[发明专利]关于用户还款及时性的预测系统、方法、装置及电子设备

权利要求书

1.一种关于用户还款及时性的预测系统，其特征在于，包括第一客户端、第二客户端，以及服务端：

所述第一客户端，用于获取待预测标签数据的目标用户的第一标识数据和第一特征数据组；利用所述第一客户端的对偶模型，预测所述第一特征数据组在所述第二客户端的第二预测特征数据组，将所述第一标识数据和所述第二预测特征数据组的加密数据发送给所述第二客户端；并且，利用所述第一客户端训练得到的联邦学习模型参数，获得所述第一特征数据组的第一加密加权值，并将所述第一加密加权值发送给所述服务端；

所述第二客户端，用于利用接收到的加密数据，确定所述目标用户在所述第二客户端的第二目标特征数据组，利用所述第二客户端训练得到的联邦学习模型参数，获得所述第二目标特征数据组的第二加密加权值，并将所述第二加密加权值发送给所述服务端；其中，所述第二客户端利用接收到的加密数据，确定所述目标用户在所述第二客户端的第二目标特征数据组，包括：所述第二客户端，利用所述第一标识数据的加密数据，判断所述第二客户端是否存在所述第一标识数据；如果是，将所述第二客户端中所述第一标识数据对应的特征数据组确定为所述目标用户在所述第二客户端的第二目标特征数据组，如果否，对接收到的所述第二预测特征数据组的加密数据进行解密，得到所述第二预测特征数据组，并将所述第二预测特征数据组确定为所述目标用户在所述第二客户端的第二目标特征数据组；

所述服务端，用于对接收到的所述第一加密加权值和所述第二加密加权值求和，并对求和结果进行解密，得到所述目标用户的目标标签数据，并将所述目标标签数据返回给所述第一客户端；其中，所述目标标签数据表征所述目标用户的还款及时性；

其中，所述第一客户端为销售企业端或银行端之一，所述第二客户端为销售企业端或银行端之另一；所述销售企业端、所述银行端各自拥有预先训练的对偶模型；所述服务端拥有预先训练的联邦学习模型；所述联邦学习模型是所述销售企业端和所述银行端经过加密对偶训练扩展共有用户数据集后，借助所述服务端进行联邦学习得到的；所述销售企业端用于联邦学习模型训练的用户数据包括由月消费额特征数据、消费次数特征数据、会员级别特征数据组成的特征数据组，以及用户的标识数据；所述银行端用于联邦学习模型训练的用户数据包括由月薪特征数据、信用卡额度特征数据组成的特征数据组、表征用户还款及时性的标签数据，以及用户的标识数据；

所述联邦学习模型的训练过程包括：参与联邦学习模型训练的所述销售企业端和所述银行端分别获取各自的用户数据；所述销售企业端和所述银行端确定共有用户，得到共有用户数据集；所述销售企业端和所述银行端基于所述共有用户数据集进行加密对偶学习，将各自的标识数据增加至所述销售企业端和所述银行端的标识数据的并集，并补全各自的特征数据组，得到所述销售企业端和所述银行端扩展的共有用户数据集；所述销售企业端和所述银行端基于所述扩展的共有用户数据集，在所述服务端的协助下，进行联邦学习模型训练，直至达到联邦学习模型收敛条件，获得训练完成的联邦学习模型；其中，所述销售企业端和所述银行端基于所述共有用户数据集进行加密对偶学习，将各自的标识数据增加至所述销售企业端和所述银行端的标识数据的并集，并补全各自的特征数据组，得到所述销售企业端和所述银行端扩展的共有用户数据集，包括：所述销售企业端和所述银行端各自建立对偶模型，所述对偶模型用于预测本端用户的特征数据组在另一端的特征数据组；所述销售企业端和所述银行端将所述共有用户数据集划分为训练集和测试集，并对所述训练集中属于本端的用户数据进行加密，得到所述销售企业端和所述银行端各自的加密用户数据；所述销售企业端和所述银行端迭代性地基于各自的加密用户数据和对偶模型，进行对偶预测、梯度数据计算，并加密互传各自的计算结果，更新各自的对偶模型参数，直至利用所述训练集和所述测试集进行联邦对偶交叉验证，判定满足对偶模型收敛条件时停止迭代，获得各自训练完成的对偶模型；所述销售企业端和所述银行端利用各自训练完成的对偶模型进行相互预测，获得各自补充后的标识数据，所述补充后的标识数据为所述销售企业端和所述银行端的标识数据的并集；以及，通过预测本端的特征数据组在另一端的特征数据组，获得所述销售企业端和所述银行端各自补全的特征数据组；根据所述销售企业端和所述银行端各自的所述补充后的标识数据和所述补全的特征数据组，得到所述销售企业端和所述银行端扩展的共有用户数据集。