[发明专利]一种基于联邦学习框架的策略制定方法、装置和电子设备

说明书

本发明公开了一种基于联邦学习框架的策略制定方法，包括：利用联邦学习方法构建信用评估模型，包括安装在至少一个用户客户端的信用评估子模型；获取用户信息数据；将用户信息数据代入信用评估子模型，获取评估结果，评估结果包括用户的信用评分及中间梯度；服务器获取评估结果，基于信用评分制定信用策略，并利用中间梯度对所述信用评估子模型进行修正。本发明在保护用户数据安全和用户隐私的前提下，对用户进行信用评分，制定准确的策略，并在不上传原始数据的情况下，优化迭代模型，给用户更好的用户体验。

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种基于联邦学习框架的策略制定方法、装置、电子设备及计算机可读介质。

背景技术

随着互联网经济的发展，互联网+金融服务模式日益为广大用户接受，据统计，当下我国互联网金融行业规模已经超过17.8万亿元。风险控制、策略制定、营销获客等互联网金融服务业务的核心也随着大数据、人工智能等新兴技术手段的使用，得到了极大的提升。

现有技术中，大多数互联网金融服务的风险控制策略是基于评分卡方式与机器学习模型相结合而制定的，这就需要尽量多的获取分析变量的维度，尽可能多的收集用户的行为信息，将其加入评分模型来提高模型精度，获取更为准确的风险评分。更具体而已，现有的建模流程是采集用户通讯录，客户端设备等原始信息然后上传到服务端进行数据处理加工，再经过离线模型训练后把训练好的模型部署在服务端对线上的申请用户进行评分，在此过程中，这些数据需要进行脱敏处理并进行保存，有一定的数据安全风险。此外，这种服务端模型，经过一段时间之后，性能通常会衰减，需要重新迭代上线模型，整个过程比较复杂。

为解决上述问题，需要提供一种隐私保护的信用评估模型及决策制定方法，能够做到在不上传用户原始客户端数据的情况下，对申请用户评估，实现策略制定，从技术层面避免了上传原始敏感数据并缓存数据的可能性，从而有效保护用户隐私，满足政策法规的要求，另外还要求训练的模型能够快速更新迭代，给用户较好的用户体验。

发明内容

本发明的目的在于，提供一种基于联邦学习框架的策略制定方法、装置和电子设备，在保护用户数据安全和用户隐私的前提下，对用户进行信用评分，制定准确的策略，并在不上传原始数据的情况下，优化迭代模型，给用户更好的用户体验。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

为实现上述目的，本发明一方面提供一种基于联邦学习框架的策略制定方法，包括：

利用联邦学习方法构建信用评估模型，所述信用评估模型包括安装在至少一个用户客户端的信用评估子模型；

获取用户信息数据；

将所述用户信息数据代入所述信用评估子模型，获取评估结果，所述评估结果包括所述用户的信用评分及中间梯度；

服务器获取所述评估结果，基于所述信用评分制定信用策略，并利用所述中间梯度对所述信用评估子模型进行修正。

根据本发明的一个优选实施方式，，所述利用联邦学习方法构建信用评估模型进一步包括设置于服务器的联合子模型，用于基于所述中间梯度修正所述信用评估子模型的参数。

根据本发明的一个优选实施方式，所述联邦学习方法为横向联邦学习方法。

根据本发明的一个优选实施方式，所述利用联邦学习方法构建信用评估模型进一步包括：使用Tensorlfow lite框架将训练的信用评估模型文件转化为能在用户客户端运行的所述信用评估子模型文件并分发给所述用户客户端。

根据本发明的一个优选实施方式，所述安装在至少一个用户客户端的信用评估子模型进一步包括：将所述信用评估子模型文件集成到所述用户的客户端应用中。