[发明专利]全局特征重要性表征方法、装置、电子设备和存储介质

权利要求书

1.一种全局特征重要性表征方法，包括：

构建隐私树模型，其中，所述隐私树模型与多个分裂方对应，所述分裂方包括一个主动方及至少一个被动方；

获取第一训练数据，所述主动方根据所述第一训练数据计算增益，得到主动方增益，并接收各被动方的增益，根据所述主动方增益及所述被动方增益对所述隐私树模型进行训练；其中，所述主动方增益与主动方特征对应，所述被动方增益与被动方特征对应；

在所述训练过程中，记录每次分裂对应的被动方、被动方特征标签及一个或多个预置指标项的数值，并在训练完成后根据所述预置指标项的数值对所述被动方特征标签及所述主动方特征进行汇总，得到所述隐私树模型的特征重要性，其中，所述被动方特征标签用于对所述被动方特征进行匿名标识。

2.根据权利要求1所述的方法，所述主动方根据所述第一训练数据计算增益，得到主动方增益包括：

根据所述第一训练数据确定主动方的特征集合，依次根据所述主动方特征集合中的每个特征计算增益，得到主动方中每个所述特征对应的增益。

3.根据权利要求1所述的方法，所述根据所述主动方增益及被动方增益对所述隐私树模型进行训练包括：

S1，根据所述主动方增益及所述被动方增益对所述隐私树模型的节点进行分裂，得到分裂树，其中，所述分裂树包括多个节点，每个所述节点与分裂的特征及分裂方对应；

S2，当获取到当前的分裂树后，对当前分裂树的一阶导数及二阶导数进行更新，根据更新后的一阶导数及二阶导数计算主动方增益及被动方增益，并根据新的主动方增益及新的被动方增益进行再次分裂，得到下一棵分裂树，并重复步骤S2，得到多棵分裂树。

4.根据权利要求1所述的方法，所述在所述训练过程中，记录每次分裂对应的被动方、被动方特征标签及一个或多个预置指标项的数值包括：

在所述训练过程中，获取每次分裂时对应的被动方及与所述被动方对应的特征标签，并将所述被动方及所述被动方特征标签进行存储；

计算每次分裂时与所述被动方特征标签对应的预置指标项的数值，并将所述预置指标项数值进行存储。

5.根据权利要求1所述的方法，所述在训练完成后根据所述预置指标项的数值对所述被动方特征标签及所述主动方特征进行汇总，得到所述隐私树模型的特征重要性包括：

在训练完成后统计所述主动方每个特征对应的预置指标项的数值，以及所述被动方每个特征标签对应的预置指标项的数值；

根据所述预置指标项数值对所述主动方所有特征及所述被动方所有特征标签进行排序，得到特征重要性。

6.根据权利要求5所述的方法，在所述根据所述预置指标项数值对所述主动方所有特征及所述被动方所有特征标签进行排序，得到特征重要性之后，还包括：

将所述被动方所有特征标签对应的排序结果发送给所有被动方。

7.一种全局特征重要性的表征装置，包括：

构建模块，用于构建隐私树模型，其中，所述隐私树模型与多个分裂方对应，所述分裂方包括一个主动方及至少一个被动方；

训练模块，用于获取第一训练数据，所述主动方根据所述第一训练数据计算增益，得到主动方增益，并接收各被动方的增益，根据所述主动方增益及所述被动方增益对所述隐私树模型进行训练；其中，所述主动方增益与主动方特征对应，所述被动方增益与被动方特征对应；

表征模块，用于在所述训练过程中，记录每次分裂对应的被动方、被动方特征标签及一个或多个预置指标项的数值，并在训练完成后根据所述预置指标项的数值对所述被动方特征标签及所述主动方特征进行汇总，得到所述隐私树模型的特征重要性，其中，所述被动方特征标签用于对所述被动方特征进行匿名标识。

8.根据权利要求7所述的装置，所述训练模块还用于根据所述第一训练数据确定主动方的特征集合，依次根据所述主动方特征集合中的每个特征计算增益，得到主动方中每个所述特征对应的增益。