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。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。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。速准确的为用户提供最恰当的服务策略。速准确的为用户提供最恰当的服务策略。
【技术实现步骤摘要】
基于联邦学习的用户服务策略确定方法、装置及电子设备
[0001]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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
[0005]在所述
技术介绍
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。
技术实现思路
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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。2.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。3.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。4.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。5.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。6.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。7.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...
【专利技术属性】
技术研发人员：王垚炜，沈赟，
申请(专利权)人：北京淇瑀信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。