CN114331540A - 训练模型的方法、确定资产估值的方法和装置 - Google Patents

训练模型的方法、确定资产估值的方法和装置 Download PDF

Info

Publication number
CN114331540A
CN114331540A CN202111646847.3A CN202111646847A CN114331540A CN 114331540 A CN114331540 A CN 114331540A CN 202111646847 A CN202111646847 A CN 202111646847A CN 114331540 A CN114331540 A CN 114331540A
Authority
CN
China
Prior art keywords
noise
representation
region
determining
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111646847.3A
Other languages
English (en)
Other versions
CN114331540B (zh
Inventor
刘吉
余孙婕
张维嘉
刘浩
祝恒书
窦德景
熊辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111646847.3A priority Critical patent/CN114331540B/zh
Publication of CN114331540A publication Critical patent/CN114331540A/zh
Priority to US18/088,872 priority patent/US20230127699A1/en
Application granted granted Critical
Publication of CN114331540B publication Critical patent/CN114331540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种训练模型的方法、确定资产估值的方法、装置、设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及深度学习和自然语言理解等技术领域。具体实现方案为：根据第一特征数据集，确定事件级表征；根据事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将第一价格分布数据发送至中央服务器；根据第二特征数据集，确定第一地域内表征；为第一地域内表征增加噪声信号，得到加噪地域内表征，并将加噪地域内表征发送至客户端；以及响应于接收到来自中央服务器的加噪参数梯度，根据加噪参数梯度，调整第一模型的参数。

Description

训练模型的方法、确定资产估值的方法和装置
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习和自然语言理解等技术领域。
背景技术
房地产估价是指对房地产的市场价值形成无偏见意见的过程，对市场中的各种参与者(如房地产经纪人、估价人员、贷款人和买方)的决策起着至关重要的作用。
发明内容
本公开提供了一种训练模型的方法、确定资产估值的方法、装置、设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种训练模型的方法，包括：根据第一特征数据集，确定事件级表征；根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将所述第一价格分布数据发送至中央服务器；根据第二特征数据集，确定第一地域内表征；为所述第一地域内表征增加噪声信号，得到加噪地域内表征，并将所述加噪地域内表征发送至客户端；以及响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第一模型的参数。
根据本公开的另一方面，提供了一种训练模型的方法，包括：接收来自客户端的加噪地域内表征；根据第三特征数据集合和所述加噪地域内表征，确定地域级表征；根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据；将所述第二价格分布数据发送至中央服务器；以及响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第二模型的参数。
根据本公开的另一方面，提供了一种训练模型的方法，包括：接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据；根据所述第一价格分布数据和所述第二价格分布数据，确定参数梯度；针对所述参数梯度增加噪声，得到加噪参数梯度；以及将所述加噪参数梯度发送至所述第一客户端和所述第二客户端。
根据本公开的另一方面，提供了一种确定资产估值的方法，包括：将第一特征数据集合输入第一模型，得到事件级表征；将第二特征数据集合输入第二模型，得到地域级表征；以及根据所述事件级表征和所述地域级表征，确定资产估值。
根据本公开的另一方面，提供了一种训练模型的装置，包括：第一确定模块，用于根据第一特征数据集，确定事件级表征；第一多任务学习模块，用于根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将所述第一价格分布数据发送至中央服务器；第二确定模块，用于根据第二特征数据集，确定第一地域内表征；第一加噪模块，用于为所述第一地域内表征增加噪声信号，得到加噪地域内表征，并将所述加噪地域内表征发送至客户端；以及第一调整模块，用于响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第一模型的参数。
根据本公开的另一方面，提供了一种训练模型的装置，包括：第一接收模块，用于接收来自客户端的加噪地域内表征；第三确定模块，用于根据第三特征数据集合和所述加噪地域内表征，确定地域级表征；第二多任务学习模块，用于根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据；第一发送模块，用于将所述第二价格分布数据发送至中央服务器；以及第二调整模块，用于响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第二模型的参数。
根据本公开的另一方面，提供了一种训练模型的装置，包括：第二接收模块，用于接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据；梯度确定模块，用于根据所述第一价格分布数据和所述第二价格分布数据，确定参数梯度；第二加噪模块，用于针对所述参数梯度增加噪声，得到加噪参数梯度；以及第二发送模块，用于将所述加噪参数梯度发送至所述第一客户端和所述第二客户端。
根据本公开的另一方面，提供了一种确定资产估值的装置，包括：第一输入模块，用于将第一特征数据集合输入第一模型，得到事件级表征；第二输入模块，用于将第二特征数据集合输入第二模型，得到地域级表征；以及估值确定模块，用于根据所述事件级表征和所述地域级表征，确定资产估值。
本公开的另一个方面提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例所示的方法。
根据本公开实施例的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开实施例所示的方法。
根据本公开实施例的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现本公开实施例所示方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1A是根据本公开实施例的fed-MugRep框架的架构的示意图；
图1B示意性示出了根据本公开实施例的基于fed-MugRep框架进行模型训练的示意图；
图2示意性示出了根据本公开的实施例的训练模型的方法的流程图；
图3示意性示出了根据本公开的实施例的确定事件级表征的方法的流程图；
图4示意性示出了根据本公开的实施例的针对第一模型进行多任务学习的方法的流程图；
图5示意性示出了根据本公开的实施例的确定第一地域内表征的方法的流程图；
图6示意性示出了根据本公开的实施例的计算噪声信号的噪声值的方法的流程图；
图7示意性示出了根据本公开的实施例的确定地域级表征的方法的流程图；
图8示意性示出了根据本公开的实施例的针对第二模型进行多任务学习的方法的流程图；
图9示意性示出了根据本公开的实施例的确定资产估值的方法的流程图；
图10示意性示出了根据本公开实施例的训练模型的装置的框图；
图11示意性示出了根据本公开另一实施例的训练模型的装置的框图；
图12示意性示出了根据本公开实施例的训练模型的装置的框图；以及
图13示意性示出了可以用来实施本公开的实施例的示例电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
应该理解，多任务学习是指多个相关任务同时并行学习，梯度同时反向传播，多个任务通过底层的共享表示来互相帮助学习，提升泛化效果。简单来说，多任务学习可以把多个相关任务放在一起学习，学习过程中，多个任务可以通过一个在浅层的共享表示来互相分享、互相补充其他相关任务学习到的领域相关信息，从而互相促进学习，提升泛化效果。
作为一个可选的方案，可以利用多任务层次图表征学习(MugRep)框架来进行资产估价。其中，资产例如可以包括房地产。基于MugRep，可以首先通过获取和整合多源城市数据，构建特征数据集，从多个角度(如地理分布、流动性分布和居民分布等)对资产进行分析。然后构造一个演化的资产交易图及相应的事件图卷积模块，和一个分层异构地域图卷积模块。接着可以使用以城区划分任务的多任务学习模块来生成不同分布的资产估价。
MugRep中构建特征集所使用的源数据可以来自多个数据源，例如数据源A和数据源B。在资产估值的任务背景下，源数据可能涉及大量的隐私数据，例如由数据源A提供的源数据可以包括地域的人口流动、常住人口收入水平等，由数据源B提供的源数据可以包括单笔资产成交金额等。
若在MugRep实现过程中两数据源之间数据是显式可见的，也就是说，两个数据源相互可以访问对方的源数据，在实际应用过程中可能导致用户数据的泄露，具有安全隐患。
基于此，根据本公开的实施例，可以在原MugRep框架的基础上引入纵向联邦学习，形成新的框架，以下称为fed-MugRep框架。fed-MugRep框架可以通过隔绝源数据并在数据交换过程中使用差分隐私来保护源数据的安全，从而可以在利用多源数据进行高效建模的同时，对多源数据提供隐私保护的能力。
以下将结合图1A对根据本公开实施例的fed-MugRep框架的架构进行描述。
图1A是根据本公开实施例的fed-MugRep框架的示意图。
如图1A所示，该fed-MugRep框架100包括客户端110和多个客户端，例如客户端120、130。
客户端110和/或客户端120、130可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(VirtualPrivate Server，或简称VPS)中，存在的管理难度大，业务扩展性弱的缺陷。客户端110和/或客户端120、130也可以为分布式系统的服务器，或者是结合了区块链的服务器。
在模型训练的每轮迭代中，客户端110可以将当前联合模型分发给随机选择的客户端，例如客户端120、130。接收到联合模型的客户端120、130可以根据其本地数据独立地计算模型的梯度并传递至客户端110。客户端110可以将接收到的梯度进行聚合，以计算新的联合模型。出于对隐私保护的需求，客户端110对客户端120、130的本地数据和训练过程均不可见。
根据本公开的实施例，客户端120、130彼此间物理隔离，分别保存源数据。其中，源数据可以包括多个特征数据集，例如data 1、......data m，每个特征数据集可以包括多个特征，例如特征1_1、......特征1_k，特征p_1、......特征p_n等。客户端120、130可以在自身安全可信的环境内针对房地产估价模型做本地训练，训练过程中不可见任何来自他方的源数据。从而降低了源数据暴露的可能性。
由于MugRep框架的动态地域内图卷积模块和异构地域间图卷积模块互联的过程中，两个数据源之间的数据存在互通，因此隐私泄露的风险较高。根据本公开的实施例的fed-MugRep框架，体现了最小化数据收集原则，可以在提供隐私保护的同时，为局部数据集建立联合模型。另外，fed-MugRep框架可以适用于大规模分布式深度学习模型训练。
图1B示意性示出了根据本公开实施例的基于fed-MugRep框架进行模型训练的示意图。
如图1B所示，根据本公开的实施例，客户端120存储有源数据121。客户端120可以包括事件图卷积模块、动态地域内图卷积模块和多任务学习模块。
客户端120中的事件图卷积模块可以用于根据源数据121确定特征122。然后可以根据特征122确定交易事件图123。接下来利用交易事件图123进行事件级表征学习124，得到总体表征125。
客户端120中的多任务学习模块可以用于根据总体表征125进行多任务学习，得到第一价格分布数据。然后将第一价格分布数据发送至中央服务器110。
客户端120中的动态地域内图卷积模块可以用于根据源数据121确定特征127。然后可以根据特征127确定地域图128。接下来利用地域图128进行地域内表征学习129，得到地域内表征，并将该地域内表征发送给客户端130。
根据本公开的实施例，客户端130存储有源数据131。客户端130可以包括分层异构地域图卷积模块。分层异构地域图卷积模块可以包括动态地域内图卷积模块、异构地域间图卷积模块和多任务学习模块。
客户端130中的动态地域内图卷积模块可以用于根据源数据131确定特征132。然后可以根据特征132以及来自客户端120的地域内表征，确定地域图133。
客户端130中的异构地域间图卷积模块可以用于利用地域图133和来自客户端120的地域内表征，进行地域内表征学习134，得到总体表征135。
客户端130中的多任务学习模块可以用于根据总体表征135进行多任务学习，得到第二价格分布数据。然后将第二价格分布数据发送至中央服务器110。
根据本公开的实施例，中央服务器130可以包括全连接层111。可以用于将来自客户端120的第一价格分布数据和来自客户端130的第二价格分布数据输入全连接层，从而得到资产估值。根据资产估值可以计算梯度，然后将梯度发送至客户端120和客户端130。客户端120和客户端130可以根据该梯度调整各自模型的参数，从而进行模型训练。
根据本公开的实施例，如果在fed-MugRep框架中共享参与方的部分模型参数，其他参与方可以通过模型参数或梯度反向推导出该参与方的源数据分布情况，也会导致严重的隐私泄露问题。因此，可以客户端120向客户端130中的异构地域间图卷积模块传递动态地域内图卷积模块的输出时引入噪声。另外可以在中央服务器110向各参与端传递梯度时对梯度加入差分隐私。从而可以减少隐私数据泄露的风险，提高隐私数据的安全性。
下面将对该框架涉及到的模块，即事件图卷积模块、分层异构地域图卷积模块和多任务学习模块，进行更详细地介绍。
根据本公开的实施例，事件图卷积模块可以用于确定事件级表征(representation)。事件图卷积模块的输入例如可以包括资产概况特征、时间特征，输出例如可以包括事件级表征。
由于在邻近空间或时间产生的资产交易价格具有很强的依赖性，可以对资产交易事件(简称交易事件)构建交易事件图。交易事件图中的节点表示交易事件，节点之间的边表示节点所代表的交易事件之间具有空间或时间上的相关性。每个节点可以具有对应的特征，特征例如可以包括资产概况特征、时间特征等。其中资产例如可以包括房地产。
根据本公开的实施例，历史交易事件包括t个交易事件，每个交易事件具有特征和交易单价，其中价格例如可以包括资产概况特征等。对于第t′个交易事件st′，t’的取值范围是0<t’≤t，表示0到t中任意一个，定义边约束如下。。
Figure BDA0003443378070000081
其中，st+1为目标交易事件征，预测的目标是st+1的资产单位价格。dist(*)表示st+1和st′两个交易事件的位置之间的物理距离，Tt+1-Tt’表示两个交易事件的发生时间之间的间隔，εp表示物理距离限制，εv表示时间间隔限制。
上述公式表示的是加入t+1节点后，遍历0＜t’≤t范围内的所有节点t’，对符合条件(例如上述边约束)的节点t’，加上关联节点t+1的边，从而得到交易事件图
根据本公开的实施例，为了量化历史交易事件对当前事件的影响，引入注意力机制如下：
Figure BDA0003443378070000082
其中，ve和We是能够学习的参数。xt+1是交易事件st+1的特征，xt’是交易事件st′的特征，yt’是交易事件st′的交易单价。其中特征例如可以包括资产概况特征等。
然后可以根据以下公式计算权重：
Figure BDA0003443378070000083
其中，Nt+1是与st+1相邻的交易事件的集合。最后得到第l(表示进化图中的第l个图卷积层)层事件级表征如下：
Figure BDA0003443378070000084
其中，
Figure BDA0003443378070000085
是能够学习的参数，I(l＞1)表示l＞1时为1，其余为0，
Figure BDA0003443378070000086
根据本公开的实施例，分层异构地域图卷积模块可以用于确定地域级表征。分层异构地域图卷积模块的输入例如可以包括房地产概况特征、社区特征、时间特征、地理特征、人口访问特征、流动特征和常住人口概况特征等，输出例如可以包括地域级表征。分层异构地域图卷积模块可以包括动态地域内图卷积模块和异构地域间图卷积模块。
根据本公开的实施例，动态地域内图卷积模块可以用于为异构地域间图卷积模块提供地域内表征。
根据本公开的实施例，可以每个地域构建地域图。地域图中的节点表示对应地域内的交易事件，节点之间的边表示节点所代表的交易事件之间具有空间或时间上的相关性。每个节点可以具有对应的特征，特征例如可以包括资产概况特征、社区特征、时间特征、地理特征、人口访问特征、流动特征和常住人口概况特征等。其中，地域例如可以包括社区，交易事件例如可以包括社区内的历史资产交易事件。
根据本公开的实施例，对于每个地域ci，为地域ci中的交易事件
Figure BDA0003443378070000091
定义边约束如下：
Figure BDA0003443378070000092
其中
Figure BDA0003443378070000093
为地域ci倒数第N。个交易事件与最后一个交易事件
Figure BDA0003443378070000094
之间的天数。
引入注意力机制如下：
Figure BDA0003443378070000095
其中，vu和Wu是能够学习的参数。本实施例中，可以按照上述事件图卷积模块所使用的计算权重的公式计算动态地域内图卷积模块的权重
Figure BDA0003443378070000096
然后根据以下公式计算地域内表征：
Figure BDA0003443378070000097
其中，
Figure BDA0003443378070000098
为地域ci的地域内表征。Whu为能够学习的参数。
根据本公开的实施例，异构地域间图卷积模块可以用于根据多个地域内表征确定总体表征。
示例性地，本实施例中，可以根据地理特征、人口访问特征、流动特征和常住人口概况特征等类型的特征，定义地域间的相似度Ec＝{eg，ev，em，ep}，其中，eg为地理特征相似度，ev为人口访问特征相似度，em为流动特征相似度，ep为常住人口概况特征相似度。以下以地理特征为例说明确定地理特征相似度的方法。可以理解的是，由于四种特征的表征学习过程类似，人口访问特征相似度、流动特征相似度和常住人口概况特征相似度的确定方法可以参考地理特征相似度的确定方法，在此不再赘述。
根据本公开的实施例，可以为地域ci和cj定义地理特征的边约束如下：
Figure BDA0003443378070000101
其中，distg(*)表示地域地理特征之间的欧氏距离。
引入注意力机制如下：
Figure BDA0003443378070000102
其中，vc和Wc是能够学习的参数，pij是四种类型边的one-hot向量。同样按照事件图卷积模块计算权重的公式计算异构地域间图卷积模块的权重αij。然后根据以下公式计算地域级表征：
Figure BDA0003443378070000103
其中，
Figure BDA0003443378070000104
然后可以得到总体表征如下：
Figure BDA0003443378070000105
根据本公开的实施例，多任务学习模块可以用于进行多任务学习，以确定价格分布数据。
根据本公开的实施例，可以通过地域所属的区域划分学习任务。每个区域对应一个学习任务。例如，若以社区划分地域，则可以以社区所属的城区或行政区划分学习任务。这些学习任务共享模型的大部分参数，通过全连接输出层来生成不同地域的价格分布数据
Figure BDA0003443378070000106
该过程可以表示为以下公式：
Figure BDA0003443378070000107
其中，FCm表示第m个学习任务所对应的全连接层，其中，第m个学习任务与第m个区域对应。
Figure BDA0003443378070000108
表示多任务学习的输出结果，即第m区域的价格分布数据。
本公开的技术方案中，所涉及的交易事件、特征数据、模型参数等数据的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
以下将结合图2对本公开提供的训练模型的方法进行描述。
图2示意性示出了根据本公开的实施例的训练模型的方法的流程图。
如图2所示，该方法200包括操作S210a～S270a，操作S210b～S250b，操作S210c～S240c。其中，操作S210a～S270a例如可以由上文所示的第一客户端执行，操作S210b～S250b例如可以由上文所示的第二客户端执行，操作S210c～S240c例如可以由上文所示的中央服务器执行。
在操作S210a，第一客户端根据第一特征数据集，确定事件级表征。
然后，在操作S220a，根据事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据。
在操作S230a，将第一价格分布数据发送至中央服务器。
另外，在操作S240a，第一客户端根据第二特征数据集，确定第一地域内表征。
在操作S250a，为第一地域内表征增加噪声信号，得到加噪地域内表征。
在操作S260a，将加噪地域内表征发送至第二客户端。
需要说明的是，可以先执行操作S210a～S230a，再执行操作S240a～S260a。也可以先执行操作S240a～S260a，再执行操作S210a～S230a。还可以同时执行操作S210a～S230a和操作S240a～S260a。本公开对此不作具体限定。
然后，在操作S210b，第二客户端接收来自第一客户端的加噪地域内表征。
在操作S220b，根据第三特征数据集合和加噪地域内表征，确定地域级表征。
在操作S230b，根据加噪地域内表征和地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据。
在操作S240b，将第二价格分布数据发送至中央服务器。
接下来，在操作S210c，中央服务器接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据。
在操作S220c，根据第一价格分布数据和第二价格分布数据，确定参数梯度。
在操作S230c，针对参数梯度增加噪声，得到加噪参数梯度。
在操作S240c，将加噪参数梯度发送至第一客户端和第二客户端。
第一客户端响应于接收到来自中央服务器的加噪参数梯度，执行操作S270a，根据加噪参数梯度，调整第一模型的参数。
第二客户端响应于接收到来自中央服务器的加噪参数梯度，执行操作S250b，根据加噪参数梯度，调整第二模型的参数。
根据本公开的实施例，第一模型可以为在第一客户端中训练的模型，第一模型例如可以包括上文所示的事件图卷积模块和动态地域内图卷积模块。第二模型可以为在第二客户端中训练的模型，第二模型例如可以包括上文所示的动态地域内图卷积模块和异构地域间图卷积模块。
根据本公开的实施例，第一特征数据集例如可以存储于第一客户端。第二特征数据集例如可以存储于第二客户端。由于第一客户端和第二客户端之间物理隔绝，该两客户端分别保存训练所使用的特征数据，可以减少特征数据之间暴露的可能性，提高隐私数据的安全性。
根据本公开的实施例，中央服务器对来自第一客户端和第二客户端的模型参数再做训练，训练精度较高。另外，在中央服务器向各客户端传递梯度时对梯度加入差分隐私，可以减少隐私泄露的可能性，提高数据的安全性。
以下将结合图3对本公开公开实施例的确定事件级表征的方法进行描述。
图3示意性示出了根据本公开的实施例的确定事件级表征的方法的流程图。
如图3所示，该方法310a包括在操作S311a，根据第一特征数据集，确定交易事件图。
然后，在操作S312a，利用交易事件图进行表征学习，得到事件级表征。
根据本公开的实施例，第一特征数据集例如可以包括多个交易事件的资产概况特征和时间特征。
根据本公开的实施例，例如可以根据多个交易事件的资产概况特征和时间特征，确定多个交易事件中与预测目标相关的第一交易事件。然后根据第一交易事件的资产概况特征和时间特征，确定交易事件图。
例如，预测的目标可以是t+1时刻的资产单位价格，以st+1表示t+1时刻的交易事件。对于第一特征数据集中的每个交易事件st′，可以确定st+1和st′两个交易事件的位置之间的物理距离，以及两个交易事件的发生时间之间的时间间隔。若两个交易事件的物理距离小于或等于物理距离限制，时间间隔小于或等于时间间隔限制，则确定该交易事件st′是为与预测目标相关的第一交易事件。
根据本公开的实施例，确定事件级表征的方法例如可以由上文所示的事件图卷积模块执行。
以下将结合图4对本公开公开实施例的确定第一地域内表征的方法进行描述。
图4示意性示出了根据本公开的实施例的针对第一模型进行多任务学习的方法的流程图。
如图4所示，该方法420a包括在操作S421a，根据事件级表征所对应的区域，将事件级表征分成多个表征集合。
然后，在操作S422a，分别根据多个表征集合中的每个表征集合，执行针对第一模型的学习任务，得到第一价格分布数据。
根据本公开的实施例，该多个表征集合所对应的学习任务之间可以共享至少部分模型参数。
根据本公开的实施例，可以将对应同一个区域的事件级表征作为一个表征集合。
可以理解的是，不同的区域的资产交易价格分布不一致。根据本公开的实施例，在多任务学习时，可以通过一个全连接层来学习不同区域的价格分布，从而得到第一价格分布数据。
根据本公开的实施例，多任务学习的方法例如可以由上文所示的多任务学习模块执行。
以下将结合图5对本公开公开实施例的确定第一地域内表征的方法进行描述。
图5示意性示出了根据本公开的实施例的确定第一地域内表征的方法的流程图。
如图5所示，该方法540a包括在操作S541a，根据第二特征数据集，确定第一地域图。
然后，在操作S542a，利用第一地域图进行表征学习，得到第一地域内表征。
根据本公开的实施例，第二特征数据集例如可以包括：多个交易事件的资产概况特征、时间特征和地域特征。
根据本公开的实施例，例如可以根据多个交易事件的地域特征，将多个交易事件分为多个交易事件集合。针对多个交易事件集合中的每个交易事件集合，确定交易事件集合中与预测目标相关的第二交易事件。然后根据每个第二交易事件的资产概况特征、时间特征和地域特征，确定第一地域图。每个第二交易事件可以作为第一地域图中的节点，第二交易事件的资产概况特征、时间特征和地域特征可以作为该节点的特征。
例如，可以以社区划分地域，然后可以以社区所属的城区或行政区划分学习任务。同一城区或行政区中的交易事件可以作为一个交易事件集合。
例如，预测的目标可以是t+1时刻的资产单位价格，以s′t+1表示t+1时刻的交易事件。对于每个交易事件集合中的每个交易事件s′t′，可以确定s′t+1和s′t′两个交易事件的位置之间的物理距离，以及两个交易事件的发生时间之间的时间间隔。若两个交易事件的物理距离小于或等于物理距离限制，时间间隔小于或等于时间间隔限制，则确定该交易事件s′t′是为与预测目标相关的第二交易事件。
以下将结合图6对本公开公开实施例的计算噪声信号的噪声值的方法进行描述。
图6示意性示出了根据本公开的实施例的计算噪声信号的噪声值的方法的流程图。
如图6所示，该方法600包括在操作S610，获取敏感度和差分隐私参数。
在操作S620，根据敏感度和差分隐私参数，计算第一参数。
在操作S630，从均匀分布的样本空间中抽样，得到第二参数。
在操作S640，根据第一参数和第二参数，计算噪声信号的噪声值。
根据本公开的实施例，通过为第一地域内表征增加噪声信号，可以减少隐私泄露的可能性，提高数据的安全性。
根据本公开的实施例，可以噪声信号例如可以包括Laplace噪声(拉普拉斯)。为了引入Laplace噪声，下面先对Laplace分布进行一下说明。
本实施例中，Laplace分布的定义如下：
Figure BDA0003443378070000151
其中，μ是位置参数，b＞0是尺度参数。
通过将原有的单一查询结果概率化可以达到保护数据隐私的效果。本实施例中，可以基于Laplace分布来实现查询结果的概率化。为了衡量添加噪声对真实情况的影响，可以引入敏感度的概念：
对于任意查询f：N|X|→Rk，
敏感度可以表示为
Figure BDA0003443378070000152
其中，N|x|表示数据的全集。查询f表示一个数值型的查询，将数据的全集N|x|映射到k维实数集Rk。
敏感度可以表示在数据集中损失/变更/添加一条记录对查询f的结果造成的影响，Δf越大，噪声也就越大，Δf越小，噪声也应该越小。从而引出Laplace机制如下：
给定查询f：N|X|→Rk，
Laplace机制可以表示为ML(x，f(·)，ε)＝f(x)+(Y1，Y2，...，Yk)
其中，Yi是独立同分布变量，也就是Laplace随机噪声；ε表示隐私预算(隐私预算越小，隐私保护越好，但噪声越大)，可以根据实际需要设置。示例性地，本实施例中，ε可以选取中间值1，对于更敏感的数据可以选择小于1的值，对于不那么敏感的数据可以选择大于1的值。
可以证明，当噪声
Figure BDA0003443378070000153
时满足ε-差分隐私。
基于此，根据本公开的实施例，可以选取隐私预算ε为1。可以将输入数据中的某一条记录清空为0，根据改变后的输入数据计算出一个输出y’，另外将不改变输入数据的输出记为y。计算y-y’的1范数的最大值。然后可以确定一个比该最大值大的数值作为敏感度。
然后，可以根据以下公式计算第一参数：
Figure BDA0003443378070000161
其中，b为第一参数，Δf为敏感度，ε为差分隐私参数。
接下来，可以从均匀分布的样本空间中抽样得到第二参数，其中。样本空间可以根据实际需要确定。例如，可以取均匀分布α～UNI(-0.5，0.5)。然后将第一参数和第二参数，代入至Laplace分布函数的逆函数中，得满足条件的噪声值。该过程可表示为以下计算公式。
f-1＝-b·sign(α)·ln(1-2·|α|)
其中，f-1为噪声值，b为第一参数，α为第二参数。
以下将结合图7对本公开公开实施例的确定地域级表征的方法进行描述。
图7示意性示出了根据本公开的实施例的确定地域级表征的方法的流程图。
如图7所示，该方法720b包括在操作S721b，根据第三特征数据集和加噪地域内表征，确定第二地域图。
在操作S722b，利用第二地域图进行表征学习，得到第二地域内表征。
在操作S723b，根据第二社内级表征和加噪地域内表征，确定地域级表征。
根据本公开的实施例，第三特征数据集例如可以包括：多个地域的附加特征，其中，附加特征包括地理特征、人口访问特征、流动特征和常住人口概况特征中的至少一个。
根据本公开的实施例，例如可以确定第三特征数据集和每个加噪地域内表征中的每个特征数据所对应的交易事件作为第二地域图中的节点，该交易事件的资产概况特征、时间特征和地域特征可以作为该节点的特征。
根据本公开的实施例，例如可以根据第三特征数据集和加噪地域内表征所对应的地域，将第三特征数据集和加噪地域内表征分为多个地域特征集合。针对多个地域特征集合中的每个地域特征集合，确定地域特征集合中与预测目标相关的目标特征。然后根据目标特征，确定第二地域图。
根据本公开的实施例，例如可以通过上文所示的异构社区间图卷积模块确定地域级表征。
以下将结合图8对本公开公开实施例的针对第二模型进行多任务学习的方法进行描述。
图8示意性示出了根据本公开的实施例的针对第二模型进行多任务学习的方法的流程图。
如图8所示，该方法830b包括在操作S831b，根据加噪地域内表征和地域级表征所对应的地域，将加噪地域内表征和地域级表征分成多个表征集合。
在操作S832b，分别针对多个表征集合中的每个表征集合，执行针对第二模型的学习任务，得到第二价格分布数据。
其中，多个表征集合所对应的学习任务之间共享至少部分模型参数。
根据本公开的实施例，地域可以属于不同的区域。本实施例中，若加噪地域内表征和地域级表征所对应的地域属于相同区域的地域，则将这些特征分为一个表征集合。
根据本公开的实施例，中央服务器存储所有第一客户端和第二客户端使用的交易事件的交易单价。中央服务器可以计算批内每个交易单价的梯度，将它们剪裁到固定的最大范数。最大范数可以用于限定向量的长度或大小，最大范数可以根据实际需要确定。然后将它们聚合为单个参数梯度。接着给每个参数梯度添加高斯噪音。
示例性地，对梯度的差分隐私可以使用的Facebook开源差分隐私库Opacus。
根据本公开的实施例，例如可以通过上文所示的多任务学习模块执行针对第二模型的学习任务。
以下将结合图9对本公开提供的确定资产估值的方法进行描述。
图9示意性示出了根据本公开的实施例的确定资产估值的方法的流程图。
如图9所示，该方法900包括在操作S910，将第一特征数据集合输入第一模型，得到事件级表征。
在操作S920，将第二特征数据集合输入第二模型，得到地域级表征。
在操作S930，根据事件级表征和地域级表征，确定资产估值。
根据本公开的实施例，第一特征数据集合例如可以包括资产概况特征和时间特征。第二特征数据集合例如可以包括资产概况特征、地域特征、时间特征和附加特征，其中，附加特征包括地理特征、人口访问特征、流动特征和常住人口概况特征中的至少一个。
根据本公开的实施例，第一模型例如可以包括上文所示的事件图卷积模块和动态地域内图卷积模块。第二模型可以为在第二客户端中训练的模型，第二模型例如可以包括上文所示的动态地域内图卷积模块和异构地域间图卷积模块。第一模型和第二模型的训练方法例如可以参考上文，在此不再赘述。
根据本公开的实施例，例如可以将事件级表征和地域级表征输入全连接层，从而得到资产估值。其中，全连接层例如可以由上文所示的中央服务器训练得到。本实施例中，资产例如可以包括房地产，资产估值例如可以包括房地产交易单价。
根据本公开的实施例的确定资产估值的方法，可以用于根据历史交易数据预测未来的资产估值，预测精度较高。
图10示意性示出了根据本公开实施例的训练模型的装置的框图。
如图10所示，该训练模型的装置1000包括第一确定模块1010、第一多任务学习模块1020、第二确定模块1030、第一加噪模块1040和第一调整模块1050。
第一确定模块1010，用于根据第一特征数据集，确定事件级表征。
第一多任务学习模块1020，用于根据事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将第一价格分布数据发送至中央服务器。
第二确定模块1030，用于根据第二特征数据集，确定第一地域内表征。
第一加噪模块1040，用于为第一地域内表征增加噪声信号，得到加噪地域内表征，并将加噪地域内表征发送至客户端。
第一调整模块1050，用于响应于接收到来自中央服务器的加噪参数梯度，根据加噪参数梯度，调整第一模型的参数。
图11示意性示出了根据本公开另一实施例的训练模型的装置的框图。
如图11所示，该训练模型的装置1100包括第一接收模块1110、第三确定模块1120、第二多任务学习模块1130、第一发送模块1140和第二调整模块1150。
第一接收模块1110，用于接收来自客户端的加噪地域内表征。
第三确定模块1120，用于根据第三特征数据集合和加噪地域内表征，确定地域级表征。
第二多任务学习模块1130，用于根据加噪地域内表征和地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据。
第一发送模块1140，用于将第二价格分布数据发送至中央服务器。
第二调整模块1150，用于响应于接收到来自中央服务器的加噪参数梯度，根据加噪参数梯度，调整第二模型的参数。
图12示意性示出了根据本公开实施例的训练模型的装置的框图。
如图12所示，该训练模型的装置1200包括第二接收模块1210、梯度确定模块1220、第二加噪模块1230和第二发送模块1240。
第二接收模块1210，用于接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据。
梯度确定模块1220，用于根据第一价格分布数据和第二价格分布数据，确定参数梯度。
第二加噪模块1230，用于针对参数梯度增加噪声，得到加噪参数梯度。
第二发送模块1240，用于将加噪参数梯度发送至第一客户端和第二客户端。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示意性示出了可以用来实施本公开的实施例的示例电子设备1300的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如键盘、鼠标等；输出单元1307，例如各种类型的显示器、扬声器等；存储单元1308，例如磁盘、光盘等；以及通信单元1309，例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如训练模型的方法、确定资产估值的方法。例如，在一些实施例中，训练模型的方法、确定资产估值的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的训练模型的方法、确定资产估值的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行训练模型的方法、确定资产估值的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (26)

1.一种训练模型的方法，包括：
根据第一特征数据集，确定事件级表征；
根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将所述第一价格分布数据发送至中央服务器；
根据第二特征数据集，确定第一地域内表征；
为所述第一地域内表征增加噪声信号，得到加噪地域内表征，并将所述加噪地域内表征发送至客户端；以及
响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第一模型的参数。
2.根据权利要求1所述的方法，还包括：
获取敏感度和差分隐私参数；
根据所述敏感度和所述差分隐私参数，计算第一参数；
从均匀分布的样本空间中抽样，得到第二参数；以及
根据所述第一参数和所述第二参数，计算所述噪声信号的噪声值。
3.根据权利要求2所述的方法，所述根据所述敏感度和所述差分隐私参数，计算第一参数，包括：
根据以下公式计算所述第一参数：
Figure FDA0003443378060000011
其中，所述b为所述第一参数，所述Δf为所述敏感度，所述ε为所述差分隐私参数。
4.根据权利要求2所述的方法，所述根据所述第一参数和所述第二参数，计算所述噪声信号的噪声值，包括：
根据以下公式计算所述噪声值：
f-1＝-b·sign(α)·ln(1-2·|α|)
其中，所述f-1为所述噪声值，所述b为所述第一参数，所述α为所述第二参数。
5.根据权利要求1所述的方法，其中，所述根据第一特征数据集，确定事件级表征，包括：
根据所述第一特征数据集，确定交易事件图；以及
利用所述交易事件图进行表征学习，得到所述事件级表征。
6.根据权利要求5所述的方法，其中，所述第一特征数据集包括：多个交易事件的资产概况特征和时间特征。
7.根据权利要求6所述的方法，其中，所述根据所述第一特征数据集，确定交易事件图，包括：
根据所述多个交易事件的资产概况特征和时间特征，确定所述多个交易事件中与预测目标相关的第一交易事件；以及
根据所述第一交易事件的资产概况特征和时间特征，确定所述交易事件图。
8.根据权利要求1所述的方法，其中，所述根据第二特征数据集，确定第一地域内表征，包括：
根据所述第二特征数据集，确定第一地域图；以及
利用所述第一地域图进行表征学习，得到所述第一地域内表征。
9.根据权利要求8所述的方法，其中，所述第二特征数据集包括：多个交易事件的资产概况特征、时间特征和地域特征。
10.根据权利要求9所述的方法，其中，所述根据所述第二特征数据集，确定第一地域图，包括：
根据所述多个交易事件的地域特征，将所述多个交易事件分为多个交易事件集合；
针对多个交易事件集合中的每个交易事件集合，
确定所述交易事件集合中与预测目标相关的第二交易事件；以及
根据所述第二交易事件的资产概况特征、时间特征和地域特征，确定所述第一地域图。
11.根据权利要求1所述的方法，其中，所述根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，包括：
根据所述事件级表征所对应的区域，将所述事件级表征分成多个表征集合；以及
分别根据所述多个表征集合中的每个表征集合，执行针对第一模型的学习任务，得到所述第一价格分布数据，其中，所述多个表征集合所对应的学习任务之间共享至少部分模型参数。
12.一种训练模型的方法，包括：
接收来自客户端的加噪地域内表征；
根据第三特征数据集合和所述加噪地域内表征，确定地域级表征；
根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据；
将所述第二价格分布数据发送至中央服务器；以及
响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第二模型的参数。
13.根据权利要求12所述的方法，其中，所述根据第三特征数据集合和所述加噪地域内表征，确定地域级表征，包括：
根据所述第三特征数据集和所述加噪地域内表征，确定第二地域图；以及
利用所述第二地域图进行表征学习，得到所述第二地域内表征；以及
根据所述第二社内级表征和所述加噪地域内表征，确定所述地域级表征。
14.根据权利要求13所述的方法，其中，所述根据所述第三特征数据集和所述加噪地域内表征，确定第二地域图，包括：
根据所述第三特征数据集和所述加噪地域内表征所对应的地域，将所述第三特征数据集和所述加噪地域内表征分为多个地域特征集合；
针对多个地域特征集合中的每个地域特征集合，
确定所述地域特征集合中与预测目标相关的目标特征；以及
根据所述目标特征，确定所述第二地域图。
15.根据权利要求12所述的方法，其中，所述根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据，包括：
根据所述加噪地域内表征和所述地域级表征所对应的地域，将所述加噪地域内表征和所述地域级表征分成多个表征集合；以及
分别针对所述多个表征集合中的每个表征集合，执行针对第二模型的学习任务，得到所述第二价格分布数据，其中，所述多个表征集合所对应的学习任务之间共享至少部分模型参数。
16.根据权利要求12-15中任一项所述的方法，其中，所述第三特征数据集包括：多个地域的附加特征，其中，所述附加特征包括地理特征、人口访问特征、流动特征和常住人口概况特征中的至少一个。
17.一种训练模型的方法，包括：
接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据；
根据所述第一价格分布数据和所述第二价格分布数据，确定参数梯度；
针对所述参数梯度增加噪声，得到加噪参数梯度；以及
将所述加噪参数梯度发送至所述第一客户端和所述第二客户端。
18.一种确定资产估值的方法，包括：
将第一特征数据集合输入第一模型，得到事件级表征；
将第二特征数据集合输入第二模型，得到地域级表征；以及
根据所述事件级表征和所述地域级表征，确定资产估值。
19.根据权利要求18所述的方法，其中，所述第一特征数据集合包括资产概况特征和时间特征；
所述第二特征数据集合包括资产概况特征、地域特征、时间特征和附加特征，其中，附加特征包括地理特征、人口访问特征、流动特征和常住人口概况特征中的至少一个。
20.一种训练模型的装置，包括：
第一确定模块，用于根据第一特征数据集，确定事件级表征；
第一多任务学习模块，用于根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将所述第一价格分布数据发送至中央服务器；
第二确定模块，用于根据第二特征数据集，确定第一地域内表征；
第一加噪模块，用于为所述第一地域内表征增加噪声信号，得到加噪地域内表征，并将所述加噪地域内表征发送至客户端；以及
第一调整模块，用于响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第一模型的参数。
21.一种训练模型的装置，包括：
第一接收模块，用于接收来自客户端的加噪地域内表征；
第三确定模块，用于根据第三特征数据集合和所述加噪地域内表征，确定地域级表征；
第二多任务学习模块，用于根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据；
第一发送模块，用于将所述第二价格分布数据发送至中央服务器；以及
第二调整模块，用于响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第二模型的参数。
22.一种训练模型的装置，包括：
第二接收模块，用于接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据；
梯度确定模块，用于根据所述第一价格分布数据和所述第二价格分布数据，确定参数梯度；
第二加噪模块，用于针对所述参数梯度增加噪声，得到加噪参数梯度；以及
第二发送模块，用于将所述加噪参数梯度发送至所述第一客户端和所述第二客户端。
23.一种确定资产估值的装置，包括：
第一输入模块，用于将第一特征数据集合输入第一模型，得到事件级表征；
第二输入模块，用于将第二特征数据集合输入第二模型，得到地域级表征；以及
估值确定模块，用于根据所述事件级表征和所述地域级表征，确定资产估值。
24.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-19中任一项所述的方法。
25.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-19中任一项所述的方法。
26.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-19中任一项所述方法的步骤。
CN202111646847.3A 2021-12-29 2021-12-29 训练模型的方法、确定资产估值的方法和装置 Active CN114331540B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111646847.3A CN114331540B (zh) 2021-12-29 2021-12-29 训练模型的方法、确定资产估值的方法和装置
US18/088,872 US20230127699A1 (en) 2021-12-29 2022-12-27 Method of training model and method of determining asset valuation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111646847.3A CN114331540B (zh) 2021-12-29 2021-12-29 训练模型的方法、确定资产估值的方法和装置

Publications (2)

Publication Number Publication Date
CN114331540A true CN114331540A (zh) 2022-04-12
CN114331540B CN114331540B (zh) 2023-09-15

Family

ID=81017123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111646847.3A Active CN114331540B (zh) 2021-12-29 2021-12-29 训练模型的方法、确定资产估值的方法和装置

Country Status (2)

Country Link
US (1) US20230127699A1 (zh)
CN (1) CN114331540B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640611A (zh) * 2022-11-25 2023-01-24 荣耀终端有限公司 一种自然语言处理模型的更新方法及相关设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460614A (zh) * 2017-02-22 2018-08-28 孟俊永 基于集成学习方法的房地产价格自动评价系统及方法
CN111260061A (zh) * 2020-03-09 2020-06-09 厦门大学 联邦学习梯度交换中的差异化加噪方法及系统
CN112333216A (zh) * 2021-01-07 2021-02-05 索信达(北京)数据技术有限公司 一种基于联邦学习的模型训练方法及系统
CN113282960A (zh) * 2021-06-11 2021-08-20 北京邮电大学 一种基于联邦学习的隐私计算方法、装置、系统及设备
CN113469373A (zh) * 2021-08-17 2021-10-01 北京神州新桥科技有限公司 基于联邦学习的模型训练方法、系统、设备及存储介质
CN113591145A (zh) * 2021-07-28 2021-11-02 西安电子科技大学 基于差分隐私和量化的联邦学习全局模型训练方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460614A (zh) * 2017-02-22 2018-08-28 孟俊永 基于集成学习方法的房地产价格自动评价系统及方法
CN111260061A (zh) * 2020-03-09 2020-06-09 厦门大学 联邦学习梯度交换中的差异化加噪方法及系统
CN112333216A (zh) * 2021-01-07 2021-02-05 索信达(北京)数据技术有限公司 一种基于联邦学习的模型训练方法及系统
CN113282960A (zh) * 2021-06-11 2021-08-20 北京邮电大学 一种基于联邦学习的隐私计算方法、装置、系统及设备
CN113591145A (zh) * 2021-07-28 2021-11-02 西安电子科技大学 基于差分隐私和量化的联邦学习全局模型训练方法
CN113469373A (zh) * 2021-08-17 2021-10-01 北京神州新桥科技有限公司 基于联邦学习的模型训练方法、系统、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115640611A (zh) * 2022-11-25 2023-01-24 荣耀终端有限公司 一种自然语言处理模型的更新方法及相关设备

Also Published As

Publication number Publication date
US20230127699A1 (en) 2023-04-27
CN114331540B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
Li et al. Credit scoring by incorporating dynamic networked information
Yang et al. ENHANCING FINANCIAL SERVICES THROUGH BIG DATA AND AI-DRIVEN CUSTOMER INSIGHTS AND RISK ANALYSIS
CN112580733B (zh) 分类模型的训练方法、装置、设备以及存储介质
Long et al. Does network topology influence systemic risk contribution? A perspective from the industry indices in Chinese stock market
Fathi Vajargah et al. Simulation of stochastic differential equation of geometric Brownian motion by quasi-Monte Carlo method and its application in prediction of total index of stock market and value at risk
CN115062163A (zh) 异常组织的识别方法、装置、电子设备和介质
CN112292699B (zh) 确定执行设备的动作选择方针的方法和装置
CN114331540B (zh) 训练模型的方法、确定资产估值的方法和装置
CN116432040B (zh) 基于联邦学习的模型训练方法、装置、介质以及电子设备
CN113158030A (zh) 异地兴趣点的推荐方法、装置、电子设备及存储介质
US11381467B2 (en) Method and system for generating synthetic data from aggregate dataset
CN114818892A (zh) 一种信用等级确定方法、装置、设备及存储介质
CN111291196A (zh) 知识图谱的完善方法及装置、数据处理方法及装置
CN114820164A (zh) 信用卡额度评估方法、装置、设备及介质
CN114565030B (zh) 特征筛选方法、装置、电子设备和存储介质
Wang et al. Kernel‐Based Aggregating Learning System for Online Portfolio Optimization
CN114844889B (zh) 视频处理模型的更新方法、装置、电子设备及存储介质
US11756057B2 (en) Method and system for estimating vulnerability and systemic importance in transaction networks
JP7366218B1 (ja) 情報処理装置、方法及びプログラム
US20220405849A1 (en) Forecasting Cumulative Annual Activity of Major Tropical Cyclones and the Relevant Risk to Financial Assets
Yosipof et al. Crowdfunding technology projects: The impact of textual characterization on project success
Cipolina-Kun et al. Mathematical Foundations of Regression Methods for Approximating the Forward Initial Margin.
Antwi et al. Efficient Pricing of Path Dependent Options with Low Volatility
CN118780793A (zh) 异常对象确定方法及相关设备
Tang et al. An efficient and precise multi-candidate viewpoint filtering algorithm for terrain viewshed selection

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