[发明专利]数据处理方法和装置、存储介质及电子设备

说明书

本申请公开了一种数据处理方法和装置、存储介质及电子设备。其中，该方法包括：获取第一前向输出和第二前向输出；通过第二参与方中的顶部模型对第一前向输出和第二前向输出进行处理，得到K维推理结果；在所述K等于L的情况下，通过所述第二参与方中的降维模块对所述K维推理结果进行降维，得到M维推理结果。本申请解决了数据安全性较低的技术问题。

技术领域

本申请涉及计算机领域，具体而言，涉及一种数据处理方法和装置、存储介质及电子设备。

背景技术

相关领域中，对用户喜好进行预测可以向用户推荐其感兴趣的媒体资源。例如视频推荐，商品推荐等等。

基于用户历史行为数据，通过机器学习得到的神经网络模型可以对用户的行为进行预测。训练样本的数据量越神经网络模型的预测准确率越高。因此，训练样本数据的数据量一直是影响用户喜好预测准确率的重要影响因素。单一平台而上积累的用户历史行为数据有限，若多个不同平台一同提供用户历史行为数据，可以增加训练样本的数据量，进而可以提高神经网络模型的预测准确率。但是多平台合作的方式，存在数据泄露的问题，难以保证用户数据的隐私与安全。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种数据处理方法和装置、存储介质及电子设备，以至少解决数据安全性较低的技术问题。

根据本申请实施例的一个方面，提供了一种数据处理方法，包括：获取第一前向输出和第二前向输出，其中，所述第一前向输出是第一参与方中的第一底部模型对第一特征数据进行处理得到的输出，所述第二前向输出是第二参与方中的第二底部模型对第二特征数据进行处理得到的输出；通过所述第二参与方中的顶部模型对所述第一前向输出和所述第二前向输出进行处理，得到K维推理结果，其中，所述K是大于2的正整数；在所述K等于L的情况下，通过所述第二参与方中的降维模块对所述K 维推理结果进行降维，得到M维推理结果，其中，所述M小于所述K、且大于或等于2的正整数，所述L是预设的维度门限参数；其中，所述第一底部模型、所述第二底部模型和顶部模型是使用第一样本特征数据集合、第二样本特征数据集合以及处理后的已知样本标签集合对所述第一参与方中的待训练第一底部模型、所述第二参与方中的待训练第二底部模型和待训练顶部模型进行联合训练得到的，所述处理后的已知样本标签集合是对M维已知样本标签集合中的每个M维已知样本标签进行样本标签处理后得到的样本标签集合，所述样本标签处理包括：添加随机噪声。

可选地，在所述获取第一前向输出和第二前向输出之后，所述方法还包括：通过所述第二参与方中的拆分层对所述第一前向输出和所述第二前向输出进行融合，得到融合结果；所述通过所述第二参与方中的顶部模型对所述第一前向输出和所述第二前向输出进行处理，得到K维推理结果，包括：通过所述第二参与方中的顶部模型对所述融合结果进行处理，得到所述K维推理结果。

可选地，所述通过所述第二参与方中的拆分层对所述第一前向输出和所述第二前向输出进行融合，得到融合结果，包括：通过所述第二参与方中的所述拆分层对所述第一前向输出和第二前向输出进行拼接，得到所述融合结果；或者，通过所述第二参与方中的所述拆分层对所述第一前向输出和第二前向输出进行均值处理，得到所述融合结果。

可选地，在所述获取第一前向输出和第二前向输出之前，所述方法还包括：获取具有对应关系的第一样本特征数据集合、第二样本特征数据集合以及M维已知样本标签集合，其中，所述M维已知样本标签集合中的每个M维已知样本标签用于表示实际的样本标签；对所述M维已知样本标签集合中的每个M维已知样本标签进行样本标签处理，得到处理后的已知样本标签集合，其中，所述样本标签处理包括：添加随机噪声；使用所述第一样本特征数据集合、所述第二样本特征数据集合以及所述处理后的已知样本标签集合对所述第一参与方中的待训练第一底部模型、所述第二参与方中的待训练第二底部模型和待训练顶部模型进行联合训练、直到满足第一结束条件，结束训练，得到所述第一底部模型、所述第二底部模型以及所述顶部模型。