[发明专利]模型构建优化方法、设备、介质及计算机程序产品

权利要求书

1.一种模型构建优化方法，其特征在于，所述模型构建优化方法应用于第一设备，所述模型构建优化方法包括：

获取特征提取模型，并基于与第二设备关联的样本对齐结果，提取第一方重叠样本和第一方非重叠样本；

基于所述第一方重叠样本和所述第一方非重叠样本，通过与所述第二设备进行对比学习交互，联合所述第二设备中的第二方重叠样本，生成所述特征提取模型对应的对比学习损失；

基于所述对比学习损失，优化所述特征提取模型，获得目标特征提取模型。

2.如权利要求1所述模型构建优化方法，其特征在于，在所述基于所述第一方重叠样本和所述第一方非重叠样本，通过与所述第二设备进行对比学习交互，联合所述第二设备中的第二方重叠样本，生成所述特征提取模型对应的对比学习损失之后，所述模型构建优化方法还包括：

基于所述第一方重叠样本和预设样本标签，通过与第二设备进行联邦学习，联合所述第二方重叠样本，迭代训练包括所述特征提取模型的待训练预测模型，生成类别预测损失；

基于所述对比学习损失和所述类别预测损失，优化所述待训练预测模型，获得目标预测模型。

3.如权利要求2所述模型构建优化方法，其特征在于，所述待训练预测模型包括特征提取模型和类别预测模型，所述目标预测模型包括目标特征提取模型和目标类别预测模型，

所述基于所述对比学习损失和所述类别预测损失，优化所述待训练预测模型，获得目标预测模型的步骤包括：

基于所述类别预测损失，优化所述类别预测模型，获得所述目标类别预测模型；

基于所述对比学习损失和所述类别预测损失，异步优化所述特征提取模型，获得所述目标特征提取模型。

4.如权利要求1所述模型构建优化方法，其特征在于，所述基于所述第一方重叠样本和所述第一方非重叠样本，通过与所述第二设备进行对比学习交互，联合所述第二设备中的第二方重叠样本，生成所述特征提取模型对应的对比学习损失的步骤包括：

基于所述特征提取模型，将所述第一方重叠样本映射为第一方重叠样本表征，以及将所述第一方非重叠样本映射为第一方非重叠样本表征；

将所述第一方重叠样本表征发送至所述第二设备，以供所述第二设备基于所述第一方重叠样本表征、生成的第二方重叠样本表征以及第二方非重叠样本表征，计算第二方对比学习损失；

接收所述第二方重叠样本表征，并通过将所述第一方重叠样本表征作为所述第二方重叠样本表征对应的正例样本表征，以及通过将所述第一方非重叠样本表征作为所述第二方重叠样本表征对应的负例样本表征，生成所述特征提取模型对应的所述对比学习损失。

5.如权利要求2所述模型构建优化方法，其特征在于，所述目标预测模型包括目标特征提取模型和目标类别预测模型，

在所述基于所述对比学习损失和所述类别预测损失，优化所述待训练预测模型，获得目标预测模型的步骤之后，所述模型构建优化方法还包括：

获取待预测样本，并基于所述目标特征提取模型，对所述待预测样本进行特征提取，获得所述待预测样本对应的待预测样本表征，其中，所述目标特征提取模型是基于第一设备中的第一方重叠样本和第一方非重叠样本以及第二设备中的第二方重叠样本进行对比学习和联邦学习构建的；

基于所述目标类别预测模型，通过与所述第二设备进行纵向联邦预测交互，对所述待预测样本表征进执行模型预测，获得所述待预测样本对应的目标类别预测结果。

6.一种模型构建优化方法，其特征在于，所述模型构建优化方法应用于第二设备，所述模型构建优化方法包括：

获取第二方特征提取模型与第二方重叠样本，并基于所述第二方特征提取模型，将所述第二方重叠样本映射为第二方重叠样本表征；

将所述第二方重叠样本表征发送至第一设备，以供第一设备基于所述第二方重叠样本表征、生成的第一方重叠样本表征以及生成的第一方非重叠样本表征，计算对比学习损失。