[發明專利]基于縱向聯邦學習的模型更新方法、裝置、設備及介質

有效

• 申請號: 202010105420.1
• 申請日: 2020-02-20
• 公開（公告）號: CN111325352B
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 裴勇;鄭文琛
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F16/9535;G06Q30/02;G06F21/62
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 晏波

本發明公開了一種基于縱向聯邦學習的模型更新方法、裝置、設備及介質。方法包括：接收到模型更新請求，從聯盟鏈中選擇第一業務節點和第二業務節點，從第一業務節點中抽取第一用戶標識，從第二業務節點中抽取第二用戶標識；若第一用戶標識與第二用戶標識匹配，則發送匹配結果至第一業務節點和第二業務節點，以使第一業務節點和第二業務節點分別將業務數據中的用戶產品評分矩陣進行分解，獲得第一用戶矩陣和第二用戶矩陣；發送數據交換指令至第一業務節點和第二業務節點，以交換第一用戶矩陣和第二用戶矩陣中的用戶隱向量并更新模型。本發明提高模型更新的準確性。

技術領域

本發明涉及金融科技(Fintech)技術領域，尤其涉及基于縱向聯邦學習的模型更新方法、裝置、設備及介質。

背景技術

近年來，互聯網金融科技(Fintech)的飛速發展，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。

為了保證金融業務更好的推廣，金融機構通常會根據用戶數據和用戶特征等，學習用戶的喜好和興趣，然后將用戶感興趣的產品和信息等推薦給用戶；在金融機構推薦系統剛上線或者金融機構推薦系統中上線新的金融產品時，往往面臨著數據量不足，用戶特征稀疏等問題，由于缺少用戶數據，模型無法充分學習到用戶喜好，金融機構推薦系統中訓練的模型不夠準確，會導致推薦效果差。

發明內容

本發明的主要目的在于提出一種基于縱向聯邦學習的模型更新方法、裝置、設備及介質，旨在當前產品推薦時，由于用戶數量較少建立的推薦模型不準確，從而導致是推薦效果差的技術問題。

為實現上述目的，本發明提供一種基于縱向聯邦學習的模型更新方法，所述基于縱向聯邦學習的模型更新方法包括如下步驟：

從聯盟鏈中選擇第一業務節點和第二業務節點，從第一業務節點中抽取第一用戶標識，從第二業務節點中抽取第二用戶標識；

若所述第一用戶標識與所述第二用戶標識匹配，則發送匹配結果至第一業務節點和第二業務節點，以使第一業務節點和第二業務節點分別將業務數據中的用戶產品評分矩陣進行分解，獲得第一用戶矩陣和第二用戶矩陣；

發送數據交換指令至第一業務節點和第二業務節點，以使第一業務節點和第二業務節點交換所述第一用戶矩陣和所述第二用戶矩陣中的用戶隱向量，獲得更新的業務數據；

在檢測到第一業務節點與第二業務節點數據交換完成時，發送模型更新請求至第一業務節點和第二業務節點，以使第一業務節點與第二業務節點分別根據各自更新的業務數據進行模型更新，獲得第一損失值和第二損失值；

接收第一業務節點發送的第一損失值和第二業務節點發送的第二損失值，處理所述第一損失值和所述第二損失值，獲得累積損失值，在所述累積損失值小于預設收斂閾值時，發送模型更新完成提示至第一業務節點和第二業務節點。

在一實施例中，所述接收第一業務節點發送的第一損失值和第二業務節點發送的第二損失值，處理所述第一損失值和所述第二損失值，獲得累積損失值，在所述累積損失值小于預設收斂閾值時，發送模型更新完成提示至第一業務節點和第二業務節點的步驟之后，所述方法包括：

在接收評分預測請求時，獲取所述評分預測請求對應的場景標識；

在所述業務場景標識為第一場景標識時，將所述評分預測請求發送至第一業務節點，以使所述第一業務節點將第一業務數據輸入至更新后的第一模型，獲得第一訓練結果，將所述第一訓練結果中的第一訓練評分進行處理，獲得第一預測評分；

在所述業務場景標識為第二場景標識時，將所述評分預測請求發送至第二業務節點，以使所述第二業務節點將第二業務數據輸入至更新后的第二模型，獲得第二訓練結果，將所述第二訓練結果中的第二訓練評分進行處理，獲得第二預測評分。