数据交换方法、数据交换装置及计算装置与流程

技术特征：

1.一种在提供方与获取方之间针对机器学习进行数据交换的方法，所述方法包括：

(a)获得提供方机器学习模型，其中，提供方机器学习模型涉及的特征与提供方的数据样本的特征存在交集或关联性；

(b)利用提供方机器学习模型，将提供方的数据样本之中将要提供给获取方的输出数据样本分别变换为相应的输出特征向量；

(c)将变换后的输出特征向量与相应的标识符组合成交换样本，其中，所述交换样本能够被获取方应用于机器学习。

2.根据权利要求1所述的方法，其中，步骤(a)包括：基于来自提供方的提供方训练样本，学习提供方机器学习模型，其中，所述提供方机器学习模型包括以下项之中的至少一项：有监督机器学习模型、无监督机器学习模型、半监督机器学习模型。

3.根据权利要求2所述的方法，其中，输出数据样本包括提供方训练样本，并且，在步骤(b)中，对于提供方训练样本，利用学习过程中的提供方机器学习模型，将提供方训练样本分别变化为相应的输出特征向量。

4.根据权利要求2所述的方法，其中，在步骤(b)中，对于不作为提供方训练样本的输出数据样本，利用学习完毕的提供方机器学习模型，将输出数据样本分别变换为相应的输出特征向量。

5.根据权利要求2所述的方法，其中，交换样本能够被获取方用于获得获取方机器学习模型，或者，交换样本能够被获取方用于利用获取方机器学习模型进行预测。

6.根据权利要求1或2所述的方法，其中，所述方法由提供方执行，并且，所述方法还包括：(d)将交换样本提供给获取方以应用于机器学习；

或者，所述方法由除了提供方和获取方之外的第三方执行，并且，所述提供方训练样本和/或所述输出数据样本的各个特征是经过哈希变换的，并且，所述方法还包括：(d)将交换样本提供给获取方以应用于机器学习；

或者，所述方法由获取方执行，并且，所述提供方训练样本和/或所述输出数据样本是经过加密的，其中，获取方通过调用由除了提供方和获取方之外的第三方提供的服务将加密的提供方训练样本和/或输出数据样本解密并执行步骤(a)和步骤(b)。

7.根据权利要求1所述的方法，其中，在步骤(b)中，将每条输出数据样本输入提供方机器学习模型，并将提供方机器学习模型针对所述每条输出数据样本的中间结果作为与所述每条输出数据样本相应的输出特征向量。

8.根据权利要求1所述的方法，其中，提供方机器学习模型基于深度神经网络算法，并且，在步骤(b)中，将提供方机器学习模型针对每条输出数据样本的中间层和/或输出层的节点值作为与所述每条输出数据样本相应的输出特征向量。

9.根据权利要求5所述的方法，其中，在步骤(a)中用于获得提供方机器学习模型的机器学习算法与获取方用于获得获取方机器学习模型的机器学习算法相同。

10.根据权利要求1所述的方法，其中，所述交换样本能够被获取方与其相应的本地数据样本进行组合以应用于机器学习。

11.根据权利要求1所述的方法，其中，在步骤(a)之前，所述方法还包括：(e)获取来自获取方的至少一部分数据样本的标识符以及所述来自获取方的至少一部分数据样本针对机器学习目标问题的标注，并且，在步骤(a)中，获取提供方的数据样本之中具有在步骤(e)获取的标识符的至少一部分数据样本，将所述至少一部分数据样本之中的每条数据样本与对应于其标识符的标注组合成提供方训练样本，基于提供方训练样本的集合，根据有监督机器学习算法来训练提供方机器学习模型。

12.根据权利要求11所述的方法，其中，所述交换样本被获取方应用于针对所述机器学习目标的机器学习。

13.根据权利要求11所述的方法，其中，来自获取方的至少一部分数据样本的标识符与提供方的数据样本的标识符经过同样的哈希变换。

14.根据权利要求11所述的方法，其中，步骤(e)还包括获取与所述标注对应的标注产生时间，并且，在步骤(a)中，获取提供方的数据样本之中具有在步骤(e)获取的标识符且样本的产生时间适用于相应的标注产生时间的至少一部分数据样本，将所述至少一部分数据样本之中的每条数据样本与对应于其标识符的标注组合成提供方训练样本。

15.根据权利要求1所述的方法，其中，在步骤(c)中，将变换后的输出特征向量、相应的标识符和相应的输出数据样本产生时间组合成交换样本。

16.一种在提供方与获取方之间针对机器学习进行数据交换的数据交换装置，包括：

提供方机器学习模型获得单元，用于获得提供方机器学习模型，其中，提供方机器学习模型涉及的特征与提供方的数据样本的特征存在交集或关联性；

输出特征向量变换单元，用于利用提供方机器学习模型，将提供方的数据样本之中将要提供给获取方的输出数据样本分别变换为相应的输出特征向量；以及

交换样本生成单元，用于将变换后的输出特征向量与相应的标识符组合成交换样本，其中，所述交换样本能够被获取方应用于机器学习。

17.根据权利要求16所述的数据交换装置，其中，提供方机器学习模型获得单元基于来自提供方的提供方训练样本，学习提供方机器学习模型，其中，所述提供方机器学习模型包括以下项之中的至少一项：有监督机器学习模型、无监督机器学习模型、半监督机器学习模型。

18.根据权利要求17所述的数据交换装置，其中，输出数据样本包括提供方训练样本，并且，输出特征向量变换单元对于提供方训练样本，利用学习过程中的提供方机器学习模型，将提供方训练样本分别变化为相应的输出特征向量。

19.根据权利要求17所述的数据交换装置，其中，输出特征向量变换单元对于不作为提供方训练样本的输出数据样本，利用学习完毕的提供方机器学习模型，将输出数据样本分别变换为相应的输出特征向量。

20.根据权利要求17所述的数据交换装置，其中，交换样本能够被获取方用于获得获取方机器学习模型，或者，交换样本能够被获取方用于利用获取方机器学习模型进行预测。

21.根据权利要求16或17所述的数据交换装置，其中，所述数据交换装置应用于提供方，并且，所述数据交换装置还包括：提供单元，用于将交换样本提供给获取方以应用于机器学习；

或者，所述数据交换装置应用于除了提供方和获取方之外的第三方，并且，所述提供方训练样本和/或所述输出数据样本的各个特征是经过哈希变换的，并且，所述数据交换装置还包括：提供单元，用于将交换样本提供给获取方以应用于机器学习；

或者，所述数据交换装置应用于获取方，并且，所述提供方训练样本和/或所述输出数据样本是经过加密的，其中，提供方机器学习模型获得单元还通过调用由除了提供方和获取方之外的第三方提供的服务将加密的提供方训练样本和/或输出数据样本解密，并且，提供方机器学习模型获得单元和输出特征向量变换单元通过调用所述服务执行操作。

22.根据权利要求16所述的数据交换装置，其中，输出特征向量变换单元将每条输出数据样本输入提供方机器学习模型，并将提供方机器学习模型针对所述每条输出数据样本的中间结果作为与所述每条输出数据样本相应的输出特征向量。

23.根据权利要求16所述的数据交换装置，其中，提供方机器学习模型基于深度神经网络算法，并且，输出特征向量变换单元将提供方机器学习模型针对每条输出数据样本的中间层和/或输出层的节点值作为与所述每条输出数据样本相应的输出特征向量。

24.根据权利要求20所述的数据交换装置，其中，提供方机器学习模型获得单元用于获得提供方机器学习模型的机器学习算法与获取方用于获得获取方机器学习模型的机器学习算法相同。

25.根据权利要求16所述的数据交换装置，其中，所述交换样本能够被获取方与其相应的本地数据样本进行组合以应用于机器学习。

26.根据权利要求16所述的数据交换装置，还包括：获取单元，用于获取来自获取方的至少一部分数据样本的标识符以及所述来自获取方的至少一部分数据样本针对机器学习目标问题的标注，并且，提供方机器学习模型获得单元获取提供方的数据样本之中具有由获取单元获取的标识符的至少一部分数据样本，将所述至少一部分数据样本之中的每条数据样本与对应于其标识符的标注组合成提供方训练样本，基于提供方训练样本的集合，根据有监督机器学习算法来训练提供方机器学习模型。

27.根据权利要求26所述的数据交换装置，其中，所述交换样本被获取方应用于针对所述机器学习目标的机器学习。

28.根据权利要求26所述的数据交换装置，其中，来自获取方的至少一部分数据样本的标识符与提供方的数据样本的标识符经过同样的哈希变换。

29.根据权利要求26所述的数据交换装置，其中，获取单元还获取与所述标注对应的标注产生时间，并且，提供方机器学习模型获得单元获取提供方的数据样本之中具有由获取单元获取的标识符且样本的产生时间适用于相应的标注产生时间的至少一部分数据样本，将所述至少一部分数据样本之中的每条数据样本与对应于其标识符的标注组合成提供方训练样本。

30.根据权利要求16所述的数据交换装置，其中，交换样本生成单元将变换后的输出特征向量、相应的标识符和相应的输出数据样本产生时间组合成交换样本。

31.一种在提供方与获取方之间针对机器学习进行数据交换的计算装置，包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当所述计算机可执行指令集合被所述处理器执行时，执行下述步骤：

提供方机器学习模型获得步骤，用于获得提供方机器学习模型，其中，提供方机器学习模型涉及的特征与提供方的数据样本的特征存在交集或关联性；

输出特征向量变换步骤，用于利用提供方机器学习模型，将提供方的数据样本之中将要提供给获取方的输出数据样本分别变换为相应的输出特征向量；以及

交换样本生成步骤，用于将变换后的输出特征向量与相应的标识符组合成交换样本，其中，所述交换样本能够被获取方应用于机器学习。

32.根据权利要求31所述的计算装置，其中，提供方机器学习模型获得步骤包括：基于来自提供方的提供方训练样本，学习提供方机器学习模型，其中，所述提供方机器学习模型包括以下项之中的至少一项：有监督机器学习模型、无监督机器学习模型、半监督机器学习模型。

33.根据权利要求32所述的计算装置，其中，输出数据样本包括提供方训练样本，并且，在输出特征向量变换步骤中，对于提供方训练样本，利用学习过程中的提供方机器学习模型，将提供方训练样本分别变化为相应的输出特征向量。

34.根据权利要求32所述的计算装置，其中，在输出特征向量变换步骤中，对于不作为提供方训练样本的输出数据样本，利用学习完毕的提供方机器学习模型，将输出数据样本分别变换为相应的输出特征向量。

35.根据权利要求32所述的计算装置，其中，交换样本能够被获取方用于获得获取方机器学习模型，或者，交换样本能够被获取方用于利用获取方机器学习模型进行预测。

36.根据权利要求31或32所述的计算装置，其中，所述计算装置应用于提供方，并且，当所述计算机可执行指令集合被所述处理器执行时，还执行下述步骤：提供步骤，用于将交换样本提供给获取方以应用于机器学习；

或者，所述计算装置应用于除了提供方和获取方之外的第三方，并且，所述提供方训练样本和/或所述输出数据样本的各个特征是经过哈希变换的，并且，当所述计算机可执行指令集合被所述处理器执行时，还执行下述步骤：提供步骤，用于将交换样本提供给获取方以应用于机器学习；

或者，所述计算装置应用于获取方，并且，所述提供方训练样本和/或所述输出数据样本是经过加密的，其中，获取方通过调用由除了提供方和获取方之外的第三方提供的服务将加密的提供方训练样本和/或输出数据样本解密并执行提供方机器学习模型获得步骤和输出特征向量变换步骤。

37.根据权利要求31所述的计算装置，其中，在输出特征向量变换步骤中，将每条输出数据样本输入提供方机器学习模型，并将提供方机器学习模型针对所述每条输出数据样本的中间结果作为与所述每条输出数据样本相应的输出特征向量。

38.根据权利要求31所述的计算装置，其中，提供方机器学习模型基于深度神经网络算法，并且，在输出特征向量变换步骤中，将提供方机器学习模型针对每条输出数据样本的中间层和/或输出层的节点值作为与所述每条输出数据样本相应的输出特征向量。

39.根据权利要求35所述的计算装置，其中，在提供方机器学习模型获得步骤中用于获得提供方机器学习模型的机器学习算法与获取方用于获得获取方机器学习模型的机器学习算法相同。

40.根据权利要求31所述的计算装置，其中，所述交换样本能够被获取方与其相应的本地数据样本进行组合以应用于机器学习。

41.根据权利要求31所述的计算装置，其中，当所述计算机可执行指令集合被所述处理器执行时，在提供方机器学习模型获得步骤之前，还执行下述步骤：获取步骤，用于获取来自获取方的至少一部分数据样本的标识符以及所述来自获取方的至少一部分数据样本针对机器学习目标问题的标注，并且，在提供方机器学习模型获得步骤中，获取提供方的数据样本之中具有在获取步骤获取的标识符的至少一部分数据样本，将所述至少一部分数据样本之中的每条数据样本与对应于其标识符的标注组合成提供方训练样本，基于提供方训练样本的集合，根据有监督机器学习算法来训练提供方机器学习模型。

42.根据权利要求41所述的计算装置，其中，所述交换样本被获取方应用于针对所述机器学习目标的机器学习。

43.根据权利要求41所述的计算装置，其中，来自获取方的至少一部分数据样本的标识符与提供方的数据样本的标识符经过同样的哈希变换。

44.根据权利要求41所述的计算装置，其中，获取步骤还包括获取与所述标注对应的标注产生时间，并且，在提供方机器学习模型获得步骤中，获取提供方的数据样本之中具有在获取步骤获取的标识符且样本的产生时间适用于相应的标注产生时间的至少一部分数据样本，将所述至少一部分数据样本之中的每条数据样本与对应于其标识符的标注组合成提供方训练样本。

45.根据权利要求31所述的计算装置，其中，在交换样本生成步骤中，将变换后的输出特征向量、相应的标识符和相应的输出数据样本产生时间组合成交换样本。