CN112270597A - 业务处理、信用评价模型训练方法、装置、设备及介质 - Google Patents
业务处理、信用评价模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112270597A CN112270597A CN202011247426.9A CN202011247426A CN112270597A CN 112270597 A CN112270597 A CN 112270597A CN 202011247426 A CN202011247426 A CN 202011247426A CN 112270597 A CN112270597 A CN 112270597A
- Authority
- CN
- China
- Prior art keywords
- data
- credit evaluation
- training
- model
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 161
- 238000013210 evaluation model Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims description 35
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000011273 social behavior Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000012550 audit Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000003672 processing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种业务处理、信用评价模型训练方法、装置、设备及介质。所述方法包括：接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据；将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成；根据所述信用评价结果，响应所述业务请求。本发明实施例可以兼顾用户数据的隐私安全的同时，共同进行用户信用特征的学习，提高用户信用评价结果的预测准确率。
Description
技术领域
本发明实施例涉及数据处理领域，尤其涉及一种业务处理、信用评价模型训练方法、装置、设备及介质。
背景技术
征信记录获取自然人、法人及其他组织的信用信息。征信会影响人或组织的经济活动。
现有的征信建模方法通常依据金融机构自身数据为主，辅助银行的征信报告，以及其他第三方数据，如有：电商消费数据或运营商数据等，通常是以最终结果征信分直接查询。
而第三方原始数据作为第三方的客户隐私数据不能与金融机构数据打通，导致在征信过程中数据使用效率低，同时由于每家金融机构征信风控方向不一致，第三方征信分直接参与建模会导致模型有所偏差。
发明内容
本发明实施例提供了一种业务处理、信用评价模型训练方法、装置、设备及介质，可以兼顾用户数据的隐私安全的同时，共同进行用户信用特征的学习，提高用户信用评价结果的预测准确率。
第一方面，本发明实施例提供了一种业务处理方法，包括：
接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据；
将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成；
根据所述信用评价结果，响应所述业务请求。
第二方面，本发明实施例提供了一种信用评价模型训练方法，包括：
获取至少两个业务系统发送的加密用户数据，并确定共有用户数据；
根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据；
根据所述样本数据对模型进行训练，生成与所述训练需求信息匹配的联合信用评价模型；
在所述联合信用评价模型的训练过程中，获取模型参数，并发送至所述目标业务系统，以使所述目标业务系统根据所述模型参数更新信用评价模型。
第三方面，本发明实施例提供了一种业务处理装置，包括：
业务请求获取模块，用于接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据；
信用评价模块，用于将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成；
业务请求响应模块，用于根据所述信用评价结果，响应所述业务请求。
第四方面，本发明实施例提供了一种信用评价模型训练装置，包括：
共有用户数据获取模块，用于获取至少两个业务系统发送的加密用户数据，并确定共有用户数据；
样本数据聚合模块，用于根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据；
模型训练模块，用于根据所述样本数据对模型进行训练，生成与所述训练需求信息匹配的联合信用评价模型；
模型参数发送模块，用于在所述联合信用评价模型的训练过程中，获取模型参数，并发送至所述目标业务系统，以使所述目标业务系统根据所述模型参数更新信用评价模型。
第五方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如本发明中任一实施例所述的业务处理方法，或者实现如本发明中任一实施例所述的信用评价模型训练方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明中任一实施例所述的业务处理方法，或者实现如本发明中任一实施例所述的信用评价模型训练方法。
本发明实施例通过在接收到目标用户发起的业务请求时，获取目标用户的特征数据，并输入至通过联邦学习方法预先训练的信用评价模型中，获取目标用户的信用评价结果，并根据信用评价结果响应业务请求，解决了现有技术中多个业务系统的用户数据不互通导致训练的模型预测不准的问题，可以综合多个业务系统采集的用户数据，增加用户特征信息，并基于更大范围的用户特征训练模型，提高模型的预测准确率，同时，可以减少用户信息的泄露，提高用户信息的隐私安全。
附图说明
图1a是本发明实施例一中的一种业务处理方法的流程图；
图1b是本发明实施例一中的一种纵向联邦学习的示意图；
图1c是本发明实施例一中的一种加密训练的示意图；
图2是本发明实施例二中的一种信用评价模型训练方法的流程图；
图3是本发明实施例三中的一种业务处理装置的结构示意图；
图4是本发明实施例四中的一种信用评价模型训练装置的结构示意图；
图5是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a为本发明实施例一中的一种业务处理方法的流程图，本实施例可适用于根据用户信用处理业务请求的情况，该方法可以由本发明实施例提供的业务处理装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成电子设备中，具体是业务系统。如图1a所示，本实施例的方法具体包括：
S110，接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据。
业务可以包括金融业务，例如，信贷业务、融资业务或质押业务等。业务请求用于请求业务系统提供金融服务。通常，金融服务的提供需要对用户进行征信审核。目标用户可以通过客户端发起的业务请求，或者是通过业务人员以目标用户的名义发起的业务请求。特征数据用于描述目标用户的信息，以及区别于其他用户。示例性的，特征数据可以是指用户的标签数据，例如，年龄标签，内容为青年；性别标签，内容为女性；或借贷频率标签，内容为低频借贷用户等等。可以预先获取目标用户的特征数据，并与目标用户的标识信息建立对应关系进行存储。可以从业务请求中提取用户标识信息，并根据用户标识信息查询用户标识信息对应的特征数据，其中，用户标识信息可以是指用户的姓名、身份证号或业务系统中编号(IDentity，ID)。
S120，将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成。
特征数据用于输入至信用评价模型中，确定目标用户对应的信用评价结果。特征数据可以是指目标用户关联的数据。特征数据与目标用户对应，特征数据可以由目标用户的用户标识信息以及目标用户的标签信息组成。根据用户标识信息，可以查询包括该用户标识信息的特征数据，并确定该特征数据包括的标签信息。
信用评价模型用于对目标用户进行信用评价。信用评价结果可以表征用户的信用程度，以确定用户的经济活动。联邦学习方法可以包括横向联邦学习、纵向联邦学习或联邦迁移学习等。联邦学习的目标是在保证数据隐私安全及合法合规的基础上，实现共同建模，提升模型的预测效果。
业务系统为参与联邦学习任务的系统。参与联邦学习任务的网络中包括至少两个业务系统和中间系统，其中，多个业务系统可以包括下述至少一项：金融机构、电商系统和通信运营商系统等。中间系统可以是独立于各业务系统的第三方，也可以是各业务系统中具备公信力的一个业务系统。
其中，特征数据可以是业务系统将采集的目标用户的数据发送给中间系统，以使中间系统根据该数据进行扩展处理，接收中间系统反馈的处理得到的数据。
可选的，横向联邦学习过程可以是：业务系统先采用训练样本集对本地模型进行本地训练，得到本地模型更新数据，其中，本地模型更新数据可以是各个模型参数的梯度值或更新后的模型参数；各业务系统将各自的本地模型更新数据上发给中间系统，由中间系统对各个业务系统的本地模型更新数据进行联邦平均，得到全局模型更新数据，并将全局模型更新数据发送给各个业务系统。例如，中间系统将各个业务系统发送的梯度值进行平均，或者是将各个业务系统发送的更新后的模型参数进行平均；业务系统在接收到全局模型更新数据后，基于全局模型更新数据对本地模型进行更新，得到更新后的本地模型，具体地，业务系统采用全局梯度值来更新本地模型的参数，或者是采用全局模型参数作为本地模型更新后的参数。
可选的，纵向联邦学习过程可以是：1、加密样本对齐。由于各业务系统的用户群体并非完全重合，中间系统利用基于加密的用户样本对齐技术，假设业务系统A(金融科技企业)和业务系统B(金融机构)不公开各自数据的前提下确认双方的共有用户，并且不暴露不互相重叠的用户，以便联合这些用户的特征进行建模,可以用各自的手机号和姓名进行消息摘要算法，如Md5，加密之后互相碰撞，无序数据交互。2、加密模型训练。在确定共有用户群体后，就可以利用这些数据训练机器学习模型。为了保证训练过程中数据的保密性，需要借助第三方中间系统C进行加密训练。以线性回归模型为例，训练过程可分为以下4步(如图1c所示)：(1)中间系统C把公钥分发给业务系统A和业务系统B，用以对训练过程中需要交换的数据进行加密。(2)：业务系统A和业务系统B之间以加密形式交互用于计算梯度的中间结果。(3)：业务系统A和业务系统B分别基于加密的梯度值进行计算，同时业务系统B根据其标签数据计算损失，并把结果汇总给中间系统C。中间系统C通过汇总结果计算总梯度值并将其解密。(4)：中间系统C将解密后的梯度分别回传给业务系统A和业务系统B，业务系统A和业务系统B根据梯度更新各自模型的参数。迭代上述步骤直至损失函数收敛，这样就完成了整个训练过程。在样本对齐及模型训练过程中，业务系统A和业务系统B各自的数据均保留在本地，且训练中的数据交互也不会导致数据隐私泄露。因此，双方在联邦学习的帮助下得以实现合作训练模型。3、过程溯源及效果激励。整个过程会是永久数据记录机制(区块链)。通过区块链技术，实现过程可溯源，以及防止单一方篡改过程；以及为了提供数据多的机构所获得的模型效果会更好，模型效果取决于数据提供方对自己和他人的贡献。这些模型的效果在联邦机制上会分发给各个机构反馈，并继续激励更多机构加入这一数据联邦。以上三部分的实施，既考虑了在多个机构间共同建模的隐私保护和效果，又考虑了以一个共识机制，防止数据造假以及奖励贡献数据多的机构。所以，整个建模过程是一个闭环的激励学习机制。
在本发明实施例中，纵向联邦学习的交互的梯度可以替换为模型参数，可选的，在输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果之前，还包括：采集用户数据，并加密；将加密的用户数据发送至中间系统，所述中间系统用于从各所述业务系统发送的用户数据中，查询共有用户数据，并根据所述共有用户数据训练联合信用评价模型，以及反馈训练过程中的联合信用评价模型的模型参数，各所述业务系统和所述中间系统参与联邦学习；接收所述中间系统反馈的模型参数，并更新信用评价模型。
业务系统的用户数据用于与其他业务系统的用户数据联合训练信用评价模型。业务系统不属于不同企业，甚至是不同行业。用户数据可以来源于不用应用场景。业务系统部署于银行，用户数据包括用户信贷行为数据、用户融资行为数据和用户属性信息等。业务系统部署于通信运营企业，用户数据包括用户社交行为数据和用户属性信息等。业务系统基于各自本地用户数据参与联邦学习。
为了保证用户数据的隐私安全，业务系统在与其他系统进行交互时，对交互的各数据进行加密。其中，加密方式可以是同态加密，对经过同态加密的数据进行处理得到一个输出，将这一输出进行解密，其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的。加密方法可以是非对称加密方法。中间系统为各业务系统分发公钥，业务系统采用分发的公钥对用户数据进行加密。中间系统可以采用私钥对加密的数据进行解密。
共有用户数据可以是指同一个用户的数据。共有用户数据用于针对共有用户，聚合不同业务系统采集的不同应用场景的特征。共有用户数据的获取可以是：中间系统对解密的用户数据进行统计，将存在相同用户的各业务系统的数据进行聚合，并按照预设转换规则，将数据转换为标签信息，形成一条完整的训练样本，并将该训练样本反馈给各数据来源。示例性的，业务系统A的用户数据为用户a，身份证号为XXX，性别为女，年龄为35岁。业务系统B的用户a，身份证号为XXX，在2010年借贷10万，并由两年内分期还清。共有用户数据为用户a，身份证号为XXX，性别为女，年龄为35岁，在2010年借贷10万，并由两年内分期还清的借贷行为。
中间系统采用共有用户数据训练联合信用评价模型，并在联合信用评价模型达到训练完成条件时，停止训练。联合信用评价模型可以经过多轮训练，每轮训练之后可以将模型参数反馈给数据来源的业务系统，以使各业务系统根据模型参数更新本地训练的信用评价模型。其中，训练完成条件可以是指，业务系统在接收到中间系统反馈的模型参数更新模型之后，模型的损失函数收敛，或者损失函数的值小于预设数值，或者迭代次数大于等于预设次数等，确定满足训练完成条件。
实际上，业务系统用于提供数据，中间系统用于对用户数据进行数据转换，并将形成的数据按照来源分发给对应的业务系统。具体的，中间系统可以将共有用户数据转换为标签信息，形成训练样本，输入至联合信用评价模型进行训练。如前例，共有用户数据转换的训练样本为用户a、女性标签、中年标签和低频率借贷标签等。
通过采用联邦学习可以实现数据隔离，数据不会泄露到外部，满足用户隐私保护和数据安全的需求，而且能够保证模型质量无损，不会出现负迁移，保证联邦模型比割裂的独立模型效果好，同时，参与者地位对等，能够实现公平合作；以及能够保证参与各方在保持独立性的情况下，进行信息与模型参数的加密交换，并同时获得成长，并且，过程可溯源，以及防止单一方篡改过程。
可选的，所述用户数据包括下述至少一项：用户属性信息、用户通信信息、用户社交行为数据和用户交易行为数据。
用户属性信息可以是指用户的基本信息、例如用户的性别、姓名、手机号、身份证信息和驾照信息等。用户通信信息可以是话费和流量等。用户社交行为数据可以是指在网络上的社交行为数据，例如在论坛平台中发布帖子、评论和点赞等交互行为，又如使用社交应用程序的时长和频率等。用户交易行为数据可以是指用户发生的金融交易行为，例如购物、融资、质押或贷款等。
通过配置用户数据的内容，可以增加用户的特征信息，以提高模型训练样本的代表性，提高模型的预测准确率。
S130，根据所述信用评价结果，响应所述业务请求。
信用评价结果作为业务请求处理的依据。
可选的，所述业务请求包括：金融业务审核请求；所述根据所述信用评价结果，响应所述业务请求，包括：根据所述信用评价结果，确定与所述金融业务审核请求匹配的审核结果。
金融业务审核请求，用于对目标用户请求的业务进行审核。例如，金融业务审核请求可以包括保价审核、立项审核、放款审核、担保物审核和风险审核等。金融业务可以是借贷业务、融资业务或质押业务等。
金融业务审核请求是否审核通过由信用评价结果确定。示例性的，信用评价结果为信用分数，配置预设通过分数，在信用评价结果大于等于预设通过分数时，确定审核通过，并继续进行后续业务，例如，立项请求审核通过，可以继续项目申报操作；在信用评价结果小于预设通过分数时，确定审核失败，终止当前业务，并提示目标用户结果。
通过配置金融业务的类型，可以丰富信用评价的应用场景，提高金融业务所需的信用评价准确率。
本发明实施例通过在接收到目标用户发起的业务请求时，获取目标用户的特征数据，并输入至通过联邦学习方法预先训练的信用评价模型中，获取目标用户的信用评价结果，并根据信用评价结果响应业务请求，解决了现有技术中多个业务系统的用户数据不互通导致训练的模型预测不准的问题，可以综合多个业务系统采集的用户数据，增加用户特征信息，并基于更大范围的用户特征训练模型，提高模型的预测准确率，同时，可以减少用户信息的泄露，提高用户信息的隐私安全。
实施例二
图2为本发明实施例二中的一种信用评价模型训练方法的流程图，本实施例可适用于训练信用评价模型的情况，该方法可以由本发明实施例提供的数据同步装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成电子设备中，具体是中间系统中。如图2所示，本实施例的方法具体包括：
S210，获取至少两个业务系统发送的加密用户数据，并确定共有用户数据。
本发明实施例中未详细描述的技术特征可以参考上述描述。
S220，根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据，所述样本数据包括特征数据。
训练需求信息用于根据共有用户数据生成样本数据。训练需求信息与目标业务系统对应。示例性的，训练需求信息为信用评价，样本数据包括金融行为所需的标签。获取训练需求匹配的至少一个标签，根据共有用户数据，确定共有用户数据匹配的特征数据(即标签信息)，形成训练样本，并将生成的大量训练样本确定为样本数据。
其中，不同的业务系统的训练目标不同，即训练的模型的功能不同，可以根据业务系统的训练的模型确定匹配的训练需求信息。目标业务系统可以是指中间系统确定的参与联邦学习的业务系统中的任意一个业务系统。实际上，参与联邦学习的业务系统的训练任务不同，可以选择任意一个训练任务，并确定训练任务对应业务系统确定为目标业务系统。
实际上，共有用户数据为属于一个用户的全部业务系统采集的数据。由于训练任务需要的数据可以只是采集的全部数据中的部分数据，由此可以根据训练需求信息，从共有用户数据中选择需要的数据，并进行统计，以及根据数据转换规则，将数据转换为匹配的标签信息，确定为某个用户的特征数据。将多个特征数据进行组合形成数据，确定为训练样本。由于训练样本与用户对应，训练样本还可以包括用户标识信息，以确定训练样本与用户的对应关系。
S230，根据所述样本数据对模型进行训练，生成与所述训练需求信息匹配的联合信用评价模型。
模型可以是指初始模型，例如，可以是从目标业务系统中获取的未完成训练的信用评价模型。将样本数据输入至模型进行训练，训练过程以及训练完成的模型确定为联合信用评价模型。训练需求信息匹配的联合信用评价模型为采用样本数据进行训练的模型，可以包括训练过程中的模型，也可以包括训练完成的模型。
S240，在所述联合信用评价模型的训练过程中，获取模型参数，并发送至所述目标业务系统，以使所述目标业务系统根据所述模型参数更新信用评价模型。
在采用样本数据对联合信用评价模型进行训练，将该轮训练得到的模型参数，反馈给目标业务系统，以使目标业务系统更新信用评价模型。并在满足训练完成条件时，不再继续训练联合信用评价模型，并将模型参数反馈给目标业务系统，以使目标业务系统更新信用评价模型，此时的信用评价模型训练完成。
需要说明的是，中间系统与业务系统之间交互数据都需要加密。例如，反馈的模型参数需要加密发给业务系统。
可选的，所述根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据，包括：根据所述训练需求信息，对各所述共有用户数据进行分组，同一组的共有用户数据属于同一共有用户；在每组中，根据所述训练需求信息，提取至少一个关键数据，并分别确定对应的标签信息，作为特征数据，并组合形成训练样本，其中，一组对应一个训练样本。
训练需求信息配置了参与联邦学习的业务系统以及配置了参与联邦学习的特征数据。可以根据训练需求信息筛选采集需要的用户数据的业务系统，并将筛选的业务系统提供的用户数据进行分组，同一组的用户数据属于同一用户，将该用户确定为共有用户，将该组的用户数据确定为共有用户数据。由此，实现对各共有用户数据进行分组，实际上，该过程可以在确定共有用户数据时实现，或者，采用其他方式确定共有用户数据，再将共有用户数据进行分组。
在每个组中，可以对共有用户数据进行筛选和统计。训练需求信息配置有各类标签信息。可以根据各标签信息，获取相应的关键数据，并根据关键数据所属的标签信息的类别，确定关键数据对应的标签信息，标签信息作为用户的特征数据，由此，提取出共有用户的特征数据。将提取到的全部特征数据，也即全部标签信息，按照训练需求信息中规定的数据结构进行组合，形成训练样本。针对一个训练需求信息，一组对应一个训练样本。如果配置有多个训练需求信息，相应的，则一组对应多个训练样本。
通过根据训练需求信息，从共有用户数据中筛选数据，并转换为匹配的标签信息，组合形成训练样本，作为样本数据对模型进行训练，可以按照训练需求筛选数据，减少冗余数据，提高训练样本的代表性，从而提高模型的预测准确率。
需要说明的是，生成的训练样本还可以发送至目标业务系统进行记录。目标业务系统可以存储训练样本，避免存储原始数据，从而避免其他业务系统数据泄露，提高用户数据的隐私安全。目标业务系统可以根据目标用户查询匹配的训练样本，作为目标用户对应的特征数据，输入至模型中，得到该目标用户的信用评价结果。
可选的，中间系统和业务系统为同一区块链网络中的区块链节点，将参与联邦学习的业务系统之间的交互数据，作为事务处理数据，并进行处理，记录在区块中，并在区块链中存储，可以防止篡改，提高模型训练过程的数据安全性。
本发明实施例通过对交互的用户数据进行加密，可以实现数据隔离，数据不会泄露到外部，满足用户隐私保护和数据安全的需求，并联合多个业务系统发送的用户数据进行聚合，形成样本数据，对联合信用评价模型进行训练，并将训练过程中生成的模型参数发送给业务系统，以使业务系统更新信用评价模型，能够保证参与各方在保持独立性的情况下，进行信息与模型参数的加密交换，过程可溯源，以及防止单一方篡改过程，提高数据安全，并提高模型预测准确率。
实施例三
图3为本发明实施例三中的一种业务处理装置的示意图。实施例三是实现本发明上述实施例提供的业务处理方法的相应装置，该装置可配置于业务系统中，该装置可采用软件和/或硬件的方式实现，并一般可集成电子设备中。
相应的，本实施例的装置可以包括：
业务请求获取模块310，用于接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据；
信用评价模块320，用于将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成；
业务请求响应模块330，用于根据所述信用评价结果，响应所述业务请求。
本发明实施例通过在接收到目标用户发起的业务请求时，获取目标用户的特征数据，并输入至通过联邦学习方法预先训练的信用评价模型中，获取目标用户的信用评价结果，并根据信用评价结果响应业务请求，解决了现有技术中多个业务系统的用户数据不互通导致训练的模型预测不准的问题，可以综合多个业务系统采集的用户数据，增加用户特征信息，并基于更大范围的用户特征训练模型，提高模型的预测准确率，同时，可以减少用户信息的泄露，提高用户信息的隐私安全。
进一步的，所述业务处理装置还包括：联邦学习模型更新模块，用于在将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果之前，采集用户数据，并加密；将加密的用户数据发送至中间系统，所述中间系统用于从各所述业务系统发送的用户数据中，查询共有用户数据，并根据所述共有用户数据训练联合信用评价模型，以及反馈训练过程中的联合信用评价模型的模型参数，各所述业务系统和所述中间系统参与联邦学习；接收所述中间系统反馈的模型参数，并更新信用评价模型。
进一步的，所述用户数据包括下述至少一项：用户属性信息、用户通信信息、用户社交行为数据和用户交易行为数据。
进一步的，所述业务请求包括：金融业务审核请求；所述业务请求响应模块330，具体用于根据所述信用评价结果，确定与所述金融业务审核请求匹配的审核结果。
上述业务处理装置可执行本发明实施例一所提供的业务处理方法，具备执行的业务处理方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四中的一种信用评价模型训练装置的示意图。实施例四是实现本发明上述实施例提供的信用评价模型训练方法的相应装置，该装置配置于中间系统中，同时该装置可采用软件和/或硬件的方式实现，并一般可集成电子设备中。
相应的，本实施例的装置可以包括：
共有用户数据获取模块410，用于获取至少两个业务系统发送的加密用户数据，并确定共有用户数据；
样本数据聚合模块420，用于根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据；
模型训练模块430，用于根据所述样本数据对模型进行训练，生成与所述训练需求信息匹配的联合信用评价模型；
模型参数发送模块440，用于在所述联合信用评价模型的训练过程中，获取模型参数，并发送至所述目标业务系统，以使所述目标业务系统根据所述模型参数更新信用评价模型。
本发明实施例通过对交互的用户数据进行加密，可以实现数据隔离，数据不会泄露到外部，满足用户隐私保护和数据安全的需求，并联合多个业务系统发送的用户数据进行聚合，形成样本数据，对联合信用评价模型进行训练，并将训练过程中生成的模型参数发送给业务系统，以使业务系统更新信用评价模型，能够保证参与各方在保持独立性的情况下，进行信息与模型参数的加密交换，过程可溯源，以及防止单一方篡改过程，提高数据安全，并提高模型预测准确率。
进一步的，所述样本数据聚合模块420，具体用于：根据所述训练需求信息，对各所述共有用户数据进行分组，同一组的共有用户数据属于同一共有用户；在每组中，根据所述训练需求信息，提取至少一个关键数据，并分别确定对应的标签信息，作为特征数据，并组合形成训练样本，其中，一组对应一个训练样本。
上述信用评价模型训练装置可执行本发明实施例二所提供的信用评价模型训练方法，具备执行的信用评价模型训练方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。计算机设备12可以是挂接在高速工业控制总线上的设备。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)，数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网(Wide Area Network，WAN)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Inexpensive Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种数据同步方法或信用评价模型训练方法。
实施例六
本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的业务处理方法：
也即，该程序被处理器执行时实现：接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据；将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成；根据所述信用评价结果，响应所述业务请求。
或者实现信用评价模型训练方法，也即，该程序被处理器执行时实现：获取至少两个业务系统发送的加密用户数据，并确定共有用户数据；根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据，所述样本数据包括特征数据；根据所述样本数据对模型进行训练，生成与所述训练需求信息匹配的联合信用评价模型；在所述联合信用评价模型的训练过程中，获取模型参数，并发送至所述目标业务系统，以使所述目标业务系统根据所述模型参数更新信用评价模型。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、只读存储器(Read OnlyMemory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，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。
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、无线电频率(RadioFrequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括LAN或WAN——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种业务处理方法，其特征在于，包括：
接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据；
将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成；
根据所述信用评价结果，响应所述业务请求。
2.根据权利要求1所述的方法，其特征在于，在将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果之前，还包括：
采集用户数据，并加密；
将加密的用户数据发送至中间系统，所述中间系统用于从各所述业务系统发送的用户数据中，查询共有用户数据，并根据所述共有用户数据训练联合信用评价模型，以及反馈训练过程中的联合信用评价模型的模型参数，各所述业务系统和所述中间系统参与联邦学习；
接收所述中间系统反馈的模型参数，并更新信用评价模型。
3.根据权利要求2所述的方法，其特征在于，所述用户数据包括下述至少一项：用户属性信息、用户通信信息、用户社交行为数据和用户交易行为数据。
4.根据权利要求1所述的方法，其特征在于，所述业务请求包括：金融业务审核请求；
所述根据所述信用评价结果，响应所述业务请求，包括：
根据所述信用评价结果，确定与所述金融业务审核请求匹配的审核结果。
5.一种信用评价模型训练方法，其特征在于，包括：
获取至少两个业务系统发送的加密用户数据，并确定共有用户数据；
根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据，所述样本数据包括特征数据；
根据所述样本数据对模型进行训练，生成与所述训练需求信息匹配的联合信用评价模型；
在所述联合信用评价模型的训练过程中，获取模型参数，并发送至所述目标业务系统，以使所述目标业务系统根据所述模型参数更新信用评价模型。
6.根据权利要求5所述的方法，其特征在于，所述根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据，包括：
根据所述训练需求信息，对各所述共有用户数据进行分组，同一组的共有用户数据属于同一共有用户；
在每组中，根据所述训练需求信息，提取至少一个关键数据，并分别确定对应的标签信息，作为特征数据，并组合形成训练样本，其中，一组对应一个训练样本。
7.一种业务处理装置，其特征在于，包括：
业务请求获取模块，用于接收目标用户发起的业务请求，并获取所述目标用户对应的特征数据；
信用评价模块，用于将所述特征数据输入至预先训练的信用评价模型中，获取所述信用评价模型输出的信用评价结果，所述信用评价模型通过联邦学习方法基于至少两个业务系统提供的数据训练生成；
业务请求响应模块，用于根据所述信用评价结果，响应所述业务请求。
8.一种信用评价模型训练装置，其特征在于，包括：
共有用户数据获取模块，用于获取至少两个业务系统发送的加密用户数据，并确定共有用户数据；
样本数据聚合模块，用于根据目标业务系统的训练需求信息，对各所述共有用户数据进行聚合，形成样本数据；
模型训练模块，用于根据所述样本数据对模型进行训练，生成与所述训练需求信息匹配的联合信用评价模型；
模型参数发送模块，用于在所述联合信用评价模型的训练过程中，获取模型参数，并发送至所述目标业务系统，以使所述目标业务系统根据所述模型参数更新信用评价模型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的业务处理方法，或者实现如权利要求5-6中任一所述的信用评价模型训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的业务处理方法，或者实现如权利要求5-6中任一所述的信用评价模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011247426.9A CN112270597A (zh) | 2020-11-10 | 2020-11-10 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011247426.9A CN112270597A (zh) | 2020-11-10 | 2020-11-10 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112270597A true CN112270597A (zh) | 2021-01-26 |
Family
ID=74339421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011247426.9A Pending CN112270597A (zh) | 2020-11-10 | 2020-11-10 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270597A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942375A (zh) * | 2019-11-29 | 2020-03-31 | 北京字节跳动网络技术有限公司 | 请求处理方法、装置、电子设备和存储介质 |
| CN112885337A (zh) * | 2021-01-29 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112884165A (zh) * | 2021-03-18 | 2021-06-01 | 中国地质大学（北京） | 面向联邦机器学习的全流程服务迁移方法与系统 |
| CN113177674A (zh) * | 2021-05-28 | 2021-07-27 | 恒安嘉新（北京）科技股份公司 | 网络诈骗的预警方法、装置、设备及介质 |
| CN113240512A (zh) * | 2021-06-15 | 2021-08-10 | 中国银行股份有限公司 | 风险预测模型的构建方法、装置、可读介质以及设备 |
| CN113312667A (zh) * | 2021-06-07 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险防控方法、装置及设备 |
| CN113393175A (zh) * | 2021-08-16 | 2021-09-14 | 杭州天谷信息科技有限公司 | 一种电子合同的风险预测方法以及系统 |
| CN113505520A (zh) * | 2021-05-17 | 2021-10-15 | 京东科技控股股份有限公司 | 用于支持异构联邦学习的方法、装置和系统 |
| CN113609781A (zh) * | 2021-08-16 | 2021-11-05 | 广域铭岛数字科技有限公司 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
| CN113743906A (zh) * | 2021-09-09 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种确定业务处理策略的方法和装置 |
| CN113743677A (zh) * | 2021-09-16 | 2021-12-03 | 成都数融科技有限公司 | 基于联邦学习的个人信用评价模型训练方法及评价方法 |
| CN113902552A (zh) * | 2021-10-26 | 2022-01-07 | 中国联合网络通信集团有限公司 | 信贷欺诈行为识别方法、系统、终端设备及存储介质 |
| CN113988986A (zh) * | 2021-11-02 | 2022-01-28 | 京东城市(北京)数字科技有限公司 | 信用评估方法、装置、电子设备及存储介质 |
| CN114429398A (zh) * | 2022-04-06 | 2022-05-03 | 北京市农林科学院信息技术研究中心 | 数据驱动的新型农业经营主体信用等级生成方法及装置 |
| CN115439236A (zh) * | 2022-11-10 | 2022-12-06 | 天聚地合(苏州)科技股份有限公司 | 基于人脸识别和联邦学习的银行业务处理方法及装置 |
| CN115545216A (zh) * | 2022-10-19 | 2022-12-30 | 上海零数众合信息科技有限公司 | 一种业务指标预测方法、装置、设备和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110078073A1 (en) * | 2009-09-30 | 2011-03-31 | Suresh Kumar Annappindi | System and method for predicting consumer credit risk using income risk based credit score |
| US20140025562A1 (en) * | 2012-07-18 | 2014-01-23 | Corelogic Solutions, Llc. | Enhanced credit reporting system, method and computer program product |
| US20140142988A1 (en) * | 2012-11-21 | 2014-05-22 | Hartford Fire Insurance Company | System and method for analyzing privacy breach risk data |
| CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 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及装置 |
| CN111461874A (zh) * | 2020-04-13 | 2020-07-28 | 浙江大学 | 一种基于联邦模式的信贷风险控制系统及方法 |
| CN111582508A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
| CN111724175A (zh) * | 2020-06-19 | 2020-09-29 | 安徽迪科数金科技有限公司 | 一种应用逻辑回归建模的市民信用积分评估方法 |
| CN111768008A (zh) * | 2020-06-30 | 2020-10-13 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、设备和存储介质 |
| CN111784472A (zh) * | 2020-07-03 | 2020-10-16 | 深圳前海微众银行股份有限公司 | 基于消费数据的风控方法、装置、系统及可读存储介质 |
-
2020
- 2020-11-10 CN CN202011247426.9A patent/CN112270597A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110078073A1 (en) * | 2009-09-30 | 2011-03-31 | Suresh Kumar Annappindi | System and method for predicting consumer credit risk using income risk based credit score |
| US20140025562A1 (en) * | 2012-07-18 | 2014-01-23 | Corelogic Solutions, Llc. | Enhanced credit reporting system, method and computer program product |
| US20140142988A1 (en) * | 2012-11-21 | 2014-05-22 | Hartford Fire Insurance Company | System and method for analyzing privacy breach risk data |
| CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 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及装置 |
| CN111582508A (zh) * | 2020-04-09 | 2020-08-25 | 上海淇毓信息科技有限公司 | 一种基于联邦学习框架的策略制定方法、装置和电子设备 |
| CN111461874A (zh) * | 2020-04-13 | 2020-07-28 | 浙江大学 | 一种基于联邦模式的信贷风险控制系统及方法 |
| CN111724175A (zh) * | 2020-06-19 | 2020-09-29 | 安徽迪科数金科技有限公司 | 一种应用逻辑回归建模的市民信用积分评估方法 |
| CN111768008A (zh) * | 2020-06-30 | 2020-10-13 | 平安科技（深圳）有限公司 | 联邦学习方法、装置、设备和存储介质 |
| CN111784472A (zh) * | 2020-07-03 | 2020-10-16 | 深圳前海微众银行股份有限公司 | 基于消费数据的风控方法、装置、系统及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 李鉴;邵云峰;卢?;吴骏;: "联邦学习及其在电信行业的应用", 信息通信技术与政策, no. 09, 15 September 2020 (2020-09-15) * |
| 杨强: "AI与数据隐私保护：联邦学习的破解之道", 信息安全研究, vol. 5, no. 11, 6 September 2019 (2019-09-06), pages 963 * |
| 白鹏飞等: "基于多模型融合的互联网信贷个人信用评估方法", 华南师范大学学报（自然科学版）, vol. 49, no. 6, 25 December 2017 (2017-12-25), pages 120 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942375A (zh) * | 2019-11-29 | 2020-03-31 | 北京字节跳动网络技术有限公司 | 请求处理方法、装置、电子设备和存储介质 |
| CN112885337A (zh) * | 2021-01-29 | 2021-06-01 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN112884165A (zh) * | 2021-03-18 | 2021-06-01 | 中国地质大学（北京） | 面向联邦机器学习的全流程服务迁移方法与系统 |
| CN112884165B (zh) * | 2021-03-18 | 2023-07-04 | 中国地质大学（北京） | 面向联邦机器学习的全流程服务迁移方法与系统 |
| CN113505520A (zh) * | 2021-05-17 | 2021-10-15 | 京东科技控股股份有限公司 | 用于支持异构联邦学习的方法、装置和系统 |
| CN113177674A (zh) * | 2021-05-28 | 2021-07-27 | 恒安嘉新（北京）科技股份公司 | 网络诈骗的预警方法、装置、设备及介质 |
| CN113312667A (zh) * | 2021-06-07 | 2021-08-27 | 支付宝(杭州)信息技术有限公司 | 一种风险防控方法、装置及设备 |
| CN113312667B (zh) * | 2021-06-07 | 2022-09-02 | 支付宝(杭州)信息技术有限公司 | 一种风险防控方法、装置及设备 |
| CN113240512A (zh) * | 2021-06-15 | 2021-08-10 | 中国银行股份有限公司 | 风险预测模型的构建方法、装置、可读介质以及设备 |
| CN113393175A (zh) * | 2021-08-16 | 2021-09-14 | 杭州天谷信息科技有限公司 | 一种电子合同的风险预测方法以及系统 |
| CN113609781B (zh) * | 2021-08-16 | 2023-12-26 | 广域铭岛数字科技有限公司 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
| CN113609781A (zh) * | 2021-08-16 | 2021-11-05 | 广域铭岛数字科技有限公司 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
| CN113743906A (zh) * | 2021-09-09 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种确定业务处理策略的方法和装置 |
| CN113743677A (zh) * | 2021-09-16 | 2021-12-03 | 成都数融科技有限公司 | 基于联邦学习的个人信用评价模型训练方法及评价方法 |
| CN113743677B (zh) * | 2021-09-16 | 2023-06-30 | 成都数融科技有限公司 | 基于联邦学习的个人信用评价模型训练方法及评价方法 |
| CN113902552A (zh) * | 2021-10-26 | 2022-01-07 | 中国联合网络通信集团有限公司 | 信贷欺诈行为识别方法、系统、终端设备及存储介质 |
| CN113988986A (zh) * | 2021-11-02 | 2022-01-28 | 京东城市(北京)数字科技有限公司 | 信用评估方法、装置、电子设备及存储介质 |
| CN114429398A (zh) * | 2022-04-06 | 2022-05-03 | 北京市农林科学院信息技术研究中心 | 数据驱动的新型农业经营主体信用等级生成方法及装置 |
| CN114429398B (zh) * | 2022-04-06 | 2023-12-22 | 北京市农林科学院信息技术研究中心 | 数据驱动的新型农业经营主体可信等级生成方法及装置 |
| CN115545216A (zh) * | 2022-10-19 | 2022-12-30 | 上海零数众合信息科技有限公司 | 一种业务指标预测方法、装置、设备和存储介质 |
| CN115439236A (zh) * | 2022-11-10 | 2022-12-06 | 天聚地合(苏州)科技股份有限公司 | 基于人脸识别和联邦学习的银行业务处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112270597A (zh) | 业务处理、信用评价模型训练方法、装置、设备及介质 | |
| CN110245510B (zh) | 用于预测信息的方法和装置 | |
| CN110189192B (zh) | 一种信息推荐模型的生成方法及装置 | |
| US20220108026A1 (en) | System and method for multiparty secure computing platform | |
| US20210081366A1 (en) | Method and system for real-time collaboration and annotation-based action creation and management | |
| CN113159327B (zh) | 基于联邦学习系统的模型训练方法、装置、电子设备 | |
| WO2020108046A1 (zh) | 一种跨区块链的交互方法及系统、计算机设备及存储介质 | |
| CN109410076A (zh) | 基于区块链技术的农产品溯源保险公共服务平台 | |
| CN111310204B (zh) | 数据处理的方法及装置 | |
| CN110378755B (zh) | 电子发票生成方法、装置、计算机设备和存储介质 | |
| CN111081337B (zh) | 一种协同任务预测方法及计算机可读存储介质 | |
| CN111526200A (zh) | 一种基于区块链和云平台的数据存储访问方法及系统 | |
| CN112492533B (zh) | 基于区块链技术的5g富媒体消息推送方法及装置 | |
| EP4198783A1 (en) | Federated model training method and apparatus, electronic device, computer program product, and computer-readable storage medium | |
| CN114003971A (zh) | 一种基于区块链技术的物资储检配全流程信息管理方法 | |
| CN111709051A (zh) | 数据处理方法、装置、系统、计算机存储介质及电子设备 | |
| US20100262837A1 (en) | Systems And Methods For Personal Digital Data Ownership And Vaulting | |
| CN112600830B (zh) | 业务数据处理方法、装置、电子设备及存储介质 | |
| CN110689348A (zh) | 基于联盟链的收入验证方法、装置、终端及介质 | |
| CN111553443A (zh) | 裁判文书处理模型的训练方法、训练装置和电子设备 | |
| CN109146683A (zh) | 一种利用区块链的信息管理和认证系统 | |
| US10853808B1 (en) | Method and apparatus for controlled products | |
| US11900455B1 (en) | Method and apparatus for decentralized VC funds | |
| CN111753018B (zh) | 电子函证方法、系统和计算机设备 | |
| CN107248059A (zh) | 一种基于联合管理系统的电子合同签订方法 |
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 |