应用于确定用户画像的模型训练方法、装置及设备与流程

本申请涉及神经网络领域，尤其涉及一种应用于确定用户画像的模型训练方法、装置及设备。

背景技术：

1、随着智能终端的快速发展，不同渠道以及线上的业务越来越多，但是不同渠道中的数据信息并不能够实时共享，反而会导致用户在线上办理业务时，无法快速确定用户所需要的业务。

2、因此，亟需一种应用于确定用户画像的模型训练方法，能够综合各个渠道的历史业务，快速确定出用户的需求，进而提升处理效率，节省时间。

技术实现思路

1、本申请提供一种应用于确定用户画像的模型训练方法、装置及设备，能够综合各个渠道的历史业务，快速确定出用户的需求，进而提升处理效率，节省时间。

2、第一方面，本申请提供一种应用于确定用户画像的模型训练方法，包括：

3、接收至少一个终端设备中的终端设备发送的加密后的梯度误差；其中，所述梯度误差为将所述终端设备中的历史用户行为信息输入至配置了全局参数的聚合模型中进行处理所得到的；所述全局参数为预设的，所述全局参数为聚合服务器中聚合模型的全局模型参数；所述梯度误差表征终端设备对所述聚合模型进行训练时产生的梯度信息的误差信息；

4、对所述加密后的梯度误差进行处理，得到处理结果，并将所述处理结果发送至所述至少一个终端设备中的终端设备；其中，所述处理结果用于更新所述全局参数；

5、其中，直至达到预设时间时所得到的全局参数的所述聚合模型，用于确定用户画像。

6、在一个示例中，所述对所述加密后的梯度误差进行处理，得到处理结果，包括：

7、对所述加密后的梯度误差按照预设的密钥信息进行解密，得到梯度误差；

8、对所述梯度误差进行解析，得到处理结果。

9、在一个示例中，所述对所述梯度误差进行解析，得到处理结果，包括：

10、根据所述梯度误差，确定误差信息；其中，所述误差信息表征对所述聚合模型进行训练时所产生的梯度信息的损失误差。

11、在一个示例中，在将所述处理结果发送至所述至少一个终端设备中的终端设备之后，还包括：

12、接收所述至少一个终端设备中的终端设备发送的模型参数；

13、根据所述模型参数进行均值处理，确定更新后的全局参数；

14、将所述更新后的全局参数发送给所述至少一个终端设备中的终端设备。

15、在一个示例中，所述方法还包括：

16、所述更新后的全局参数用于所述至少一个终端设备中的终端设备更新所述模型参数，得到局部参数；其中，所述局部参数表征更新后的所述至少一个终端设备中的终端设备的模型参数。

17、在一个示例中，所述方法还包括：

18、每一个所述终端设备中的历史用户行为信息是用户历史在对应的终端设备上进行操作后获取的。

19、在一个示例中，所述方法还包括：

20、下发配置了全局参数的聚合模型至所述至少一个终端设备中的终端设备。

21、第二方面，本申请提供一种用户画像的确定方法，所述方法包括：

22、获取用户的身份信息；

23、将所述用户的身份信息，输入至聚合模型中，确定所述用户的用户画像；

24、其中，所述聚合模型为基于第一方面所述的方法所得到的模型。

25、第三方面，本申请提供一种应用于确定用户画像的模型训练装置，所述装置包括：

26、第一接收单元，用于接收至少一个终端设备中的终端设备发送的加密后的梯度误差；其中，所述梯度误差为将所述终端设备中的历史用户行为信息输入至配置了全局参数的聚合模型中进行处理所得到的；所述全局参数为预设的，所述全局参数为聚合服务器中聚合模型的全局模型参数；所述梯度误差表征终端设备对所述聚合模型进行训练时产生的梯度信息的误差信息；

27、第一处理单元，用于对所述加密后的梯度误差进行处理，得到处理结果，并将所述处理结果发送至所述至少一个终端设备中的终端设备；其中，所述处理结果用于更新所述全局参数；

28、确定单元，用于直至达到预设时间时所得到的全局参数的所述聚合模型，用于确定用户画像。

29、第四方面，本申请提供一种用户画像的确定装置，所述装置包括：

30、获取单元，用于获取用户的身份信息；

31、输入单元，用于将所述用户的身份信息，输入至聚合模型中，确定所述用户的用户画像；

32、其中，所述聚合模型为基于第三方面所述的装置所得到的模型。

33、第五方面，本申请提供一种终端设备，包括：处理器，以及与所述处理器通信连接的存储器；

34、所述存储器存储计算机执行指令；

35、所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面或第二方面所述的方法。

36、第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面或第二方面所述的方法。

37、第七方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面或第二方面所述的方法。

38、本申请提供的一种应用于确定用户画像的模型训练方法、装置及设备，通过接收至少一个终端设备中的终端设备发送的加密后的梯度误差；其中，所述梯度误差为将所述终端设备中的历史用户行为信息输入至配置了全局参数的聚合模型中进行处理所得到的；所述全局参数为预设的，所述全局参数为聚合服务器中聚合模型的全局模型参数；所述梯度误差表征终端设备对所述聚合模型进行训练时产生的梯度信息的误差信息；对所述加密后的梯度误差进行处理，得到处理结果，并将所述处理结果发送至所述至少一个终端设备中的终端设备；其中，所述处理结果用于更新所述全局参数；其中，直至达到预设时间时所得到的全局参数的所述聚合模型，用于确定用户画像。采用本技术方案，能够综合各个渠道的历史业务，快速确定出用户的需求，进而提升处理效率，节省时间。

技术特征：

1.一种应用于确定用户画像的模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述加密后的梯度误差进行处理，得到处理结果，包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述梯度误差进行解析，得到处理结果，包括：

4.根据权利要求1所述的方法，其特征在于，在将所述处理结果发送至所述至少一个终端设备中的终端设备之后，还包括：

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：

8.一种用户画像的确定方法，其特征在于，所述方法包括：

9.一种应用于确定用户画像的模型训练装置，其特征在于，所述装置包括：

10.一种用户画像的确定装置，其特征在于，所述装置包括：

11.一种终端设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法，或者用于实现如权利要求8所述的方法。

技术总结
本申请提供的一种应用于确定用户画像的模型训练方法、装置及设备，涉及神经网络领域。该方法通过接收至少一个终端设备中的终端设备发送的加密后的梯度误差；对所述加密后的梯度误差进行处理，得到处理结果，并将所述处理结果发送至所述至少一个终端设备中的终端设备；其中，所述处理结果用于更新所述全局参数；其中，直至达到预设时间时所得到的全局参数的所述聚合模型，用于确定用户画像。采用本技术方案，能够综合各个渠道的历史业务，快速确定出用户的需求，进而提升处理效率，节省时间。

技术研发人员：何艳波
受保护的技术使用者：中国银行股份有限公司
技术研发日：
技术公布日：2024/1/16