CN115391734B - 一种基于联邦学习的客户满意度分析系统 - Google Patents
一种基于联邦学习的客户满意度分析系统 Download PDFInfo
- Publication number
- CN115391734B CN115391734B CN202211242152.3A CN202211242152A CN115391734B CN 115391734 B CN115391734 B CN 115391734B CN 202211242152 A CN202211242152 A CN 202211242152A CN 115391734 B CN115391734 B CN 115391734B
- Authority
- CN
- China
- Prior art keywords
- change
- satisfaction
- local
- value
- parameter
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明提供一种基于联邦学习的客户满意度分析系统,包括第一寄存器、以第一计算处理器为核心的参数变化分析模块、以第二计算处理器为核心的参数变化对比模块和以第三计算处理器为核心的满意度评估模块,所述第一寄存器保存各客户终端上传的本地参数,所述参数变化分析模块对所述本地参数的变化情况进行分析得到变化指数,所述参数变化对比模块对所有用户的变化指数进行比较得到标准值,所述满意度评估模块基于标准值和客户的变化指数算出每个客户对联邦学习系统的满意度值;系统通过本地模型在训练过程中的参数变化分析得到本地模型在联邦学习中的效果来调整训练的数据或本地模型的结构,从而获得更好的本地模型以提高客户满意度。
Description
技术领域
本申请涉及数据分析的技术领域,具体涉及一种基于联邦学习的客户满意度分析系统。
背景技术
客户满意度能够在一定程度上反映服务质量,有利于后期的客户维护与开发,人工统计的工作量大,很多都采用抽查的形式进行,样本容量不足,并且因为人为因素的存在,容易出现遗漏、统计偏差和主观性的倾向等问题,导致统计结果反映出样本中客户满意度的情况与实际情况存在偏离。如公开号为CN111915328A所公开的系统,包括:获取第一时间节点和第二时间节点之间的样本数据信息;对样本数据信息进行分类;获取未完成数据群中的样本数据信息;将未完成数据群中的样本数据信息中的语音信息转换为文字信息;对文字信息进行解析,提取其中的关键字信息,所述关键字信息的数量为一个或者多个;统计每一个关键字信息的出现频次;以及计算各关键字信息的出现频次在未完成数据群中的样本数据信息数量中的占比。但是现有的系统只是对统计进行系统化软件化,而没有对满意度进行分析评议以及基于大数据对优化的效果进行评析,而且模型优化的速度有待提高。
发明内容
本发明的目的在于,针对所存在的不足,提出了一种基于联邦学习的客户满意度分析系统。
本发明采用如下技术方案:
一种基于联邦学习的客户满意度分析系统,包括第一寄存器、参数变化分析模块、参数变化对比模块和满意度评估模块,所述第一寄存器用于接收并保存各个客户终端上传的本地参数,所述参数变化分析模块用于对每个客户终端上传的本地参数的变化情况进行分析得到变化指数,所述参数变化对比模块用于对所有用户的变化指数进行比较得到标准值,所述满意度评估模块基于标准值和客户的变化指数计算出每个客户对联邦学习系统的满意度值;
所述参数变化分析模块包括第一计算处理器和第二寄存器,
所述第一计算处理器根据客户终端上传的本地参数处理得到变化基数a,具体包括:根据采用本地参数的变化,将得到的多个变化基数a记为数组{ak},ak表示第k个变化基数a,并基于数组{ak}计算出第一变化指数P1和第二变化指数P2:
其中,c为得到的变化基数的数量;
所述第二寄存器用于保存变化基数、第一变化指数和第二变化指数;
所述参数变化对比模块包括第二计算处理器和第三寄存器;
所述第二计算处理器将所有客户的第一变化指数P1进行对比处理得到第一标准值P10,并将所有客户的第二变化指数P2进行对比处理得到第二标准值P20,所述第三寄存器用于保存第一标准值和第二标准值;
所述满意度评估模块包括第三计算处理器和第四寄存器;
所述第三计算处理器根据下式计算出模型评估值Q:
所述模型评估值以1为分界点,模型评估值小于1时联邦学习系统对本地模型的完善效果为负效果,模型评估值大于1时联邦学习系统对本地模型的完善效果为正效果,且模型评估值越大完善效果越好;
所述满意度评估模块的第三计算处理器根据下式计算出满意度值Qm:
Qm=Q·Δ;
其中,Δ为用户的本地模型输出结果与实际情况之间的偏差值;
所述第四寄存器用于保存满意度值和模型评估值;
所述系统还包括输入输出模块,所述输入输出模块为带有屏幕的电子设备,通过所述输入输出模块能够选择需要上传的本地参数并显示最终的满意度值;
进一步的,所述第一计算处理器根据本地参数生成一个输入矩阵X:
X=(aij)m×n;
其中,n为每组本地参数的参数数量,m为本地参数的组数,aij表示第i组第j个具体参数值;
所述第一计算处理器将所述输入矩阵X根据下式进行处理:
Y=(bij)n×1=XT×K;
其中,K为m行1列的矩阵,矩阵K中的元素值为-1、1和0,且-1和1的元素个数相同,bij为矩阵Y中第i行第j列的元素;
所述第一计算处理器根据下式以及矩阵Y中的元素计算出输入矩阵X的变化基数a:
进一步的,所述参数变化对比模块的第二计算处理器获取所有客户的第一变化指数和第二变化指数,挑选出P2小于0的客户作为目标客户,求出所有目标客户的第一变化指数P1的平均值作为第一标准值P10,求出所有目标客户的第二变化指数P2的平均值作为第二标准值P20;
进一步的,所述参数变化分析模块的第一计算处理器将客户终端上传的所有本地参数用于生成第一个输入矩阵X并计算出变化基数,然后保留输入矩阵X中最新的一半本地参数数据作为新的输入矩阵X并计算出其变化基数,不断重复该过程直至所述输入矩阵X中本地参数数据的组数少于有效组数;
进一步的,所述参数变化分析模块还包括至少一个向量生成器,每个向量生成器获取一个客户的本地参数数据,每一组本地参数转换成一个向量,再将向量构成输入矩阵X。
本发明所取得的有益效果是:
本系统将客户终端上传的本地参数转换成矩阵,对矩阵进行处理后得到变化基数,所述变化基数能够反应出对应的本地参数的变化风格,然后通过改变采用本地参数的数量以及时间范围,得到不断变化的变化基数,对变化基数进行分析得到本地参数的优化效果,将变化基数的变化趋势通过公式计算出满意度值,根据满意度值能够更加直观的反映出本地模型的优化效果。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图;
图2为本发明数据处理过程示意图;
图3为本发明第一种变化基数分布情况示意图;
图4为本发明第二种变化基数分布情况示意图;
图5为本发明第三种变化基数分布情况示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不悖离本发明的精神下进行各种修饰与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。
实施例一。
在联邦学习中,客户在终端建立本地模型,所述本地模型对本地数据进行训练,在训练过程中得到本地参数,本地参数被上传至中央服务器中,所述中央服务器中设有联合模型,所述联合模型对所有客户上传的本地参数进行训练得到服务参数,所述服务参数被反馈至各个终端,终端基于服务参数对本地模型进行调整完善,本系统用于对服务参数对本地模型的完善效果进行分析,得到客户在联邦学习中的满意度结果;
本实施例提供了一种基于联邦学习的客户满意度分析系统,结合图1,包括第一寄存器、参数变化分析模块、参数变化对比模块和满意度评估模块,所述第一寄存器用于接收并保存各个客户终端上传的本地参数,所述参数变化分析模块用于对每个客户终端上传的本地参数的变化情况进行分析得到变化指数,所述参数变化对比模块用于对所有用户的变化指数进行比较得到标准值,所述满意度评估模块基于标准值和客户的变化指数计算出每个客户对联邦学习系统的满意度值;
所述参数变化分析模块包括第一计算处理器和第二寄存器,
结合图2,所述第一计算处理器根据客户终端上传的本地参数处理得到变化基数a,具体包括:根据采用本地参数的变化,将得到的多个变化基数a记为数组{ak},ak表示第k个变化基数a,并基于数组{ak}计算出第一变化指数P1和第二变化指数P2:
其中,c为得到的变化基数的数量;
所述第二寄存器用于保存变化基数、第一变化指数和第二变化指数;
所述参数变化对比模块包括第二计算处理器和第三寄存器;
所述第二计算处理器将所有客户的第一变化指数P1进行对比处理得到第一标准值P10,并将所有客户的第二变化指数P2进行对比处理得到第二标准值P20,所述第三寄存器用于保存第一标准值和第二标准值;
所述满意度评估模块包括第三计算处理器和第四寄存器;
所述第三计算处理器根据下式计算出模型评估值Q:
所述模型评估值以1为分界点,模型评估值小于1时联邦学习系统对本地模型的完善效果为负效果,模型评估值大于1时联邦学习系统对本地模型的完善效果为正效果,且模型评估值越大完善效果越好;
所述满意度评估模块的第三计算处理器根据下式计算出满意度值Qm:
Qm=Q·Δ;
其中,Δ为用户的本地模型输出结果与实际情况之间的偏差值;
所述第四寄存器用于保存满意度值和模型评估值;
所述系统还包括输入输出模块,所述输入输出模块为带有屏幕的电子设备,通过所述输入输出模块能够选择需要上传的本地参数并显示最终的满意度值;
所述第一计算处理器根据本地参数生成一个输入矩阵X:
X=(aij)m×n;
其中,n为每组本地参数的参数数量,m为本地参数的组数,aij表示第i组第j个具体参数值;
所述第一计算处理器将所述输入矩阵X根据下式进行处理:
Y=(bij)n×1=XT×K;
其中,K为m行1列的矩阵,矩阵K中的元素值为-1、1和0,且-1和1的元素个数相同,bij为矩阵Y中第i行第j列的元素;
所述第一计算处理器根据下式以及矩阵Y中的元素计算出输入矩阵X的变化基数a:
所述参数变化对比模块的第二计算处理器获取所有客户的第一变化指数和第二变化指数,挑选出P2小于0的客户作为目标客户,求出所有目标客户的第一变化指数P1的平均值作为第一标准值P10,求出所有目标客户的第二变化指数P2的平均值作为第二标准值P20;
所述参数变化分析模块的第一计算处理器将客户终端上传的所有本地参数用于生成第一个输入矩阵X并计算出变化基数,然后保留输入矩阵X中最新的一半本地参数数据作为新的输入矩阵X并计算出其变化基数,不断重复该过程直至所述输入矩阵X中本地参数数据的组数少于有效组数;
所述参数变化分析模块还包括至少一个向量生成器,每个向量生成器获取一个客户的本地参数数据,每一组本地参数转换成一个向量,再将向量构成输入矩阵X。
实施例二。
本实施例包含了实施例一中的全部内容,提供了一种基于联邦学习的客户满意度分析系统,包括第一寄存器、参数变化分析模块、参数变化对比模块和满意度评估模块,所述第一寄存器用于保存用户上传的本地参数,所述参数变化分析模块用于对单一客户的本地参数变化趋势进行分析得到变化指数,所述参数变化对比模块对所有客户的变化指数进行比较制定评估标准,所述满意度评估模块基于所述评估标准对各用户的变化指数进行计算处理得到满意度值;
不同的客户终端上传的本地参数的数量和类型是不一致的,但同一个客户终端每次上传的本地参数的数量和类型是一致的,所述第一寄存器根据客户数量设置相同数量的存储空间,每个存储空间用于保存一个客户的本地参数数据,所述存储空间内设置若干个条形存储单元,每个条形存储单元用于保存一组本地参数,所述条形存储单元的空间大小根据每组本地参数中的参数数量设定;
所述参数变化分析模块包括若干个向量生成器,每个向量生成器从一个存储空间中获取本地参数数据,每一组本地参数转换成一个向量,再将向量构成一个输入矩阵,所述输入矩阵用X表示:
X=(aij)m×n;
其中,n为每组本地参数的参数数量,m为本地参数的组数,aij表示第i组第j个具体参数值;
所述参数变化分析模块将所述输入矩阵根据下式进行处理:
Y=(bij)n×1=XT×K;
所述矩阵K的元素值通过随机函数rand()生成,当m为偶数时,矩阵K的生成过程包括如下步骤:
S1、令计数器Nu的值为1;
S2、使用rand(-1,1)随机生成一个数α,将矩阵K中第Nu个元素值设置为α,其中,rand(-1,1)表示随机生成一个值为-1或1的数;
S3、分别统计出矩阵K中元素值为-1的个数N(-1)和元素值为1的个数N(1);
S5、令矩阵K中剩余元素的值为1;
S6、令矩阵K中剩余元素的值为-1;
S7、令Nu累加1,跳至步骤S2;
当m为奇数时,矩阵K的生成过程包括如下步骤:
S21、使用rand(m)随机生成一个数β,令矩阵K中第β个元素值设置为0,其中,rand(m)表示随机生成一个不大于m的正整数;
S22、令计数器Nu的值为1;
S23、判断Nu是否等于β,若是,则令Nu累加1;
S24、使用rand(-1,1)随机生成一个数α,将矩阵K中第Nu个元素值设置为α;
S25、分别统计出矩阵K中元素值为-1的个数N(-1)和元素值为1的个数N(1);
S27、令矩阵K中剩余元素的值为1;
S28、令矩阵K中剩余元素的值为-1;
S29、令Nu累加1,跳至步骤S23;
所述参数变化分析模块的第一计算处理器根据下式以及矩阵Y中的元素计算出输入矩阵X的变化基数a:
所述参数变化分析模块保留输入矩阵X中最新的一半本地参数数据作为新的输入矩阵X并计算出其变化基数,不断重复该过程直至所述输入矩阵X中本地参数数据的组数少于有效组数,得到的变化基数按照顺序排列得到数组{ak},ak表示得到的第k个变化基数a,所述有效组数能够根据经验自行设定;
所述参数变化分析模块的第一计算处理器基于数组{ak}计算出第一变化指数P1和第二变化指数P2:
其中,c为得到的变化基数的数量;
当所述第一变化指数P1越接近于0时,表示对应客户获得的服务参数对本地模型的完善效果越普通;
当所述第二变化指数P2小于0且越接近于0时,表示对应客户获得的服务参数对本地模型的完善效果越好;
结合图3、图4和图5,图3为第一变化指数P1接近于0的数组{ak}变化图,图4为第二变化指数P2小于0的数组{ak}变化图,图5为第二变化指数P2大于0的数组{ak}变化图,完善效果从好到差的排序依次为图4、图3和图5;
所述参数变化对比模块的第二计算处理器获取所有客户的第一变化指数和第二变化指数,挑选出P2小于0的客户作为目标客户,求出所有目标客户的第一变化指数P1的平均值作为第一标准值P10,求出所有目标客户的第二变化指数P2的平均值作为第二标准值P20;
所述满意度评估模块的第三计算处理器根据下式计算出模型评估值Q:
所述满意度值以1为分界点,满意度值小于1时服务参数的完善效果为负效果,满意度值大于1时服务参数的完善效果为正效果,且满意度值越大完善效果越好;
所述满意度评估模块的第三计算处理器根据下式计算出满意度值Qm:
Qm=Q·Δ;
其中,Δ为用户的本地模型输出结果与实际情况之间的偏差值;
下面对模型评估值的应用进行举例说明;
本地模型中的参数有100种,其中上传给中央服务器的参数有50种,若反馈的满意度小于1,客户需要变更至少30个需要上传的参数种类,若反馈的满意度大于1但较小,客户需要变更至多10个需要上传的参数种类,若反馈的满意度大于1且较大,则客户不需要变更需要上传的参数种类;
下面举三个本地模型的应用例子,第一个模型为银行模型,模型中的参数包括与存款数额有关的参数、与贷款数额有关的参数、与存款人数有关的参数、与贷款人数有关的参数等,该模型用于预测出未来特定时间内的放贷数额,而预测的放贷数额与实际的放贷数额的差值为公式中的偏差值Δ;
第二个模型为医院模型,模型中的参数包括与病人年龄有关的参数、与病人缴费数额有关的参数、与就诊人数有关的参数、病人病历有关的参数等,该模型用于预测药物的采购方案,而实际采购方案与预测方案中的各种药物数量的差值之和为公式中侧偏差值Δ;
第三个模型为学习辅导模型,模型中的参数包括与使用频率有关的参数、与学习内容有关的参数、与APP互动次数有关的参数、与单次使用时长有关的参数等,该模型用于预测学习评测成绩,而预测的成绩与实际评测的成绩的差值为公式中的偏差值Δ。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。
Claims (5)
1.一种基于联邦学习的客户满意度分析系统,其特征在于,包括第一寄存器、参数变化分析模块、参数变化对比模块和满意度评估模块,所述第一寄存器用于接收并保存各个客户终端上传的本地参数,所述参数变化分析模块用于对每个客户终端上传的本地参数的变化情况进行分析得到变化指数,所述参数变化对比模块用于对所有用户的变化指数进行比较得到标准值,所述满意度评估模块基于标准值和客户的变化指数计算出每个客户对联邦学习系统的满意度值;
所述参数变化分析模块包括第一计算处理器和第二寄存器,
所述第一计算处理器根据客户终端上传的本地参数处理得到变化基数a,具体包括:根据采用本地参数的变化,将得到的多个变化基数a记为数组{ak},ak表示第k个变化基数a,并基于数组{ak}计算出第一变化指数P1和第二变化指数P2:
其中,c为得到的变化基数的数量;
所述第二寄存器用于保存变化基数、第一变化指数和第二变化指数;
所述参数变化对比模块包括第二计算处理器和第三寄存器;
所述第二计算处理器将所有客户的第一变化指数P1进行对比处理得到第一标准值P10,并将所有客户的第二变化指数P2进行对比处理得到第二标准值P20,所述第三寄存器用于保存第一标准值和第二标准值;
所述满意度评估模块包括第三计算处理器和第四寄存器;
所述第三计算处理器根据下式计算出模型评估值Q:
所述模型评估值以1为分界点,模型评估值小于1时联邦学习系统对本地模型的完善效果为负效果,模型评估值大于1时联邦学习系统对本地模型的完善效果为正效果,且模型评估值越大完善效果越好;
所述满意度评估模块的第三计算处理器根据下式计算出满意度值Qm:
Qm=Q·Δ;
其中,Δ为用户的本地模型输出结果与实际情况之间的偏差值;
所述第四寄存器用于保存满意度值和模型评估值;
所述系统还包括输入输出模块,所述输入输出模块为带有屏幕的电子设备,通过所述输入输出模块能够选择需要上传的本地参数并显示最终的满意度值。
3.如权利要求2所述的一种基于联邦学习的客户满意度分析系统,其特征在于,所述参数变化对比模块的第二计算处理器获取所有客户的第一变化指数和第二变化指数,挑选出P2小于0的客户作为目标客户,求出所有目标客户的第一变化指数P1的平均值作为第一标准值P10,求出所有目标客户的第二变化指数P2的平均值作为第二标准值P20。
4.如权利要求3所述的一种基于联邦学习的客户满意度分析系统,其特征在于,所述参数变化分析模块的第一计算处理器将客户终端上传的所有本地参数用于生成第一个输入矩阵X并计算出变化基数,然后保留输入矩阵X中最新的一半本地参数数据作为新的输入矩阵X并计算出其变化基数,不断重复该过程直至所述输入矩阵X中本地参数数据的组数少于有效组数。
5.如权利要求4所述的一种基于联邦学习的客户满意度分析系统,其特征在于,所述参数变化分析模块还包括至少一个向量生成器,每个向量生成器获取一个客户的本地参数数据,每一组本地参数转换成一个向量,再将向量构成输入矩阵X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242152.3A CN115391734B (zh) | 2022-10-11 | 2022-10-11 | 一种基于联邦学习的客户满意度分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211242152.3A CN115391734B (zh) | 2022-10-11 | 2022-10-11 | 一种基于联邦学习的客户满意度分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115391734A CN115391734A (zh) | 2022-11-25 |
CN115391734B true CN115391734B (zh) | 2023-03-10 |
Family
ID=84129127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211242152.3A Active CN115391734B (zh) | 2022-10-11 | 2022-10-11 | 一种基于联邦学习的客户满意度分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115391734B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753006A (zh) * | 2020-06-10 | 2020-10-09 | 北京智源人工智能研究院 | 一种基于联邦学习的预测系统及方法 |
CN112464269A (zh) * | 2020-12-14 | 2021-03-09 | 德清阿尔法创新研究院 | 一种联邦学习场景中的数据选择方法 |
CN114386613A (zh) * | 2020-10-19 | 2022-04-22 | 中国移动通信有限公司研究院 | 基于联邦学习的模型更新方法、信息发送方法及设备 |
CN114707430A (zh) * | 2022-06-02 | 2022-07-05 | 青岛鑫晟汇科技有限公司 | 一种基于多用户加密的联邦学习可视化系统与方法 |
CN114912705A (zh) * | 2022-06-01 | 2022-08-16 | 南京理工大学 | 一种联邦学习中异质模型融合的优化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11397887B2 (en) * | 2017-09-26 | 2022-07-26 | Amazon Technologies, Inc. | Dynamic tuning of training parameters for machine learning algorithms |
US20200202243A1 (en) * | 2019-03-05 | 2020-06-25 | Allegro Artificial Intelligence Ltd | Balanced federated learning |
WO2021121585A1 (en) * | 2019-12-18 | 2021-06-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods for cascade federated learning for telecommunications network performance and related apparatus |
CN111553485A (zh) * | 2020-04-30 | 2020-08-18 | 深圳前海微众银行股份有限公司 | 基于联邦学习模型的视图显示方法、装置、设备及介质 |
CN112100295A (zh) * | 2020-10-12 | 2020-12-18 | 平安科技(深圳)有限公司 | 基于联邦学习的用户数据分类方法、装置、设备及介质 |
CN112288097B (zh) * | 2020-10-29 | 2024-04-02 | 平安科技(深圳)有限公司 | 联邦学习数据处理方法、装置、计算机设备及存储介质 |
-
2022
- 2022-10-11 CN CN202211242152.3A patent/CN115391734B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753006A (zh) * | 2020-06-10 | 2020-10-09 | 北京智源人工智能研究院 | 一种基于联邦学习的预测系统及方法 |
CN114386613A (zh) * | 2020-10-19 | 2022-04-22 | 中国移动通信有限公司研究院 | 基于联邦学习的模型更新方法、信息发送方法及设备 |
CN112464269A (zh) * | 2020-12-14 | 2021-03-09 | 德清阿尔法创新研究院 | 一种联邦学习场景中的数据选择方法 |
CN114912705A (zh) * | 2022-06-01 | 2022-08-16 | 南京理工大学 | 一种联邦学习中异质模型融合的优化方法 |
CN114707430A (zh) * | 2022-06-02 | 2022-07-05 | 青岛鑫晟汇科技有限公司 | 一种基于多用户加密的联邦学习可视化系统与方法 |
Non-Patent Citations (2)
Title |
---|
Kuihe Yang et.al.Model Optimization Method Based on Vertical Federated Learning.2021,第1-5页. * |
鲁晨阳 等.基于分层抽样优化的面向异构客户端的联邦学习.2022,第第49卷卷(第第49卷期),第183-193页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115391734A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781391B (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
Zhou et al. | Cost-sensitive feature selection using random forest: Selecting low-cost subsets of informative features | |
CN111260448A (zh) | 基于人工智能的药品推荐方法及相关设备 | |
TW202007178A (zh) | 用戶特徵的生成方法、裝置、設備及儲存介質 | |
Yang et al. | Cluster ensemble selection with constraints | |
US20150088907A1 (en) | Method and system for managing databases having records with missing values | |
CN110503531A (zh) | 时序感知的动态社交场景推荐方法 | |
CN110781377B (zh) | 一种文章推荐方法、装置 | |
US11138515B2 (en) | Data analysis device, data analysis method, and recording medium | |
US20230031522A1 (en) | Recommendation method and apparatus based on automatic feature grouping | |
CN111178986B (zh) | 用户-商品偏好的预测方法及系统 | |
Wang et al. | Multi-dimension association rule mining based on adaptive genetic algorithm | |
Park et al. | Frequency-aware attention based LSTM networks for cardiovascular disease | |
CN111931043A (zh) | 一种科技资源的推荐方法及系统 | |
CN115391734B (zh) | 一种基于联邦学习的客户满意度分析系统 | |
CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
CN112070336A (zh) | 一种基于层次分析法的制造业信息量化分析方法及装置 | |
Insuwan et al. | Improving missing values imputation in collaborative filtering with user-preference genre and singular value decomposition | |
CN104899232A (zh) | 协同聚类的方法和设备 | |
CN111445969A (zh) | 一种弹性适应噪音的销售预测的方法及系统 | |
CN111291795A (zh) | 人群特征分析方法、装置、存储介质和计算机设备 | |
CN115659005A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
CN107887029A (zh) | 疾病预测方法及装置 | |
CN110443374B (zh) | 一种资源信息处理方法、装置及设备 | |
Ballin et al. | Optimization of sampling strata with the SamplingStrata package |
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 |