[發(fā)明專利]基于橫向聯(lián)邦的DBSCAN聚類方法、及其相關(guān)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202011388364.3
• 申請(qǐng)日: 2020-12-01
• 公開（公告）號(hào): CN112508075A
• 公開（公告）日: 2021-03-16
• 發(fā)明（設(shè)計(jì)）人: 王健宗;李澤遠(yuǎn)
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N20/20;G06F21/60
• 代理公司: 深圳市世聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司 44385
• 代理人: 汪琳琳

本申請(qǐng)實(shí)施例屬于人工智能領(lǐng)域，涉及一種基于橫向聯(lián)邦的DBSCAN聚類方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，方法包括：獲取第一數(shù)據(jù)集，其中，第一數(shù)據(jù)集包括若干個(gè)第一對(duì)象的第一特征；與第二服務(wù)器的第二數(shù)據(jù)集進(jìn)行橫向聯(lián)邦學(xué)習(xí)，以通過(guò)聯(lián)邦方差選擇算法對(duì)第一數(shù)據(jù)集進(jìn)行特征篩選，得到第一待聚類數(shù)據(jù)集；遍歷第一待聚類數(shù)據(jù)集中的第一對(duì)象；計(jì)算當(dāng)前第一對(duì)象與各第一對(duì)象的歐氏距離，并通過(guò)聯(lián)邦歐氏距離算法計(jì)算當(dāng)前第一對(duì)象與各第二對(duì)象的歐氏距離；根據(jù)得到的歐氏距離對(duì)當(dāng)前第一對(duì)象進(jìn)行DBSCAN聚類，得到對(duì)象聚類結(jié)果。此外，本申請(qǐng)還涉及區(qū)塊鏈技術(shù)，第一數(shù)據(jù)集可存儲(chǔ)于區(qū)塊鏈中。本申請(qǐng)?zhí)岣吡藢?duì)象聚類的準(zhǔn)確性。

技術(shù)領(lǐng)域

本申請(qǐng)涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種基于橫向聯(lián)邦的DBSCAN聚類方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著計(jì)算機(jī)技術(shù)的深入發(fā)展，計(jì)算機(jī)應(yīng)用于各種數(shù)據(jù)挖掘場(chǎng)景中。對(duì)象聚類是數(shù)據(jù)挖掘的一種，通過(guò)對(duì)對(duì)象各維度的數(shù)據(jù)分析，將對(duì)象進(jìn)行聚類，相同或相似的對(duì)象可以被歸為一類。例如，在金融營(yíng)銷場(chǎng)景中，金融機(jī)構(gòu)每天都可以獲得大量的用戶數(shù)據(jù)，這些數(shù)據(jù)包含了大量的個(gè)人隱私或商業(yè)機(jī)密，通過(guò)對(duì)用戶數(shù)據(jù)進(jìn)行聚類，可以對(duì)用戶進(jìn)行分類，以便為不同類別的用戶提供服務(wù)。

DBSCAN算法是一種基于密度的聚類算法，它將簇定義為密度相連的點(diǎn)的最大集合，能夠把具有足夠密度的區(qū)域劃分為簇，并可以在有噪音的空間數(shù)據(jù)集中發(fā)現(xiàn)任意形狀的簇。然而，傳統(tǒng)的DBSCAN算法無(wú)法打破不同機(jī)構(gòu)間的數(shù)據(jù)壁壘，只能對(duì)機(jī)構(gòu)的內(nèi)部數(shù)據(jù)進(jìn)行聚類，且無(wú)法適用于高緯度數(shù)據(jù)，因此聚類的準(zhǔn)確性較低。

發(fā)明內(nèi)容

本申請(qǐng)實(shí)施例的目的在于提出一種基于橫向聯(lián)邦的DBSCAN聚類方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，以解決DBSCAN聚類準(zhǔn)確性較低的問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本申請(qǐng)實(shí)施例提供一種基于橫向聯(lián)邦的DBSCAN聚類方法，采用了如下所述的技術(shù)方案：

獲取第一數(shù)據(jù)集，其中，所述第一數(shù)據(jù)集包括若干個(gè)第一對(duì)象的第一特征；

與第二服務(wù)器的第二數(shù)據(jù)集進(jìn)行橫向聯(lián)邦學(xué)習(xí)，以通過(guò)聯(lián)邦方差選擇算法對(duì)所述第一數(shù)據(jù)集進(jìn)行特征篩選，得到第一待聚類數(shù)據(jù)集，并指示所述第二服務(wù)器通過(guò)所述聯(lián)邦方差選擇算法對(duì)所述第二數(shù)據(jù)集進(jìn)行特征篩選，得到第二待聚類數(shù)據(jù)集，其中，所述第二數(shù)據(jù)集包括若干個(gè)第二對(duì)象的第二特征；

遍歷所述第一待聚類數(shù)據(jù)集中的第一對(duì)象；

計(jì)算當(dāng)前第一對(duì)象與各第一對(duì)象的歐氏距離，并通過(guò)聯(lián)邦歐氏距離算法計(jì)算所述當(dāng)前第一對(duì)象與各第二對(duì)象的歐氏距離；

根據(jù)得到的歐氏距離對(duì)所述當(dāng)前第一對(duì)象進(jìn)行DBSCAN聚類，得到對(duì)象聚類結(jié)果。

為了解決上述技術(shù)問(wèn)題，本申請(qǐng)實(shí)施例還提供一種基于橫向聯(lián)邦的DBSCAN聚類裝置，采用了如下所述的技術(shù)方案：

數(shù)據(jù)集獲取模塊，用于獲取第一數(shù)據(jù)集，其中，所述第一數(shù)據(jù)集包括若干個(gè)第一對(duì)象的第一特征；

特征篩選模塊，用于與第二服務(wù)器的第二數(shù)據(jù)集進(jìn)行橫向聯(lián)邦學(xué)習(xí)，以通過(guò)聯(lián)邦方差選擇算法對(duì)所述第一數(shù)據(jù)集進(jìn)行特征篩選，得到第一待聚類數(shù)據(jù)集，并指示所述第二服務(wù)器通過(guò)所述聯(lián)邦方差選擇算法對(duì)所述第二數(shù)據(jù)集進(jìn)行特征篩選，得到第二待聚類數(shù)據(jù)集，其中，所述第二數(shù)據(jù)集包括若干個(gè)第二對(duì)象的第二特征；

對(duì)象遍歷模塊，用于遍歷所述第一待聚類數(shù)據(jù)集中的第一對(duì)象；

距離計(jì)算模塊，用于計(jì)算當(dāng)前第一對(duì)象與各第一對(duì)象的歐氏距離，并通過(guò)聯(lián)邦歐氏距離算法計(jì)算所述當(dāng)前第一對(duì)象與各第二對(duì)象的歐氏距離；

對(duì)象聚類模塊，用于根據(jù)得到的歐氏距離對(duì)所述當(dāng)前第一對(duì)象進(jìn)行DBSCAN聚類，得到對(duì)象聚類結(jié)果。

為了解決上述技術(shù)問(wèn)題，本申請(qǐng)實(shí)施例還提供一種計(jì)算機(jī)設(shè)備，采用了如下所述的技術(shù)方案：