[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

说明书

本发明公开了一种关于用户还款及时性的预测方法，第一客户端获取目标用户的第一标识数据和第一特征数据组；利用对偶模型预测第一特征数据组在第二客户端的第二预测特征数据组，将第一标识数据和第二预测特征数据组的加密数据发给第二客户端；获得第一特征数据组的第一加密加权值并发给服务端；第二客户端利用接收到的加密数据确定目标用户在第二客户端的第二目标特征数据组，获得第二目标特征数据组的第二加密加权值并发给服务端；服务端对接收到的第一加密加权值和第二加密加权值求和，对求和结果解密得到表征目标用户还款及时性的目标标签数据，并发给第一客户端；第一客户端为销售企业端或银行端之一，第二客户端为销售企业端或银行端之另一。

技术领域

本发明属于金融领域，具体涉及一种关于用户还款及时性的预测系统、方法、装置及电子设备。

背景技术

在金融领域，银行基于业务需求，常常需要预测用户是否能够及时对信用卡等借贷业务还款，但银行自身的用户数据可能并不足以进行预测。与此同时，销售企业也期望预测用户是否能够及时还款从而进行用户画像。因此，银行和销售企业期望在不泄露各自用户的隐私数据的情况下联合完成用户还款及时性的预测过程。

在这种情况下，“联邦学习”的概念应运而生。联邦学习实际上是一种加密的分布式机器学习技术，销售企业和银行可以在不披露底层数据的前提下利用纵向联邦学习方法，共建联邦学习模型，预测表征用户是否能够及时还款的标签数据。

但是，在实际应用中，由于销售企业和银行的用户交集可能较小，导致双方共有的用户数据极其有限，在少量的共有用户数据集上训练得到的纵向联邦学习模型对于用户还款及时性的预测效果并不理想。

发明内容

为了解决销售企业和银行在纵向联邦学习中共有用户数据集不足的问题，提升两者的纵向联邦学习模型对于用户还款及时性的预测效果，本发明实施例提供了一种关于用户还款及时性的预测系统、方法、装置、电子设备、存储介质，以及一种联邦学习模型训练方法。

本发明要解决的技术问题通过以下技术方案实现：

本发明实施例提供了一种关于用户还款及时性的预测系统，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；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。