CN111460511A - 基于隐私保护的联邦学习、虚拟对象分配方法和装置 - Google Patents
基于隐私保护的联邦学习、虚拟对象分配方法和装置 Download PDFInfo
- Publication number
- CN111460511A CN111460511A CN202010305716.8A CN202010305716A CN111460511A CN 111460511 A CN111460511 A CN 111460511A CN 202010305716 A CN202010305716 A CN 202010305716A CN 111460511 A CN111460511 A CN 111460511A
- Authority
- CN
- China
- Prior art keywords
- model
- local
- parameter
- equipment
- network application
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/085—Payment architectures involving remote charge determination or related payment systems
- G06Q20/0855—Payment architectures involving remote charge determination or related payment systems involving a third party
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种基于隐私保护的联邦学习、虚拟对象分配方法和装置，在联邦学习方法中，参与纵向联邦学习的第一设备（代表网络应用公司）和第二设备（代表第三方支付平台）分别基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至协调者；协调者对收到的本地模型参数数进行整合，得到全局模型参数并发送至第一设备和第二设备；第一设备和第二设备分别基于全局模型参数更新本地模型，并在不满足训练结束条件时再次进行训练；在满足件时，协调者基于最后一次更新的本地模型确定预测模型，预测模型用于预测目标用户向网络应用公司付款的意向参数，意向参数用于确定是否向目标用户分配虚拟对象。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于隐私保护的联邦学习、虚拟对象分配方法和装置。
背景技术
随着互联网及计算机技术的发展，能够为用户提供产品或服务的网络应用（Application，APP）越来越多，例如，能够为用户提供阅读服务的在线读书APP，可供用户听音乐的在线音乐APP，能够供用户休闲娱乐的游戏APP，以及可供用户购物的电商APP，等等。这些网络应用为用户提供的产品或服务往往是收费的（如用户需要充值或支付才能获取），且常常通过第三方支付平台来收款。对于这些网络应用来说，能够获得更高的成交总额（Gross Merchandise Volume，GMV），为更多的用户提供有偿产品或服务，是其始终追求的目标。对于第三方支付平台来说，能有更多的用户选择自己进行支付扩大自己的市场份额，也是其一直努力的方向。支付成功率是影响GMA的关键因素，因此提升支付成功率对这些网络应用来说很重要。同时，对第三方支付平台来说，帮助这些网络应用提升支付成功率也很重要，这不仅可以帮助网络应用公司提高收益，还可以让网络应用公司将自身作为首推的收款工具，扩大自己的市场份额，达到双赢的目的。
对于这类收费的网络应用而言，用户的犹豫程度往往较高，而支付意向参数往往较低，支付成功率也相对较低。为了提升用户使用第三方支付平台向这类网络应用付款的成功率，第三方支付应用和网络应用会根据预先训练好的虚拟对象分配模型，向用户发放一些有价值的虚拟对象，如优惠券、红包、话费、充值券以及虚拟能量等，以吸引用户进行支付。
但是，由于第三方支付平台和网络应用的预算有限，无法对所有用户都发放有价值的虚拟对象。因此，如何将有价值的虚拟对象分配给合适的用户显得尤为重要。
发明内容
本说明书实施例提供了一种基于隐私保护的基于隐私保护的联邦学习、虚拟对象分配方法和装置，以将虚拟对象分配给合适的用户。
为解决上述技术问题，本说明书实施例是这样实现的：
第一方面，提出了一种基于隐私保护的联邦学习方法，包括：
纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至协调者，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型；
所述协调者对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
所述参与者设备基于所述全局模型参数更新本地模型，并在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练；
在满足预设训练结束条件时，所述协调者基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第二方面，提出了一种基于隐私保护的联邦学习方法，应用于纵向联邦学习中的协调者，包括：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第三方面，提出了一种基于隐私保护的联邦学习方法，应用于第一设备，包括：
基于网络应用公司的本地用户样本对第一模型进行训练，得到第一模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对所述第一模型参数和第二模型参数进行整合得到全局模型参数，其中，所述第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第一模型；
在不满足预设训练结束条件时，再次基于网络应用公司的本地用户样本对更新后的第一模型进行训练；
在满足预设训练结束条件时，将最后一次更新的第一模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第四方面，提出了一种基于隐私保护的联邦学习方法，应用于第二设备，包括：
基于第三方支付平台的本地用户样本对第二模型进行训练，得到第二模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对第一模型参数和所述第二模型参数进行整合得到全局模型参数，其中，所述第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第二模型；
在不满足预设训练结束条件时，再次基于第三方支付平台的本地用户样本对更新后的第二模型进行训练；
在满足预设训练结束条件时，将最后一次更新的第二模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第五方面，提出了一种虚拟对象分配方法，包括：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于第一方面所述的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
第六方面，提出了一种基于隐私保护的联邦学习系统，包括：协调者和参与者设备，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，其中，
所述参与者设备，用于基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至所述协调者，其中，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型；
所述协调者，用于对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
所述参与者设备，还用于基于所述全局模型参数更新本地模型，并在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练；
所述协调者，还用于在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第七方面，提出了一种基于隐私保护的联邦学习装置，包括：
参数接收模块，用于接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
第一参数整合模块，用于对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
触发模块，用于在不满足预设训练结束条件时，触发所述参数接收模块再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
预测模型确定模块，用于在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第八方面，提出了一种基于隐私保护的联邦学习装置，包括：
第一训练模块，用于基于网络应用公司的本地用户样本对第一模型进行训练，得到第一模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对所述第一模型参数和第二模型参数进行整合得到全局模型参数，其中，所述第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
第一接收模块，用于接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第一模型；
第一触发模块，用于在不满足预设训练结束条件时，再次基于网络应用公司的本地用户样本对更新后的第一模型进行训练；
第一发送模块，用于在满足预设训练结束条件时，将最后一次更新的第一模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第九方面，提出了一种基于隐私保护的联邦学习装置，包括：
第二训练模块，用于基于第三方支付平台的本地用户样本对第二模型进行训练，得到第二模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对第一模型参数和所述第二模型参数进行整合得到全局模型参数，其中，所述第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
第二接收模块，用于接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第二模型；
第二触发模块，用于在不满足预设训练结束条件时，再次基于第三方支付平台的本地用户样本对更新后的第二模型进行训练；
第二发送模块，用于在满足预设训练结束条件时，将最后一次更新的第二模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第十方面，提出了一种虚拟对象分配装置，所述装置包括：
调用模块，用于当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于第一方面所述的联邦学习方法训练得到的预测模型；
第二参数整合模块，用于接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
确定模块，用于基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
第十一方面，提供了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第十二方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
第十三方面，提供了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于第一方面所述的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
第十四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于第一方面所述的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
由以上本说明书实施例提供的技术方案可见，本说明书实施例提供的方案至少具备如下一种技术效果：由于至少联合网络应用公司和第三方支付平台的本地用户样本训练得到预测模型，而不是仅基于某一方的本地用户样本训练得到预测模型，打破了网络应用公司和第三方支付平台这样的数据孤岛，因此，最终训练得到的预测模型能更准确地预测出用户向网络应用公司付款的意向参数，从而可以依据该意向参数将合适的虚拟对象分配给合适的用户。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本说明书实施例提供的一种基于隐私保护的联邦学习方法的流程示意图。
图2是本说明书实施例提供的一种基于隐私保护的联邦学习系统的架构示意图。
图3是本说明书实施例提供的一种基于隐私保护的联邦学习方法的流程示意图。
图4是本说明书实施例提供的一种基于隐私保护的联邦学习方法的流程示意图。
图5是本说明书实施例提供的一种基于隐私保护的联邦学习方法的流程示意图。
图6是本说明书实施例提供的一种基于隐私保护的联邦学习方法的流程示意图。
图7是本说明书实施例提供的一种虚拟对象分配方法的流程示意图。
图8是本说明书实施例提供的一种基于隐私保护的联邦学习系统的结构示意图。
图9是本说明书实施例提供的一种电子设备的结构示意图。
图10是本说明书实施例提供的一种基于隐私保护的联邦学习装置的结构示意图。
图11是本说明书实施例提供的一种基于隐私保护的联邦学习装置的结构示意图。
图12是本说明书实施例提供的一种基于隐私保护的联邦学习装置的结构示意图。
图13是本说明书实施例提供的一种虚拟对象分配装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了将有价值的虚拟对象分配给合适的用户，本说明书实施例提供一种基于隐私保护的联邦学习方法、装置和系统，以及一种虚拟对象分配方法和装置。本说明书实施例提供的方法及装置可以由电子设备执行，如服务端设备。换言之，所述方法可以由安装在服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
基于隐私保护的联邦学习（Federated Learning）是一种新兴的人工智能支撑技术，它的目标是在保证私有数据（如终端数据、个人隐私数据）安全的前提下，在多参与者或多计算节点之间开展高效率的机器学习。
本说明书实施例中述及的联邦学习（Horizontal Federated Learning）是指纵向联邦学习（Vertical Federated Learning），当然也不排除横向联邦学习的可能。纵向联邦学习，是指来自不同参与者（如参与者A和参与者B）的样本相互重叠较多，也就是说样本是可以对齐的，但来自不同参与者的样本中的特征重叠较少，不同参与者的联合可以使样本中的特征增多，但样本的数量可以保持不变。对应至本方案中，网络应用公司和第三方支付平台的用户样本是可以对齐的，但对于同一用户，网络应用公司采用的用户样本中的特征与第三方支付皮昂太采用的用户样本中的特征可能不同。
在本说明书实施例提供的基于隐私保护的联邦学习方法中，协调者可以由基于联邦机器学习技术的一个框架（Federated AI Technology Enabler，FATE）承担，其旨在提供安全的计算框架来支持联邦 AI 生态。参与者设备包括但不限于网络应用公司的设备（以下称为第一设备）和第三方支付平台的设备（以下称为第二设备）。上述网络应用是指可能通过上述第三方支付平台收费的任一网络应用，如线读书APP、在线音乐APP、游戏APP、电商APP、外卖APP和旅行APP，等等。
图1是本说明书的一个实施例提供的基于隐私保护的联邦学习方法的实现流程示意图，该方法可以应用于下图2所示的联邦学习系统中。如图1所示，该方法可以包括：
步骤102、纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至协调者。
如图2所示，协调者1可由FATE框架承担；参与者设备可包括但不限于第一设备21和第二设备22，如还可以包括其他参与者设备23，其中，第一设备21是网络应用公司的设备，第二设备22是第三方支付平台的设备，第一设备21中的本地模型为第一模型，第二设备22中的本地模型为第二模型。在纵向联邦学习中，第一模型和第二模型为不同的模型，但二者的输出的维度相同。更为具体的，在本说明书实施例中，第一模型最终可用于基于目标用户在网络应用公司中形成的特征，预测目标用户向该网络应用付款的意向参数（以下称为第一意向参数）；第二模型最终可用于基于目标用户在第三方支付平台中形成的特征，预测目标用户向该网络应用付款的意向参数（以下称为第二意向参数）。
在步骤102中，具体而言，第一设备可以基于网络应用公司的本地用户样本对第一模型进行训练，得到第一模型参数并发送至协调者；第二设备可以基于第三方支付平台的本地用户样本对第二模型进行训练，得到第二模型参数并发送至协调者。
步骤104、协调者对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备。
上述本地模型参数包括但不限于第一模型参数和第二模型参数，其中，第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型训练得到的，第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型训练得到的。
此外，如果本实施例所述的联邦学习为纵向联邦学习，则参与训练的网络应用公司的本地用户样本和第三方支付平台的本地用户样本是对齐的。也就是说，第一设备和第二设备进行本地训练时，采用的本地用户样本对应的用户ID是一致的，如果第一设备采用的本地用户样本为用户ID为1至用户ID为100的100个用户样本，那么，第二设备采用的本地用户样本也是用户ID为1至用户ID为100的100个用户样本，这100个用户样本是协调者基于样本对齐技术确定的，关于样本对齐将在下一个实施例中详细说明，此处暂不赘述。
进一步地，如果本实施例所述的联邦学习为纵向联邦学习，则作为一个例子，协调者可以直接将第一模型参数和第二模型参数拼接在一起（或者说相加）得到全局模型参数。一般而言，由于第一模型参数和第二模型参数是基于加密数据确定的，因此，第一模型参数和第二模型参数也属于加密数据，因此，可以先对第一模型参数和第二模型参数进行解密然后再相加得到全局模型参数。
反之，如果本实施例所述的联邦学习为横向联邦学习，则参与训练的网络应用公司的本地用户样本和第三方支付平台的本地用户样本的特征是对齐的，样本可以互不重叠。
进一步，如果本实施例所述的联邦学习为横向联邦学习，则作为一个例子，协调者可以将第一模型参数和第二模型参数进行加权求和得到全局模型参数。
如图2所示，协调者在整合得到全局模型参数之后可发送至参与者设备。
步骤106、参与者设备基于全局模型参数更新本地模型。
具体而言，第一设备基于接收到的全局模型参数更新第一模型，第二设备基于接收到的全局模型参数更新第二模型。
步骤108、判断是否满足预设训练结束条件，如若为是，执行步骤110；否则，针对更新后的本地模型返回执行步骤102，也就是说，在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练。
预设训练结束条件包括但不限于下述至少一种：训练次数达到预设次数和所述本地模型的损失函数收敛等。
步骤110、协调者基于最后一次更新的本地模型确定预测模型。
上述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向目标用户分配虚拟对象。意向参数是一种可以衡量目标用户向网络应用公司付款的意愿高低的参数，一般情况下，意向参数的值越大，说明目标用户向网络应用公司付款的意愿越高，反之越低，作为一个例子，意向参数的取值可以在0到1之间，包括0和1。
如果本实施例所述的联邦学习为纵向联邦学习，则作为一个例子，协调者可以直接将最后一次更新的第一模型和第二模型确定为预测模型。如果本实施例所述的联邦学习为横向联邦学习，则作为一个例子，协调者可以直接将最后一次整合得到的全局模型参数对应的全局模型确定为预测模型。
虚拟对象可以是对用来说有价值的权益，如优惠券、现金红包、话费、充值券以及虚拟能量等。
本说明书实施例提供的一种基于隐私保护的联邦学习方法，由于至少联合网络应用公司和第三方支付平台的本地用户样本训练得到预测模型，而不是仅基于某一方的本地用户样本训练得到预测模型，打破了网络应用公司和第三方支付平台这样的数据孤岛，因此，最终训练得到的预测模型能更准确地预测出用户向网络应用公司付款的意向参数，从而可以依据该意向参数将合适的虚拟对象分配给合适的用户。此外，由于是联合网络应用和第三方支付平台共同向用户分配虚拟对象，而不是二者各自分配，因此不会出现一个用户可能同时受到两份收益的情况，减少了有限的虚拟对象的浪费。再有，在联邦学习过程中，各参与者的本地用户样本不出域，因此可以达到保护隐私的目的。
可以理解，将合适的虚拟对象分配给合适的用户以后，可以帮助网络应用公司提升支付成功率，当第三方支付平台帮助网络应用公司提升支付成功率以后，网络应用公司更乐意将该第三方支付平台作为首推的收款工具，从而可以扩大第三方支付平台的市场份额，实现双赢。
下面结合图3，通过一个更详细的实施例，对本说明书提供的一种基于隐私保护的联邦学习方法进行说明。
如图3所示，本说明书实施例提供的一种基于隐私保护的联邦学习方法，可以包括如下步骤：
步骤112、协调者向参与者设备部署初始本地模型。
也即在联邦学习伊始，协调者可以先向参与者设备部署初始本地模型，同上一实施例一致，如图2所示，参与者设备包括但不限于第一设备和第二设备，其中，第一设备是网络应用公司的设备，第二设备是点三方支付平台的设备，协调者向第一设备中部署的初始本地模型为初始第一模型，向第二的设备中部署的初始本地模型为初始第二模型。
如上一实施例所述，在纵向联邦学习中，第一模型和第二模型为不同的模型，但二者的输出的维度相同。
步骤114、协调者基于预设加密样本对齐技术，对参与者设备之间的本地用户样本进行对齐。
具体而言，协调者可以基于预设加密样本对齐技术，对参与纵向联邦学习的网络应用公司的本地用户样本和第三方支付平台的本地用户样本进行对齐，如图2所示，第一设备21和第二设备22之间可通过预设加密样本对齐技术进行样本对齐。加密样本对齐技术，可以在各参与者（如网络应用公司和第三方支付平台）不公开各自数据的前提下确定他们之间的共同用户，并且不暴露不相互重叠的用户。
作为一个例子，协调者可采用预设对称加密算法（如RSA）生成第一秘钥对，并将其中的公钥分发给各参与者设备，以使各参与者设备对各自的用户ID名单或列表进行加密并发送至协调者，再由协调者采用第一秘钥对中私钥对各参与者设备发送的加密用户ID列表解密，通过比对确定出共有用户并告知各参与者设备。具体的，可通过如下步骤对参与纵向联邦学习的网络应用公司的本地用户样本和第三方支付平台的本地用户样本进行对齐：
1）协调者先基于预设对称加密算法生成第一秘钥对，并将第一秘钥对中的公钥发送至第一设备和第二设备。
2）协调者接收第一设备发送的第一加密用户ID列表和第二设备发送的第二加密用户ID列表，其中，第一加密用户ID列表是第一设备使用第一秘钥对中的公钥对网络应用公司的本地用户ID列表加密后得到的，第二加密用户ID列表是第二设备使用第一秘钥对中的公钥对所述第三方支付平台的本地用户ID列表加密后得到的。
3）协调者基于第一秘钥对中的私钥，对第一加密用户ID列表和第二加密用户ID列表分别进行解密，得到第一用户ID列表和第二用户ID列表。
4）协调者通过比对，确定第一用户ID列表和第二用户ID列表中相同的用户ID，得到第三用户ID列表。也即第三用户ID列表中的用户为网络应用公司和第三方支付平台的共同用户。
5）将第三用户ID列表分别发送至第一设备和第二设备，以使第一设备和第二设备分别基于第三用户ID列表中的用户ID对应的本地用户样本进行训练，从而达到用户样本对齐的目的。
举例来说，基于RSA算法生成第一秘钥对的过程可以包括：
1）随机找两个大质数P和Q，计算n = P * Q；
2）计算n的欧拉函数m = $(n)；
3）随机选择一个正整数e，使得1<e<m，且e与m互质d；
4）根据扩展欧几里得算法，求得d，使得e*d/m的余数为1；
5）公钥为(n,e)，私钥为(n,d)，其中，公钥用来加密，密文为明文的e次方除以n的余数，私钥用来解密，解密出的明文为密文的d次方除以n的余数。
步骤116、参与者设备清洗出预设时段内对齐的用户列表中的用户在本地形成的特征。
例如，第一设备代表网络应用公司清洗出预设时段内第三用户ID列表中的用户在网络应用中形成的特征和标签，以作为第一设备训练第一模型时采用的本地用户样本和标签；第二设备代表第三方支付平台清洗出预设时段内第三用户ID列表中的用户在第三方支付平台中形成的特征，以作为第二设备训练第二模型时采用的本地用户样本。上述预设时段可以预设历史时段，如过去一周、过去一个月、过去半年或过去一年等。此外，为了保证样本对齐，第一设备和第二设备清洗的特征对应的预设历史时段相同。
第一设备代表网络应用公司清洗出的用户特征可以包括支付行为特征（如当该网络应用为游戏APP时，可以是充值行为、角色行为等），标签包括支付是否成功；第二设备代表第三方支付平台清洗出的用户特征可以包括基础特征和支付特征，其中，基础特征包括但不限于性别、年龄、所在城市和职业等，支付特征包括但不限于支付频次、单次最大支付金额、单次最小支付金额、所支付的订单类型和支付成功率等。
步骤118、协调者向参与者设备发送第二秘钥对中的公钥。
第二秘钥对中的公钥用于各参与者设备加密需要交互的中间结果。
步骤120、参与者设备之间使用第二秘钥对中的公钥对本地训练过程中产生的中间结果进行加密并交互，其中，加密后的中间结果用于参与者设备确定本地模型参数。
当参与者设备包括上述第一设备和第二设备时，第一设备可以使用第二秘钥对中的公钥对本地训练过程中产生的中间结果进行加密，得到第一加密中间结果并发送至所述第二设备，第一加密中间结果可用于第二设备确定第二模型参数；第二设备可以使用第二秘钥对中的公钥对本地训练过程中产生的中间结果进行加密，得到第二加密中间结果并发送至第一设备，第二加密中间结果可用于第一设备确定第一模型参数。下面进行详细说明。
假设A代表第一设备（网络应用公司的设备），B代表第二设备（第三方支付平台的设备），联邦学习的目标函数为：
设：
,
使用第二秘钥对中的公钥加密后的目标函数为：
那么，第一设备A需要向第二设备B发送的中间结果是，使用第二秘钥对中的公钥加密的第一模型的预测值（第一加密中间结果）：
；第二设备B需要向第一设备A发送的中间结果是，使用第二秘钥对中的公钥加密的第二模型的预测值（第二加密中间结果）：
。
然后，第一设备A可以基于下式计算残差：
第二设备B可以基于下式计算残差：
残差计算出来以后，第一设备A和第二设备B可以分别通过下式计算各自的梯度：
在上文中，符号“
”表示加密，i表示第i个用户样本，
表示第i个用户样本的特征，
表示第i个用户样本的目标值，
是第一模型的预测值，
是第二模型的预测值，
是第一模型的权重，
是第二模型的权重，
表示正则表达式系数，
表示第i个用户样本的残差（也可看作是损失），
表示第一模型的梯度，
表示第二模型的梯度。
通过上述描述可知，第一加密中间结果为使用第二秘钥对中的公钥加密的第一模型在本次训练中针对用户样本的预测值
，第一加密中间结果可用于第二设备确定用户样本对应的残差，该残差用于第二设备确定第二模型参数，且第二模型参数为加密梯度
；第二加密中间结果为使用第二秘钥对中的公钥加密的第二模型在本次训练中针对用户样本的预测值
，第二加密中间结果用于第一设备确定用户样本对应的残差，该残差用于第一设备确定第一模型参数，且所述第一模型参数为加密梯度
。
步骤102、参与者设备基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至协调者。
根据针对步骤120的描述可知，发送至协调者的第一模型参数包括加密梯度
，第二模型参数包括加密梯度
，当然还可以包括加密后的残差等。
步骤104、协调者对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备。
由于参与者发送至协调者的本地模型参数是使用第二秘钥对中的公钥加密过的，那么，协调者可以先使用第二秘钥对中的私钥对第一模型参数进行解密，得到针对第一模型的第一解密参数；使用第二秘钥对中的私钥对第二模型参数进行解密，得到针对第二模型的第二解密参数；然后，将第一解密参数和第二解密参数组合得到全局模型参数。
步骤106、参与者设备基于全局模型参数更新本地模型。
具体而言，第一设备基于接收到的全局模型参数更新第一模型，第二设备基于接收到的全局模型参数更新第二模型。更为具体的，第一设备基于全局模型参数中的第一解密参数更新第一模型；第二设备基于全局模型参数中的第二解密参数更新第二模型。
步骤108、判断是否满足预设训练结束条件，如若为是，执行步骤110；否则，针对更新后的本地模型返回执行步骤102，也就是说，在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练。
预设训练结束条件包括但不限于下述至少一种：训练次数达到预设次数和所述本地模型的损失函数收敛等。
步骤110、协调者基于最后一次更新的本地模型确定预测模型。
上述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向目标用户分配虚拟对象。意向参数是一种可以衡量目标用户向网络应用公司付款的意愿高低的参数，一般情况下，意向参数的值越大，说明目标用户向网络应用公司付款的意愿越高，反之越低，作为一个例子，意向参数的取值可以在0到1之间，包括0和1。
如果本实施例所述的联邦学习为纵向联邦学习，则作为一个例子，协调者可以直接将最后一次更新的第一模型和第二模型确定为预测模型。如果本实施例所述的联邦学习为横向联邦学习，则作为一个例子，协调者可以直接将最后一次整合得到的全局模型参数对应的全局模型确定为预测模型。
同图1所述的实施例一致，本说明书实施例提供的一种基于隐私保护的联邦学习方法，由于至少联合网络应用公司和第三方支付平台的本地用户样本训练得到预测模型，而不是仅基于某一方的本地用户样本训练得到预测模型，打破了网络应用公司和第三方支付平台这样的数据孤岛，因此，最终训练得到的预测模型能更准确地预测出用户向网络应用公司付款的意向参数，从而可以依据该意向参数将合适的虚拟对象分配给合适的用户。此外，由于是联合网络应用和第三方支付平台共同向用户分配虚拟对象，而不是二者各自分配，因此不会出现一个用户可能同时受到两份收益的情况，减少了有限的虚拟对象的浪费。再有，在联邦学习过程中，各参与者的本地用户样本不出域，因此可以达到保护隐私的目的。
可以理解，将合适的虚拟对象分配给合适的用户以后，可以帮助网络应用公司提升支付成功率，当第三方支付平台帮助网络应用公司提升支付成功率以后，网络应用公司更乐意将该第三方支付平台作为首推的收款工具，从而可以扩大第三方支付平台的市场份额，实现双赢。
下面通过图4至图6，分别对应用于联邦学习中的协调者、第一设备和第二设备的基于隐私保护的联邦学习方法进行说明。
图4示出了可应用于上述协调者的一种基于隐私保护的联邦学习方法的流程示意图。如图4所示，该方法可以包括：
步骤402、接收参与者设备发送的本地模型参数。
其中，参与者设备包括第一设备和第二设备，第一设备是网络应用公司的设备，第二设备是第三方支付平台的设备，第一设备的本地模型为第一模型，第二设备的本地模型为第二模型。
步骤404、对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型。
其中，接收到的本地模型参数包括第一模型参数和第二模型参数，第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型训练得到的，第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型训练得到的，参与训练的网络应用公司的本地用户样本和第三方支付平台的本地用户样本是对齐的。
步骤406、判断是否满足预设训练结束条件；若为是，执行步骤410；否则，针对更新后的本地模型，返回执行步骤402，也即在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数，如此不断迭代，直到满足预设训练结束条件。
步骤410、基于最后一次更新的本地模型确定预测模型。
预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
图4提供的一种基于隐私保护的联邦学习方法，可以取得与图1和图3所示的方法相同的技术效果，请参见上文，此处不再赘述。
图5示出了可应用于上述第一设备的一种基于隐私保护的联邦学习方法的流程示意图。如图5所示，该方法可以包括：
步骤502、基于网络应用公司的本地用户样本对第一模型进行训练，得到第一模型参数并发送至纵向联邦学习中的协调者，以使协调者对第一模型参数和第二模型参数进行整合得到全局模型参数。
其中，第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型进行训练得到的，参与训练的网络应用公司的本地用户样本和第三方支付平台的本地用户样本是对齐的。
步骤504、接收协调者发送的全局模型参数，并基于全局模型参数更新第一模型；
步骤506、判断是否满足预设训练结束条件；若为是，执行步骤510；否则，针对更新后的本地模型，返回执行步骤502，也即在不满足预设训练结束条件时，再次基于网络应用公司的本地用户样本对更新后的第一模型进行训练，直到满足预设训练结束条件。
步骤510、将最后一次更新的第一模型发送至协调者，以使协调者将最后一次更新的第一模型和第二模型确定为预测模型。
预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
图5提供的一种基于隐私保护的联邦学习方法，可以取得与图1和图3所示的方法相同的技术效果，请参见上文，此处不再赘述。
图6示出了可应用于上述第二设备的一种基于隐私保护的联邦学习方法的流程示意图。如图6所示，该方法可以包括：
步骤602、基于第三方支付平台的本地用户样本对第二模型进行训练，得到第二模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对第一模型参数和所述第二模型参数进行整合得到全局模型参数。
其中，所述第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的。
步骤604、接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第二模型。
步骤606、判断是否满足预设训练结束条件；若为是，执行步骤610；否则，针对更新后的本地模型，返回执行步骤602，也即在不满足预设训练结束条件时，再次基于第三方支付平台的本地用户样本对更新后的第二模型进行训练，直到满足预设训练结束条件。
步骤610、将最后一次更新的第二模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型。
预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
图6提供的一种基于隐私保护的联邦学习方法，可以取得与图1和图3所示的方法相同的技术效果，请参见上文，此处不再赘述。
在上述联邦学习方法的基础上，如图7所示，本说明书实施例还提供了一种虚拟对象分配方法，该方法可应用于图2所示的协调者（协调者设备）中，该方法可包括：
步骤702、当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使参与者设备基于目标用户的本地特征数据和本地模型，预测目标用户向所述网络应用的公司付款的本地意向参数。
其中，参与者设备包括第一设备和第二设备，第一设备是网络应用的公司的设备，第二设备是第三方支付平台的设备，第一设备中的本地模型为第一模型，第二设备中的本地模型为第二模型，第一模型和第二模型是基于本说明书实施例提供的一种基于隐私保护的联邦学习方法训练得到的预测模型，具体训练过程请参照上文，此处不再赘述。
支付行为可以是目标用户在网络应用发起任一有可能产生收款的行为，如目标用户在游戏APP中的充值行为，目标用户在电商APP中做出的将商品加入购物车的行为，以及目标用户在电商APP中做出的提交订单但未完成支付的行为，等等。
步骤704、接收参与者设备发送的本地意向参数并整合得到全局意向参数。
其中，接收到的本地意向参数包括第一意向参数和第二意向参数，第一意向参数是第一设备基于目标用户在网络应用中形成的特征数据和训练好的第一模型预测得到的，第二意向参数是第二设备基于目标用户在第三方支付平台中形成的特征数据和训练好的第二模型预测得到的。
如果第一模型和第二模型时通过纵向联邦学习训练的到的，那么可以通过将第一意向参数和第二意向参数相加得到全局意向参数。如前文所述，意向参数是一种可以衡量目标用户向网络应用公司付款的意愿高低的参数，一般情况下，意向参数的值越大，说明目标用户向网络应用公司付款的意愿越高，反之越低，作为一个例子，意向参数的取值可以在0到1之间，包括0和1，那么，对第一意向参数和第二意向参数相加得到的全局意向参数取值在0到2之间。
步骤706、基于全局意向参数，确定是否向目标用户分配虚拟对象。
如果全局模型参数为一个具体数值，那么一种可能的结果是：当全局意向参数低于预设值时，确定向目标用户分配虚拟对象；当全局意向参数高于预设值时，确定不向目标用户分配虚拟对象，其中，预设值可以根据需要灵活设置。
总之，不管是以何种规则基于全局意向参数，确定是否向目标用户分配虚拟对象，以及分配什么样的虚拟对象，一般而言，都是在目标用户的付款意愿较高时，不分配虚拟对象，在目标用户的付款意愿较低时，才分配虚拟对象。
以网络应用为游戏APP为例，如果目标用户的付款意愿比较低，则向目标用户发放的虚拟对象可以是如下至少一种：
1）直接减免部分消费金额（减免部分的金额可以由游戏APP公司和第三方支付平台共同承担）；
2）免单抽奖（目标用户完成当笔交易后可以参与抽奖，如果抽中的话，下一笔订单可以免费，因免费对游戏APP公司产生的损失可由第三方支付平台弥补；
3）发放其他APP（如外卖APP）中可用的优惠券，产生的费用由第三方支付平台承担，这种虚拟对象发放方式，不仅可为其他APP带来潜在收益，并且进一步扩大了第三方支付平台的市场份额。
本说明书实施例提供的一种虚拟对象分配方法，由于是使用网络应用和第三方支付平台进行联邦学习得到的预测模型预测用户向网络应用公司付款的意向参数，预测结果更准确，因此可以依据该意向参数将合适的虚拟对象分配给合适的用户。此外，由于是联合网络应用和第三方支付平台共同向用户分配虚拟对象，而不是二者各自分配，因此不会出现一个用户可能同时受到两份收益的情况，减少了有限的虚拟对象的浪费。再有，在联邦学习过程中，各参与者的本地用户样本不出域，因此可以达到保护隐私的目的。
可以理解，将合适的虚拟对象分配给合适的用户以后，可以帮助网络应用公司提升支付成功率，当第三方支付平台帮助网络应用公司提升支付成功率以后，网络应用公司更乐意将该第三方支付平台作为首推的收款工具，从而可以扩大第三方支付平台的市场份额，实现双赢。
以上是对本说明书提供的方法实施例的说明，在上述方法的基础上，本说明书实施例还提供了一种联邦学习系统，如图8所示，该系统可包括：协调者81和参与者设备82，其中，参与者设备又包括第一设备821和第二设备822，第一设备821是网络应用公司的设备，第二设备822是第三方支付平台的设备。
参与者设备82，用于基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至所述协调者，其中，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型。
协调者81，用于对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的。
参与者设备82，还用于基于所述全局模型参数更新本地模型，并在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练。
协调者81，还用于在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
该系统可以取得与图2所示的方法相同的技术效果，此处不再赘述。
以上是对本说明书提供的方法及系统实施例的说明，下面对本说明书提供的电子设备进行介绍。
图9是本说明书的一个实施例提供的电子设备的结构示意图。请参考图9，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器（non-volatile memory），例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构）总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构）总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成虚拟对象分配模型的基于隐私保护的联邦学习装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
或者，处理器，执行存储器所存放的程序，并具体用于执行以下操作：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于本说明书实施例提供的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
上述如本说明书图1或图7所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下操作：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图7所示实施例的方法，并具体用于执行以下操作：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于本说明书实施例提供的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
下面对本说明书提供的虚拟对象分配模型的基于隐私保护的联邦学习装置进行说明。
如图10所示，本说明书的一个实施例提供了一种基于隐私保护的联邦学习装置，该装置可以应用于联邦学习系统中的协调者设备中，在一种软件实施方式中，该联邦学装置1000可包括：参数接收模块1001、第一参数整合模块1002、判断模块1003、触发模块1004和预测模型确定模块1005。
参数接收模块1001，用于接收参与者设备发送的本地模型参数。
其中，参与者设备包括第一设备和第二设备，第一设备是网络应用公司的设备，第二设备是第三方支付平台的设备，第一设备的本地模型为第一模型，第二设备的本地模型为第二模型。
第一参数整合模块1002，用于对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型。
其中，接收到的本地模型参数包括第一模型参数和第二模型参数，第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型训练得到的，第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型训练得到的，参与训练的网络应用公司的本地用户样本和第三方支付平台的本地用户样本是对齐的。
判断模块1003，用于判断是否满足预设训练结束条件；若为是，转入预测模型确定模块1005；否则，转入触发模块1004。
触发模块1004，用于触发参数接收模块1001针对更新后的本地模型，再次接收纵向联邦学习中的参与者设备发送的本地模型参数，如此不断迭代，直到满足预设训练结束条件。
预测模型确定模块1005，用于基于最后一次更新的本地模型确定预测模型。
预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
需要说明的是，联邦学习装置1000能够实现图4的方法实施例的方法，具体可参考图4所示实施例的联邦学习方法，不再赘述。
如图11所示，本说明书的一个实施例提供了一种基于隐私保护的联邦学习装置，该装置可以应用于联邦学习系统中的第一设备中，在一种软件实施方式中，该联邦学装置1100可包括：第一训练模块1101、第一接收模块1102、第一判断模块1103、第一触发模块1104和第一发送模块1105。
第一训练模块1101，用于基于网络应用公司的本地用户样本对第一模型进行训练，得到第一模型参数并发送至纵向联邦学习中的协调者，以使协调者对第一模型参数和第二模型参数进行整合得到全局模型参数。
其中，第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型进行训练得到的，参与训练的网络应用公司的本地用户样本和第三方支付平台的本地用户样本是对齐的。
第一接收模块1102，用于接收协调者发送的全局模型参数，并基于全局模型参数更新第一模型；
第一判断模块1103，用于判断是否满足预设训练结束条件；若为是，转入第一发送模块1105；否则，转入第一触发模块1104。
第一触发模块1104，用于触发第一训练模块1101针对更新后的第一模型，再次基于网络应用公司的本地用户样本对更新后的第一模型进行训练，直到满足预设训练结束条件。
第一发送模块1105，用于将最后一次更新的第一模型发送至协调者，以使协调者将最后一次更新的第一模型和第二模型确定为预测模型。
预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
需要说明的是，联邦学习装置1100能够实现图5的方法实施例的方法，具体可参考图5所示实施例的联邦学习方法，不再赘述。
如图12所示，本说明书的一个实施例提供了一种基于隐私保护的联邦学习装置，该装置可以应用于联邦学习系统中的第一设备中，在一种软件实施方式中，该联邦学装置1200可包括：第二训练模块1201、第二接收模块1202、第二判断模块1203、第二触发模块1204和第二发送模块1205。
第二训练模块1201，用于基于第三方支付平台的本地用户样本对第二模型进行训练，得到第二模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对第一模型参数和所述第二模型参数进行整合得到全局模型参数。
其中，所述第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的。
第二接收模块1202，用于接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第二模型；
第二判断模块1203，用于判断是否满足预设训练结束条件；若为是，转入第二发送模块1205；否则，转入第二触发模块1204。
第二触发模块1204，用于触发第二训练模块1201针对更新后的第二模型，再次基于第三方支付平台的本地用户样本对更新后的第二模型进行训练，直到满足预设训练结束条件。
第二发送模块1205，用于将最后一次更新的第二模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型。
预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
需要说明的是，联邦学习装置1200能够实现图6的方法实施例的方法，具体可参考图6所示实施例的联邦学习方法，不再赘述。
如图13所示，本说明书的一个实施例提供了一种虚拟对象分配装置，该装置可以应用于协调者设备中，在一种软件实施方式中，该虚拟对象分配装置1300可包括：调用模块1301、第二参数整合模块1302和确定模块1303。
调用模块1301，用于当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使参与者设备基于目标用户的本地特征数据和本地模型，预测目标用户向所述网络应用的公司付款的本地意向参数。
其中，参与者设备包括第一设备和第二设备，第一设备是网络应用的公司的设备，第二设备是第三方支付平台的设备，第一设备中的本地模型为第一模型，第二设备中的本地模型为第二模型，第一模型和第二模型是基于本说明书实施例提供的一种基于隐私保护的联邦学习方法训练得到的预测模型，具体训练过程请参照上文，此处不再赘述。
第二参数整合模块1302，用于接收参与者设备发送的本地意向参数并整合得到全局意向参数。
其中，接收到的本地意向参数包括第一意向参数和第二意向参数，第一意向参数是第一设备基于目标用户在网络应用中形成的特征数据和训练好的第一模型预测得到的，第二意向参数是第二设备基于目标用户在第三方支付平台中形成的特征数据和训练好的第二模型预测得到的。
如果第一模型和第二模型时通过纵向联邦学习训练的到的，那么可以通过将第一意向参数和第二意向参数相加得到全局意向参数。如前文所述，意向参数是一种可以衡量目标用户向网络应用公司付款的意愿高低的参数，一般情况下，意向参数的值越大，说明目标用户向网络应用公司付款的意愿越高，反之越低，作为一个例子，意向参数的取值可以在0到1之间，包括0和1，那么，对第一意向参数和第二意向参数相加得到的全局意向参数取值在0到2之间。
确定模块1303，用于基于全局意向参数，确定是否向目标用户分配虚拟对象。
需要说明的是，虚拟对象分配装置1300能够实现图7的方法实施例的方法，具体可参考图7所示实施例的虚拟对象分配方法，不再赘述。
上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
总之，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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。在没有更多限制时，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (28)
1.一种基于隐私保护的联邦学习方法，包括：
纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至协调者，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型；
所述协调者对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
所述参与者设备基于所述全局模型参数更新本地模型，并在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练；
在满足预设训练结束条件时，所述协调者基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
2.根据权利要求1所述的方法，在纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练之前，还包括：
所述协调者向所述参与者设备部署初始本地模型，其中，向所述第一设备部署的初始本地模型为初始第一模型，向所述第二的设备部署的初始本地模型为初始第二模型。
3.根据权利要求1所述的方法，在纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练之前，还包括：
所述协调者基于预设加密样本对齐技术，对参与纵向联邦学习的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本进行对齐。
4.根据权利要求3所述的方法，其中，基于预设加密用户对齐技术，对参与纵向联邦学习的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本进行对齐，包括：
基于预设对称加密算法生成第一秘钥对，并将所述第一秘钥对中的公钥发送至所述第一设备和所述第二设备；
接收所述第一设备发送的第一加密用户ID列表和所述第二设备发送的第二加密用户ID列表，其中，所述第一加密用户ID列表是所述第一设备使用所述公钥对所述网络应用公司的本地用户ID列表加密后得到的，所述第二加密用户ID列表是所述第二设备使用所述公钥对所述第三方支付平台的本地用户ID列表加密后得到的；
基于所述第一秘钥对中的私钥，对所述第一加密用户ID列表和所述第二加密用户ID列表分别进行解密，得到第一用户ID列表和第二用户ID列表；
确定所述第一用户ID列表和所述第二用户ID列表中相同的用户ID，得到第三用户ID列表；
将所述第三用户ID列表分别发送至所述第一设备和所述第二设备，以使所述第一设备和所述第二设备分别基于所述第三用户ID列表中的用户ID对应的本地用户样本进行训练。
5.根据权利要求4所述的方法，
所述预设对称加密算法为RSA加密算法。
6.根据权利要求3-5任一项所述的方法，在纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练之前，还包括：
所述第一设备代表所述网络应用公司清洗出预设时段内所述第三用户ID列表中的用户在所述网络应用中形成的特征和标签，以作为所述第一设备训练第一模型时采用的本地用户样本和标签；
所述第二设备代表所述第三方支付平台清洗出所述预设时段内所述第三用户ID列表中的用户在所述第三方支付平台中形成的特征，以作为所述第二设备训练第二模型时采用的本地用户样本。
7.根据权利要求6所述的方法，
所述第一设备代表所述网络应用公司清洗出的特征包括支付行为特征，及标签包括支付是否成功；
所述第二设备代表所述第三方支付平台清洗出的特征包括基础特征和支付特征，其中，所述基础特征包括性别、年龄、所在城市和职业，所述支付特征包括支付频次、单次最大支付金额、单次最小支付金额、所支付的订单类型和支付成功率。
8.根据权利要求1所述的方法，所述参与者设备向所述协调者发送的本地模型参数为加密模型参数，在所述参与者设备将本地模型参数并发送至所述协调者之前，还包括：
所述协调者向所述参与者设备发送第二秘钥对中的公钥；
所述参与者设备之间使用所述公钥对本地训练过程中产生的中间结果进行加密并交互，其中，加密后的中间结果用于所述参与者设备确定所述本地模型参数。
9.根据权利要求8所述的方法，其中，所述参与者设备之间使用所述公钥对本地训练过程中产生的中间结果进行加密并交互，包括：
所述第一设备使用所述公钥对本地训练过程中产生的中间结果进行加密，得到第一加密中间结果并发送至所述第二设备，所述第一加密中间结果用于所述第二设备确定所述第二模型参数；
所述第二设备使用所述公钥对本地训练过程中产生的中间结果进行加密，得到第二加密中间结果并发送至所述第一设备，所述第二加密中间结果用于所述第一设备确定所述第一模型参数。
10.根据权利要求9所述的方法，
所述第一加密中间结果为使用所述公钥加密的所述第一模型在本次训练中针对用户样本的预测值，所述第一加密中间结果用于所述第二设备确定用户样本对应的残差，该残差用于所述第二设备确定所述第二模型参数，且所述第二模型参数为加密梯度；
所述第二加密中间结果为使用所述公钥加密的所述第二模型在本次训练中针对用户样本的预测值，所述第二加密中间结果用于所述第一设备确定用户样本对应的残差，该残差用于所述第一设备确定所述第一模型参数，且所述第一模型参数为加密梯度。
11.根据权利要求8-10任一项所述的方法，其中，所述协调者对所述本地模型参数进行整合，得到全局模型参数，包括：
所述协调者使用所述第二秘钥对中的私钥对所述第一模型参数进行解密，得到针对所述第一模型的第一解密参数；
所述协调者使用所述第二秘钥对中的私钥对所述第二模型参数进行解密，得到针对所述第二模型的第二解密参数；
将所述第一解密参数和所述第二解密参数组合为所述全局模型参数。
12.根据权利要求11所述的方法，其中，所述参与者设备基于所述全局模型参数更新本地模型，包括：
所述第一设备基于所述全局模型参数中的所述第一解密参数更新所述第一模型；
所述第二设备基于所述全局模型参数中的所述第二解密参数更新所述第二模型。
13.根据权利要求1所述的方法，其中，所述协调者基于最后一次更新的本地模型确定预测模型，包括：
所述协调者将最后一次更新的第一模型和第二模型，确定为预测模型。
14.根据权利要求1所述的方法，其中，
所述预设训练结束条件包括下述至少一种：
训练次数达到预设次数；
所述本地模型的损失函数收敛。
15.一种基于隐私保护的联邦学习方法，应用于纵向联邦学习中的协调者，包括：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
16.一种基于隐私保护的联邦学习方法，应用于第一设备，包括：
基于网络应用公司的本地用户样本对第一模型进行训练，得到第一模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对所述第一模型参数和第二模型参数进行整合得到全局模型参数，其中，所述第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第一模型；
在不满足预设训练结束条件时，再次基于网络应用公司的本地用户样本对更新后的第一模型进行训练；
在满足预设训练结束条件时，将最后一次更新的第一模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
17.一种基于隐私保护的联邦学习方法，应用于第二设备，包括：
基于第三方支付平台的本地用户样本对第二模型进行训练，得到第二模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对第一模型参数和所述第二模型参数进行整合得到全局模型参数，其中，所述第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第二模型；
在不满足预设训练结束条件时，再次基于第三方支付平台的本地用户样本对更新后的第二模型进行训练；
在满足预设训练结束条件时，将最后一次更新的第二模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
18.一种虚拟对象分配方法，包括：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于权利要求1-14所述的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
19.根据权利要求18所述的方法，其中，基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象，包括：
当所述全局意向参数低于预设值时，确定向所述目标用户分配虚拟对象；
当所述全局意向参数高于预设值时，确定不向所述目标用户分配虚拟对象。
20.一种联邦学习系统，包括：协调者和参与者设备，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，其中，
所述参与者设备，用于基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至所述协调者，其中，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型；
所述协调者，用于对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
所述参与者设备，还用于基于所述全局模型参数更新本地模型，并在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练；
所述协调者，还用于在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
21.一种基于隐私保护的联邦学习装置，包括：
参数接收模块，用于接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
第一参数整合模块，用于对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
触发模块，用于在不满足预设训练结束条件时，触发所述参数接收模块再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
预测模型确定模块，用于在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
22.一种基于隐私保护的联邦学习装置，包括：
第一训练模块，用于基于网络应用公司的本地用户样本对第一模型进行训练，得到第一模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对所述第一模型参数和第二模型参数进行整合得到全局模型参数，其中，所述第二模型参数是第二设备基于第三方支付平台的本地用户样本对第二模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
第一接收模块，用于接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第一模型；
第一触发模块，用于在不满足预设训练结束条件时，再次基于网络应用公司的本地用户样本对更新后的第一模型进行训练；
第一发送模块，用于在满足预设训练结束条件时，将最后一次更新的第一模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
23.一种基于隐私保护的联邦学习装置，包括：
第二训练模块，用于基于第三方支付平台的本地用户样本对第二模型进行训练，得到第二模型参数并发送至纵向联邦学习中的协调者，以使所述协调者对第一模型参数和所述第二模型参数进行整合得到全局模型参数，其中，所述第一模型参数是第一设备基于网络应用公司的本地用户样本对第一模型进行训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
第二接收模块，用于接收所述协调者发送的所述全局模型参数，并基于所述全局模型参数更新所述第二模型；
第二触发模块，用于在不满足预设训练结束条件时，再次基于第三方支付平台的本地用户样本对更新后的第二模型进行训练；
第二发送模块，用于在满足预设训练结束条件时，将最后一次更新的第二模型发送至所述协调者，以使所述协调者将最后一次更新的第一模型和第二模型确定为预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
24.一种虚拟对象分配装置，包括：
调用模块，用于当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于权利要求1-14所述的联邦学习方法训练得到的预测模型；
第二参数整合模块，用于接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
确定模块，用于基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
25.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
26.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
接收参与者设备发送的本地模型参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备的本地模型为第一模型，所述第二设备的本地模型为第二模型；
对接收到的本地模型参数数进行整合，得到全局模型参数并发送至所述参与者设备，以使所述参与者设备更新本地模型，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；
在不满足预设训练结束条件时，再次接收纵向联邦学习中的参与者设备发送的本地模型参数；
在满足预设训练结束条件时，基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。
27.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于权利要求1-14所述的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
28.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
当监测到目标用户在网络应用中发起支付行为时，调用纵向联邦学习中的参与者设备，以使所述参与者设备基于所述目标用户的本地特征数据和本地模型，预测所述目标用户向所述网络应用的公司付款的本地意向参数，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是所述网络应用的公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型，所述第一模型和所述第二模型是基于权利要求1-14所述的联邦学习方法训练得到的预测模型；
接收所述参与者设备发送的本地意向参数并整合得到全局意向参数，其中，所述本地意向参数包括第一意向参数和第二意向参数，所述第一意向参数是所述第一设备基于所述目标用户在所述网络应用中形成的特征数据和所述第一模型预测得到的，所述第二意向参数是所述第二设备基于所述目标用户在所述第三方支付平台中形成的特征数据和所述第二模型预测得到的；
基于所述全局意向参数，确定是否向所述目标用户分配虚拟对象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010305716.8A CN111460511B (zh) | 2020-04-17 | 2020-04-17 | 基于隐私保护的联邦学习、虚拟对象分配方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010305716.8A CN111460511B (zh) | 2020-04-17 | 2020-04-17 | 基于隐私保护的联邦学习、虚拟对象分配方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111460511A true CN111460511A (zh) | 2020-07-28 |
| CN111460511B CN111460511B (zh) | 2023-05-02 |
Family
ID=71680697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010305716.8A Active CN111460511B (zh) | 2020-04-17 | 2020-04-17 | 基于隐私保护的联邦学习、虚拟对象分配方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460511B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882308A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技（深圳）有限公司 | 区块链安全交易方法、计算机设备及可读存储介质 |
| CN112001500A (zh) * | 2020-08-13 | 2020-11-27 | 星环信息科技（上海）有限公司 | 基于纵向联邦学习系统的模型训练方法、设备及存储介质 |
| CN112199709A (zh) * | 2020-10-28 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 基于多方的隐私数据联合训练模型的方法和装置 |
| CN112257105A (zh) * | 2020-10-19 | 2021-01-22 | 中山大学 | 一种基于参数替换算法的联邦学习方法及系统 |
| CN112418439A (zh) * | 2020-11-25 | 2021-02-26 | 脸萌有限公司 | 模型使用方法、装置、存储介质及设备 |
| CN112418446A (zh) * | 2020-11-18 | 2021-02-26 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技（深圳）有限公司 | 一种点击通过率ctr预测方法及装置 |
| CN112651511A (zh) * | 2020-12-04 | 2021-04-13 | 华为技术有限公司 | 一种训练模型的方法、数据处理的方法以及装置 |
| CN112700010A (zh) * | 2020-12-30 | 2021-04-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习的特征补全方法、装置、设备及存储介质 |
| CN112819177A (zh) * | 2021-01-26 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种个性化的隐私保护学习方法、装置以及设备 |
| CN112989929A (zh) * | 2021-02-04 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 目标用户的识别方法、装置和电子设备 |
| CN113159327A (zh) * | 2021-03-25 | 2021-07-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习系统的模型训练方法、装置、电子设备 |
| CN113326938A (zh) * | 2021-06-21 | 2021-08-31 | 商汤国际私人有限公司 | 网络训练、行人重识别方法及装置、电子设备和存储介质 |
| CN113487042A (zh) * | 2021-06-28 | 2021-10-08 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
| CN115600250A (zh) * | 2022-12-12 | 2023-01-13 | 阿里巴巴（中国）有限公司（Cn） | 数据处理方法、存储介质和电子设备 |
| WO2023024350A1 (zh) * | 2021-08-25 | 2023-03-02 | 深圳前海微众银行股份有限公司 | 纵向联邦预测优化方法、设备、介质及计算机程序产品 |
| CN117675411A (zh) * | 2024-01-31 | 2024-03-08 | 智慧眼科技股份有限公司 | 一种基于纵向XGBoost算法的全局模型获取方法及系统 |
| CN117675411B (zh) * | 2024-01-31 | 2024-04-26 | 智慧眼科技股份有限公司 | 一种基于纵向XGBoost算法的全局模型获取方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357566A1 (en) * | 2017-06-13 | 2018-12-13 | Microsoft Technology Licensing, Llc | Unsupervised learning utilizing sequential output statistics |
| CN109002861A (zh) * | 2018-08-10 | 2018-12-14 | 深圳前海微众银行股份有限公司 | 联邦建模方法、设备及存储介质 |
| CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| CN109871702A (zh) * | 2019-02-18 | 2019-06-11 | 深圳前海微众银行股份有限公司 | 联邦模型训练方法、系统、设备及计算机可读存储介质 |
| CN110276210A (zh) * | 2019-06-12 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数的确定方法及装置 |
| CN110633806A (zh) * | 2019-10-21 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN110633805A (zh) * | 2019-09-26 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
| CN110750520A (zh) * | 2019-10-23 | 2020-02-04 | 深圳前海微众银行股份有限公司 | 特征数据处理方法、装置、设备及可读存储介质 |
-
2020
- 2020-04-17 CN CN202010305716.8A patent/CN111460511B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357566A1 (en) * | 2017-06-13 | 2018-12-13 | Microsoft Technology Licensing, Llc | Unsupervised learning utilizing sequential output statistics |
| CN109002861A (zh) * | 2018-08-10 | 2018-12-14 | 深圳前海微众银行股份有限公司 | 联邦建模方法、设备及存储介质 |
| CN109492420A (zh) * | 2018-12-28 | 2019-03-19 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、终端、系统及介质 |
| CN109871702A (zh) * | 2019-02-18 | 2019-06-11 | 深圳前海微众银行股份有限公司 | 联邦模型训练方法、系统、设备及计算机可读存储介质 |
| CN110276210A (zh) * | 2019-06-12 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数的确定方法及装置 |
| CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
| CN110633805A (zh) * | 2019-09-26 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN110633806A (zh) * | 2019-10-21 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 纵向联邦学习系统优化方法、装置、设备及可读存储介质 |
| CN110750520A (zh) * | 2019-10-23 | 2020-02-04 | 深圳前海微众银行股份有限公司 | 特征数据处理方法、装置、设备及可读存储介质 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882308A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技（深圳）有限公司 | 区块链安全交易方法、计算机设备及可读存储介质 |
| CN112001500A (zh) * | 2020-08-13 | 2020-11-27 | 星环信息科技（上海）有限公司 | 基于纵向联邦学习系统的模型训练方法、设备及存储介质 |
| CN112257105A (zh) * | 2020-10-19 | 2021-01-22 | 中山大学 | 一种基于参数替换算法的联邦学习方法及系统 |
| CN112199709A (zh) * | 2020-10-28 | 2021-01-08 | 支付宝(杭州)信息技术有限公司 | 基于多方的隐私数据联合训练模型的方法和装置 |
| WO2022108527A1 (zh) * | 2020-11-18 | 2022-05-27 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| CN112418446A (zh) * | 2020-11-18 | 2021-02-26 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| CN112418446B (zh) * | 2020-11-18 | 2024-04-09 | 脸萌有限公司 | 模型处理方法、系统、装置、介质及电子设备 |
| CN112418439A (zh) * | 2020-11-25 | 2021-02-26 | 脸萌有限公司 | 模型使用方法、装置、存储介质及设备 |
| CN112418439B (zh) * | 2020-11-25 | 2023-09-26 | 脸萌有限公司 | 模型使用方法、装置、存储介质及设备 |
| CN112446736A (zh) * | 2020-12-02 | 2021-03-05 | 平安科技（深圳）有限公司 | 一种点击通过率ctr预测方法及装置 |
| WO2022116431A1 (zh) * | 2020-12-02 | 2022-06-09 | 平安科技（深圳）有限公司 | 一种点击通过率ctr预测方法及装置 |
| CN112651511A (zh) * | 2020-12-04 | 2021-04-13 | 华为技术有限公司 | 一种训练模型的方法、数据处理的方法以及装置 |
| WO2022116933A1 (zh) * | 2020-12-04 | 2022-06-09 | 华为技术有限公司 | 一种训练模型的方法、数据处理的方法以及装置 |
| CN112651511B (zh) * | 2020-12-04 | 2023-10-03 | 华为技术有限公司 | 一种训练模型的方法、数据处理的方法以及装置 |
| CN112700010A (zh) * | 2020-12-30 | 2021-04-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习的特征补全方法、装置、设备及存储介质 |
| CN112819177A (zh) * | 2021-01-26 | 2021-05-18 | 支付宝(杭州)信息技术有限公司 | 一种个性化的隐私保护学习方法、装置以及设备 |
| CN112989929A (zh) * | 2021-02-04 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 目标用户的识别方法、装置和电子设备 |
| CN113159327A (zh) * | 2021-03-25 | 2021-07-23 | 深圳前海微众银行股份有限公司 | 基于联邦学习系统的模型训练方法、装置、电子设备 |
| CN113159327B (zh) * | 2021-03-25 | 2024-04-09 | 深圳前海微众银行股份有限公司 | 基于联邦学习系统的模型训练方法、装置、电子设备 |
| CN113326938A (zh) * | 2021-06-21 | 2021-08-31 | 商汤国际私人有限公司 | 网络训练、行人重识别方法及装置、电子设备和存储介质 |
| CN113487042B (zh) * | 2021-06-28 | 2023-10-10 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
| CN113487042A (zh) * | 2021-06-28 | 2021-10-08 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
| WO2023024350A1 (zh) * | 2021-08-25 | 2023-03-02 | 深圳前海微众银行股份有限公司 | 纵向联邦预测优化方法、设备、介质及计算机程序产品 |
| CN115600250A (zh) * | 2022-12-12 | 2023-01-13 | 阿里巴巴（中国）有限公司（Cn） | 数据处理方法、存储介质和电子设备 |
| CN117675411A (zh) * | 2024-01-31 | 2024-03-08 | 智慧眼科技股份有限公司 | 一种基于纵向XGBoost算法的全局模型获取方法及系统 |
| CN117675411B (zh) * | 2024-01-31 | 2024-04-26 | 智慧眼科技股份有限公司 | 一种基于纵向XGBoost算法的全局模型获取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460511B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460511A (zh) | 基于隐私保护的联邦学习、虚拟对象分配方法和装置 | |
| US11017392B2 (en) | Method, apparatus and electronic device for blockchain transactions | |
| US11295381B2 (en) | Data auditing method and device | |
| CN108876380B (zh) | 一种基于中心化结算与区块链存证的交易方法及系统 | |
| CN109242453B (zh) | 一种基于中心化结算与区块链存证的交易方法及系统 | |
| CN110457912B (zh) | 数据处理方法、装置和电子设备 | |
| CN111008709A (zh) | 联邦学习、资料风险评估方法、装置和系统 | |
| CN108335106A (zh) | 基于区块链的零知识多账本兑换转账方法、装置及存储介质 | |
| CN112465627B (zh) | 基于区块链和机器学习的金融借贷审核方法及系统 | |
| CN109615370A (zh) | 对象选取方法及装置、电子设备 | |
| US20190114707A1 (en) | Distribution of Blockchain Tokens | |
| CN110874650B (zh) | 融合公域数据和私有数据的联盟学习方法、装置和系统 | |
| CN112150221B (zh) | 一种基于联邦学习的直播间业务处理方法、装置及设备 | |
| CN113221191B (zh) | 基于区块链的数据存证方法、装置、设备和存储介质 | |
| CN110008716A (zh) | 区块链交易方法及装置、电子设备、存储介质 | |
| CN110033370A (zh) | 账户创建方法及装置、电子设备、存储介质 | |
| WO2022174787A1 (zh) | 模型训练 | |
| CN111818095A (zh) | 基于区块链的退税方法、装置及电子设备 | |
| CN109242677A (zh) | 对象选取方法及装置、电子设备 | |
| CN112581253A (zh) | 授信额度的确定方法以及安全多方计算系统 | |
| CN112819632A (zh) | 一种基于区块链的报销费用分割方法、装置及电子设备 | |
| CN111402058A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN111899104B (zh) | 一种业务执行方法及装置 | |
| CN113570373B (zh) | 一种基于区块链的可追责交易方法及系统 | |
| Shuhaiber et al. | Positing a factorial model for consumer trust in mobile payments |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40034515 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |