基于纵向联邦学习的信用分析方法和装置制造方法及图纸

本公开提供了基于纵向联邦学习的信用分析方法和装置，涉及人工智能领域，包括：响应于携带有待分析对象信息的信用分析请求，对待分析对象信息进行行为特征匹配；并将待分析对象信息发送至数据协助端；对待分析对象信息相匹配的第一行为特征值进行特征分箱查询；对第一行为特征值所属的第一特征分箱进行证据权重查询；调用信用分类模型对第一证据权重值进行信用分类处理；接收数据协助端反馈的加密的第二信用分类信息，并对加密的第二信用分类信息进行解密处理；调用预设信用分析模型对第一信用分类信息和第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。本公开能够有效提高信用分析结果的可靠性。公开能够有效提高信用分析结果的可靠性。公开能够有效提高信用分析结果的可靠性。

【技术实现步骤摘要】
基于纵向联邦学习的信用分析方法和装置


[0001]本公开涉及人工智能领域，尤其涉及基于纵向联邦学习的信用分析方法和装置。

技术介绍

[0002]联邦学习指的是多个数据拥有方在原始数据不出本地的情况下也可进行模型训练并得到最终模型的计算过程，并且保证模型效果与聚合训练效果的差距足够小；根据数据分布情况，可以把联邦学习分为横向联邦学习、纵向联邦学习以及联邦迁移学习。
[0003]纵向联邦学习在信用分析等金融业务领域中具有广阔的应用前景，在纵向联邦学习场景下，同一样本的不同特征分属于不同的训练参与者，并且样本标签与特征也是处于分离的状态。现有技术中，信用分析方案在构建信用分析模型时，对具有样本标签的参与者进行了特征转换，但对于不具有样本标签的参与者，仍然采用其原始的特征数据进行模型训练，极大影响了模型的稳定性和可扩展性，进而影响信用分析可靠性。因此，需要提供一种改进的信用分析方案，以解决上述现有技术中存在的问题。

技术实现思路

[0004]本公开提供了基于纵向联邦学习的信用分析方法、装置、系统和存储介质，可以在纵向联邦学习的场景下，避免标签数据泄漏，提高了各节点数据的安全性和模型的稳定性。
[0005]一方面，基于纵向联邦学习的信用分析方法，应用于信用分析端，所述方法包括：
[0006]响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；并将所述待分析对象信息发送至数据协助端，以由所述数据协助端对所述待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理；
[0007]对所述待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定所述第一行为特征值所属的第一特征分箱；
[0008]对所述第一行为特征值所属的第一特征分箱进行证据权重查询，以得到所述第一行为特征值所属的第一特征分箱的第一证据权重值；
[0009]调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；
[0010]接收所述数据协助端反馈的加密的第二信用分类信息，并对所述加密的第二信用分类信息进行解密处理；
[0011]调用预设信用分析模型对所述第一信用分类信息和解密的所述第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。
[0012]另一方面，本公开提供基于纵向联邦学习的信用分析方法，应用于数据协助端，所述方法包括：
[0013]响应于信用分析端发送的待分析对象信息，对所述待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；
[0014]对所述待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定所述第二行为特征值所属的第二特征分箱；
[0015]对所述第二行为特征所属的第二特征分箱进行证据权重查询，以得到所述第二行为特征所属的第二特征分箱的加密的第二证据权重值；
[0016]调用信用分类模型对所述所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息；
[0017]将所述加密的第二信用分类信息发送至所述信用分析端，以由所述信用分析端根据所述加密的第二信用分类信息和第一信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。
[0018]另一方面，本公开提供基于纵向联邦学习的信用分析装置，应用于信用分析端，所述装置包括：
[0019]第一特征匹配模块：用于响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；
[0020]第一特征分箱查询模块：用于对所述待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定所述第一行为特征值所属的第一特征分箱；
[0021]第一证据权重值查询模块：用于对所述第一行为特征值所属的第一特征分箱进行证据权重查询，以得到所述第一行为特征值所属的第一特征分箱的第一证据权重值；
[0022]第一分类模块：用于调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；
[0023]对象信息发送模块：用于将所述待分析对象信息发送至数据协助端，以由所述数据协助端对所述待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理；
[0024]解密模块：用于接收所述数据协助端反馈的加密的第二信用分类信息，并对所述加密的第二信用分类信息进行解密处理；
[0025]分析结果生成模块：用于调用预设信用分析模型对所述第一信用分类信息和所述解密的所述第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。
[0026]另一方面，本公开提供基于纵向联邦学习的信用分析装置，应用于数据协助端，所述装置包括：
[0027]第二特征匹配模块：用于响应于信用分析端发送的待分析对象信息，对所述待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；
[0028]第二特征分箱查询模块：用于对所述待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定所述第二行为特征值所属的第二特征分箱；
[0029]第二证据权重值查询模块：用于对所述第二行为特征所属的第二特征分箱进行证据权重查询，以得到所述第二行为特征所属的第二特征分箱的加密的第二证据权重值；
[0030]第二分类模块：用于调用信用分类模型对所述所属的第二特征分箱的加密的第二证据权重值进行信用分类处理，得到加密的第二信用分类信息；
[0031]分类信息发送模块：用于将所述加密的第二信用分类信息发送至所述信用分析端，以由所述信用分析端根据所述加密的第二信用分类信息和第一信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。
[0032]另一方面，本公开提供基于纵向联邦学习的信用分析系统，所述系统包括信用分析端和数据协助端：
[0033]所述信用分析端用于响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；并将所述待分析对象信息发送至数据协助端；对所述待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定所述第一行为特征值所属的第一特征分箱；对所述第一行为特征值所属的第一特征分箱进行证据权重查询，以得到所述第一行为特征值所属的第一特征分箱的第一证据权重值；调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；
[0034]所述数据协助端用于响应于所述信用分析端发送的待分析对象信息，对所述待分析对象信息进行行为特征匹配，得到相匹配的第二行为特征值；对所述待分析对象信息相匹配的第二行为特征值进行特征分箱查询，以确定所述第二行为特征值所属的第二特征分箱；对所述第二行为特征所属的第二特征分箱进行证据权重查询，以得到所述第二行为特征所属的第二特征分箱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于纵向联邦学习的信用分析方法，应用于信用分析端，其特征在于，所述方法包括：响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值；并将所述待分析对象信息发送至数据协助端，以由所述数据协助端对所述待分析对象信息进行行为特征匹配、特征分箱查询、证据权重查询以及信用分类处理；对所述待分析对象信息相匹配的第一行为特征值进行特征分箱查询，以确定所述第一行为特征值所属的第一特征分箱；对所述第一行为特征值所属的第一特征分箱进行证据权重查询，以得到所述第一行为特征值所属的第一特征分箱的第一证据权重值；调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息；接收所述数据协助端反馈的加密的第二信用分类信息，并对所述加密的第二信用分类信息进行解密处理；调用预设信用分析模型对所述第一信用分类信息和解密的第二信用分类信息进行信用分析计算处理，得到待分析对象的信用分析结果。2.根据权利要求1所述的方法，其特征在于，在所述响应于终端发送的携带有待分析对象信息的信用分析请求，对所述待分析对象信息进行行为特征匹配，得到相匹配的第一行为特征值之前，所述方法还包括：基于分类标签数据对第一样本行为特征数据进行证据权重特征转换，得到各第一特征分箱对应的第一权重特征数据；调用预设加密算法对所述分类标签数据进行标签加密处理，得到加密的分类标签数据；将所述加密的分类标签数据发送至所述数据协助端，以由所述数据协助端进行加密证据权重特征转换，得到各第二特征分箱对应的加密的第二权重特征数据。3.根据权利要求2所述的方法，其特征在于，所述第一样本行为特征数据包括待分析对象的第一行为特征值，在基于所述分类标签数据对所述第一样本行为特征数据进行证据权重特征转换，得到各第一特征分箱对应的第一权重特征数据之前，所述方法还包括：根据第一分箱规则和所述第一样本行为特征数据对待分析对象集进行特征拆分，得到多个第一特征分箱和各第一特征分箱各自对应的第一分箱标识；相应的，基于所述分类标签数据对所述第一样本行为特征数据进行证据权重特征转换，得到第一权重特征数据包括：根据所述分类标签数据对各第一特征分箱进行证据权重计算，得到所述各第一特征分箱各自对应的第一证据权重值；将第一特征分箱中的待分析对象的第一行为特征值转换为对应的第一证据权重值；基于所述各第一特征分箱各自对应的第一证据权重值和第一分箱标识生成所述第一权重特征数据。4.根据权利要求2所述的方法，其特征在于，所述将所述加密的分类标签数据发送至所述数据协助端，以由所述数据协助端进行加密证据权重特征转换，得到各第二特征分箱对
应的加密的第二权重特征数据包括：接收所述数据协助端反馈的、根据所述加密的分类标签数据生成的各第二特征分箱各自的加密标签加和信息；调用所述预设加密算法对各加密标签加和信息进行标签加和解密处理，得到所述各第二特征分箱各自的标签加和信息；根据标签加和信息对对应的第二特征分箱进行证据权重计算，得到所述各第二特征分箱各自对应的第二证据权重值；调用所述预设加密算法对第二证据权重值进行权重加密处理，得到各第二特征分箱各自对应的加密的第二证据权重值；将所述各自对应的加密的第二证据权重值发送至所述数据协助端；以由所述数据协助端根据所述各自对应的加密的第二证据权重值进行所述各第二特征分箱的加密证据权重特征转换，得到所述加密的第二权重特征数据。5.根据权利要求2
‑
4中任一项所述的方法，其特征在于，在所述调用信用分类模型对所述所属的第一特征分箱的第一证据权重值进行信用分类处理，得到第一信用分类信息之前，所述方法还包括：调用待训练的分类模型对所述第一权重特征数据进行信用分类处理，得到第一样本分类特征信息；接收所述数据协助端反馈的、通过调用所述待训练的分类模型对所述加密的第二权重特征数据进行加密信...

【专利技术属性】
技术研发人员：刘站奇，陈程，叶俊棋，王世川，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：