CN111783038A - 基于智能学习的风险评估方法、装置、设备、***和介质 - Google Patents
基于智能学习的风险评估方法、装置、设备、***和介质 Download PDFInfo
- Publication number
- CN111783038A CN111783038A CN202010615232.3A CN202010615232A CN111783038A CN 111783038 A CN111783038 A CN 111783038A CN 202010615232 A CN202010615232 A CN 202010615232A CN 111783038 A CN111783038 A CN 111783038A
- Authority
- CN
- China
- Prior art keywords
- information
- training
- control server
- gradient
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000012502 risk assessment Methods 0.000 title claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 396
- 238000011156 evaluation Methods 0.000 claims abstract description 149
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 230000015654 memory Effects 0.000 claims description 32
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000000977 initiatory effect Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Finance (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于智能学习的风险评估方法、装置、设备、***和介质,涉及大数据和深度学习技术。其中,该方法应用于控制服务器,具体实现方案为:接收终端设备发送的用户风险评估请求和第一评估信息,第一评估信息为依据第一预设模型所生成的,第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的;根据控制服务器中的数据和第二预设模型,生成第二评估信息,第二预设模型为根据第二梯度信息所获取到的,第一梯度信息和第二梯度信息表征联合训练结果;根据第一评估信息和第二评估信息,生成用户风险评估结果;将用户风险评估结果,发送给终端设备。控制服务器就可以根据终端设备传递的信息,完成风险评估。
Description
技术领域
本申请涉及人工智能领域,具体涉及大数据和深度学习技术。具体地,本申请提供了一种基于智能学习的风险评估方法、装置、设备、***和介质。
背景技术
随着生活的科技化,经常需要对用户的信息进行风险评估。例如,金融市场的发展,用户经常需要进行网上贷款;进而需要对用户是否符合贷款要求进行评估、或者对用户可以申请哪些贷款产品进行评估。
现有技术中,服务器可以将用户标签发送给第三方测评设备进行测评,得到用户评价分数,然后由方服务器确定出风险评估,例如,由服务器确定出用户贷款是否通过。
然而现有技术中,需要第三方测评设备的参与,一旦第三方测评设备与网贷方服务器之间通信终端,则无法为用户进行风险评估。
发明内容
本申请提供了一种用于便于为用户进行风险评估的基于智能学习的风险评估方法、装置、设备、***和介质。
根据本申请的第一方面,提供了一种基于智能学习的风险评估方法,所述方法应用于控制服务器,所述方法包括:
接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,所述第一梯度信息用于表征一个训练设备与所述控制服务器之间的联合训练结果;
根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,所述第二预设模型为根据第二梯度信息所获取到的,所述第二梯度信息用于表征多个训练设备与所述控制服务器的联合训练结果;
根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
将所述用户风险评估结果,发送给所述终端设备。
根据本申请的第二方面,提供了一种基于智能学习的风险评估装置,所述装置应用于控制服务器,所述装置包括:
第一接收单元,用于接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,所述第一梯度信息用于表征一个训练设备与所述控制服务器之间的联合训练结果;
第一生成单元,用于根据所述控制服务器中的第二用户特征数据、和第二预设模型,生成第二评估信息,其中,所述第二预设模型为根据第二梯度信息所获取到的,所述第二梯度信息用于表征多个训练设备与所述控制服务器的联合训练结果;
第二生成单元,用于根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
第一发送单元,用于将所述用户风险评估结果,发送给所述终端设备。
根据本申请的第三方面,提供了一种基于智能学习的风险评估方法,所述方法应用于控制服务器,所述方法包括:
接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为多个训练设备与所述控制服务器之间的联合训练得到的;
根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,所述第二预设模型为多个训练设备与所述控制服务器之间的联合训练得到的;
根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
将所述用户风险评估结果,发送给所述终端设备。
根据本申请的第四方面,提供了一种电子设备,包括:处理器和存储器;存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行如第一方面中任一项所述的基于智能学习的风险评估方法,或者执行如第三方面所述的基于智能学习的风险评估方法。
根据本申请的第五方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令被处理器执行时实现第一方面中任一项所述的基于智能学习的风险评估方法,或者执行如第三方面所述的基于智能学习的风险评估方法。
根据本申请的第六方面,提供了一种程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得服务器执行第一方面中任一所述的基于智能学习的风险评估方法,或者执行如第三方面所述的基于智能学习的风险评估方法。
根据本申请的第七方面,提供了一种基于智能学习的风险评估***,所述***包括控制服务器和多个训练设备;所述控制服务器,用于:
接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,所述第一梯度信息用于表征一个训练设备与所述控制服务器之间的联合训练结果;
根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,所述第二预设模型为根据第二梯度信息所获取到的,所述第二梯度信息用于表征多个训练设备与所述控制服务器的联合训练结果;
根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
将所述用户风险评估结果,发送给所述终端设备。
根据本申请的技术方案,不需要第三方测评设备的参与,进而不需要考虑第三方测评设备与控制服务器之间的通信;从而,一旦终端设备发起请求,控制服务器就可以根据终端设备传递的信息,完成风险评估。并且,上述过程,是在线的得到用户特征数据,不需要离线的获取用户数据,不需要人工参与;进而降低了人力成本,同时避免了数据泄露问题;并且,上述过程,只需要终端设备获取到第一预设模型,控制服务器获取到第二预设模型,第一预设模型和第二预设模型均是经过联合训练而得到的,而不是模型串行的结果,进而减少了模型的累积误差,提升了风险评估的准确性。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例的一种应用场景的示意图;
图2是根据本申请第一实施例的示意图;
图3为本申请实施例提供的第一用户特征数据的提取示意图;
图4是根据本申请第二实施例的示意图;
图5是根据本申请第三实施例的示意图;
图6为本申请实施例提供的训练架构的示意图;
图7是根据本申请第四实施例的示意图;
图8是根据本申请第五实施例的示意图;
图9是根据本申请第六实施例的示意图;
图10是根据本申请第七实施例的示意图;
图11是根据本申请第八实施例的示意图;
图12是根据本申请第九实施例的示意图;
图13是根据本申请第十实施例的示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
随着生活的科技化,经常需要对用户的信息进行风险评估。例如,金融市场的发展,用户经常需要进行网上贷款;进而需要对用户是否符合贷款要求进行评估、或者对用户可以申请哪些贷款产品进行评估。
在进行用户风险评估的时候,往往难以得到真实可靠且完整的用户肖像特征,一方面,部分用户可能对所需提交资料存在提供困难或不方便提供;另外一方面,用于注册过程较为复杂,用户对评估过程的及时性的忍耐性有限,用户无法及时提供全面的资料;进而无法做到对用户要求提供细致完善的资料以及全面审查。从而,可以结合传统金融行业的策略体系(包括反欺诈规则、准入规则、运营商规则、风险名单等)与数学模型技术,进行综合的分析判断。
一个示例中,服务器可以将用户标签发送给第三方测评设备进行测评,得到用户评价分数,然后由方服务器确定出风险评估,例如,由服务器确定出用户贷款是否通过。
举例来说,终端设备发起贷款请求,服务器接收到贷款请求之后,服务器对贷款请求进行评估;并且还需要第三方设备对贷款请求进行评估;然后,服务器基于服务器的评估和第三方设备的评估,得到最终的评估结果。
但是上述方式中,需要第三方测评设备的参与,一旦第三方测评设备与网贷方服务器之间通信终端,则无法为用户进行风险评估。
另一个示例中,基于联合第三方的离线训练及在线预测技术进行综合考量判断。由数据提供方设备或者服务器离线的获取到用户数据,数据提供方设备或者服务器基于用户数据完成模型训练;第三方测评设备获取到训练后的模型;然后,服务器可以将用户标签发送给第三方测评设备进行测评,得到用户评价分数,然后由服务器确定出用户风险评估信息。
举例来说,终端设备发起贷款请求,服务器接收到贷款请求之后,由数据提供方设备或者服务器离线的获取到用户数据;然后,数据提供方设备或者服务器基于用户数据完成模型训练,此时需要进行标识对齐、联合训练、模型划分等环节。然后,第三方测评设备获取到训练后的模型;然后,服务器可以将用户标签发送给第三方测评设备进行测评,第三方测评设备得到用户评价分数,然后由服务器基于第三方测评设备的评估结果和服务器的评估结果,得到最终贷款评估结果。
但是上述方式中,离线的获取用户数据的方式,需要人工参与,需要耗费大量人力成本,并且容易造成数据泄露问题;同时,需要多次的模型训练,会造成训练错误积累,进而造成模型错误或者模型的效果较差。
本申请提供一种基于智能学习的风险评估方法、装置、设备、***和介质,应用于人工智能领域,具体可以应用于大数据和深度学习技术领域,以达到在风险评估过程中不需要第三方设备的参与,便于为用户进行风险评估。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请实施例的一种应用场景的示意图,如图1所示,本申请实施例提供的方案可以应用到图1所示的场景中,终端设备01与控制服务器02进行交互,进而完成风险评估。
图2是根据本申请第一实施例的示意图,如图2所示,本实施例提供的基于智能学习的风险评估方法,包括:
101、接收终端设备发送的用户风险评估请求,并接收终端设备发送的第一评估信息,其中,第一评估信息为依据第一预设模型和第一用户特征数据所生成的,第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,第一梯度信息用于表征一个训练设备与控制服务器之间的联合训练结果。
一个示例中,第一用户特征数据为从数据解析设备中获取到的特征数据,或者,第一用户特征数据为对终端设备中的数据信息进行解析之后得到的特征数据。
示例性地,本实施例以执行主体可以是控制服务器。
终端设备根据用户的触发,发起用户风险评估请求;例如,用户风险评估请求,为贷款请求。同时,终端设备需要获取到用户特征,以便于控制服务器根据用户特征完成风险评估。
一个示例中,数据解析设备可以采集每一个用户的历史行为信息,例如,针对同一个用户,数据解析设备可以从用户所使用过的设备中采集到该用户的历史行为信息,同一个用户的历史行为信息中具有相同的用户标识;然后,针对同一个用户来说,数据解析设备对该用户的历史行为信息进行智能解析、智能识别,进而提取出该用户的第一用户特征数据,第一用户特征数据中包括用户标识。数据解析设备将提取出的第一用户特征数据,发送给与用户标识对应的终端设备;进而,终端设备将获取到的第一用户特征数据固化到终端设备中。数据解析设备所提取到的第一用户特征数据,并不仅仅局限于用户所使用过的一个设备,而是根据用户标识从多个设备中提取用户的历史行为信息;进而,数据解析设备所提取到的第一用户特征数据是全面的、多样化的;并且,本示例中不需要终端设备解析出特征数据,减少了终端设备的工作量,保证终端设备的其他工作的运行。
另一个示例中,终端设备提取终端设备中的数据信息;然后,终端设备对数据信息进行解析,得到第一用户特征数据。例如,用户授权终端设备可以读取用户的短信息,进而终端设备获取到短信中的数据信息;终端设备对数据信息进行解析,得到第一用户特征数据。再例如,用户授权终端设备可以读取第三方软件中的信息,进而终端设备获取到第三方软件中的数据信息;终端设备对数据信息进行解析,得到第一用户特征数据。终端设备根据终端设备中的软件中的数据信息,提取特征数据;从而可以准确的分析出使用该终端设备的用户的特征。
举例来说,图3为本申请实施例提供的第一用户特征数据的提取示意图,如图3所示,风险评估用于贷款请求的评估时,终端设备中安装有网贷应用程序(图3所示的风险评估的软件),并且网贷应用程序具有对应的联邦软件开发工具包(Software DevelopmentKit,简称SDK);终端设备显示授权请求;用户根据授权请求,授权终端设备的网贷应用程序可以读取用户的短信息。
然后,终端设备就可以读取用户的各类短信息。终端设备对短信息中的内容进行本地解析。终端设备可以建立短信语义解析模型,其中,短信语义解析模型例如是机器学习模型、或者传统统计分析模型;终端设备根据短信语义解析模型对短信息中的内容进行抽取,解析出关键信息;然后根据关键信息,得到多个第一用户特征数据。例如,终端设备解析酒店类的短信息、解析机票类的短信息、解析购物类的短信息、解析旅游类的短信息。例如,若终端设备解析旅游类的短信息,则终端设备可以抽取出预定天数、预定价格、酒店位置、出行意图。
一个示例中,终端设备可以根据传统统计分析以及短信语法树等相关方法,提取出短信息中的关键信息,例如,提取出相关地点、时间、数值信息。然后,终端设备通过人工标注先预先标注好短信息的摘要信息,基于深度学习的模型,对短信息中的关键信息进行分析,得到第一用户特征数据,即得到短信息中的摘要内容。
举例来说,终端设备通过对终端设备的软件中的数据信息进行解析之后,得到的以下的第一用户特征数据:用户的性别、年龄、收入情况、酒店入住次数、酒店费用、支付支出费用、等等。例如,用户A的性别、年龄、收入情况、酒店入住次数、酒店费用、支付支出费用;用户B的性别、年龄、收入情况、酒店入住次数、酒店费用、支付支出费用。
终端设备将携带有第一用户特征数据的用户风险评估请求,发送给控制服务器。
同时,终端设备依据第一预设模型对第一用户特征数据进行分析,得到第一评估信息;其中,第一预设模型可以是深度学习模型、或者统计分析分析模型。
一个示例中,训练设备与控制服务器之间进行联合训练,得到第一梯度信息;其中,训练设备可以是其他终端设备、或者是当前发起用户风险评估请求的终端设备;进而,多个训练设备终端的每一个训练设备与控制服务器之间进行联合训练,进而每一个训练设备得到每一个训练设备的第一梯度信息,即,每一个训练设备得到属于自己的第一梯度信息。然后,终端设备或者控制服务器,对多个训练设备的第一梯度信息进行联合分析,采用联合分析后的第一梯度信息,去更新初始的模型,进而得到第一预设模型;例如,将各个训练设备的第一梯度信息进行累加,得到累加后的第一梯度信息,采用累加后的第一梯度信息,去更新初始的模型,进而得到第一预设模型;再例如,将各个训练设备的第一梯度信息进行均值计算,得到各第一梯度信息的平均值,采用该平均值,去更新初始的模型,进而得到第一预设模型。然后,终端设备依据第一预设模型对第一用户特征数据进行分析,得到第一评估信息。可知,第一评估信息是终端设备所生成的中间结果。
终端设备需要将所得到的第一评估信息,发送给控制服务器。
基于以上过程,控制服务器得到了第一评估信息。
102、根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,第二预设模型为根据第二梯度信息所获取到的,第二梯度信息用于表征多个训练设备与控制服务器的联合训练结果。
示例性地,控制服务器中具有第二预设模型,该第二预设模型用于对用户特征进行分析。一个示例中,多个训练设备与控制服务器之间同时进行联合训练,得到第二梯度信息;其中,多个训练设备中可以包括当前发起用户风险评估请求的终端设备,也可以不包括当前发起用户风险评估请求的终端设备。然后,控制服务器采用联合分析所得到的第二梯度信息,去更新初始的模型,进而得到第二预设模型。例如,将各个训练设备的第一梯度信息进行平均值计算,得到一个平均值,即得到第二梯度信息;采用第二梯度信息,去更新初始的模型,进而得到第二预设模型。或者,将各个训练设备的第一梯度信息进行平均值计算,得到一个平均值,并且将该平均值加上控制服务器所生成的一个梯度信息,进而得到第二梯度信息;采用第二梯度信息,去更新初始的模型,进而得到第二预设模型。同时,控制服务器已经预先的从其他设备中获取到了第二用户特征数据;然后,控制服务器依据第二预设模型对第二用户特征数据进行分析,得到第二评估信息。可知,第二评估信息是控制服务器所生成的中间结果。
103、根据第一评估信息和第二评估信息,生成用户风险评估结果。
示例性地,控制服务器基于终端设备所生成的第一评估信息、以及控制服务器所生成的第二评估信息进行综合的分析,得到用户风险评估结果。
一个示例中,控制服务器采用预设的模型,例如上述第二预设模型、或者其他机器学习模型、或者其他统计分析模型,对第一评估信息和第二评估信息进行处理,输出用户风险评估结果。
另一个示例中,控制服务器根据模型算法对第一评估信息和第二评估信息进行区里,得到合并信息;然后控制服务器采用预设的模型,例如上述第二预设模型、或者其他机器学习模型、或者其他统计分析模型,对合并信息进行处理,输出用户风险评估结果。
其中,用户风险评估结果,用于表征对风险评估的结果值。例如,在对用户的贷款申请进行评估时,用户风险评估结果表征用户是否通过贷款申请,或者用户风险评估结果表征用户可以使用哪些网络贷款产品。
104、将用户风险评估结果,发送给终端设备。
示例性地,控制服务器将所得到的用户风险评估结果,发送给终端设备。终端设备向用户显示出用户风险评估结果,例如文字显示、语音播报。
本实施例,通过接收终端设备发送的用户风险评估请求,并接收终端设备发送的第一评估信息,其中,第一评估信息为依据第一预设模型和第一用户特征数据所生成的,第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,第一梯度信息用于表征一个训练设备与控制服务器之间的联合训练结果;根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,第二预设模型为根据第二梯度信息所获取到的,第二梯度信息用于表征多个训练设备与控制服务器的联合训练结果;根据第一评估信息和第二评估信息,生成用户风险评估结果;将用户风险评估结果,发送给终端设备。通过终端设备直接与控制服务器进行交互,终端设备基于第一预设模型和第一用户特征数据生成第一评估信息,并将第一评估信息发送给控制服务器;控制服务器基于第二预设模型和第二用户特征数据生成第二评估信息,控制服务器根据第一评估信息和第二评估信息进行用户风险评估。上述过程,不需要第三方测评设备的参与,进而不需要考虑第三方测评设备与控制服务器之间的通信;从而,一旦终端设备发起请求,控制服务器就可以根据终端设备传递的信息,完成风险评估。并且,上述过程,是在线的得到用户特征数据,不需要离线的获取用户数据,不需要人工参与;进而降低了人力成本,同时避免了数据泄露问题;并且,上述过程,只需要终端设备获取到第一预设模型,控制服务器获取到第二预设模型,第一预设模型和第二预设模型均是经过联合训练而得到的,而不是模型串行的结果,进而减少了模型的累积误差,提升了风险评估的准确性。
图4是根据本申请第二实施例的示意图,如图4所示,本实施例提供的基于智能学习的风险评估方法,包括:
201、接收终端设备发送的用户风险评估请求,并接收终端设备发送的第一评估信息,其中,第一评估信息为依据第一预设模型和第一用户特征数据所生成的,第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,第一梯度信息用于表征一个训练设备与控制服务器之间的联合训练结果。
一个示例中,第一梯度信息为加密的第一梯度信息。第一预设模型为依据多个训练设备的第一梯度信息对第一初始模型进行更新得到的;
示例性地,本实施例以执行主体可以是控制服务器。
本步骤可以参见图1所示的步骤101。但是与步骤101更进一步的是,
训练设备与控制服务器之间进行联合训练,得到第一梯度信息;其中,训练设备可以是其他终端设备、或者是当前发起用户风险评估请求的终端设备;进而,多个训练设备终端的每一个训练设备与控制服务器之间进行联合训练,进而每一个训练设备得到每一个训练设备的第一梯度信息。然后,终端设备预选设置有一个公钥和第一初始模型;终端设备所得到每一个训练设备的第一梯度信息均是采用了公钥进行了加密的,即第一梯度信息为加密的第一梯度信息;终端设备对多个训练设备的加密的第一梯度信息进行联合分析,得到联合分析后的加密的第一梯度信息;终端设备改用联合分析后的加密的第一梯度信息,去更新第一初始模型,进而得到第一预设模型;例如,将各个训练设备的加密的第一梯度信息进行累加,得到累加后的加密的第一梯度信息,采用累加后的加密的第一梯度信息,去更新第一初始模型,进而得到第一预设模型;再例如,将各个训练设备的加密的第一梯度信息计算平均值,得到一个加密的平均值,采用加密的平均值,去更新第一初始模型,进而得到第一预设模型。然后,终端设备依据第一预设模型对第一用户特征数据进行分析,得到第一评估信息。
202、接收安全方设备发送的第二梯度信息;根据第二梯度信息对第二初始模型进行更新,得到第二预设模型。
一个示例中,第二梯度信息为加密的第二梯度信息。
示例性地,控制服务器需要生成第二预设模型。由控制服务器生成第二预设模型,不需要从其他设备处获取第二预设模型;首先这是本实施例的联合分析的条件,并且可以保证模型不被其他设备所篡改。
多个训练设备与控制服务器之间同时进行联合训练,得到加密的第二梯度信息;其中,多个训练设备中可以包括当前发起用户风险评估请求的终端设备,也可以不包括当前发起用户风险评估请求的终端设备。然后,安全方设备得到加密的第二梯度信息,安全方设备对加密的第二梯度信息进行解密,得到解密后的第二梯度信息;安全方设备将解密后的第二梯度信息,发送给控制服务器。举例来说,第二梯度信息可以携带到其他信息中,即,其他信息包括了第二梯度信息。
控制服务器采用联合分析所得到的第二梯度信息,对第二初始模型进行更新,进而得到第二预设模型。
203、获取其他设备中存储的第二用户特征数据。
示例性地,其他设备通过对软件中的数据信息进行解析,得到第二用户特征数据。控制服务器从其他设备中获取第二用户特征数据。
第一用户特征数据和第二用户特征数据归属于同一个用户。
204、将第二用户特征数据进行数据归一化处理,得到处理后的第二用户特征数据。
示例性地,由于第二用户特征数据中包括多个数据,数据的为维度或者取值范围不同,则控制服务器可以对其他设备发送的第二用户特征数据,进行归一化处理,使得第二用户特征数据在维度上、取值范围上进行统一;进而保证后续数据处理、分析的准确性。
205、将处理后的第二用户特征数据,输入第二预设模型,生成第二评估信息。其中,第二预设模型为根据第二梯度信息所获取到的,第二梯度信息用于表征多个训练设备与控制服务器的联合训练结果。
示例性地,控制服务器依据第二预设模型对处理后的第二用户特征数据进行分析,得到第二评估信息。
206、根据第一评估信息和第二评估信息,生成用户风险评估结果。
示例性地,本步骤可以参见图2步骤103,不再赘述。
207、将用户风险评估结果,发送给终端设备。
示例性地,本步骤可以参见图2步骤104,不再赘述。
本实施例,在上述实施例的基础上,第一预设模型和第二预设模型均是经过联合训练而得到的,而不是模型串行的结果;并且,是基于加密的第一梯度信息得到第一预设模型,基于加密的第二梯度信息得到第二预设模型,进而保证用于用户风险评估的模型的保密性,使得风险评估过程中的数据,不会被泄露或者攻击;进而保证了用户风险评估结果的准确性。
图5是根据本申请第三实施例的示意图,如图5所示,本实施例提供的基于智能学习的风险评估方法,包括:
301、根据预设信息生成第一初始模型和第二初始模型,并将第一初始模型通过后台设备发送给每一个训练设备。
示例性地,本实施例以执行主体可以是控制服务器。
控制服务器生成出初始的第一初始模型B,以及初始的第二初始模型A。例如,控制服务器随机或者其他数据生成第一初始模型B,随机或者其他数据生成第二初始模型A。
控制服务器将第一初始模型B发送给后台设备(例如,联邦服务后台)。然后参与训练的各训练设备从后台设备中获取到第一初始模型B。并且,控制服务器中存储有第二初始模型A。
302、接收安全方设备发送的公钥,训练设备中具有公钥。
示例性地,安全方设备分别向控制服务器、多个训练设备(包括或者不包括发起用户风险评估请求的终端设备)发送公钥Keypub。从而控制服务器接收到公钥Keypub,每一训练设备也接收到公钥Keypub。
303、重复执行以下步骤,直至达到预设条件:根据公钥、控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息,各训练设备的第一梯度信息用于更新第一初始模型以得到第一预设模型;根据公钥、控制服务器中的训练信息、以及各训练设备发送的训练信息,生成第二梯度信息,并根据第二梯度信息更新第二初始模型,得到第二预设模型;其中,i为大于等于1的正整数。
示例性地,控制服务器需要与训练设备进行交互,完成对第二预设模型的联合训练,以得到成熟的第二预设模型。
需要重复执行以下各步骤,直至达到预设条件,以得到成熟的第一预设模型和第二预设模型:
第一步骤、控制服务器根据第二用户特征数据进行训练,得到控制服务器的训练信息,并且,控制服务器的训练信息是采用了公钥进行了加密的;并且,每一个训练设备根据第一用户特征数据进行训练,得到每一个训练设备的训练信息,每一个训练设备的训练信息是采用了公钥进行了加密的。
第二步骤、进而,控制服务器根据控制服务器中的训练信息、以及第i个训练设备发送的训练信息进行联合分析,得到第i个训练设备的第一梯度信息。可知,一个第一梯度信息是针对于一个训练设备的。然后,第i个训练设备从控制服务器中获取到第i个训练设备的第一梯度信息。选择一个训练设备,对各训练设备的第一梯度信息进行累加,然后每一个训练设备获取到累加后的第一梯度信息;每一个训练设备使用累加后的第一梯度信息,对第一初始模型进行更新,得到第一预设模型;将此时得到的第一预设模型作为新的第一初始模型。或者,选择一个训练设备,对各训练设备的第一梯度信息进行平均值计算,得到各第一梯度信息的平均值;然后每一个训练设备获取到该平均值;每一个训练设备使用该平均值,对第一初始模型进行更新,得到第一预设模型;将此时得到的第一预设模型作为新的第一初始模型。
第三步骤、在第二步骤进行的同时,控制服务器根据控制服务器中的训练信息、以及各训练设备发送的训练信息进行联合分析,得到第二梯度信息。可知,一个第二梯度信息是针对于多个训练设备的。然后,控制服务器采用第二梯度信息,更新第二初始模型,进而得到第二预设模型;将此时得到的第二预设模型作为新的第二初始模型。
接着,判断是否符合预设条件,若符合则结束循环,进而得到第一预设模型和第二预设模型;若不符合则再次执行第一步骤至第三步骤,以对上一次更新的第一初始模型、上一次更新的第二初始模型再次进行更新。
上述过程,完成了控制服务器与多个训练设备之间的联合训练过程;模型是联合训练的,而不是模型串行的结果,减少了模型的累积误差。并且,上述联合训练过程基于异步迭代,无须有相关算法、工程人员进行驻场训练,也无须提供相对安全的物理隔离环境,进而自动完成训练,降低了成本。
一个示例中,预设条件为以下任意一种或多种:预设条件1、重复次序达到M次,M为大于等于1的正整数。预设条件2、第一初始模型的更新程度大于预设值,且第二初始模型的更新程度大于预设值。预设条件3、采用更新后的第一初始模型和更新后的第二初始模型所得到的测试结果,符合预设结果。
示例性地,在上述循环过程中,对于第一步骤至第三步骤,可以重复执行N次。或者,在每一次循环结束之后,计算第一初始模型的更新程度、第二初始模型的更新程度,其中,更新程度表征了模型中的参数与初始模型中的参数之间差值;若差值大于预设值,则确定第一初始模型和第二初始模型的更新结束。或者,在每一次循环结束之后,采用更新后的第一初始模型和更新后的第二初始模型,对已知风险结果的数据进行测试,得到测试结果,若测试结果与已知的风险结果相同,则确定更新结束。或者,以上3种方式可以任意结合。上述多种方式中的任意一种或多种,保证了循环可以结束,可以得到成熟的第一预设模型和成熟的第二预设模型,便于后续的数据分析。
一个示例中,步骤303具体包括以下步骤。重复执行以下步骤,直至达到预设条件:
第一个步骤、第i个训练设备发送的训练信息为加密后的第一中间结果,控制服务器中的训练信息为加密后的第二中间结果。接收第i个训练设备发送的加密的第一中间结果,其中,加密的第一中间结果为根据第一初始模型、第一训练数据和公钥得到的。
第二个步骤、根据第二初始模型、第二训练数据和公钥,得到加密的第二中间结果。
第三个步骤、根据加密的第二中间结果、第i个训练设备的加密的第一中间结果,生成第i个训练设备的梯度权重。
第四个步骤、将第i个训练设备的梯度权重,发送给第i个训练设备,梯度权重用于依据第一训练数据生成第i个训练设备的第一梯度信息,各训练设备的第一梯度信息用于联合分析后得到梯度累加信息;梯度累加信息用于采用与公钥对应的私钥进行解密后,得到解密后的梯度累加信息;解密后的梯度累加信息用于更新第一初始模型,以得到第一预设模型。
第五个步骤、第i个训练设备发送的训练信息为加密后的第一中间结果,控制服务器中的训练信息为加密后的第二中间结果;接收第i个训练设备发送的加密的第一中间结果,其中,加密的第一中间结果为根据第一初始模型、第一训练数据和公钥得到的;i为大于等于1的正整数。
第六个步骤、根据第二初始模型、第二训练数据和公钥,得到加密的第二中间结果。
第七个步骤、将加密的第二中间结果、以及各训练设备的加密的第一中间结果进行累加,得到第二梯度信息。
第八个步骤、根据第二训练数据和第二梯度信息,生成梯度值,并将梯度值发送给安全方设备,梯度值用于采用与公钥对应的私钥进行解密后,得到解密后的梯度值。
第九个步骤、接收安全方设备发送的解密后的梯度值。
第十个步骤、根据解密后的梯度值,对第二初始模型进行更新,得到第二预设模型。
示例性地,对步骤303进行详细的介绍。图6为本申请实施例提供的训练架构的示意图,如图6所示,参与训练的设备包括了安全方设备、控制服务器、后台设备和多个训练设备。控制服务器生成出初始的第一初始模型B,以及初始的第二初始模型A;控制服务器将第一初始模型B发送给后台设备;参与训练的各训练设备从后台设备中获取到第一初始模型B。并且,安全方设备已经分别向控制服务器、多个训练设备(包括或者不包括发起用户风险评估请求的终端设备)发送公钥Keypub。从而控制服务器接收到公钥Keypub,每一个训练设备也接收到公钥Keypub。
然后,重复以下过程,直至达到预设条件。
首先,针对每一个训练设备,第i个训练设备根据第一初始模型B和第i个训练设备中的第一训练数据xi,生成第i个训练设备的第一中间结果θBxi;第一训练数据xi为第i个训练设备所获取到的用户特征数据。然后,第i个训练设备采用公钥keypub对第i个训练设备的第一中间结果θBxi进行加密,得到加密后的第一中间结果[θBxi]。其中,θB为第一初始模型B中的参数。
然后,第i个训练设备将各第i个训练设备的加密后的第一中间结果[θBxi],通过后台设备发送给控制服务器。进而每一个参与训练的训练设备将各自的加密后的第一中间结果[θBxi],发送给控制服务器。
控制服务器根据第二初始模型A和控制服务器中的第二训练数据xj,生成第二中间结果θAxj。第二训练数据xj为控制服务器所获取到的用户特征数据。其中,θA为第二初始模型A中的参数。并且,控制服务器采用公钥keypub对第二中间结果θAxj进行加密,得到加密后的第二中间结果[θAxj]。
接着,控制服务器根据加密后的第二中间结果[θAxj]、以及第i个训练设备的加密后的第一中间结果[θBxi],生成第i个训练设备的梯度权重[di]。具体的计算过程可以采用现有的机器学习模型或者统计分析模型中的计算过程。
然后,控制服务器将第i个训练设备的梯度权重[di],通过后台设备发送给第i个训练设备。第i个训练设备根据第i个训练设备中的第一训练数据xi、以及第i个训练设备的梯度权重[di],生成第i个训练设备的第一梯度信息[gi],其中第一梯度信息[gi]也是一种梯度值。
接着,各个训练设备中的N个训练设备将各自的第一梯度信息[gi],汇总至N个训练设备中的一个训练设备,该训练设备对N个训练设备的第一梯度信息[gi]累加,得到梯度[G],或者,该训练设备对N个训练设备的第一梯度信息[gi]进行均值计算,得到梯度[G];然后,由这些汇总了第一梯度信息的训练设备将各自的梯度[G],通过后台设备发送给安全方设备,安全方设备对梯度[G]进行累加得到梯度累加信息[gB],或者,安全方设备对梯度[G]进行均值计算得到梯度累加信息[gB]。
举例来说,5台训练设备分别对100台训练设备中部分训练设备(例如,1台训练设备对接了20台训练设备)的第一梯度信息[gi]累加或均值计算,得到梯度[G];这5台训练设备再把各自的梯度[G],发送给安全方设备,安全方设备对这5台训练设备分别发送的梯度[G]进行累加或均值计算,得到梯度累加信息gB。
从而,防止若部分的训练设备不在工作状态(例如,在充电、关机、或无法参与训练)的时候,安全方设备依然可以获取到大部分训练设备所生成的第一梯度信息[gi],以得到梯度累加信息[gB]。
然后是控制服务器得到第二梯度信息。此时,控制服务器已经得到了加密后的第二中间结果[θAxj]、以及每一个训练设备的加密后的第一中间结果[θBxi]。控制服务器根据加密后的第二中间结果[θAxj]、以及每一个训练设备的加密后的第一中间结果[θBxi],生成第二梯度信息 T为参与训练的训练设备的总个数。
进而,控制服务器和各训练设备之间交互,得到了第二梯度信息;完成了多维度数据的联合训练;并且,模型是联合训练过程,而不是串行的过程,减少了模型的累积误差。
然后,控制服务器根据控制服务器中的第二训练数据xj、以及第二梯度信息[D],生成梯度值[gA]。控制服务器将梯度值[gA]发送给安全方设备。
安全方设备采用与公钥keypub对应的私钥,对梯度累加信息[gB]进行解密,将解密后的梯度累加信息gB通过后台设备发送给每一个训练设备。
并且,安全方设备采用与公钥keypub对应的私钥,对梯度值[gA]进行解密,将解密后的梯度值gA发送给控制服务器。
每一个训练设备根据解密后的梯度累加信息gB,对第一初始模型B进行更新,得到第一预设模型;控制服务器根据解密后的梯度值gA,对第二初始模型A进行更新,得到第二预设模型。然后,在确定达到上述预设条件时,结束更新过程(即,结束循环过程)从而完成了对第一初始模型B和第二初始模型A的联合训练的更新;在确定没有达到上述预设条件时,将所得到的第一预设模型作为新的第一初始模型,将所得到的第二预设模型作为新的第二初始模型,然后再次进行更新(即,进行上述第一个步骤至第九个步骤)。
304、接收终端设备发送的用户风险评估请求,并接收终端设备发送的第一评估信息,其中,第一评估信息为依据第一预设模型和第一用户特征数据所生成的,第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,第一梯度信息用于表征一个训练设备与控制服务器之间的联合训练结果。
示例性地,本步骤可以参见图2步骤101,不再赘述。
305、根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,第二预设模型为根据第二梯度信息所获取到的,第二梯度信息用于表征多个训练设备与控制服务器的联合训练结果。
示例性地,本步骤可以参见图2步骤102,不再赘述。
306、根据第一评估信息和第二评估信息,生成用户风险评估结果。
示例性地,本步骤可以参见图2步骤103,不再赘述。
307、将用户风险评估结果,发送给终端设备。
示例性地,本步骤可以参见图2步骤104,不再赘述。
在步骤304-307中,参与训练的每一个训练设备都可以得到更新后的第一预设模型(是相同的模型);此时,第一预设模型,是一个共享模型。
发起用户风险评估请求的终端设备获取到共享模型,发起用户风险评估请求的终端设备采用共享模型对终端设备所获取的用户特征数据进行计算,得到第一评估信息;该终端设备将生成的第一评估信息发送给控制服务器。
控制服务器根据用户提交的数据、其他可以获取的数据、以及更新后的没人预设模型,生成第二评估信息;控制服务器根据第一评估信息和第二评估信息,生成用户风险评估结果;控制服务器将用户风险评估结果发送给终端设备。
例如,发起贷款请求的终端设备获取到共享模型,发起贷款请求的终端设备采用共享模型对终端设备所获取的用户特征数据进行计算,得到第一评估信息,发起贷款请求的终端设备将生成的第一评估信息发送给控制服务器。控制服务器根据用户提交的数据、其他可以获取的数据、以及第二预设模型,生成第二评估信息;控制服务器根据第一评估信息和第二评估信息果,生成判定结果;控制服务器将判定结果发送给发起贷款请求的终端设备,判定结果表征贷款结果。
本实施例,在上述实施例的基础上,可以基于短信等终端设备本身的软件上的用户数据,得到用户特征数据,可以充分描绘用户肖像。并且,不需要第三方设备的参与;用户的数据都不需要出本地,保证数据安全;不需要离线获取数据,降低获取数据的成本。可以进行模型的联合训练,不是进行模型的串行判别,可以减少模型的累积误差。并且,上述联合训练过程基于异步迭代,无须有相关算法、工程人员进行驻场训练,也无须提供相对安全的物理隔离环境,进而自动完成训练,降低了成本。
图7是根据本申请第四实施例的示意图,如图7所示,本实施例提供的基于智能学习的风险评估方法,包括:
401、接收终端设备发送的用户风险评估请求,并接收终端设备发送的第一评估信息,其中,第一评估信息为依据第一预设模型和第一用户特征数据所生成的,第一预设模型为多个训练设备与控制服务器之间的联合训练得到的。
示例性地,本实施例以执行主体可以是控制服务器。
终端设备获取第一用户特征数据的方式可以参见图2的步骤101。本实施例中,终端设备可以获取到第一预设模型,第一预设模型为多个训练设备与控制服务器之间的联合训练得到的;终端设备依据第一预设模型对第一用户特征数据进行分析,得到第一评估信息。
终端设备需要将所得到的第一评估信息,发送给控制服务器。
402、根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,第二预设模型为多个训练设备与控制服务器之间的联合训练得到的。
示例性地,控制服务器获取到第二预设模型,第二预设模型为多个训练设备与控制服务器之间的联合训练得到的。控制服务器已经预先的从其他设备中获取到了第二用户特征数据,其中,第一用户特征数据和第二用户特征数据归属于同一个用户。然后,控制服务器依据第二预设模型对第二用户特征数据进行分析,得到第二评估信息。
403、根据第一评估信息和第二评估信息,生成用户风险评估结果。
示例性地,本步骤可以参见图2的步骤103,不再赘述。
404、将用户风险评估结果,发送给终端设备。
示例性地,本步骤可以参见图2的步骤103,不再赘述。
本实施例,不需要第三方测评设备的参与,进而不需要考虑第三方测评设备与控制服务器之间的通信;从而,一旦终端设备发起请求,控制服务器就可以根据终端设备传递的信息,完成风险评估。并且,上述过程,是在线的得到用户特征数据,不需要离线的获取用户数据,不需要人工参与;进而降低了人力成本,同时避免了数据泄露问题;并且,上述过程,只需要终端设备获取到第一预设模型,控制服务器获取到第二预设模型,第一预设模型和第二预设模型均是经过联合训练而得到的,而不是模型串行的结果,进而减少了模型的累积误差,提升了风险评估的准确性。
图8是根据本申请第五实施例的示意图,如图8所示,本实施例提供的基于智能学习的风险评估装置应用于控制服务器,该装置包括:
第一接收单元31,用于接收终端设备发送的用户风险评估请求,并接收终端设备发送的第一评估信息,其中,第一评估信息为依据第一预设模型和第一用户特征数据所生成的,第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,第一梯度信息用于表征一个训练设备与控制服务器之间的联合训练结果。
第一生成单元32,用于根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,第二预设模型为根据第二梯度信息所获取到的,第二梯度信息用于表征多个训练设备与控制服务器的联合训练结果。
第二生成单元33,用于根据第一评估信息和第二评估信息,生成用户风险评估结果。
第一发送单元34,用于将用户风险评估结果,发送给终端设备。
本实施例的装置,可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
图9是根据本申请第六实施例的示意图,在图8所示实施例的基础上,如图9所示,本实施例提供的基于智能学习的风险评估装置应用于控制服务器,第一生成单元32,包括:
获取模块321,用于获取其他设备中存储的第二用户特征数据。
处理模块322,用于将第二用户特征数据进行数据归一化处理,得到处理后的第二用户特征数据。
生成模块323,用于将处理后的第二用户特征数据,输入第二预设模型,生成第二评估信息。
一个示例中,第一梯度信息为加密的第一梯度信息,第二梯度信息为加密的第二梯度信息。
一个示例中,第一用户特征数据为从数据解析设备中获取到的特征数据,或者,第一用户特征数据为对终端设备中的数据信息进行解析之后得到的特征数据。
一个示例中,第一预设模型为依据多个训练设备的第一梯度信息对第一初始模型进行更新得到的;装置,还包括:
第二接收单元41,用于在第一生成单元32根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息之前,接收安全方设备发送的第二梯度信息。
确定单元42,用于根据第二梯度信息对第二初始模型进行更新,得到第二预设模型。
本实施例的装置,可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
图10是根据本申请第七实施例的示意图,在图8所示实施例的基础上,如图10所示,本实施例提供的基于智能学习的风险评估装置应用于控制服务器,还包括:
第二发送单元51,用于根据预设信息生成第一初始模型和第二初始模型,并将第一初始模型通过后台设备发送给每一个训练设备。
第三接收单元52,用于接收安全方设备发送的公钥,训练设备中具有公钥。
执行单元53,用于重复执行以下步骤,直至达到预设条件:根据公钥、控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息,各训练设备的第一梯度信息用于更新第一初始模型以得到第一预设模型;根据公钥、控制服务器中的训练信息、以及各训练设备发送的训练信息,生成第二梯度信息,并根据第二梯度信息更新第二初始模型,得到第二预设模型;其中,i为大于等于1的正整数。
一个示例中,第i个训练设备发送的训练信息为加密后的第一中间结果,控制服务器中的训练信息为加密后的第二中间结果;执行单元53在根据公钥、控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息时,具体用于:
接收第i个训练设备发送的加密的第一中间结果,其中,加密的第一中间结果为根据第一初始模型、第一训练数据和公钥得到的;i为大于等于1的正整数;根据第二初始模型、第二训练数据和公钥,得到加密的第二中间结果;根据加密的第二中间结果、第i个训练设备的加密的第一中间结果,生成第i个训练设备的梯度权重;将第i个训练设备的梯度权重,发送给第i个训练设备,梯度权重用于依据第一训练数据生成第i个训练设备的第一梯度信息,各训练设备的第一梯度信息用于联合分析后得到梯度累加信息;梯度累加信息用于采用与公钥对应的私钥进行解密后,得到解密后的梯度累加信息;解密后的梯度累加信息用于更新第一初始模型,以得到第一预设模型。
一个示例中,第i个训练设备发送的训练信息为加密后的第一中间结果,控制服务器中的训练信息为加密后的第二中间结果;执行单元53在根据公钥、控制服务器中的训练信息、以及各训练设备发送的训练信息,生成第二梯度信息时具体用于:
接收第i个训练设备发送的加密的第一中间结果,其中,加密的第一中间结果为根据第一初始模型、第一训练数据和公钥得到的;i为大于等于1的正整数;根据第二初始模型、第二训练数据和公钥,得到加密的第二中间结果;将加密的第二中间结果、以及各训练设备的加密的第一中间结果进行累加,得到第二梯度信息。
一个示例中,执行单元53在根据第二梯度信息更新第二初始模型,得到第二预设模型时,具体用于:
根据第二训练数据和第二梯度信息,生成梯度值,并将梯度值发送给安全方设备,梯度值用于采用与公钥对应的私钥进行解密后,得到解密后的梯度值;接收安全方设备发送的解密后的梯度值;根据解密后的梯度值,对第二初始模型进行更新,得到第二预设模型。
一个示例中,预设条件为以下任意一种或多种:重复次序达到M次,M为大于等于1的正整数;第一初始模型的更新程度小于预设值,且第二初始模型的更新程度小于预设值;采用更新后的第一初始模型和更新后的第二初始模型所得到的测试结果,符合预设结果。
本实施例的装置,可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图11是根据本申请第八实施例的示意图,如图11所示,本实施例中的电子设备70可以包括:处理器71和存储器72。
存储器72,用于存储程序;存储器72,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器72用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器72中。并且上述的计算机程序、计算机指令、数据等可以被处理器71调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器72中。并且上述的计算机程序、计算机指据等可以被处理器71调用。
处理器71,用于执行存储器72存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器71和存储器72可以是独立结构,也可以是集成在一起的集成结构。当处理器71和存储器72是独立结构时,存储器72、处理器71可以通过总线73耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
图12是根据本申请第九实施例的示意图,如图12所示,图12是用来实现本申请实施例的基于智能学习的风险评估方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图12所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图12中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的基于智能学习的风险评估方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的基于智能学习的风险评估方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的基于智能学习的风险评估方法对应的程序指令/模块(例如,附图8所示的第一接收单元31、第一生成单元32、第二生成单元33和第一发送单元34)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的基于智能学习的风险评估方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据基于智能学习的风险评估方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至基于智能学习的风险评估方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
基于智能学习的风险评估方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图12中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与基于智能学习的风险评估方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
图13是根据本申请第十实施例的示意图,如图13所示,提供了一种基于智能学习的风险评估***,***包括控制服务器和多个训练设备;控制服务器,用于:
接收终端设备发送的用户风险评估请求,并接收终端设备发送的第一评估信息,其中,第一评估信息为依据第一预设模型和第一用户特征数据所生成的,第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,第一梯度信息用于表征一个训练设备与控制服务器之间的联合训练结果。
根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,第二预设模型为根据第二梯度信息所获取到的,第二梯度信息用于表征多个训练设备与控制服务器的联合训练结果。
根据第一评估信息和第二评估信息,生成用户风险评估结果。
将用户风险评估结果,发送给终端设备。
一个示例中。控制服务器在根据控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息时,具体用于:获取其他设备中存储的第二用户特征数据;将第二用户特征数据进行数据归一化处理,得到处理后的第二用户特征数据;将处理后的第二用户特征数据,输入第二预设模型,生成第二评估信息。
一个示例中。第一梯度信息为加密的第一梯度信息,第二梯度信息为加密的第二梯度信息。
一个示例中。第一用户特征数据为从数据解析设备中获取到的特征数据,或者,第一用户特征数据为对终端设备中的数据信息进行解析之后得到的特征数据。
一个示例中,本实施例提供的***还包括安全方设备,第一预设模型为依据多个训练设备的第一梯度信息对第一初始模型进行更新得到的。
安全方设备,用于向控制服务器发送第二梯度信息。
控制服务器,还用于根据第二梯度信息对第二初始模型进行更新,得到第二预设模型。
一个示例中。***还包括安全方设备。
控制服务器,还用于根据预设信息生成第一初始模型和第二初始模型,并将第一初始模型通过后台设备发送给每一个训练设备。
安全方设备,用于向控制服务器和每一个训练设备发送公钥。
控制服务器,还用于重复执行以下步骤,直至达到预设条件:根据公钥、控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息,各训练设备的第一梯度信息用于更新第一初始模型以得到第一预设模型;根据公钥、控制服务器中的训练信息、以及各训练设备发送的训练信息,生成第二梯度信息,并根据第二梯度信息更新第二初始模型,得到第二预设模型;其中,i为大于等于1的正整数。
一个示例中,第i个训练设备发送的训练信息为加密后的第一中间结果,控制服务器中的训练信息为加密后的第二中间结果;控制服务器在根据公钥、控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息时,具体用于:接收第i个训练设备发送的加密的第一中间结果,其中,加密的第一中间结果为根据第一初始模型、第一训练数据和公钥得到的;i为大于等于1的正整数;根据第二初始模型、第二训练数据和公钥,得到加密的第二中间结果;根据加密的第二中间结果、第i个训练设备的加密的第一中间结果,生成第i个训练设备的梯度权重;将第i个训练设备的梯度权重,发送给第i个训练设备,梯度权重用于依据第一训练数据生成第i个训练设备的第一梯度信息,各训练设备的第一梯度信息用于联合分析后得到梯度累加信息;梯度累加信息用于采用与公钥对应的私钥进行解密后,得到解密后的梯度累加信息;解密后的梯度累加信息用于更新第一初始模型,以得到第一预设模型。
一个示例中,第i个训练设备发送的训练信息为加密后的第一中间结果,控制服务器中的训练信息为加密后的第二中间结果;控制服务器在根据公钥、控制服务器中的训练信息、以及各训练设备发送的训练信息,生成第二梯度信息时,具体用于:接收第i个训练设备发送的加密的第一中间结果,其中,加密的第一中间结果为根据第一初始模型、第一训练数据和公钥得到的;i为大于等于1的正整数;根据第二初始模型、第二训练数据和公钥,得到加密的第二中间结果;将加密的第二中间结果、以及各训练设备的加密的第一中间结果进行累加,得到第二梯度信息。
一个示例中。控制服务器在根据第二梯度信息更新第二初始模型得到第二预设模型时,具体用于:根据第二训练数据和第二梯度信息,生成梯度值,并将梯度值发送给安全方设备,梯度值用于采用与公钥对应的私钥进行解密后,得到解密后的梯度值;接收安全方设备发送的解密后的梯度值;根据解密后的梯度值,对第二初始模型进行更新,得到第二预设模型。
一个示例中。预设条件为以下任意一种或多种:重复次序达到M次,M为大于等于1的正整数;第一初始模型的更新程度小于预设值,且第二初始模型的更新程度小于预设值;采用更新后的第一初始模型和更新后的第二初始模型所得到的测试结果,符合预设结果。
本实施例的***,可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (19)
1.一种基于智能学习的风险评估方法,所述方法应用于控制服务器,所述方法包括:
接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,所述第一梯度信息用于表征一个所述训练设备与所述控制服务器之间的联合训练结果;
根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,所述第二预设模型为根据第二梯度信息所获取到的,所述第二梯度信息用于表征多个训练设备与所述控制服务器的联合训练结果;
根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
将所述用户风险评估结果,发送给所述终端设备。
2.根据权利要求1所述的方法,其中,根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,包括:
获取其他设备中存储的第二用户特征数据;
将所述第二用户特征数据进行数据归一化处理,得到处理后的第二用户特征数据;
将所述处理后的第二用户特征数据,输入所述第二预设模型,生成所述第二评估信息。
3.根据权利要求1所述的方法,所述第一梯度信息为加密的第一梯度信息,所述第二梯度信息为加密的第二梯度信息。
4.根据权利要求1所述的方法,所述第一用户特征数据为从数据解析设备中获取到的特征数据,或者,所述第一用户特征数据为对所述终端设备中的数据信息进行解析之后得到的特征数据。
5.根据权利要求1所述的方法,所述第一预设模型为依据多个训练设备的第一梯度信息对第一初始模型进行更新得到的;在根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息之前,还包括:
接收安全方设备发送的所述第二梯度信息;
根据所述第二梯度信息对第二初始模型进行更新,得到所述第二预设模型。
6.根据权利要求1-5任一项所述的方法,所述方法还包括:
根据预设信息生成第一初始模型和第二初始模型,并将所述第一初始模型通过后台设备发送给每一个训练设备;
接收安全方设备发送的公钥,所述训练设备中具有所述公钥;
重复执行以下步骤,直至达到预设条件:根据所述公钥、所述控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息,各所述训练设备的第一梯度信息用于更新第一初始模型以得到所述第一预设模型;根据所述公钥、所述控制服务器中的训练信息、以及各所述训练设备发送的训练信息,生成所述第二梯度信息,并根据所述第二梯度信息更新第二初始模型,得到所述第二预设模型;其中,i为大于等于1的正整数。
7.根据权利要求6所述的方法,其中,第i个训练设备发送的训练信息为加密后的第一中间结果,所述控制服务器中的训练信息为加密后的第二中间结果;根据所述公钥、所述控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息,包括:
接收第i个训练设备发送的加密的第一中间结果,其中,所述加密的第一中间结果为根据所述第一初始模型、第一训练数据和所述公钥得到的;
根据所述第二初始模型、第二训练数据和所述公钥,得到加密的第二中间结果;
根据加密的第二中间结果、第i个训练设备的加密的第一中间结果,生成第i个训练设备的梯度权重;
将第i个训练设备的梯度权重,发送给第i个训练设备,所述梯度权重用于依据第一训练数据生成第i个训练设备的第一梯度信息,各训练设备的第一梯度信息用于联合分析后得到梯度累加信息;所述梯度累加信息用于采用与所述公钥对应的私钥进行解密后,得到解密后的梯度累加信息;所述解密后的梯度累加信息用于更新所述第一初始模型,以得到所述第一预设模型。
8.根据权利要求6所述的方法,其中,第i个训练设备发送的训练信息为加密后的第一中间结果,所述控制服务器中的训练信息为加密后的第二中间结果;根据所述公钥、所述控制服务器中的训练信息、以及各所述训练设备发送的训练信息,生成所述第二梯度信息,包括:
接收第i个训练设备发送的加密的第一中间结果,其中,所述加密的第一中间结果为根据所述第一初始模型、第一训练数据和所述公钥得到的;i为大于等于1的正整数;
根据所述第二初始模型、第二训练数据和所述公钥,得到加密的第二中间结果;
将加密的第二中间结果、以及各训练设备的加密的第一中间结果进行累加,得到所述第二梯度信息。
9.根据权利要求8所述的方法,其中,根据所述第二梯度信息更新第二初始模型,得到所述第二预设模型,包括:
根据第二训练数据和所述第二梯度信息,生成梯度值,并将所述梯度值发送给安全方设备,所述梯度值用于采用与所述公钥对应的私钥进行解密后,得到解密后的梯度值;
接收所述安全方设备发送的解密后的梯度值;
根据所述解密后的梯度值,对所述第二初始模型进行更新,得到所述第二预设模型。
10.根据权利要求6所述的方法,所述预设条件为以下任意一种或多种:
重复次序达到M次,M为大于等于1的正整数;
第一初始模型的更新程度大于预设值,且第二初始模型的更新程度大于预设值;
采用更新后的第一初始模型和更新后的第二初始模型所得到的测试结果,符合预设结果。
11.一种基于智能学习的风险评估装置,所述装置应用于控制服务器,所述装置包括:
第一接收单元,用于接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,所述第一梯度信息用于表征一个所述训练设备与所述控制服务器之间的联合训练结果;
第一生成单元,用于根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,所述第二预设模型为根据第二梯度信息所获取到的,所述第二梯度信息用于表征多个训练设备与所述控制服务器的联合训练结果;
第二生成单元,用于根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
第一发送单元,用于将所述用户风险评估结果,发送给所述终端设备。
12.根据权利要求11所述的装置,所述第一用户特征数据为从数据解析设备中获取到的特征数据,或者,所述第一用户特征数据为对所述终端设备中的数据信息进行解析之后得到的特征数据。
13.根据权利要求11或12所述的装置,所述装置还包括:
第二发送单元,用于根据预设信息生成第一初始模型和第二初始模型,并将所述第一初始模型通过后台设备发送给每一个训练设备;
第三接收单元,用于接收安全方设备发送的公钥,所述训练设备中具有所述公钥;
执行单元,用于重复执行以下步骤,直至达到预设条件:根据所述公钥、所述控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息,各所述训练设备的第一梯度信息用于更新第一初始模型以得到所述第一预设模型;根据所述公钥、所述控制服务器中的训练信息、以及各所述训练设备发送的训练信息,生成所述第二梯度信息,并根据所述第二梯度信息更新第二初始模型,得到所述第二预设模型;其中,i为大于等于1的正整数。
14.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
16.一种基于智能学习的风险评估***,所述***包括控制服务器和多个训练设备;所述控制服务器,用于:
接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为依据多个训练设备的第一梯度信息进行联合分析得到的,所述第一梯度信息用于表征一个训练设备与所述控制服务器之间的联合训练结果;
根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,所述第二预设模型为根据第二梯度信息所获取到的,所述第二梯度信息用于表征多个训练设备与所述控制服务器的联合训练结果;
根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
将所述用户风险评估结果,发送给所述终端设备。
17.根据权利要求16所述的***,所述第一用户特征数据为从数据解析设备中获取到的特征数据,或者,所述第一用户特征数据为对所述终端设备中的数据信息进行解析之后得到的特征数据。
18.根据权利要求16或17所述的***,所述***还包括安全方设备;
所述控制服务器,还用于根据预设信息生成第一初始模型和第二初始模型,并将所述第一初始模型通过后台设备发送给每一个训练设备;
所述安全方设备,用于向所述控制服务器和每一个训练设备发送公钥;
所述控制服务器,还用于重复执行以下步骤,直至达到预设条件:根据所述公钥、所述控制服务器中的训练信息、以及第i个训练设备发送的训练信息,生成第i个训练设备的第一梯度信息,各所述训练设备的第一梯度信息用于更新第一初始模型以得到所述第一预设模型;根据所述公钥、所述控制服务器中的训练信息、以及各所述训练设备发送的训练信息,生成所述第二梯度信息,并根据所述第二梯度信息更新第二初始模型,得到所述第二预设模型;其中,i为大于等于1的正整数。
19.一种基于智能学习的风险评估方法,所述方法应用于控制服务器,所述方法包括:
接收终端设备发送的用户风险评估请求,并接收所述终端设备发送的第一评估信息,其中,所述第一评估信息为依据第一预设模型和第一用户特征数据所生成的,所述第一预设模型为多个训练设备与所述控制服务器之间的联合训练得到的;
根据所述控制服务器中的第二用户特征数据和第二预设模型,生成第二评估信息,其中,所述第二预设模型为多个训练设备与所述控制服务器之间的联合训练得到的;
根据所述第一评估信息和所述第二评估信息,生成用户风险评估结果;
将所述用户风险评估结果,发送给所述终端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615232.3A CN111783038B (zh) | 2020-06-30 | 2020-06-30 | 基于智能学习的风险评估方法、装置、设备、***和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615232.3A CN111783038B (zh) | 2020-06-30 | 2020-06-30 | 基于智能学习的风险评估方法、装置、设备、***和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783038A true CN111783038A (zh) | 2020-10-16 |
CN111783038B CN111783038B (zh) | 2024-04-12 |
Family
ID=72760024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010615232.3A Active CN111783038B (zh) | 2020-06-30 | 2020-06-30 | 基于智能学习的风险评估方法、装置、设备、***和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783038B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906139A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技(深圳)有限公司 | 车辆故障风险评估方法、装置、电子设备及存储介质 |
CN113177700A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种风险评估方法、***、电子设备及存储介质 |
CN114124343A (zh) * | 2020-11-16 | 2022-03-01 | 神州融安数字科技(北京)有限公司 | 保护隐私的风险评分信息查询方法、装置、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020029585A1 (zh) * | 2018-08-10 | 2020-02-13 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和*** |
CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、***及设备 |
-
2020
- 2020-06-30 CN CN202010615232.3A patent/CN111783038B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020029585A1 (zh) * | 2018-08-10 | 2020-02-13 | 深圳前海微众银行股份有限公司 | 基于迁移学习的神经网络联邦建模方法、设备及存储介质 |
CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、***及设备 |
CN111008709A (zh) * | 2020-03-10 | 2020-04-14 | 支付宝(杭州)信息技术有限公司 | 联邦学习、资料风险评估方法、装置和*** |
Non-Patent Citations (1)
Title |
---|
冯雪峰;龚军;吕小毅;: "模糊神经网络信息安全风险评估方法在信息***中的应用", 现代计算机(专业版), no. 24 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124343A (zh) * | 2020-11-16 | 2022-03-01 | 神州融安数字科技(北京)有限公司 | 保护隐私的风险评分信息查询方法、装置、***及设备 |
CN114124343B (zh) * | 2020-11-16 | 2023-11-14 | 神州融安数字科技(北京)有限公司 | 保护隐私的风险评分信息查询方法、装置、***及设备 |
CN112906139A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技(深圳)有限公司 | 车辆故障风险评估方法、装置、电子设备及存储介质 |
CN113177700A (zh) * | 2021-04-15 | 2021-07-27 | 国任财产保险股份有限公司 | 一种风险评估方法、***、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111783038B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022206510A1 (zh) | 联邦学习的模型训练方法、装置、设备及存储介质 | |
CN111783038A (zh) | 基于智能学习的风险评估方法、装置、设备、***和介质 | |
EP3913545A2 (en) | Method and apparatus for updating parameter of multi-task model, and electronic device | |
CN104391934B (zh) | 数据校验方法和装置 | |
CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
CN111310204B (zh) | 数据处理的方法及装置 | |
CN111340558B (zh) | 基于联邦学习的线上信息处理方法、装置、设备及介质 | |
CN114331761B (zh) | 一种专变采集终端的设备参数分析调整方法及*** | |
CN107862425B (zh) | 风控数据采集方法、设备、***及可读存储介质 | |
CN116032663B (zh) | 基于边缘设备的隐私数据处理***、方法、设备及介质 | |
CN114611008B (zh) | 基于联邦学习的用户服务策略确定方法、装置及电子设备 | |
US20230068770A1 (en) | Federated model training method and apparatus, electronic device, computer program product, and computer-readable storage medium | |
CN112070416A (zh) | 基于ai的rpa流程的生成方法、装置、设备及介质 | |
CN114186256A (zh) | 神经网络模型的训练方法、装置、设备和存储介质 | |
EP4102772A1 (en) | Method and apparatus of processing security information, device and storage medium | |
CN117474091A (zh) | 一种知识图谱构建方法、装置、设备及存储介质 | |
CN115883187A (zh) | 网络流量数据中的异常信息识别方法、装置、设备和介质 | |
CN115150063A (zh) | 模型加密的方法、装置及电子设备 | |
CN117576535B (zh) | 一种图像识别方法、装置、设备以及存储介质 | |
CN115358728A (zh) | 基于云计算的erp数据处理方法 | |
CN113032817B (zh) | 基于区块链的数据对齐方法、装置、设备和介质 | |
US11593740B1 (en) | Computing system for automated evaluation of process workflows | |
US20180276749A1 (en) | Multi-disciplinary comprehensive real-time trading signal within a designated time frame | |
CN114254028A (zh) | 事件属性抽取方法、装置、电子设备和存储介质 | |
CN114782668A (zh) | 模型聚合方法、装置、***及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |