用户属性预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请公开了一种用户属性预测方法、装置、计算机设备和存储介质，该方法包括：获取待预测用户在第一用户特征维度上的第一用户特征和第一子模型，根据第一用户特征和第一子模型生成第一数据预测参数；基于私域传输通道接收第二参与设备根据第二数据预测参数所生成的数据预测随机数；第二数据预测参数是由第二参与设备根据待预测用户在第二用户特征维度上的第二用户特征和第二子模型的模型参数所生成；对第一数据预测参数和数据预测随机数进行模型预测参数合成处理，以得到针对目标模型的模型预测参数；目标模型由第一子模型和第二子模型构成；根据模型预测参数预测并输出待预测用户的用户属性。采用本申请，可提高针对用户属性的预测效率。户属性的预测效率。户属性的预测效率。

【技术实现步骤摘要】
用户属性预测方法、装置、计算机设备和存储介质


[0001]本申请涉及数据处理的
，尤其涉及一种用户属性预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]人工智能中的机器学习可用于研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能。机器学习已经渗入到了日常生活中的片片面面，例如可以通过机器学习训练模型，进而可以将训练得到的模型应用在目标识别或者兴趣推荐的场景中。
[0003]在某些情况下，企业a可以拥有用户的一部分用户特征，企业b可以拥有用户的另一部分用户特征，而通过训练得到的模型对用户进行预测(例如兴趣预测)时，又需要同时用到企业a的用户特征以及企业b的用户特征。因此，现有技术中，通常是通过引入一个可信任的第三方节点，该第三方节点可以负责对企业a与企业b之间相互发送的用户特征进行秘密转发，秘密转发时还会通过用户特征所属企业的公私钥对用户特征进行加密，因此，第三方节点还负责对企业a和企业b的公私钥进行分发，以实现对企业a和企业b的用户特征的成功转发。
[0004]由此可见，现有技术中，通过引入第三方节点实现采用不同企业的用户特征共同对用户进行预测时，其预测过程中数据交互复杂，导致对用户的预测效率低。

技术实现思路

[0005]本申请提供了一种用户属性预测方法、装置、计算机设备和存储介质，可提高针对用户属性的预测效率。
[0006]本申请一方面提供了一种用户属性预测方法，该方法由第一参与设备执行，该方法包括：
[0007]获取待预测用户在第一用户特征维度上的第一用户特征以及具有第一用户特征维度所属的模型参数的第一子模型，根据第一用户特征和第一子模型生成针对待预测用户的第一数据预测参数；
[0008]基于私域传输通道接收第二参与设备根据第二数据预测参数所生成的数据预测随机数；其中，第二数据预测参数是由第二参与设备根据待预测用户在第二用户特征维度上的第二用户特征以及具有第二用户特征维度所属的模型参数的第二子模型所生成；
[0009]对第一数据预测参数和数据预测随机数进行模型预测参数合成处理，以得到用于预测用户属性的目标模型的模型预测参数；目标模型由第一子模型和第二子模型构成；
[0010]根据模型预测参数预测并输出待预测用户的用户属性。
[0011]本申请一方面提供了一种用户属性预测装置，该装置可应用于第一参与设备，包括：
[0012]参数生成模块，用于获取待预测用户在第一用户特征维度上的第一用户特征以及具有第一用户特征维度所属的模型参数的第一子模型，根据第一用户特征和第一子模型生
成针对待预测用户的第一数据预测参数；
[0013]随机数获取模块，用于基于私域传输通道接收第二参与设备根据第二数据预测参数所生成的数据预测随机数；其中，第二数据预测参数是由第二参与设备根据待预测用户在第二用户特征维度上的第二用户特征以及具有第二用户特征维度所属的模型参数的第二子模型所生成；
[0014]模型参数确定模块，用于对第一数据预测参数和数据预测随机数进行模型预测参数合成处理，以得到用于预测用户属性的目标模型的模型预测参数；目标模型由第一子模型和第二子模型构成；
[0015]属性预测模块，用于根据模型预测参数预测并输出待预测用户的用户属性。
[0016]其中，数据预测随机数是由第二参与设备根据与第二数据预测参数相关联的参数运算类型以及秘密共享技术所指示的秘密共享协议所生成；
[0017]上述用户属性预测装置还用于：
[0018]基于秘密共享技术建立与第二参与设备之间的所述私域传输通道；
[0019]模型参数确定模块还用于：
[0020]当检测到通过私域传输通道获取到数据预测随机数时，根据与数据预测随机数相关联的参数运算类型和秘密共享协议对第一数据预测参数和数据预测随机数进行模型预测参数合成处理，得到模型预测随机数。
[0021]属性预测模块，包括：
[0022]属性参数计算单元，用于根据模型预测参数计算针对待预测用户的用户属性参数；
[0023]用户属性确定单元，用于将与用户属性参数相关联的用户属性确定为所预测的待预测用户的用户属性，输出所预测的待预测用户的用户属性。
[0024]其中，上述装置还包括：
[0025]模型随机数获取模块，用于基于所述私域传输通道接收第二参与设备根据针对目标样本用户的第二模型训练参数所生成的模型随机数；第二模型训练参数包括第二初始子模型的模型参数和目标样本用户在第二用户特征维度上的用户特征；
[0026]样本预测模块，用于根据模型随机数和第一参与设备所属的第一模型训练参数确定目标样本用户的预测用户属性；第一模型训练参数包括第一初始子模型的模型参数和目标样本用户在第一用户特征维度上的用户特征；
[0027]第一梯度确定模块，用于根据预测用户属性、目标样本用户的用户属性标签和第一参与设备所属的第一特征梯度参数确定第一模型梯度；
[0028]第二梯度获取模块，用于获取第二参与设备所属的第二特征梯度参数，根据预测用户属性、用户属性标签和第二特征梯度参数确定第二模型梯度；
[0029]参数修正模块，用于基于第一模型梯度修正第一初始子模型的模型参数，得到第一子模型，将第二模型梯度发送给第二参与设备，以使第二参与设备基于第二模型梯度修正第二初始子模型的模型参数，得到第二子模型。
[0030]其中，第一参与设备与第二参与设备之间的私域传输通道是基于秘密共享技术所建立；第一初始子模型和第二初始子模型用于构成初始模型；
[0031]样本预测模块，包括：
[0032]模型参数恢复单元，用于当检测到通过私域传输通道获取到所述模型随机数时，根据与第二模型训练参数相关联的参数运算类型、秘密共享技术所指示的秘密共享协议、模型随机数和第二模型训练参数，恢复初始模型的初始模型训练参数；
[0033]样本预测单元，用于根据初始模型训练参数确定目标样本用户的预测用户属性。
[0034]其中，第一梯度确定模块，包括：
[0035]第一递进参数确定单元，用于根据预测用户属性和用户属性标签确定递进梯度参数；
[0036]第一梯度确定单元，用于将递进梯度参数与第一特征梯度参数的乘积确定为第一模型梯度。
[0037]其中，第二梯度获取模块，用于：
[0038]获取第二参与设备对第二特征梯度参数进行同态加密后的同态梯度参数；
[0039]第二梯度获取模块，包括：
[0040]第二递进参数确定单元，用于根据预测用户属性和用户属性标签确定递进梯度参数；
[0041]第二梯度确定单元，用于将递进梯度参数与同态梯度参数的乘积确定为同态加密后的第二模型梯度。
[0042]其中，参数修正模块，用于：
[0043]将同态加密后的第二模型梯度发送给第二参与设备，以使第二参与设备对同态加密后的第二模型梯度进行解密，得到目标模型梯度；第二参与设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户属性预测方法，其特征在于，所述方法由第一参与设备执行，所述方法包括：获取待预测用户在第一用户特征维度上的第一用户特征以及具有所述第一用户特征维度所属的模型参数的第一子模型，根据所述第一用户特征和所述第一子模型生成针对所述待预测用户的第一数据预测参数；基于私域传输通道接收第二参与设备根据第二数据预测参数所生成的数据预测随机数；其中，所述第二数据预测参数是由所述第二参与设备根据所述待预测用户在第二用户特征维度上的第二用户特征以及具有所述第二用户特征维度所属的模型参数的第二子模型所生成；对所述第一数据预测参数和所述数据预测随机数进行模型预测参数合成处理，以得到用于预测用户属性的目标模型的模型预测参数；所述目标模型由所述第一子模型和所述第二子模型构成；根据所述模型预测参数预测并输出所述待预测用户的用户属性。2.根据权利要求1所述的方法，其特征在于，所述数据预测随机数是由所述所述第二参与设备根据与所述第二数据预测参数相关联的参数运算类型以及秘密共享技术所指示的秘密共享协议所生成；所述基于私域传输通道接收第二参与设备根据第二数据预测参数所生成的数据预测随机数的步骤之前，还包括：基于所述秘密共享技术建立与所述第二参与设备之间的所述私域传输通道；所述对所述第一数据预测参数和所述数据预测随机数进行模型预测参数合成处理，以得到用于预测用户属性的目标模型的模型预测参数，包括：当检测到通过所述私域传输通道获取到所述数据预测随机数时，根据与所述数据预测随机数相关联的所述参数运算类型和所述秘密共享协议对所述第一数据预测参数和所述数据预测随机数进行模型预测参数合成处理，得到所述模型预测参数。3.根据权利要求1所述的方法，其特征在于，所述根据所述模型预测参数预测并输出所述待预测用户的用户属性，包括：根据所述模型预测参数计算针对所述待预测用户的用户属性参数；将与所述用户属性参数相关联的用户属性确定为所预测的所述待预测用户的用户属性，输出所预测的所述待预测用户的用户属性。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述私域传输通道接收第二参与设备根据针对目标样本用户的第二模型训练参数所生成的模型随机数；所述第二模型训练参数包括第二初始子模型的模型参数和所述目标样本用户在所述第二用户特征维度上的用户特征；根据所述模型随机数和所述第一参与设备所属的第一模型训练参数确定所述目标样本用户的预测用户属性；所述第一模型训练参数包括第一初始子模型的模型参数和所述目标样本用户在所述第一用户特征维度上的用户特征；根据所述预测用户属性、所述目标样本用户的用户属性标签和所述第一参与设备所属的第一特征梯度参数确定第一模型梯度；获取所述第二参与设备所属的第二特征梯度参数，根据所述预测用户属性、所述用户
属性标签和所述第二特征梯度参数确定第二模型梯度；基于所述第一模型梯度修正所述第一初始子模型的模型参数，得到所述第一子模型，将所述第二模型梯度发送给所述第二参与设备，以使所述第二参与设备基于所述第二模型梯度修正所述第二初始子模型的模型参数，得到所述第二子模型。5.根据权利要求4所述的方法，其特征在于，所述第一参与设备与所述第二参与设备之间的所述私域传输通道是基于秘密共享技术所建立；所述第一初始子模型和所述第二初始子模型用于构成初始模型；所述根据所述模型随机数和所述第一参与设备所属的第一模型训练参数确定所述目标样本用户的预测用户属性，包括：当检测到通过所述私域传输通道获取到所述模型随机数时，根据与所述第二模型训练参数相关联的参数运算类型、所述秘密共享技术所指示的秘密共享协议、所述模型随机数和所述第二模型训练参数恢复所述初始模型的初始模型训练参数；根据所述初始模型训练参数确定所述目标样本用户的所述预测用户属性。6.根据权利要求4所述的方法，其特征在于，所述根据所述预测用户属性、所述目标样本用户的用户属性标签和所述第一参与设备所属的第一特征梯度参数确定第一模型梯度，包括：根据所述预测用户属性和所述用户属性标签确定递进梯度参数；将所述递进梯度参数与所述第一特征梯度参数的乘积确定为所述第一模型梯度。7.根据权利要求4所述的方法，其特征在于，所述获取第二特征梯度参数，包括：获取所述第二参与设备对所述第二...

【专利技术属性】
技术研发人员：王畅，李皓，黄明凯，白琨，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：