CN116596092A - 模型训练方法、即时推送方法、装置、介质和电子设备 - Google Patents
模型训练方法、即时推送方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN116596092A CN116596092A CN202310565543.7A CN202310565543A CN116596092A CN 116596092 A CN116596092 A CN 116596092A CN 202310565543 A CN202310565543 A CN 202310565543A CN 116596092 A CN116596092 A CN 116596092A
- Authority
- CN
- China
- Prior art keywords
- party
- owned
- gradient
- push
- participant
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 title claims abstract description 70
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开涉及一种模型训练方法、即时推送方法、装置、介质和电子设备,属于计算机技术领域,能够实现端智能场景下的模型训练。一种基于联邦学习的模型训练方法,包括:有标签的拥有相同特征和不同样本的多个第一参与方将拥有的标签值加密传给无标签的拥有所有第一参与方的样本但拥有特征与第一参与方不同的第二参与方;第二参与方基于加密的标签值和拥有特征的特征值确定第二梯度并传给第一参与方,第一参与方基于拥有特征的特征值和拥有的标签值确定第一梯度和第一直方图并传给第二参与方;第一参与方基于第二梯度确定第一最优分裂点并传给第二参与方;第二参与方基于第一梯度、第一直方图和第一最优分裂点确定全局最优分裂点并传给第一参与方。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种模型训练方法、即时推送方法、装置、介质和电子设备。
背景技术
为了解决人工智能(Artificial Intelligence,AI)建模下的数据安全问题,现今已提出了诸多方案,例如横向联邦学习、纵向联邦学习。然而,横向联邦学习和纵向联邦学习解决的数据场景较为固定,无法解决端智能业务场景下的建模问题。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供一种基于联邦学习的模型训练方法,包括:第一参与方将所拥有的标签值加密传送给第二参与方,其中,所述第一参与方为有标签的参与方,所述第一参与方的数量为多个、且每个所述第一参与方拥有相同的特征和不同的样本,所述第二参与方为无标签的参与方、且所述第二参与方拥有所有所述第一参与方的样本但所述第二参与方拥有与各个所述第一参与方不同的特征;所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度并将所述第二梯度传送给所述第一参与方,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将所述第一梯度和所述第一直方图传送给所述第二参与方;所述第一参与方基于所述第二梯度确定第一最优分裂点,并将所述第一最优分裂点的信息传送给所述第二参与方;所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,并将所述全局最优分裂点的信息传送给所述第一参与方。
第二方面,本公开提供一种即时推送方法,应用于客户端,包括:根据所述客户端所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,并将所述第一推送内容发送给服务器,所述第一推送内容用于所述服务器对所述第一推送内容和所述服务器推理得到的第二推送内容求交得到交集结果,其中,所述本地的即时推送模型是基于第一方面中任一项所述的基于联邦学习的模型训练方法训练得到的模型;从所述服务器接收所述交集结果,并根据所述交集结果进行即时推送。
第三方面,本公开提供一种即时推送方法,应用于服务器,包括:从客户端接收第一推送内容;根据所述服务器所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,其中,所述本地的即时推送模型是基于第一方面中任一项所述的基于联邦学习的模型训练方法训练得到的模型;对所述第一推送内容和所述第二推送内容求交得到交集结果;将所述交集结果发送给所述客户端,所述交集结果用于所述客户端根据所述交集结果进行即时推送。
第四方面,本公开提供一种基于联邦学习的模型训练系统,所述模型训练系统包括第二参与方和多个第一参与方,所述第一参与方为有标签的参与方、且每个所述第一参与方拥有相同的特征和不同的样本,所述第二参与方为无标签的参与方、且所述第二参与方拥有所有所述第一参与方的样本但所述第二参与方拥有与各个所述第一参与方不同的特征,其中:各个所述第一参与方将所拥有的标签值加密传送给所述第二参与方;所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度并将所述第二梯度传送给所述第一参与方,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将所述第一梯度和所述第一直方图传送给所述第二参与方;所述第一参与方基于所述第二梯度确定第一最优分裂点,并将所述第一最优分裂点的信息传送给所述第二参与方;所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,并将所述全局最优分裂点的信息传送给所述第一参与方。
第五方面,本公开提供一种即时推送装置,应用于客户端,包括:第一推理模块,用于根据所述客户端所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,其中,所述本地的即时推送模型是基于第一方面中任一项所述的基于联邦学习的模型训练方法训练得到的模型;第一发送模块,用于将所述第一推送内容发送给服务器,其中所述第一推送内容用于所述服务器对所述第一推送内容和所述服务器推理得到的第二推送内容求交得到交集结果;第一接收模块,用于从所述服务器接收所述交集结果;推送模块,用于根据所述交集结果进行即时推送。
第六方面,本公开提供一种即时推送装置,应用于服务器,包括:第二接收模块,用于从客户端接收第一推送内容;第二推理模块,用于根据所述服务器所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,其中,所述本地的即时推送模型是基于第一方面中任一项所述的基于联邦学习的模型训练方法训练得到的模型;求交模块,用于对所述第一推送内容和所述第二推送内容求交,得到交集结果;第二发送模块,用于将所述交集结果发送给所述客户端,所述交集结果用于所述客户端根据所述交集结果进行即时推送。
第七方面,本公开提供一种即时推送系统,所述即时推送系统包括客户端和服务器,其中:所述客户端,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,并将所述第一推送内容发送给所述服务器;所述服务器,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,对所述第一推送内容和所述第二推送内容求交得到交集结果,并将所述交集结果发送给所述客户端,其中,所述客户端本地的即时推送模型和所述服务器本地的即时推送模型均为基于本公开第一方面任一项所述的基于联邦学习的模型训练方法训练得到的模型;所述客户端,还用于根据所述交集结果进行即时推送。
第八方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开第一方面中任一项所述方法的步骤。
第九方面,本公开提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现本公开第一方面中任一项所述方法的步骤。
通过采用上述技术方案,由于第一参与方将所拥有的标签值加密传送给第二参与方,第二参与方基于加密的标签值和所拥有特征的特征值确定第二梯度并将第二梯度传送给第一参与方,第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将第一梯度和第一直方图传送给第二参与方,第一参与方基于第二梯度确定第一最优分裂点,并将第一最优分裂点的信息传送给第二参与方,第二参与方基于第一梯度、第一直方图和第一最优分裂点的信息,确定全局最优分裂点,并将全局最优分裂点的信息传送给第一参与方,这样就实现了混合了横向联邦和纵向联邦的数据分布场景下的模型训练。训练完成后,第一参与方拥有了完成训练的模型的一部分、第二参与方拥有完成训练的模型的另外一部分,能够满足诸如端智能场景等的业务需求。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1示出了横向联邦学习的示意图。
图2示出了纵向联邦学习的示意图。
图3示出了端智能场景下的数据分布示意图。
图4示出根据本公开一种实施例的基于联邦学习的模型训练方法的流程图。
图5是根据本公开一种实施例的即时推送方法的流程图。
图6是根据本公开一种实施例的即时推送方法的流程图。
图7是根据本公开一种实施例的基于联邦学习的模型训练系统的示意框图。
图8是根据本公开一种实施例的即时推送装置的示意框图。
图9是根据本公开一种实施例的即时推送装置的示意框图。
图10是根据本公开一种实施例的即时推送系统的示意框图。
图11示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第一”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
同时,可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
相关技术中,横向联邦学习只能实现如下场景中的模型训练,也即,各个参与方拥有相同的特征和不同的样本。图1示出了横向联邦学习的示意图,其中,参与方A与参与方B拥有交叉的特征,但是拥有不同的样本。纵向联邦学习只能实现如下场景中的模型训练,也即,各个参与方拥有不同的特征和相同的样本。图2示出了纵向联邦学习的示意图,其中,参与方A与参与方B拥有不同的特征,但是拥有交叉的样本。
横向联邦学习和纵向联邦学习均无法实现端智能场景下的模型训练。其中,在端智能场景下,各个客户端可能拥有相同的特征和不同的样本,而服务器则拥有所有客户端的样本,但是服务器拥有的特征与各个客户端拥有的特征均不相同。图3示出了端智能场景下的数据分布示意图。如图3所示,参与方A和参与方B一般代表客户端,参与方C一般代表服务器;参与方C含有参与方A和参与方B可以上传到服务器的数据;参与方A与参与方B拥有相同的特征和不同的样本,而且参与方A与参与方B均是有标签的参与方;参与方C是无标签的参与方,而且参与方C拥有参与方A和参与方B的全量样本,但是参与方C拥有的特征与参与方A和参与方B均不相同。
图4示出根据本公开一种实施例的基于联邦学习的模型训练方法的流程图。如图4所示,该方法包括以下步骤S41至S44。
在步骤S41中,第一参与方将所拥有的标签值加密传送给第二参与方。
第一参与方为有标签的参与方,第一参与方的数量为多个,而且每个第一参与方拥有相同的特征和不同的样本。第二参与方为无标签的参与方,而且第二参与方拥有所有第一参与方的样本但第二参与方拥有与各个第一参与方不同的特征。举例而言,第一参与方1拥有样本1(例如用户1)和样本2(例如用户2),样本1和样本2中的样本特征均包括特征1和特征2;第一参与方2拥有样本3(例如用户3)和样本4(例如用户4),样本3和样本4中的样本特征也均包括特征1和特征2;第二参与方拥有样本1、样本2、样本3和样本4,样本1至样本4中的样本特征均包括特征3和特征4。
在一些实施例中,第一参与方将所拥有的标签值加密传送给第二参与方,可以通过如下方式来实现。首先,多个第一参与方中的一个第一参与方(例如,可以是随机选择的一个第一参与方)产生公钥和私钥(例如,可以使用RSA算法、同态加密算法等来产生公私钥),并将公钥传送给其他第一参与方。各个第一参与方之间可以使用公钥进行加密通信。然后,各个第一参与方使用公钥对各自的标签值进行加密,并将加密的标签值传送给第二参与方。
在步骤S42中,第二参与方基于加密的标签值和所拥有特征的特征值确定第二梯度并将第二梯度传送给第一参与方,第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将第一梯度和第一直方图传送给第二参与方。
在一些实施例中,第二参与方基于加密的标签值和所拥有特征的特征值确定第二梯度,可以通过如下方式来实现。
首先,第二参与方基于加密的标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数。
例如,第二参与方可以以每个特征的每个特征值为对象,对目标函数进行一阶求导和二阶求导,得到对应于每个特征的每个特征值的一阶导数和二阶导数。
然后,第二参与方对所拥有的每个特征的特征值分别划分第二直方图,并基于第二直方图确定第二分裂点。
例如,第二参与方可以对每个特征分别按照特征值进行排序,然后基于该排序划分第二直方图,并将各个第二直方图之间的分界点作为第二分裂点。
举例而言,第二参与方含有2个特征,分别为第一特征和第二特征,其中,第一特征的特征值有3个,分别为特征值1、特征值2和特征值3,第二特征的特征值有4个,分别为特征值4、特征值5、特征值6和特征值7,则:第二参与方可以对第一特征按照特征值的大小进行排序,假设得到从小到大的排序为特征值1、特征值2和特征值3;第二参与方还对第二特征按照特征值的大小进行排序,假设得到从小到大的排序为特征值4、特征值5、特征值6和特征值7;然后,第二参与方基于第一特征的特征值排序对第一特征划分直方图,假设划分的直方图为特征值1和特征值2被划分到一个直方图中、特征值3被划分到另一直方图中,则这两个直方图之间的分界点就为一个分裂点,假设为分裂点1;同样地,第二参与方基于第二特征的特征值排序对第二特征划分直方图,假设划分的直方图为特征值4和特征值5被划分到一个直方图中、特征值6和特征值7被划分到一个直方图中,则这两个直方图之间的分界点就为另一个分裂点,假设为分裂点2;也即,第二参与方最终确定的第二分裂点包括2个分裂点。
然后,第二参与方根据第二分裂点,确定位于第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,第二梯度包括位于第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。由于第二参与方使用的是加密的标签值,所以各个一阶导数之和和二阶导数之和均为密文上的加和运算。
仍然以前面的示例为例,第二参与方会确定分裂点1的左侧特征值所对应的一阶导数之和和二阶导数之和,也即,确定特征值1所对应的一阶导数和特征值2所对应的一阶导数之和以及特征值1所对应的二阶导数和特征值2所对应的二阶导数之和;第二参与方还会确定分裂点1的右侧特征值所对应的一阶导数之和和二阶导数之和,由于分裂点1的右侧只有特征值3,所以分裂点1的右侧特征值所对应的一阶导数之和和二阶导数之和分别为特征值3所对应的一阶导数和二阶导数;类似地,第二参与方还会确定分裂点2的左侧特征值所对应的一阶导数之和和二阶导数之和,也即,确定特征值4所对应的一阶导数和特征值5所对应的一阶导数之和以及特征值4所对应的二阶导数和特征值5所对应的二阶导数之和;第二参与方还会确定分裂点2的右侧特征值所对应的一阶导数之和和二阶导数之和,也即,确定特征值6所对应的一阶导数和特征值7所对应的一阶导数之和以及特征值6所对应的二阶导数和特征值7所对应的二阶导数之和。
通过上述方式,第二参与方就确定出了第二梯度。
在一些实施例中,第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图,可以通过如下方式来实现。首先,第一参与方基于所拥有的标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数。这与第二参与方确定一阶导数和二阶导数的方式类似,不再赘述。然后,第一参与方对所拥有的每个特征的特征值分别划分第一直方图,并基于第一直方图确定第一分裂点。这与第二参与方确定第二梯度和第二直方图的方式类似,不再赘述。然后,第一参与方根据第一分裂点,确定位于第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,第一梯度包括位于第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。这与第二参与方确定第二梯度的方式类似,不再赘述。
在一些实施例中,第二参与方可以将第二梯度只传送给产生公私钥的那个第一参与方,这是因为该第一参与方具有私钥,能够对第二梯度进行解密。
在步骤S43中,第一参与方基于第二梯度确定第一最优分裂点,并将第一最优分裂点的信息传送给第二参与方。
在一些实施例中,第一参与方接收到第二梯度之后,可以使用前文中所述的私钥对第二梯度进行解密,然后,基于解密后的第二梯度确定第一最优分裂点。另外,第一参与方可以基于第二梯度中包括的各个一阶导数之和、二阶导数之和,计算各个分裂点的分裂增益,并基于分裂增益确定第一最优分裂点。第一最优分裂点实际上是由第二参与方含有的特征产生的最优分裂点。
在步骤S44中,第二参与方基于第一梯度、第一直方图和第一最优分裂点的信息,确定全局最优分裂点,并将全局最优分裂点的信息传送给第一参与方。
在一些实施例中,第二参与方基于第一梯度、第一直方图和第一最优分裂点的信息,确定全局最优分裂点,可以通过以下方式来实现。
首先,第二参与方基于第一梯度和第一直方图,确定第二最优分裂点。第二参与方确定第二最优分裂点的方式与第一参与方确定第一最优分裂点的方式类似,在此不再赘述。第二最优分裂点实际上是由各个第一参与方的特征产生的最优分裂点。
然后,第二参与方基于第二最优分裂点和第一最优分裂点,确定全局最优分裂点。例如,第二参与方可以将第一最优分裂点所对应的分裂增益与第二最优分裂点所对应的分裂增益进行比对,基于比对结果确定全局最优分裂点。
在一些实施例中,第二参与方可以通过广播的方式将全局最优分裂点的信息传送给各个第一参与方,以便于各个第一参与方进行下一个节点的分裂。
通过采用上述技术方案,由于第一参与方将所拥有的标签值加密传送给第二参与方,第二参与方基于加密的标签值和所拥有特征的特征值确定第二梯度并将第二梯度传送给第一参与方,第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将第一梯度和第一直方图传送给第二参与方,第一参与方基于第二梯度确定第一最优分裂点,并将第一最优分裂点的信息传送给第二参与方,第二参与方基于第一梯度、第一直方图和第一最优分裂点的信息,确定全局最优分裂点,并将全局最优分裂点的信息传送给第一参与方,这样就实现了混合了横向联邦和纵向联邦的数据分布场景下的模型训练。训练完成后,第一参与方拥有了完成训练的模型的一部分、第二参与方拥有完成训练的模型的另外一部分,能够满足诸如端智能场景等的业务需求。
在一些实施例中,根据本公开实施例的模型训练方法还可以包括:第一参与方在接收到全局最优分裂点之后,判断是否达到了分裂停止条件;若有第一参与方判断出达到了分裂停止条件,则该第一参与方将停止分裂的结果传送给第二参与方,第二参与方则将停止分裂的结果广播给所有第一参与方;若无第一参与方判断出达到了分裂停止条件,则继续执行下一节点的分裂。
通过采用上述技术方案,就能够确定是继续进行分裂还是停止分裂。
图5是根据本公开一种实施例的即时推送方法的流程图。该即时推送方法可以由客户端执行。如图5所示,该即时推送方法包括以下步骤S51至S54。
在步骤S51中,根据客户端所拥有的样本特征的特征值和客户端本地的即时推送模型,推理得到第一推送内容,其中,该本地的即时推送模型是基于本公开中任一项所述的基于联邦学习的模型训练方法训练得到的模型。
客户端的样本特征可以包括以下至少一项:当前时间、加速度(反映了客户端的用户是否正在移动)、陀螺仪感测信息(反映了客户端的用户是正在运动还是静止)、用户距离屏幕的距离、是否插入了耳机、用户是否正在播放音频、当前电量和当前网络状态,等等。
在步骤S52中,将第一推送内容发送给服务器,其中,第一推送内容用于服务器对第一推送内容和服务器推理得到的第二推送内容求交得到交集结果。
其中,第二推送内容可以是服务器根据服务器所拥有的样本特征的特征值和服务器本地的即时推送模型,推理得到的。服务器本地的即时推送模型可以为利用本公开的基于联邦学习的模型训练方法训练得到的模型。
服务器的样本特征可以包括以下至少一项:内容的一级垂类、内容在客户端的热度、内容的基础画像、最近第一预设时段(例如,近一周)内推送的到达点击率、推送的最近一次点击距离当前时间的时间间隔、当日内容是否已活跃和最近第二预设时段(例如,近一周)内内容的活跃率(例如,内容在近一周内的活跃天数),等等。
在步骤S53中,从服务器接收交集结果。
在步骤S54中,根据交集结果进行即时推送。
通过采用上述技术方案,就能够结合客户端的模型推理结果(也即第一推送内容)和服务器的模型推理结果(也即第二推送内容),向客户端的用户即时推送合适的内容。
图6是根据本公开一种实施例的即时推送方法的流程图。该即时推送方法可以由服务器执行。如图6所示,该方法包括以下步骤S61至S64。
在步骤S61中,从客户端接收第一推送内容。
该第一推送内容可以是客户端根据客户端所拥有的样本特征的特征值和客户端本地的即时推送模型,推理得到的。客户端本地的即时推送模型可以为利用本公开的基于联邦学习的模型训练方法训练得到的模型。
客户端的样本特征可以包括以下至少一项:当前时间、加速度(反映了客户端的用户是否正在移动)、陀螺仪感测信息(反映了客户端的用户是正在运动还是静止)、用户距离屏幕的距离、是否插入了耳机、用户是否正在播放音频、当前电量和当前网络状态,等等。
在步骤S62中,根据服务器所拥有的样本特征的特征值和服务器本地的即时推送模型,推理得到第二推送内容。
服务器本地的即时推送模型可以为利用本公开的基于联邦学习的模型训练方法训练得到的模型。
服务器的样本特征可以包括以下至少一项:内容的一级垂类、内容在客户端的热度、内容的基础画像、最近第一预设时段(例如,近一周)内推送的到达点击率、推送的最近一次点击距离当前时间的时间间隔、当日内容是否已活跃和最近第二预设时段(例如,近一周)内内容的活跃率(例如,内容在近一周内的活跃天数),等等。
在步骤S63中,对第一推送内容和第二推送内容求交,得到交集结果。
在步骤S64中,将交集结果发送给客户端,该交集结果用于客户端根据交集结果进行即时推送。
通过采用上述技术方案,就能够结合客户端的模型推理结果(也即第一推送内容)和服务器的模型推理结果(也即第二推送内容),向客户端的用户即时推送合适的内容。
图7是根据本公开一种实施例的基于联邦学习的模型训练系统的示意框图。如图7所示,该模型训练系统包括第二参与方62和多个第一参与方611至61n,第一参与方611至61n为有标签的参与方、且每个第一参与方611至61n拥有相同的特征和不同的样本,第二参与方62为无标签的参与方、且第二参与方62拥有所有第一参与方611至61n的样本但第二参与方62拥有与各个第一参与方611至61n不同的特征。
各个第一参与方611至61n将所拥有的标签值加密传送给第二参与方62。第二参与方62基于加密的标签值和所拥有特征的特征值确定第二梯度并将第二梯度传送给第一参与方,第一参与方611至61n基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将第一梯度和第一直方图传送给第二参与方62。第一参与方基于第二梯度确定第一最优分裂点,并将第一最优分裂点的信息传送给第二参与方62。第二参与方62基于第一梯度、第一直方图和第一最优分裂点的信息,确定全局最优分裂点,并将全局最优分裂点的信息传送给各个第一参与方611至61n。
通过采用上述技术方案,由于第一参与方将所拥有的标签值加密传送给第二参与方,第二参与方基于加密的标签值和所拥有特征的特征值确定第二梯度并将第二梯度传送给第一参与方,第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将第一梯度和第一直方图传送给第二参与方,第一参与方基于第二梯度确定第一最优分裂点,并将第一最优分裂点的信息传送给第二参与方,第二参与方基于第一梯度、第一直方图和第一最优分裂点的信息,确定全局最优分裂点,并将全局最优分裂点的信息传送给第一参与方,这样就实现了混合了横向联邦和纵向联邦的数据分布场景下的模型训练。训练完成后,第一参与方拥有了完成训练的模型的一部分、第二参与方拥有完成训练的模型的另外一部分,能够满足诸如端智能场景等的业务需求。
可选地,所述第一参与方611至61n将所拥有的标签值加密传送给第二参与方62,包括:多个所述第一参与方611至61n中的一个第一参与方产生公钥和私钥,并将所述公钥传送给其他第一参与方;各个所述第一参与方611至61n使用所述公钥对各自的标签值进行加密,并将加密的标签值传送给所述第二参与方62。
可选地,所述第二参与方62基于加密的所述标签值和所拥有特征的特征值确定第二梯度,包括:所述第二参与方62基于加密的所述标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数;所述第二参与方62对所拥有的每个特征的特征值分别划分第二直方图,并基于所述第二直方图确定第二分裂点;所述第二参与方62根据所述第二分裂点,确定位于所述第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,所述第二梯度包括位于所述第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。
可选地,所述第一参与方611至61n基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图,包括:所述第一参与方611至61n基于所拥有的标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数;所述第一参与方611至61n对所拥有的每个特征的特征值分别划分第一直方图,并基于所述第一直方图确定第一分裂点;所述第一参与方611至61n根据所述第一分裂点,确定位于所述第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,所述第一梯度包括位于所述第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。
可选地,所述第二参与方62基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,包括:所述第二参与方62基于所述第一梯度和所述第一直方图,确定第二最优分裂点;所述第二参与方62基于所述第二最优分裂点和所述第一最优分裂点,确定所述全局最优分裂点。
可选地,所述第一参与方611至61n还用于在接收到所述全局最优分裂点之后,判断是否达到了分裂停止条件;若有所述第一参与方判断出达到了所述分裂停止条件,则该第一参与方将停止分裂的结果传送给所述第二参与方62,所述第二参与方62则将所述停止分裂的结果广播给所有所述第一参与方611至61n;若无所述第一参与方判断出达到了所述分裂停止条件,则继续执行下一节点的分裂。
图8是根据本公开一种实施例的即时推送装置的示意框图。该即时推送装置应用于客户端。如图8所示,该即时推送装置800包括:第一推理模块81,用于根据所述客户端所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,其中,所述本地的即时推送模型是基于本公开中任一项所述的基于联邦学习的模型训练方法训练得到的模型;第一发送模块82,用于将所述第一推送内容发送给服务器,其中所述第一推送内容用于所述服务器对所述第一推送内容和所述服务器推理得到的第二推送内容求交得到交集结果;第一接收模块83,用于从所述服务器接收所述交集结果;推送模块84,用于根据所述交集结果进行即时推送。
通过采用上述技术方案,就能够结合客户端的模型推理结果(也即第一推送内容)和服务器的模型推理结果(也即第二推送内容),向客户端的用户即时推送合适的内容。
图9是根据本公开一种实施例的即时推送装置的示意框图。该即时推送装置应用于服务器。如图9所示,该即时推送装置900包括:第二接收模块901,用于从客户端接收第一推送内容;第二推理模块902,用于根据所述服务器所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,其中,所述本地的即时推送模型是基于本公开中任一项所述的基于联邦学习的模型训练方法训练得到的模型;求交模块903,用于对所述第一推送内容和所述第二推送内容求交,得到交集结果;第二发送模块904,用于将所述交集结果发送给所述客户端,所述交集结果用于所述客户端根据所述交集结果进行即时推送。
通过采用上述技术方案,就能够结合客户端的模型推理结果(也即第一推送内容)和服务器的模型推理结果(也即第二推送内容),向客户端的用户即时推送合适的内容。
图10是根据本公开一种实施例的即时推送系统的示意框图。如图10所示,该即时推送系统包括客户端1001和服务器1002,其中:客户端1001,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,并将第一推送内容发送给服务器1002;服务器1002,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,对第一推送内容和第二推送内容求交得到交集结果,并将交集结果发送给客户端1001,其中,客户端本地的即时推送模型和服务器本地的即时推送模型均为利用本公开的基于联邦学习的模型训练方法训练得到的模型;客户端1001,还用于根据交集结果进行即时推送。
通过采用上述技术方案,就能够结合客户端的模型推理结果(也即第一推送内容)和服务器的模型推理结果(也即第二推送内容),向客户端的用户即时推送合适的内容。
可选地,客户端1001的样本特征包括以下至少一项:当前时间、加速度、陀螺仪感测信息、用户距离屏幕的距离、是否插入了耳机、用户是否正在播放音频、当前电量和当前网络状态。
可选地,服务器1002的样本特征包括以下至少一项:内容的一级垂类、内容在客户端的热度、内容的基础画像、最近第一预设时段内推送的到达点击率、推送的最近一次点击距离当前时间的时间间隔、当日内容是否已活跃和最近第二预设时段内内容的活跃率。
本公开实施例还提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现本公开所述方法的步骤。
本公开实施例还提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行存储装置中的计算机程序,以实现本公开所述方法的步骤。
下面参考图11,其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图11示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得:第一参与方将所拥有的标签值加密传送给第二参与方,其中,所述第一参与方为有标签的参与方,所述第一参与方的数量为多个、且每个所述第一参与方拥有相同的特征和不同的样本,所述第二参与方为无标签的参与方、且所述第二参与方拥有所有所述第一参与方的样本但所述第二参与方拥有与各个所述第一参与方不同的特征;所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度并将所述第二梯度传送给所述第一参与方,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将所述第一梯度和所述第一直方图传送给所述第二参与方;所述第一参与方基于所述第二梯度确定第一最优分裂点,并将所述第一最优分裂点的信息传送给所述第二参与方;所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,并将所述全局最优分裂点的信息传送给所述第一参与方。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,客户端还可以被描述为“根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例,示例1提供了一种基于联邦学习的模型训练方法,包括:第一参与方将所拥有的标签值加密传送给第二参与方,其中,所述第一参与方为有标签的参与方,所述第一参与方的数量为多个、且每个所述第一参与方拥有相同的特征和不同的样本,所述第二参与方为无标签的参与方、且所述第二参与方拥有所有所述第一参与方的样本但所述第二参与方拥有与各个所述第一参与方不同的特征;所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度并将所述第二梯度传送给所述第一参与方,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将所述第一梯度和所述第一直方图传送给所述第二参与方;所述第一参与方基于所述第二梯度确定第一最优分裂点,并将所述第一最优分裂点的信息传送给所述第二参与方;所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,并将所述全局最优分裂点的信息传送给所述第一参与方。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,其中,所述第一参与方将所拥有的标签值加密传送给第二参与方,包括:多个所述第一参与方中的一个第一参与方产生公钥和私钥,并将所述公钥传送给其他第一参与方;各个所述第一参与方使用所述公钥对各自的标签值进行加密,并将加密的标签值传送给所述第二参与方。
根据本公开的一个或多个实施例,示例3提供了示例1的方法,其中,所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度,包括:所述第二参与方基于加密的所述标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数;所述第二参与方对所拥有的每个特征的特征值分别划分第二直方图,并基于所述第二直方图确定第二分裂点;所述第二参与方根据所述第二分裂点,确定位于所述第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,所述第二梯度包括位于所述第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。
根据本公开的一个或多个实施例,示例4提供了示例1的方法,其中,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图,包括:所述第一参与方基于所拥有的标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数;所述第一参与方对所拥有的每个特征的特征值分别划分第一直方图,并基于所述第一直方图确定第一分裂点;所述第一参与方根据所述第一分裂点,确定位于所述第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,所述第一梯度包括位于所述第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。
根据本公开的一个或多个实施例,示例5提供了示例1的方法,其中,所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,包括:所述第二参与方基于所述第一梯度和所述第一直方图,确定第二最优分裂点;所述第二参与方基于所述第二最优分裂点和所述第一最优分裂点,确定所述全局最优分裂点。
根据本公开的一个或多个实施例,示例6提供了示例1至5中任一项的方法,其中,所述方法还包括:所述第一参与方在接收到所述全局最优分裂点之后,判断是否达到了分裂停止条件;若有所述第一参与方判断出达到了所述分裂停止条件,则该第一参与方将停止分裂的结果传送给所述第二参与方,所述第二参与方则将所述停止分裂的结果广播给所有所述第一参与方;若无所述第一参与方判断出达到了所述分裂停止条件,则继续执行下一节点的分裂。
根据本公开的一个或多个实施例,示例7提供了一种即时推送方法,应用于客户端,包括:根据所述客户端所拥有的样本特征的特征值和所述客户端本地的即时推送模型,推理得到第一推送内容,其中,所述客户端本地的即时推送模型是基于示例1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;将所述第一推送内容发送给服务器,所述第一推送内容用于所述服务器对所述第一推送内容和所述服务器推理得到的第二推送内容求交得到交集结果;从所述服务器接收所述交集结果;根据所述交集结果进行即时推送。
根据本公开的一个或多个实施例,示例8提供了示例7的方法,其中,所述客户端的样本特征包括以下至少一项:当前时间、加速度、陀螺仪感测信息、用户距离屏幕的距离、是否插入了耳机、用户是否正在播放音频、当前电量和当前网络状态。
根据本公开的一个或多个实施例,示例9提供了一种即时推送方法,应用于服务器,包括:从客户端接收第一推送内容;根据所述服务器所拥有的样本特征的特征值和所述服务器本地的即时推送模型,推理得到第二推送内容,其中,所述服务器本地的即时推送模型是基于示例1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;对所述第一推送内容和所述第二推送内容求交得到交集结果;将所述交集结果发送给所述客户端,所述交集结果用于所述客户端根据所述交集结果进行即时推送。
根据本公开的一个或多个实施例,示例10提供了示例9的方法,其中,所述服务器的样本特征包括以下至少一项:内容的一级垂类、内容在客户端的热度、内容的基础画像、最近第一预设时段内推送的到达点击率、推送的最近一次点击距离当前时间的时间间隔、当日内容是否已活跃和最近第二预设时段内内容的活跃率。
根据本公开的一个或多个实施例,示例11提供了一种基于联邦学习的模型训练系统,所述模型训练系统包括第二参与方和多个第一参与方,所述第一参与方为有标签的参与方、且每个所述第一参与方拥有相同的特征和不同的样本,所述第二参与方为无标签的参与方、且所述第二参与方拥有所有所述第一参与方的样本但所述第二参与方拥有与各个所述第一参与方不同的特征,其中:各个所述第一参与方将所拥有的标签值加密传送给所述第二参与方;所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度并将所述第二梯度传送给所述第一参与方,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将所述第一梯度和所述第一直方图传送给所述第二参与方;所述第一参与方基于所述第二梯度确定第一最优分裂点,并将所述第一最优分裂点的信息传送给所述第二参与方;所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,并将所述全局最优分裂点的信息传送给所述第一参与方。
根据本公开的一个或多个实施例,示例12提供一种即时推送装置,应用于客户端,包括:第一推理模块,用于根据所述客户端所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,其中,所述本地的即时推送模型是基于示例1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;第一发送模块,用于将所述第一推送内容发送给服务器,其中所述第一推送内容用于所述服务器对所述第一推送内容和所述服务器推理得到的第二推送内容求交得到交集结果;第一接收模块,用于从所述服务器接收所述交集结果;推送模块,用于根据所述交集结果进行即时推送。
根据本公开的一个或多个实施例,示例13提供一种即时推送装置,应用于服务器,包括:第二接收模块,用于从客户端接收第一推送内容;第二推理模块,用于根据所述服务器所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,其中,所述本地的即时推送模型是基于示例1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;求交模块,用于对所述第一推送内容和所述第二推送内容求交,得到交集结果;第二发送模块,用于将所述交集结果发送给所述客户端,所述交集结果用于所述客户端根据所述交集结果进行即时推送。
根据本公开的一个或多个实施例,示例14提供一种即时推送系统,所述即时推送系统包括客户端和服务器,其中:所述客户端,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,并将所述第一推送内容发送给所述服务器;所述服务器,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,对所述第一推送内容和所述第二推送内容求交得到交集结果,并将所述交集结果发送给所述客户端,其中,所述客户端本地的即时推送模型和所述服务器本地的即时推送模型均为基于示例1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;所述客户端,还用于根据所述交集结果进行即时推送。
根据本公开的一个或多个实施例,示例15提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现示例1-10中任一项所述方法的步骤。
根据本公开的一个或多个实施例,示例16提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现示例1-10中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (16)
1.一种基于联邦学习的模型训练方法,其特征在于,包括:
第一参与方将所拥有的标签值加密传送给第二参与方,其中,所述第一参与方为有标签的参与方,所述第一参与方的数量为多个、且每个所述第一参与方拥有相同的特征和不同的样本,所述第二参与方为无标签的参与方、且所述第二参与方拥有所有所述第一参与方的样本但所述第二参与方拥有与各个所述第一参与方不同的特征;
所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度并将所述第二梯度传送给所述第一参与方,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将所述第一梯度和所述第一直方图传送给所述第二参与方;
所述第一参与方基于所述第二梯度确定第一最优分裂点,并将所述第一最优分裂点的信息传送给所述第二参与方;
所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,并将所述全局最优分裂点的信息传送给所述第一参与方。
2.根据权利要求1所述的方法,其特征在于,所述第一参与方将所拥有的标签值加密传送给第二参与方,包括:
多个所述第一参与方中的一个第一参与方产生公钥和私钥,并将所述公钥传送给其他第一参与方;
各个所述第一参与方使用所述公钥对各自的标签值进行加密,并将加密的标签值传送给所述第二参与方。
3.根据权利要求1所述的方法,其特征在于,所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度,包括:
所述第二参与方基于加密的所述标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数;
所述第二参与方对所拥有的每个特征的特征值分别划分第二直方图,并基于所述第二直方图确定第二分裂点;
所述第二参与方根据所述第二分裂点,确定位于所述第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,所述第二梯度包括位于所述第二分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第二分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。
4.根据权利要求1所述的方法,其特征在于,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图,包括:
所述第一参与方基于所拥有的标签值,确定所拥有特征的每个特征值所对应的一阶导数和二阶导数;
所述第一参与方对所拥有的每个特征的特征值分别划分第一直方图,并基于所述第一直方图确定第一分裂点;
所述第一参与方根据所述第一分裂点,确定位于所述第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和,其中,所述第一梯度包括位于所述第一分裂点左侧的特征值所对应的一阶导数之和和二阶导数之和、以及位于所述第一分裂点右侧的特征值所对应的一阶导数之和和二阶导数之和。
5.根据权利要求1所述的方法,其特征在于,所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,包括:
所述第二参与方基于所述第一梯度和所述第一直方图,确定第二最优分裂点;
所述第二参与方基于所述第二最优分裂点和所述第一最优分裂点,确定所述全局最优分裂点。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
所述第一参与方在接收到所述全局最优分裂点之后,判断是否达到了分裂停止条件;
若有所述第一参与方判断出达到了所述分裂停止条件,则该第一参与方将停止分裂的结果传送给所述第二参与方,所述第二参与方则将所述停止分裂的结果广播给所有所述第一参与方;
若无所述第一参与方判断出达到了所述分裂停止条件,则继续执行下一节点的分裂。
7.一种即时推送方法,应用于客户端,其特征在于,包括:
根据所述客户端所拥有的样本特征的特征值和所述客户端本地的即时推送模型,推理得到第一推送内容,其中,所述客户端本地的即时推送模型是基于权利要求1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;
将所述第一推送内容发送给服务器,所述第一推送内容用于所述服务器对所述第一推送内容和所述服务器推理得到的第二推送内容求交得到交集结果;
从所述服务器接收所述交集结果;
根据所述交集结果进行即时推送。
8.根据权利要求7所述的方法,其特征在于,所述客户端的样本特征包括以下至少一项:
当前时间、加速度、陀螺仪感测信息、用户距离屏幕的距离、是否插入了耳机、用户是否正在播放音频、当前电量和当前网络状态。
9.一种即时推送方法,应用于服务器,其特征在于,包括:
从客户端接收第一推送内容;
根据所述服务器所拥有的样本特征的特征值和所述服务器本地的即时推送模型,推理得到第二推送内容,其中,所述服务器本地的即时推送模型是基于权利要求1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;
对所述第一推送内容和所述第二推送内容求交得到交集结果;
将所述交集结果发送给所述客户端,所述交集结果用于所述客户端根据所述交集结果进行即时推送。
10.根据权利要求9所述的方法,其特征在于,所述服务器的样本特征包括以下至少一项:
内容的一级垂类、内容在客户端的热度、内容的基础画像、最近第一预设时段内推送的到达点击率、推送的最近一次点击距离当前时间的时间间隔、当日内容是否已活跃和最近第二预设时段内内容的活跃率。
11.一种基于联邦学习的模型训练系统,其特征在于,所述模型训练系统包括第二参与方和多个第一参与方,所述第一参与方为有标签的参与方、且每个所述第一参与方拥有相同的特征和不同的样本,所述第二参与方为无标签的参与方、且所述第二参与方拥有所有所述第一参与方的样本但所述第二参与方拥有与各个所述第一参与方不同的特征,其中:
各个所述第一参与方将所拥有的标签值加密传送给所述第二参与方;
所述第二参与方基于加密的所述标签值和所拥有特征的特征值确定第二梯度并将所述第二梯度传送给所述第一参与方,所述第一参与方基于所拥有特征的特征值和所拥有的标签值确定第一梯度和第一直方图、并将所述第一梯度和所述第一直方图传送给所述第二参与方;
所述第一参与方基于所述第二梯度确定第一最优分裂点,并将所述第一最优分裂点的信息传送给所述第二参与方;
所述第二参与方基于所述第一梯度、所述第一直方图和所述第一最优分裂点的信息,确定全局最优分裂点,并将所述全局最优分裂点的信息传送给所述第一参与方。
12.一种即时推送装置,应用于客户端,其特征在于,包括:
第一推理模块,用于根据所述客户端所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,其中,所述本地的即时推送模型是基于权利要求1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;
第一发送模块,用于将所述第一推送内容发送给服务器,其中所述第一推送内容用于所述服务器对所述第一推送内容和所述服务器推理得到的第二推送内容求交得到交集结果;
第一接收模块,用于从所述服务器接收所述交集结果;
推送模块,用于根据所述交集结果进行即时推送。
13.一种即时推送装置,应用于服务器,其特征在于,包括:
第二接收模块,用于从客户端接收第一推送内容;
第二推理模块,用于根据所述服务器所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,其中,所述本地的即时推送模型是基于权利要求1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;
求交模块,用于对所述第一推送内容和所述第二推送内容求交,得到交集结果;
第二发送模块,用于将所述交集结果发送给所述客户端,所述交集结果用于所述客户端根据所述交集结果进行即时推送。
14.一种即时推送系统,其特征在于,所述即时推送系统包括客户端和服务器,其中:
所述客户端,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第一推送内容,并将所述第一推送内容发送给所述服务器;
所述服务器,用于根据所拥有的样本特征的特征值和本地的即时推送模型,推理得到第二推送内容,对所述第一推送内容和所述第二推送内容求交得到交集结果,并将所述交集结果发送给所述客户端,其中,所述客户端本地的即时推送模型和所述服务器本地的即时推送模型均为基于权利要求1至6中任一项所述的基于联邦学习的模型训练方法训练得到的模型;
所述客户端,还用于根据所述交集结果进行即时推送。
15.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现权利要求1-10中任一项所述方法的步骤。
16.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565543.7A CN116596092A (zh) | 2023-05-18 | 2023-05-18 | 模型训练方法、即时推送方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565543.7A CN116596092A (zh) | 2023-05-18 | 2023-05-18 | 模型训练方法、即时推送方法、装置、介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596092A true CN116596092A (zh) | 2023-08-15 |
Family
ID=87593281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310565543.7A Pending CN116596092A (zh) | 2023-05-18 | 2023-05-18 | 模型训练方法、即时推送方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596092A (zh) |
-
2023
- 2023-05-18 CN CN202310565543.7A patent/CN116596092A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110362266B (zh) | 提示信息显示方法、系统、电子设备和计算机可读介质 | |
CN109521956B (zh) | 一种基于区块链的云存储方法、装置、设备及存储介质 | |
CN110781373B (zh) | 榜单更新方法、装置、可读介质和电子设备 | |
CN111163324B (zh) | 信息处理方法、装置和电子设备 | |
CN111931962A (zh) | 信息展示方法、装置和电子设备 | |
CN112418446A (zh) | 模型处理方法、系统、装置、介质及电子设备 | |
CN112995712A (zh) | 卡顿因素的确定方法、装置、设备及存储介质 | |
CN113537512A (zh) | 基于联邦学习的模型训练方法、装置、系统、设备和介质 | |
CN113722738A (zh) | 数据保护方法、装置、介质及电子设备 | |
CN111225255B (zh) | 目标视频推送播放方法、装置、电子设备及存储介质 | |
CN116010678B (zh) | 一种匿踪查询方法、装置及设备 | |
CN112434064B (zh) | 数据处理方法、装置、介质及电子设备 | |
CN116596092A (zh) | 模型训练方法、即时推送方法、装置、介质和电子设备 | |
CN113709573B (zh) | 配置视频特效方法、装置、设备及存储介质 | |
CN114595474A (zh) | 联邦学习建模优化方法、电子设备、介质及程序产品 | |
CN111752625A (zh) | 用于接口mock的方法和装置 | |
CN111367592B (zh) | 信息处理方法和装置 | |
CN110389805B (zh) | 一种信息展示方法、装置、设备及存储介质 | |
CN112330996A (zh) | 一种直播教学的控制方法、装置、介质和电子设备 | |
CN112242978A (zh) | 一种处理数据的方法和装置 | |
CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111314021A (zh) | 数据传输方法、装置、电子设备及计算机可读存储介质 | |
CN111291254A (zh) | 信息处理方法和装置 | |
CN116843800B (zh) | 动画信息发送方法、装置、电子设备和计算机可读介质 | |
CN116226888B (zh) | 基于隐私保护的电力数据交互加密方法、系统与设备 |
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 |