[发明专利]兼顾预测精度和隐私保护的预测模型训练方法及装置

说明书

本说明书实施例提供一种兼顾预测精度和隐私保护的预测模型训练方法及装置。预测模型包括特征提取层和预测层，在对预测模型进行训练时，针对包含第一对象的第一原始特征和第一标签的第一样本，可以从第一原始特征中提取第一对象在多个隐私属性方面的第一实际值；将第一原始特征输入特征提取层，得到第一提取特征；将第一提取特征输入预测层，得到第一预测信息；基于第一预测信息与第一标签之间的差异确定第一预测损失；将第一提取特征输入预先训练的隐私保护模型，得到第一对象在多个隐私属性方面的第一预测值，基于第一预测值和第一实际值之间的差异，确定第二预测损失；向减小第一预测损失、增大第二预测损失的方向，更新所述特征提取层。

技术领域

本说明书一个或多个实施例涉及机器学习技术领域，尤其涉及兼顾预测精度和隐私保护的预测模型训练方法及装置。

背景技术

随着计算机技术的不断发展，通过机器学习的方式训练预测模型，并利用预测模型进行业务预测的应用范围越来越广泛。例如，预测模型可以被训练以用于基于用户特征对用户进行分类，例如把用户分成高风险用户或低风险用户。在推荐系统的应用中，预测模型可以根据用户特征，向用户推荐商品、商店或其他信息，使得用户可以更容易地获取到需要的信息。预测系统还可以基于事件的事件特征进行预测等等。精确的预测系统能提供很好的预测结果和服务，但是过于精确的预测模型可能会给相关的用户、企业带来隐私泄露的疑虑，也增加了恶意者通过窃取用户账号、企业账号并结合预测模型来盗取隐私信息的风险。

因此，希望能有改进的方案，可以训练兼顾预测精度和隐私保护的预测模型，进而提高对象的隐私安全性。

发明内容

本说明书一个或多个实施例描述了兼顾预测精度和隐私保护的预测模型训练方法及装置，以便训练兼顾预测精度和隐私保护的预测模型，进而提高对象的隐私安全性。具体的技术方案如下。

第一方面，实施例提供了一种兼顾预测精度和隐私保护的预测模型训练方法，通过服务器执行；所述预测模型包括特征提取层和预测层；所述方法包括：

获取训练集中任意的第一样本，所述第一样本包括第一对象的第一原始特征和对应的第一标签；

从所述第一原始特征中提取所述第一对象在多个隐私属性方面的第一实际值；

将所述第一原始特征输入所述特征提取层，得到所述第一对象的第一提取特征；

将所述第一提取特征输入所述预测层，得到第一预测信息；基于所述第一预测信息与所述第一标签之间的差异，确定第一预测损失；

将所述第一提取特征输入预先训练的隐私保护模型，得到所述第一对象在多个隐私属性方面的第一预测值，基于所述第一预测值和所述第一实际值之间的差异，确定第二预测损失；

向减小所述第一预测损失、增大所述第二预测损失的方向，更新所述特征提取层。

在一种实施方式中，所述隐私保护模型采用以下方式训练得到：

获取所述训练集中任意的第二样本，所述第二样本包括第二对象的第二原始特征；

从所述第二原始特征中提取所述第二对象在多个隐私属性方面的第二实际值；

将所述第二原始特征输入所述特征提取层，得到所述第二对象的第二提取特征；

将所述第二提取特征输入隐私保护模型，得到所述第二对象在多个隐私属性方面的第二预测值，基于所述第二预测值和所述第二实际值之间的差异，确定第三预测损失；

向减小所述第三预测损失的方向，更新所述隐私保护模型。

在一种实施方式中，所述隐私保护模型包括特征网络和激活层；所述将所述第一提取特征输入预先训练的隐私保护模型的步骤，包括：