[发明专利]因子分解机分类模型构建方法、设备及可读存储介质

说明书

本申请公开了一种因子分解机分类模型构建方法、设备及可读存储介质，所述因子分解机分类模型构建方法包括：获取待训练分类模型对应的初始化模型参数和第一稀疏数据，并基于初始化模型参数，与第二设备进行秘密共享，获得秘密共享初始模型参数，以供第二设备确定第二方秘密共享初始模型参数，基于第一稀疏数据中的第一非零部分和秘密共享初始模型参数，与第二设备进行联邦交互，以联合第二设备获取的第二稀疏数据中的第二非零部分和第二方秘密共享初始模型参数，计算秘密共享分类模型误差，基于秘密共享分类模型误差，对待训练分类模型进行更新，获得纵向联邦因子分解机分类模型。本申请解决了基于联邦学习训练分类模型时计算效率低的技术问题。

技术领域

本申请涉及金融科技(Fintech)的人工智能领域，尤其涉及一种因子分解机分类模型构建方法、设备及可读存储介质。

背景技术

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。

随着计算机软件和人工智能的不断发展，联邦学习的应用领域也越来越广泛，目前，基于联邦学习训练分类模型时的训练数据通常为稠密矩阵，且在训练过程中通常通过同态加密的方法，对稠密矩阵进行加密，以实现在不泄露数据隐私的前提下进行联邦学习的目的，但是，当训练数据为稀疏矩阵数据时，例如用户画像数据等，由于在存储相同的信息时，稀疏矩阵远比稠密矩阵大，进而在基于同态加密的方法，通过联邦学习训练分类模型时的计算量非常大，且计算复杂度非常高，进而导致基于联邦学习训练分类模型时的计算效率极低。

发明内容

本申请的主要目的在于提供一种因子分解机分类模型构建方法、设备及可读存储介质，旨在解决现有技术中基于联邦学习训练分类模型时计算效率低的技术问题。

为实现上述目的，本申请提供一种因子分解机分类模型构建方法，所述因子分解机分类模型构建方法应用于因子分解机分类模型构建设备，所述因子分解机分类模型构建方法包括：

获取待训练分类模型对应的待训练模型参数和第一稀疏数据，并基于所述待训练模型参数，与第二设备进行秘密共享，获得秘密共享初始模型参数；

基于所述第一稀疏数据中的第一非零部分、所述秘密共享初始模型参数和预设权重信息，与所述第二设备进行联邦交互，计算秘密共享分类模型误差；

基于所述秘密共享分类模型误差，对所述待训练分类模型进行更新，获得纵向联邦因子分解机分类模型。

本申请还提供一种点击率预测方法，所述点击率预测方法应用于点击率预测设备，所述点击率预测方法包括：

获取第一方待预测用户稀疏数据，并与第二设备进行秘密共享，获得秘密共享模型参数；

基于所述第一方待预测用户稀疏数据中的第一非零部分和所述秘密共享模型参数，与所述第二设备进行纵向联邦预测交互，以对所述第一方待预测用户稀疏数据对应的目标用户进行点击率预测，获得第一秘密共享点击率预测结果；

基于所述第一秘密共享点击率预测结果，与所述第二设备进行聚合交互，以联合所述第二设备确定的第二秘密共享点击率预测结果，计算目标点击率预测结果。

本申请还提供一种因子分解机分类模型构建装置，所述因子分解机分类模型构建装置为虚拟装置，且所述因子分解机分类模型构建装置应用于因子分解机分类模型构建设备，所述因子分解机分类模型构建装置包括：

秘密共享模块，用于获取待训练分类模型对应的待训练模型参数和第一稀疏数据，并基于所述待训练模型参数，与第二设备进行秘密共享，获得秘密共享初始模型参数；