[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

说明书

本说明书实施例公开了一种基于隐私保护的联邦学习、虚拟对象分配方法和装置，在联邦学习方法中，参与纵向联邦学习的第一设备（代表网络应用公司）和第二设备（代表第三方支付平台）分别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；协调者对收到的本地模型参数数进行整合，得到全局模型参数并发送至第一设备和第二设备；第一设备和第二设备分别基于全局模型参数更新本地模型，并在不满足训练结束条件时再次进行训练；在满足件时，协调者基于最后一次更新的本地模型确定预测模型，预测模型用于预测目标用户向网络应用公司付款的意向参数，意向参数用于确定是否向目标用户分配虚拟对象。

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于隐私保护的联邦学习、虚拟对象分配方法和装置。

背景技术

随着互联网及计算机技术的发展，能够为用户提供产品或服务的网络应用（Application，APP）越来越多，例如，能够为用户提供阅读服务的在线读书APP，可供用户听音乐的在线音乐APP，能够供用户休闲娱乐的游戏APP，以及可供用户购物的电商APP，等等。这些网络应用为用户提供的产品或服务往往是收费的（如用户需要充值或支付才能获取），且常常通过第三方支付平台来收款。对于这些网络应用来说，能够获得更高的成交总额（Gross Merchandise Volume，GMV），为更多的用户提供有偿产品或服务，是其始终追求的目标。对于第三方支付平台来说，能有更多的用户选择自己进行支付扩大自己的市场份额，也是其一直努力的方向。支付成功率是影响GMA的关键因素，因此提升支付成功率对这些网络应用来说很重要。同时，对第三方支付平台来说，帮助这些网络应用提升支付成功率也很重要，这不仅可以帮助网络应用公司提高收益，还可以让网络应用公司将自身作为首推的收款工具，扩大自己的市场份额，达到双赢的目的。

对于这类收费的网络应用而言，用户的犹豫程度往往较高，而支付意向参数往往较低，支付成功率也相对较低。为了提升用户使用第三方支付平台向这类网络应用付款的成功率，第三方支付应用和网络应用会根据预先训练好的虚拟对象分配模型，向用户发放一些有价值的虚拟对象，如优惠券、红包、话费、充值券以及虚拟能量等，以吸引用户进行支付。

但是，由于第三方支付平台和网络应用的预算有限，无法对所有用户都发放有价值的虚拟对象。因此，如何将有价值的虚拟对象分配给合适的用户显得尤为重要。

发明内容

本说明书实施例提供了一种基于隐私保护的基于隐私保护的联邦学习、虚拟对象分配方法和装置，以将虚拟对象分配给合适的用户。

为解决上述技术问题，本说明书实施例是这样实现的：

第一方面，提出了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。