[發明專利]基于橫向聯邦學習的建立用戶行為周期模型的方法及系統

在審

• 申請號: 202010824167.5
• 申請日: 2020-08-17
• 公開（公告）號: CN111898769A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 狄瀟然
• 申請（專利權）人: 中國銀行股份有限公司
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06N3/04;G06N3/08
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 谷敬麗;薛平

1.一種基于橫向聯邦學習的建立用戶行為周期模型的方法，其特征在于，該方法包括：

采集用戶歷史行為數據，對所述用戶歷史行為數據進行預處理；

將預處理后的數據按照用戶ID進行劃分，將同一用戶ID對應的數據構建為時間序列數據；

對所述時間序列數據進行向量化處理，得到用戶特征向量；

根據所述用戶特征向量進行橫向聯邦學習，由每個參與方分別在本地利用長短期記憶人工神經網絡對本地模型進行訓練，將訓練后的本地模型的模型參數上傳至模型聚合服務器；

由模型聚合服務器將模型參數進行更新聚合處理，得到聚合模型參數并建立聚合模型；

檢測所述聚合模型是否收斂，若未收斂，將聚合模型參數返回參與方繼續迭代訓練，直到檢測到的所述聚合模型處于收斂狀態；

根據收斂狀態下聚合模型的聚合模型參數，建立用戶行為周期預測模型，并下傳至所述參與方。

2.根據權利要求1所述的基于橫向聯邦學習的建立用戶行為周期模型的方法，其特征在于，采集用戶歷史行為數據，對所述用戶歷史行為數據進行預處理，包括：

采集用戶歷史行為數據；

對所述用戶歷史行為數據進行清洗，剔除無效樣本；

將清洗后的數據中的空值進行填充，得到預處理后的數據。

3.根據權利要求1所述的基于橫向聯邦學習的建立用戶行為周期模型的方法，其特征在于，對所述時間序列數據進行向量化處理，得到用戶特征向量，包括：

對所述時間序列數據使用等深法進行離散化處理；

將離散化數據使用WOE編碼方法對數據進行向量化處理，得到用戶的特征向量。

4.根據權利要求1所述的基于橫向聯邦學習的建立用戶行為周期模型的方法，其特征在于，根據所述用戶特征向量進行橫向聯邦學習，由每個參與方分別在本地利用長短期記憶人工神經網絡對本地模型進行訓練，將訓練后的本地模型的模型參數上傳至模型聚合服務器，包括：

在訓練完成后，由每個參與方將模型參數加密上傳至模型聚合服務器。

5.根據權利要求1所述的基于橫向聯邦學習的建立用戶行為周期模型的方法，其特征在于，該方法還包括：

利用所述周期預測模型進行用戶周期行為預測。

6.一種基于橫向聯邦學習的建立用戶行為周期模型的系統，其特征在于，該系統包括：

數據處理模塊，用于采集用戶歷史行為數據，對所述用戶歷史行為數據進行預處理；

時間序列數據構建模塊，用于將預處理后的數據按照用戶ID進行劃分，將同一用戶ID對應的數據構建為時間序列數據；

向量化處理模塊，用于對所述時間序列數據進行向量化處理，得到用戶特征向量；

模型訓練模塊，用于根據所述用戶特征向量進行橫向聯邦學習，由每個參與方分別在本地利用長短期記憶人工神經網絡對本地模型進行訓練，將訓練后的本地模型的模型參數上傳至聚合處理模塊；

聚合處理模塊，用于將模型參數進行更新聚合處理，得到聚合模型參數并建立聚合模型；

模型檢測模塊，用于檢測所述聚合模型是否收斂，若未收斂，將聚合模型參數返回參與方繼續迭代訓練，直到檢測到的所述聚合模型處于收斂狀態；

用戶行為周期模型建立模塊，用于根據收斂狀態下聚合模型的聚合模型參數，建立用戶行為周期預測模型，并下傳至所述參與方。

7.根據權利要求6所述的基于橫向聯邦學習的建立用戶行為周期模型的系統，其特征在于，所述數據處理模塊包括：

數據采集單元，用于采集用戶歷史行為數據；

數據清洗單元，用于對所述用戶歷史行為數據進行清洗，剔除無效樣本；

空值填充單元，用于將清洗后的數據中的空值進行填充，得到預處理后的數據。

8.根據權利要求6所述的基于橫向聯邦學習的建立用戶行為周期模型的系統，其特征在于，所述向量化處理模塊包括：

離散化處理單元，用于對所述時間序列數據使用等深法進行離散化處理；

向量化處理單元，用于將離散化數據使用WOE編碼方法對數據進行向量化處理，得到用戶的特征向量。