一种信誉评估方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种信誉评估方法，包括：根据发起方数据集确定发起方数据特征；根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；通过发起方设备对发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至合作方设备；从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵；通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，以训练联邦学习模型，确定信誉评估模型。提高了对联邦学习模型的模型训练效率。训练效率。训练效率。

【技术实现步骤摘要】
一种信誉评估方法、装置、设备和存储介质


[0001]本专利技术实施例涉及联邦建模领域，尤其涉及一种信誉评估方法、装置、设备和存储介质。

技术介绍

[0002]纵向联邦学习往往用以解决纵向联邦学习的参与方中一方数据维度过少，仅用一方数据无法较好地实现建模目标的问题，因此纵向联邦学习多用于不同行业之间的联合建模。训练联邦学习模型时，数据发起方的发起方数据集和数据合作方的合作方数据集存在交集，即发起方数据集和合作方数据集存在相同的样本空间以及不同的特征空间，直接通过发起方数据集和合作方数据集训练联邦学习模型，会导致联邦学习模型的模型训练数据之间存在一定的相关性，使得模型训练效率低，同时无法保证发起方数据集和合作方数据集在数据传输过程中的安全性。因此，如何去除发起方数据集和合作方数据集之间相关性较大的特征数据，提升对联邦学习模型的模型训练效率和模型预测精确度，保证发起方数据集和合作方数据集不泄露，并实现联合建模，在联合建模过程中的数据安全性，是需要解决的问题。

技术实现思路

[0003]本专利技术提供了一种信誉评估方法、装置、设备和存储介质，可以提升对联邦学习模型的模型训练效率和模型预测精确度，保证发起方数据集和合作方数据集在联合建模过程中的安全性。
[0004]根据本专利技术的一方面，提供了一种信誉评估方法，包括：
[0005]获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据所述发起方数据集确定发起方数据特征；
[0006]根据所述数据发起方的安全随机数对所述发起方数据集进行线性变换，确定线性数据集；
[0007]通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵；所述密文相关系数矩阵通过所述合作方设备，根据所述线性数据集、所述合作方数据集和所述加密发起方方差和期望数据确定；
[0008]通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数；
[0009]根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；所述信誉评估模型用于评估客户的信誉度。
[0010]根据本专利技术的另一方面，提供了一种信誉评估装置，该装置包括：
[0011]发起方数据确定模块，用于获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据所述发起方数据集确定发起方数据特征；
[0012]线性数据集确定模块，用于根据所述数据发起方的安全随机数对所述发起方数据集进行线性变换，确定线性数据集；
[0013]相关系数矩阵确定模块，用于通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵；所述密文相关系数矩阵通过所述合作方设备，根据所述线性数据集、所述合作方数据集和所述加密发起方方差和期望数据确定；
[0014]数据相关系数确定模块，用于通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数；
[0015]信誉评估模型确定模块，用于根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；所述信誉评估模型用于评估客户的信誉度。
[0016]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0017]至少一个处理器；以及
[0018]与所述至少一个处理器通信连接的存储器；其中，
[0019]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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专利技术任一实施例所述的信誉评估方法。
[0020]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的信誉评估方法。
[0021]本专利技术实施例的技术方案，获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据发起方数据集确定发起方数据特征；根据数据发起方的安全随机数对发起方数据集进行线性变换，确定线性数据集；通过数据发起方的发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，并将线性数据集和加密发起方方差和期望数据发送至数据合作方的合作方设备；以及，从合作方设备获取数据发起方和数据合作方之间的密文相关系数矩阵；通过发起方设备对密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据联邦相关系数矩阵确定数据相关系数；根据数据相关系数从发起方数据集和合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；信誉评估模型用于评估客户的信誉度。上述方案，提出了一种去中心化的基于安全随机数进行联邦相关性分析的方法，解决了在通过纵向联邦学习中数据发起方和的发起方数据集和数据合作方的合作方数据集对联邦学习模型进行训练，构建信誉评估模型时，发起方数据集中的用户数据和合作方数据集中的用户数据可能存在交集，因此发起方数据集和合作方数据集之间可能具有较强的关联性，导致在对联邦学习模型进行训练时，存在模型训练效率低，且信誉评估模型在对客户的信誉度进行评估预测时，预测结果的准确度较低的问题。对数据发起方的发起方数据集进行线性变换，确定线性数据集，并
通过发起方设备对发起方数据特征进行加密处理，确定加密发起方方差和期望数据，且将线性数据集和加密发起方方差和期望数据发送至合作方设备，可以在数据传输过程中保护数据发起方的数据安全。从合作方设备获取数据发起方和数据合作方之间的密文关系系数矩阵，根据密文关系系数矩阵确定联邦相关系数矩阵，并进一步根据联邦相关系数矩阵确定数据相关系数，以根据数据相关系数从发起方数据集和合作方数据集中筛选出相关性较低的用户数据作为联邦学习模型的模型训练数据，可以避免模型训练数据之间具有强关联性，提高了对联邦学习模型的模型训练效率，同时提高了信誉评估模型的可靠性，提高了信誉评估模型对客户的信誉度进行评估预测的预测精确度。
[0022]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术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
[0023]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信誉评估方法，其特征在于，包括：获取数据发起方的发起方数据集，以及数据合作方的合作方数据集，并根据所述发起方数据集确定发起方数据特征；根据所述数据发起方的安全随机数对所述发起方数据集进行线性变换，确定线性数据集；通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵；所述密文相关系数矩阵通过所述合作方设备，根据所述线性数据集、所述合作方数据集和所述加密发起方方差和期望数据确定；通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数；根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型；所述信誉评估模型用于评估客户的信誉度。2.根据权利要求1所述的方法，其特征在于，通过所述数据发起方的发起方设备对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，并将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备；以及，从所述合作方设备获取所述数据发起方和所述数据合作方之间的密文相关系数矩阵，包括：通过所述数据发起方的发起方设备获密钥对，通过所述密钥对中的公钥对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据；将所述线性数据集和所述加密发起方方差和期望数据发送至所述数据合作方的合作方设备，并通过所述合作方设备，对所述合作方数据集进行标准化处理，以通过所述合作方设备根据所述线性数据集、所述加密发起方方差和期望数据和标准化处理后的合作方数据集确定所述数据发起方和所述数据合作方之间的密文相关系数矩阵。3.根据权利要求2所述的方法，其特征在于，通过所述数据发起方的发起方设备获密钥对，通过所述密钥对中的公钥对所述发起方数据特征方差和期望进行加密处理，确定加密发起方方差和期望数据，包括：确定所述发起方数据特征的特征期望数据和标准差数据，并确定所述标准差数据的标准差倒数；通过所述数据发起方的发起方设备获取密钥对，并通过所述密钥对中的公钥对所述特征期望数据和所述标准差倒数进行加密，确定加密期望数据和加密标准差，且将所述加密期望数据和加密标准差作为加密发起方方差和期望数据。4.根据权利要求1所述的方法，其特征在于，通过所述发起方设备对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵，并根据所述联邦相关系数矩阵确定数据相关系数，包括：通过所述发起方设备，采用密钥对中的私钥对所述密文相关系数矩阵进行解密，确定联邦相关系数矩阵；
根据所述联邦相关系数矩阵，确定所述数据发起方和所述数据合作方之间的数据相关系数矩阵，并根据所述数据相关系数矩阵确定所述数据发起方和所述数据合作方之间的数据相关系数。5.根据权利要求1所述的方法，其特征在于，根据所述数据相关系数从所述发起方数据集和所述合作方数据集中确定模型训练数据，并采用模型训练数据训练联邦学习模型，确定信誉评估模型，包括：根据所述...

【专利技术属性】
技术研发人员：孙银银，兰春嘉，
申请(专利权)人：上海零数众合信息科技有限公司，
类型：发明
国别省市：