训练模型的方法、确定资产估值的方法和装置制造方法及图纸

本公开提供了一种训练模型的方法、确定资产估值的方法、装置、设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及深度学习和自然语言理解等技术领域。具体实现方案为：根据第一特征数据集，确定事件级表征；根据事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将第一价格分布数据发送至中央服务器；根据第二特征数据集，确定第一地域内表征；为第一地域内表征增加噪声信号，得到加噪地域内表征，并将加噪地域内表征发送至客户端；以及响应于接收到来自中央服务器的加噪参数梯度，根据加噪参数梯度，调整第一模型的参数。型的参数。型的参数。

【技术实现步骤摘要】
训练模型的方法、确定资产估值的方法和装置


[0001]本公开涉及人工智能
，尤其涉及深度学习和自然语言理解等


技术介绍

[0002]房地产估价是指对房地产的市场价值形成无偏见意见的过程，对市场中的各种参与者(如房地产经纪人、估价人员、贷款人和买方)的决策起着至关重要的作用。

技术实现思路

[0003]本公开提供了一种训练模型的方法、确定资产估值的方法、装置、设备、存储介质以及程序产品。
[0004]根据本公开的一方面，提供了一种训练模型的方法，包括：根据第一特征数据集，确定事件级表征；根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将所述第一价格分布数据发送至中央服务器；根据第二特征数据集，确定第一地域内表征；为所述第一地域内表征增加噪声信号，得到加噪地域内表征，并将所述加噪地域内表征发送至客户端；以及响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第一模型的参数。
[0005]根据本公开的另一方面，提供了一种训练模型的方法，包括：接收来自客户端的加噪地域内表征；根据第三特征数据集合和所述加噪地域内表征，确定地域级表征；根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据；将所述第二价格分布数据发送至中央服务器；以及响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第二模型的参数。
[0006]根据本公开的另一方面，提供了一种训练模型的方法，包括：接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据；根据所述第一价格分布数据和所述第二价格分布数据，确定参数梯度；针对所述参数梯度增加噪声，得到加噪参数梯度；以及将所述加噪参数梯度发送至所述第一客户端和所述第二客户端。
[0007]根据本公开的另一方面，提供了一种确定资产估值的方法，包括：将第一特征数据集合输入第一模型，得到事件级表征；将第二特征数据集合输入第二模型，得到地域级表征；以及根据所述事件级表征和所述地域级表征，确定资产估值。
[0008]根据本公开的另一方面，提供了一种训练模型的装置，包括：第一确定模块，用于根据第一特征数据集，确定事件级表征；第一多任务学习模块，用于根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将所述第一价格分布数据发送至中央服务器；第二确定模块，用于根据第二特征数据集，确定第一地域内表征；第一加噪模块，用于为所述第一地域内表征增加噪声信号，得到加噪地域内表征，并将所述加噪地域内表征发送至客户端；以及第一调整模块，用于响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第一模型的参数。
[0009]根据本公开的另一方面，提供了一种训练模型的装置，包括：第一接收模块，用于
接收来自客户端的加噪地域内表征；第三确定模块，用于根据第三特征数据集合和所述加噪地域内表征，确定地域级表征；第二多任务学习模块，用于根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据；第一发送模块，用于将所述第二价格分布数据发送至中央服务器；以及第二调整模块，用于响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第二模型的参数。
[0010]根据本公开的另一方面，提供了一种训练模型的装置，包括：第二接收模块，用于接收来自第一客户端的第一价格分布数据和来自第二客户端的第二价格分布数据；梯度确定模块，用于根据所述第一价格分布数据和所述第二价格分布数据，确定参数梯度；第二加噪模块，用于针对所述参数梯度增加噪声，得到加噪参数梯度；以及第二发送模块，用于将所述加噪参数梯度发送至所述第一客户端和所述第二客户端。
[0011]根据本公开的另一方面，提供了一种确定资产估值的装置，包括：第一输入模块，用于将第一特征数据集合输入第一模型，得到事件级表征；第二输入模块，用于将第二特征数据集合输入第二模型，得到地域级表征；以及估值确定模块，用于根据所述事件级表征和所述地域级表征，确定资产估值。
[0012]本公开的另一个方面提供了一种电子设备，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指令，所述指令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公开实施例所示的方法。
[0013]根据本公开实施例的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开实施例所示的方法。
[0014]根据本公开实施例的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现本公开实施例所示方法的步骤。
[0015]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
[0016]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0017]图1A是根据本公开实施例的fed
‑
MugRep框架的架构的示意图；
[0018]图1B示意性示出了根据本公开实施例的基于fed
‑
MugRep框架进行模型训练的示意图；
[0019]图2示意性示出了根据本公开的实施例的训练模型的方法的流程图；
[0020]图3示意性示出了根据本公开的实施例的确定事件级表征的方法的流程图；
[0021]图4示意性示出了根据本公开的实施例的针对第一模型进行多任务学习的方法的流程图；
[0022]图5示意性示出了根据本公开的实施例的确定第一地域内表征的方法的流程图；
[0023]图6示意性示出了根据本公开的实施例的计算噪声信号的噪声值的方法的流程图；
[0024]图7示意性示出了根据本公开的实施例的确定地域级表征的方法的流程图；
[0025]图8示意性示出了根据本公开的实施例的针对第二模型进行多任务学习的方法的
流程图；
[0026]图9示意性示出了根据本公开的实施例的确定资产估值的方法的流程图；
[0027]图10示意性示出了根据本公开实施例的训练模型的装置的框图；
[0028]图11示意性示出了根据本公开另一实施例的训练模型的装置的框图；
[0029]图12示意性示出了根据本公开实施例的训练模型的装置的框图；以及
[0030]图13示意性示出了可以用来实施本公开的实施例的示例电子设备的框图。
具体实施方式
[0031]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练模型的方法，包括：根据第一特征数据集，确定事件级表征；根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，并将所述第一价格分布数据发送至中央服务器；根据第二特征数据集，确定第一地域内表征；为所述第一地域内表征增加噪声信号，得到加噪地域内表征，并将所述加噪地域内表征发送至客户端；以及响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第一模型的参数。2.根据权利要求1所述的方法，还包括：获取敏感度和差分隐私参数；根据所述敏感度和所述差分隐私参数，计算第一参数；从均匀分布的样本空间中抽样，得到第二参数；以及根据所述第一参数和所述第二参数，计算所述噪声信号的噪声值。3.根据权利要求2所述的方法，所述根据所述敏感度和所述差分隐私参数，计算第一参数，包括：根据以下公式计算所述第一参数：其中，所述b为所述第一参数，所述Δf为所述敏感度，所述ε为所述差分隐私参数。4.根据权利要求2所述的方法，所述根据所述第一参数和所述第二参数，计算所述噪声信号的噪声值，包括：根据以下公式计算所述噪声值：f
‑1＝
‑
b
·
sign(α)
·
ln(1
‑2·
|α|)其中，所述f
‑1为所述噪声值，所述b为所述第一参数，所述α为所述第二参数。5.根据权利要求1所述的方法，其中，所述根据第一特征数据集，确定事件级表征，包括：根据所述第一特征数据集，确定交易事件图；以及利用所述交易事件图进行表征学习，得到所述事件级表征。6.根据权利要求5所述的方法，其中，所述第一特征数据集包括：多个交易事件的资产概况特征和时间特征。7.根据权利要求6所述的方法，其中，所述根据所述第一特征数据集，确定交易事件图，包括：根据所述多个交易事件的资产概况特征和时间特征，确定所述多个交易事件中与预测目标相关的第一交易事件；以及根据所述第一交易事件的资产概况特征和时间特征，确定所述交易事件图。8.根据权利要求1所述的方法，其中，所述根据第二特征数据集，确定第一地域内表征，包括：根据所述第二特征数据集，确定第一地域图；以及
利用所述第一地域图进行表征学习，得到所述第一地域内表征。9.根据权利要求8所述的方法，其中，所述第二特征数据集包括：多个交易事件的资产概况特征、时间特征和地域特征。10.根据权利要求9所述的方法，其中，所述根据所述第二特征数据集，确定第一地域图，包括：根据所述多个交易事件的地域特征，将所述多个交易事件分为多个交易事件集合；针对多个交易事件集合中的每个交易事件集合，确定所述交易事件集合中与预测目标相关的第二交易事件；以及根据所述第二交易事件的资产概况特征、时间特征和地域特征，确定所述第一地域图。11.根据权利要求1所述的方法，其中，所述根据所述事件级表征，针对第一模型进行多任务学习，得到第一价格分布数据，包括：根据所述事件级表征所对应的区域，将所述事件级表征分成多个表征集合；以及分别根据所述多个表征集合中的每个表征集合，执行针对第一模型的学习任务，得到所述第一价格分布数据，其中，所述多个表征集合所对应的学习任务之间共享至少部分模型参数。12.一种训练模型的方法，包括：接收来自客户端的加噪地域内表征；根据第三特征数据集合和所述加噪地域内表征，确定地域级表征；根据所述加噪地域内表征和所述地域级表征，针对第二模型进行多任务学习，得到第二价格分布数据；将所述第二价格分布数据发送至中央服务器；以及响应于接收到来自所述中央服务器的加噪参数梯度，根据所述加噪参数梯度，调整所述第二模型的参数。13.根据权利要求12所述的方法，其中，所述根据第三特征数据集合和所述加噪地域内表征，确定地域级表征，包括：根据所述第三特征数据集和所述加噪地域内表征，确定第二地域图；以及利用所述第二地域图进行表征学习，得到所述第二地域内表征；以及根据所述第二社内级表征和所述加噪地域内表征，确定所述地域级表征。14.根据权利要求13所述的方法，其中，所述根据所述第三特征数据集和所述加噪地域内表征，确定第二地域图，包括：根据所述第三特征数据集和所述加噪地域内表征所对应的地域，将所述第三特征数据集和所述加噪地域内表征分为多个地域特征集合；针对多...

【专利技术属性】
技术研发人员：刘吉，余孙婕，张维嘉，刘浩，祝恒书，窦德景，熊辉，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：