[发明专利]基于联邦学习的逻辑回归模型建模方法、装置及电子设备

说明书

本发明公开了一种基于联邦学习的逻辑回归模型建模方法，所述方法包括：获取多个样本的多个第一特征数据矩阵、多个第二特征数据矩阵、多个第三特征数据矩阵和多个标签值，其中，每一所述第一特征数据矩阵代表所述样本的金融特征，每一所述第二特征数据矩阵代表所述样本的消费特征，每一所述第三特征数据矩阵代表所述样本的通讯特征，所述标签值表示所述样本违约或者不违约；基于所述多个第一特征数据矩阵、所述多个第二特征数据矩阵、所述多个第三特征数据矩阵采用逻辑回归算法训练待训练的逻辑回归模型，获得已训练的逻辑回归模型。

技术领域

本申请涉及机器学习领域，尤其涉及一种基于联邦学习的逻辑回归模型建模方法、装置及电子设备。

背景技术

反欺诈用来判断贷款申请者是否是恶意申请者，是金融活动贷前风险控制的重要措施。机器学习是反欺诈的有效和重要方法，它通过历史贷款数据进行训练，建立一个预测模型，用来对新的贷款申请进行判断是否会违约，从而对潜在的贷款违约者进一步调查或直接拒绝贷款，有效贷款坏账率。

传统的机器学习反欺诈建模利用金融公司内部的数据，比如申请者提交的姓名、年龄，工资或者在本公司以前的申请记录等特征进行建模。由于金融公司拥有的数据特征维度较为有限，影响机器模型的准确度。金融公司可能通过获取外部数据来在增加数据维度，提高机器学习模型的准确度。但是这可能会损害贷款申请者的个人隐私，影响了金融公司获取数据进行有效建模和风险控制的能力。

金融公司联合电商公司、通讯运营商进行联合反欺诈建模，采用基于联邦学习的建模方法，在保护个人数据隐私的前提下，以提高建模的准确率。

反欺诈建模使用多方的数据源，包括金融公司的申请贷款数据、电商公司的商品购买记录、运营商的通讯数据，相比于传统的仅使用金融公司自有的数据，采用了更丰富的数据维度，有效提高了反欺诈模型的准确率。

发明内容

本申请实施例要解决的技术问题，在于提供一种基于联邦学习的逻辑回归模型建模方法、装置及电子设备，以解决现有通过传统机器学习进行反欺诈建模数据维度少、准确度低的技术问题。

为实现上述目的，本申请实施例采用下述技术方案：

第一方面，本申请实施例提供一种基于联邦学习的逻辑回归模型建模方法，所述方法包括：

获取多个样本的多个第一特征数据矩阵、多个第二特征数据矩阵、多个第三特征数据矩阵和多个标签值，其中，每一所述第一特征数据矩阵代表所述样本的金融特征，每一所述第二特征数据矩阵代表所述样本的消费特征，每一所述第三特征数据矩阵代表所述样本的通讯特征，所述标签值表示所述样本违约或者不违约；

基于所述多个第一特征数据矩阵、所述多个第二特征数据矩阵、所述多个第三特征数据矩阵采用逻辑回归算法训练待训练的逻辑回归模型，获得已训练的逻辑回归模型。

第二方面，本申请实施例提供一种预测方法，基于第一方面所述的逻辑回归模型进行预测，所述方法包括：

获取待计算样本的第一特征数据矩阵、第二特征数据矩阵和第三特征数据矩阵；

分别将所述第一特征数据矩阵、所述第二特征数据矩阵和所述第三特征数据矩阵输入所述已训练的已训练的逻辑回归模型获得第一特征计算结果、第二特征计算结果和第三特征计算结果；

基于所述第一特征计算结果、所述第二特征计算结果和所述第三特征计算结果获取预测结果。

第三方面，本申请实施例提供一种基于联邦学习的逻辑回归模型建模装置，所述装置包括：

第一获取单元，用于获取多个样本的多个第一特征数据矩阵、多个第二特征数据矩阵、多个第三特征数据矩阵和多个标签值，其中，每一所述第一特征数据矩阵代表所述样本的金融特征，每一所述第二特征数据矩阵代表所述样本的消费特征，每一所述第三特征数据矩阵代表所述样本的通讯特征，所述标签值表示所述样本违约或者不违约；