(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210716521.1 (22)申请日 2022.06.23 (65)同一申请的已公布的文献号 申请公布号 CN 114782176 A (43)申请公布日 2022.07.22 (73)专利权人 浙江数秦科技有限公司 地址 311121 浙江省杭州市余杭区仓前街 道鼎创财富中心 2幢11层 (72)发明人 俞学劢　张金琳　 (51)Int.Cl. G06Q 40/02(2012.01) H04L 9/40(2022.01) G06N 3/08(2006.01) (56)对比文件 CN 109656960 A,2019.04.19CN 114625976 A,202 2.06.14 CN 113409134 A,2021.09.17 CN 110110229 A,2019.08.09 CN 110399742 A,2019.1 1.01 CN 109167695 A,2019.01.08 CN 111553745 A,2020.08.18 WO 202014796 5 A1,2020.07.23 周俊等.边 缘计算隐私保护研究进 展. 《计算 机研究与发展》 .2020,(第10期), H. Elayan, M. Al oqaily and M. Guizani.Deep Federated Learn ing for I oT- based Decentral ized Health care System s. 《2021 I nternati onal Wireless Communications and Mobi le Computi ng (IWCMC)》 .2021, 审查员 裴孟丽 (54)发明名称 一种基于联邦学习的信贷业 务推荐方法 (57)摘要 本发明涉及信息技术领域， 具体涉及一种基 于联邦学习的信贷业务推荐方法， 包括： 建立可 信服务器， 展示信贷业务产品； 金融机构收集信 贷业务数据； 人工标注推荐等级形成样本数据， 各自建立并训练神经网络模型； 将模 型参数加密 后发送给可信服务器； 可信服务器将模型参数融 合； 金融机构更新神经网络模型， 使用 样本数据 进行训练， 将损失值加密后发送给可信服务器； 可信服务器计算全局损失值， 若达到预设准确度 则再次将模 型参数融合完成联邦学习； 企业向可 信服务器提供企业信息， 输入最终神经网络模 型， 获得最终神经网络模型的输出， 按输出降序 排列作为企业的信贷业务推荐结果。 本发明的实 质性效果是： 在保证数据隐私 的前提下， 实现信 贷业务产品推荐。 权利要求书2页 说明书10页 附图4页 CN 114782176 B 2022.10.25 CN 114782176 B 1.一种基于联邦学习的信贷业 务推荐方法， 其特 征在于， 包括： 建立可信服务器， 所述可信服务器建立信贷业务展示页面， 展示若干个金融机构的信 贷业务产品供企业选择； 金融机构各自收集企业办理 的信贷业地址索引字符串务数据， 建立信贷业务分类信 息 和企业信息； 金融机构将信贷业务分类信息关联企业信息， 人工标注推荐等级形成样本数据， 各自 建立并训练神经网络模型； 若干个金融机构将神经网络模型的模型参数加密后发送给 所述可信服 务器； 所述可信服 务器将神经网络模型的模型参数融合后发送给若干个金融机构； 金融机构使用融合后的模型参数更新神经网络模型， 使用样本数据进行训练直到达到 终止条件， 将损失值加密后发送给 可信服务器； 所述可信服务器计算全局损失值， 若达到预设准确度则通知若干个金融机构再次上传 模型参数， 将模型参数融合后完成联邦学习， 将最终神经网络模型发送给若干个金融机构； 若未达到预设准确度， 则继续训练直到全局损失值达到预设准确度或者达到最大迭代 数； 企业浏览信贷业务展示页面时， 向所述可信服务器提供企业信息， 所述可信服务器将 每个信贷业务产品的信贷业务分类信息 关联所述 企业信息输入最 终神经网络模型， 获得最 终神经网络模型的输出， 将信贷业务产品按 所述输出降序排列作为 企业的信贷业务推荐 结 果； 若干个金融机构的神经网络模型的神经元结构相同， 且每个神经元的传递函数相同， 若干个金融机构的神经网络模型 经各自训练后， 神经 元的权重和偏移值构成模型参数； 若干个金融机构将模型参数加密的方法包括： 若干个金融机构商定神经网络模型的神经元及连接的排序， 第i个连接的权重记为wi， 第j个神经 元的偏移值记为bj； 金融机构各自统计训练神经网络模型使用的样本数据数量Nk， k表示金融机构序号， 计 算wi与Nk的乘积记为 Wj， 计算bj与N k的乘积记为Bj； 金融机构将W i、 Bj和Nk加密后发送给 可信服务器； 可信服务器计算wi=∑(wi*Nk)/∑Nk， bj=∑(bj*Nk)/∑Nk， 分别作为第i个连接的权重 和第j个神经 元的偏移值； 若干个金融机构生成相互抵消的混淆值的方法包括： 金融机构生成随机正奇数， 计算随机正奇数的余弦值， 公开 余弦值； 每个金融机构依次与其他金融机构配对， 使用余弦函数的倍角公式计算配对的两个金 融机构生成的随机正奇数乘积的余弦值； 取余弦值的前预设位小数作为混淆值的绝对值， 根据配对的两个金融机构 公开的余弦 值的大小确定混淆值的正负符号。 2.根据权利要求1所述的一种基于联邦学习的信贷业 务推荐方法， 其特 征在于， 人工标注推荐等级前， 所述金融机构将信贷业务分类信 息关联企业信 息转换为数值标 签， 而后人工标注推荐等级后作为样本数据。 3.根据权利要求2所述的一种基于联邦学习的信贷业 务推荐方法， 其特 征在于，权　利　要　求　书 1/2 页 2 CN 114782176 B 2将信贷业 务分类信息关联企业信息转换为数值标签的过程包括： 罗列信贷业务分类信 息和企业信 息的标签特征和数值特征， 罗列 标签特征的全部标签 值， 为每个标签值关联一个数值， 将标签特征 的标签值替换为数值完成标签特征转换为数 值标签， 将数值特征的取值范围划分为若干个取值区间， 将取值区间排序， 取值区间的序号 即为落入区间内的数值特 征的数值标签。 4.根据权利要求1所述的一种基于联邦学习的信贷业 务推荐方法， 其特 征在于， 金融机构将Wi和Bj分别加上混淆值后上传， 若干个金融机构之间建立若干个配对， 配 对的金融机构的混淆值的和为0 。 5.根据权利要求1所述的一种基于联邦学习的信贷业 务推荐方法， 其特 征在于， 若干个金融机构生成相互抵消的混淆值的方法包括： 若干个金融机构之间随机建立多个 配对， 每个金融机构参与多个 配对； 多个配对内的金融机构生成和为0的多对混淆值， 每个金融机构将参与生成多个混淆 值； 金融机构将参与生成的多个混淆值 求和， 作为 最终混淆值。 6.根据权利要求1至3任一项所述的一种基于联邦学习的信贷业务推荐方法， 其特征在 于， 所述信贷业务分类信息记录业务种类、 金额区间和期限区间， 所述业务种类包括信用 贷款、 抵押贷款、 保函和票据贴现。 7.根据权利要求1至3任一项所述的一种基于联邦学习的信贷业务推荐方法， 其特征在 于， 所述企业信 息包括企业提供的企业资产信 息、 历史信贷业务信 息和近一年账户交易流 水。 8.根据权利要求1至3任一项所述的一种基于联邦学习的信贷业务推荐方法， 其特征在 于， 当企业向可信服务器请求查看信贷业务展示页面 时， 可信服务器为企业生成临时非对 称加密秘钥对， 分别记为公钥和私钥， 将公钥发送给企业， 企业使用公钥加密企业信息后， 发送给可信服务器， 可信服 务器使用私钥解密获得企业信息 。权　利　要　求　书 2/2 页 3 CN 114782176 B 3