CN116738196A - 一种信誉评估方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种信誉评估方法，包括：根据发起方数据集确定发起方数据特征；根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；通过发起方设备对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至合作方设备；从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵；通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，以训练联邦学习模型，确定信誉评估模型。提高了对联邦学习模型的模型训练效率。

Description

一种信誉评估方法、装置、设备和存储介质

技术领域

本发明实施例涉及联邦建模领域，尤其涉及一种信誉评估方法、装置、设备和存储介质。

背景技术

纵向联邦学习往往用以解决纵向联邦学习的参与方中一方数据维度过少，仅用一方数据无法较好地实现建模目标的问题，因此纵向联邦学习多用于不同行业之间的联合建模。训练联邦学习模型时，数据发起方的发起方数据集和数据合作方的合作方数据集存在交集，即发起方数据集和合作方数据集存在相同的样本空间以及不同的特征空间，直接通过发起方数据集和合作方数据集训练联邦学习模型，会导致联邦学习模型的模型训练数据之间存在一定的相关性，使得模型训练效率低，同时无法保证发起方数据集和合作方数据集在数据传输过程中的安全性。因此，如何去除发起方数据集和合作方数据集之间相关性较大的特征数据，提升对联邦学习模型的模型训练效率和模型预测精确度，保证发起方数据集和合作方数据集不泄露，并实现联合建模，在联合建模过程中的数据安全性，是需要解决的问题。

发明内容

本发明提供了一种信誉评估方法、装置、设备和存储介质，可以提升对联邦学习模型的模型训练效率和模型预测精确度，保证发起方数据集和合作方数据集在联合建模过程中的安全性。

根据本发明的一方面，提供了一种信誉评估方法，包括：

获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据所述发起方数据集确定发起方数据特征；

根据所述数据发起方的安全随机数对所述发起方数据集进行线性变换，确定线性数据集；

通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵；所述密文相关系数矩阵通过所述合作方设备，根据所述线性数据集、所述合作方数据集和所述加密发起方方差和期望数据确定；

通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数；

根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；所述信誉评估模型用于评估客户的信誉度。

根据本发明的另一方面，提供了一种信誉评估装置，该装置包括：

发起方数据确定模块，用于获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据所述发起方数据集确定发起方数据特征；

线性数据集确定模块，用于根据所述数据发起方的安全随机数对所述发起方数据集进行线性变换，确定线性数据集；

相关系数矩阵确定模块，用于通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵；所述密文相关系数矩阵通过所述合作方设备，根据所述线性数据集、所述合作方数据集和所述加密发起方方差和期望数据确定；

数据相关系数确定模块，用于通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数；

信誉评估模型确定模块，用于根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；所述信誉评估模型用于评估客户的信誉度。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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发明任一实施例所述的信誉评估方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的信誉评估方法。

本发明实施例的技术方案，获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征；根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；通过数据发起方的发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备；以及，从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵；通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；信誉评估模型用于评估客户的信誉度。上述方案，提出了一种去中心化的基于安全随机数进行联邦相关性分析的方法，解决了在通过纵向联邦学习中数据发起方和的发起方数据集和数据合作方的合作方数据集对联邦学习模型进行训练，构建信誉评估模型时，发起方数据集中的用户数据和合作方数据集中的用户数据可能存在交集，因此发起方数据集和合作方数据集之间可能具有较强的关联性，导致在对联邦学习模型进行训练时，存在模型训练效率低，且信誉评估模型在对客户的信誉度进行评估预测时，预测结果的准确度较低的问题。对数据发起方的发起方数据集进行线性变换，确定线性数据集，并通过发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，且将线性数据集和加密发起方方差和期望数据发送至合作方设备，可以在数据传输过程中保护数据发起方的数据安全。从合作方设备获取数据发起方和数据合作方之间的密文关系系数矩阵，根据密文关系系数矩阵确定联邦相关系数矩阵，并进一步根据联邦相关系数矩阵确定数据相关系数，以根据数据相关系数从发起方数据集和合作方数据集中筛选出相关性较低的用户数据作为联邦学习模型的模型训练数据，可以避免模型训练数据之间具有强关联性，提高了对联邦学习模型的模型训练效率，同时提高了信誉评估模型的可靠性，提高了信誉评估模型对客户的信誉度进行评估预测的预测精确度。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种信誉评估方法的流程图；

图2为本发明实施例二提供的一种信誉评估方法的流程图；

图3为本发明实施例三提供的一种信誉评估装置的结构示意图；

图4为本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“候选”和“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“等”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种信誉评估方法的流程图，本实施例可适用于根据纵向联邦学习中发起方数据集和合作方数据集，训练用于对客户的信誉度进行评估的联邦学习模型的情况。该方法可以由信誉评估装置来执行，该信誉评估装置可以采用硬件和/或软件的形式实现，该信誉评估装置可配置于电子设备中。如图1所示，该方法包括：

S110、获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征。

其中，数据发起方是指纵向联邦学习中的发起方，数据合作方是指纵向联邦学习中的合作方。纵向联邦学习是适用于数据集上具有相同的样本空间和不同的特征空间的参与方所组成的联邦学习场景。可通过纵向联邦学习为不同的参与方协同训练一个机器学习模型。数据发起方和数据合作方可以是具有合作需求的不同企业。发起方数据集中包含有数据发起方的用户数据，数据发起方的用户数据是指数据发起方在用户许可的情况下，获取的可以表征用户在数据发起方的信誉度的样本数据；合作方数据集中包含有数据合作方的用户数据，数据合作方的用户数据是指数据合作方在用户许可的情况下，获取的可以表征用户在数据合作方的信誉度的样本数据。信誉度是指用于衡量用户在与企业交流过程中由用户的交流行为确定的用户的信誉情况。用户的交流行为可以是：用户的物品租赁时间、物品租赁市场、物品归还时间、是否延期归还以及延期归还时长。

具体的，在数据发起方的用户许可的情况下，获取数据发起方的用户数据，并将数据发起方的用户数据整理为发起方数据集。在数据合作方的用户许可的情况下，获取数据合作方的用户数据，并将数据合作方的用户数据整理为合作方数据集。对发起方数据集中的用户数据进行特征提取，确定发起方数据特征。

示例性的，获取数据发起方的发起方数据集，以及数据合作方的合作方数据集的方法可以是：根据数据发起方的发起方用户标识，以及数据合作方的合作方用户标识，确定数据发起方对应的发起方用户和数据合作方对应的合作方用户之间的用户交集；根据用户交集和数据发起方的用户数据确定发起方数据集，并根据用户交集和数据合作方的用户数据确定合作方数据集。

其中，发起方用户标识是指可以表征数据发起方的用户的身份的数据。合作方用户标识是指可以表征数据合作方的用户的身份的数据。身份标识可以包括用户姓名和年龄等信息。

具体的，由于数据发起方和数据合作方之间可能存在相同的用户，因此在对联邦学习模型进行训练时，需要确定数据发起方和数据合作方之间的相同用户。在数据发起方的用户许可的情况下，获取发起方用户标识；在数据合作方的用户许可的情况下，获取合作方用户标识。根据数据发起方的发起方用户标识，以及数据合作方的合作方用户标识，确定数据发起方对应的发起方用户和数据合作方的相同用户标识，根据相同用户标识，确定数据发起方对应的发起方用户和数据合作方对应的合作方用户之间的用户交集。将用户交集对应的用户数据作为交集数据，并将交集数据和数据发起方的用户数据进行数据整合，确定发起方数据集；将交集数据和数据合作方的用户数据进行数据整合，确定合作方数据集。

可以理解的是，根据纵向联邦学习中数据发起方的用户数据，数据合作方的用户数据，以及数据发起方和数据合作方之间的用户交集，确定发起方数据集和合作方数据集，可以提高发起方数据集和合作方数据集之间的关联关系的直观性，便于后续根据发起方数据集和合作方数据集计算数据发起方和数据合作方之间的密文相关系数矩阵。

S120、根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集。

具体的，对发起方数据集进行线性变换的方法是：从随机数数据库中随机选取两个安全随机数，确定数据发起方的发起方数据特征与两个安全随机数中任一安全随机数的乘积，以及发起方数据特征的特征个数和另一安全随机数之和。将发起方数据集的线性变换结果作为线性数据集。

S130、通过数据发起方的发起方设备对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备；以及，从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵。

密文相关系数矩阵通过合作方设备，根据线性数据集、合作方数据集和加密发起方方差和期望数据确定。

具体的，通过数据发起方的发起方设备获取密钥对，通过密钥对中的公钥对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据。将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备。通过合作方设备，根据线性数据集、合作方数据集和加密发起方方差和期望数据确定密文相关系数矩阵，并通过合作方设备将密文相关系数矩阵发送至发起方设备。

S140、通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数。

其中，数据相关系数是指数据发起方的用户数据和数据合作方的用户数据之间的相关系数。数据相关系数包括各发起方数据特征之间的相关系数，各合作方数据特征之间的相关系数。

合作方数据特征可以根据合作方数据集确定。

具体的，通过发起方设备，采用密钥对中的私钥对密文相关系数矩阵进行解密，确定数据发起方和数据合作方之间的联邦相关系数矩阵。将联邦相关系数矩阵中的线性数据集转换为发起方数据集，以根据转换之后的联邦相关系数矩阵确定数据相关系数。

S150、根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型。

信誉评估模型用于评估客户的信誉度。

具体的，根据数据相关系数，以及预设的模型训练数据筛选条件，从发起方数据集对应的发起方特征数据和合作方数据集对应的合作方特征数据中确定模型训练数据，采用模型训练数据训练联邦学习模型，将训练后的联邦学习模型作为信誉评估模型。将需要进行信誉度评估的个体用户的用户数据作为信誉评估模型的输入数据，根据信誉评估模型的输出数据，确定个体用户的信誉度的评估结果。

示例性的，可以根据数据相关系数和相关系数阈值，对发起方数据集和合作方数据集进行筛选，确定发起方特征数据和合作方特征数据中数据相关系数小于相关系数阈值的特征数据为模型训练数据，通过模型训练数据训练联邦学习模型，并将训练完成的联邦学习模型作为信誉评估模型。

示例性的，确定信誉评估模型的方法可以是：根据数据相关系数和相关系数阈值，对发起方数据集和合作方数据集进行筛选，确定发起方数据集和合作方数据集中相关系数数值小于相关系数阈值的特征数据作为模型训练数据，并通过模型训练数据训练联邦学习模型，且根据联邦学习模型的训练结果确定信誉评估模型。

本实施例提供的技术方案，获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征；根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；通过数据发起方的发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备；以及，从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵；通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；信誉评估模型用于评估客户的信誉度。上述方案，提出了一种去中心化的基于安全随机数进行联邦相关性分析的方法，解决了在通过纵向联邦学习中数据发起方和的发起方数据集和数据合作方的合作方数据集对联邦学习模型进行训练，构建信誉评估模型时，发起方数据集中的用户数据和合作方数据集中的用户数据可能存在交集，因此发起方数据集和合作方数据集之间可能具有较强的关联性，导致在对联邦学习模型进行训练时，存在模型训练效率低，且信誉评估模型在对客户的信誉度进行评估预测时，预测结果的准确度较低的问题。对数据发起方的发起方数据集进行线性变换，确定线性数据集，并通过发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，且将线性数据集和加密发起方方差和期望数据发送至合作方设备，可以在数据传输过程中保护数据发起方的数据安全。从合作方设备获取数据发起方和数据合作方之间的密文关系系数矩阵，根据密文关系系数矩阵确定联邦相关系数矩阵，并进一步根据联邦相关系数矩阵确定数据相关系数，以根据数据相关系数从发起方数据集和合作方数据集中筛选出相关性较低的用户数据作为联邦学习模型的模型训练数据，可以避免模型训练数据之间具有强关联性，提高了对联邦学习模型的模型训练效率，同时提高了信誉评估模型的可靠性，提高了信誉评估模型对客户的信誉度进行评估预测的预测精确度。

实施例二

图2为本发明实施例二提供的一种信誉评估方法的流程图，本实施例在上述实施例的基础上进行了优化，给出了一种通过数据发起方的发起方设备对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备；以及，从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵的优选实施方式。具体的，如图2所示，该方法包括：

S210、获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征。

S220、根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集。

S230、通过数据发起方的发起方设备获密钥对，通过密钥对中的公钥对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据。

示例性的，确定加密发起方方差和期望数据的方法可以是：确定发起方数据特征的特征期望数据和标准差数据，并确定标准差数据的标准差倒数；通过数据发起方的发起方设备获取密钥对，并通过密钥对中的公钥对特征期望数据和标准差倒数进行加密，确定加密期望数据和加密标准差，且将加密期望数据和加密标准差作为加密发起方方差和期望数据。

其中，特征期望数据可以是发起方特征数据的平均值。

可以理解的是，通过发起方设备，根据密钥对中的公钥对特征期望数据和标准差倒数进行加密，确定加密发起方方差和期望数据，可以对发起方数据集中的数据进行加密，更好的保障了发起方数据集的相关数据在传输过程中的数据安全，避免了数据发起方出现数据泄露的问题。

S240、将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备，并通过合作方设备，对合作方数据集进行标准化处理，以通过合作方设备根据线性数据集、加密发起方方差和期望数据和标准化处理后的合作方数据集确定数据发起方和数据合作方之间的密文相关系数矩阵。

密文相关系数矩阵通过合作方设备，根据线性数据集、合作方数据集和加密发起方方差和期望数据确定。

具体的，将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备。通过合作方设备，对合作方数据集进行标准化处理。通过合作方设备，根据线性数据集、加密发起方方差和期望数据和标准化处理后的合作方数据集确定线性数据集和标准化处理后的合作方数据集之间的相关系数矩阵，线性数据集和标准化处理后的合作方数据集之间的相关系数矩阵即为密文相关系数矩阵。

S250、通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数。

示例性的，确定联邦相关系数矩阵和数据相关系数的方法可以是：通过发起方设备，采用密钥对中的私钥对密文相关系数矩阵进行解密，确定联邦相关系数矩阵；根据联邦相关系数矩阵，确定数据发起方和数据合作方之间的数据相关系数矩阵，并根据数据相关系数矩阵确定数据发起方和数据合作方之间的数据相关系数。

其中，数据相关系数矩阵是指记录发起方数据集和合作方数据集的数据相关系数的矩阵。

具体的，通过发起方设备，采用密钥对中的私钥对密文相关系数矩阵进行解密，根据解密结果确定联邦相关系数矩阵。此时获取的联邦相关系数矩阵为线性数据集和标准化处理后的合作方数据集的联邦相关系数矩阵。对联邦相关系数矩阵中的线性数据集进行线性反变换，确定联邦相关系数矩阵中的线性数据集对应的发起方数据集。根据线性反变换后的联邦相关系数矩阵确定数据发起方和数据合作方之间的数据相关系数矩阵，并根据数据相关系数矩阵确定数据发起方和数据合作方之间的数据相关系数。

可以理解的是，通过发起方设备，采用密钥对中的私钥对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，根据联邦相关系数矩阵确定数据发起方和数据合作方之间的数据相关系数矩阵，以根据数据相关系数矩阵确定数据相关系数，可以在令数据发起方获取到准确的数据相关系数的同时，保证数据发起方和数据合作方的数据安全。

S260、根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型。

信誉评估模型用于评估客户的信誉度。

本实施例的技术方案，获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征；根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；通过数据发起方的发起方设备获密钥对，通过密钥对中的公钥对发起方数据特征进行加密处理，确定加密发起方方差和期望数据；将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备，并通过合作方设备，对合作方数据集进行标准化处理，以通过合作方设备根据线性数据集、加密发起方方差和期望数据和标准化处理后的合作方数据集确定数据发起方和数据合作方之间的密文相关系数矩阵；通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；信誉评估模型用于评估客户的信誉度。上述方案，对合作方数据集进行标准化处理，并根据线性数据集、加密发起方方差和期望数据和标准化处理后的合作方数据集确定数据发起方和数据合作方之间的密文相关系数矩阵，可以简化密文相关系数矩阵的确定方式，提高密文相关系数矩阵的计算效率。实现了令发起方设备和合作方设备分别执行计算任务，提升了对发起方数据集和合作方数据集之间的数据相关系数的确定效率，同时保障了数据相关系数的可靠性。

实施例三

图3为本发明实施例三提供的一种信誉评估装置的结构示意图。本实施例可适用于根据纵向联邦学习中发起方数据集和合作方数据集，训练用于对客户的信誉度进行评估的联邦学习模型的情况。如图3所示，该信誉评估装置包括：发起方数据确定模块310、线性数据集确定模块320、相关系数矩阵确定模块330、数据相关系数确定模块340和信誉评估模型确定模块350。

其中，发起方数据确定模块310，用于获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征；

线性数据集确定模块320，用于根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；

相关系数矩阵确定模块330，用于通过数据发起方的发起方设备对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备；以及，从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵；密文相关系数矩阵通过合作方设备，根据线性数据集、合作方数据集和加密发起方方差和期望数据确定；

数据相关系数确定模块340，用于通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；

信誉评估模型确定模块350，用于根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；信誉评估模型用于评估客户的信誉度。

本实施例提供的技术方案，获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征；根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；通过数据发起方的发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备；以及，从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵；通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；信誉评估模型用于评估客户的信誉度。上述方案，提出了一种去中心化的基于安全随机数进行联邦相关性分析的方法，解决了在通过纵向联邦学习中数据发起方和的发起方数据集和数据合作方的合作方数据集对联邦学习模型进行训练，构建信誉评估模型时，发起方数据集中的用户数据和合作方数据集中的用户数据可能存在交集，因此发起方数据集和合作方数据集之间可能具有较强的关联性，导致在对联邦学习模型进行训练时，存在模型训练效率低，且信誉评估模型在对客户的信誉度进行评估预测时，预测结果的准确度较低的问题。对数据发起方的发起方数据集进行线性变换，确定线性数据集，并通过发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，且将线性数据集和加密发起方方差和期望数据发送至合作方设备，可以在数据传输过程中保护数据发起方的数据安全。从合作方设备获取数据发起方和数据合作方之间的密文关系系数矩阵，根据密文关系系数矩阵确定联邦相关系数矩阵，并进一步根据联邦相关系数矩阵确定数据相关系数，以根据数据相关系数从发起方数据集和合作方数据集中筛选出相关性较低的用户数据作为联邦学习模型的模型训练数据，可以避免模型训练数据之间具有强关联性，提高了对联邦学习模型的模型训练效率，同时提高了信誉评估模型的可靠性，提高了信誉评估模型对客户的信誉度进行评估预测的预测精确度。

示例性的，相关系数矩阵确定模块330，包括：

特征数据加密单元，用于通过数据发起方的发起方设备获密钥对，通过密钥对中的公钥对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据；

相关系数矩阵确定单元，用于将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备，并通过合作方设备，对合作方数据集进行标准化处理，以通过合作方设备根据线性数据集、加密发起方方差和期望数据和标准化处理后的合作方数据集确定数据发起方和数据合作方之间的密文相关系数矩阵。

示例性的，特征数据加密单元具体用于：

确定发起方数据特征的特征期望数据和标准差数据，并确定标准差数据的标准差倒数；

通过数据发起方的发起方设备获取密钥对，并通过密钥对中的公钥对特征期望数据和标准差倒数进行加密，确定加密期望数据和加密标准差，且将加密期望数据和加密标准差作为加密发起方方差和期望数据。

示例性的，数据相关系数确定模块340具体用于：

通过发起方设备，采用密钥对中的私钥对密文相关系数矩阵进行解密，确定联邦相关系数矩阵；

根据联邦相关系数矩阵，确定数据发起方和数据合作方之间的数据相关系数矩阵，并根据数据相关系数矩阵确定数据发起方和数据合作方之间的数据相关系数。

示例性的，信誉评估模型确定模块350具体用于：

根据数据相关系数和相关系数阈值，对发起方数据集和合作方数据集进行筛选，确定发起方数据集和合作方数据集中相关系数数值小于相关系数阈值的特征数据作为模型训练数据，并通过模型训练数据训练联邦学习模型，且根据联邦学习模型的训练结果确定信誉评估模型。

示例性的，发起方数据确定模块具体用于：

根据数据发起方的发起方用户标识，以及数据合作方的合作方用户标识，确定数据发起方对应的发起方用户和数据合作方对应的合作方用户之间的用户交集；

根据用户交集和数据发起方的用户数据确定发起方数据集，并根据用户交集和数据合作方的用户数据确定合作方数据集。

本实施例提供的信誉评估装置可适用于上述任意实施例提供的信誉评估方法，具备相应的功能和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如信誉评估方法。

在一些实施例中，信誉评估方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的信誉评估方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行信誉评估方法。

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、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)、负载可编程逻辑设备(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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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。服务器可以是云服务器，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服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种信誉评估方法，其特征在于，包括：

获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据所述发起方数据集确定发起方数据特征；

根据所述数据发起方的安全随机数对所述发起方数据集进行线性变换，确定线性数据集；

通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵；所述密文相关系数矩阵通过所述合作方设备，根据所述线性数据集、所述合作方数据集和所述加密发起方方差和期望数据确定；

通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数；

根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；所述信誉评估模型用于评估客户的信誉度。

2.根据权利要求1所述的方法，其特征在于，通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵，包括：

通过所述数据发起方的发起方设备获密钥对，通过所述密钥对中的公钥对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据；

将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备，并通过所述合作方设备，对所述合作方数据集进行标准化处理，以通过所述合作方设备根据所述线性数据集、所述加密发起方方差和期望数据和标准化处理后的合作方数据集确定所述数据发起方和所述数据合作方之间的密文相关系数矩阵。

3.根据权利要求2所述的方法，其特征在于，通过所述数据发起方的发起方设备获密钥对，通过所述密钥对中的公钥对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，包括：

确定所述发起方数据特征的特征期望数据和标准差数据，并确定所述标准差数据的标准差倒数；

通过所述数据发起方的发起方设备获取密钥对，并通过所述密钥对中的公钥对所述特征期望数据和所述标准差倒数进行加密，确定加密期望数据和加密标准差，且将所述加密期望数据和加密标准差作为加密发起方方差和期望数据。

4.根据权利要求1所述的方法，其特征在于，通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数，包括：

通过所述发起方设备，采用密钥对中的私钥对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵；

根据所述联邦相关系数矩阵，确定所述数据发起方和所述数据合作方之间的数据相关系数矩阵，并根据所述数据相关系数矩阵确定所述数据发起方和所述数据合作方之间的数据相关系数。

5.根据权利要求1所述的方法，其特征在于，根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型，包括：

根据所述数据相关系数和相关系数阈值，对所述发起方数据集和所述合作方数据集进行筛选，确定所述发起方数据集和所述合作方数据集中相关系数数值小于相关系数阈值的特征数据作为模型训练数据，并通过所述模型训练数据训练联邦学习模型，且根据联邦学习模型的训练结果确定信誉评估模型。

6.根据权利要求1所述的方法，其特征在于，获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，包括：

根据数据发起方的发起方用户标识，以及数据合作方的合作方用户标识，确定所述数据发起方对应的发起方用户和所述数据合作方对应的合作方用户之间的用户交集；

根据所述用户交集和所述数据发起方的用户数据确定发起方数据集，并根据所述用户交集和所述数据合作方的用户数据确定合作方数据集。

7.一种信誉评估装置，其特征在于，包括：

发起方数据确定模块，用于获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据所述发起方数据集确定发起方数据特征；

线性数据集确定模块，用于根据所述数据发起方的安全随机数对所述发起方数据集进行线性变换，确定线性数据集；

相关系数矩阵确定模块，用于通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵；所述密文相关系数矩阵通过所述合作方设备，根据所述线性数据集、所述合作方数据集和所述加密发起方方差和期望数据确定；

数据相关系数确定模块，用于通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数；

信誉评估模型确定模块，用于根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；所述信誉评估模型用于评估客户的信誉度。

8.根据权利要求7所述的装置，其特征在于，所述相关系数矩阵确定模块，包括：

特征数据加密单元，用于通过所述数据发起方的发起方设备获密钥对，通过所述密钥对中的公钥对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据；

相关系数矩阵确定单元，用于将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备，并通过所述合作方设备，对所述合作方数据集进行标准化处理，以通过所述合作方设备根据所述线性数据集、所述加密发起方方差和期望数据和标准化处理后的合作方数据集确定所述数据发起方和所述数据合作方之间的密文相关系数矩阵。

9.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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1-6中任一项所述的信誉评估方法。

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指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的信誉评估方法。