[發明專利]模型訓練及獲取附加特征數據的方法、裝置、設備及介質

在審

• 申請號: 201910617687.6
• 申請日: 2019-07-10
• 公開（公告）號: CN110858326A
• 公開（公告）日: 2020-03-03
• 發明（設計）人: 李京;涂威威
• 申請（專利權）人: 第四范式（北京）技術有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F21/62
• 代理公司: 北京展翼知識產權代理事務所(特殊普通合伙) 11452
• 代理人: 王明遠

本發明提供了一種模型訓練及獲取附加特征數據的方法、裝置、設備及介質。獲取特征預測模型，特征預測模型基于源數據集訓練而成，特征預測模型用于基于源數據與目標數據之間的至少一部分共有特征，來預測源數據的至少一部分獨有特征；獲取目標數據集；針對目標數據集中的每條目標數據，將目標數據中的至少一部分共有特征輸入特征預測模型，以得到特征預測模型針對輸入的至少一部分共有特征所預測出的至少一部分獨有特征；將預測出的至少一部分獨有特征作為目標數據的附加特征數據。本發明以共有特征為跳板，通過模型遷移方式將源數據的獨有特征遷移到目標數據上，過程中源數據和目標數據未接觸，大大降低了源數據的泄露風險。

技術領域

本申請要求申請號為201810929755.8，申請日為2018年08月15日，名稱為“模型訓練及獲取附加特征數據的方法、裝置、設備及介質”的中國專利申請的優先權。本發明總體說來涉及數據科學領域，更具體地講，涉及一種模型訓練及獲取附加特征數據的方法、裝置、設備及介質。

背景技術

遷移學習(Transfer Learning)的目標是將從源數據獲取的知識遷移到目標數據中，從而提升目標數據的使用效果。

現有的遷移學習算法通常是以數據的流通為前提，在實施過程中需要將源數據拿到目標數據的環境中。由于遷移過程會接觸源數據，因此現有的遷移過程可能會導致源數據的隱私泄露，使得源數據的數據安全難以得到保證。所以很多數據的擁有者，如銀行、保險、醫療、金融和政府部門等，都不愿意開放自己的數據作為源數據，這大大阻礙了遷移學習技術的應用和發展。

因此，需要一種實現將源數據中的知識遷移到目標數據的同時，還能夠規避隱私泄露風險的方案。

發明內容

本發明的示例性實施例在于提供一種模型訓練及獲取附加特征數據的方法、裝置、設備及介質，以解決現有技術存在的上述問題。

根據本發明的第一個方面，提出了一種用于獲取附加特征數據的方法，包括：獲取特征預測模型，其中，特征預測模型基于源數據集訓練而成，用于基于源數據與目標數據之間的至少一部分共有特征，來預測源數據的至少一部分獨有特征；獲取目標數據集；針對目標數據集中的每條目標數據，將目標數據中的至少一部分共有特征輸入特征預測模型，以得到特征預測模型針對輸入的至少一部分共有特征所預測出的至少一部分獨有特征；將預測出的至少一部分獨有特征作為目標數據的附加特征數據。

可選地，獲取特征預測模型的步驟包括：從外部接收特征預測模型；或者，獲取特征預測模型的步驟包括：獲取源數據集，基于源數據集訓練特征預測模型。

可選地，獲取特征預測模型的步驟包括：獲取一個或多個特征預測模型，其中，每個特征預測模型的樣本特征為至少一部分共有特征之中對應的一個或多個共有特征，每個特征預測模型的樣本標記為至少一部分獨有特征之中對應的一個或多個獨有特征。

可選地，獲取特征預測模型的步驟包括：獲取一個或多個特征預測模型，每個特征預測模型用于預測所述至少一部分獨有特征之中對應的單個獨有特征，特征預測模型的樣本特征為至少一部分共有特征，特征預測模型的樣本標記為單個獨有特征。

可選地，獲取特征預測模型的步驟包括：獲取一個或多個特征預測模型，每個特征預測模型用于預測所述至少一部分獨有特征之中對應的至少兩個獨有特征，特征預測模型的樣本特征為至少一部分共有特征，特征預測模型的樣本標記為至少兩個獨有特征。

可選地，該方法還包括：從源數據的獨有特征中選取源數據的至少一部分獨有特征。

可選地，從源數據的獨有特征中選取源數據的至少一部分獨有特征的步驟包括：基于啟發式算法從源數據的獨有特征中選取部分獨有特征。

可選地，從源數據的獨有特征中選取源數據的至少一部分獨有特征的步驟包括：統計各個獨有特征的各個取值的概率；基于各個取值的概率，計算各個獨有特征的信息熵；以及基于信息熵，選取部分獨有特征。