[發明專利]標簽預測方法、裝置以及計算機可讀存儲介質

有效

• 申請號: 201911083212.X
• 申請日: 2019-11-07
• 公開（公告）號: CN110837653B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 吳玙;馬國強;張杰;范濤;魏文斌;陳天健;楊強
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06F21/60
• 分類號: G06F21/60;G06F21/62;G06N20/00;H04L9/40;G06Q40/02;G06Q40/06
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 王韜

本發明公開了一種標簽預測方法，包括如下步驟：需求方獲取需求方模型更新后的第一參數、需求方預測樣本的第一特征量和需求方預測樣本的第一曝光量；需求方基于第一參數、第一特征量和第一曝光量，確定需求方模型的第一預測值；需求方獲取提供方模型的第二預測值和泊松計算規則確定第二預測值；需求方基于第一預測值、第二預測值和泊松計算規則，確定需求方預測樣本的預測標簽量。本發明還公開了一種標簽預測裝置及計算機可讀存儲介質。本發明通過結合泊松回歸實現方案，訓練縱向聯邦學習模型中的需求方模型和提供方模型，可準確預測到需求方預測樣本對應的預測標簽量，解決了現有技術中無法預測精確的標簽數據的問題。

技術領域

本發明涉及金融科技(Fintech)技術領域，尤其涉及一種標簽預測方法、裝置以及計算機可讀存儲介質。

背景技術

隨著計算機技術的發展，越來越多的技術(大數據、分布式、區塊鏈Blockchain、人工智能等)應用在金融領域，傳統金融業正在逐步向金融科技(Fintech)轉變，但由于金融行業的安全性、實時性要求，也對技術提出了更高的要求。例如，聯邦學習是在金融領域的應用非常廣泛的一種技術，通過聯合不同的參與方進行機器學習的方法，保障大數據交換時的信息安全、保護終端數據和個人數據隱私、保證合法合規的前提下，在多參與方或多計算結點之間開展高效率的機器學習。聯邦學習中的縱向聯邦學習則是在兩個參與方的數據集的用戶重疊較多而用戶特征重疊較少的情況下，把兩個參與方的數據集按照縱向(即特征維度)切分，取出雙方用戶相同而用戶特征不完全相同的那部分數據進行訓練的方法。

現有技術中的縱向聯邦學習場景中，設定A方、B方和C方，合作方B擁有最具商業價值的標簽，合作方A擁有B方不具有的某些特征，C方為協調方，取出A方和B方相同但用戶特征不完全相同的那部分數據進行聯邦學習建模和預測，僅能預測標簽數據的結果正確或者錯誤，無法預測到精確的標簽數據。

上述內容僅用于輔助理解本發明的技術方案，并不代表承認上述內容是現有技術。

發明內容

本發明的主要目的在于提供一種標簽預測方法、裝置及計算機可讀存儲介質，旨在解決無法預測到精確的數據結果的技術問題。

為實現上述目的，本發明提供一種標簽預測方法，所述標簽預測方法包括以下步驟：

需求方獲取需求方模型更新后的第一參數、需求方預測樣本的第一特征量和所述需求方預測樣本的第一曝光量；

所述需求方基于所述第一參數、所述第一特征量和所述第一曝光量，確定所述需求方模型的第一預測值；

所述需求方獲取提供方模型的第二預測值和泊松計算規則，其中，提供方用于獲取所述提供方模型更新后的第二參數以及提供方預測樣本的第二特征量，并基于所述第二參數和所述第二特征量，確定所述第二預測值；

所述需求方基于所述第一預測值、所述第二預測值和所述泊松計算規則，確定所述需求方預測樣本的預測標簽量。

可選地，所述需求方獲取需求方模型更新后的第一參數、需求方預測樣本的第一特征量和所述需求方預測樣本的第一曝光量的步驟之前，還包括：

所述需求方獲取所述需求方模型更新前的第三參數、需求方訓練樣本的第三特征量和所述需求方訓練樣本的第二曝光量；

所述需求方基于所述第三參數、所述第三特征量和所述第二曝光量，確定所述需求方模型的第三預測值；

所述提供方用于獲取所述提供方模型更新前的第四參數和所述提供方訓練樣本的第四特征量，所述提供方并基于所述第四參數和所述第四特征量，確定所述提供方模型的第四預測值；

所述需求方基于所述第三預測值，確定所述需求方模型的第五參數，以更新需求方模型參數以及訓練所述需求方模型，并且所述提供方基于所述第四預測值，確定所述提供方模型的第六參數，以更新提供方模型參數以及訓練所述提供方模型。