[发明专利]隐私信息处理方法以及装置、终端及存储介质

权利要求书

1.一种隐私信息处理方法，其特征在于，由第一节点执行，包括：

生成第一随机矩阵及第二随机矩阵；

基于所述第一随机矩阵、第二随机矩阵以及第一隐私数据集，确定第三随机矩阵；

与第二节点进行预定次数的不经意传输，以将所述第二随机矩阵和/或第三随机矩阵的预定列向量发送给所述第二节点；其中，所述第二随机矩阵和/或所述第三随机矩阵的预定列向量用于供所述第二节点基于所述第二节点生成的随机选择向量确定第四随机矩阵；

基于所述第二随机矩阵及所述第一隐私数据集，确定第一哈希数据集；

接收所述第二节点发送的第二哈希数据集，其中，所述第二哈希数据集是所述第二节点基于所述第四随机矩阵及第二隐私数据集确定；

基于所述第一哈希数据集与所述第二哈希数据集的交集，确定所述第一隐私数据集与所述第二隐私数据集的隐私交集；

将所述隐私交集发送给所述第二节点。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第一随机矩阵、第二随机矩阵以及第一隐私数据集，确定第三随机矩阵，包括：

对所述第一隐私数据集基于第一哈希函数加密，以获得第一加密隐私数据集；

将所述第一加密隐私数据集映射到所述第一随机矩阵，以获得第一编码矩阵；

基于所述第二随机矩阵与所述第一编码矩阵的异或，确定第三随机矩阵；

其中，所述第二哈希数据集是所述第二节点基于所述第四随机矩阵及第二加密隐私数据集确定；所述第二加密隐私数据集是所述第二节点对所述第二隐私数据集基于所述第一哈希函数加密确定。

3.根据权利要求1或2所述的方法，其特征在于，所述方法包括：

基于所述隐私交集及所述第一隐私数据集，确定第一用户特征；

将所述第一用户特征输入到第一模型进行训练，以获得所述第一模型的第一特征参数矩阵；

获取所述第二节点发送的第二隐私特征及第二特征参数矩阵；其中，所述第二隐私特征是所述第二节点对第二用户特征加密获得；所述第二用户特征是所述第二节点基于所述隐私交集以及所述第二隐私数据集确定；所述第二特征参数矩阵是所述第二节点将所述第二用户特征输入第二模型进行训练确定；

将所述第一用户特征、所述第二隐私特征、所述第一特征参数矩阵及所述第二特征参数输入因子分解模型进行训练，以获得第一损失函数；

基于第一损失函数及第二损失函数，确定总损失函数；其中，所述第二损失函数是将所述第一用户特征及所述第二隐私特征分别输入深度学习模型训练确定；

若确定所述总损失函数收敛，确定训练后的所述第一模型、训练后的所述第二模型以及训练后的所述深度学习模型；

将训练过程中所述第二模型的所述第二特征参数矩阵发送给所述第二节点。

4.根据权利要求3所述的方法，其特征在于，所述将所述第一用户特征、所述第二隐私特征、所述第一特征参数矩阵及所述第二特征参数输入因子分解模型进行训练，以获得第一损失函数，包括：

基于所述第一用户特征及所述第一特征参数矩阵，确定一阶特征部分；

基于所述第一特征参数矩阵、所述第二特征参数矩阵、所述第一用户特征及所述第二隐私特征，确定二阶特征交叉部分；

将所述一阶特征部分及所述二阶特征交叉部分输入所述因子分解模型进行训练，以获得所述第一损失函数。

5.根据权利要求3所述的方法，其特征在于，

所述获取第二节点发送的第二隐私特征及第二特征参数矩阵，包括：获取所述第二节点基于异步并行方式发送的所述第二隐私特征及所述第二特征参数矩阵；

和/或，

所述将训练过程中所述第二模型的所述第二特征参数矩阵发送给所述第二节点，包括：基于所述异步并行方式将所述训练过程中所述第二模型的所述第二特征参数矩阵发送给所述第二节点。