[发明专利]推荐模型的训练方法、拟合方法、装置和电子设备

说明书

本说明书实施例公开了一种推荐模型的训练方法、拟合方法、装置和电子设备。所述拟合方法包括：获取数据集的属性信息；将属性信息输入至推荐模型，得到推荐模型推荐的拟合参数的取值；根据拟合参数的取值，确定与所述数据集对应的能够拟合激励函数的拟合函数；所述拟合函数包括多个函数项的线性组合，用于代替激励函数构建业务模型。本说明书实施例可以确定拟合函数。所述拟合函数可以包括多个函数项的线性组合。在使用拟合函数代替激励函数构建业务模型以后，可以采用秘密分享算法对基于拟合函数构建的业务模型进行训练。

技术领域

本说明书实施例涉及计算机技术领域，特别涉及一种推荐模型的训练方法、拟合方法、装置和电子设备。

背景技术

大数据时代，存在非常多的数据孤岛。每个自然人的业务数据分散存于不同的企业中。企业与企业之间由于竞争关系和隐私保护的考虑，并不是完全的互相信任。在一些情况下，需要在充分保护数据隐私的前提下，采用安全多方计算，利用双方都有的业务数据训练机器学习模型。机器学习模型可以包括激励函数。一些机器学习模型中的激励函数无法通过安全多方计算的方式计算。这样便无法在保护数据隐私的前提下，实现对机器学习模型的训练。

发明内容

本说明书实施例提供一种推荐模型的训练方法、拟合方法、装置和电子设备。

本说明书实施例的第一方面，提供了一种推荐模型的训练方法，所述推荐模型用于推荐拟合参数的取值，所述拟合参数用于确定能够拟合激励函数的拟合函数；所述拟合函数包括多个函数项的线性组合，用于代替激励函数构建业务模型；所述方法包括：获取数据集的属性信息；根据所述数据集，确定拟合参数的取值；根据属性信息和拟合参数的取值，构建训练样本；根据训练样本，对所述推荐模型进行训练。

本说明书实施例的第二方面，提供了一种拟合方法，包括：获取数据集的属性信息；将属性信息输入至推荐模型，得到推荐模型推荐的拟合参数的取值；根据拟合参数的取值，确定与所述数据集对应的能够拟合激励函数的拟合函数；所述拟合函数包括多个函数项的线性组合，用于代替激励函数构建业务模型。

本说明书实施例的第三方面，提供了一种推荐模型的训练装置，所述推荐模型用于推荐拟合参数的取值，所述拟合参数用于确定能够拟合激励函数的拟合函数；所述拟合函数包括多个函数项的线性组合，用于代替激励函数构建业务模型；所述装置包括：获取单元，用于获取数据集的属性信息；确定单元，用于根据所述数据集，确定拟合参数的取值；构建单元，用于根据属性信息和拟合参数的取值，构建训练样本；训练单元，用于根据训练样本，对所述推荐模型进行训练。

本说明书实施例的第四方面，提供了一种拟合装置，包括：获取单元，用于获取数据集的属性信息；输入单元，用于将属性信息输入至推荐模型，得到推荐模型推荐的拟合参数的取值；确定单元，用于根据拟合参数的取值，确定与所述数据集对应的能够拟合激励函数的拟合函数；所述拟合函数包括多个函数项的线性组合，用于代替激励函数构建业务模型。

本说明书实施例的第五方面，提供了一种电子设备，包括：至少一个处理器；存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如第一方面或者第二方面所述方法的指令。

本说明书实施例提供的技术方案，可以训练推荐模型。利用所述推荐模型可以方便地确定拟合函数。另外，本说明书实施例提供的技术方案，还可以通过推荐模型，获得与数据集对应的拟合函数。所述拟合函数可以包括多个函数项的线性组合。在使用拟合函数代替激励函数构建业务模型以后，可以采用秘密分享算法对基于拟合函数构建的业务模型进行训练。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。