CN117056979A - 基于用户隐私数据的业务处理模型更新方法及装置 - Google Patents

Abstract

本说明书提供基于用户隐私数据的业务处理模型更新方法及装置，其中所述基于用户隐私数据的业务处理模型更新方法包括：确定基于初始用户隐私数据训练获得的初始业务处理模型，并将初始用户隐私数据转换为用户隐私特征；根据预设的特征加噪参数、用户隐私特征以及初始业务处理模型的模型配置数据，生成与用户隐私特征对应的噪声参数；对噪声参数和用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据；基于目标用户隐私数据将初始业务处理模型更新为目标业务处理模型，其中，目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

Description

基于用户隐私数据的业务处理模型更新方法及装置

技术领域

本说明书涉及计算机技术领域，特别涉及一种基于用户隐私数据的业务处理模型更新方法及装置。本说明书同时涉及一种基于用户隐私数据的推荐模型更新方法，一种基于用户隐私数据的推荐模型更新装置，一种计算设备，以及一种计算机可读存储介质。

背景技术

随着深度学习技术的发展，深度学习广泛应用于各种领域，且通常需要采集大量的用户隐私数据用于建模与模型评估，以实现对用户偏好的捕捉，其潜在的隐私泄露风险也日益受到重视。

现有技术中，为了保护用户的隐私，通常都是在训练集中删除用户的隐私数据再进行模型训练；或者通过对模型的损失函数，模型参数等模型本身进行操作，以达到无法学习用户隐私数据的特征的目的。然而基于删除用户隐私数据的训练集进行模型训练会导致模型预测能力的降低；通过操作模型本身的方法需要对模型本身进行调整，操作过程较为复杂，且无法达到保护用户隐私的目的。因此，亟需一种较为有效的方法以解决上述问题。

发明内容

有鉴于此，本说明书实施例提供了一种基于用户隐私数据的业务处理模型更新方法。本说明书同时涉及一种基于用户隐私数据的推荐模型更新方法，一种基于用户隐私数据的业务处理模型更新装置，一种基于用户隐私数据的推荐模型更新装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。

根据本说明书实施例的第一方面，提供了一种基于用户隐私数据的业务处理模型更新方法，包括：

确定基于初始用户隐私数据训练获得的初始业务处理模型，并将所述初始用户隐私数据转换为用户隐私特征；

根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，其中，所述目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

可选地，所述根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数，包括：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定初始噪声参数，并对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数；

利用预设损失函数和所述特征加噪参数计算所述噪声生成模型的噪声损失值；

确定所述初始业务处理模型的模型配置数据，并利用所述预设损失函数和所述模型配置数据计算所述初始业务处理模型的模型损失值；

基于所述噪声损失值和所述模型损失值确定与所述用户隐私特征对应的噪声参数。

可选地，所述基于所述噪声损失值和所述模型损失值确定与所述用户隐私特征对应的噪声参数，包括：

根据所述噪声损失值和所述模型损失值检测所述初始噪声参数是否满足预设检测条件，其中，所述预设检测条件为检测所述噪声损失值是否小于噪声损失阈值，且所述模型损失值是否小于模型损失阈值；

若否，通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定中间噪声参数并作为所述初始噪声参数，执行所述对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数的步骤；

若是，将所述初始噪声参数作为与所述用户隐私特征对应的噪声参数。

可选地，所述通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定初始噪声参数，包括：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定待处理噪声参数；

确定所述待处理噪声参数的噪声范数，并在所述噪声范数小于等于预设噪声范数阈值的情况下，将所述待处理噪声参数作为所述初始噪声参数。

可选地，所述利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据，包括：

确定扰动参数，以及根据所述融合结果确定加噪特征，并将所述扰动参数添加至所述加噪特征；

基于损失函数梯度对添加所述扰动参数的所述加噪特征进行梯度下降处理，获得所述初始用户隐私数据对应的目标用户隐私数据。

可选地，所述确定基于初始用户隐私数据训练获得的初始业务处理模型，包括：

获取初始用户隐私数据；

基于所述初始用户隐私数据生成初始样本对，其中，所述初始样本对由初始训练样本和初始样本标签组成；

利用所述初始样本对训练原始业务处理模型，直至获得满足原始训练停止条件的初始业务处理模型。

可选地，所述基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，包括：

基于所述目标用户隐私数据生成目标训练样本，以及确定所述初始用户隐私数据对应的初始样本；

将所述初始样本对应的样本标签作为所述目标训练样本的目标样本标签；

由所述目标训练样本和所述目标样本标签构成目标样本对；

利用所述目标样本对训练所述初始业务处理模型，直至获得满足初始训练停止条件的目标业务处理模型。

可选地，所述由所述目标训练样本和所述目标样本标签构成目标样本对之后，还包括：

将所述目标样本对添加至目标样本集，以及确定原始用户隐私数据对应的原始样本对，并将所述原始样本对添加至原始样本集；

基于所述目标样本集和所述原始样本集训练所述初始业务处理模型，直至获得满足目标训练停止条件的目标业务处理模型。

根据本说明书实施例的第二方面，提供了一种基于用户隐私数据的业务处理模型更新装置，包括：

确定模块，被配置为确定基于初始用户隐私数据训练获得的初始业务处理模型，并将所述初始用户隐私数据转换为用户隐私特征；

生成模块，被配置为根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

处理模块，被配置为对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

更新模块，被配置为基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，其中，所述目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

根据本说明书实施例的第三方面，提供了一种基于用户隐私数据的推荐模型更新方法，包括：

确定基于初始用户隐私数据训练获得的初始推荐模型，并将所述初始用户隐私数据转换为用户隐私特征；

根据预设的特征加噪参数、所述用户隐私特征以及所述初始推荐模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

基于所述目标用户隐私数据将所述初始推荐模型更新为目标推荐模型，其中，所述目标推荐模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

根据本说明书实施例的第四方面，提供了一种基于用户隐私数据的推荐模型更新装置，包括：

确定模块，被配置为确定基于初始用户隐私数据训练获得的初始推荐模型，并将所述初始用户隐私数据转换为用户隐私特征；

生成模块，被配置为根据预设的特征加噪参数、所述用户隐私特征以及所述初始推荐模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

处理模块，被配置为对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

更新模块，被配置为基于所述目标用户隐私数据将所述初始推荐模型更新为目标推荐模型，其中，所述目标推荐模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

根据本说明书实施例的第五方面，提供了一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该指令被处理器执行时实现所述基于用户隐私数据的业务处理模型更新方法的步骤。

根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该指令被处理器执行时实现所述基于用户隐私数据的业务处理模型更新方法的步骤。

本说明书一实施例在基于初始用户隐私数据训练获得的初始业务处理模型的基础上，对初始用户隐私数据对应的用户隐私特征添加噪声参数，获得目标用户隐私数据，实现对初始用户隐私数据的加噪，将初始用户隐私数据转换为不可获知用户隐私的目标用户隐私数据。再基于目标用户隐私数据训练初始业务处理模型，从而使得初始业务处理模型的训练过程无法基于目标用户隐私数据学习到用户隐私数据对应的特征。实现了在不对初始业务处理模型本身进行操作的基础上，使得初始业务处理模型在训练过程中遗忘用户隐私数据，达到保护用户隐私的目的。利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，实现了在保护用户隐私的前提下，确保目标业务处理模型的预测能力。

附图说明

图1是本说明书一实施例提供的一种基于用户隐私数据的业务处理模型更新方法的模型更新示意图；

图2是本说明书一实施例提供的一种基于用户隐私数据的业务处理模型更新方法的流程图；

图3是本说明书一实施例提供的一种应用于推荐业务的基于用户隐私数据的业务处理模型更新方法的处理流程图；

图4是本说明书一实施例提供的一种应用于推荐业务的基于用户隐私数据的业务处理模型更新方法模型更新场景示意图；

图5是本说明书一实施例提供的一种基于用户隐私数据的业务处理模型更新装置的结构示意图；

图6是本说明书一实施例提供的一种基于用户隐私数据的推荐模型更新方法的流程图；

图7是本说明书一实施例提供的一种基于用户隐私数据的推荐模型更新装置的结构示意图；

图8是本说明书一实施例提供的一种计算设备的结构框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。

在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

图1示出了根据本说明书一实施例提供的一种基于用户隐私数据的业务处理模型更新方法的结构图。如图1所示，在基于用户隐私数据对业务处理模型进行更新时，确定初始用户隐私数据，并基于初始用户隐私数据对待训练业务处理模型进行训练，获得初始业务处理模型。初始业务处理模型能够为用户提供推荐、预测等服务。将初始用户隐私数据转换为用户隐私特征，并根据预设的特征加噪参数、用户隐私特征以及初始业务处理模型的模型配置数据，生成与用户隐私特征对应的噪声参数。对噪声参数和用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，实现将噪声参数添加至用户隐私特征，获得初始用户隐私数据对应的目标用户隐私数据。基于目标用户隐私数据对初始业务处理模型进行训练，实现将初始业务处理模型更新为目标业务处理模型，目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果，目标业务处理模型遗忘用户隐私数据，从而降低了通过目标业务处理模型获知用户隐私数据的风险。

本说明书一实施例在基于初始用户隐私数据训练获得的初始业务处理模型的基础上，对初始用户隐私数据对应的用户隐私特征添加噪声参数，获得目标用户隐私数据，实现对初始用户隐私数据的加噪，将初始用户隐私数据转换为不可获知用户隐私的目标用户隐私数据。再基于目标用户隐私数据训练初始业务处理模型，从而使得初始业务处理模型的训练过程无法基于目标用户隐私数据学习到用户隐私数据对应的特征。实现了在不对初始业务处理模型本身进行操作的基础上，使得初始业务处理模型在训练过程中遗忘用户隐私数据，达到保护用户隐私的目的。利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，实现了在保护用户隐私的前提下，确保目标业务处理模型的预测能力。

在本说明书中，提供了一种基于用户隐私数据的业务处理模型更新方法，本说明书同时涉及一种基于用户隐私数据的推荐模型更新方法，一种基于用户隐私数据的业务处理模型更新装置，一种基于用户隐私数据的推荐模型更新装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。

图2示出了根据本说明书一实施例提供的一种基于用户隐私数据的业务处理模型更新方法的流程图，具体包括以下步骤：

步骤S202，确定基于初始用户隐私数据训练获得的初始业务处理模型，并将所述初始用户隐私数据转换为用户隐私特征。

具体的，初始用户隐私数据是指用户个人信息和用户行为信息；其中，用户个人信息包括但不限于姓名、性别、年龄、教育经历、工作经历、星座等个人隐私信息；用户行为信息包括但不限于用户在社交平台等各个用户平台发布的言论、获得的评分、购买或浏览的商品信息、播放的歌曲或视频等信息；初始业务处理模型用于处理目标业务，其中，目标业务可以是推荐业务也可以是预测业务，推荐业务包括但不限于商品推荐、音频视频推荐、资讯推荐等业务；用户隐私特征是指对初始用户隐私数据进行处理转换为特征向量的表达的形式后获得的用户隐私数据的特征向量。

基于此，确定初始用户隐私数据，并确定基于初始用户隐私数据训练获得的初始业务处理模型。将初始用户隐私数据转换为用户隐私特征，以便于后续对用户隐私特征和初始业务处理模型进行处理。

进一步的，考虑到初始用户隐私数据无法直接用于生成的原始业务处理模型的训练，因此还需要基于初始用户隐私数据生成初始样本对，具体实现如下：

获取初始用户隐私数据；基于所述初始用户隐私数据生成初始样本对，其中，所述初始样本对由初始训练样本和初始样本标签组成；利用所述初始样本对训练原始业务处理模型，直至获得满足原始训练停止条件的初始业务处理模型。

具体的，初始样本对是指对初始用户隐私数据进行样本提取，获得初始训练样本后，为初始样本添加初始样本标签，由初始训练样本和初始训练样本对应的初始样本标签组成的样本对，用于对原始业务处理模型进行训练；训练停止条件可以是原始业务处理模型在训练的过程中达到预设的模型处理精度，可以是原始业务处理模型在训练的过程中达到了预设的训练轮次，还可以是基于测试集对训练后的原始业务处理模型进行测试后，满足测试条件，即，误差在预设的误差范围内。

基于此，获取初始用户隐私数据。在初始用户隐私数据中确定初始训练样本，并为初始训练样本确定初始样本标签，由初始训练样本和初始样本标签组成初始样本对。利用初始样本对训练原始业务处理模型，直至获得满足原始训练停止条件的初始业务处理模型。

举例说明，在预测业务场景下，获取待预测用户的初始用户隐私数据，构建与预测业务对应的原始业务处理模型。对获取到的初始用户隐私数据进行样本提取，获得初始训练样本，并为初始训练样本分配初始样本标签，由初始训练样本和初始样本标签组成初始样本对。基于初始样本对训练原始业务处理模型，获得满足训练停止条件的目标业务处理模型，用于为预测业务提供预测服务。

综上所述，基于初始用户隐私数据确定初始样本对，从而基于初始样本对实现对原始业务处理模型的初步训练，用于完成相应的业务。

步骤S204，根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数。

具体的，在上述确定基于初始用户隐私数据训练获得的初始业务处理模型，并将初始用户隐私数据转换为用户隐私特征之后，即可根据预设的特征加噪参数、用户隐私特征以及初始业务处理模型的模型配置数据，生成与用户隐私特征对应的噪声参数，其中，特征加噪参数用于生成噪声，模型配置数据包括但不限于初始业务处理模型的模型参数，以及初始业务处理模型对应的损失函数；噪声参数是指针对用户隐私特征生成的噪声，用于添加至用户隐私特征，达到针对初始用户隐私数据进行加噪的目的，使得基于添加噪声的初始用户隐私数据进行初始业务处理模型的再训练时，初始业务处理模型无法对用户隐私进行学习。

基于此，在上述确定基于初始用户隐私数据训练获得的初始业务处理模型，并将初始用户隐私数据转换为用户隐私特征后，确定预设的特征加噪参数，以及初始业务处理模型的模型配置数据。根据预设的特征加噪参数、用户隐私特征以及初始业务处理模型的模型配置数据，生成与用户隐私特征对应的噪声参数，用于将噪声数据添加至初始用户隐私数据，实现对初始用户隐私数据进行加噪。

进一步的，考虑到噪声生成的方法较多，人为添加的方式较为费时费力，因此可以通过噪声生成模型生成噪声参数，具体实现如下：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定初始噪声参数，并对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数；利用预设损失函数和所述特征加噪参数计算所述噪声生成模型的噪声损失值；确定所述初始业务处理模型的模型配置数据，并利用所述预设损失函数和所述模型配置数据计算所述初始业务处理模型的模型损失值；基于所述噪声损失值和所述模型损失值确定与所述用户隐私特征对应的噪声参数。

具体的，噪声生成模型用于基于用户隐私特征生成噪声，生成的噪声参数用于添加至用户隐私特征，达到对用户隐私特征进行加噪的目的；其中，噪声生成模型可以是根据实际需求构建的用于生成噪声的生成模型，生成的噪声可以是高斯噪声等能够添加至特征向量中的噪声。需要说明的是，本实施例对生成的噪声类型以及噪声生成模型的种类不作任何限定，任意能够添加至用户隐私特征中的噪声均可；初始噪声参数是指将用户隐私特征输入噪声生成模型后，获得的与用户隐私特征对应的待添加噪声；初始噪声参数能够作为最终添加至用户隐私特征的噪声参数，还需要进一步验证和测试；噪声融合结果即为将初始噪声参数添加至用户隐私特征后获得的用户隐私特征；预设损失函数可以是初始业务处理模型以及噪声生成模型对应的损失函数，预设损失函数中可以包含初始业务处理模型对应的业务损失函数和噪声生成模型对应的噪声损失函数；相应的，噪声损失值即为基于预设损失函数中噪声生成模型对应的噪声损失函数计算获得的损失值，模型损失值即为基于预设损失函数中初始业务处理模型对应的业务损失函数计算获得的损失值；噪声参数是指用于添加至用户隐私特征的噪声，噪声参数添加至用户隐私特征后，实现对用户隐私特征中的隐私进行加噪。基于此，将用户隐私特征输入至噪声生成模型，获得用户隐私特征对应的处理结果，基于处理结果确定初始噪声参数。对初始噪声参数和用户隐私特征进行融合，将初始噪声参数添加至用户隐私特征，获得噪声融合结果，噪声融合结果即为特征加噪参数。利用预设损失函数和特征加噪参数计算噪声生成模型的噪声损失值。确定初始业务处理模型的模型配置数据，并利用预设损失函数和模型配置数据计算初始业务处理模型的模型损失值。基于噪声损失值的大小和模型损失值的大小确定与用户隐私特征对应的噪声参数。噪声参数的确定可以通过下述公式（1）实现。

其中，，X表示用户隐私特征（N表示用户数量，K表示特征维数）；f’表示噪声生成模型；L表示预设损失函数；θ表示初始业务处理模型的模型配置数据，可以是初始业务处理模型的模型参数；δ表示噪声生成模型生成的噪声参数；E表示用户隐私特征与添加了初始噪声参数的用户隐私特征之间的差异值；R表示包含用户隐私特征的用户隐私特征集合。

公式（1）为双层优化的过程，最小化是一个约束优化问题，确定噪声δ使噪声生成模型的噪声损失值最小，而/>最小化是确定参数θ使初始业务处理模型的模型损失值最小。

综上所述，在确定噪声参数时参考噪声损失值和模型损失值，从而使得噪声参数添加至用户隐私特征后，使得后续对初始业务处理模型进行训练的过程中，保证初始业务处理模型的处理能力。

进一步的，考虑到噪声损失值和模型损失值用于综合衡量初始业务处理模型的处理能力，因此可以通过噪声损失值和模型损失值确定噪声参数，使得初始业务处理模型的预测能力不会因为对用户隐私特征添加噪声参数而受到较大影响，具体实现如下：

根据所述噪声损失值和所述模型损失值检测所述初始噪声参数是否满足预设检测条件，其中，所述预设检测条件为检测所述噪声损失值是否小于噪声损失阈值，且所述模型损失值是否小于模型损失阈值；若否，通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定中间噪声参数并作为所述初始噪声参数，执行所述对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数的步骤；若是，将所述初始噪声参数作为与所述用户隐私特征对应的噪声参数。

具体的，噪声损失阈值是指针对噪声生成模型预先设定的阈值，用于将噪声损失值限制在噪声损失阈值之内；模型损失阈值是指针对初始业务处理模型预先设定的阈值，用于将模型损失值限制在模型损失阈值之内，确保将噪声参数添加至用户隐私特征后，基于添加噪声参数的用户隐私特征进行训练初始业务处理模型时，初始业务处理模型的预测能力不会因为噪声参数产生较大影响；中间噪声参数是指在基于噪声生成模型生成初始噪声参数后，再次基于用户隐私特征生成的待检测的噪声参数。

基于此，根据噪声损失值和模型损失值检测初始噪声参数是否满足预设检测条件，预设检测条件为检测噪声损失值是否小于噪声损失阈值，且模型损失值是否小于模型损失阈值；

在噪声损失值不小于噪声损失阈值，或模型损失值不小于模型损失阈值的情况下，表示噪声损失值和模型损失值之间存在至少一个损失值导致初始噪声参数不满足预设检测条件，通过噪声生成模型对用户隐私特征进行再次处理，根据处理结果确定中间噪声参数，并将中间噪声损失参数作为初始噪声参数，进而对初始噪声参数和用户隐私特征进行融合，将噪声融合结果作为特征加噪参数，进而计算噪声损失值和模型损失值，直至基于噪声损失值和模型损失值确定用户隐私特征对应的噪声参数；在噪声损失值小于噪声损失阈值，且模型损失值小于模型损失阈值的情况下，表示初始噪声参数可以作为噪声参数添加至用户隐私特征，初始噪声参数使得噪声生成模型的噪声损失值最小，初始业务处理模型的模型损失值也达到最小。将初始噪声参数作为与用户隐私特征对应的噪声参数。

沿用上例，在确定了待预测用户的初始用户隐私数据，以及基于初始用户隐私数据确定用户隐私特征后。基于预先构建和训练完成的噪声生成模型对用户隐私特征进行处理，获得待添加至用户隐私特征的初始噪声参数，确定损失函数，基于公式（1）对确定的初始噪声参数进行检测，在检测到初始噪声符合公式（1）对应的预设检测条件中的噪声损失值条件以及模型损失值条件的情况下，确定噪声参数。在噪声损失值不小于噪声损失阈值，或模型损失值不小于模型损失阈值的情况下，重新基于噪声生成模型和用户隐私特征生成待检测的噪声参数进行预设检测条件的判断；在噪声损失值小于噪声损失阈值，且模型损失值小于模型损失阈值的情况下，直接将初始噪声参数作为用户隐私特征对应的噪声参数。

综上所述，通过对噪声损失值是否小于噪声损失阈值，以及模型损失值是否小于模型损失阈值进行判断，进而根据判断结果确定噪声参数，使得确定的噪声参数更加准确和规范。

进一步的，考虑到对用于隐私特征添加噪声参数会对基于初始业务处理模型再次训练获得的目标业务处理模型的模型性能产生影响，因此需要预设噪声范数阈值对噪声参数对应的噪声范数进行检测，具体实现如下：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定待处理噪声参数；确定所述待处理噪声参数的噪声范数，并在所述噪声范数小于等于预设噪声范数阈值的情况下，将所述待处理噪声参数作为所述初始噪声参数。

具体的，待处理噪声参数是指将用户隐私特征输入至噪声生成模型后，获得的模型输出结果；噪声范数是指通过对噪声参数进行范数计算获得的计算结果，范数计算可以是将噪声参数以p阶范数表示后获得的范数；预设噪声范数阈值是指预先确定的阈值，确保噪声范数小于预设噪声范数阈值，达到降低待处理噪声参数对初始业务处理模型的模型性能的影响的目的。

基于此，将用户隐私特征输入至噪声生成模型，获得噪声生成模型输出的处理结果，将处理结果作为待处理噪声参数。对待处理噪声参数进行范数计算，确定待处理噪声参数的噪声范数。判断噪声范数是否小于等于预设噪声范数阈值，在噪声范数小于等于预设噪声范数阈值的情况下，表示待处理噪声参数对初始业务处理模型的模型性能的影响较小，可以将待处理噪声参数作为初始噪声参数；反之，在噪声范数大于预设噪声范数阈值的情况下，表示待处理噪声参数对初始业务处理模型的模型性能的影响较大，需要重新基于噪声生成模型对用户隐私特征进行处理，获得新的待处理噪声参数，进而生成新的噪声范数，判断新的噪声范数是否小于等于预设噪声范数阈值。达到控制初始噪声参数的大小的目的。其中，待处理噪声参数对应的噪声范数的生成，以及噪声范数的判断可以通过下述公式（2）实现。

其中，表示p阶范数；ε表示预设噪声范数阈值，用于降低噪声参数对初始业务处理模型的模型性能的影响。

沿用上例，在基于噪声生成模型确定待处理噪声参数后，计算待处理噪声参数的p阶范数，将待处理噪声参数的p阶范数与预设噪声范数阈值ε进行比较，在待处理噪声参数的p阶范数小于等于预设噪声范数阈值ε的情况下，将待处理噪声参数作为初始噪声参数，以便于后续继续对初始噪声参数进行处理。

综上所述，在噪声范数小于等于预设噪声范数阈值的情况下，将待处理噪声参数作为初始噪声参数，从而降低待处理噪声参数对初始业务处理模型的模型性能的影响。

步骤S206，对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据。

具体的，在上述根据预设的特征加噪参数、用户隐私特征以及初始业务处理模型的模型配置数据，生成与用户隐私特征对应的噪声参数之后，即可对噪声参数和用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，其中，融合是指将噪声参数添加至用户隐私特征，达到对用户隐私特征加噪的目的；融合结果即为添加噪声参数的用户隐私特征；目标用户隐私数据是指将噪声参数添加至用户隐私特征，获得目标用户隐私特征后，目标用户隐私特征对应的用户隐私数据，目标用户隐私数据即为添加噪声参数的初始用户隐私数据。

基于此，在上述根据预设的特征加噪参数、用户隐私特征以及初始业务处理模型的模型配置数据，生成与用户隐私特征对应的噪声参数后，对噪声参数和用户隐私特征进行融合，将噪声参数添加至用户隐私特征，获得目标用户隐私特征，即，融合结果。利用梯度下降法对融合结果进行梯度下降处理，获得初始用户隐私数据对应的目标用户隐私数据。

进一步的，考虑到直接将噪声参数添加至用户隐私特征无法用于后续的初始业务处理模型的训练，因此需要通过添加扰动参数以及梯度下降的方式确定目标用户隐私数据，具体实现如下：

确定扰动参数，以及根据所述融合结果确定加噪特征，并将所述扰动参数添加至所述加噪特征；基于损失函数梯度对添加所述扰动参数的所述加噪特征进行梯度下降处理，获得所述初始用户隐私数据对应的目标用户隐私数据。

具体的，扰动参数可以是扰动步长对应的步长大小，步长数量等参数，用于添加不同扰动参数，根据扰动参数对加噪特征的影响确定目标用户隐私数据；在进行梯度下降的过程中添加扰动因素，最终获得目标用户隐私数据；加噪特征即为添加噪声参数的用户隐私特征；

基于此，确定扰动参数，以及根据融合结果确定加噪特征。将扰动参数添加至加噪特征后，基于损失函数梯度对添加扰动参数的加噪特征进行梯度下降处理，直至获得用户隐私特征对应的目标用户隐私特征。对目标用户隐私特征进行转换，获得初始用户隐私数据对应的目标用户隐私数据。其中，目标用户隐私特征可以通过下述公式（3）确定。

其中，t表示扰动参数中的扰动步长；表示相对于输入损失的梯度，即，损失函数梯度；/>表示投影函数；α表示扰动参数中扰动步长的步长大小；/>表示受到扰动步长影响，以及添加噪声参数的用户隐私特征，即，加噪特征；/>表示受到扰动步长影响的目标用户隐私特征，即，初始业务处理模型不可学习的数据特征。

沿用上例，在将噪声参数添加至用户隐私特征获得加噪特征后，确定扰动步长以及扰动步长的步长大小等扰动参数。结合投影函数、输入损失的梯度以及加噪特征进行梯度下降处理，直至获得与用户隐私特征对应的目标用户隐私特征。将目标用户隐私特征转换为目标用户隐私数据。在初始用户隐私数据为26岁的情况下，目标用户隐私数据可以是27岁等非用户实际年龄，但是与实际年龄相差较小的数据。

综上所述，基于损失函数梯度对添加扰动参数的加噪特征进行梯度下降处理，获得初始用户隐私数据对应的目标用户隐私数据，从而基于目标隐私数据训练初始业务处理模型，达到使得初始业务处理模型无法学习到用户的实际隐私数据，达到用户隐私属性遗忘的目的，从而保护用户隐私。

步骤S208，基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，其中，所述目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

具体的，在上述对噪声参数和用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据之后，即可基于目标用户隐私数据将初始业务处理模型更新为目标业务处理模型，其中，目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果，其中，目标业务处理模型是指基于目标用户隐私数据对初始业务处理模型进行进一步训练获得的业务处理模型，具有与初始业务处理模型相同的业务处理能力。

基于此，在上述对噪声参数和用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据后，基于目标用户隐私数据对初始业务处理模型进行训练将初始业务处理模型训练为目标业务处理模型，使得初始业务处理模型再训练的过程中无法学习到用户真实的隐私信息，目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

进一步的，考虑到上述对初始用户隐私数据进行加噪处理获得目标用户隐私数据之后，目标用户隐私数据无法直接应用于初始业务处理模型的训练，还需要构建目标样本对，具体实现如下：

基于所述目标用户隐私数据生成目标训练样本，以及确定所述初始用户隐私数据对应的初始样本；将所述初始样本对应的样本标签作为所述目标训练样本的目标样本标签；由所述目标训练样本和所述目标样本标签构成目标样本对；利用所述目标样本对训练所述初始业务处理模型，直至获得满足初始训练停止条件的目标业务处理模型。

具体的，目标训练样本是指在目标用户隐私数据中提取用于进行模型训练的数据，基于用于进行模型训练的数据生成的样本，初始样本是指在初始用户隐私数据中提取出的用于进行模型训练的数据，目标样本标签即为初始样本对应的样本标签，初始样本的样本标签可以是通过人工或标注模型基于初始样本确定的；相应的，目标样本对即为目标训练样本和目标样本标签组成的样本对，用于对初始业务处理模型进行训练；初始训练停止条件可以是初始业务处理模型在训练的过程中达到预设的模型处理精度，可以是初始业务处理模型在训练的过程中达到了预设的训练轮次，还可以是基于测试集对训练后的初始业务处理模型进行测试后，满足测试条件，即，误差在预设的误差范围内。

基于此，在目标用户隐私数据提取用于构建训练样本的用户数据，将用户数据作为目标训练样本。确定初始用户隐私数据对应的初始样本，并确定初始样本对应的样本标签。将初始样本对应的样本标签作为目标训练样本的目标样本标签。由目标训练样本和目标样本标签构成目标样本对。利用目标样本对训练初始业务处理模型，直至获得满足初始训练停止条件的目标业务处理模型。其中，初始业务处理模型更新的过程可以通过下述公式（4）实现。

其中，T表示初始业务处理模型更新的轮次；表示目标用户隐私数据对应的目标用户隐私特征，即，不可学习特征；r表示除目标用户隐私特征之外的用户隐私特征组成的集合。提供给模型的不可学习特征在初始业务处理模型训练的过程中大幅度的降低了损失函数的惩罚，使初始业务处理模型认为无法从这部分数据中进行学习，最终无法利用用户实际的隐私数据，完成用户隐私数据遗忘。

综上所述，利用目标样本对训练初始业务处理模型，使得初始业务处理模型在学习的过程中遗忘用户隐私数据，达到保护用户隐私数据的目的。

进一步的，考虑到业务平台对应的全部用户的隐私数据数量较多，因此存在部分用户针对个人的隐私数据具有保护需求的情况，因此可以根据用户的需求对部分需要加噪处理的初始用户隐私数据进行加噪处理，未进行加噪处理的用户隐私数据作为原始用户隐私数据，协同加噪的初始用户隐私数据进行初始业务处理模型的训练，具体实现如下：

将所述目标样本对添加至目标样本集，以及确定原始用户隐私数据对应的原始样本对，并将所述原始样本对添加至原始样本集；基于所述目标样本集和所述原始样本集训练所述初始业务处理模型，直至获得满足目标训练停止条件的目标业务处理模型。

具体的，目标样本集是指预先存在的样本集，可以通过添加目标样本对的方式进行更新；相应的，原始样本集是指预先存在的用于存储原始样本对的样本集；目标训练停止条件可以是初始业务处理模型在训练的过程中达到预设的模型处理精度，可以是初始业务处理模型在训练的过程中达到了预设的训练轮次，还可以是基于测试集对训练后的初始业务处理模型进行测试后，满足测试条件，即，误差在预设的误差范围内。

基于此，将目标样本对添加至目标样本集。确定原始用户隐私数据对应的原始样本对，并将原始样本对添加至原始样本集。基于目标样本集中的目标样本对和原始样本集中的原始样本对训练初始业务处理模型，直至获得满足目标训练停止条件的目标业务处理模型。

沿用上例，在预测业务场景下，业务平台的用户A提出保护隐私数据的需求情况下，对用户A的隐私数据进行加噪处理，获得目标用户隐私数据。基于用户A对应的目标用户隐私数据以及业务平台的其他用户的原始隐私数据对初始业务处理模型进行训练，直至获得训练完成的目标业务处理模型。

综上所述，基于目标样本集和原始样本集训练初始业务处理模型，从而满足需要进行隐私数据保护的用户的需求。

本说明书一实施例在基于初始用户隐私数据训练获得的初始业务处理模型的基础上，对初始用户隐私数据对应的用户隐私特征添加噪声参数，获得目标用户隐私数据，实现对初始用户隐私数据的加噪，将初始用户隐私数据转换为不可获知用户隐私的目标用户隐私数据。再基于目标用户隐私数据训练初始业务处理模型，从而使得初始业务处理模型的训练过程无法基于目标用户隐私数据学习到用户隐私数据对应的特征。实现了在不对初始业务处理模型本身进行操作的基础上，使得初始业务处理模型在训练过程中遗忘用户隐私数据，达到保护用户隐私的目的。利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，实现了在保护用户隐私的前提下，确保目标业务处理模型的预测能力。

下述结合附图3，以本说明书提供的基于用户隐私数据的业务处理模型更新方法在推荐业务的应用为例，对所述基于用户隐私数据的业务处理模型更新方法进行进一步说明。其中，图3示出了本说明书一实施例提供的一种应用于推荐业务的基于用户隐私数据的业务处理模型更新方法的处理流程图，具体包括以下步骤：

步骤S302，确定基于初始用户隐私数据训练获得的初始推荐模型，并将初始用户隐私数据转换为用户隐私特征。

在推荐业务场景下，可以基于用户的需求实现用户隐私数据的保护。针对存在隐私数据保护需求的用户B，对用户B的隐私数据添加噪声。进而基于添加噪声的隐私数据对初始推荐模型进行更新，使得初始推荐模型通过学习添加噪声的隐私数据，无法识别用户B的原始隐私数据，实现对用户B的隐私数据的遗忘。

在训练了初始推荐模型的基础上实现用户隐私数据的遗忘。将需要进行加噪处理的初始用户隐私数据转换为用户隐私特征。

步骤S304，通过噪声生成模型对用户隐私特征进行处理，根据处理结果确定待处理噪声参数。

步骤S306，确定待处理噪声参数的噪声范数，并在噪声范数小于等于预设噪声范数阈值的情况下，将待处理噪声参数作为初始噪声参数。

步骤S308，对初始噪声参数和用户隐私特征进行融合，将噪声融合结果作为特征加噪参数。

步骤S310，利用预设损失函数和特征加噪参数计算噪声生成模型的噪声损失值，以及确定初始推荐模型的模型配置数据，并利用预设损失函数和模型配置数据计算初始推荐模型的模型损失值。

步骤S312，根据噪声损失值和模型损失值检测初始噪声参数是否满足预设检测条件，若否，执行步骤S314；若是，执行步骤S316；

预设检测条件为检测噪声损失值是否小于噪声损失阈值，且模型损失值是否小于模型损失阈值。确定噪声参数使噪声生成模型的损失最小，以及确定模型参数使模型的推荐损失最小，从而确保推荐模型的推荐能力。

步骤S314，通过噪声生成模型对用户隐私特征进行处理，根据处理结果确定中间噪声参数并作为初始噪声参数，执行步骤S308。

在检测噪声损失值不小于噪声损失阈值，或模型损失值不小于模型损失阈值的情况下，则需要重新选择噪声参数，继续进行检测。

步骤S316，将初始噪声参数作为与用户隐私特征对应的噪声参数。

步骤S318，确定扰动参数，以及根据融合结果确定加噪特征，并将扰动参数添加至加噪特征。

步骤S320，基于损失函数梯度对添加扰动参数的加噪特征进行梯度下降处理，获得初始用户隐私数据对应的目标用户隐私数据。

步骤S322，基于目标用户隐私数据生成目标训练样本，以及确定初始用户隐私数据对应的初始样本。

步骤S324，将初始样本对应的样本标签作为目标训练样本的目标样本标签，并由目标训练样本和目标样本标签构成目标样本对。

步骤S326，利用目标样本对训练初始推荐模型，直至获得满足初始训练停止条件的目标推荐模型。

在推荐业务中全部用户的隐私数据均需要进行加噪的情况下，将全部用户的隐私数据作为初始用户隐私数据进行加噪处理，进而基于加噪获得的目标用户隐私数据训练初始推荐模型。

步骤S328，将目标样本对添加至目标样本集，以及确定原始用户隐私数据对应的原始样本对，并将原始样本对添加至原始样本集。

步骤S330，基于目标样本集和原始样本集训练初始推荐模型，直至获得满足目标训练停止条件的目标推荐模型。

在推荐业务中部分用户的隐私数据均需要进行加噪的情况下，将部分用户的隐私数据作为初始用户隐私数据进行加噪处理，进而基于加噪获得的目标用户隐私数据以及未加噪的用户隐私数据训练初始推荐模型。从而实现推荐业务中的用户只接触自己的数据，不接触其他用户的隐私数据。在不需要对初始推荐模型进行操作的基础上，基于被保护的用户隐私数据更新初始推荐模型，使得初始推荐模型更新的过程中遗忘需要保护的用户隐私数据。

实际应用中，推荐模型的更新过程如图4所示。推荐模型作为推荐系统中的模型，可以实现定期更新。在推荐系统定期更新模型的过程中，推荐系统对应存在隐私保护需求的用户1、用户2以及用户k等k个用户。模型1是基于推荐系统用户的原始数据训练获得的推荐模型；模型2为在模型1的基础上进行更新后获得的模型，相应的，模型3为在模型2的基础上进行更新后获得的模型。在k个用户提出遗忘请求的情况下，需要对k个用户的评分、社交信息等隐私数据进行遗忘。通过误差最小化噪声生成器生成噪声参数，并基于噪声参数和k个用户的隐私数据生成不可学习数据。基于不可学习数据以及不存在隐私保护需求的用户的隐私数据构成含有不可学习部分的隐私数据，并在对模型3进行更新的过程中实现用户隐私数据的遗忘，获得模型4。实现了在保护用户隐私的前提下，确保模型4的推荐能力。以此类推，在其他用户存在隐私保护需求的情况下，可以基于加噪后的隐私数据继续进行模型的更新，保证推荐业务中的用户只接触自己的数据，不接触其他用户的隐私数据。

综上所述，在基于初始用户隐私数据训练获得的初始推荐模型的基础上，对初始用户隐私数据对应的用户隐私特征添加噪声参数，获得目标用户隐私数据，实现对初始用户隐私数据的加噪，将初始用户隐私数据转换为不可获知用户隐私的目标用户隐私数据。再基于目标用户隐私数据训练初始推荐模型，从而使得初始推荐模型的训练过程无法基于目标用户隐私数据学习到用户隐私数据对应的特征。实现了在不对初始推荐模型本身进行操作的基础上，使得初始推荐模型在训练过程中遗忘用户隐私数据，达到保护用户隐私的目的。利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，实现了在保护用户隐私的前提下，确保目标推荐模型的推荐能力。

与上述方法实施例相对应，本说明书还提供了基于用户隐私数据的业务处理模型更新装置实施例，图5示出了本说明书一实施例提供的一种基于用户隐私数据的业务处理模型更新装置的结构示意图。如图5所示，该装置包括：

确定模块502，被配置为确定基于初始用户隐私数据训练获得的初始业务处理模型，并将所述初始用户隐私数据转换为用户隐私特征；

生成模块504，被配置为根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

处理模块506，被配置为对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

更新模块508，被配置为基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，其中，所述目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

一个可选地实施例，所述生成模块504，进一步被配置为：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定初始噪声参数，并对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数；

利用预设损失函数和所述特征加噪参数计算所述噪声生成模型的噪声损失值；

确定所述初始业务处理模型的模型配置数据，并利用所述预设损失函数和所述模型配置数据计算所述初始业务处理模型的模型损失值；

基于所述噪声损失值和所述模型损失值确定与所述用户隐私特征对应的噪声参数。

一个可选地实施例，所述生成模块504，进一步被配置为：

根据所述噪声损失值和所述模型损失值检测所述初始噪声参数是否满足预设检测条件，其中，所述预设检测条件为检测所述噪声损失值是否小于噪声损失阈值，且所述模型损失值是否小于模型损失阈值；

若否，通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定中间噪声参数并作为所述初始噪声参数，执行所述对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数的步骤；

若是，将所述初始噪声参数作为与所述用户隐私特征对应的噪声参数。

一个可选地实施例，所述生成模块504，进一步被配置为：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定待处理噪声参数；

确定所述待处理噪声参数的噪声范数，并在所述噪声范数小于等于预设噪声范数阈值的情况下，将所述待处理噪声参数作为所述初始噪声参数。

一个可选地实施例，所述处理模块506，进一步被配置为：

确定扰动参数，以及根据所述融合结果确定加噪特征，并将所述扰动参数添加至所述加噪特征；

基于损失函数梯度对添加所述扰动参数的所述加噪特征进行梯度下降处理，获得所述初始用户隐私数据对应的目标用户隐私数据。

一个可选地实施例，所述确定模块502，进一步被配置为：

获取初始用户隐私数据；

基于所述初始用户隐私数据生成初始样本对，其中，所述初始样本对由初始训练样本和初始样本标签组成；

利用所述初始样本对训练原始业务处理模型，直至获得满足原始训练停止条件的初始业务处理模型。

一个可选地实施例，所述更新模块508，进一步被配置为：

基于所述目标用户隐私数据生成目标训练样本，以及确定所述初始用户隐私数据对应的初始样本；

将所述初始样本对应的样本标签作为所述目标训练样本的目标样本标签；

由所述目标训练样本和所述目标样本标签构成目标样本对；

利用所述目标样本对训练所述初始业务处理模型，直至获得满足初始训练停止条件的目标业务处理模型。

一个可选地实施例，所述更新模块508，还被配置为：

将所述目标样本对添加至目标样本集，以及确定原始用户隐私数据对应的原始样本对，并将所述原始样本对添加至原始样本集；

基于所述目标样本集和所述原始样本集训练所述初始业务处理模型，直至获得满足目标训练停止条件的目标业务处理模型。

综上所述，在基于初始用户隐私数据训练获得的初始业务处理模型的基础上，对初始用户隐私数据对应的用户隐私特征添加噪声参数，获得目标用户隐私数据，实现对初始用户隐私数据的加噪，将初始用户隐私数据转换为不可获知用户隐私的目标用户隐私数据。再基于目标用户隐私数据训练初始业务处理模型，从而使得初始业务处理模型的训练过程无法基于目标用户隐私数据学习到用户隐私数据对应的特征。实现了在不对初始业务处理模型本身进行操作的基础上，使得初始业务处理模型在训练过程中遗忘用户隐私数据，达到保护用户隐私的目的。利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，实现了在保护用户隐私的前提下，确保目标业务处理模型的预测能力。

上述为本实施例的一种基于用户隐私数据的业务处理模型更新装置的示意性方案。需要说明的是，该基于用户隐私数据的业务处理模型更新装置的技术方案与上述的基于用户隐私数据的业务处理模型更新方法的技术方案属于同一构思，基于用户隐私数据的业务处理模型更新装置的技术方案未详细描述的细节内容，均可以参见上述基于用户隐私数据的业务处理模型更新方法的技术方案的描述。

图6示出了根据本说明书一实施例提供的一种基于用户隐私数据的推荐模型更新方法的流程图，具体包括以下步骤：

步骤S602，确定基于初始用户隐私数据训练获得的初始推荐模型，并将所述初始用户隐私数据转换为用户隐私特征；

步骤S604，根据预设的特征加噪参数、所述用户隐私特征以及所述初始推荐模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

步骤S606，对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

步骤S608，基于所述目标用户隐私数据将所述初始推荐模型更新为目标推荐模型，其中，所述目标推荐模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

在基于初始用户隐私数据训练获得的初始推荐模型的基础上，对初始用户隐私数据对应的用户隐私特征添加噪声参数，获得目标用户隐私数据，实现对初始用户隐私数据的加噪，将初始用户隐私数据转换为不可获知用户隐私的目标用户隐私数据。再基于目标用户隐私数据训练初始推荐模型，从而使得初始推荐模型的训练过程无法基于目标用户隐私数据学习到用户隐私数据对应的特征。

实现了在不对初始推荐模型本身进行操作的基础上，使得初始推荐模型在训练过程中遗忘用户隐私数据，达到保护用户隐私的目的。利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，实现了在保护用户隐私的前提下，确保目标推荐模型的预推荐能力。

与上述方法实施例相对应，本说明书还提供了基于用户隐私数据的推荐模型更新装置实施例，图7示出了本说明书一实施例提供的一种基于用户隐私数据的推荐模型更新装置的结构示意图。如图7所示，该装置包括：

确定模块702，被配置为确定基于初始用户隐私数据训练获得的初始推荐模型，并将所述初始用户隐私数据转换为用户隐私特征；

生成模块704，被配置为根据预设的特征加噪参数、所述用户隐私特征以及所述初始推荐模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

处理模块706，被配置为对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

更新模块708，被配置为基于所述目标用户隐私数据将所述初始推荐模型更新为目标推荐模型，其中，所述目标推荐模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

一个可选地实施例，所述生成模块704，进一步被配置为：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定初始噪声参数，并对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数；

利用预设损失函数和所述特征加噪参数计算所述噪声生成模型的噪声损失值；

确定所述初始推荐模型的模型配置数据，并利用所述预设损失函数和所述模型配置数据计算所述初始推荐模型的模型损失值；

基于所述噪声损失值和所述模型损失值确定与所述用户隐私特征对应的噪声参数。

一个可选地实施例，所述生成模块704，进一步被配置为：

根据所述噪声损失值和所述模型损失值检测所述初始噪声参数是否满足预设检测条件，其中，所述预设检测条件为检测所述噪声损失值是否小于噪声损失阈值，且所述模型损失值是否小于模型损失阈值；

若否，通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定中间噪声参数并作为所述初始噪声参数，执行所述对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数的步骤；

若是，将所述初始噪声参数作为与所述用户隐私特征对应的噪声参数。

一个可选地实施例，所述生成模块704，进一步被配置为：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定待处理噪声参数；

确定所述待处理噪声参数的噪声范数，并在所述噪声范数小于等于预设噪声范数阈值的情况下，将所述待处理噪声参数作为所述初始噪声参数。

一个可选地实施例，所述生成模块704，进一步被配置为：

确定扰动参数，以及根据所述融合结果确定加噪特征，并将所述扰动参数添加至所述加噪特征；

基于损失函数梯度对添加所述扰动参数的所述加噪特征进行梯度下降处理，获得所述初始用户隐私数据对应的目标用户隐私数据。

一个可选地实施例，所述确定模块702，进一步被配置为：

获取初始用户隐私数据；

基于所述初始用户隐私数据生成初始样本对，其中，所述初始样本对由初始训练样本和初始样本标签组成；

利用所述初始样本对训练原始推荐模型，直至获得满足原始训练停止条件的初始推荐模型。

一个可选地实施例，所述更新模块708，进一步被配置为：

基于所述目标用户隐私数据生成目标训练样本，以及确定所述初始用户隐私数据对应的初始样本；

将所述初始样本对应的样本标签作为所述目标训练样本的目标样本标签；

由所述目标训练样本和所述目标样本标签构成目标样本对；

利用所述目标样本对训练所述初始推荐模型，直至获得满足初始训练停止条件的目标推荐模型。

一个可选地实施例，所述更新模块708，还被配置为：

将所述目标样本对添加至目标样本集，以及确定原始用户隐私数据对应的原始样本对，并将所述原始样本对添加至原始样本集；

基于所述目标样本集和所述原始样本集训练所述初始推荐模型，直至获得满足目标训练停止条件的目标推荐模型。

综上所述，在基于初始用户隐私数据训练获得的初始推荐模型的基础上，对初始用户隐私数据对应的用户隐私特征添加噪声参数，获得目标用户隐私数据，实现对初始用户隐私数据的加噪，将初始用户隐私数据转换为不可获知用户隐私的目标用户隐私数据。再基于目标用户隐私数据训练初始推荐模型，从而使得初始推荐模型的训练过程无法基于目标用户隐私数据学习到用户隐私数据对应的特征。实现了在不对初始推荐模型本身进行操作的基础上，使得初始推荐模型在训练过程中遗忘用户隐私数据，达到保护用户隐私的目的。利用梯度下降法对融合结果进行处理，获得初始用户隐私数据对应的目标用户隐私数据，实现了在保护用户隐私的前提下，确保目标推荐模型的推荐能力。

上述为本实施例的一种基于用户隐私数据的推荐模型更新装置的示意性方案。需要说明的是，该基于用户隐私数据的推荐模型更新装置的技术方案与上述的基于用户隐私数据的推荐模型更新方法的技术方案属于同一构思，基于用户隐私数据的推荐模型更新装置的技术方案未详细描述的细节内容，均可以参见上述基于用户隐私数据的推荐模型更新方法的技术方案的描述。

图8示出了根据本说明书一实施例提供的一种计算设备800的结构框图。该计算设备800的部件包括但不限于存储器810和处理器820。处理器820与存储器810通过总线830相连接，数据库850用于保存数据。

计算设备800还包括接入设备840，接入设备840使得计算设备800能够经由一个或多个网络860通信。这些网络的示例包括公用交换电话网（PSTN）、局域网（LAN）、广域网（WAN）、个域网（PAN）或诸如因特网的通信网络的组合。接入设备840可以包括有线或无线的任何类型的网络接口（例如，网络接口卡（NIC））中的一个或多个，诸如IEEE802.11无线局域网（WLAN）无线接口、全球微波互联接入（Wi-MAX）接口、以太网接口、通用串行总线（USB）接口、蜂窝网络接口、蓝牙接口、近场通信（NFC）接口，等等。

在本说明书的一个实施例中，计算设备800的上述部件以及图8中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图8所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备800可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备（例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等）、移动电话（例如，智能手机）、可佩戴的计算设备（例如，智能手表、智能眼镜等）或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备800还可以是移动式或静止式的服务器。

其中，处理器820用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述方法的步骤。

上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述方法的技术方案的描述。

本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述方法的技术方案的描述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据专利实践的要求进行适当的增减，例如在某些地区，根据专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书并不受所描述的动作顺序的限制，因为依据本说明书，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。

Claims (12)

1.一种基于用户隐私数据的业务处理模型更新方法，其特征在于，包括：

确定基于初始用户隐私数据训练获得的初始业务处理模型，并将所述初始用户隐私数据转换为用户隐私特征；

根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，其中，所述目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数，包括：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定初始噪声参数，并对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数；

利用预设损失函数和所述特征加噪参数计算所述噪声生成模型的噪声损失值；

确定所述初始业务处理模型的模型配置数据，并利用所述预设损失函数和所述模型配置数据计算所述初始业务处理模型的模型损失值；

基于所述噪声损失值和所述模型损失值确定与所述用户隐私特征对应的噪声参数。

3.根据权利要求2所述的方法，其特征在于，所述基于所述噪声损失值和所述模型损失值确定与所述用户隐私特征对应的噪声参数，包括：

根据所述噪声损失值和所述模型损失值检测所述初始噪声参数是否满足预设检测条件，其中，所述预设检测条件为检测所述噪声损失值是否小于噪声损失阈值，且所述模型损失值是否小于模型损失阈值；

若否，通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定中间噪声参数并作为所述初始噪声参数，执行所述对所述初始噪声参数和所述用户隐私特征进行融合，将噪声融合结果作为所述特征加噪参数的步骤；

若是，将所述初始噪声参数作为与所述用户隐私特征对应的噪声参数。

4.根据权利要求2所述的方法，其特征在于，所述通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定初始噪声参数，包括：

通过噪声生成模型对所述用户隐私特征进行处理，根据处理结果确定待处理噪声参数；

确定所述待处理噪声参数的噪声范数，并在所述噪声范数小于等于预设噪声范数阈值的情况下，将所述待处理噪声参数作为所述初始噪声参数。

5.根据权利要求1所述的方法，其特征在于，所述利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据，包括：

确定扰动参数，以及根据所述融合结果确定加噪特征，并将所述扰动参数添加至所述加噪特征；

基于损失函数梯度对添加所述扰动参数的所述加噪特征进行梯度下降处理，获得所述初始用户隐私数据对应的目标用户隐私数据。

6.根据权利要求1所述的方法，其特征在于，所述确定基于初始用户隐私数据训练获得的初始业务处理模型，包括：

获取初始用户隐私数据；

基于所述初始用户隐私数据生成初始样本对，其中，所述初始样本对由初始训练样本和初始样本标签组成；

利用所述初始样本对训练原始业务处理模型，直至获得满足原始训练停止条件的初始业务处理模型。

7.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，包括：

基于所述目标用户隐私数据生成目标训练样本，以及确定所述初始用户隐私数据对应的初始样本；

将所述初始样本对应的样本标签作为所述目标训练样本的目标样本标签；

由所述目标训练样本和所述目标样本标签构成目标样本对；

利用所述目标样本对训练所述初始业务处理模型，直至获得满足初始训练停止条件的目标业务处理模型。

8.根据权利要求7所述的方法，其特征在于，所述由所述目标训练样本和所述目标样本标签构成目标样本对之后，还包括：

将所述目标样本对添加至目标样本集，以及确定原始用户隐私数据对应的原始样本对，并将所述原始样本对添加至原始样本集；

基于所述目标样本集和所述原始样本集训练所述初始业务处理模型，直至获得满足目标训练停止条件的目标业务处理模型。

9.一种基于用户隐私数据的推荐模型更新方法，其特征在于，包括：

确定基于初始用户隐私数据训练获得的初始推荐模型，并将所述初始用户隐私数据转换为用户隐私特征；

根据预设的特征加噪参数、所述用户隐私特征以及所述初始推荐模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

基于所述目标用户隐私数据将所述初始推荐模型更新为目标推荐模型，其中，所述目标推荐模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

10.一种基于用户隐私数据的业务处理模型更新装置，其特征在于，包括：

确定模块，被配置为确定基于初始用户隐私数据训练获得的初始业务处理模型，并将所述初始用户隐私数据转换为用户隐私特征；

生成模块，被配置为根据预设的特征加噪参数、所述用户隐私特征以及所述初始业务处理模型的模型配置数据，生成与所述用户隐私特征对应的噪声参数；

处理模块，被配置为对所述噪声参数和所述用户隐私特征进行融合，并利用梯度下降法对融合结果进行处理，获得所述初始用户隐私数据对应的目标用户隐私数据；

更新模块，被配置为基于所述目标用户隐私数据将所述初始业务处理模型更新为目标业务处理模型，其中，所述目标业务处理模型针对加噪前的用户隐私数据和加噪后的用户隐私数据具有相同的预测结果。

11.一种计算设备，其特征在于，包括存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现权利要求1至8任意一项所述方法的步骤。

12.一种计算机可读存储介质，其存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至8任意一项所述方法的步骤。