CN113409134A - 基于联邦学习的企业融资授信方法及装置 - Google Patents

Abstract

本申请实施例提供一种基于联邦学习的企业融资授信方法及装置，涉及人工智能领域，也可用于金融领域，方法包括：接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据；根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的；本申请能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

Description

基于联邦学习的企业融资授信方法及装置

技术领域

本申请涉及人工智能领域，也可用于金融领域，具体涉及一种基于联邦学习的企业融资授信方法及装置。

背景技术

小微信贷具有“期限短、金额小、频率高、需求急”的业务特点，且小微客户群体基数庞大。抗风险能力弱和财务制度不够健全是小微企业的直观特点。

发明人发现，现有技术中的信贷准入和风险防控是通过业务专家制定规则来实现的，仅依靠传统的“专家治贷”手段进行信贷准入和风险防控方式难以为继。

发明内容

针对现有技术中的问题，本申请提供一种基于联邦学习的企业融资授信方法及装置，能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种基于联邦学习的企业融资授信方法，包括：

接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据；

根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

进一步地，还包括：

根据非对称加密规则和企业用户名称将所述企业用户的所有银行维度数据和政务维度数据进行样本对齐操作，得到用于进行联邦学习模型训练的银行维度数据和政务维度数据。

进一步地，还包括：

根据预设联邦学习随机森林算法建立初始联邦学习模型；

在所述初始联邦学习模型训练收敛过程中通过同态加密规则获取并相互传输对应的梯度数据和损失数据，得到模型精度符合精度阈值的联邦学习模型。

进一步地，还包括：

按照设定时间周期获取当前新增的银行维度数据和政务维度数据；

获取并相互传输对应的梯度数据和损失数据，得到更新后的联邦学习模型。

进一步地，所述根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果，包括：

根据所述银行维度数据中的历史准入数据、历史融资数据、贷款金额标签以及联邦学习模型确定所述企业用户的融资准入结果。

第二方面，本申请提供一种基于联邦学习的企业融资授信装置，包括：

银行维度数据确定模块，用于接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据；

联邦学习模型融资评估模块，用于根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

进一步地，还包括：

样本数据对齐单元，用于根据同态加密规则和企业用户名称将所述企业用户的所有银行维度数据和政务维度数据进行样本对齐操作，得到用于进行联邦学习模型训练的银行维度数据和政务维度数据。

进一步地，还包括：

联邦学习建模单元，用于根据预设联邦学习随机森林算法建立初始联邦学习模型；

联邦学习训练单元，用于在所述初始联邦学习模型训练收敛过程中通过同态加密规则获取并相互传输对应的梯度数据和损失数据，得到模型精度符合精度阈值的联邦学习模型。

进一步地，还包括：

新增数据获取单元，用于按照设定时间周期获取当前新增的银行维度数据和政务维度数据；

联邦学习模型更新单元，用于获取并相互传输对应的梯度数据和损失数据，得到更新后的联邦学习模型。

进一步地，所述联邦学习模型融资评估模块包括：

银行融资评估单元，用于根据所述银行维度数据中的历史准入数据、历史融资数据、贷款金额标签以及联邦学习模型确定所述企业用户的融资准入结果。

第三方面，本申请提供一种电子设备，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所述的基于联邦学习的企业融资授信方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于联邦学习的企业融资授信方法的步骤。

由上述技术方案可知，本申请提供一种基于联邦学习的企业融资授信方法及装置，通过不同系统间针对同一企业用户的联邦学习模型的梯度数据和损失数据，使该企业用户的原始数据仍然保存在各个系统本地，建模和模型运行过程中不进行原始数据的交换，能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

附图说明

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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中的基于联邦学习的企业融资授信方法的流程示意图之一；

图2为本申请实施例中的基于联邦学习的企业融资授信方法的流程示意图之二；

图3为本申请实施例中的基于联邦学习的企业融资授信方法的流程示意图之三；

图4为本申请实施例中的基于联邦学习的企业融资授信装置的结构图之一；

图5为本申请实施例中的基于联邦学习的企业融资授信装置的结构图之二；

图6为本申请实施例中的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例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作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。

考虑到现有技术中的信贷准入和风险防控是通过业务专家制定规则来实现的，仅依靠传统的“专家治贷”手段进行信贷准入和风险防控方式难以为继的问题，本申请提供一种基于联邦学习的企业融资授信方法及装置，通过不同系统间相传同一企业用户的联邦学习模型的梯度数据和损失数据，使该企业用户的原始数据仍然保存在各个系统本地，建模和模型运行过程中不进行原始数据的交换，能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

为了能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率，本申请提供一种基于联邦学习的企业融资授信方法的实施例，参见图1，所述基于联邦学习的企业融资授信方法具体包含有如下内容：

步骤S101：接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据。

可选的，企业用户可以通过银行手机端或者政府部门金融服务窗口登陆，输入企业唯一标识(企业名称)后开始走贷款流程。本申请以企业用户向银行发起融资请求为例，银行系统可以根据所述企业用户名称获取对应的银行维度数据，其中，所述银行维度数据可以包括企业对应的历史小微企业准入和融资记录。

可以理解的是，若是企业用户通过政府部门金融服务窗口登陆，即向政府部分发起融资请求，则也可根据所述企业用户名称获取对应的政务维度数据，其中，所述政务维度数据包括但不限于：企业对应的工商登记、税费、税务评级、电力缴存、社保缴存、信用评级、生态记录数据。

步骤S102：根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

可选的，在企业用户向银行发起融资请求时，银行系统可以银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，银行系统的联邦学习模型在进行模型训练时，为了整合第三方数据，提高融资评估准确度，可以从对应的第三方系统(例如一个或多个政务系统)中获取该企业用户的相关数据，基于数据保密和信息安全的考虑，该第三方系统并不直接向银行系统传输原始数据，而是该第三方系统同样对该企业用户进行联邦学习模型的融资评估，在该过程中将产生的梯度数据和损失数据传输至银行系统，同样的，银行系统也可以向其传输自身产生的梯度数据和损失数据，以使各自本地的联邦学习模型更加精准，即整合多方数据。

从上述描述可知，本申请实施例提供的基于联邦学习的企业融资授信方法，能够通过不同系统间相传同一企业用户的联邦学习模型的梯度数据和损失数据，使该企业用户的原始数据仍然保存在各个系统本地，建模和模型运行过程中不进行原始数据的交换，能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

为了能够使不同系统对同一企业用户进行准确的联邦学习模型训练，在本申请的基于联邦学习的企业融资授信方法的一实施例中，还可以具体包含如下内容：

根据非对称加密规则和企业用户名称将所述企业用户的所有银行维度数据和政务维度数据进行样本对齐操作，得到用于进行联邦学习模型训练的银行维度数据和政务维度数据。

具体的，本申请可以通过企业ID将企业历史(例如两年，以月为观察时间点)政务维度数据和银行维度数据进行样本对齐，采用非对称加密的方法完成样本的ID对齐。

为了能够提高对企业用户的融资评估准确度，在本申请的基于联邦学习的企业融资授信方法的一实施例中，参见图2，还可以具体包含如下内容：

步骤S201：根据预设联邦学习随机森林算法建立初始联邦学习模型。

步骤S202：在所述初始联邦学习模型训练收敛过程中通过同态加密规则获取并相互传输对应的梯度数据和损失数据，得到模型精度符合精度阈值的联邦学习模型。

具体的，本申请可以使用联邦学习随机森林算法进行建模，分别求出政府端和银行端两套参数，且两套参数两端分别持有。同态加密保证原始数据不出本地，随机森林模型训练收敛过程中所需的梯度和损失通过同态加密进行传输，且加密过程不可逆，保证了无任何信息泄露。

可以理解的是，使用同态加密的方法，交换政府端和银行端模型训练过程中的梯度和损失，保证两端同时训练得到对应的两套参数。在满足设定模型精度的阈值之后，则认为模型训练完成。

为了能够提高联邦学习模型的评估准确度，在本申请的基于联邦学习的企业融资授信方法的一实施例中，参见图3，还可以具体包含如下内容：

步骤S301：按照设定时间周期获取当前新增的银行维度数据和政务维度数据。

步骤S302：获取并相互传输对应的梯度数据和损失数据，得到更新后的联邦学习模型。

具体的，银行端的作业调度节点可以在设定时间周期(例如每天24点)进行模型的更新，通过纳入最新时点的企业数据各维度进行模型自学习更新。自学习过程中银行端和政府端的存储计算节点完成两套模型参数的更新(通过同态加密的方法进行梯度和损失的交换)。

为了能够根据银行维度数据进行准确的融资评估，在本申请的基于联邦学习的企业融资授信方法的一实施例中，上述步骤S102还可以具体包含如下内容：

根据所述银行维度数据中的历史准入数据、历史融资数据、贷款金额标签以及联邦学习模型确定所述企业用户的融资准入结果。

具体的，虽然针对同一企业用户存在政务维度数据和银行维度数据，但二者也可以存在不同点，例如在银行维度数据中除常规的历史准入数据、历史融资数据外，还可以包括贷款金额标签。

为了能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率，本申请提供一种用于实现所述基于联邦学习的企业融资授信方法的全部或部分内容的基于联邦学习的企业融资授信装置的实施例，参见图4，所述基于联邦学习的企业融资授信装置具体包含有如下内容：

银行维度数据确定模块10，用于接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据。

联邦学习模型融资评估模块20，用于根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

从上述描述可知，本申请实施例提供的基于联邦学习的企业融资授信装置，能够通过不同系统间相传同一企业用户的联邦学习模型的梯度数据和损失数据，使该企业用户的原始数据仍然保存在各个系统本地，建模和模型运行过程中不进行原始数据的交换，能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

为了能够使不同系统对同一企业用户进行准确的联邦学习模型训练，在本申请的基于联邦学习的企业融资授信装置的一实施例中，还具体包含有如下内容：

样本数据对齐单元，用于根据同态加密规则和企业用户名称将所述企业用户的所有银行维度数据和政务维度数据进行样本对齐操作，得到用于进行联邦学习模型训练的银行维度数据和政务维度数据。

为了能够提高对企业用户的融资评估准确度，在本申请的基于联邦学习的企业融资授信装置的一实施例中，还具体包含有如下内容：

联邦学习建模单元，用于根据预设联邦学习随机森林算法建立初始联邦学习模型。

联邦学习训练单元，用于在所述初始联邦学习模型训练收敛过程中通过同态加密规则获取并相互传输对应的梯度数据和损失数据，得到模型精度符合精度阈值的联邦学习模型。

为了能够提高联邦学习模型的评估准确度，在本申请的基于联邦学习的企业融资授信装置的一实施例中，还具体包含有如下内容：

新增数据获取单元，用于按照设定时间周期获取当前新增的银行维度数据和政务维度数据。

联邦学习模型更新单元，用于获取并相互传输对应的梯度数据和损失数据，得到更新后的联邦学习模型。

为了能够根据银行维度数据进行准确的融资评估，在本申请的基于联邦学习的企业融资授信装置的一实施例中，参见图5，所述联邦学习模型融资评估模块20包括：

银行融资评估单元21，用于根据所述银行维度数据中的历史准入数据、历史融资数据、贷款金额标签以及联邦学习模型确定所述企业用户的融资准入结果。

为了更进一步说明本方案，本申请还提供一种应用上述基于联邦学习的企业融资授信装置实现基于联邦学习的企业融资授信方法的具体应用实例，具体包含有如下内容：

1、在商业银行部署联邦学习计算与存储服务(节点)，作业调度服务(节点)，消息传输服务(节点)，在线推理服务(节点)。其中计算与存储服务用来存储小微企业在商业银行中的历史贷款记录，同时承担后续联邦学习训练任务。作业调度服务为联邦学习训练和预估作业的调度任务。消息传输服务帮助商业银行和地方大数据局(平台汇集地方大数据，目前全国如北京等部分大数据局已接受联邦学习等新技术的部署和应用)通过同态加密的方法来对齐每一个小微企业的ID，便于进行后续的计算。在线推理服务指当模型训练完成后，通过数据企业名称获取企业在政务和企业各维度数据来进行准入和融资金额的清单生成。银行节点统称B节点。

2、在政府大数据平台部署联邦学习的计算与存储服务(节点)，消息传输服务(节点)。作业调度和在线推理由商业银行端统一触发。政府部署节点统称G端节点。自此，联邦学习服务在银行和政府两方部署完成。

二、数据存储

1、将政府大数据平台中各企业对应的工商登记、税费、税务评级、电力缴存、社保缴存、信用评级、生态记录数据存储在G端节点。

2、将银行中各企业对应的历史小微企业准入和融资记录存储在B端节点。

三、模型构建

1、采用纵向联邦的方式，首先通过企业ID将企业历史(两年，以月为观察时间点)政务数据和银行数据对齐。采用非对称加密的方法完成样本的ID对齐。

2、由于G端只有样本X，B端有标签Y(贷款金额)，而联邦学习双方都需要进行模型的构建，因此使用同态加密的方法，交换G端和B端模型训练过程中的梯度和损失，保证两端同时训练得到对应的两套参数。在满足设定模型精度的阈值之后，则认为模型训练完成。使用联邦学习随机森林算法进行建模，分别求出G端A1,A2...A11和B端A12，A13两套参数，且两套参数两端分别持有。同态加密保证原始数据不出本地，随机森林模型训练收敛过程中所需的梯度和损失通过同态加密进行传输，且加密过程不可逆，保证了无任何信息泄露。通过模型将原始的G端持有的工商、税务、电力、社保等数据及B端的银行信用、违约标签综合考虑，可实现小微企业的贷款准入。

3、训练完成的模型在B端和G端分别进行存储。

四、在线预估

1、小微企业通过银行手机端或者政府部门金融服务窗口登陆，输入企业唯一标识(企业名称)后开始走贷款流程。

2、B端的作业调度节点在每天(24点)进行模型的更新，通过纳入最新时点的企业数据各维度进行模型自学习更新。自学习过程中B端和G端的存储计算节点完成两套模型参数的更新(通过同态加密的方法进行梯度和损失的交换)。

3、B端的在线推理节点受到请求后进行模型的推理，根据录入企业的各维度特征输入模型，其中G端输入特征数据X1—X11，B端输入X12，X13(此时模型已更新至最新)，完成各小微企业贷款准入，生成可放贷白名单，并将该结果反传银行手机端或政府部门金融服务窗口。

有上述内容可知，本申请通过联邦学习在保证数据安全的情况下，帮助银行获取企业在各政务系统中的数据表现，从而完成小微企业的普惠金融融资服务。对银行而言创新贷款产品，拓展优质小微企业普惠贷款市场，带动结算开户、公司及个人存款理财等业务快速发展。

从硬件层面来说，为了能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率，本申请提供一种用于实现所述基于联邦学习的企业融资授信方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现基于联邦学习的企业融资授信装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的基于联邦学习的企业融资授信方法的实施例，以及基于联邦学习的企业融资授信装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，基于联邦学习的企业融资授信方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

图6为本申请实施例的电子设备9600的系统构成的示意框图。如图6所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图6是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，基于联邦学习的企业融资授信方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

步骤S101：接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据。

步骤S102：根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

从上述描述可知，本申请实施例提供的电子设备，通过不同系统间相传同一企业用户的联邦学习模型的梯度数据和损失数据，使该企业用户的原始数据仍然保存在各个系统本地，建模和模型运行过程中不进行原始数据的交换，能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

在另一个实施方式中，基于联邦学习的企业融资授信装置可以与中央处理器9100分开配置，例如可以将基于联邦学习的企业融资授信装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于联邦学习的企业融资授信方法功能。

如图6所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图6中所示的所有部件；此外，电子设备9600还可以包括图6中没有示出的部件，可以参考现有技术。

如图6所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于联邦学习的企业融资授信方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于联邦学习的企业融资授信方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤S101：接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据。

步骤S102：根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

从上述描述可知，本申请实施例提供的计算机可读存储介质，通过不同系统间相传同一企业用户的联邦学习模型的梯度数据和损失数据，使该企业用户的原始数据仍然保存在各个系统本地，建模和模型运行过程中不进行原始数据的交换，能够在保障数据隐私的前提下，有效整合各方数据，提升企业融资授信的准确率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于联邦学习的企业融资授信方法，其特征在于，所述方法包括：

接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据；

根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

2.根据权利要求1所述的基于联邦学习的企业融资授信方法，其特征在于，还包括：

根据非对称加密规则和企业用户名称将所述企业用户的所有银行维度数据和政务维度数据进行样本对齐操作，得到用于进行联邦学习模型训练的银行维度数据和政务维度数据。

3.根据权利要求1所述的基于联邦学习的企业融资授信方法，其特征在于，还包括：

根据预设联邦学习随机森林算法建立初始联邦学习模型；

在所述初始联邦学习模型训练收敛过程中通过同态加密规则获取并相互传输对应的梯度数据和损失数据，得到模型精度符合精度阈值的联邦学习模型。

4.根据权利要求1所述的基于联邦学习的企业融资授信方法，其特征在于，还包括：

按照设定时间周期获取当前新增的银行维度数据和政务维度数据；

获取并相互传输对应的梯度数据和损失数据，得到更新后的联邦学习模型。

5.根据权利要求1所述的基于联邦学习的企业融资授信方法，其特征在于，所述根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果，包括：

根据所述银行维度数据中的历史准入数据、历史融资数据、贷款金额标签以及联邦学习模型确定所述企业用户的融资准入结果。

6.一种基于联邦学习的企业融资授信装置，其特征在于，包括：

银行维度数据确定模块，用于接收企业用户发送的融资请求，根据所述企业用户名称获取对应的银行维度数据；

联邦学习模型融资评估模块，用于根据所述银行维度数据和联邦学习模型确定所述企业用户的融资准入结果并返回至所述企业用户，其中，所述联邦学习模型在模型训练过程中通过同态加密规则从第三方系统获取对应的梯度数据和损失数据，所述梯度数据和损失数据是所述第三方系统通过所述同态加密规则和所述企业用户名称获取对应的政务维度数据以进行联邦学习模型训练得到的。

7.根据权利要求6所述的基于联邦学习的企业融资授信装置，其特征在于，还包括：

样本数据对齐单元，用于根据同态加密规则和企业用户名称将所述企业用户的所有银行维度数据和政务维度数据进行样本对齐操作，得到用于进行联邦学习模型训练的银行维度数据和政务维度数据。

8.根据权利要求6所述的基于联邦学习的企业融资授信装置，其特征在于，还包括：

联邦学习建模单元，用于根据预设联邦学习随机森林算法建立初始联邦学习模型；

联邦学习训练单元，用于在所述初始联邦学习模型训练收敛过程中通过同态加密规则获取并相互传输对应的梯度数据和损失数据，得到模型精度符合精度阈值的联邦学习模型。

9.一种电子设备，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权利要求1至5任一项所述的基于联邦学习的企业融资授信方法的步骤。

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，该计算机程序被处理器执行时实现权利要求1至5任一项所述的基于联邦学习的企业融资授信方法的步骤。

Images