特征提取方法、装置、存储介质及电子设备制造方法及图纸

本申请实施例公开了一种特征提取方法、装置、存储介质及电子设备，其中，本申请实施例接收服务器发送的特征提取指令，根据特征提取指令获取目标用户的目标数据；根据目标数据训练预设的深度学习模型，获取第一模型参数，并将第一模型参数加密后发送至服务器；接收服务器返回的第二模型参数，其中，第二模型参数由服务器根据用户集合中各用户发送的第一模型参数合并后得到，目标用户属于用户集合；基于第二模型参数重新训练深度学习模型，并根据训练得到的深度学习模型从目标数据中提取第一数据特征；将第一数据特征加密后发送至服务器。在隐私保护的基础之上，实现了多个用户之间的协同学习和训练。

【技术实现步骤摘要】
特征提取方法、装置、存储介质及电子设备
本申请涉及数据处理
，具体涉及一种特征提取方法、装置、存储介质及电子设备。
技术介绍
由于单个用户的特征数据和质量都较为有限，在对用户数据进行分析提取第一数据特征时，只用单个用户的特征难以实现数据分析任务。而如果将多数用户的数据进行协同处理，又涉及到用户隐私的问题，尤其是部分较为敏感的数据，如用户收入、家庭住址之类的信息，如果将这些敏感数据直接上传到云端进行协同处理，会带来较大的隐私安全隐患。如何既能够对这些敏感数据的特征进行提取以较好地完成相应的任务，又能避免用户隐私的泄露，是亟需解决的一个现实问题。
技术实现思路
本申请实施例提供了一种特征提取方法、装置、存储介质及电子设备，能够在保证数据隐私的同时，实现多个用户之间的系统学习和训练。第一方面，本申请实施例了提供了的一种特征提取方法，应用于终端，包括：接收服务器发送的特征提取指令，根据所述特征提取指令获取目标用户的目标数据；根据所述目标数据训练预设的深度学习模型，获取第一模型参数，并将所述第一模型参数加密后发送至所述服务器；接收服务器返回的第二模型参数，其中，所述第二模型参数由所述服务器根据用户集合中各用户发送的第一模型参数合并后得到，所述用户集合包括所述目标用户；基于所述第二模型参数重新训练所述深度学习模型，并根据训练得到的深度学习模型从所述目标数据中提取第一数据特征；将所述第一数据特征加密后发送至所述服务器。第二方面，本申请实施例了还提供了的一种特征提取方法，应用于服务器，包括：向用户集合中的目标用户对应的终端发送特征提取指令；接收所述终端根据所述特征提取指令返回的经过加密处理的第一模型参数，其中，所述第一模型参数由所述终端根据所述目标用户的目标数据训练预设的深度学习模型得到；对所述经过加密处理的第一模型参数解密处理，获取所述第一模型参数；对所述用户集合中的全部目标用户的所述第一模型参数进行合并处理，生成第二模型参数；将所述第二模型参数发送至所述终端，并接收所述终端发送的第一数据特征，其中，所述第一数据特征由所述终端根据所述第二模型参数重新训练所述深度学习模型，并根据训练得到的所述深度学习模型从目标数据提取得到；将所述用户集合中的目标用户的所述第一数据特征合并处理，生成第二数据特征。第三方面，本申请实施例了提供了的一种特征提取装置，应用于终端，包括：数据获取模块，用于接收服务器发送的特征提取指令，根据所述特征提取指令获取目标用户的目标数据；模型训练模块，用于根据所述目标数据训练预设的深度学习模型，获取第一模型参数；数据发送模块，用于将所述第一模型参数加密后发送至所述服务器；参数接收模块，用于接收服务器返回的第二模型参数，其中，所述第二模型参数由所述服务器根据用户集合中各用户发送的第一模型参数合并后得到，所述用户集合包括所述目标用户；所述模型训练模块还用于：基于所述第二模型参数重新训练所述深度学习模型，并根据训练得到的深度学习模型从所述目标数据中提取第一数据特征；所述数据发送模块还用于：将所述第一数据特征加密后发送至所述服务器。第四方面，本申请实施例了提供了的一种特征提取装置，应用于服务器，包括：指令发送模块，用于向用户集合中的目标用户对应的电子设备发送特征提取指令；数据接收模块，用于接收所述电子设备根据所述特征提取指令返回的经过加密处理的第一模型参数，其中，所述第一模型参数由所述电子设备根据所述目标用户的目标数据训练预设的深度学习模型得到；数据解密模块，用于对所述经过加密处理的第一模型参数解密处理，获取所述第一模型参数；参数合并模块，用于对所述用户集合中的全部目标用户的所述第一模型参数进行合并处理，生成第二模型参数；参数发送模块，用于将所述第二模型参数发送至所述电子设备；特征接收模块，用于接收所述电子设备发送的第一数据特征，其中，所述第一数据特征由所述电子设备根据所述第二模型参数重新训练所述深度学习模型，并根据训练得到的所述深度学习模型从目标数据提取得到；特征合并模块，用于将所述用户集合中的目标用户的所述第一数据特征合并处理，生成第二数据特征。第五方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的特征提取方法。第六方面，本申请实施例提供了一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请任一实施例提供的特征提取方法。本申请实施例提供的技术方案，接收服务器发送的特征提取指令，根据特征提取指令获取目标用户的目标数据，根据目标数据训练预设的深度学习模型，获取第一模型参数，将其加密后发送至服务器，接收服务器返回的第二模型参数，第二模型参数由服务器根据用户集合中各用户发送的第一模型参数合并后得到，基于第二模型参数重新训练上述深度学习模型，并根据训练得到的深度学习模型从目标数据中提取第一数据特征，将其加密后发送到服务器。本申请基于联邦学习的思想，由各用户在本地使用本地数据训练深度学习模型，得到模型参数，将模型参数加密发送到服务器，服务器将多个用户的模型参数联合处理，能够很好地协同其他用户的数据，再返回至本地进行学习和训练。在隐私保护的基础之上，实现了多个用户之间的协同学习和训练，保证了最终学习出的敏感特征能够很好地融合其他用户的知识和偏好，能够较大程度地提升敏感特征的提取质量和精度。附图说明为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的特征提取方法的全景感知架构示意图。图2为本申请实施例提供的特征提取方法的第一种流程示意图。图3为本申请实施例提供的联邦学习框架图。图4为本申请实施例提供的特征提取方法的第二种流程示意图。图5为本申请实施例提供的特征提取装置的第一种结构示意图。图6为本申请实施例提供的特征提取装置的第二种结构示意图。图7为本申请实施例提供的电子设备的第一种结构示意图。图8为本申请实施例提供的电子设备的第二种结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是本文档来自技高网...

【技术保护点】
1.一种特征提取方法，应用于终端，其特征在于，包括：/n接收服务器发送的特征提取指令，根据所述特征提取指令获取目标用户的目标数据；/n根据所述目标数据训练预设的深度学习模型，获取第一模型参数，并将所述第一模型参数加密后发送至所述服务器；/n接收服务器返回的第二模型参数，其中，所述第二模型参数由所述服务器根据用户集合中各用户发送的第一模型参数合并后得到，所述用户集合包括所述目标用户；/n基于所述第二模型参数重新训练所述深度学习模型，并根据训练得到的深度学习模型从所述目标数据中提取第一数据特征；/n将所述第一数据特征加密后发送至所述服务器。/n

【技术特征摘要】
1.一种特征提取方法，应用于终端，其特征在于，包括：
接收服务器发送的特征提取指令，根据所述特征提取指令获取目标用户的目标数据；
根据所述目标数据训练预设的深度学习模型，获取第一模型参数，并将所述第一模型参数加密后发送至所述服务器；
接收服务器返回的第二模型参数，其中，所述第二模型参数由所述服务器根据用户集合中各用户发送的第一模型参数合并后得到，所述用户集合包括所述目标用户；
基于所述第二模型参数重新训练所述深度学习模型，并根据训练得到的深度学习模型从所述目标数据中提取第一数据特征；
将所述第一数据特征加密后发送至所述服务器。


2.如权利要求1所述的特征提取方法，还包括：
使用所述服务器下发的公钥对所述第一模型参数加密处理。


3.如权利要求1所述的特征提取方法，还包括：
根据所述第二模型参数初始化所述深度学习模型；
使用所述目标数据重新训练初始化后的所述深度学习模型。


4.如权利要求1所述的特征提取方法，其特征在于，所述深度学习模型为卷积神经网络模型，根据训练得到的深度学习模型从所述目标数据中提取第一数据特征的步骤，包括：
将所述目标数据输入所述卷积神经网络模型进行运算；
获取所述卷积神经网络模型最后一个隐藏层的神经元输出特征，并将所述神经元输出特征作为所述第一数据特征。


5.如权利要求1至4任一项所述的特征提取方法，还包括：
在接收到服务器发送的质量评估指令时，计算所述目标数据在预设的多个质量评估指标上的评估值；
将所述评估值发送至所述服务器，其中，所述服务器根据所述评估值从多个用户中选择目标用户。


6.一种特征提取方法，应用于服务器，其特征在于，包括：
向用户集合中的目标用户对应的终端发送特征提取指令；
接收所述终端根据所述特征提取指令返回的经过加密处理的第一模型参数，其中，所述第一模型参数由所述终端根据所述目标用户的目标数据训练预设的深度学习模型得到；
对所述经过加密处理的第一模型参数解密处理，获取所述第一模型参数；
对所述用户集合中的全部目标用户的所述第一模型参数进行合并处理，生成第二模型参数；
将所述第二模型参数发送至所述终端，并接收所述终端发送的第一数据特征，其中，所述第一数据特征由所述终端根据所述第二模型参数重新训练所述深度学习模型，并根据训练得到的所述深度学习模型从目标数据提取得到；
将所述用户集合中的目标用户的所述第一数据特征合并处理，生成第二数据特征。


7.如权利要求6所述的特征提取方法，其特征在于，对所述用户集合中的全部目标用户的所述第一模型参数进行合并处理，生成第二模型参数的步骤，包括：
计算所述用户集合中的全部目标用户的第一模型参数的平均值；
将所述平均值作为第二模型参数。


8.如权利要求6所述的特征提取方法，其特征在于，对所述用户集合中的全部目标用户的所述第一模型参数进行合并处理，生...

【专利技术属性】
技术研发人员：何明，陈仲铭，黄粟，刘耀勇，陈岩，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44