[发明专利]训练样本构建方法、装置、设备及计算机可读存储介质

权利要求书

1.一种训练样本构建方法，其特征在于，所述训练样本构建方法应用于第一参与方，所述训练样本构建方法包括以下步骤：

获取所述第一参与方的本地训练样本，并将所述本地训练样本转换成预设的数据形式，得到本地训练样本对应的本地样本表征；

接收第二参与方发送的非重叠样本表征，其中，所述非重叠样本表征为所述第二参与方将第二参与方本地训练样本中的非重叠训练样本转换成与所述第一参与方的所述本地样本表征相同的数据形式后得到的；

基于所述非重叠样本表征中的各表征数据以及所述本地样本表征中的各表征数据，计算所述本地样本表征对应的补充样本表征；

将所述补充样本表征加入至所述本地样本表征中，得到补全样本表征，并基于所述补全样本表征参与纵向联邦学习。

2.如权利要求1所述的训练样本构建方法，其特征在于，所述第一参与方的所述本地训练样本包括样本特征，所述本地样本表征为所述样本特征对应的本地样本特征表征，

所述基于所述非重叠样本表征中的各表征数据以及所述本地样本表征中的各表征数据，计算所述本地样本表征对应的补充样本表征的步骤包括：

基于所述非重叠样本特征表征与所述本地样本特征表征，确定所述非重叠样本特征表征的各表征数据与所述本地样本特征表征的各表征数据之间的相似度权重，其中，所述非重叠样本表征为非重叠样本特征对应的非重叠样本特征表征；

基于所述相似度权重对所述本地样本特征表征的各样本表征进行加权求和，得到所述本地样本表征对应的补充样本表征。

3.如权利要求2所述的训练样本构建方法，其特征在于，所述接收第二参与方发送的非重叠样本表征的步骤之后，还包括：

基于所述非重叠样本特征表征中的各表征数据以及所述本地训练样本中样本标签的各标签数据，计算所述样本标签对应的补充样本标签；

所述基于所述相似度权重对所述本地样本特征表征的各样本表征进行加权求和，得到所述本地样本表征对应的补充样本表征的步骤之后，还包括：

将所述补充样本特征表征加入至所述本地样本表征中，得到补全样本特征表征，以及将所述补充样本标签加入至所述样本标签中，得到所述样本标签对应的补全样本标签；

基于所述补全样本特征表征和所述补全样本标签，参与纵向联邦学习。

4.如权利要求1所述的训练样本构建方法，其特征在于，所述第一参与方的所述本地训练样本包括样本特征，所述本地样本表征为所述样本特征对应的本地样本特征表征，

所述获取所述第一参与方的本地训练样本，并将所述本地训练样本转换成预设的数据形式，得到本地训练样本对应的本地样本表征的步骤包括：

获取所述本地训练样本，并根据所述本地训练样本的数据类型确定第一特征转换模型；

将所述本地训练样本中的样本特征输入至所述第一特征转换模型，以供所述第一特征转换模型将所述样本特征转换成预设的数据形式，得到本地样本特征表征。

5.如权利要求1所述的训练样本构建方法，其特征在于，所述基于所述补全样本表征参与纵向联邦学习的步骤包括：

将所述补全样本表征输入至第一模型，得到第一中间结果，其中，所述第一模型与所述第一参与方相对应；

将所述第一中间结果发送至所述第二参与方，以供所述第二参与方根据所述第一中间结果计算第二梯度信息，并根据所述第二梯度信息更新第二模型和第二特征转换模型，其中，所述第二模型、所述第二特征转换模型分别与所述第二参与方相对应；

根据所述第二参与方发送的第二中间结果计算第一梯度信息，并根据所述第一梯度信息更新第一模型和第一特征转换模型，其中，所述第二中间结果为所述第二参与方将第二参与方的本地样本表征输入所述第二模型得到，所述第一模型、所述第一特征转换模型分别与所述第一参与方相对应；

基于更新后的第一模型以及所述第二参与方中更新后的第二模型得到训练完成的纵向联邦学习模型。