 (en) | Method to use transaction, account, and company similarity clusters derived from the historic transaction data to match new transactions to accounts | |
CN107862425B (zh) | 风控数据采集方法、设备、系统及可读存储介质 | |
CN107590705A (zh) | 订单信息处理方法、装置及系统 | |
CN110489195B (zh) | 业务处理方法、装置、电子设备和计算机可读存储介质 | |
CN111539774A (zh) | 无形资产的价值评估方法、系统、终端设备及存储介质 | |
CN111815169A (zh) | 业务审批参数配置方法及装置 | |
CN107391277A (zh) | 信息处理方法和装置 | |
US20220198579A1 (en) | System and method for dimensionality reduction of vendor co-occurrence observations for improved transaction categorization | |
CN111553685B (zh) | 确定交易路由通道的方法、装置、电子设备和存储介质 | |
CN110363394B (zh) | 一种基于云平台的风控服务方法、装置和电子设备 | |
See et al. | JomWowNFC: Why NFC must be used for Merchant & Consumer? | |
CN110751455B (zh) | 一种联名业务处理方法及装置 | |
CN107993155A (zh) | 保单信息处理方法、装置、服务器和存储介质 | |
US20190220915A1 (en) | Systems and methods for providing user specific data | |
CN110717819A (zh) | 业务处理方法、系统、计算机设备及存储介质 | |
CN112215595B (zh) | 项目处理方法、系统以及装置 | |
CN116629639B (zh) | 评估信息确定方法、装置、介质与电子设备 | |
Stopka et al. | Business and billing models for mobile services using secure identities | |
CN112883259A (zh) | 信息推送方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |