[发明专利]基于隐私保护的联邦学习、虚拟对象分配方法和装置

权利要求书

1.一种基于隐私保护的联邦学习方法，包括：

纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练，得到本地模型参数并发送至协调者，其中，所述参与者设备包括第一设备和第二设备，所述第一设备是网络应用公司的设备，所述第二设备是第三方支付平台的设备，所述第一设备中的本地模型为第一模型，所述第二设备中的本地模型为第二模型；

所述协调者对接收到的本地模型参数进行整合，得到全局模型参数并发送至所述参与者设备，其中，所述本地模型参数包括第一模型参数和第二模型参数，所述第一模型参数是所述第一设备基于所述网络应用公司的本地用户样本对所述第一模型训练得到的，所述第二模型参数是所述第二设备基于所述第三方支付平台的本地用户样本对所述第二模型训练得到的，参与训练的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本是对齐的；

所述参与者设备基于所述全局模型参数更新本地模型，并在不满足预设训练结束条件时，再次基于本地用户样本对更新后的本地模型进行训练；

在满足预设训练结束条件时，所述协调者基于最后一次更新的本地模型确定预测模型，所述预测模型用于预测目标用户向所述网络应用公司付款的意向参数，所述意向参数用于确定是否向所述目标用户分配虚拟对象。

2.根据权利要求1所述的方法，在纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练之前，还包括：

所述协调者向所述参与者设备部署初始本地模型，其中，向所述第一设备部署的初始本地模型为初始第一模型，向所述第二设备部署的初始本地模型为初始第二模型。

3.根据权利要求1所述的方法，在纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练之前，还包括：

所述协调者基于预设加密样本对齐技术，对参与纵向联邦学习的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本进行对齐。

4.根据权利要求3所述的方法，其中，基于预设加密用户对齐技术，对参与纵向联邦学习的所述网络应用公司的本地用户样本和所述第三方支付平台的本地用户样本进行对齐，包括：

基于预设对称加密算法生成第一秘钥对，并将所述第一秘钥对中的公钥发送至所述第一设备和所述第二设备；

接收所述第一设备发送的第一加密用户ID列表和所述第二设备发送的第二加密用户ID列表，其中，所述第一加密用户ID列表是所述第一设备使用所述公钥对所述网络应用公司的本地用户ID列表加密后得到的，所述第二加密用户ID列表是所述第二设备使用所述公钥对所述第三方支付平台的本地用户ID列表加密后得到的；

基于所述第一秘钥对中的私钥，对所述第一加密用户ID列表和所述第二加密用户ID列表分别进行解密，得到第一用户ID列表和第二用户ID列表；

确定所述第一用户ID列表和所述第二用户ID列表中相同的用户ID，得到第三用户ID列表；

将所述第三用户ID列表分别发送至所述第一设备和所述第二设备，以使所述第一设备和所述第二设备分别基于所述第三用户ID列表中的用户ID对应的本地用户样本进行训练。

5.根据权利要求4所述的方法，

所述预设对称加密算法为RSA加密算法。

6.根据权利要求4或5所述的方法，在纵向联邦学习中的参与者设备基于本地用户样本对本地模型进行训练之前，还包括：

所述第一设备代表所述网络应用公司清洗出预设时段内所述第三用户ID列表中的用户在所述网络应用中形成的特征和标签，以作为所述第一设备训练第一模型时采用的本地用户样本和标签；

所述第二设备代表所述第三方支付平台清洗出所述预设时段内所述第三用户ID列表中的用户在所述第三方支付平台中形成的特征，以作为所述第二设备训练第二模型时采用的本地用户样本。