[发明专利]数据处理方法、装置、设备及计算机可读存储介质

说明书

本申请提供了一种数据处理方法、装置、设备和计算机可读存储介质，应用于第一参与方设备；所述方法包括：获取第一参与方设备持有的第一特征数据、第二特征数据和第二参与方设备根据第三特征数据进行加密处理得到的加密特征，第二特征数据和第三特征数据为同一用户的不同特征的数据；基于第一特征数据、第二特征数据和加密特征训练得到训练好的第一模型；将训练好的第一模型发送至目标设备进行聚合，得到全局模型；获取待推荐对象的属性信息，利用目标设备发送的全局模型对属性信息进行处理，得到推荐结果。通过该方法进行模型预训练，能够提高联合建模的模型效果，基于提取到的高度区分度的特征确定推荐结果，能够提高推荐成功率。

技术领域

本申请涉及人工智能技术，尤其涉及一种数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

背景技术

随着各行各业逐渐加强数据隐私保护的大趋势下，联邦学习，一种可以在保护数据隐私的情况下协同多方数据建立机器学习的技术，成为了各企业/行业间合作的关键之一。纵向联邦学习是在参与者的数据特征重叠较小，而用户重叠较多的情况下，取出参与者用户相同而用户数据特征不同的那部分用户及数据进行联合建模，通过提高模型性能，能够使参与者用户向客户提供更好的服务。

在纵向联邦场景下，参与双方只基于双方重合的有标签用户进行有监督的联合建模。然而，实际场景中，由于标签数据较难获得，双方只有少量的有标签数据。此外，由于各自场景不同，双方的重合用户数量可能较少，这就导致最后双方能用于联合建模的数据偏少，影响联合建模的模型效果。例如跨平台推荐时，公司A和公司B具有重叠度很高的用户群体，但它们的产品不同，从纵向联邦的角度来说，也就是它们的特征不重叠，如一方的特征是书的ID，另一方的特征是电影的ID，每一家公司分别有用户对产品的评分矩阵，但评分数据较少，仅根据少量的评分数据进行联合模型，模型效果不佳，影响推荐效果。

发明内容

本申请实施例提供一种数据处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够提高联合建模的模型效果，基于提取到的高度区分度的特征确定推荐结果，能够提高推荐成功率。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种数据处理方法，基于联邦学习系统，所述联邦学习系统包括第一参与方设备及至少一个第二参与方设备，所述方法应用于第一参与方设备，所述方法包括：

获取所述第一参与方设备持有的第一特征数据、第二特征数据和所述第二参与方设备发送的加密特征，所述加密特征是由所述第二参与方设备持有的第三特征数据进行加密处理得到的，所述第二特征数据和所述第三特征数据为同一用户的不同特征的数据；

基于所述第一特征数据、所述第二特征数据和所述加密特征对预设的第一模型进行训练，得到训练好的第一模型；

将所述训练好的第一模型发送至目标设备，以使所述目标设备对所述训练好的第一模型进行聚合，得到全局模型；所述目标设备为所述联邦学习系统中的服务器设备或参与方设备；

接收所述目标设备发送的所述全局模型；

获取待推荐对象的属性信息，并利用所述全局模型对所述属性信息进行处理，得到推荐结果。

本申请实施例提供一种数据处理装置，包括：

第一获取模块，用于获取第一参与方设备持有的第一特征数据、第二特征数据和第二参与方设备发送的加密特征，所述加密特征是由所述第二参与方设备持有的第三特征数据进行加密处理得到的，所述第二特征数据和所述第三特征数据为同一用户的不同特征的数据；

训练模块，用于基于所述第一特征数据、所述第二特征数据和所述加密特征对预设的第一模型进行训练，得到训练好的第一模型；