CN113642737B - 一种基于汽车用户数据的联邦学习方法及系统 - Google Patents
一种基于汽车用户数据的联邦学习方法及系统 Download PDFInfo
- Publication number
- CN113642737B CN113642737B CN202110922324.0A CN202110922324A CN113642737B CN 113642737 B CN113642737 B CN 113642737B CN 202110922324 A CN202110922324 A CN 202110922324A CN 113642737 B CN113642737 B CN 113642737B
- Authority
- CN
- China
- Prior art keywords
- data
- acquiring
- automobile
- model
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000003999 initiator Substances 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 59
- 238000013441 quality evaluation Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于联邦学习技术领域，提供了一种基于汽车用户数据的联邦学习方法及系统，其中，所述方法包括：根据发起方的预设任务构建初始模型，将初始模型上传至中心服务器，各参与方接收中心服务器所下发的初始模型；获取各成员方的汽车用户数据，采用汽车用户数据在本地训练各成员方的初始模型，获取各成员方的模型参数，成员方包括发起方和参与方；获取各成员方的模型参数权重，根据成员方的模型参数和模型参数权重获取聚合模型参数；根据聚合模型参数对中心服务器的模型参数进行更新，并根据中心服务器更新后的模型参数更新各成员方的模型参数；解决了现有技术中联邦学习模型参数的聚合方式不合理的问题。
Description
技术领域
本发明涉及联邦学习技术领域，尤其涉及一种基于汽车用户数据的联邦学习方法及系统。
背景技术
汽车4S店有大量的客户数据，这些客户数据对于汽车销售及生产的优化有很大帮助。受限于用户隐私的问题，这些数据不能直接向其他4S店或汽车生产厂家共享，因此可以通过联邦学习，在保证用户隐私的前提下还能实现知识共享。
联邦学习的过程为中心节点将同一个模型发布给各个子节点，子节点利用自身数据对模型进行训练，然后将训练后的模型参数上传给中心节点，中心节点将各子节点的参数进行聚合得到新的模型。在现有技术中，中心节点对各子节点的参数进行聚合中，多采用将各子节点上传梯度进行平均计算，并以此作为联邦模型参数。但是这种平均计算的方法既不能有效利用子节点数据，也不便于后续利润分配、价值计算，子节点也无法用这样的模型进行本地化训练以解决自身生产销售中的问题。
发明内容
本发明提供一种基于汽车用户数据的联邦学习方法及系统，以解决现有技术联邦学习模型参数的聚合方式不合理的问题。
本发明提供的基于汽车用户数据的联邦学习方法，包括：
根据发起方的预设任务构建初始模型，将所述初始模型上传至中心服务器，各参与方接收中心服务器所下发的初始模型；
获取各成员方的汽车用户数据，采用所述汽车用户数据在本地训练各成员方的初始模型，获取各成员方的模型参数，所述成员方包括发起方和参与方；
获取各成员方的模型参数权重，根据所述成员方的模型参数和所述模型参数权重获取聚合模型参数；
根据所述聚合模型参数对所述中心服务器的模型参数进行更新，并根据所述中心服务器更新后的模型参数更新各成员方的模型参数。
可选的，所述获取各成员方的模型参数权重，具体包括：
获取各成员方的汽车用户数据质量，根据所述汽车用户数据质量获取质量评价参数；
根据所述预设任务获取各成员方的价值评价参数；
根据所述质量评价参数和所述价值评价参数获取各成员方的模型参数权重。
可选的，所述根据预设任务获取各成员方的价值评价参数，具体包括：
根据预设任务对各成员方的汽车用户数据进行分类，获取各成员方的价值数据；
根据所述预设任务和所述发起方的价值数据获取所述发起方的价值评价参数和各个类别价值数据的价值权重；
根据所述价值权重和所述参与方的价值数据获取所述参与方的价值评价参数。
可选的，所述根据所述预设任务和所述发起方的价值数据获取所述发起方的价值评价参数和各个类别价值数据的价值权重，具体包括：
获取所述发起方的汽车数据；
根据所述发起方的汽车数据建立价值权重确定规则；
根据所述价值权重确定规则、所述预设任务和所述发起方的价值数据获取所述发起方的价值评价参数和各个类别价值数据的价值权重。
可选的，所述汽车用户数据包括用户属性数据和用户产品数据，所述采用所述汽车用户数据在本地训练各成员方的初始模型，具体包括：
采用所述汽车用户数据在本地训练各成员方的初始模型，根据所述用户属性数据和用户产品数据的关系分析不同用户的汽车偏好，建立用于构建用户画像的目标模型。
可选的，所述方法，还包括：
获取所述成员方的目标用户数据；
根据所述目标用户数据和所述成员方的目标模型获取目标用户的汽车偏好信息；
获取所述成员方的汽车数据；
根据所述目标用户的汽车偏好和所述成员方的汽车数据获取汽车推荐方案。
可选的，所述方法，还包括：
获取所述成员方的汽车数据；
根据所述成员方的目标模型和所述成员方的汽车用户数据更新所述成员方的汽车数据。
本发明还提供了一种基于汽车用户数据的联邦学习系统，包括：
初始模型构建模块，用于根据发起方的预设任务构建初始模型，将所述初始模型上传至中心服务器，各参与方接收中心服务器所下发的初始模型；
模型训练模块，用于获取各成员方的汽车用户数据，采用所述汽车用户数据在本地训练各成员方的初始模型，获取各成员方的模型参数，所述成员方包括发起方和参与方；
模型参数聚合模块，用于获取各成员方的模型参数权重，根据所述成员方的模型参数和所述模型参数权重获取聚合模型参数；
模型参数更新模块，用于根据所述聚合模型参数对所述中心服务器的模型参数进行更新，并根据所述中心服务器更新后的模型参数更新各成员方的模型参数。
本发明还提供一种电子设备，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行所述汽车用户数据的联邦学习方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述汽车用户数据的联邦学习方法。
本发明的有益效果：本发明中的汽车用户数据的联邦学习方法，根据每个参与方的汽车用户数据质量获取质量评价参数，根据预设任务获取每个参与方的价值评价参数，根据质量评价参数和价值评价参数获取每个参与方的模型参数权重；在此基础上进行联邦学习，有效利用了每个参与方的数据成果，实现了参与方的模型本地化过程，也保障了汽车用户的隐私安全，解决了联邦学习模型参数的聚合方式不合理的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明实施例中基于汽车用户数据的联邦学习方法的流程示意图；
图2是本发明实施例中模型参数权重的获取方法的流程示意图；
图3是本发明实施例中价值评价参数的获取方法的流程示意图；
图4是本发明实施例中基于汽车用户数据的联邦学习系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
第一实施例
图1是本发明在一实施例中提供的基于汽车用户数据的联邦学习方法的流程示意图。
如图1所示，上述基于汽车用户数据的联邦学习方法，包括步骤S110-S140：
S110，根据发起方的预设任务构建初始模型，将初始模型上传至中心服务器，各参与方接收中心服务器所下发的初始模型；
S120，获取各成员方的汽车用户数据，采用汽车用户数据在本地训练各成员方的初始模型，获取各成员方的模型参数；
S130，获取各成员方的模型参数权重，根据成员方的模型参数和模型参数权重获取聚合模型参数；
S140，根据聚合模型参数对中心服务器的模型参数进行更新，并根据中心服务器更新后的模型参数更新各成员方的模型参数。
在一实施例中，上述基于汽车用户数据的联邦学习方法应用于横向联邦学习系统，横向联邦学习系统包括中心服务器和成员方，成员方包括发起方和参与方；成员方包括但不限于汽车4S店、汽车厂商、汽车供应商。
在本实施例的步骤S110中，预设任务若为根据汽车用户数据获取目标用户的汽车偏好，则初始模型可以为用于构建用户画像的初始模型，初始模型包括但不限于深度学习模型；若预设任务为根据汽车用户数据生成目标汽车推荐方案，则初始模型为用于生成汽车推荐方案的初始模型，初始模型包括但不限于深度学习模型。发起方根据发起方的预设任务构建初始模型，然后将初始模型上传至中心服务器，最后各成员方接收中心服务器的初始模型，确保各成员方的初始模型与预设任务相对应，从而实现横向联邦学习。
在本实施例的步骤S120中，各成员方拥有丰富的客户数据，因此各成员方的汽车用户数据可以根据各成员方所存储的汽车用户数据直接获取；具体地，汽车用户数据包括用户属性数据和用户产品数据，用户属性数据即是用户的个人信息，例如：年龄、职业、收入等，用户产品数据即是用户对汽车的偏好信息，例如：颜色、品牌、车型、用电汽车、用油汽车等。获取到汽车用户数据后对汽车用户数据进行去异常数据处理，例如去除缺失值、无效数据、离群数据等；然后对汽车用户数据进行清洗、整理，完成对数据的格式化和命名规则处理，便于某些信息的重新编码，满足后续分析需求；最后根据汽车用户数据属于个人信息或者汽车偏好信息将汽车用户数据划分为用户属性数据和用户产品数据。
在一实施例中，采用汽车用户数据在本地训练各成员方的初始模型具体包括：采用汽车用户数据在本地训练各成员方的初始模型，根据用户属性数据和用户产品数据的关系分析不同用户的汽车偏好，建立用于构建用户画像的目标模型。将用户属性数据输入到用于用户画像的目标模型，输出用户产品数据，从而获取到用户的汽车偏好信息。
在本实施例的步骤S130中，获取各成员方的模型参数权重的具体实现方法请参见图2，图2是本发明在一实施例中模型参数权重的获取方法的流程示意图。
如图2所示，模型参数权重的获取方法可以包括以下步骤S210-S230：
S210，获取各成员方的汽车用户数据质量，根据汽车用户数据质量获取质量评价参数；
S220，根据预设任务获取各成员方的价值评价参数；
S230，根据质量评价参数和价值评价参数获取各成员方的模型参数权重。
在本实施例的步骤S210中，各成员方的汽车用户数据质量可以根据各成员方的汽车用户数据的数据量和各成员方的汽车用户数据与预设任务的相关度来确定。若汽车用户数据质量根据各成员方的汽车用户数据量和各成员方的汽车用户数据与预设任务的相关度进行确定，则根据汽车用户数据质量获取质量评价参数具体包括：根据各成员方的汽车用户数据量获取数据量评价参数；根据各成员方的汽车用户数据与预设任务的相关度确定相关度评价参数；根据各成员方的数据量评价参数和相关度评价参数获取各成员方的质量评价参数。
在一实施例中，根据各成员方的汽车用户数据量获取数据量评价参数具体包括：分别获取各成员方的汽车用户数据的数据量，从而得到汽车用户数据的总数据量，各成员方数据量与总数据量的百分比为各成员方的数据量评价参数。
在一实施例中，根据各成员方的汽车用户数据与预设任务的相关度确定相关度评价参数具体包括：获取完成预设任务需要的数据类别，并根据完成预设任务需要的数据类别对各成员方的汽车用户数据进行分类，得到各成员方的目标分类数据，根据各成员方的目标分类数据的数据量获取总分类数据量，根据各成员方的目标分类数据的数据量与总分类数据量的百分比确定相关度评价参数。在根据完成预设任务需要的数据类别对各成员方的汽车用户数据进行分类得到各成员方的目标分类数据的过程中，若预设任务为根据汽车用户数据获取目标用户的汽车偏好，则完成预设任务需要的数据类型包括：用户属性数据(个人信息)和用户产品数据(汽车偏好信息)，若汽车用户数据中既不属于用户属性数据又不属于用户产品数据，则这类数据不属于目标分类数据，在进行相关度评价参数确定时应去除这类数据。
在一实施例中，根据数据量评价参数和相关度评价参数确定质量评价参数具体包括：根据预设任务设定数据量权重和相关度权重，数据量权重和相关度权重之和为一，例如数据量权重为40％，相关度权重为60％。数据量评价参数与数据量权重相乘得到第一质量评价子参数，相关度评价参数与相关度权重相乘得到第二质量评价子参数，第一质量评价子参数与第二评价子参数相加得到质量评价参数。
在本实施例的步骤S220中，根据预设任务获取各成员方的价值评价参数的具体实现方法请参见图3，图3是本发明在一实施例中价值评价参数的获取方法的流程示意图。
如图3所示，价值评价参数的获取方法可以包括以下步骤S310-S330：
S310，根据预设任务对各成员方的汽车用户数据进行分类，获取各成员方的价值数据；
S320，根据预设任务和发起方的价值数据获取发起方的价值评价参数和各个类别价值数据的价值权重；
S330，根据价值权重和参与方的价值数据获取参与方的价值评价参数。
在一实施例中，价值数据的获取方法先将汽车用户数据划分为用户属性数据和用户产品数据，再分别对用户属性数据和用户产品数据进行分类；具体地，可以根据个人信息(年龄、职业、收入等)对用户属性数据进行分类得到若干个不同类别的价值数据，根据用户对汽车的偏好信息(颜色、品牌、车型、用电汽车、用油汽车)对用户产品数据进行分类得到若干个不同类别的价值数据。
在一实施例中，根据预设任务和发起方的价值数据获取发起方的价值评价参数和各个类别价值数据的价值权重具体包括：获取发起方的汽车数据；根据发起方的汽车数据建立价值权重确定规则；根据价值权重确定规则、预设任务和发起方的价值数据获取发起方的价值评价参数和各个类别价值数据的价值权重。发起方的汽车数据可以根据发起方的汽车信息直接获取，汽车信息包括汽车品牌、车型、颜色、排量等。根据发起方的汽车数据建立价值权重确定规则具体包括根据汽车信息(汽车品牌、车型、颜色、排量等)对汽车数据进行分类，若汽车数据属于同一个类别的差异更大，相应地设置价值权重值越大；例如汽车数据的颜色有5种，而车型有3种，汽车数据属于颜色类别的差异大于车型。根据价值权重确定规则、预设任务和发起方的价值数据获取发起方的价值评价参数和各个类别价值数据的价值权重的过程中，若属于发起方的一种类别价值数据越多，相应地设置这个类别价值数据价值权重值越小；具体地，若发起方的汽车用户数据属于这个类别的价值数据越多，则其他参与方对这个维度价值数据的贡献越小，则设置这个类别价值数据的价值权重值越小。
在一实施例中，还可以根据汽车用户数据和预设任务确定价值权重确定规则以及根据价值权重确定规则和发起方的价值数据获取发起方的价值评价参数和各个类别价值数据的价值权重。通过发起方的汽车数据或者汽车用户数据、预设任务和价值数据确定各个类别价值数据的价值权重充分考虑了每个成员的数据成果，实现了成员方的模型本地化过程；此外，还充分考虑到了预设任务，便于达成预设任务，使得预设任务的完成效果更佳。此外，还可以根据各成员方的价值评价参数对预设任务所产生的利润进行分配。
在一实施例中，采用汽车用户数据在本地训练各成员方的初始模型，根据用户属性数据和用户产品数据的关系分析不同用户的汽车偏好，建立用于构建用户画像的目标模型后，可以根据目标模型获取汽车推荐方案。获取汽车推荐方案的具体实现步骤包括：获取成员方的目标用户数据；根据目标用户数据和成员方的目标模型获取目标用户的汽车偏好信息；获取成员方的汽车数据；根据目标用户的汽车偏好和成员方的汽车数据获取汽车推荐方案。通过建立用于构建用户画像的目标模型，然后基于目标用户数据以及成员方的汽车数据对目标用户进行个性化推荐，对提高成销售人员的销售质量有很大帮助。
在一实施例中，建立用于构建用户画像的目标模型后，还可以根据目标模型对成员方的汽车数据进行更新。更新成员方的汽车数据的具体实现方法包括：获取成员方的汽车数据；根据成员方的目标模型和成员方的汽车用户数据更新成员方的汽车数据。根据成员方的目标模型和成员方的汽车用户数据更新成员方的汽车数据可以通过对汽车生产过程优化、对成员方的汽车配置进行调整等方式来实现，使得更新后的汽车数据更符合目标用户的汽车偏好，便于提高成交率。
第二实施例
基于与第一实施例中方法相同的发明构思，相应的，本实施例还提供了一种基于汽车用户数据的联邦学习系统。
图4为本发明提供的基于汽车用户数据的联邦学习系统的流程示意图。
如图4所示，所示系统4包括：41初始模型构建模块、42模型训练模块、43模型参数聚合模块以及44模型参数更新模块。
其中，初始模型构建模块，用于根据发起方的预设任务构建初始模型，将初始模型上传至中心服务器，各参与方接收中心服务器所下发的初始模型；
模型训练模块，用于获取各成员方的汽车用户数据，采用汽车用户数据在本地训练各成员方的初始模型，获取各成员方的模型参数，成员方包括发起方和参与方；
模型参数聚合模块，用于获取各成员方的模型参数权重，根据成员方的模型参数和模型参数权重获取聚合模型参数；
模型参数更新模块，用于根据聚合模型参数对中心服务器的模型参数进行更新，并根据中心服务器更新后的模型参数更新各成员方的模型参数。
在一些示例性实施例中，模型训练模块包括：
模型训练单元，用于采用汽车用户数据在本地训练各成员方的初始模型，根据用户属性数据和用户产品数据的关系分析不同用户的汽车偏好，建立用于构建用户画像的目标模型。
在一些示例性实施例中，模型参数聚合模块包括：
模型参数权重获取单元，用于获取各成员方的模型参数权重；
聚合模型参数获取单元，用于根据成员方的模型参数和模型参数权重获取聚合模型参数。
在一些示例性实施例中，模型参数权重获取单元包括：
质量评价参数获取单元，用于获取各成员方的汽车用户数据质量，根据汽车用户数据质量获取质量评价参数；
价值评价参数获取单元，用于根据预设任务获取各成员方的价值评价参数；
模型参数权重获取子单元，用于根据质量评价参数和所述价值评价参数获取各成员方的模型参数权重。
在一些示例性实施例中，价值评价参数获取单元包括：
价值数据获取单元，用于根据预设任务对各成员方的汽车用户数据进行分类，获取各成员方的价值数据；
价值权重获取单元，用于根据预设任务和发起方的价值数据获取发起方的价值评价参数和各个类别价值数据的价值权重；
价值评价参数获取子单元，用于根据价值权重和参与方的价值数据获取参与方的价值评价参数。
在一些示例性实施例中，价值权重获取单元包括：
汽车数据获取单元，用于获取发起方的汽车数据；
规则建立单元，用于根据发起方的汽车数据建立价值权重确定规则；
价值权重获取子单元，用于根据价值权重确定规则、预设任务和发起方的价值数据获取发起方的价值评价参数和各个类别价值数据的价值权重。
在一些示例性实施例中，基于汽车用户数据的联邦学习系统还包括：
目标用户数据获取模块，用于获取成员方的目标用户数据；
汽车偏好信息获取模块，用于根据所述目标用户数据和所述成员方的目标模型获取目标用户的汽车偏好信息；
第一汽车数据获取模块，用于获取成员方的汽车数据；
推荐方案获取模块，用于根据所述目标用户的汽车偏好和所述成员方的汽车数据获取汽车推荐方案。
在一些示例性实施例中，基于汽车用户数据的联邦学习系统还包括：
第二汽车数据获取模块，用于获取成员方的汽车数据；
汽车数据更新模块，用于根据成员方的目标模型和成员方的汽车用户数据更新成员方的汽车数据。
本实施例还提供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本实施例中的任一项方法。
本实施例还提供一种电子设备，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子设备，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子设备执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。
在上述实施例中，说明书对“本实施例”、“一实施例”、“另一实施例”、“在一些示例性实施例”或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中，尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构(例如，动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
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。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种基于汽车用户数据的联邦学习方法，其特征在于，所述方法包括：
根据发起方的预设任务构建初始模型，将所述初始模型上传至中心服务器，各参与方接收中心服务器所下发的初始模型；
获取各成员方的汽车用户数据，采用所述汽车用户数据在本地训练各成员方的初始模型，获取各成员方的模型参数，所述成员方包括发起方和参与方；
获取各成员方的汽车用户数据和汽车用户数据的总数据量，基于各成员方的所述汽车用户数据量与所述总数据量之比得到数据量评价参数，获取预设任务需要的数据类别，根据所述数据类别对各成员方的所述汽车用户数据进行分类，得到各成员方的目标分类数据，基于各成员方的所述目标分类数据的数据量获取各成员方的总分类数据量，根据各成员方的目标分类数据的数据量与所述总分类数据量之比确定相关度评价参数，基于所述数据量评价参数和所述相关度评价参数得到质量评价参数，根据所述预设任务获取各成员方的价值评价参数，根据所述质量评价参数和所述价值评价参数获取各成员方的模型参数权重，根据所述成员方的模型参数和所述模型参数权重获取聚合模型参数；
根据所述聚合模型参数对所述中心服务器的模型参数进行更新，并根据所述中心服务器更新后的模型参数更新各成员方的模型参数。
2.根据权利要求1所述的基于汽车用户数据的联邦学习方法，其特征在于，所述根据所述预设任务获取各成员方的价值评价参数，具体包括：
根据预设任务对各成员方的汽车用户数据进行分类，获取各成员方的价值数据；
根据所述预设任务和所述发起方的价值数据获取所述发起方的价值评价参数和各个类别价值数据的价值权重；
根据所述价值权重和所述参与方的价值数据获取所述参与方的价值评价参数。
3.根据权利要求2所述的基于汽车用户数据的联邦学习方法，其特征在于，所述根据所述预设任务和所述发起方的价值数据获取所述发起方的价值评价参数和各个类别价值数据的价值权重，具体包括：
获取所述发起方的汽车数据；
根据所述发起方的汽车数据建立价值权重确定规则；
根据所述价值权重确定规则、所述预设任务和所述发起方的价值数据获取所述发起方的价值评价参数和各个类别价值数据的价值权重。
4.根据权利要求1所述的基于汽车用户数据的联邦学习方法，其特征在于，所述汽车用户数据包括用户属性数据和用户产品数据，所述采用所述汽车用户数据在本地训练各成员方的初始模型，具体包括：
采用所述汽车用户数据在本地训练各成员方的初始模型，根据所述用户属性数据和用户产品数据的关系分析不同用户的汽车偏好，建立用于构建用户画像的目标模型。
5.根据权利要求4所述的基于汽车用户数据的联邦学习方法，其特征在于，所述方法，还包括：
获取所述成员方的目标用户数据；
根据所述目标用户数据和所述成员方的目标模型获取目标用户的汽车偏好信息；
获取所述成员方的汽车数据；
根据所述目标用户的汽车偏好和所述成员方的汽车数据获取汽车推荐方案。
6.根据权利要求4所述的基于汽车用户数据的联邦学习方法，其特征在于，所述方法，还包括：
获取所述成员方的汽车数据；
根据所述成员方的目标模型和所述成员方的汽车用户数据更新所述成员方的汽车数据。
7.一种基于汽车用户数据的联邦学习系统，其特征在于，所述系统包括：
初始模型构建模块，用于根据发起方的预设任务构建初始模型，将所述初始模型上传至中心服务器，各参与方接收中心服务器所下发的初始模型；
模型训练模块，用于获取各成员方的汽车用户数据，采用所述汽车用户数据在本地训练各成员方的初始模型，获取各成员方的模型参数，所述成员方包括发起方和参与方；
模型参数聚合模块，获取各成员方的汽车用户数据和汽车用户数据的总数据量，基于各成员方的所述汽车用户数据量与所述总数据量之比得到数据量评价参数，获取预设任务需要的数据类别，根据所述数据类别对各成员方的所述汽车用户数据进行分类，得到各成员方的目标分类数据，基于各成员方的所述目标分类数据的数据量获取各成员方的总分类数据量，根据各成员方的目标分类数据的数据量与所述总分类数据量之比确定相关度评价参数，基于所述数据量评价参数和所述相关度评价参数得到质量评价参数，根据所述预设任务获取各成员方的价值评价参数，根据所述质量评价参数和所述价值评价参数获取各成员方的模型参数权重，根据所述成员方的模型参数和所述模型参数权重获取聚合模型参数；
模型参数更新模块，用于根据所述聚合模型参数对所述中心服务器的模型参数进行更新，并根据所述中心服务器更新后的模型参数更新各成员方的模型参数。
8.一种电子设备，其特征在于，包括处理器、存储器和通信总线；
所述通信总线用于将所述处理器和存储器连接；
所述处理器用于执行所述存储器中存储的计算机程序，以实现如权利要求1-7中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序用于使所述计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922324.0A CN113642737B (zh) | 2021-08-12 | 2021-08-12 | 一种基于汽车用户数据的联邦学习方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922324.0A CN113642737B (zh) | 2021-08-12 | 2021-08-12 | 一种基于汽车用户数据的联邦学习方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642737A CN113642737A (zh) | 2021-11-12 |
| CN113642737B true CN113642737B (zh) | 2024-03-05 |
Family
ID=78420991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110922324.0A Active CN113642737B (zh) | 2021-08-12 | 2021-08-12 | 一种基于汽车用户数据的联邦学习方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642737B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114331388B (zh) * | 2022-02-08 | 2022-08-09 | 湖南红普创新科技发展有限公司 | 基于联邦学习的薪资计算方法、装置、设备及存储介质 |
| CN116415978B (zh) * | 2023-04-15 | 2024-03-22 | 广州芳禾数据有限公司 | 基于联邦学习和多方计算的文旅消费数据分析方法和装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110874648A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 联邦模型的训练方法、系统和电子设备 |
| CN111008704A (zh) * | 2019-11-29 | 2020-04-14 | 上海能塔智能科技有限公司 | 电动汽车联邦学习的处理方法、装置、设备与存储介质 |
| CN111754000A (zh) * | 2020-06-24 | 2020-10-09 | 清华大学 | 质量感知的边缘智能联邦学习方法及系统 |
| CN111898769A (zh) * | 2020-08-17 | 2020-11-06 | 中国银行股份有限公司 | 基于横向联邦学习的建立用户行为周期模型的方法及系统 |
| CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
| CN112465626A (zh) * | 2020-11-24 | 2021-03-09 | 平安科技（深圳）有限公司 | 基于客户端分类聚合的联合风险评估方法及相关设备 |
| US11017322B1 (en) * | 2021-01-28 | 2021-05-25 | Alipay Labs (singapore) Pte. Ltd. | Method and system for federated learning |
| CN112906903A (zh) * | 2021-01-11 | 2021-06-04 | 北京源堡科技有限公司 | 网络安全风险预测方法、装置、存储介质及计算机设备 |
| CN112990921A (zh) * | 2021-01-29 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 基于区块链的数据处理方法、装置、计算机及存储介质 |
| CN113112027A (zh) * | 2021-04-06 | 2021-07-13 | 杭州电子科技大学 | 一种基于动态调整模型聚合权重的联邦学习方法 |
| CN113205863A (zh) * | 2021-06-04 | 2021-08-03 | 广西师范大学 | 基于蒸馏的半监督联邦学习的个性化模型的训练方法 |
-
2021
- 2021-08-12 CN CN202110922324.0A patent/CN113642737B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111008704A (zh) * | 2019-11-29 | 2020-04-14 | 上海能塔智能科技有限公司 | 电动汽车联邦学习的处理方法、装置、设备与存储介质 |
| CN110874648A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 联邦模型的训练方法、系统和电子设备 |
| CN111754000A (zh) * | 2020-06-24 | 2020-10-09 | 清华大学 | 质量感知的边缘智能联邦学习方法及系统 |
| CN111898769A (zh) * | 2020-08-17 | 2020-11-06 | 中国银行股份有限公司 | 基于横向联邦学习的建立用户行为周期模型的方法及系统 |
| CN112329940A (zh) * | 2020-11-02 | 2021-02-05 | 北京邮电大学 | 一种结合联邦学习与用户画像的个性化模型训练方法及系统 |
| CN112465626A (zh) * | 2020-11-24 | 2021-03-09 | 平安科技（深圳）有限公司 | 基于客户端分类聚合的联合风险评估方法及相关设备 |
| CN112906903A (zh) * | 2021-01-11 | 2021-06-04 | 北京源堡科技有限公司 | 网络安全风险预测方法、装置、存储介质及计算机设备 |
| US11017322B1 (en) * | 2021-01-28 | 2021-05-25 | Alipay Labs (singapore) Pte. Ltd. | Method and system for federated learning |
| CN112990921A (zh) * | 2021-01-29 | 2021-06-18 | 腾讯科技（深圳）有限公司 | 基于区块链的数据处理方法、装置、计算机及存储介质 |
| CN113112027A (zh) * | 2021-04-06 | 2021-07-13 | 杭州电子科技大学 | 一种基于动态调整模型聚合权重的联邦学习方法 |
| CN113205863A (zh) * | 2021-06-04 | 2021-08-03 | 广西师范大学 | 基于蒸馏的半监督联邦学习的个性化模型的训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| An efficient framework for clustered federated learning;Avishek Ghosh 等;Advances in Neural information Processing System;20201231;全文 * |
| 基于区块链的传染病监测与预警技术;欧阳丽炜 等;智能科学与技术学报;20200615(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642737A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10963942B1 (en) | Systems, methods, and devices for generating recommendations of unique items | |
| US11188950B2 (en) | Audience expansion for online social network content | |
| CN111626832B (zh) | 产品推荐方法、装置及计算机设备 | |
| CN107944481B (zh) | 用于生成信息的方法和装置 | |
| CN113642737B (zh) | 一种基于汽车用户数据的联邦学习方法及系统 | |
| JP2011529224A (ja) | 相関性のある情報の推薦 | |
| CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
| JP2014513826A5 (zh) | ||
| US20150134380A1 (en) | Computerized system and method for determining an action person's value to parties to a transaction | |
| CN109784736A (zh) | 一种基于大数据的分析决策系统 | |
| CN110060167A (zh) | 一种保险产品推荐方法、服务器及计算机可读介质 | |
| US10795900B1 (en) | Real time analyses using common features | |
| US20150120731A1 (en) | Preference based clustering | |
| CN104867037A (zh) | 一种画像特征的数据处理方法及装置 | |
| CN113780321A (zh) | 图片审核方法、系统、电子设备及计算机可读介质 | |
| CN112560105B (zh) | 保护多方数据隐私的联合建模方法及装置 | |
| CN113807926A (zh) | 推荐信息生成方法、装置、电子设备和计算机可读介质 | |
| CN116541418A (zh) | 数据查询方法、电子设备及计算机可读存储介质 | |
| TWI634499B (zh) | 資料分析方法、系統及非暫態電腦可讀取媒體 | |
| CN113836393B (zh) | 基于偏好自适应元学习的冷启动推荐方法 | |
| CN110720099A (zh) | 基于种子监督学习提供推荐的系统和方法 | |
| CN114385804A (zh) | 一种基于元学习的异构图注意力神经网络的评论推荐方法 | |
| CN105528379B (zh) | 一种资源的推荐方法和装置 | |
| CN114611022A (zh) | 推送展示信息的方法、装置、设备和存储介质 | |
| CN112862008A (zh) | 偏好预测模型的训练方法及用户偏好的预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |