WO2023216494A1 - 基于联邦学习的用户服务策略确定方法及装置 - Google Patents
基于联邦学习的用户服务策略确定方法及装置 Download PDFInfo
- Publication number
- WO2023216494A1 WO2023216494A1 PCT/CN2022/121544 CN2022121544W WO2023216494A1 WO 2023216494 A1 WO2023216494 A1 WO 2023216494A1 CN 2022121544 W CN2022121544 W CN 2022121544W WO 2023216494 A1 WO2023216494 A1 WO 2023216494A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- feature
- user
- party
- generate
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims description 92
- 238000002372 labelling Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000001094 effect on targets Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
Abstract
本申请涉及一种基于联邦学习的用户服务策略确定方法、装置、电子设备及计算机可读介质。方法包括：根据当前用户的用户数据生成用户特征（S202）；将用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分（S204）；将用户评分和预设区间进行比对，以确定用户的服务策略并进行推送（S206）。本申请涉及的方法，能够在保障用户数据安全下快速准确的为用户提供最恰当的服务策略。
Description
本申请涉及计算机信息处理领域，具体而言，涉及一种基于联邦学习的用户服务策略确定方法、装置、电子设备及计算机可读介质。
对于提供用户服务的机构而言，对用户进行全面深入的分析，能够有助于为用户提供更加优质的服务。但是，很多情况下，用户提交的用户信息并不充分，特别是对于刚刚落地注册的用户而言，用户服务机构仅能获知简单的用户信息。在这种情况下，将分散在各地、各个机构的用户数据联合整合就成为了一个重要趋势。
但是，各个机构的数据源之间存在着难以打破的壁垒，一般情况下人工智能的所需要的数据会涉及多个领域。在大多数行业中，数据是以孤岛的形式存在的，由于行业竞争、隐私安全、行政手续复杂等问题，即使是在同一个公司的不同部门之间实现数据整合也面临着重重阻力，在现实中想要将分散在各地、各个机构的数据进行整合几乎是不可能的，或者说所需的成本是巨大的。
现有技术中，机构之间可通过联邦学习共同进行机器学习模型的训练，联邦学习场景下的建模，需要对明文数据进行保护，在机构之间进行交互的数据不能有明文或者不能反推出明文。最常见的情况是两方机构进行的联邦学习，其中一方提供标签，另外一方提供特征。但是，实际情况中，往往需要多个机构共同进行联邦学，而多方场景的下的联邦学习的目前还未有良好解决方案。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本申请提供一种基于联邦学习的用户服务策略确定方法、装置、电子设备及计算机可读介质，能够在保障用户数据安全、系统数据安全、交易安全的前提下，对用户进行全面准确的评定，进而快速准确的为用户提供最恰当的服务策略。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请的一方面，提出一种基于联邦学习的用户服务策略确定方法，该方法包括：模型训练的标签方对多个用户的用户标签进行加密生成加密信息；模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型；根据当前用户的用户数据生成用户特征；将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；将所述用户评分和预设区间进行比对，以确定所述用户的服务策略并进行推送。
可选地，还包括：模型训练的标签方对多个用户的用户标签进行加密生成加密信息；模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；根据特征方对应的特征信息量将所述至少一个特征方进行排序；所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕生成所述用户评分模型。
可选地，模型训练的标签方对多个用户的用户标签进行加密生成加密信息，包括：模型训练的标签方通过加法同态加密方式生成加密秘钥；通过所述加密秘钥对所述多个用户的用户标签进行加密生成加密标签；模型训练的标签方将所述加密秘钥、所述加密标签作为加密信息发送给所述至少一个特征方。
可选地,所述至少一个特征方根据特征信息量依次和标签方基于联 邦学习进行模型训练以生成用户评分模型，包括：根据特征方对应的特征信息量将所述至少一个特征方进行排序；所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕，生成用户评分模型。
可选地，模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量，包括：模型训练的每个特征方对其对应的用户特征进行分箱处理生成多个分箱特征集合；根据所述加密信息生成多个分箱特征集合的多个分箱信息量；模型训练的每个特征方根据其对应的多个分箱信息量生成特征信息量。
可选地，模型训练的每个特征方对其对应的用户特征进行分箱处理生成多个分箱特征集合，包括：模型训练的每个特征方根据决策树分箱方式对其对应的用户特征进行切分，生成多个切分点；根据多个切分点对用户特征进行分箱处理以生成多个分箱特征集合。
可选地，根据所述加密信息生成多个分箱特征集合的多个分箱信息量，包括：根据所述加密信息中的加密秘钥对所述多个分箱特征集合中的特征值进行加密计算生成加密值；通过加密计算之后的多个分箱特征集合中的加密值生成所述多个分箱的信息量。
可选地，所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕生成所述用户评分模型，包括：根据所述排序由所述至少一个特征方提取初始特征方；初始特征方通过其对应的用户特征、加密信息和标签方进行联邦学习，生成多个第一评分；根据所述排序提取所述初始特征方的下一位特征方作为当前特征方；当前特征方根据其对应的用户特征、加密标签、所述多个第一评分和标签方进行联邦学习，生成多个第二评分；根据所述排序依次提取下一位特征方和标签方进行联邦学习，直至所有特征方训练完毕生成所述用户评分模型。
可选地，初始特征方通过其对应的用户特征、加密信息和标签方进行联邦学习，生成多个第一评分，包括：初始特征方根据所述加密信息中加密秘钥对用户特征进行加密，生成加密特征；初始特征方和标签方 通过加密特征和所述加密信息中的加密标签进行联邦学习；在训练完毕时，生成初始模型；根据所述初始模型计算标签方的多个用户的多个第一评分。
可选地，当前特征方根据其对应的用户特征、加密标签、所述多个第一评分和标签方进行联邦学习，生成多个第二评分，包括：当前特征方根据所述加密信息中加密秘钥对用户特征进行加密，生成加密特征；当前特征方和标签方通过加密特征、所述加密信息中的加密标签、所述多个第一评分进行联邦学习；在训练完毕时，生成当前模型；根据所述当前模型计算标签方的多个用户的多个第二评分。
根据本申请的一方面，提出一种基于联邦学习的用户服务策略确定装置，该装置包括：加密模块，用于控制模型训练的标签方对多个用户的用户标签进行加密生成加密信息；特征模块，用于控制模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；训练模块，用于所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型；特征模块，用于根据当前用户的用户数据生成用户特征；评分模块，用于将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；策略模块，用于将所述用户评分和预设区间进行比对，以确定所述当前用户的服务策略并进行推送。
根据本申请的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本申请的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本申请的基于联邦学习的用户服务策略确定方法、装置、电子设备及计算机可读介质，通过根据用户的用户数据生成用户特征；将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；将所述用户评分和预设区间进行比对，以确定所述用户的服务策略 并进行推送的方式，能够在保障用户数据安全、系统数据安全、交易安全的前提下，对用户进行全面准确的评定，进而快速准确的为用户提供最恰当的服务策略。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
通过参照附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法及装置的系统框图。
图2是根据一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的流程图。
图3是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的流程图。
图4是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的示意图。
图5是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的流程图。
图6是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
图8是根据一示例性实施例示出的一种计算机可读介质的框图。
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本申请所必须的，因此不能用于限制本申请的保护范围。
本申请涉及的技术术语解释如下：
纵向联邦学习:是一种分布式的机器学习训练方式，能够在不传输原始数据的情况下，联合两个客户端完成模型的训练。纵向联邦学习一般是特征方提供特征数据，标签方提供标签数据和附加的特征数据。
多方联邦学习：超过机构进行的联邦学习。
同态加密:是一种特殊的加密方法，能够在密文数据上进行代数运算，运算得到的密文解密后的结果，与直接在明文数据上计算获得的结果相同。
多方安全计算：是一种联合多个互不信任的标签方，安全地共同完成一个函数的计算。
信息量(information value，IV)：用来表示特征对目标预测的预测能力，IV值越高,该特征的预测能力越强。
本案的申请人对现有技术进行了深入的分析之后认为，在多方纵向联邦学习中，通常需要协调多个参与方安全地进行计算。这类计算可通过设计安全多方计算协议实现，通过多方交互的计算协议抽象出代数运算的算子，再利用这些算子去设计算法模型。还可通过模型算法层面改造实现，保证模型迭代过程中的数据安全性。第一种方式，通常复杂度更高，在多方环境中，容易受带宽、计算资源的影响，并且在工业场景，不同公司对数据审核的流程有不同的复杂性，常常很难直接协调。第二种方式通常基于半同态加密等安全技术，在实际应用上已有成熟度比较高的两方联邦学习，这种方式通常仅限于两方，例如一方提供标签，另外一方提供特征的场景。
本案的申请人认为，在现有技术中，两方进行的联邦学习技术较为成熟未定，在两方联邦学习的基础上进行扩展会是一个可靠度和可行度较强的方式。在本申请中，对现有技术中两方联邦学习进行了扩展，本申请中的方案可发明适用于两方至多方联合学习的场景，本申请中的技术方法对计算、带宽等资源要求低，在实际部署时候有比较强的兼容性，对数据缺失等情况有较强鲁棒性。
下面借助于具体的实施例对本申请的内容进行说明。
图1是根据一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法及装置的系统框图。
如图1所示，系统架构10可以包括终端设备101、102、103，网络104和标签方服务器105、特征方服务器106、107、108。网络104用以在终端设备101、102、103和标签方服务器105、特征方服务器106、107、108之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与标签方服务器105、特征方服务器106、107、108交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如互联网服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
标签方服务器105、特征方服务器106、107、108可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的互联网服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果反馈给互联网服务网站的管理员和/或终端设备101、102、103。
标签方服务器105、特征方服务器106、特征方服务器107、特征方服务器108中的任一个或多个均可称为参与方服务器。
标签方服务器105可例如对多个用户的用户标签进行加密生成加密信息；特征方服务器106、107、108可例如根据所述加密信息生成其对应的用户特征的特征信息量；特征方服务器106、107、108特征信息量依次和标签方服务器105进行联邦学习，训练完毕生成用户评分模型。
参与方服务器(标签方服务器105和/或特征方服务器106和/或特征方服务器107和/或特征方服务器108)可由终端设备101、102、103获取当前用户的用户数据生成用户特征；并将所述用户特征输入经过多 方联邦学习生成的用户评分模型中，得到用户评分；将所述用户评分和预设区间进行比对，以确定所述当前用户的服务策略并进行推送。
参与方服务器可以是一个实体的服务器，还可例如为多个服务器组成，参与方服务器的一部分可用于响应用户请求为用户提供服务策略；参与方服务器的一部分可还可例如两两联合进行联邦机器学习训练。
需要说明的是，本申请实施例所提供的基于联邦学习的用户服务策略确定方法可以由标签方服务器105和/或特征方服务器106、107、108执行，相应地，基于联邦学习的用户服务策略确定装置可以设置于标签方服务器105和/或特征方服务器106、107、108中。而提供给用户进行互联网服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的流程图。基于联邦学习的用户服务策略确定方法20描述了在实际应用场景中为用户提供用户策略的过程，至少包括步骤S202至S206。
如图2所示，在S202中，根据当前用户的用户数据生成用户特征。
在本申请实施例中，当前用户和用户均可为个人用户、小微企业用户、企业用户等等，其中，用户数据可包括经过用户授权的基础信息，可例如为业务账号信息、用户的终端设备标识信息、用户所处地域信息等；用户信息还可包括行为信息，可例如为用户的页面操作数据、用户的业务访问时长、用户的业务访问频率等，用户信息的具体内容可根据实际应用场景确定，在此不做限制。
可根据用户数据生成用户特征，更具体的，可将用户数据按照不同的属性类别转换为数值形式，作为用户特征。
可基于所述用户信息和特征策略生成多个特征信息。可对用户信息进行数据清洗和数据融合以将用户信息转化为多个特征数据，更具体的，可对用户信息进行变量缺失率分析与处理、异常值处理；还可将连续型变量离散化的用户信息进行WOE转化、离散型变量WOE转化、文本变量加工处理、文本变量的word2vec处理等等。
可结合变量覆盖度、单一取值覆盖度、与目标变量相关性及显著性、对目标变量的区分度(KS)及信息价值(IV)、树类模型(如XGBoost、RF等)特征重要性等多方面综合考虑，筛选覆盖率高、对目标变量区分效果明显的特征作为用户特征。
在S204中，将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分。值得一提的是，使用本申请中的用户评分模型的可为多方联邦学习中的模型训练标签方，也可为特征方，在后文中可统称为模型训练的参与方。
在一个实施例中，用户评分模型是经过多个数据机构进行的多方联邦学习训练生成的。如上文所述，在现实中想要将分散在各地、各个机构的数据进行整合几乎是不可能的，数据机构之间可通过联邦学习共同进行机器学习模型的训练，联邦学习场景下的建模，可对用户数据进行保护，在机构之间进行交互的用户数据是结果加密的。
本申请中，通过多方纵向联邦学习，协调多个参与方参与模型训练，在保证标签不被泄露情况下，实现有监督形式的模型训练进而生成用户评分模型。
在一个实施例中，多方联邦学习中训练的机器学习模型可为决策树模型、梯度提升决策树模型、神经网络模型、卷积神经网络模型等等，本申请不以此为限。
在S206中，将所述用户评分和预设区间进行比对，以确定所当前用户的服务策略并进行推送。可先确定用户服务策略的目标，可例如为为用户进行资源分配，或者为用户提供特享资源。根据用户服务策略的目标，由大量历史用户的用户数据中提取针对该目标的统计分析值，以生成多个预设区间。为不同的用户区间的用户制定不同的用户服务策略。
根据本申请的基于联邦学习的用户服务策略确定方法，通过模型训练的标签方对多个用户的用户标签进行加密生成加密信息；模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进 行模型训练以生成用户评分模型；根据当前用户的用户数据生成用户特征；将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；将所述用户评分和预设区间进行比对，以确定所述用户的服务策略并进行推送的方式，能够在保障用户数据安全、系统数据安全、交易安全的前提下，对用户进行全面准确的评定，进而快速准确的为用户提供最恰当的服务策略。
应清楚地理解，本申请描述了如何形成和使用特定示例，但本申请的原理不限于这些示例的任何细节。相反，基于本申请公开的内容的教导，这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的流程图。基于联邦学习的用户服务策略确定方法30描述了在经过联邦学习生成用户评分模型的过程，可包括步骤S302至S306。
如图3所示，在S302中，模型训练的标签方对多个用户的用户标签进行加密生成加密信息。
在一个实施例中，模型训练的标签方可例如通过加法同态加密方式生成加密秘钥；通过所述加密秘钥对所述多个用户的用户标签进行加密生成加密标签；模型训练的标签方将所述加密秘钥、所述加密标签作为加密信息发送给所述至少一个特征方。在本申请中，加法同态加密方式能够在保证标签不被泄露情况下，实现有监督形式的模型训练。
在S304中，模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量。
在一个实施例中，模型训练的每个特征方对其对应的用户特征进行分箱处理生成多个分箱特征集合；根据所述加密信息生成多个分箱特征集合的多个分箱信息量；模型训练的每个特征方根据其对应的多个分箱信息量生成特征信息量。
更具体的，模型训练的每个特征方根据决策树分箱方式对其对应的用户特征进行切分，生成多个切分点；根据多个切分点对用户特征进行 分箱处理以生成多个分箱特征集合。
更具体的，根据所述加密信息中的加密秘钥对所述多个分箱特征集合中的特征值进行加密计算生成加密值；通过加密计算之后的多个分箱特征集合中的加密值生成所述多个分箱的信息量。可基于标签方发送的同态加密秘钥对特征值进行加密，每个特征值分别生成其对应的加密值。
每个特征方根据其对应的多个分箱的信息量的平均值生成特征信息量。
在S306中，所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型。可例如，根据特征方对应的特征信息量将所述至少一个特征方进行排序；所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕，生成用户评分模型。
在一个实施例中，可根据所述排序由所述至少一个特征方提取初始特征方；初始特征方通过其对应的用户特征、加密信息和标签方进行联邦学习，生成多个第一评分；根据所述排序提取所述初始特征方的下一位特征方作为当前特征方；当前特征方根据其对应的用户特征、加密标签、所述多个第一评分和标签方进行联邦学习，生成多个第二评分；根据所述排序依次提取下一位特征方和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕生成所述用户评分模型。
“所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕生成所述用户评分模型”的具体内容在图4、图5对应的实施例中进行详细描述。
本申请的基于联邦学习的用户服务策略确定方法，可以在多方联邦学习场景下，将多个参与方的聚合分解为多个双方聚合(两方联邦学习)，融合各自的数据要素，通过计算特征方的平均IV值，依次选择IV高的特征方和标签方训练稳定的机器学习模型，并基于单个机器学习模型依次进行堆叠训练，形成最终的模型训练结果。
本申请的基于联邦学习的用户服务策略确定方法，在现有较成熟的 两方联邦学习的基础上做出了拓展，并且这种方法有效的降低了硬件资源的门槛和各方数据的耦合度，避免在实际应用中，因其中一个标签方获取数据超时而导致整个模型训练失效的情况发生。
图4是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的示意图。图4所示的示意图40是对图3所示的流程中S306中“所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕生成所述用户评分模型”的详细描述。
如图4所示，比如，标签方M可为用户标签的提供方，特征方N1、特征方N2、特征方N3为用户特征数据的提供方。
标签方M将用户标签加密后和加密秘钥一起发送到特征方N1、特征方N2、特征方N3；特征方N1、特征方N2、特征方N3先分别根据已有的用户特征按照决策树类型的切分方式进行切分，生成多个分箱特征集合，然后通过加密秘钥计算每个分箱特征集合的加密值，最终，特征方N1、特征方N2、特征方N3分别根据自身对应的每个分箱特征集合对应的加密值得到特征信息量。
特征方N1、特征方N2、特征方N3将特征信息量共享出来以便进行排序，首先提取出特征信息量最高的特征方(如图所示，可为N2)，特征方N2和标签方M进行模型训练，并基于训练得到的初始模型生成标签方M中多个用户的第一评分。
初始特征方的下一个特征方作为当前特征方(如图所示，可为N1)，特征方N1和标签方M进行模型训练，并基于第一评分在训练过程中进行调节，在训练结束后，得到当前模型，基于当前模型生成标签方M中多个用户的第二评分。
最后，特征方N3和标签方M进行模型训练，并基于第二评分在训练过程中进行调节，在训练结束后，得到用户评分模型，基于用户评分生成标签方M中多个用户的第三评分。
训练完毕的用户评分模型可分发到标签方M和特征方N1、特征方 N2、特征方N3中，以便其在实际应用中对实时用户进行评分。
本申请的基于联邦学习的用户服务策略确定方法，扩展了现有技术中的两方联邦学习方法，利用加法同态加密方式，在给标签加密的形式下，首先计算每个特征方的特征IV值，通过特征IV值依次选择出特征方以便和标签方两两训练，形成一个层级的结构的模型训练架构，从而利用简单方便的方式实现多方联邦学习。
图5是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定方法的流程图。图5所示的流程50是对图4中“初始特征方通过其对应的用户特征、加密信息和标签方进行联邦学习，生成多个第一评分”的详细描述。
如图5所示，在S502中，初始特征方根据所述加密信息中加密秘钥对用户特征进行加密，生成加密特征。
在S504中，初始特征方和标签方通过加密特征和所述加密信息中的加密标签进行联邦学习。
在S506中，在训练完毕时，生成初始模型。
具体的，针对联邦学习中标签方和特征方的机器学习模型学习过程可如下：分别构建调整模型，将加密特征和其对应的加密标签输入所述调整模型，以得到预测标签，将所述预测标签与相应的真实的标签进行比对，判断预测标签与真实的标签是否一致，统计与真实的标签一致的预测标签的数量，并计算与真实的标签一致的预测标签的数量在所有预测标签的数量中的占比，若所述占比大于或等于预设占比值，则所述调整模型收敛，得到训练完成的初始，若所述占比小于所述预设占比值，则调整所述调整模型中的参数，通过调整后的调整模型重新预测加密特征的预测标签，直至所述占比大于或等于预设占比值。其中，调整所述调整模型中的参数的方法可以采用随机梯度下降算法、梯度下降算法或正规方程进行。
若调整所述调整模型的参数的次数超过预设次数时，可以更换构建调整模型所使用的模型，以提高模型训练效率。
在S508中，根据所述初始模型计算标签方的多个用户的多个第一评分。模型标签方可将多个用户的用户特征输入初始模型中，以生成多个第一评分。
在一个实施例中，当前特征方根据其对应的用户特征、加密标签、所述多个第一评分和标签方进行联邦学习，生成多个第二评分，包括：当前特征方根据所述加密信息中加密秘钥对用户特征进行加密，生成加密特征；当前特征方和标签方通过加密特征、所述加密信息中的加密标签、所述多个第一评分进行联邦学习；在训练完毕时，生成当前模型；根据所述当前模型计算标签方的多个用户的多个第二评分。
具体的，针对联邦学习中标签方和第二个或之后其他特征方本地的机器学习模型学习过程可如下：分别构建调整模型，将加密特征和其对应的加密标签输入所述调整模型，以得到预测标签。第一评分中的用户标签按照预先设置的权重和所述预测标签进行加权，得到最终的输出标签。将输出标签与相应的真实的标签进行比对，判断输出标签与真实的标签是否一致，并据此调整所述调整模型中的参数，直至满足训练要求得到训练后的当前模型。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图6是根据另一示例性实施例示出的一种基于联邦学习的用户服务策略确定装置的框图。如图6所示，基于联邦学习的用户服务策略确定 装置60包括：加密模块602，特征模块604，训练模块606，特征模块608，评分模块610，策略模块612。
加密模块602用于控制模型训练的标签方对多个用户的用户标签进行加密生成加密信息；加密模块602还用于模型训练的标签方通过加法同态加密方式生成加密秘钥；通过所述加密秘钥对所述多个用户的用户标签进行加密生成加密标签；模型训练的标签方将所述加密秘钥、所述加密标签作为加密信息发送给所述至少一个特征方。
特征模块604用于控制模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；特征模块604还用于模型训练的每个特征方将其对应的用户特征进行分箱处理生成多个分箱特征集合；根据所述加密信息生成多个分箱特征集合的多个分箱信息量；模型训练的每个特征方根据其对应的多个分箱信息量生成特征信息量。
训练模块606用于所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型；训练模块606还用于根据特征方对应的特征信息量将所述至少一个特征方进行排序；所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕，生成用户评分模型。
特征模块608用于根据当前用户的用户数据生成用户特征；
评分模块610用于将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；
策略模块612用于将所述用户评分和预设区间进行比对，以确定所述当前用户的服务策略并进行推送。
根据本申请的基于联邦学习的用户服务策略确定装置，通过模型训练的标签方对多个用户的用户标签进行加密生成加密信息；模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型；根据当前用户的用户数据生成用户特征；将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；将所述用户评分和预设区间进行比对，以确定所述用户的 服务策略并进行推送的方式，能够在保障用户数据安全、系统数据安全、交易安全的前提下，对用户进行全面准确的评定，进而快速准确的为用户提供最恰当的服务策略。
图7是根据一示例性实施例示出的一种电子设备的框图。
下面参照图7来描述根据本申请的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：至少一个处理单元710、至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730、显示单元740等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书中的根据本申请各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图2，图3，图5中所示的步骤。
所述存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
所述存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备700’(例如键盘、指向设备、蓝牙设备等)通信，使得用户能与该电子设备700交互的设备通信，和/或该电子设备700能与一个或多个其它计算设备进行通信的任 何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器760可以通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图8所示，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
所述计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
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一个该设备执行时，使得该计算机可读介质实现如下功能：模型训练的标签方对多个用户的用户标签进行加密生成加密信息；模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型；根据当前用户的用户数据生成用户特征；将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；将所述用户评分和预设区间进行比对，以确定所述用户的服务策略并进行推送。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施例的技术方案可以以软件产品的形式 体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施例的方法。
以上具体地示出和描述了本申请的示例性实施例。应可理解的是，本申请不限于这里描述的详细结构、设置方式或实现方法；相反，本申请意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (12)
- 一种基于联邦学习的用户服务确定方法，其特征在于，包括：模型训练的标签方对多个用户的用户标签进行加密生成加密信息；模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型；根据当前用户的用户数据生成用户特征；将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；将所述用户评分和预设区间进行比对，以确定所述当前用户的服务策略并进行推送。
- 如权利要求1所述的方法，其特征在于，模型训练的标签方对多个用户的用户标签进行加密生成加密信息，包括：模型训练的标签方通过加法同态加密方式生成加密秘钥；通过所述加密秘钥对所述多个用户的用户标签进行加密生成加密标签；模型训练的标签方将所述加密秘钥、所述加密标签作为加密信息发送给所述至少一个特征方。
- 如权利要求1所述的方法，其特征在于，模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量，包括：模型训练的每个特征方将其对应的用户特征进行分箱处理生成多个分箱特征集合；根据所述加密信息生成多个分箱特征集合的多个分箱信息量；模型训练的每个特征方根据其对应的多个分箱信息量生成特征信息量。
- 如权利要求3所述的方法，其特征在于，模型训练的每个特征方将其对应的用户特征进行分箱处理生成多个分箱特征集合，包括：模型训练的每个特征方根据决策树分箱方式将其对应的用户特征进行切分，生成多个切分点；根据多个切分点对用户特征进行分箱处理以生成多个分箱特征集合。
- 如权利要求3所述的方法，其特征在于，根据所述加密信息生成多个分箱特征集合的多个分箱信息量，包括：根据所述加密信息中的加密秘钥对所述多个分箱特征集合中的特征值进行加密计算生成加密值；通过加密计算之后的多个分箱特征集合中的加密值生成所述多个分箱信息量。
- 如权利要求1所述的方法，其特征在于，所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型，包括：根据特征方对应的特征信息量将所述至少一个特征方进行排序；所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕，生成用户评分模型。
- 如权利要求6所述的方法，其特征在于，所述至少一个特征方根据所述排序依次和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕生成所述用户评分模型，包括：根据所述排序由所述至少一个特征方提取初始特征方；初始特征方通过其对应的用户特征、加密信息和标签方进行联邦学习，生成多个第一评分；根据所述排序提取所述初始特征方的下一位特征方作为当前特征方；当前特征方根据其对应的用户特征、加密标签、所述多个第一评分和标签方进行联邦学习，生成多个第二评分；根据所述排序依次提取当前特征方的下一位特征方和标签方基于联邦学习进行模型训练，直至所有特征方训练完毕生成所述用户评分模型。
- 如权利要求7所述的方法，其特征在于，初始特征方通过其对应的用户特征、加密信息和标签方进行联邦学习，生成多个第一评分，包括：初始特征方根据所述加密信息中加密秘钥对用户特征进行加密，生成加密特征；初始特征方和标签方通过加密特征和所述加密信息中的加密标签进行联邦学习；在训练完毕时，生成初始模型；根据所述初始模型计算标签方的多个用户的多个第一评分。
- 如权利要求7所述的方法，其特征在于，当前特征方根据其对应的用户特征、加密标签、所述多个第一评分和标签方进行联邦学习，生成多个第二评分，包括：当前特征方根据所述加密信息中加密秘钥对用户特征进行加密，生成加密特征；当前特征方和标签方通过加密特征、所述加密信息中的加密标签、所述多个第一评分进行联邦学习；在训练完毕时，生成当前模型；根据所述当前模型计算标签方的多个用户的多个第二评分。
- 一种基于联邦学习的用户服务策略确定装置，其特征在于，包括：加密模块，用于控制模型训练的标签方对多个用户的用户标签进行加密生成加密信息；特征模块，用于控制模型训练的至少一个特征方根据所述加密信息生成其对应的用户特征的特征信息量；训练模块，用于所述至少一个特征方根据特征信息量依次和标签方基于联邦学习进行模型训练以生成用户评分模型；特征模块，用于根据当前用户的用户数据生成用户特征；评分模块，用于将所述用户特征输入经过多方联邦学习生成的用户评分模型中，得到用户评分；策略模块，用于将所述用户评分和预设区间进行比对，以确定所述当前用户的服务策略并进行推送。
- 一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至9中任一所述的方法。
- 一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至9中任一所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210499538.6A CN114611008B (zh) | 2022-05-09 | 2022-05-09 | 基于联邦学习的用户服务策略确定方法、装置及电子设备 |
| CN202210499538.6 | 2022-05-09 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023216494A1 true WO2023216494A1 (zh) | 2023-11-16 |
Family
ID=81867895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/121544 WO2023216494A1 (zh) | 2022-05-09 | 2022-09-27 | 基于联邦学习的用户服务策略确定方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114611008B (zh) |
| WO (1) | WO2023216494A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117560229A (zh) * | 2024-01-11 | 2024-02-13 | 吉林大学 | 一种联邦非介入式负荷监测用户验证方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611008B (zh) * | 2022-05-09 | 2022-07-22 | 北京淇瑀信息科技有限公司 | 基于联邦学习的用户服务策略确定方法、装置及电子设备 |
| CN116823346B (zh) * | 2023-07-17 | 2024-04-05 | 广州百奕信息科技有限公司 | 一种基于区块链技术民航数字资产公共综合服务方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190282211A1 (en) * | 2018-03-14 | 2019-09-19 | Volcano Corporation | Scoring intravascular lesions and stent deployment in medical intraluminal ultrasound imaging |
| KR20220013906A (ko) * | 2020-07-27 | 2022-02-04 | 한국전자통신연구원 | 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치 |
| CN114330759A (zh) * | 2022-03-08 | 2022-04-12 | 富算科技(上海)有限公司 | 一种纵向联邦学习模型的训练方法及系统 |
| CN114372871A (zh) * | 2022-01-07 | 2022-04-19 | 中国工商银行股份有限公司 | 信用评分值的确定方法及其装置、电子设备及存储介质 |
| CN114418380A (zh) * | 2022-01-17 | 2022-04-29 | 建信金融科技有限责任公司 | 基于联邦学习的用户评分方法、服务器及存储介质 |
| CN114611008A (zh) * | 2022-05-09 | 2022-06-10 | 北京淇瑀信息科技有限公司 | 基于联邦学习的用户服务策略确定方法、装置及电子设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110990857B (zh) * | 2019-12-11 | 2021-04-06 | 支付宝(杭州)信息技术有限公司 | 保护隐私安全的多方联合进行特征评估的方法及装置 |
| CN111563267B (zh) * | 2020-05-08 | 2024-04-05 | 京东科技控股股份有限公司 | 用于联邦特征工程数据处理的方法和装置 |
| CN111860864A (zh) * | 2020-07-23 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 纵向联邦建模优化方法、设备及可读存储介质 |
| CN112396189B (zh) * | 2020-11-27 | 2023-09-01 | 中国银联股份有限公司 | 一种多方构建联邦学习模型的方法及装置 |
| CN114139450A (zh) * | 2021-11-29 | 2022-03-04 | 百保(上海)科技有限公司 | 一种基于隐私保护的评分卡建模方法及装置 |
| CN114401079B (zh) * | 2022-03-25 | 2022-06-14 | 腾讯科技（深圳）有限公司 | 多方联合信息价值计算方法、相关设备及存储介质 |
-
2022
- 2022-05-09 CN CN202210499538.6A patent/CN114611008B/zh active Active
- 2022-09-27 WO PCT/CN2022/121544 patent/WO2023216494A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190282211A1 (en) * | 2018-03-14 | 2019-09-19 | Volcano Corporation | Scoring intravascular lesions and stent deployment in medical intraluminal ultrasound imaging |
| KR20220013906A (ko) * | 2020-07-27 | 2022-02-04 | 한국전자통신연구원 | 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치 |
| CN114372871A (zh) * | 2022-01-07 | 2022-04-19 | 中国工商银行股份有限公司 | 信用评分值的确定方法及其装置、电子设备及存储介质 |
| CN114418380A (zh) * | 2022-01-17 | 2022-04-29 | 建信金融科技有限责任公司 | 基于联邦学习的用户评分方法、服务器及存储介质 |
| CN114330759A (zh) * | 2022-03-08 | 2022-04-12 | 富算科技(上海)有限公司 | 一种纵向联邦学习模型的训练方法及系统 |
| CN114611008A (zh) * | 2022-05-09 | 2022-06-10 | 北京淇瑀信息科技有限公司 | 基于联邦学习的用户服务策略确定方法、装置及电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117560229A (zh) * | 2024-01-11 | 2024-02-13 | 吉林大学 | 一种联邦非介入式负荷监测用户验证方法 |
| CN117560229B (zh) * | 2024-01-11 | 2024-04-05 | 吉林大学 | 一种联邦非介入式负荷监测用户验证方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114611008A (zh) | 2022-06-10 |
| CN114611008B (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumari et al. | Blockchain and AI amalgamation for energy cloud management: Challenges, solutions, and future directions | |
| WO2021114911A1 (zh) | 用户风险评估方法及装置、电子设备、存储介质 | |
| WO2023216494A1 (zh) | 基于联邦学习的用户服务策略确定方法及装置 | |
| CN112132198B (zh) | 数据处理方法、装置、系统和服务器 | |
| WO2020238677A1 (zh) | 数据处理方法、装置和计算机可读存储介质 | |
| CN111563267B (zh) | 用于联邦特征工程数据处理的方法和装置 | |
| de Carvalho Bertoli et al. | Generalizing intrusion detection for heterogeneous networks: A stacked-unsupervised federated learning approach | |
| Hong et al. | An analysis of security systems for electronic information for establishing secure internet of things environments: Focusing on research trends in the security field in South Korea | |
| Zhu | Self-organized network management and computing of intelligent solutions to information security | |
| WO2023071105A1 (zh) | 一种特征变量的分析方法、装置、计算机设备及存储介质 | |
| CN113051239A (zh) | 数据共享方法、应用其的模型的使用方法及相关设备 | |
| CN112039702A (zh) | 基于联邦学习和相互学习的模型参数训练方法及装置 | |
| EP4147179A1 (en) | High-risk passage automation in a digital transaction management platform | |
| Li | A synthetic research on the multimedia data encryption based mobile computing security enhancement model and multi-channel mobile human computer interaction framework | |
| CN113821811B (zh) | 基于区块链的数据获取方法及系统、电子设备及存储介质 | |
| CN113032838B (zh) | 基于隐私计算的标签预测模型生成方法、预测方法、模型生成装置、系统及介质 | |
| Parra-Ullauri et al. | Federated Analytics for 6G Networks: Applications, Challenges, and Opportunities | |
| EP3306489A1 (en) | Interaction record query processing method and device | |
| Mitrovic et al. | Cybersecurity Culture as a critical component of Digital Transformation and Business Model Innovation in SMEs | |
| Rahaman | Recent advancement of cyber security: Challenges and future trends in Bangladesh | |
| Kawatra et al. | Internet of things (iot) applications, tools and security techniques | |
| Bello et al. | Establishing trustworthy relationships in multiparty industrial internet of things applications | |
| Yevseiev et al. | Development of a multiloop security system of information interactions in socio-cyberphysical systems | |
| Singh et al. | An Innovation Development of Document Management and Security Model for Commercial Database Handling Systems | |
| Wadhwa et al. | Security and Privacy Challenges in Big Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22941434 Country of ref document: EP Kind code of ref document: A1 |