[发明专利]一种基于联邦学习的私域用户画像拓展方法

说明书

本发明涉及一种基于联邦学习的私域用户画像拓展方法，属于计算机技术领域。基于联邦学习的私域用户画像拓展包括画像定义、标签定义及同步、标签计算、私域数据加脏、联邦求交、更新权值矩阵、公域指标联邦求值、私域指标联邦求值、画像汇总生成。其方法是通过标签定义及同步，在私域方和公域方统一画像所需的标签值的定义，然后分别在私域和公域方，基于各自的数据，计算标签值。通过加脏和联邦求交的方式，在不泄露私域方用户群的前提下，获取私域方和公域方用户的交集，基于这部分交集，通过2次联邦求值的方式，在不泄露各自标签值的情况下，分别计算公域方和私域方的标签值，最终汇总生成结果画像。

技术领域

本发明属于计算机技术领域，涉及一种基于联邦学习的私域用户画像拓展方法。

背景技术

用户画像是指建立在一系列真实数据之上的目标用户模型，主要基于用户标签构建。

私域流量是指从公域(internet)、它域(平台、媒体渠道、合作伙伴等)引流到自己私域(官网、客户名单)，以及私域本身产生的流量。这部分流量所覆盖的用户即是私域用户。因为私域的封闭性，极强的业务相关性，在私域内，这部分用户的标签存在极大的倾向性，根据这部分标签产生的用户画像，也就存在一定程度的失真，对后续运营产生干扰。

同时，出于用户隐私安全和政府法规的要求，以及对自由私域用户资源的保护，防止外部获取自己的用户资源，不便和外部数据求交，来丰富用户相关标签和丰富用户画像。

而联邦学习则是一种机器学习框架，能有效帮助多家企业或机构在满足用户隐私保护、数据安全的要求下，进行数据使用和机器学习建模。基于联邦学习的模式，可以在保证私域用户的安全性，和私域、公域用户标签的安全性的前提下，完成私域用户画像的扩展。

发明内容

有鉴于此，本发明的目的在于提供一种基于联邦学习的私域用户画像拓展方法。通过加脏之后，再基于rsa加密和hash脱敏，进行的联邦求交，确保了数据在传输过程中的安全性，通过标签定义，解决双边原始数据维度不一致问题，通过画像定义，动态适配不同画像指标，通过2轮联邦求值，在保证双边数据隐私的情况下，求解得到指标值，最终通过画像合并，获取扩展后的用户画像。

为达到上述目的，本发明提供如下技术方案：

一种基于联邦学习的私域用户画像拓展方法，该方法包括以下步骤：

S1：画像定义；其中用户画像的各项指标为基于私域、公域数据生成的各项标签值；根据私域方的业务需求，设计所需的各项指标，计算指标所需的n个标签以及根据标签计算指标的方法和汇总各项指标的方法；

S2：标签定义及同步；对于S1中设计的n个标签，基于私域客群的现有数据和公域的数据，在用户群的特征空间定义标签的生成规则集；并将其在私域方和公域方之间进行同步；

S3：标签计算，私域方和公域方分别基于各自的数据集和生成规则集；计算得到各自部分的标签；

S4：私域数据加脏，在求交之前，对私域用户进行加脏，用于保护私域用户不被泄露，同时配置权重矩阵用于将脏数据剔除，保证最终结果的正确性；

S5：联邦求交，计算加脏之后的私域数据和公域数据的交集部分；

S6：更新权值矩阵，识别出加脏数据；

S7：公域指标联邦求值，通过同态加密的方式，在既不暴露公域方用户特征，也不暴露私域方拥有用户的情况下，得到画像标签所需的公域部分的指标值；

S8：私域指标联邦求值，通过同态加密的方式，在不暴露私域方用户特征的情况下，得到画像所需的私域部分的指标值；

S9：画像汇总生成，汇总私域和公域部分的指标值，生成最终的画像报告。