一种基于联邦学习框架的公共信用评价方法技术

本发明专利技术提供一种基于联邦学习框架的公共信用评价方法，涉及信用评价技术领域。该基于联邦学习框架的公共信用评价方法，包括如下具体步骤：S1、针对公共信用评价指标体系确定特征指标初始参数和权重；S2、将联邦学习初始模型下发到公共信用数据拥有方，简称简称子模型方；S3、子模型方在自己服务器部署联邦学习初始模型，结合自己数据开始进行训练；S4、子模型方训练结束后，提交自己训练后模型修订相应指标参数和权重，并提供自己的指标特征项数和数据数量；S5、主模型方根据子模型方提供的指标特征项，响应指标权重，利用熵权系数法进行综合权重计算。本发明专利技术有效的解决数据孤岛现象，指标体系数据利用充分且信用评价准确性高。指标体系数据利用充分且信用评价准确性高。指标体系数据利用充分且信用评价准确性高。

【技术实现步骤摘要】
一种基于联邦学习框架的公共信用评价方法


[0001]本专利技术涉及信用评价
，具体为一种基于联邦学习框架的公共信用评价方法。

技术介绍

[0002]随着社会经济的快速发展，信用社会理念越来越普及，政务诚信评价、公共信用评价、企业信用评价和个人信用评价等信用评价也日益得到重视。其中公共信用评价是基于公共信用信息进行的自然人、企业、社会团队、事业单位和政府机关的信用评价，其特点是评价指标体系建立在公共信用信息数据基础上。这些数据分散在政府、部分社会团队和一些公益机构等数据存储方，而且有部分数据具有较强的隐私性，这样在信用评价的时候，数据就不容易进行采集和使用，部分机构担心会造成数据隐私泄露，也不愿意进行共享，这就形成了数据孤岛现象，造成公共信用评价无法实施的问题。

技术实现思路

[0003](一)解决的技术问题
[0004]针对现有技术的不足，本专利技术提供了一种基于联邦学习框架的公共信用评价方法，解决了数据孤岛现象导致信用评价无法实施的问题。
[0005](二)技术方案
[0006]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于联邦学习框架的公共信用评价方法，包括如下具体步骤：
[0007]S1、针对公共信用评价指标体系确定特征指标初始参数和权重；
[0008]S2、将联邦学习初始模型下发到公共信用数据拥有方，简称简称子模型方；
[0009]S3、子模型方在自己服务器部署联邦学习初始模型，结合自己数据开始进行训练；
[0010]S4、子模型方训练结束后，提交自己训练后模型修订相应指标参数和权重，并提供自己的指标特征项数和数据数量；
[0011]S5、主模型方根据子模型方提供的指标特征项，响应指标权重，利用熵权系数法进行综合权重计算，重新修订公共信用评价指标体系确定特征指标权重，并重新对指标体系进行评估，达到标准后作为正式指标权重，下发到子模型方。
[0012]S6、子模型方收到正式指标权重后，修改其部署模型的相关参数，在正式进行评价的时候，主模型方根据具体待评价对象后，会通知子模型方按照正式部署的评价指标权重反馈待评价对象的具体评价分值；主模型方收到分值后，进行综合计算，给予待评价对象综合评分值，并确定评价等级。
[0013]优选的，步骤S1具体包括以下步骤：
[0014]S11、主模型方针对公共信用信息目录，构建公共信用评价指标体系；
[0015]S12、主模型方在构建公共信用评价指标体系基础上，设计评价指标体系训练学习模型；
[0016]S13、针对训练学习模型，结合自己所拥有数据，主模型方利用层次分析法和模糊综合评判法，以组合评价方式进行训练学习，得到评价指标初始权重值。
[0017]优选的，步骤S2具体包括以下步骤：
[0018]S21、主模型方采用分布式模型向子模型方提供可部署的训练学习模型和初始参数；
[0019]S22、主模型方向子模型方提供评价指标体系和评价指标初始权重值。
[0020]优选的，步骤S3具体包括以下步骤：
[0021]S31、子模型方针对部署在自己这一方的联合训练学习模型，设置主模型方提供的初始指标体系规则及权重；
[0022]S32、子模型方利用联合分布训练学习模型，结合自己所有数据，进行模型参数和指标权重优化训练学习；
[0023]S33、当训练学习损失函数降低到0.05％以内，子模型方训练学习结束；
[0024]S34、如果训练学习损失函数未降低到0.05％以内，但是学习训练次数超过10000次，子模型方训练学习也需要结束；
[0025]S35、子模型方保存训练学习后的模型参数和指标权重。
[0026]优选的，步骤S4具体包括以下步骤：
[0027]S41、子模型方向主模型方提供模型参数和评价指标的权重；
[0028]S42、子模型方向主模型方提供自己的指标特征项数和数据数量。
[0029]优选的，步骤S5具体包括以下步骤：
[0030]S51、主模型方以每个子模型方的模型参数和评价指标的权重，以及每个子模型方法的指标特征项数和数据数量做为一个向量组，形成向量组集合；
[0031]S52、主模型方利用熵权系数法对每个子模型方的向量组，进行综合评价计算，得到每个子模型方参数和指标权重在整个模型中的权重分配值；
[0032]S53、主模型方在上述子模型方在模型中权重结果基础上，得到模型参数和每个指标新的权重值；
[0033]S54、主模型方同时得到在每个评价指标中所有子模型方的具体贡献值；
[0034]S55、主模型方根据新优化后模型参数和评价指标权重，利用测试集进行测试评估；
[0035]S56、当评估误差小于5％以内，可视为公共信用评级模型参数和指标权重满足精度要求，可以作为正式模型参数和指标权重下发到每个子模型方；
[0036]S57、如果评估误差超过5％，则以目前优化后模型参数和指标权重继续下发子模型方，让子模型方继续采用S2和S3步骤训练，并提供训练后新的模型参数和指标权重，主模型方重复S4的步骤进行优化评估。
[0037]优选的，步骤S6具体包括以下步骤：
[0038]S61、子模型方收到主模型方提供的正式模型参数和评价指标的权重，对正式部署模型进行修订；
[0039]S62、在正式进行评价的时候，主模型方根据具体待评价对象后，会通知子模型方待评价对象的基本信息，评级对象名称和不含隐私的共有数据ID；
[0040]S63、子模型方通过待评价对象的基本信息，查询相关数据后，根据评级模型和指
标权重，结合自己所拥有数据，计算综合得分值；
[0041]S64、主模型方收到各个子模型方的评级分值后，根据S54所计算的每个子模型方具体贡献值，利用熵权系数法计算待评价对象的综合评价分值；
[0042]S65、主模型方结合综合评价分值给予待评价对象的评价等级。
[0043](三)有益效果
[0044]本专利技术提供了一种基于联邦学习框架的公共信用评价方法。具备以下有益效果：
[0045]1、解决数据孤岛现象：让每个公共信用数据方可以在自己数据环境内进行评价计算，使用数据无需向外部共享。
[0046]2、指标体系数据利用充分：与之前数据共享的评价方法相比，由于每个数据方的数据无需共享，可以充分利用每个数据方的特征数据，最大程度可以发挥指标体系的作用。
[0047]3、信用评价准确性高：由于解决了数据隐私保护问题，可以最大程度充分利用每个数据方的数据，包括一些高度隐私性的数据，这样可以充分考察待评价对象的数据信息，促使公共信用评价方向更广泛，评价准确性也更高。
附图说明
[0048]图1为本专利技术的一种基于联邦学习框架的公共信用评价方法的流程图；
[0049]图2为子模型方评价模型训练学习流程图；
[0050]图3为主模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习框架的公共信用评价方法，其特征在于，包括如下具体步骤：S1、针对公共信用评价指标体系确定特征指标初始参数和权重；S2、将联邦学习初始模型下发到公共信用数据拥有方，简称简称子模型方；S3、子模型方在自己服务器部署联邦学习初始模型，结合自己数据开始进行训练；S4、子模型方训练结束后，提交自己训练后模型修订相应指标参数和权重，并提供自己的指标特征项数和数据数量；S5、主模型方根据子模型方提供的指标特征项，响应指标权重，利用熵权系数法进行综合权重计算，重新修订公共信用评价指标体系确定特征指标权重，并重新对指标体系进行评估，达到标准后作为正式指标权重，下发到子模型方；S6、子模型方收到正式指标权重后，修改其部署模型的相关参数，在正式进行评价的时候，主模型方根据具体待评价对象后，会通知子模型方按照正式部署的评价指标权重反馈待评价对象的具体评价分值；主模型方收到分值后，进行综合计算，给予待评价对象综合评分值，并确定评价等级。2.根据权利要求1所述的一种基于联邦学习框架的公共信用评价方法，其特征在于，步骤S1具体包括以下步骤：S11、主模型方针对公共信用信息目录，构建公共信用评价指标体系；S12、主模型方在构建公共信用评价指标体系基础上，设计评价指标体系训练学习模型；S13、针对训练学习模型，结合自己所拥有数据，主模型方利用层次分析法和模糊综合评判法，以组合评价方式进行训练学习，得到评价指标初始权重值。3.根据权利要求1所述的一种基于联邦学习框架的公共信用评价方法，其特征在于，步骤S2具体包括以下步骤：S21、主模型方采用分布式模型向子模型方提供可部署的训练学习模型和初始参数；S22、主模型方向子模型方提供评价指标体系和评价指标初始权重值。4.根据权利要求1所述的一种基于联邦学习框架的公共信用评价方法，其特征在于，步骤S3具体包括以下步骤：S31、子模型方针对部署在自己这一方的联合训练学习模型，设置主模型方提供的初始指标体系规则及权重；S32、子模型方利用联合分布训练学习模型，结合自己所有数据，进行模型参数和指标权重优化训练学习；S33、当训练学习损失函数降低到0.05％以内，子模型方训练学习结束；S34、如果训练学习损失函数未降低到0.05％以内，但是学习训...

【专利技术属性】
技术研发人员：杨玉东，任昊，刘占柱，
申请(专利权)人：首信通联北京数据技术有限公司，
类型：发明
国别省市：