CN116431929A - 基于隐私计算的信息推荐方法、装置、设备及介质 - Google Patents

基于隐私计算的信息推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN116431929A
CN116431929A CN202310688556.3A CN202310688556A CN116431929A CN 116431929 A CN116431929 A CN 116431929A CN 202310688556 A CN202310688556 A CN 202310688556A CN 116431929 A CN116431929 A CN 116431929A
Authority
CN
China
Prior art keywords
information
model
target
data
target information
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
CN202310688556.3A
Other languages
English (en)
Other versions
CN116431929B (zh
Inventor
胡姣姣
陈曦
蒙雄发
李如先
张剑
朱琳
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.)
Shenzhen Qianhai Huanrong Lianyi Information Technology Service Co Ltd
Original Assignee
Shenzhen Qianhai Huanrong Lianyi Information Technology Service 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 Shenzhen Qianhai Huanrong Lianyi Information Technology Service Co Ltd filed Critical Shenzhen Qianhai Huanrong Lianyi Information Technology Service Co Ltd
Priority to CN202310688556.3A priority Critical patent/CN116431929B/zh
Publication of CN116431929A publication Critical patent/CN116431929A/zh
Application granted granted Critical
Publication of CN116431929B publication Critical patent/CN116431929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及隐私计算技术，提供了基于隐私计算的信息推荐方法、装置、设备及介质，方法包括响应于用户端发送的信息获取请求，获取对应的信息获取类型和权限审核结果；若确定权限审核结果为审核通过结果，则基于信息获取类型获取对应的目标信息，并将与目标信息对应的用户端响应请求发送至用户端；若检测到与用户端响应请求对应的响应信息，则将目标信息的授权使用信息发送至用户端；接收用户端基于目标信息的授权使用信息所发送的反馈信息，并存储反馈信息。本发明实施例实现了在隐私数据平台中能有效基于用户需求对应精准快速获取作为目标信息的数据集或模型，并具体授权使用目标信息，提高了隐私数据平台中信息利用率。

Description

基于隐私计算的信息推荐方法、装置、设备及介质
技术领域
本申请涉及隐私计算技术领域，尤其涉及一种基于隐私计算的信息推荐方法、装置、设备及介质。
背景技术
隐私计算作为打破数据孤岛，支持数据共享的技术手段，成为了目前确保数据共享安全的最优解。但是，目前隐私计算的落地应用依旧处于初期阶段，建设隐私计算平台的各家厂商都在探索阶段。目前已发布的隐私计算平台中重点都是隐私计算平台的基础计算服务，针对数据、机构和场景没有形成清晰的隐私计算数据应用生态。
即现有隐私计算平台的重点在于隐私计算服务的功能性和安全性，忽略了隐私计算用户使用的活跃度和建立合作的复杂度。在落地应用中发现更多的隐私计算的用户对于应用场景、数据需求、合作机构等还没有形成清晰和明确的方案，导致隐私计算平台落地应用的活跃度较低。目前隐私计算平台应用遇到的存在以下问题：
1）机构有明确的应用场景，但没有明确的数据需求和机构需求，导致合作探索周期长。
2）机构有数据或者模型，但是没有具体的应用场景，导致数据价值无法最大化利用。
发明内容
本申请实施例提供了一种基于隐私计算的信息推荐方法、装置、设备及介质，旨在解决现有技术中隐私计算平台中机构因应用场景、数据或者模型的缺乏，导致隐私计算平台中信息利用率低的问题。
第一方面，本申请实施例提供了一种基于隐私计算的信息推荐方法，其包括：
响应于用户端发送的信息获取请求，获取与所述信息获取请求对应的信息获取类型和权限审核结果；其中，所述信息获取类型包括数据集获取类型和模型获取类型，且所述信息获取请求由所述用户端向隐私计算平台发送；
若确定所述权限审核结果为审核通过结果，则基于所述信息获取类型获取对应的目标信息，并将与所述目标信息对应的用户端响应请求发送至所述用户端；
若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端；
接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息。
第二方面，本申请实施例提供了一种基于隐私计算的信息推荐装置，其包括：
信息获取请求响应单元，用于响应于用户端发送的信息获取请求，获取与所述信息获取请求对应的信息获取类型和权限审核结果；其中，所述信息获取类型包括数据集获取类型和模型获取类型，且所述信息获取请求由所述用户端向隐私计算平台发送；
目标信息获取单元，用于若确定所述权限审核结果为审核通过结果，则基于所述信息获取类型获取对应的目标信息，并将与所述目标信息对应的用户端响应请求发送至所述用户端；
授权使用信息处理单元，用于若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端；
反馈信息处理单元，用于接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息。
第三方面，本申请实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于隐私计算的信息推荐方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于隐私计算的信息推荐方法。
本申请实施例提供了一种基于隐私计算的信息推荐方法、装置、设备及介质，方法包括响应于用户端发送的信息获取请求，获取与信息获取请求对应的信息获取类型和权限审核结果；其中，信息获取类型包括数据集获取类型和模型获取类型，且信息获取请求由用户端向隐私计算平台发送；若确定权限审核结果为审核通过结果，则基于信息获取类型获取对应的目标信息，并将与目标信息对应的用户端响应请求发送至用户端；若检测到与用户端响应请求对应的响应信息，则将目标信息的授权使用信息发送至用户端；接收用户端基于目标信息的授权使用信息所发送的反馈信息，并存储反馈信息。本发明实施例实现了在隐私数据平台中能有效基于用户需求对应精准快速获取作为目标信息的数据集或模型并具体授权使用目标信息，提高了隐私数据平台中信息利用率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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为本申请实施例提供的基于隐私计算的信息推荐方法的应用场景示意图；
图2为本申请实施例提供的基于隐私计算的信息推荐方法的流程示意图；
图3为本申请实施例提供的基于隐私计算的信息推荐方法的另一子流程示意图；
图4为本申请实施例提供的基于隐私计算的信息推荐方法的又一子流程示意图；
图5为本申请实施例提供的基于隐私计算的信息推荐方法的再一子流程示意图；
图6为本申请实施例提供的基于隐私计算的信息推荐装置的示意性框图；
图7为本申请实施例提供的计算机设备的示意性框图。
具体实施方式
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、完整地描述，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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本申请实施例提供的基于隐私计算的信息推荐方法的应用场景示意图，图2为本申请实施例提供的基于隐私计算的信息推荐方法的流程示意图，该基于隐私计算的信息推荐方法应用于服务器。
如图2所示，该方法包括步骤S110~S140。
S110、响应于用户端发送的信息获取请求，获取与所述信息获取请求对应的信息获取类型和权限审核结果。
其中，所述信息获取类型包括数据集获取类型和模型获取类型，且所述信息获取请求由所述用户端向隐私计算平台发送。
在本实施例中，是以服务器为执行主体描述技术方案，且在服务器中部署有隐私计算平台，每一个机构用户均对应至少一个隐私计算平台。若在本申请技术方案的具体应用场景中存在多个机构用户，且每一机构用户对应一个服务器（即对应一个隐私计算平台），则在具体应用场景中该包括了多个服务器，上述多个服务器本质上可以组成一个大的服务器集群，多个隐私计算平台组成了一个大隐私计算平台。
更具体的，本申请以一个机构用户对应的一个服务器（其中部署有一个隐私计算平台）为执行主体描述技术方案。每一个隐私计算平台中部署有多个数据集，例如有多个机构分别提供的数据集（即每一数据集对应一个数据提供方），其中机构可以理解为数据拥有方，但若机构又转换为数据集的需求方时则可以切换成数据需求方的角色。同时，在隐私计算平台中还部署有多个模型（如预测模型、风险评估模型、风控模型等），例如有多个机构分别提供的模型，其中机构可以理解为模型拥有方，但若机构又转换为模型的需求方时则可以切换成模型需求方的角色。其中，隐私计算平台中的各数据集并非明文形式的原始数据，而是各机构用户所分别提供的数据集的数据目录和数据集描述信息。隐私计算平台中的各模型并非明文模型参数形式的原始模型，而是各机构用户所分别提供模型的模型目录和模型描述信息。
隐私计算平台中因既存储有数据集又存储有模型，故可以将隐私计算平台形象理解为包括数据市场和模型市场的一个综合性隐私计算平台。数据市场中是隐私计算平台中面向各机构用户的用于数据目录存储、数据审查、数据查询、数据交易的子平台。机构用户将本机构的数据资产上传至本机构的隐私计算平台，通过数据发布同步至数据市场，所有部署隐私计算平台的机构可以在数据市场的数据服务目录中查看该数据集的相关信息（原始数据不出本地，只是同步数据目录和数据描述信息）。为了保证数据市场的质量，发布的数据集需要经过数据质量校验。
其中，所有部署隐私计算平台的数据在发布至数据市场前，在本地进行数据质量校验的校验类型如下表1：
表1
校验类型 说明
格式正确性 乱码、特殊字符（例如身份证号格式），格式不正确且校验不通过
数据量 数据集的数据量，数据量太少校验不通过
空缺值 每列的空缺值，空缺率太高校验不通过
唯一性 数据重复值，重复值太高校验不通过
即对数据集发布前进行校验，主要进行格式正确性、数据量、空缺值及唯一性的校验。其中，进行数据集的格式正确性验证时，主要进行乱码、特殊字符等的检测，若存在乱码或存在特殊字符，则表示格式不正确且校验不通过；进行数据集的格数据量验证时，若数据量未超出预设数据量阈值则判定数据量太少，若数据量超出预设数据量阈值则判定数据量正常；进行数据集的空缺值验证时，主要进行空缺值占总数据量的空缺率的获取及判断，若空缺值占总数据量的空缺率超出预设空缺率阈值则判定空缺值校验不通过，若空缺值占总数据量的空缺率未超出预设空缺率阈值则判定空缺值校验通过；进行数据集的唯一性验证时，主要进行数据查重，若数据重复率超出预设重复率阈值则判定唯一性校验不通过，若数据重复率未超出预设重复率阈值则判定唯一性校验通过。
而且针对数据市场中存在的每一个数据集，均至少包括以下信息：数据基本信息（如数据集名称、数据量、更新时间）、数据类型（即数据归属行业，例如互联网/消费数据）、数据结构（如列名称、列类型、列注释等）、数据拓展类型（如是否持续更新，是/否可扩展等）和数据质量评估（如数据质量等级评估，更具体如A/B/C等数据质量等级）。
针对数据市场中存在的每一个数据集，还能进行历史使用过程追溯，即对每一数据集的数据使用过程中的重要指标进行统计记录，分析各类型数据集的应用场景、数据热度等，为用户的智能推荐做历史数据准备。例如可以针对每一数据集的以下指标进行统计：数据被使用次数（即数据集被申请使用的总次数）、数据被使用机构类型（即某数据集被申请使用的机构的类型统计，例如金融机构使用10次，产业机构使用2次）、数据被使用场景类型（即数据集被申请使用的场景的类型统计，例如金融风控使用3次，精准营销使用2次）、数据使用满意度（即数据集使用过程用户的评价等级统计，例如数据集的数据使用满意度为A级别、B级别、C级别或D级别，其中A级别、B级别、C级别或D级别分别对应的评分依次降低）。
模型市场与数据市场类似，是隐私计算平台中面向各机构用户的用于模型目录存储、模型审查、模型查询、模型交易的子平台。机构用户将本机构的模型资产上传至本机构的隐私计算平台，通过模型发布同步至模型市场，所有部署隐私计算平台的机构可以在模型市场的模型服务目录中查看该模型的相关信息（模型数据不出本地，只是同步模型目录和模型描述信息）。为了保证模型市场的质量，发布的模型需要经过模型质量校验。
其中，所有部署隐私计算平台的模型在发布至模型市场前，在本地进行模型质量校验的校验类型如下表2：
表2
校验类型 说明
格式正确性 是否为模型保存文件的标准格式
可用性 使用测试数据集验证模型是否可用
即对模型发布前进行校验，主要进行格式正确性及可用性的校验。其中，进行模型的格式正确性校验时，主要校验模型是否为模型保存文件的标准格式（如saved model格式，其为一种典型的模型保存文件）；进行模型的可用性校验时，主要是利用隐私计算平台本地的测试数据集对模型进行验证以测试其是否可用。
而且针对模型市场中存在的每一个模型，均至少包括以下信息：模型基本信息（如模型名称、更新时间等）、模型功能（如人脸识别、风险预测等）、模型结构（如模型属性参数等）、模型拓展类型（如是否持续更新，是/否可扩展等）及模型类型（如隐私的多方非聚合模型、单方拥有的全模型等）。
针对模型市场中存在的每一个模型，还能进行历史使用过程追溯，即对每一模型的模型使用过程中的重要指标进行统计记录，分析各类型模型的模型使用满意度、模型使用次数等，为用户的智能推荐做历史数据准备。例如可以针对每一模型的以下指标进行统计：模型被使用次数（即模型被申请使用的总次数）、模型使用满意度（即模型使用过程用户的评价等级统计，例如模型的模型使用满意度为A级别、B级别、C级别或D级别，其中A级别、B级别、C级别或D级别分别对应的评分依次降低）。
当有一个用户端（可以是其他机构用户的服务器）作为信息需求方，需从作为信息提供方的服务器中获取数据集或模型时，则服务器需要先获取用户端发送的信息获取请求。然后，服务器解析获取与所述信息获取请求对应的信息获取类型和权限审核结果。因信息获取类型至少包括数据集获取类型和模型获取类型（若隐私计算平台中不局限存储数据集和模型，还存储有其他类型数据，则可以扩展其他信息获取类型），故在确定了用户端的信息获取类型后，即可更准确的在隐私计算平台中获取目标信息。而且，作为信息提供方的服务器还能作为审核方对该信息获取请求的信息获取权限进行权限审核，以得到权限审核结果。其中，权限审核结果为审核通过结果或审核未通过结果中的其中一种。
S120、若确定所述权限审核结果为审核通过结果，则基于所述信息获取类型获取对应的目标信息，并将与所述目标信息对应的用户端响应请求发送至所述用户端。
在本实施例中，若服务器确定了用户端所发送信息获取请求的信息获取权限并对信息获取权限进行权限审核，且得到的权限审核结果为审核通过结果，则表示用户端有权限获取服务器中的数据集。此时需进一步先在服务器的隐私计算平台中获取相应的目标信息（该目标信息为目标数据集或目标模型），之后需生成一个用户端响应请求发送至用户端，以通知用户端可在完成指定操作后才可成功使用到目标信息。
其中，在服务器中对用户端所发送信息获取请求的信息获取权限进行审核时，是对信息获取请求中的申请机构资质、使用场景、使用时间等综合考量，以得到权限审核结果。当服务器的审批通过之后，确定了所述权限审核结果为审核通过结果后，则仍是参考上述过程，即先在服务器的隐私计算平台中获取相应的目标信息，之后需生成一个用户端响应请求发送至用户端以通知用户端可在完成指定操作后才可成功使用到目标信息。
在一实施例中，如图3所示，若所述信息获取类型为数据集获取类型时，作为步骤S120的第一实施例，步骤S120包括：
S121a、获取与所述信息获取类型对应目标信息获取模式；
S122a、若确定所述目标信息获取模式为用户查询获取模式，则基于预设的数据集排序策略对本地数据集进行排序得到数据集排序结果，并获取在所述数据集排序结果中选定的数据集作为所述目标信息；
S123a、若确定所述目标信息获取模式为平台系统推荐模式，则基于预设的数据集筛选策略对本地数据集进行筛选得到筛选数据集，并获取在所述筛选数据集中选定的数据集作为所述目标信息。
在本实施例中，作为用户端从服务器获取数据集的场景，具体是先由服务器获取到与所述信息获取类型对应目标信息获取模式。即在服务器中针对数据集的获取，有至少以下两种方式：
1）第一种是用户查询获取模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将数据市场中包括的所有数据集进行展示以供用户手动选取。更具体的，在数据市场中内置多维度查询功能，按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的数据集和合作机构（可以理解为数据提供方）。
其中，数据市场中内置多维度查询功能如下表3：
表3
维度 说明
按场景类型排行 针对不同的应用场景，对数据被使用的次数进行排名
按机构类型排行 针对不同类型机构使用数据的次数进行排名
按数据使用满意度排行 针对数据集被使用后的用户评价（对应等级的权值的均值）进行排名
参考如表3中的数据集用户多维度查询功能说明、数据集包括的数据集信息（如上述列举的数据基本信息、数据类型、数据结构、数据拓展类型和数据质量评估等），以及每一数据集的使用过程数据（也可以理解为数据集的历史过程追溯数据），隐私计算平台中的每一个数据集可以数据市场中内置多维度查询功能也即基于预设的数据集排序策略对本地数据集进行排序得到数据集排序结果，之后获取用户在所述数据集排序结果中选定的数据集作为所述目标信息。
其中，基于预设的数据集排序策略对本地数据集进行排序得到数据集排序结果时，也是参考表3中所示的三种排序策略，即按场景类型排行、按机构类型排行或是按数据使用满意度排行。基于上述方式，可以将多个数据集按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的数据集和合作机构。
2）第二种是平台系统推荐模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将数据市场中包括的所有数据集进行智能匹配筛选和推荐。更具体的，在数据市场中内置数据集筛选策略，按照数据集筛选策略筛选出筛选数据集展示以便于用户查看，且用户可以根据筛选数据集辅助选择合适的数据集和合作机构（可以理解为数据提供方）。
其中，数据市场中内置数据集筛选策略至少包括以下2个数据集筛选子策略：
子策略1：首先对数据市场内的所有数据集按照数据满意度排名，筛选排名前列的N1个数据得到数据子集A1（其中，N1为预设的排名阈值，如N1=10等）；然后将数据市场内的所有数据按照机构类型排名，机构类型排名后，每种机构类型得到一个排序后的数据子集B1，最后将数据子集A1和每种机构类型对应的数据子集B1求交集，得到数据子集C1；最后根据数据子集C1中对应的机构类型，将数据子集C1中的各数据集推荐至相应的隐私计算平台；
子策略2：首先对数据市场内的所有数据集按照机构类型排名，排名后每种机构类型得到一个排序结果，取每种排序结果排名第一的数据集，得到数据子集A2；然后将数据市场内的所有数据集按照场景类型排名，场景类型排名后，每种场景类型得到一个排序后的数据子集B2；最后将数据子集A2和数据子集B2求交集，得到的数据子集C2，根据数据子集C2中对应的场景类型，将数据集和应用场景推荐至相应的隐私计算平台。
基于上述方式，可以按照数据集筛选策略筛选出筛选数据集展示以便于用户查看，且用户可以根据筛选数据集辅助选择合适的数据集和合作机构。
在一实施例中，如图4所示，若所述信息获取类型为数据集获取类型时，作为步骤S120的第二实施例，步骤S120包括：
S121b、获取与所述信息获取类型对应目标信息获取模式；
S122b、若确定所述目标信息获取模式为用户查询获取模式，则基于预设的模型排序策略对本地模型进行排序得到模型排序结果，并获取在所述模型排序结果中选定的模型作为所述目标信息；
S123b、若确定所述目标信息获取模式为平台系统推荐模式，则基于预设的模型筛选策略对本地模型进行筛选得到筛选模型，并获取在所述筛选模型中选定的模型作为所述目标信息。
在本实施例中，作为用户端从服务器获取模型的场景，具体是先由服务器获取到与所述信息获取类型对应目标信息获取模式。即在服务器中针对模型的获取，有至少以下两种方式：
1）第一种是用户查询获取模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将模型市场中包括的所有模型进行展示以供用户手动选取。更具体的，在模型市场中内置多维度查询功能，按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的模型和合作机构（可以理解为模型提供方）。
其中，数据市场中内置多维度查询功能如下表4：
表4
维度 说明
按模型功能排行 针对模型不同的功能，对模型被使用的次数进行排名
按模型使用次数排行 针对模型被使用数据的总次数进行排名
按模型使用满意度排行 针对模型被使用后的用户评价（对应等级的权值的均值）进行排名
参考如表4中的模型用户多维度查询功能说明、模型包括的模型信息（如上述列举的模型基本信息、模型类型、模型结构、模型拓展类型和模型质量评估等），以及每一模型的使用过程数据（也可以理解为模型的历史过程追溯数据），隐私计算平台中的每一个模型可以模型市场中内置多维度查询功能也即基于预设的模型排序策略对本地模型进行排序得到模型排序结果，之后获取用户在所述模型排序结果中选定的模型作为所述目标信息。
其中，基于预设的模型排序策略对本地模型进行排序得到模型排序结果时，也是参考表4中所示的三种排序策略，即按模型功能排行、按模型使用次数排行或是按模型使用满意度排行。基于上述方式，可以将多个模型按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的模型和合作机构。
2）第二种是平台系统推荐模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将模型市场中包括的所有模型进行智能匹配筛选和推荐。更具体的，在模型市场中内置模型筛选策略，按照模型筛选策略筛选出筛选模型展示以便于用户查看，且用户可以根据筛选模型辅助选择合适的模型和合作机构（可以理解为模型提供方）。
其中，模型市场中内置模型筛选策略至少包括以下1个数据集筛选子策略，即首先对模型市场内的所有模型按照模型功能排名，按照模型功能排名后，每种模型功能得到一个排序后的模型子集A3；然后将模型市场内的所有模型按照使用满意度排名，得到满意度等级在B级以上的模型子集C3；最后将各个模型子集A3和模型子集C3求交集，得到的模型子集D3，将模型子集D3推荐至各隐私计算平台。
基于上述方式，可以按照模型筛选策略筛选出筛选模型展示以便于用户查看，且用户可以根据筛选模型辅助选择合适的模型和合作机构。
在一实施例中，步骤S120中所述将与所述目标信息对应的用户端响应请求发送至所述用户端，包括：
基于所述信息获取请求对应的用户信息和所述目标信息的数据信息生成信息使用支付信息，将所述信息使用支付信息作为所述用户端响应请求发送至所述用户端。
在本实施例中，为了实现对所使用目标信息的拥有方进行支付金额计算和生成，具体可基于所述信息获取请求对应的用户信息和所述目标信息的数据信息生成信息使用支付信息。即在获取了发送信息获取请求的用户端所对应用户信息（如机构用用户的用户名称、机构用户唯一识别码等）后，还可根据所述信息获取请求对应的用户信息和所述目标信息的数据信息（如数据量、数据质量评估等）综合生成信息使用支付信息，信息使用支付信息可以是一个带支付链接或支付二维码的支付账单。将该信息使用支付信息发送至所述用户端后，用户端对应的机构用户进行支付操作，在支付成功之后生成支付成功信息作为响应信息并发送至服务器。
S130、若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端。
在本实施例中，在服务器接收到了所述响应信息后，表示此时目标信息可被用户端有权限的使用。因隐私计算平台中的数据集（或模型）除了自身有用的数据集（或模型）为原始数据，其他隐私计算平台共享的数据集（或模型）在该隐私计算平台中并非明文形式的原始数据而是数据（或模型）目录及数据（或模型）描述信息。因该隐私计算平台中的目标信息是不能迁移出本地，故其他隐私计算平台在使用时，也是以隐私数据的方式进行使用或调用（可以理解为用到了密文形式的目标信息），即服务器将所述目标信息的授权使用信息发送至所述用户端即可。之后，用户端可以使用目标信息进行联合隐私计算任务或数据预测任务等。可见，基于上述数据交互方式，可以确保目标信息的安全性，不易泄露原始数据。
在一实施例中，如图5所示，步骤S130包括：
S131、若检测到与所述信息使用支付信息对应的支付成功信息，则以所述支付成功信息作为所述响应信息；
S132、获取所述目标信息对应的通信网络配置信息，将所述通信网络配置信息发送至所述用户端；
S133、若检测到与所述用户端基于所述通信网络配置信息通讯成功，则将所述目标信息的授权使用信息发送至所述用户端。
在本实施例中，当服务器检测到与所述信息使用支付信息对应的支付成功信息，则表示用户端已成功响应所述用户端响应请求。此时为了更加顺畅的进行用户端和服务器的数据交互，需要由服务器与用户端之间建立用于搭建目标信息交互的专用通讯API接口（API全称是Application Programming Interface,表示应用程序编程接口）。具体实现为服务器获取所述目标信息对应的通信网络配置信息，将所述通信网络配置信息发送至所述用户端；之后用户端基于通信网络配置信息与服务器的专用通讯API接口通讯；最后服务器在检测到与所述用户端基于所述通信网络配置信息通讯成功，则将所述目标信息的授权使用信息发送至所述用户端。通过上述方式，实现了目标信息的专用通道通讯授权使用。
而且，上述专用通讯API接口的有效时间可以是根据实际使用需求自定义设置，用户端只能在专用通讯API接口的有效时间区间内正常授权使用目标信息。
S140、接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息。
在本实施例中，用户端在具体授权使用目标信息后，可以对目标信息的表现进行评价，如可以针对目标信息进行使用满意度评分以作为所述目标信息的反馈信息。服务器将反馈信息保存后，可以作为历史过程追溯数据保存，以用于对目标信息对应的数据集或模型进行使用过程评分。
在一实施例中，在步骤S130之后且在步骤S140之前，还包括：
获取与所述目标信息对应的使用任务信息；
若确定所述使用任务信息为数据集应用任务，则获取与所述使用任务信息对应的第一目标任务，基于所述第一目标任务和所述目标信息确定第一任务结果，并将所述第一任务结果发送至所述用户端；其中，所述第一目标任务为联合隐私计算任务；
若确定所述使用任务信息为模型应用任务，则获取与所述使用任务信息对应的第二目标任务，基于所述第二目标任务和所述目标信息确定第二任务结果，并将所述第二任务结果发送至所述用户端；其中，所述第二目标任务为数据预测任务。
在本实施例中，当服务器将目标信息授权给用户端使用后，可以进一步与所述目标信息对应的使用任务信息。例如，当确定所述使用任务信息为数据集应用任务，则表示用户端是从服务器获取到至少一个数据集作为目标信息以具体使用。用户端使用数据集类型的目标信息时，可以是参与联合隐私计算任务如联合建模、联合统计等。当用户端具体使用或调用目标信息时，可以向服务器上传第一目标任务，由服务器中基于所述第一目标任务和所述目标信息确定第一任务结果后，再有服务器将所述第一任务结果发送至所述用户端。
当确定所述使用任务信息为模型应用任务，则表示用户端是从服务器获取到至少一个模型作为目标信息以具体使用。用户端使用模型类型的目标信息时，可以是参与数据预测、风险平复、人脸识别等。当用户端具体使用或调用目标信息时，可以向服务器上传第二目标任务，由服务器中基于所述第二目标任务和所述目标信息确定第二任务结果后，再有服务器将所述第二任务结果发送至所述用户端。
在模型应用任务场景下，所述第二目标任务可通过以下两种方式完成：
第一种是基于单方拥有的全模型的在线方式完成，即在服务器中拥有完整的模型（无需结合其他隐私计算平台的模型共同使用），此时服务器将第二目标任务作为一个在线任务进行处理，直至得到第二任务结果；
第二种是基于隐私的非聚合模型的离线方式完成，即在服务器中也拥有完整的模型，但服务器无法在线及时的处理任务，而是服务器将第二目标任务作为一个离线任务进行处理，直至得到第二任务结果；服务器中在得到第二任务结果系统消息方式通知模型申请方（可以理解为用户端），之后用户端及时下载查看第二任务结果即可。
在一实施例中，步骤S140之后还包括：
获取所述目标信息的使用过程数据，并保存所述使用过程数据。
在本实施例中，服务器中的每一个目标信息在被其他隐私计算平台使用后，为了及时的记录其使用记录，可以获取所述目标信息的使用过程数据，并保存所述使用过程数据。其中，所述目标信息的使用过程数据可以理解为与其对应的历史使用过程追溯数据。
例如，目标信息为数据集类型时，则所述使用过程数据至少包括数据被使用次数（即数据集被申请使用的总次数）、数据被使用机构类型（即某数据集被申请使用的机构的类型统计，例如金融机构使用10次，产业机构使用2次）、数据被使用场景类型（即数据集被申请使用的场景的类型统计，例如金融风控使用3次，精准营销使用2次）、数据使用满意度（即数据集使用过程用户的评价等级统计，例如数据集的数据使用满意度为A级别、B级别、C级别或D级别，其中A级别、B级别、C级别或D级别分别对应的评分依次降低）。
目标信息为模型类型时，则所述使用过程数据至少包括模型被使用次数（即模型被申请使用的总次数）、模型使用满意度（即模型使用过程用户的评价等级统计，例如模型的模型使用满意度为A级别、B级别、C级别或D级别，其中A级别、B级别、C级别或D级别分别对应的评分依次降低）。
该方法实现了在隐私数据平台中能有效基于用户需求对应精准快速获取作为目标信息的数据集或模型并具体授权使用目标信息，提高了隐私数据平台中信息利用率。
本申请实施例还提供一种基于隐私计算的信息推荐装置，该基于隐私计算的信息推荐装置用于执行前述基于隐私计算的信息推荐方法的任一实施例。具体地，请参阅图6，图6是本申请实施例提供的基于隐私计算的信息推荐装置的示意性框图。
其中，如图6所示，基于隐私计算的信息推荐装置100包括信息获取请求响应单元110、目标信息获取单元120、授权使用信息处理单元130和反馈信息处理单元140。
其中，信息获取请求响应单元110，用于响应于用户端发送的信息获取请求，获取与所述信息获取请求对应的信息获取类型和权限审核结果。
其中，所述信息获取类型包括数据集获取类型和模型获取类型，且所述信息获取请求由所述用户端向隐私计算平台发送。
在本实施例中，当有一个用户端（可以是其他机构用户的服务器）作为信息需求方，需从作为信息提供方的服务器中获取数据集或模型时，则服务器需要先获取用户端发送的信息获取请求。然后，服务器解析获取与所述信息获取请求对应的信息获取类型和权限审核结果。因信息获取类型至少包括数据集获取类型和模型获取类型（若隐私计算平台中不局限存储数据集和模型，还存储有其他类型数据，则可以扩展其他信息获取类型），故在确定了用户端的信息获取类型后，即可更准确的在隐私计算平台中获取目标信息。而且，作为信息提供方的服务器还能作为审核方对该信息获取请求的信息获取权限进行权限审核，以得到权限审核结果。其中，权限审核结果为审核通过结果或审核未通过结果中的其中一种。
目标信息获取单元120，用于若确定所述权限审核结果为审核通过结果，则基于所述信息获取类型获取对应的目标信息，并将与所述目标信息对应的用户端响应请求发送至所述用户端。
在本实施例中，若服务器确定了用户端所发送信息获取请求的信息获取权限并对信息获取权限进行权限审核，且得到的权限审核结果为审核通过结果，则表示用户端有权限获取服务器中的数据集。此时需进一步先在服务器的隐私计算平台中获取相应的目标信息（该目标信息为目标数据集或目标模型），之后需生成一个用户端响应请求发送至用户端，以通知用户端可在完成指定操作后才可成功使用到目标信息。
其中，在服务器中对用户端所发送信息获取请求的信息获取权限进行审核时，是对信息获取请求中的申请机构资质、使用场景、使用时间等综合考量，以得到权限审核结果。当服务器的审批通过之后，确定了所述权限审核结果为审核通过结果后，则仍是参考上述过程，即先在服务器的隐私计算平台中获取相应的目标信息，之后需生成一个用户端响应请求发送至用户端以通知用户端可在完成指定操作后才可成功使用到目标信息。
在一实施例中，若所述信息获取类型为数据集获取类型时，作为目标信息获取单元120的第一实施例，目标信息获取单元120用于：
获取与所述信息获取类型对应目标信息获取模式；
若确定所述目标信息获取模式为用户查询获取模式，则基于预设的数据集排序策略对本地数据集进行排序得到数据集排序结果，并获取在所述数据集排序结果中选定的数据集作为所述目标信息；
若确定所述目标信息获取模式为平台系统推荐模式，则基于预设的数据集筛选策略对本地数据集进行筛选得到筛选数据集，并获取在所述筛选数据集中选定的数据集作为所述目标信息。
在本实施例中，作为用户端从服务器获取数据集的场景，具体是先由服务器获取到与所述信息获取类型对应目标信息获取模式。即在服务器中针对数据集的获取，有至少以下两种方式：
1）第一种是用户查询获取模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将数据市场中包括的所有数据集进行展示以供用户手动选取。更具体的，在数据市场中内置多维度查询功能，按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的数据集和合作机构（可以理解为数据提供方）。
其中，数据市场中内置多维度查询功能如上表3。参考如表3中的数据集用户多维度查询功能说明、数据集包括的数据集信息（如上述列举的数据基本信息、数据类型、数据结构、数据拓展类型和数据质量评估等），以及每一数据集的使用过程数据（也可以理解为数据集的历史过程追溯数据），隐私计算平台中的每一个数据集可以数据市场中内置多维度查询功能也即基于预设的数据集排序策略对本地数据集进行排序得到数据集排序结果，之后获取用户在所述数据集排序结果中选定的数据集作为所述目标信息。
其中，基于预设的数据集排序策略对本地数据集进行排序得到数据集排序结果时，也是参考表3中所示的三种排序策略，即按场景类型排行、按机构类型排行或是按数据使用满意度排行。基于上述方式，可以将多个数据集按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的数据集和合作机构。
2）第二种是平台系统推荐模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将数据市场中包括的所有数据集进行智能匹配筛选和推荐。更具体的，在数据市场中内置数据集筛选策略，按照数据集筛选策略筛选出筛选数据集展示以便于用户查看，且用户可以根据筛选数据集辅助选择合适的数据集和合作机构（可以理解为数据提供方）。
其中，数据市场中内置数据集筛选策略至少包括以下2个数据集筛选子策略：
子策略1：首先对数据市场内的所有数据集按照数据满意度排名，筛选排名前列的N1个数据得到数据子集A1（其中，N1为预设的排名阈值，如N1=10等）；然后将数据市场内的所有数据按照机构类型排名，机构类型排名后，每种机构类型得到一个排序后的数据子集B1，最后将数据子集A1和每种机构类型对应的数据子集B1求交集，得到数据子集C1；最后根据数据子集C1中对应的机构类型，将数据子集C1中的各数据集推荐至相应的隐私计算平台；
子策略2：首先对数据市场内的所有数据集按照机构类型排名，排名后每种机构类型得到一个排序结果，取每种排序结果排名第一的数据集，得到数据子集A2；然后将数据市场内的所有数据集按照场景类型排名，场景类型排名后，每种场景类型得到一个排序后的数据子集B2；最后将数据子集A2和数据子集B2求交集，得到的数据子集C2，根据数据子集C2中对应的场景类型，将数据集和应用场景推荐至相应的隐私计算平台。
基于上述方式，可以按照数据集筛选策略筛选出筛选数据集展示以便于用户查看，且用户可以根据筛选数据集辅助选择合适的数据集和合作机构。
在一实施例中，如图4所示，若所述信息获取类型为数据集获取类型时，作为目标信息获取单元120的第二实施例，目标信息获取单元120用于：
获取与所述信息获取类型对应目标信息获取模式；
若确定所述目标信息获取模式为用户查询获取模式，则基于预设的模型排序策略对本地模型进行排序得到模型排序结果，并获取在所述模型排序结果中选定的模型作为所述目标信息；
若确定所述目标信息获取模式为平台系统推荐模式，则基于预设的模型筛选策略对本地模型进行筛选得到筛选模型，并获取在所述筛选模型中选定的模型作为所述目标信息。
在本实施例中，作为用户端从服务器获取模型的场景，具体是先由服务器获取到与所述信息获取类型对应目标信息获取模式。即在服务器中针对模型的获取，有至少以下两种方式：
1）第一种是用户查询获取模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将模型市场中包括的所有模型进行展示以供用户手动选取。更具体的，在模型市场中内置多维度查询功能，按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的模型和合作机构（可以理解为模型提供方）。
其中，数据市场中内置多维度查询功能如上表4。参考如表4中的模型用户多维度查询功能说明、模型包括的模型信息（如上述列举的模型基本信息、模型类型、模型结构、模型拓展类型和模型质量评估等），以及每一模型的使用过程数据（也可以理解为模型的历史过程追溯数据），隐私计算平台中的每一个模型可以模型市场中内置多维度查询功能也即基于预设的模型排序策略对本地模型进行排序得到模型排序结果，之后获取用户在所述模型排序结果中选定的模型作为所述目标信息。
其中，基于预设的模型排序策略对本地模型进行排序得到模型排序结果时，也是参考表4中所示的三种排序策略，即按模型功能排行、按模型使用次数排行或是按模型使用满意度排行。基于上述方式，可以将多个模型按照排名先后顺序展示以便于用户查看，且用户可以根据排名的顺序辅助选择合适的模型和合作机构。
2）第二种是平台系统推荐模式，即用户在操作用户端时发出了信息获取请求且在通过了权限验证后，此时服务器可以将模型市场中包括的所有模型进行智能匹配筛选和推荐。更具体的，在模型市场中内置模型筛选策略，按照模型筛选策略筛选出筛选模型展示以便于用户查看，且用户可以根据筛选模型辅助选择合适的模型和合作机构（可以理解为模型提供方）。
其中，模型市场中内置模型筛选策略至少包括以下1个数据集筛选子策略，即首先对模型市场内的所有模型按照模型功能排名，按照模型功能排名后，每种模型功能得到一个排序后的模型子集A3；然后将模型市场内的所有模型按照使用满意度排名，得到满意度等级在B级以上的模型子集C3；最后将各个模型子集A3和模型子集C3求交集，得到的模型子集D3，将模型子集D3推荐至各隐私计算平台。
基于上述方式，可以按照模型筛选策略筛选出筛选模型展示以便于用户查看，且用户可以根据筛选模型辅助选择合适的模型和合作机构。
在一实施例中，目标信息获取单元120中所述将与所述目标信息对应的用户端响应请求发送至所述用户端，包括：
基于所述信息获取请求对应的用户信息和所述目标信息的数据信息生成信息使用支付信息，将所述信息使用支付信息作为所述用户端响应请求发送至所述用户端。
在本实施例中，为了实现对所使用目标信息的拥有方进行支付金额计算和生成，具体可基于所述信息获取请求对应的用户信息和所述目标信息的数据信息生成信息使用支付信息。即在获取了发送信息获取请求的用户端所对应用户信息（如机构用用户的用户名称、机构用户唯一识别码等）后，还可根据所述信息获取请求对应的用户信息和所述目标信息的数据信息（如数据量、数据质量评估等）综合生成信息使用支付信息，信息使用支付信息可以是一个带支付链接或支付二维码的支付账单。将该信息使用支付信息发送至所述用户端后，用户端对应的机构用户进行支付操作，在支付成功之后生成支付成功信息作为响应信息并发送至服务器。
授权使用信息处理单元130，用于若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端。
在本实施例中，在服务器接收到了所述响应信息后，表示此时目标信息可被用户端有权限的使用。因隐私计算平台中的数据集（或模型）除了自身有用的数据集（或模型）为原始数据，其他隐私计算平台共享的数据集（或模型）在该隐私计算平台中并非明文形式的原始数据而是数据（或模型）目录及数据（或模型）描述信息。因该隐私计算平台中的目标信息是不能迁移出本地，故其他隐私计算平台在使用时，也是以隐私数据的方式进行使用或调用（可以理解为用到了密文形式的目标信息），即服务器将所述目标信息的授权使用信息发送至所述用户端即可。之后，用户端可以使用目标信息进行联合隐私计算任务或数据预测任务等。可见，基于上述数据交互方式，可以确保目标信息的安全性，不易泄露原始数据。
在一实施例中，授权使用信息处理单元130用于：
若检测到与所述信息使用支付信息对应的支付成功信息，则以所述支付成功信息作为所述响应信息；
获取所述目标信息对应的通信网络配置信息，将所述通信网络配置信息发送至所述用户端；
若检测到与所述用户端基于所述通信网络配置信息通讯成功，则将所述目标信息的授权使用信息发送至所述用户端。
在本实施例中，当服务器检测到与所述信息使用支付信息对应的支付成功信息，则表示用户端已成功响应所述用户端响应请求。此时为了更加顺畅的进行用户端和服务器的数据交互，需要由服务器与用户端之间建立用于搭建目标信息交互的专用通讯API接口（API全称是Application Programming Interface,表示应用程序编程接口）。具体实现为服务器获取所述目标信息对应的通信网络配置信息，将所述通信网络配置信息发送至所述用户端；之后用户端基于通信网络配置信息与服务器的专用通讯API接口通讯；最后服务器在检测到与所述用户端基于所述通信网络配置信息通讯成功，则将所述目标信息的授权使用信息发送至所述用户端。通过上述方式，实现了目标信息的专用通道通讯授权使用。
而且，上述专用通讯API接口的有效时间可以是根据实际使用需求自定义设置，用户端只能在专用通讯API接口的有效时间区间内正常授权使用目标信息。
反馈信息处理单元140，用于接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息。
在本实施例中，用户端在具体授权使用目标信息后，可以对目标信息的表现进行评价，如可以针对目标信息进行使用满意度评分以作为所述目标信息的反馈信息。服务器将反馈信息保存后，可以作为历史过程追溯数据保存，以用于对目标信息对应的数据集或模型进行使用过程评分。
在一实施例中，基于隐私计算的信息推荐装置100，还包括：
使用任务信息获取单元，用于获取与所述目标信息对应的使用任务信息；
第一任务执行单元，用于若确定所述使用任务信息为数据集应用任务，则获取与所述使用任务信息对应的第一目标任务，基于所述第一目标任务和所述目标信息确定第一任务结果，并将所述第一任务结果发送至所述用户端；其中，所述第一目标任务为联合隐私计算任务；
第二任务执行单元，用于若确定所述使用任务信息为模型应用任务，则获取与所述使用任务信息对应的第二目标任务，基于所述第二目标任务和所述目标信息确定第二任务结果，并将所述第二任务结果发送至所述用户端；其中，所述第二目标任务为数据预测任务。
在本实施例中，当服务器将目标信息授权给用户端使用后，可以进一步与所述目标信息对应的使用任务信息。例如，当确定所述使用任务信息为数据集应用任务，则表示用户端是从服务器获取到至少一个数据集作为目标信息以具体使用。用户端使用数据集类型的目标信息时，可以是参与联合隐私计算任务如联合建模、联合统计等。当用户端具体使用或调用目标信息时，可以向服务器上传第一目标任务，由服务器中基于所述第一目标任务和所述目标信息确定第一任务结果后，再有服务器将所述第一任务结果发送至所述用户端。
当确定所述使用任务信息为模型应用任务，则表示用户端是从服务器获取到至少一个模型作为目标信息以具体使用。用户端使用模型类型的目标信息时，可以是参与数据预测、风险平复、人脸识别等。当用户端具体使用或调用目标信息时，可以向服务器上传第二目标任务，由服务器中基于所述第二目标任务和所述目标信息确定第二任务结果后，再有服务器将所述第二任务结果发送至所述用户端。
在模型应用任务场景下，所述第二目标任务可通过以下两种方式完成：
第一种是基于单方拥有的全模型的在线方式完成，即在服务器中拥有完整的模型（无需结合其他隐私计算平台的模型共同使用），此时服务器将第二目标任务作为一个在线任务进行处理，直至得到第二任务结果；
第二种是基于隐私的非聚合模型的离线方式完成，即在服务器中也拥有完整的模型，但服务器无法在线及时的处理任务，而是服务器将第二目标任务作为一个离线任务进行处理，直至得到第二任务结果；服务器中在得到第二任务结果系统消息方式通知模型申请方（可以理解为用户端），之后用户端及时下载查看第二任务结果即可。
在一实施例中，基于隐私计算的信息推荐装置100还包括：
使用过程数据获取单元，用于获取所述目标信息的使用过程数据，并保存所述使用过程数据。
在本实施例中，服务器中的每一个目标信息在被其他隐私计算平台使用后，为了及时的记录其使用记录，可以获取所述目标信息的使用过程数据，并保存所述使用过程数据。其中，所述目标信息的使用过程数据可以理解为与其对应的历史使用过程追溯数据。
例如，目标信息为数据集类型时，则所述使用过程数据至少包括数据被使用次数（即数据集被申请使用的总次数）、数据被使用机构类型（即某数据集被申请使用的机构的类型统计，例如金融机构使用10次，产业机构使用2次）、数据被使用场景类型（即数据集被申请使用的场景的类型统计，例如金融风控使用3次，精准营销使用2次）、数据使用满意度（即数据集使用过程用户的评价等级统计，例如数据集的数据使用满意度为A级别、B级别、C级别或D级别，其中A级别、B级别、C级别或D级别分别对应的评分依次降低）。
目标信息为模型类型时，则所述使用过程数据至少包括模型被使用次数（即模型被申请使用的总次数）、模型使用满意度（即模型使用过程用户的评价等级统计，例如模型的模型使用满意度为A级别、B级别、C级别或D级别，其中A级别、B级别、C级别或D级别分别对应的评分依次降低）。
该装置实现了在隐私数据平台中能有效基于用户需求对应精准快速获取作为目标信息的数据集或模型并具体授权使用目标信息，提高了隐私数据平台中信息利用率。
上述基于隐私计算的信息推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，也可以是服务器集群。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图7，该计算机设备500包括通过装置总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于隐私计算的信息推荐方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于隐私计算的信息推荐方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本申请实施例公开的基于隐私计算的信息推荐方法。
本领域技术人员可以理解，图7中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图7所示实施例一致，在此不再赘述。
应当理解，在本申请实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本申请的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本申请实施例公开的基于隐私计算的信息推荐方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备 ( 可以是个人计算机，后台服务器，或者网络设备等 ) 执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器 (ROM，Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于隐私计算的信息推荐方法，其特征在于，包括：
响应于用户端发送的信息获取请求，获取与所述信息获取请求对应的信息获取类型和权限审核结果；其中，所述信息获取类型包括数据集获取类型和模型获取类型，且所述信息获取请求由所述用户端向隐私计算平台发送；
若确定所述权限审核结果为审核通过结果，则基于所述信息获取类型获取对应的目标信息，并将与所述目标信息对应的用户端响应请求发送至所述用户端；
若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端；
接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息。
2.根据权利要求1所述的方法，其特征在于，所述信息获取类型为数据集获取类型，所述基于所述信息获取类型获取对应的目标信息，包括：
获取与所述信息获取类型对应目标信息获取模式；
若确定所述目标信息获取模式为用户查询获取模式，则基于预设的数据集排序策略对本地数据集进行排序得到数据集排序结果，并获取在所述数据集排序结果中选定的数据集作为所述目标信息；
若确定所述目标信息获取模式为平台系统推荐模式，则基于预设的数据集筛选策略对本地数据集进行筛选得到筛选数据集，并获取在所述筛选数据集中选定的数据集作为所述目标信息。
3.根据权利要求1所述的方法，其特征在于，所述信息获取类型为模型获取类型，所述基于所述信息获取类型获取对应的目标信息，包括：
获取与所述信息获取类型对应目标信息获取模式；
若确定所述目标信息获取模式为用户查询获取模式，则基于预设的模型排序策略对本地模型进行排序得到模型排序结果，并获取在所述模型排序结果中选定的模型作为所述目标信息；
若确定所述目标信息获取模式为平台系统推荐模式，则基于预设的模型筛选策略对本地模型进行筛选得到筛选模型，并获取在所述筛选模型中选定的模型作为所述目标信息。
4.根据权利要求1所述的方法，其特征在于，所述将与所述目标信息对应的用户端响应请求发送至所述用户端，包括：
基于所述信息获取请求对应的用户信息和所述目标信息的数据信息生成信息使用支付信息，将所述信息使用支付信息作为所述用户端响应请求发送至所述用户端。
5.根据权利要求4所述的方法，其特征在于，所述若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端，包括：
若检测到与所述信息使用支付信息对应的支付成功信息，则以所述支付成功信息作为所述响应信息；
获取所述目标信息对应的通信网络配置信息，将所述通信网络配置信息发送至所述用户端；
若检测到与所述用户端基于所述通信网络配置信息通讯成功，则将所述目标信息的授权使用信息发送至所述用户端。
6.根据权利要求2或3所述的方法，其特征在于，在所述若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端的步骤之后，在所述接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息的步骤之前，所述方法还包括：
获取与所述目标信息对应的使用任务信息；
若确定所述使用任务信息为数据集应用任务，则获取与所述使用任务信息对应的第一目标任务，基于所述第一目标任务和所述目标信息确定第一任务结果，并将所述第一任务结果发送至所述用户端；其中，所述第一目标任务为联合隐私计算任务；
若确定所述使用任务信息为模型应用任务，则获取与所述使用任务信息对应的第二目标任务，基于所述第二目标任务和所述目标信息确定第二任务结果，并将所述第二任务结果发送至所述用户端；其中，所述第二目标任务为数据预测任务。
7.根据权利要求1所述的方法，其特征在于，在所述接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息的步骤之后，所述方法还包括：
获取所述目标信息的使用过程数据，并保存所述使用过程数据。
8.一种基于隐私计算的信息推荐装置，其特征在于，包括：
信息获取请求响应单元，用于响应于用户端发送的信息获取请求，获取与所述信息获取请求对应的信息获取类型和权限审核结果；其中，所述信息获取类型包括数据集获取类型和模型获取类型，且所述信息获取请求由所述用户端向隐私计算平台发送；
目标信息获取单元，用于若确定所述权限审核结果为审核通过结果，则基于所述信息获取类型获取对应的目标信息，并将与所述目标信息对应的用户端响应请求发送至所述用户端；
授权使用信息处理单元，用于若检测到与所述用户端响应请求对应的响应信息，则将所述目标信息的授权使用信息发送至所述用户端；
反馈信息处理单元，用于接收所述用户端基于所述目标信息的授权使用信息所发送的反馈信息，并存储所述反馈信息。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7中任一项所述的基于隐私计算的信息推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于隐私计算的信息推荐方法。
CN202310688556.3A 2023-06-12 2023-06-12 基于隐私计算的信息推荐方法、装置、设备及介质 Active CN116431929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310688556.3A CN116431929B (zh) 2023-06-12 2023-06-12 基于隐私计算的信息推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310688556.3A CN116431929B (zh) 2023-06-12 2023-06-12 基于隐私计算的信息推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116431929A true CN116431929A (zh) 2023-07-14
CN116431929B CN116431929B (zh) 2024-03-01

Family

ID=87081844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310688556.3A Active CN116431929B (zh) 2023-06-12 2023-06-12 基于隐私计算的信息推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116431929B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786757A (zh) * 2024-02-26 2024-03-29 成都数据集团股份有限公司 一种隐私计算管理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254370A (zh) * 2021-12-31 2022-03-29 上海创能国瑞新能源科技股份有限公司 基于多方安全隐私计算提升交易匹配度的方法及装置
CN114417361A (zh) * 2022-03-31 2022-04-29 天聚地合(苏州)科技股份有限公司 基于区块链的跨域ai隐私计算的协商方法及系统
CN114510743A (zh) * 2022-04-19 2022-05-17 中路智链科技集团有限公司 一种基于隐私计算平台的数据交换方法、装置及电子设备
CN115134135A (zh) * 2022-06-23 2022-09-30 广州物联网研究院 一种数据的隐私计算方法、存储介质及计算机设备
CN116032639A (zh) * 2023-01-09 2023-04-28 中国工商银行股份有限公司 基于隐私计算的消息推送方法及装置
CN116150788A (zh) * 2023-01-17 2023-05-23 中路智链科技集团有限公司 一种数据交换有效性验证方法、装置及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254370A (zh) * 2021-12-31 2022-03-29 上海创能国瑞新能源科技股份有限公司 基于多方安全隐私计算提升交易匹配度的方法及装置
CN114417361A (zh) * 2022-03-31 2022-04-29 天聚地合(苏州)科技股份有限公司 基于区块链的跨域ai隐私计算的协商方法及系统
CN114510743A (zh) * 2022-04-19 2022-05-17 中路智链科技集团有限公司 一种基于隐私计算平台的数据交换方法、装置及电子设备
CN115134135A (zh) * 2022-06-23 2022-09-30 广州物联网研究院 一种数据的隐私计算方法、存储介质及计算机设备
CN116032639A (zh) * 2023-01-09 2023-04-28 中国工商银行股份有限公司 基于隐私计算的消息推送方法及装置
CN116150788A (zh) * 2023-01-17 2023-05-23 中路智链科技集团有限公司 一种数据交换有效性验证方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117786757A (zh) * 2024-02-26 2024-03-29 成都数据集团股份有限公司 一种隐私计算管理系统及方法
CN117786757B (zh) * 2024-02-26 2024-04-30 成都数据集团股份有限公司 一种隐私计算管理系统及方法

Also Published As

Publication number Publication date
CN116431929B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
US20210097088A1 (en) Collective intelligence convergence system and method thereof
US10812354B2 (en) Parallel computational framework and application server for determining path connectivity
CN105677466B (zh) 第三方应用接口的降级处理的方法和装置
CN110189190B (zh) 基于区块链的招标方法、装置、计算机设备和存储介质
US8924456B2 (en) Method and system for processing online joint guarantee
CN107450919A (zh) 业务流程管理方法、设备及计算机可读存储介质
CN116431929B (zh) 基于隐私计算的信息推荐方法、装置、设备及介质
CN106257480A (zh) 一种防止机器人工具恶意访问页面的方法及装置
CN113672637B (zh) 基于区块链的产品供应链绿电消费核算方法、装置和平台
CN110533286B (zh) 基于区块链的联盟成员管理方法、装置以及计算机设备
CN106034126B (zh) 验证码的校验方法及装置
CN110807209B (zh) 一种数据处理方法、设备及存储介质
CN112069134A (zh) 需求文档处理方法、装置及介质
CN103299336A (zh) 信息处理系统、信息处理方法以及存储介质
CN109829593B (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
CN113890739A (zh) 跨区块链的认证方法、装置、电子设备及介质
JP6762057B1 (ja) Ｓｎｓにおける動画・画像コンテンツ投稿管理システム
CN105335266B (zh) 用于确定被检测设备的故障的方法
CN110191188B (zh) 一种数据处理方法、区块链网络及存储介质
CN107730380B (zh) 联名账户处理方法、系统及服务器
KR102431410B1 (ko) 활동 증명서 발급 방법 및 장치
US20210334401A1 (en) Methods and systems for privacy protection verification
CN111985752A (zh) 投标信息评估方法及装置
KR20220051937A (ko) 인플루언서를 활용한 광고 실행 결과의 분석 서비스 제공 방법
CN112685769A (zh) 区块链的数据处理方法、装置及电子设备

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