[发明专利]一种用户客群分类方法和装置

权利要求书

1.一种用户客群分类方法，其特征在于，包括：

在联邦学习分布式网络的参与节点中，获取用户特征数据；其中，所述联邦学习分布式网络，包括：参与节点，模型聚合节点；

根据用户特征数据，在参与节点中对逻辑回归模型进行训练，确定参与节点梯度密文信息；

将参与节点梯度密文信息上传至联邦学习分布式网络的模型聚合节点进行聚合，确定聚合梯度密文信息；

根据聚合梯度密文信息，在模型聚合节点中进行横向联邦学习，确定联合梯度信息；

将联合梯度信息分发至每一参与节点，输入至联邦学习逻辑回归客群分类模型进行训练；

根据训练后的联邦学习逻辑回归客群分类模型，对用户客群进行分类。

2.如权利要求1所述的方法，其特征在于，在联邦学习分布式网络的参与节点中，获取用户特征数据，包括：

在联邦学习分布式网络的参与节的本地数据库中，采集用户信息；

对用户信息进行分析，获取用户特征数据。

3.如权利要求1所述的方法，其特征在于，各个参与节点的用户特征数据的类型保持一致。

4.如权利要求1所述的方法，其特征在于，所述用户特征数据，包括用户标签和多个用户特征。

5.如权利要求1所述的方法，其特征在于，根据用户特征数据，在参与节点中对逻辑回归模型进行训练，确定参与节点梯度密文信息，包括：

将用户特征数据作为输入数据，在参与节点中输入至逻辑回归模型进行训练；

获取逻辑回归模型训练时参数求解过程的梯度信息；

在参与节点中，通过同态加密对梯度信息进行加密，确定参与节点梯度密文信息。

6.如权利要求1所述的方法，其特征在于，根据训练后的联邦学习逻辑回归客群分类模型，对用户客群进行分类，包括：

在参与节点中，利用训练后的联邦学习逻辑回归客群分类模型，在反洗钱、反欺诈以及信用评价的场景中对用户客群进行预测分类。

7.一种用户客群分类装置，其特征在于，包括：

数据获取模块，用于在联邦学习分布式网络的参与节点中，获取用户特征数据；其中，所述联邦学习分布式网络，包括：参与节点，模型聚合节点；

参与节点梯度密文信息确定模块，用于根据用户特征数据，在参与节点中对逻辑回归模型进行训练，确定参与节点梯度密文信息；

聚合梯度密文信息确定模块，用于将参与节点梯度密文信息上传至联邦学习分布式网络的模型聚合节点进行聚合，确定聚合梯度密文信息；

联合梯度信息确定模块，用于根据聚合梯度密文信息，在模型聚合节点中进行横向联邦学习，确定联合梯度信息；

联邦学习逻辑回归客群分类模型训练模块，用于将联合梯度信息分发至每一参与节点，输入至联邦学习逻辑回归客群分类模型进行训练；

用户客群分类模块，用于根据训练后的联邦学习逻辑回归客群分类模型，对用户客群进行分类。

8.如权利要求7所述的装置，其特征在于，数据获取模块，具体用于：

在联邦学习分布式网络的参与节的本地数据库中，采集用户信息；

对用户信息进行分析，获取用户特征数据。

9.如权利要求7所述的装置，其特征在于，各个参与节点的用户特征数据的类型保持一致。

10.如权利要求7所述的装置，其特征在于，所述用户特征数据，包括用户标签和多个用户特征。

11.如权利要求7所述的装置，其特征在于，参与节点梯度密文信息确定模块，具体用于：

将用户特征数据作为输入数据，在参与节点中输入至逻辑回归模型进行训练；

获取逻辑回归模型训练时参数求解过程的梯度信息；

在参与节点中，通过同态加密对梯度信息进行加密，确定参与节点梯度密文信息。