[发明专利]基于隐私保护的建模方法、装置、设备及存储介质

说明书

本发明公开了一种基于隐私保护的建模方法、装置、设备及存储介质，所说方法包括：从预设的用户特征集合中获取试探特征；获取基于所述试探特征和预设的建模特征集合进行隐私泄露分析得到的隐私泄露结果；当所述隐私泄露结果表征隐私泄露程度小于预设程度时，根据所述试探特征更新所述建模特征集合，以根据更新后的建模特征集合进行建模得到目标模型。本发明实现了最大化建模效果的同时尽可能大地保证用户隐私安全。

技术领域

本发明涉及机器学习领域，尤其涉及一种基于隐私保护的建模方法、装置、设备及存储介质。

背景技术

随着计算机技术的发展，越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域，传统金融业正在逐步向金融科技(Fintech)转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。

随着机器学习技术的发展，越来越多的应用场景中使用机器学习模型来进行预测和分类等各种各样的任务，例如，为提高广告的投放效果，建立广告的点击转化率预测模型，预测用户对某个广告的点击转化率，从而针对点击转化率高的用户进行广告投放。目前在机器学习模型的建模过程中，多采用所有可能的用户特征来进行建模，以最大化建模效果。然而，采用所有的用户特征进行建模，会一定程度泄露用户的隐私，因此现有的建模方式缺乏对用户隐私的保护。

发明内容

本发明的主要目的在于提供一种基于隐私保护的建模方法、装置、设备及存储介质，旨在解决现有的机器学习模型的建模方式，缺乏对用户隐私的保护的问题。

为实现上述目的，本发明提供一种基于隐私保护的建模方法，所述基于隐私保护的建模方法包括以下步骤：

从预设的用户特征集合中获取试探特征；

获取基于所述试探特征和预设的建模特征集合进行隐私泄露分析得到的隐私泄露结果；

当所述隐私泄露结果表征隐私泄露程度小于预设程度时，根据所述试探特征更新所述建模特征集合，以根据更新后的建模特征集合进行建模得到目标模型。

可选地，所述对所述试探特征和预设的建模特征集合进行隐私泄露分析得到隐私泄露结果的步骤之后，还包括：

当所述隐私泄露结果表征隐私泄露程度大于或者等于预设程度时，将基于所述建模特征集合进行建模得到的模型作为目标模型。

可选地，所述当所述隐私泄露结果表征隐私泄露程度小于预设程度时，根据所述试探特征更新所述建模特征集合，以根据更新后的建模特征集合进行建模得到目标模型的步骤包括：

当所述隐私泄露结果表征隐私泄露程度小于预设程度时，根据所述试探特征更新所述建模特征集合；

采用更新后的建模特征集合对应的用户数据对待训练模型进行模型训练以更新模型参数；

基于更新后的模型参数检测所述待训练模型是否满足预设模型条件；

若确定所述待训练模型满足所述预设模型条件，则基于更新后的模型参数得到目标模型。

可选地，所述基于更新后的模型参数检测模型是否满足预设模型条件的步骤之后，还包括：

若确定所述待训练模型不满足所述预设模型条件，则基于更新后的建模特征集合和更新后的模型参数，再执行所述步骤：从预设的用户特征集合中获取试探特征。

可选地，所述采用更新后的建模特征集合对应的用户数据进行模型训练以更新模型参数的步骤包括：

获取更新后的建模特征集合对应的用户数据；

对所述用户数据进行差分隐私处理，并采用处理后的用户数据进行模型训练以更新模型参数。

可选地，所述从预设的用户特征集合中获取试探特征的步骤包括：