一种模型多端协同训练方法、医疗风险预测方法和装置与流程

本申请涉及计算机
技术领域：
，尤其涉及一种模型多端协同训练方法、医疗风险预测方法、装置、计算机设备以及存储介质。
背景技术：
：近年来，大数据、云计算、物联网、深度学习和人工智能等数据平台和技术在互联网、金融等领域取得了巨大的进展，广泛应用于用户画像、产品推荐、商业运营等领域，然而这些推荐模型或者预测模型要求有充足的样本数据作为支撑。但样本数据往往属于不同的机构部门，机构部门为了保护自身存储的样本数据的隐私安全，不会将样本数据对外公开，只会在自身存储的样本数据的基础上进行封闭的模型训练。单一机构部门所存储的样本数据的数量有限，而参与模型训练的样本数据的数量会直接决定模型的性能，因此基于少量的样本数据所训练的预测模型的预测准确率低下。技术实现要素：本申请实施例提供一种模型多端协同训练方法、装置以及相关设备，可以提高预测模型的预测准确率。本申请实施例一方面提供了一种模型多端协同训练方法，应用于服务器，包括：向第一终端发送第一样本模型以及向第二终端发送第二样本模型；接收所述第一终端发送的加密第一待更新参数以及接收所述第二终端发送的加密第二待更新参数；所述加密第一待更新参数是所述第一终端根据第一医疗样本数据对所述第一样本模型训练所确定的加密后的待更新参数；所述加密第二待更新参数是所述第二终端根据第二医疗样本数据训练所述第二样本模型所确定的加密后的待更新参数；将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，将所述目标参数发送至所述第一终端和所述第二终端；所述目标参数用于更新所述第一样本模型以及所述第二样本模型；将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势。本申请实施例一方面提供了一种医疗风险预测方法，应用于服务器，包括：获取针对目标用户的预测请求，将所述预测请求发送至第一终端和第二终端；所述预测请求用于指示所述第一终端获取所述目标用户的第一目标医疗数据以及指示所述第二终端获取所述目标用户的第二目标医疗数据；接收所述第一终端返回的基于第一预测模型和所述第一目标医疗数据确定的第一预测分量；接收所述第二终端返回的基于第二预测模型和所述第二目标医疗数据确定的第二预测分量；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用上述模型多端协同训练方法训练得到；将所述第一预测分量和所述第二预测分量合并为与所述第一目标医疗数据和所述第二目标医疗数据匹配的医疗风险预测趋势；将所述医疗风险预测趋势发送至所述第一终端和所述第二终端。本申请实施例另一方面提供了一种模型多端协同训练方法，应用于第一终端，包括：接收服务器发送的第一样本模型；获取第一医疗样本数据，根据所述第一医疗样本数据训练所述第一样本模型，确定针对所述第一样本模型的加密第一待更新参数；将所述加密第一待更新参数发送至所述服务器，以使所述服务器将所述加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数；所述加密第二待更新参数是第二终端根据第二医疗样本数据训练服务器发送的第二样本模型所确定的加密后的模型参数；接收服务器发送的目标参数，根据所述目标参数更新所述第一样本模型；将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势；所述更新后的第二样本模型是由所述第二终端根据所述目标参数对所述第二样本模型更新后的模型。本申请实施例另一方面提供了一种医疗风险预测方法，应用于第一终端，包括：接收服务器发送的针对目标用户的预测请求；根据所述预测请求，获取与所述目标用户对应的第一目标医疗数据；基于第一预测模型确定与所述第一目标医疗数据对应的第一预测分量；将所述第一预测分量发送至所述服务器，以使所述服务器将所述第一预测分量和第二预测分量合并为与所述第一目标医疗数据和第二目标医疗数据匹配的医疗风险预测趋势；所述第二预测分量是第二终端基于第二预测模型确定与所述目标用户的第二目标医疗数据对应的预测分量；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用上述模型多端协同训练方法训练得到；接收所述服务器发送的所述医疗风险预测趋势。本申请实施例另一方面提供了一种模型多端协同训练装置，应用于服务器，包括：模型发送模块，用于向第一终端发送第一样本模型以及向第二终端发送第二样本模型；参数接收模块，用于接收所述第一终端发送的加密第一待更新参数以及接收所述第二终端发送的加密第二待更新参数；所述加密第一待更新参数是所述第一终端根据第一医疗样本数据对所述第一样本模型训练所确定的加密后的待更新参数；所述加密第二待更新参数是所述第二终端根据第二医疗样本数据训练所述第二样本模型所确定的加密后的待更新参数；参数学习模块，用于将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，将所述目标参数发送至所述第一终端和所述第二终端；所述目标参数用于更新所述第一样本模型以及所述第二样本模型；第一模型确定模块，用于将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势。其中，所述模型发送模块，包括：训练信息获取单元，用于获取模型训练信息；所述模型训练信息包括模型训练方式和目标样本信息；第一模型生成单元，用于当所述模型训练方式是纵向联邦学习时，生成与所述纵向联邦学习方式对应的所述第一样本模型和所述第二样本模型，向所述第一终端发送所述第一样本模型和所述模型训练信息，向所述第二终端发送所述第二样本模型和所述模型训练信息。其中，所述训练信息获取单元，包括：获取子单元，用于用于获取第一终端的第一原始样本信息和第二终端的第二原始样本信息，确定所述至少一个第一用户信息与所述至少一个第二用户信息之间的用户重叠度，以及确定所述至少一个第一医疗特征类别与所述至少一个第二医疗特征类别之间的特征类别重叠度；所述第一原始样本信息包括至少一个第一用户信息以及至少一个第一医疗特征类别；所述第二样本信息包括至少一个第二用户信息以及至少一个第二医疗特征类别；第一确定子单元，用于若所述用户重叠度大于用户重叠度阈值，且所述特征类别重叠度小于特征类别重叠度阈值，则确定所述模型训练方式为所述纵向联邦学习方式，将所述至少一个第一用户信息与所述至少一个第二用户信息之间的交集，作为所述目标样本信息，将所述模型训练方式和所述目标样本信息组合为所述模型训练信息。其中，所述模型训练方式是纵向联邦学习方式；所述加密第一待更新参数和所述加密第二待更新参数属于同态加密数据；所述预设加密数据处理方式是同态解密处理方式；所述参数学习模块，包括：第一参数学习单元，按照所述同态解密处理方式，解密所述加密第一待更新参数，得到针对所述第一样本模型的第一目标参数，按照所述同态解密处理方式，解密所述加密第二待更新参数，得到针对所述第二样本模型的第二目标参数，将所述第一目标参数和所述第二目标参数组合为所述目标参数；所述第一目标参数是用于指示所述第一终端更新所述第一样本模型，所述第二目标参数是用于指示所述第二终端更新所述第二样本模型。其中，模型发送模块还包括：第二模型生成单元，用于当所述模型训练方式是所述横向联邦学习方式时，生成目标样本模型，将所述目标样本模型作为所述第一样本模型和所述第二样本模型，向所述第一终端发送所述第一样本模型和所述模型训练信息，向所述第二终端发送所述第二样本模型和所述模型训练信息。其中，训练信息获取单元还包括：第二确定子单元第二确定子单元，用于若所述用户重叠度小于用户重叠度阈值，且所述特征类别重叠度大于特征类别重叠度阈值，则确定所述模型训练方式为所述横向联邦学习方式，将所述至少一个第一医疗特征类别与所述至少一个第二医疗特征类别的交集，作为目标样本信息，将所述模型训练方式和所述目标样本信息组合为所述模型训练信息。其中，所述模型训练方式是横向联邦学习方式；所述加密第一待更新参数和所述加密第二待更新参数属于同态加密数据；所述预设加密数据处理方式是同态叠加处理方式；所述参数学习模块，包括：第二参数学习单元。第二参数学习单元，用于按照所述同态叠加处理方式，将所述加密第一待更新参数和所述加密第二待更新参数叠加为针对所述第一样本模型以及所述第二样本模型的所述目标参数；所述目标参数属于同态加密数据。本申请实施例另一方面提供了一种医疗风险预测装置，应用于服务器，包括：请求获取模块，用于获取针对目标用户的预测请求，将所述预测请求发送至第一终端和第二终端；所述预测请求用于指示所述第一终端获取所述目标用户的第一目标医疗数据以及指示所述第二终端获取所述目标用户的第二目标医疗数据；第一预测模块，用于接收所述第一终端返回的基于第一预测模型和所述第一目标医疗数据确定的第一预测分量，接收所述第二终端返回的基于第二预测模型和所述第二目标医疗数据确定的第二预测分量，将所述第一预测分量和所述第二预测分量合并为与所述第一目标医疗数据和所述第二目标医疗数据匹配的医疗风险预测趋势，将所述医疗风险预测趋势发送至所述第一终端和所述第二终端；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用上述模型多端协同训练方法训练得到。本申请实施例另一方面提供了一种模型多端协同训练装置，应用于第一终端，包括：模型接收模块，用于接收服务器发送的第一样本模型；样本获取模块，用于获取第一医疗样本数据；参数生成模块，用于根据所述第一医疗样本数据以及所述第一样本模型，确定针对所述第一样本模型的加密第一待更新参数；参数发送模块，用于将所述加密第一待更新参数发送至所述服务器，以使所述服务器将所述加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数；所述加密第二待更新参数是第二终端根据第二医疗样本数据训练服务器发送的第二样本模型所确定的加密后的模型参数；所述模型接收模块，还用于接收服务器发送的目标参数；模型更新模块，用于根据所述目标参数更新所述第一样本模型；第二模型确定模块，用于将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势；所述更新后的第二样本模型是由所述第二终端根据所述目标参数对所述第二样本模型更新后的模型。其中，所述样本获取模块，包括：训练信息接收单元，用于接收所述服务器发送的模型训练信息；所述模型训练信息包括目标样本信息；样本获取单元，用于获取多个第一原始样本数据；每个第一原始样本数据包括用户信息以及多个医疗特征类别分别对应的第一原始医疗参数；所述训练信息接收单元，还用于若所述目标样本信息是医疗特征类别，则将所述目标样本信息作为目标医疗特征类别，根据所述目标医疗特征类别从所述多个第一原始样本数据中确定所述第一医疗样本数据；所述第一医疗样本数据包括所述目标医疗特征类别对应的第一原始医疗参数；所述训练信息接收单元，还用于若所述目标样本信息是用户信息，则将所述目标样本信息作为目标用户信息，从所述多个第一原始样本数据中提取包含所述目标用户信息的第一原始样本数据，作为所述第一医疗样本数据。其中，所述样本获取单元，具体用于获取多个用户信息分别对应的医疗文本，将每个医疗文本转换为分别对应多个医疗特征类别的多个辅助原始医疗参数，统计每个医疗特征类别对应的辅助原始医疗参数的缺失率，将缺失率小于缺失率阈值的医疗特征类别对应的辅助原始医疗参数，作为所述第一原始医疗参数，统计每个用户信息对应的第一原始医疗参数的缺失率，将缺失率小于所述缺失率阈值的用户信息作为辅助用户信息，将所述辅助用户信息以及所述辅助用户信息对应的第一原始医疗参数组合为第一原始样本数据。其中，所述模型训练信息还包括模型训练方式；所述参数生成模块，包括：第一预测单元，用于当所述模型训练方式为纵向联邦学习方式时，第一终端根据所述第一医疗样本数据以及所述第一样本模型，确定待加密预测分量；加密单元，用于将所述待加密预测分量进行同态加密，得到第一样本预测分量；第一预测单元，还用于将所述第一样本预测分量发送至所述第二终端，以使所述第二终端基于所述第一样本预测分量、第二样本预测分量以及所述第二医疗样本数据的医疗风险标签生成针对所述第二样本模型的第二待更新参数，加密所述第二待更新参数生成加密第二待更新参数；所述第二样本预测分量是所述第二终端根据所述第二医疗样本数据、所述第二样本模型所确定的预测分量；所述第二样本预测分量属于同态加密数据；所述第一预测单元，还用于接收所述第二终端发送的第二样本预测分量，根据所述第一样本预测分量、所述第二样本预测分量以及所述第一医疗样本数据的医疗风险标签，生成分类误差；所述第一预测单元，还用于根据所述分类误差确定针对所述第一样本模型的所述加密第一待更新参数。其中，所述模型更新模块，包括：提取单元，用于当所述模型训练方式为纵向联邦学习方式时，提取所述目标参数中的第一目标参数，根据所述第一目标参数更新所述第一样本模型。其中，参数生成模块还包括：第二预测单元，用于当所述模型训练方式为横向联邦学习方式时，基于所述第一样本模型和所述第一医疗样本数据，确定预测医疗风险，根据所述预测医疗风险和所述第一医疗样本数据对应的医疗风险标签，确定分类误差，根据所述分类误差确定所述第一样本模型的第一待更新参数，加密所述第一待更新参数生成所述加密第一待更新参数。其中，所述模型更新模块，还包括：解密单元，用于当所述模型训练方式为横向联邦学习方式时，解密所述目标参数，得到辅助参数，根据所述辅助参数更新所述第一样本模型。本申请实施例另一方面提供了一种医疗风险预测装置，应用于第一终端，包括：请求接收模块，用于接收服务器发送的针对目标用户的预测请求；第二预测模块，用于根据所述预测请求，获取与所述目标用户对应的第一目标医疗数据，基于第一预测模型确定与所述第一目标医疗数据对应的第一预测分量；第二预测模块，还用于将所述第一预测分量发送至所述服务器，以使所述服务器将所述第一预测分量和第二预测分量合并为与所述第一目标医疗数据和第二目标医疗数据匹配的医疗风险预测趋势；所述第二预测分量是第二终端基于第二预测模型确定与所述目标用户的第二目标医疗数据对应的预测分量；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用上述模型多端协同训练方法训练得到；第二预测模块，还用于接收所述服务器发送的所述医疗风险预测趋势。本申请实施例另一方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本申请实施例中一方面中的方法。本申请实施例另一方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本申请实施例中另一方面中的方法。本申请实施例另一方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本申请实施例中另一方面中的方法。本申请实施例另一方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本申请实施例中另一方面中的方法。本申请实施例另一方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如本申请实施例中一方面中的方法。本申请实施例另一方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如本申请实施例中另一方面中的方法。本申请实施例另一方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如本申请实施例中另一方面中的方法。本申请实施例另一方面提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如本申请实施例中另一方面中的方法。本申请中，各终端基于自身存储的样本数据以及模型，确定自身模型的模型参数。服务器通过隐私保护学习汇总多个模型的模型参数，得到目标参数，所有终端都可以基于目标参数更新各自的模型。上述可知，终端对外公开的不是样本数据，而是从样本数据中学习到的模型参数，服务器隐私保护学习所有模型的模型参数以得到等同于从所有样本数据中学习到的模型参数，从而实现在不暴露样本数据的前提下使每个终端中存储的样本数据都参与了模型训练，这样不仅可以保证各终端中样本数据的隐私安全，且能够扩大参与模型训练的样本数据的数量，进而可以提高预测模型的预测准确率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的一种模型训练的系统架构图；图2a-图2c是本申请实施例提供的一种模型多端协同训练的场景示意图；图3a是本申请实施例提供的一种模型多端协同训练方法的流程示意图；图3b是本申请实施例提供的一种医疗风险预测方法的流程示意图；图4是本申请实施例提供的一种模型多端协同训练的架构图；图5是本申请实施例提供的另一种模型多端协同训练方法的流程示意图；图6是本申请实施例提供的一种数据标准的示意图；图7a是本申请实施例提供的一种确定辅助原始医疗参数；图7b是本申请实施例提供的另一种医疗风险预测方法的流程示意图；图8-图9是申请实施例提供的一种横向联邦学习的示意图；图10-图11是申请实施例提供的一种纵向联邦学习的示意图；图12是本申请实施例提供的一种模型多端协同训练装置的结构示意图；图13是本申请实施例提供的一种医疗风险预测装置的结构示意图；图14是本申请实施例提供的另一种模型多端协同训练装置的结构示意图；图15是本申请实施例提供的另一种医疗风险预测装置的结构示意图；图16是本发明实施例提供的一种计算机设备的结构示意图；图17是本发明实施例提供的另一种计算机设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。人工智能(artificialintelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请实施例提供的方案属于人工智能领域下属的计算机视觉技术(computervision,cv)和机器学习(machinelearning,ml)。计算机视觉技术是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。在本申请中，即是在不共享各终端的样本数据的前提下，使得所有的样本数据都可以参与模型的训练，训练好的模型可以自动识别用户的医疗数据所属的疾病类型。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。在本申请中，具体的技术手段涉及机器学习中的人工神经网络、逻辑回归以及联邦学习等技术。请参见图1，是本申请实施例提供的一种模型训练的系统架构图。本申请涉及后台服务器10d以及终端设备集群，终端设备集群可以包括：终端设备10a、终端设备10b、...、终端设备10c等，下述以后台服务器10d、终端设备10a以及终端设备10b为例进行说明。后台服务器10d向终端设备10a发送第一样本模型，向终端设备10b发送第二样本模型，终端设备10a基于本地的第一医疗样本数据以及当前的第一样本模型，确定第一样本模型的加密第一待更新参数，终端设备10a将确定的加密第一待更新参数发送至后台服务器10d；终端设备10b基于本地的第二医疗样本数据以及当前的第二样本模型，确定第二样本模型的加密第二待更新参数，终端设备10b将确定的加密第二待更新参数发送至后台服务器10d。后台服务器10d将加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数，并将该目标参数发送至终端设备10a和终端设备10b。终端设备10a根据目标参数更新第一样本模型，终端设备10b根据目标参数更新第二样本模型。多次迭代更新后，将最后一次更新后的第一样本模型以及最后一次更新后的第二样本模型确定为预测模型，该预测模型可以用于预测用户的医疗数据所对应的医疗风险预测趋势。其中，图1所示的终端设备10a、终端设备10b、终端设备10c等可以是手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mid，mobileinternetdevice)或者可穿戴设备等。下述图2a以后台服务器10d、终端设备10a以及终端设备10b如何训练第一样本模型、第二样本模型以得到预测模型为例进行具体说明；图2b以终端设备10a如何根据训练好的预测识别模型自动识别待检测医疗数据所属的医疗风险预测趋势为例进行具体说明；图2c以终端设备10a以及终端设备10b如何根据训练好的预测识别模型自动识别待检测医疗数据所属的医疗风险预测趋势为例进行具体说明。请参见图2a-图2c，是本申请实施例提供的一种模型多端协同训练的场景示意图。如图2a所示，终端设备10a向后台服务器10d上传第一医疗样本数据对应的用户信息以及特征类别；终端设备10b向后台服务器10d上传第二医疗样本数据对应的用户信息以及特征类别。后台服务器10d根据第一医疗样本数据中的用户信息和第二医疗样本数据中的用户信息之间的重叠度，以及第一医疗样本数据中的特征类别和第二医疗样本数据中的特征类别之间的重叠度，确定模型训练方式是横向联邦学习或者纵向联邦学习。若模型训练方式是横向联邦学习，后台服务器10d生成第一样本模型20a和第二样本模型20b，且第一样本模型20a和第二样本模型20b是完全相同的模型；若模型训练方式是纵向联邦学习，后台服务器10d也生成第一样本模型20a和第二样本模型20b，第一样本模型20a和第二样本模型20b之间只需要模型的输出维度相同即可，即第一样本模型20a的输出向量和第二样本模型20b的输出向量之间可以直接相加。不同的模型训练方式对应不同的训练过程，下述首先以模型训练方式是横向联邦学习为例进行说明：当模型训练方式是横向联邦学习时，终端设备10a从本地存储的第一医疗样本数据中提取出与横向联邦学习对应的第一训练样本数据。终端设备10a根据第一训练样本数据以及该样本数据携带的标签信息，确定第一样本模型20a的分类误差，进而根据上述分类误差确定第一样本模型20a中每个模型参数的梯度，将所有模型参数的梯度组合并同态加密为第一梯度参数。终端设备10a将第一梯度参数发送至后台服务器10d。对应地，当模型训练方式是横向联邦学习时，终端设备10b从本地存储的第二医疗样本数据中提取出与横向联邦学习对应的第二训练样本数据。终端设备10b根据第二训练样本数据以及该样本数据携带的标签信息，确定第二样本模型20b的分类误差，进而根据上述分类误差确定第二样本模型20b中每个模型参数的梯度，将所有模型参数的梯度组合并同态加密为第二梯度参数。终端设备10b将第二梯度参数发送至后台服务器10d。后台服务器10d将第一梯度参数和第二梯度参数直接相加，得到目标梯度参数。后台服务器10d将目标梯度参数分别下发至终端设备10a和终端设备10b。终端设备10a根据目标梯度参数更新第一样本模型20a中的模型参数，终端设备10b根据目标梯度参数更新第二样本模型20b中的模型参数。更新一次后的第一样本模型20a和第二样本模型20b仍然是完全相同的两个模型。至此，就完成了当模型训练方式是横向联邦学习时，对第一样本模型20a和第二样本模型20b的一次更新，后续按照上述方式，继续更新第一样本模型20a和第二样本模型20b。当更新后的第一样本模型20a和更新后的第二样本模型20b的分类误差小于误差阈值时，或者当两次更新的模型参数之间的差异量小于预设阈值，可以将最后一次更新的第一样本模型20a作为训练好的预测模型，将最后一次更新的第二样本模型20b也作为训练好的预测模型。下述以模型训练方式是纵向联邦学习为例进行说明：当模型训练方式是纵向联邦学习时，终端设备10a从本地存储的第一医疗样本数据中提取出与纵向联邦学习对应的第三训练样本数据。终端设备10a根据第三训练样本数据以及第一样本模型20a确定第一样本分量，将第一样本分量进行同态加密，得到加密第一样本分量，再将加密第一样本分量发送至终端设备10b。终端设备10b从本地存储的第二医疗样本数据中提取出与纵向联邦学习对应的第四训练样本数据。终端设备10a根据第四训练样本数据以及第二样本模型20b确定第二样本分量，将第二样本分量进行同态加密，得到加密第二样本分量，再将加密第二样本分量发送至终端设备10a。也就是说，终端设备10a和终端设备10b之间需要交换梯度的中间结果。终端设备10a根据加密第一样本分量，加密第二样本分量以及第三训练样本数据的标签信息，确定第一样本模型20a和第二样本模型20b的分类误差，进而根据上述分类误差确定第一样本模型20a中每个模型参数的梯度，将所有模型参数的梯度组合为第一梯度参数。终端设备10a将第一梯度参数发送至后台服务器10d。终端设备10b根据加密第一样本分量，加密第二样本分量以及第四训练样本数据的标签信息，确定第一样本模型20a和第二样本模型20b的分类误差，进而根据上述分类误差确定第二样本模型20b中每个模型参数的梯度，将所有模型参数的梯度组合为第二梯度参数。终端设备10b将第二梯度参数发送至后台服务器10d。由于第一梯度参数和第二梯度参数是由加密数据来确定的，因此第一梯度参数和第二梯度参数也属于加密数据。第三训练样本数据的标签信息和第四训练样本数据的标签信息是相同的，这是因为采用纵向联邦学习，说明第三训练样本数据和第四训练样本数据对应同一个用户，那么必然该用户的标签信息(例如，是否患有疾病，以及所患疾病的疾病类型)是相同的。后台服务器10d解密第一梯度参数和第二梯度参数，将解密后的第一梯度参数以及解密后的第二梯度参数组合为目标梯度参数。后台服务器10d将目标梯度参数下发至终端设备10a以及终端设备10b。终端设备10a根据目标梯度参数中的解密后的第一梯度参数更新第一样本模型20a中的模型参数，终端设备10b根据目标梯度参数中的解密后的第二梯度参数更新第二样本模型20b中的模型参数。至此，就完成了当模型训练方式是纵向联邦学习时，对第一样本模型20a和第二样本模型20b的一次更新，后续按照上述方式，继续更新第一样本模型20a和第二样本模型20b。当更新后的第一样本模型20a和更新后的第二样本模型20b的分类误差小于误差阈值时，或者当两次更新的模型参数之间的差异量小于预设阈值时，可以将最后一次更新的第一样本模型20a以及最后一次更新的第二样本模型20b组合为训练好的预测模型。请参见图2b，当模型训练方式是横向联邦学习时，预测模型的预测过程。从前述预测模型的训练可以知道，训练好的第一样本模型20a和训练好的第二样本模型20b均是预测模型。以终端设备10a中的预测模型20a为例，终端设备10a接收待检测医疗数据，将该待检测医疗数据输入预测模型20a，预测模型20a识别与待检测医疗数据对应的医疗风险预测趋势(即是待检测医疗数据与多种疾病类型之间的匹配概率)。换句话说，若是采用横向联邦学习，每个终端设备中的预测模型都可以独立地识别出待检测医疗数据的医疗风险预测趋势。请参见图2c，当模型训练方式是纵向联邦学习时，预测模型的预测过程。从前述预测模型的训练可以知道，训练好的第一样本模型20a和训练好的第二样本模型20b组合后才是预测模型。终端设备10a获取待检测用户的第一医疗数据，将第一医疗数据输入训练好的第一样本模型20a，训练好的第一样本模型20a输出第一预测分量；终端设备10b获取待检测用户的第二医疗数据，将第二医疗数据输入训练好的第二样本模型20b，练好的第二样本模型20b输出第二预测分量。终端设备10a将第一预测分量发送至后台服务器10d，终端设备10b将第二预测分量发送至后台服务器10d，后台服务器10d将第一预测分量和第二预测分量进行叠加，可以确定与待检测用户的第一医疗数据和第二医疗数据对应的医疗风险预测趋势，后台服务器10d可以将识别到的医疗风险预测趋势下发至终端设备10a和终端设备10b。其中，服务器向第一终端(如上述实施例中的终端设备10a)发送第一样本模型(如上述实施例中的第一样本模型20a)，以及向第二终端(如上述实施例中的终端设备10b)发送第二样本模型(如上述实施例中的第二样本模型20b)，根据加密第一待更新参数(如上述实施例中的第一梯度参数)以及加密第二待更新参数(如上述实施例中的第二梯度参数)生成目标参数(如上述实施例中的目标梯度参数)的具体过程可以参见下述图3a-图11对应的实施例。请参见图3a，是本申请实施例提供的一种模型多端协同训练方法的流程示意图，模型多端协同训练方法涉及服务器、第一终端和第二终端，本实施例从服务器一侧进行描述，模型多端协同训练方法可以包括如下步骤：步骤s101，向第一终端发送第一样本模型以及向第二终端发送第二样本模型。具体的，服务器(如上述图2a-图2c对应实施例中的后台服务器10d)获取模型训练信息，其中模型训练信息包括模型训练方式和目标样本信息，模型训练方式可以是横向联邦学习方式或者纵向联邦学习方式，目标样本信息可以是用户信息或者医疗特征类别。例如，医疗特征类别可以包括：用药特征、检验特征、检查特征和/或症状特征等，用药特征可以进一步细化为：降压用药特征、抗凝用药特征、调脂用药特征和/或降糖用药特征等；检验特征可以进一步细化为：血生化检验特征、尿生化检验特征、血常规检验特征和/或尿常规检验特征等。服务器检测当前的模型训练方式是横向联邦学习方式或者是纵向联邦学习方式：当服务器检测到模型训练方式是横向联邦学习方式时，服务器生成目标样本模型，目标样本模型可以是基于逻辑回归所生成的模型，也可以是基于神经网络所生成的模型，总的来说，目标样本模型是具有分类功能的模型。服务器将目标样本模型作为第一样本模型和第二样本模型，将第一样本模型和模型训练信息发送至第一终端(如上述图2a-图2c对应实施例中的终端设备10a)，将第二样本模型和模型训练信息发送至第二终端(如上述图2a-图2c对应实施例中的终端设备10b)。第一终端和第二终端的数量都可以是一个，也可以是多个。通俗来讲，当模型训练方式是横向联邦学习方式时，服务器向第一终端和第二终端发送的样本模型是相同的。当检测到模型训练方式是纵向联邦学习方式时，服务器生成第一样本模型以及生成第二样本模型，第一样本模型和第二样本模型同样可以是基于逻辑回归或者神经网络所生成的分类模型，且第一样本模型和第二样本模型之间只需要模型的输出数据维度相同即可，即第一样本模型的输出向量和第二样本模型的输出向量之间可以直接相加，而不必要求两个样本模型完全相同。服务器将第一样本模型和模型训练信息发送至第一终端，将第二样本模型和模型训练信息发送至第二终端。下面对服务器如何获取模型训练信息进行说明：服务器接收第一终端发送的第一原始样本信息和第二终端发送的第二原始样本信息，第一原始样本信息是第一终端中存储的多个第一原始样本数据的信息，第二原始样本信息是第二终端中存储的多个第二原始样本数据的信息。第一原始样本信息包括至少一个用户信息(称为第一用户信息)以及至少一个医疗特征类别(称为第一医疗特征类别)；第二原始样本信息也包括至少一个用户信息(称为第二用户信息)以及至少一个医疗特征类别(称为第二医疗特征类别)。服务器检测至少一个第一用户信息和至少一个第二用户信息之间的重叠度(称为用户重叠度)，检测至少一个第一特征类别和至少一个第二特征类别之间的重叠度(称为特征类别重叠度)。获取预设的用户重叠度阈值以及预设的特征类别重叠度阈值，用户重叠度阈值以及特征类别重叠度阈值是经过多次试验后，所确定的最优阈值。若用户重叠度小于用户重叠度阈值，且特征类别重叠度大于特征类别重叠度阈值，则服务器确定模型训练方式为横向联邦学习方式，服务器再将至少一个第一医疗特征类别和至少一个第二医疗特征类别之间的交集，作为目标样本信息。服务器将确定的模型训练方式(即横向联邦学习方式)以及目标样本信息(即第一医疗特征类别和第二医疗特征类别之间的交集)组合为模型训练信息。通俗理解横向联邦学习方式：在两家医院同一个疾病可能有不同的病人，但是他们在医院检查的项目类别是相同的，他们的特征空间是相同的，只不过样本不同，那么在构建模型的时候就可以使用横向联邦学习。若用户重叠度大于用户重叠度阈值，且特征类别重叠度小于特征类别重叠度阈值，则服务器确定模型训练方式为纵向联邦学习方式，服务器再将至少一个第一用户信息和至少一个第二用户信息之间的交集，作为目标样本信息。服务器将确定的模型训练方式(即纵向联邦学习方式)以及目标样本信息(即第一用户信息和第二用户信息之间的交集)组合为模型训练信息。通俗理解纵向联邦学习方式：一些人可能会在两家医院拥有两个不同项目的化验结果，这样两家医院拥有的数据对应于不相同的特征空间，如果有一种疾病需要这两种化验项目的信息，那么在构建模型的时候就可以使用纵向联邦学习。总结上述过程，若服务器根据第一原始样本信息和第二原始样本信息所确定的模型训练方式是横向联邦学习，那么目标样本信息就是医疗特征类别；若服务器根据第一原始样本信息和第二原始样本信息所确定的模型训练方式是纵向联邦学习，那么目标样本信息就是用户信息。举例来说，第一原始样本信息包括：第一用户信息a、第一用户信息b以及第一用户信息c，且每个用户信息都存在对应的第一医疗特征类别a、第一医疗特征类别b以及第一医疗特征类别c。第二原始样本信息包括：第二用户信息c、第二用户信息d以及第二用户信息e，且每个用户信息都存在对应的第二医疗特征类别a、第二医疗特征类别b以及第二医疗特征类别c。因此，3个第一用户信息和3个第二用户信息的用户重叠度为1，但3个第一医疗特征类别和3个第二医疗特征类别的特征类别重叠度为3，若用户重叠度阈值为2，且特征类别重叠度阈值也为2，那么与上述第一原始样本信息和第二原始样本信息匹配的模型训练方式即是横向联邦学习方式。又例如，第一原始样本信息包括：第一用户信息a、第一用户信息b以及第一用户信息c，且每个用户信息都存在对应的第一医疗特征类别a、第一医疗特征类别b以及第一医疗特征类别c。第二原始样本信息包括：第二用户信息a、第二用户信息b以及第二用户信息c，且每个用户信息都存在对应的第二医疗特征类别d、第二医疗特征类别e以及第二医疗特征类别f。因此，3个第一用户信息和3个第二用户信息的用户重叠度为3，但3个第一医疗特征类别和3个第二医疗特征类别的特征类别重叠度为0，若用户重叠度阈值为2，且特征类别重叠度阈值也为2，那么与上述第一原始样本信息和第二原始样本信息匹配的模型训练方式即是纵向联邦学习方式。步骤s102，接收所述第一终端发送的加密第一待更新参数以及接收所述第二终端发送的加密第二待更新参数；所述加密第一待更新参数是所述第一终端根据第一医疗样本数据对所述第一样本模型训练所确定的加密后的待更新参数；所述加密第二待更新参数是所述第二终端根据第二医疗样本数据训练所述第二样本模型所确定的加密后的待更新参数。具体的，服务器接收第一终端发送的加密第一待更新参数(如上述图2a-图2c对应实施例中的第一梯度参数)，服务器接收第二终端发送的加密第二待更新参数(如上述图2a-图2c对应实施例中的第二梯度参数)，加密第一待更新参数和加密第二待更新参数都属于加密数据。加密第一待更新参数是第一终端接收到第一样本模型后，基于本地存储的第一医疗样本数据以及模型训练方式对第一样本模型进行隐私保护学习所确定的第一样本模型的已加密的待更新参数。此处的加密可以是同态加密，也可以是差分隐私加密。加密第一待更新参数可以表示为[[·]]表示同态加密。基于机器学习中的梯度下降可以知道，加密第一待更新参数即是第一样本模型中模型参数θa关于损失函数l的梯度的加密数据。同态加密(homomorphicencryption)是指：对经过同态加密的数据进行处理得到一个输出，将这一输出进行解密，其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的。举例来说，计算1+2，将数值1同态加密后得到加密字符串aaa，将数值2同态加密后的得到加密字符串bbb，将加密字符串“aaa”和加密字符串“bbb”相加，得到加密字符串ccc，再对加密字符串“ccc”同态解密，可以得到数值3。差分隐私(differentialprivacy)加密是指：提供一种当从统计数据库查询时，最大化数据查询的准确性，同时最大限度减少识别个体记录的机会，差分隐私的主要手段是对待加密数据添加高斯噪声，这样可以保证添加了高斯噪声后的数据的统计特征和未添加高斯噪声前的数据的统计特征相同，但不能推断出单一记录的具体信息。加密第二待更新参数是第二终端接收到第二样本模型后，基于本地存储的第二医疗样本数据以及模型训练方式对第二样本模型进行隐私保护学习所确定的第二样本模型的已加密的待更新参数。此处的加密可以是同态加密，也可以是差分隐私加密。加密第二待更新参数可以表示为同样地，第二待更新参数是第二样本模型中模型参数θb关于损失函数l的梯度的加密数据。隐私保护学习可以包括联邦学习或者隐私保护机器学习等，联邦学习还可以进一步分为横向联邦学习和纵向联邦学习。隐私保护学习的定义是：样本数据的拥有方fi在不用给出己方样本数据di的前提下，也可以进行模型训练得到模型mfed的过程，并能够保证模型mfed的效果vfed与模型msum的效果vsum之间的差距足够小，即|vfed-vsum|≤δ，δ是任意小的正值；mfed是根据多个样本数据所训练的模型。隐私保护学习的本质是在保证数据隐私安全的前提下，实现共同建模，提升ai模型的效果。步骤s103，将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，将所述目标参数发送至所述第一终端和所述第二终端；所述目标参数用于更新所述第一样本模型以及所述第二样本模型。具体的，前面描述了对终端侧进行隐私保护学习，隐私保护学习是架构在服务器和终端两侧，同样地，服务器对加密第一待更新参数和加密第二待更新参数进行隐私保护学习，得到目标参数(如上述图2a-图2c对应实施例中的目标梯度参数)，也就是，服务器将加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数。目标参数是为了使得加密第一待更新参数和加密第二待更新参数之间可以交换从各自医疗样本数据中所学习到的知识，达到知识互补的目的。若模型训练方式是横向联邦学习方式，且加密第一待更新参数和加密第二待更新参数是经过同态加密后的同态加密数据，那么预设加密数据处理方式可以是同态叠加处理方式，因此服务器可以按照同态叠加处理方式将加密第一待更新参数以及加密第二待更新参数相加，得到目标参数目标参数的计算方式如下公式(1)。服务器除了将加密第一待更新参数和加密第二待更新参数相加得到目标参数，服务器也可以将加密第一待更新参数和加密第二待更新参数加权平均得到目标参数。可以知道，此时的目标参数仍然属于同态加密数据。若模型训练方式是纵向联邦学习方式，且加密第一待更新参数和加密第二待更新参数是经过同态加密后的同态加密数据，那么预设加密数据处理方式可以是同态解密处理方式，因此服务器可以按照同态解密方式解密上述加密第一待更新参数得到第一目标参数以及解密上述加密第二待更新参数得到第二目标参数服务器可以将第一目标参数以及第二目标参数组合为目标参数。总结上述过程，当模型训练方式是横向联邦学习方式时，由于第一样本模型和第二样本模型是相同的独立预测模型，因此各终端基于本地的医疗样本数据可以确定各自样本模型的待更新参数，将所有终端中的待更新参数进行相加(或者加权平均)所得到的目标参数，相当于从所有样本数据中学习到的参数。当模型训练方式是纵向联邦学习方式时，由于第一样本模型+第二样本模型才可以组合为预测模型，因此各终端基于本地的医疗样本数据所确定的待更新参数是预测模型的部分参数，将所有终端中的待更新参数进行解密以及组合，所得到的目标参数相当于从所有样本数据中学习到的参数。服务器将生成的目标参数下发至第一终端和第二终端。若模型训练方式是横向联邦学习方式，那么第一终端根据目标参数更新第一样本模型中的模型参数，第二终端根据目标参数更新第二样本模型中的模型参数。若模型训练方式是纵向联邦学习方式，那么第一终端根据目标参数中的第一目标参数更新第一样本模型中的模型参数，第二终端根据目标参数中的第二目标参数更新第二样本模型中的模型参数。至此，就完成对第一样本模型以及对第二样本模型的一次更新，可以将更新了一次的第一样本模型作为新的第一样本模型，将更新了一次的第二样本模型作为新的第二样本模型，采用上述方式继续训练。步骤s104，将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势。具体的，当更新后的第一样本模型所确定的分类误差(或者当更新后的第一样本模型和更新后的第二样本模型共同确定的分类误差)小于分类误差阈值，或者当第一样本模型的模型参数在相邻两次更新之间的差异量小于差异量阈值，且第二样本模型的模型参数在相邻两次更新之间的差异量也小于差异量阈值，则说明此时更新后的第一样本模型和更新后的第二样本模型满足模型收敛条件。当模型训练方式是横向联邦学习方式时，服务器将满足模型收敛条件的更新后的第一样本模型和更新后的第二样本模型均确定为预测模型(如上述图2a-图2c对应实施例中的预测模型)，也就是说每个终端中都存储有预测模型，且该预测模型可以进行独立预测。当模型训练方式是纵向联邦学习方式时，服务器将满足模型收敛条件的更新后的第一样本模型和更新后的第二样本模型组合为预测模型，也就是说每个终端中都只存储了预测模型的一部分，需要联合各终端，预测模型才可以进行预测。预测模型是用于预测待预测用户(称为目标用户)的医疗数据(称为目标医疗数据)所对应的医疗风险预测趋势，医疗风险预测趋势是指与该目标医疗数据对应的多种疾病类型之间的匹配概率。可选的，下面对如何识别目标医疗数据所对应的医疗风险预测趋势进行具体的说明：请参见图3b，是本申请实施例提供的一种医疗风险预测方法的流程示意图，该方法包括如下步骤：步骤s1011，获取针对目标用户的预测请求，将所述预测请求发送至第一终端和第二终端；所述预测请求用于指示所述第一终端获取所述目标用户的第一目标医疗数据以及指示所述第二终端获取所述目标用户的第二目标医疗数据。具体的，从前述中可知，若预测模型是由横向联邦学习方式训练得到的，那么服务器不需要参与预测模型的预测过程，第一终端或者第二终端根据本地的预测模型进行预测即可；但若预测模型是由纵向联邦学习方式训练得到的，那么需要第一终端、第二终端以及服务器联合才能使预测模型进行预测。当模型训练方式是纵向联邦学习方式时，预测模型包括由第一样本模型训练得到的第一预测模型以及由第二样本模型训练得到的第二预测模型。服务器接收针对目标用户的预测请求，将预测请求发送至第一终端和第二终端，预测请求中携带目标用户的用户标识。步骤s1012，接收所述第一终端返回的基于第一预测模型和所述第一目标医疗数据确定的第一预测分量。具体的，第一终端根据目标用户的用户标识，从本地获取目标用户的医疗数据(称为第一目标医疗数据)，第一终端基于第一预测模型识别与第一目标医疗数据对应的预测分量(称为第一预测分量)，并将第一预测分量发送至服务器。步骤s1013，接收所述第二终端返回的基于第二预测模型和所述第二目标医疗数据确定的第二预测分量；所述第一预测模型和所述第二预测模型属于预测模型。具体的，第二终端根据目标用户的用户标识，从本地获取目标用户的医疗数据(称为第二目标医疗数据)，第一目标医疗数据和第二目标医疗数据均属于目标用户的目标医疗数据。第二终端基于第二预测模型识别与第二目标医疗数据对应的预测分量(称为第二预测分量)，并将第二预测分量发送至服务器。步骤s1014，将所述第一预测分量和所述第二预测分量合并为与所述第一目标医疗数据和所述第二目标医疗数据匹配的医疗风险预测趋势，将所述医疗风险预测趋势发送至所述第一终端和所述第二终端。具体的，服务器将第一预测分量和第二预测分量进行相加，可以得到目标向量，该目标向量中的每一个分量都表示目标医疗数据与多种疾病类型之间的匹配概率，服务器可以将上述与多种疾病类型之间的匹配概率组合为与第一目标医疗数据和第二目标医疗数据(即目标医疗数据)匹配的医疗风险预测趋势。服务器可以将预测的医疗风险预测趋势下发至第一终端和第二终端。基于上述方案，使用某地区的数据进行测试，模拟两家医院数据分离的场景，建立基于逻辑回归的脑卒中预测模型，在支持隐私保护的医疗大数据平台应用框架上联合训练后，两家医院的预测auc(areaundercurve，模型评估指标)分别为0.7101和0.6628，相对于在合并的数据集上训练的结果(auc为0.739)，效果和联合训练相差不大，符合预期，但以此换来引入的隐私保护机制可以保障双方的数据不会泄露。请参见图4，是本申请实施例提供的一种模型多端协同训练的架构图，图4包括模型的训练以及模型的使用。下述以医疗场景，训练疾病预测模型为例进行说明：各医院将存储在数据库中的医疗文本以及用户信息上传至医疗大数据平台，医疗大数据平台对所有医院的医疗文本进行标准化，提取出医疗文本中的疾病诊断特征、用药特征、检验特征、检查特征以及症状特征等，以构成疾病特征库。数据仓库工具hive。快速计算引擎spark、资源管理器yarn以及分布式文件系统hdfs是用于管理(例如，删除、增加、查询以及修改)所有的医疗文本，以及将医疗文本转换为医疗特征。医疗大数据平台根据各医院之间用户的重叠度以及医疗特征之间的重叠度，确定模型训练方式。医疗大数据平台基于模型训练方式对各医院的疾病特征进行隐私保护学习得到疾病预测模型。医疗大数据平台可以为训练好的疾病预测模型封装gui界面，以使疾病预测模型产品化。由于各医院的数据库中的医疗文本(可以是同一个用户的医疗文本也可以是不同用户的医疗文本)在不断的增加，因此日志服务器可以将每日新增的数据更新回数据库表，以得到最新的医疗特征。当目标用户需要预测该用户是否有患病风险时，可以获取目标用户的医疗文本，并进行标准化，得到目标医疗特征向量(对应前述中的目标医疗数据)。将该目标医疗特征向量输入疾病预测模型，疾病预测模型返回患病概率。同时，可以根据目标医疗特征向量更新数据库表，可以用于后续预测模型的更新。请参见图5，是本申请实施例提供的另一种模型多端协同训练方法的流程示意图，本实施例从第一终端这一侧进行描述，模型多端协同训练方法可以包括如下步骤：步骤s201，接收服务器发送的第一样本模型。具体的，第一终端获取本地存储的多个样本数据(称为多个第一原始样本数据)，将每个第一原始样本数据的用户信息(称为第一用户信息)以及多个样本数据所对应的多个医疗特征类别(称为第一医疗特征类别)组合为第一原始样本信息。第一终端将第一原始样本信息发送至服务器，以使服务器根据第一原始样本信息和第二原始样本信息确定模型训练信息，并根据模型训练信息为第一终端生成第一样本模型，为第二终端生成第二样本模型；模型训练信息包括模型训练方式和目标样本信息。第二原始样本信息是第二终端发送至服务器的，且第二原始样本信息是第二终端将本地存储的多个第二原始样本数据所对应的多个第二用户信息以及多个第二医疗特征类别组合后的信息。服务器生成模型训练信息、第一样本模型和第二样本模型的具体过程可以参见上述图3a对应实施例中的步骤s101。第一终端接收服务器发送的第一样本模型以及模型训练信息。步骤s202，获取第一医疗样本数据。具体的，第一终端获取多个第一原始样本数据；每个第一原始样本数据包括一个用户信息以及多个医疗特征类别分别对应的多个第一原始医疗参数，第一原始医疗参数的数量＝医疗特征类别的数量。举例来说，下述表示1个第一原始样本数据：用户信息降压药(用药特征)心律不齐(检查特征)发烧(症状特征)用户a101该第一原始样本数据中的用户信息是：用户a；多个医疗特征类别分别是：降压药(属于用药特征)，心律不齐(可以属于检查特征)以及发烧(属于与症状特征)，降压药对应的第一原始医疗参数为1，心律不齐对应的第一原始医疗参数为0，发送对应的第一原始医疗参数为1。第一原始医疗参数的取值为1表示是，取值为0表示否，取值为-1表示不存在，且数值-1不参与运算。第一终端提取模型训练信息中的目标样本信息，从服务器侧实施例中可以知道，当模型训练信息中的模型训练方式是横向联邦学习时，目标样本信息是医疗特征类别；当模型训练信息中的模型训练方式是纵向联邦学习时，目标样本信息是用户信息。当模型训练方式中的目标样本信息是医疗特征类别时，第一终端将目标样本信息作为目标医疗特征类别，从多个第一原始样本数据中提取目标医疗特征类别所对应的第一原始医疗参数，将提取出来的第一原始医疗特征参数组合第一医疗样本数据。举例来说，现有3个第一原始样数据：用户信息降压药(用药特征)心律不齐(检查特征)发烧(症状特征)用户a101用户b001用户c111若目标样本信息是：降压药和发烧，提取出降压药对应的3个第一原始医疗参数，以及发烧对应的3个第一原始医疗参数，组合为第一医疗样本数据：降压药(用药特征)发烧(症状特征)1101当模型训练方式中的目标样本信息是用户信息时，第一终端将目标样本信息作为目标用户信息，从多个第一原始样本数据中提取包含目标用户信息的第一原始样本数据，将提取出来的第一原始样本数据组合第一医疗样本数据。举例来说，现有3个第一原始样数据：用户信息降压药(用药特征)心律不齐(检查特征)发烧(症状特征)用户a101用户b001用户c111若目标样本信息是：用户a和用户c，提取出包含用户a的第一原始样本数据和包含用户c的第一原始样本数据，组合为第一医疗样本数据：用户信息降压药(用药特征)心律不齐(检查特征)发烧(症状特征)用户a101用户c111上述可知，不同的模型训练方式，在多个第一原始样本数据中，分别从横(或者纵)方向上确定第一医疗样本数据。下面对如何获取多个第一原始样本数据进行说明：第一终端获取多个用户信息分别对应的医疗文本，基于医疗知识对每个医疗文本进行模式判断，以将医疗文本转换为对应多个医疗特征类别的多个辅助原始医疗参数。统计每个医疗特征类别对应的辅助原始医疗参数的缺失率(辅助原始医疗参数取值为-1时，表示该辅助原始医疗参数缺失)，将缺失率小于预设的缺失率阈值的医疗特征类别对应的辅助原始医疗参数，作为第一原始医疗参数。第一终端统计每个用户信息对应的第一原始医疗参数的缺失率，将缺失率小于预设的缺失率阈值的用户信息作为辅助用户信息。第一终端将辅助用户信息以及辅助用户信息对应的第一原始医疗参数组合为第一原始样本数据。总的来说，对多个用户信息的多个辅助原始医疗参数来说，首先从纵方向上提取出缺失较少的医疗特征类别，从横方向上提取出缺失较少的用户信息，最后将提取出来的用户信息以及医疗特征类别组合为第一原始样本数据即可。请参见图6，是本申请实施例提供的一种数据标准的示意图，如图6所示，可以将不同的药物按照效果分为多个药物大类：循环系统药物、解热镇痛药物以及抗生素类抗感染药物等；对每个药物大类有可以分为多个药物小类，例如循环系统药物可以在细分为：降压、抗凝、调脂以及降糖等。每一个药物小类还可以进一步细分为多种具体的药物，例如降压药可以分为：利尿剂、受体阻断剂、以及钙阻滞剂等。同样地，不同的疾病也可以划分为多个疾病大类：循环系统疾病、内分泌代谢疾病以及呼吸系统疾病等；对每个疾病大类同样可以分为多个疾病小类，例如循环系统疾病可以在细分为：高血压、高血脂以及冠心病等。不同的症状也可以分为多个症状大类：头部症状以及胸部症状等，每一个症状大类可以分为多个症状小类，例如头部症状可以在细分为：头痛、以及头晕等。不同的检验检查也可以分为多个检验检查大类：血生化以及尿生化等；每一个检验检测大类可以细分为多个检验检查小类，例如血生化可以细分为：血糖以及糖化血红蛋白等。终端可以根据不同的业务需求，根据图10所展示的数据标准，设置与业务需求匹配的医疗类别特征。请参见图7a，是本申请实施例提供的一种确定辅助原始医疗参数，原始数据是关于用户0001的医疗文本，第一终端可以将医疗文本转换为对应多个医疗特征类别的多个辅助原始医疗参数。例如，医疗文本“门诊诊断：高血压性心脏病”，对应疾病高血压，当医疗特征类别是：高血压，糖尿病、高血脂、冠心病以及脑卒中时，医疗文本“门诊诊断：高血压性心脏病”可以转换为多个辅助原始医疗参数：(1,0,0,0,0,)。可以采用同样的方式，将用户0001的所有医疗文本都对应转换为对应多个医疗特征类别的多个辅助原始医疗参数。需要说明的是，当某些检验检查用户0001不存在对应的医疗文本时，该检验检查对应的辅助原始医疗参数可以设置为-1(或者其他特殊字符，例如#，*等)。例如，若用户0001未进行血糖检测，那么血糖这个医疗特征类别对应的辅助原始医疗参数的取值可以为-1。对存储在不同终端中的医疗文本都采用上述方式进行标准化，得到每个用户的标准医疗向量，可以知道，每个标准医疗向量的维度都是相同的。后续，再根据医疗特征类别的缺失率以及用户的第一原始医疗参数的缺失率，提取缺失率较少的那一部分医疗特征类别以及第一原始医疗参数缺失率较少的用户，来进行隐私保护学习。步骤s203，根据所述第一医疗样本数据训练所述第一样本模型，确定针对所述第一样本模型的加密第一待更新参数。具体的，不同的模型训练方式对应不同的训练过程。当模型训练信息中的模型训练方式是横向联邦学习方式时，第一终端确定加密第一待更新参数和第二终端确定加密第二待更新参数的过程是相同的，下述以第一终端为例进行说明：第一终端将第一医疗样本数据输入第一样本模型，第一样本模型输出预测医疗风险。第一终端获取第一医疗样本数据的真实的医疗风险标签，根据预测医疗风险和医疗风险标签，确定第一样本模型的分类误差，基于梯度下降以及分类误差，确定第一样本模型的每个模型参数θa的梯度(称为第一待更新参数)l是损失函数。损失函数l的表达式可以为下述公式(2)：xi表示第一医疗样本数据。第一终端将第一待更新参数进行同态加密，得到加密第一待更新参数[[·]]表示同态加密。当模型训练信息中的模型训练方式是纵向联邦学习方式时，第一终端将第一医疗样本数据输入第一样本模型，第一样本模型输出待加密预测分量对待加密预测分量进行同态加密，得到第一样本预测分量第一终端进行同态加密的加密公钥可以是服务器下发的，这样后续服务器才可以根据与加密公钥对应的加密私钥进行解密。第一终端将第一样本预测分量发送至第二终端，以使第二终端将第一样本预测分量以及第二样本预测分量叠加，以确定预测医疗风险，第二终端根据第二医疗样本数据的真实的医疗风险标签以及预测医疗风险，确定第一样本模型和第二样本模型的分类误差。基于梯度下降以及分类误差，确定第二样本模型的每个模型参数θb的梯度的加密数据(称为加密第二待更新参数)，l是损失函数。损失函数l的表达式可以为下述公式(3)：对公式(3)变形后，分类误差可以表示为加密第二待更新参数可以表示为：其中第二样本预测分量是第二终端将第二医疗样本数据输入第二样本模型后，对第二样本模型的输出分量同态加密后的预测分量θb是第二样本模型的模型参数。对第一终端来说，将第一样本预测分量发送至第二终端后，接收第二终端发送的二样本预测分量第一终端同样将第一样本预测分量以及第二样本预测分量叠加，以确定预测医疗风险，根据第一医疗样本数据的医疗风险标签，确定第一样本模型和第二样本模型的分类误差。基于梯度下降以及分类误差，确定第一样本模型的每个模型参数θa的梯度的加密数据(称为加密第一待更新参数)，l是损失函数。损失函数l的表达式可以为上述公式(3)。对公式(3)变形后，分类误差可以表示为加密第一待更新参数可以表示为：需要说明的是，由于当前是采用纵向联邦学习方式，因此对应相同的用户信息，那么第一医疗样本数据的医疗风险标签和第二医疗样本数据的医疗风险标签是相同的。上述可知，第一终端确定加密第一待更新参数，第二终端确定加密第二待更新参数都是在分类误差[[di]](此时的分类误差也是加密数据，因为第一样本预测分量和第二样本预测分量以及是加密数据)的基础上述确定的，且执行基本相同的计算过程，因此可以由第一终端(或者第二终端)确定了分类误差[[di]]后，发送至另一个终端，进一步来说，采用纵向联邦学习方式可以只有一个终端存储第一医疗样本数据和第二医疗样本数据的医疗风险标签即可。步骤s204，将所述加密第一待更新参数发送至所述服务器，以使所述服务器将所述加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数；所述加密第二待更新参数是第二终端根据第二医疗样本数据训练服务器发送的第二样本模型所确定的加密后的模型参数。具体的，第一终端可以直接将加密第一待更新参数发送至服务器，第一终端也可以将加密第一待更新参数进行掩模化后，再发送至服务器。掩模化是指屏蔽部分模型参数的梯度，使得屏蔽的那一部分梯度的值为0。服务器接收到加密第一待更新参数(或者掩模化后的加密第一待更新参数)以及第二终端发送的加密第二待更新参数(或者掩模化后的加密第二待更新参数)后，按照同态叠加处理方式或者同态解密处理方式生成目标参数。服务器生成目标参数的具体过程可以参见上述图3a对应实施例中的步骤s103。步骤s205，接收服务器发送的目标参数，根据所述目标参数更新所述第一样本模型。具体的，第一终端接收服务器发送的目标参数。当模型训练方式是横向联邦学习方式时，更新第一样本模型和更新第二样本模型的过程相同，以更新第一样本模型为例进行说明：第一终端解密目标参数，得到辅助参数，根据辅助参数以及公式(4)更新第一样本模型中的模型参数：其中，η是学习率。当模型训练方式是纵向联邦学习方式时，第一终端提取目标参数中的第一目标参数根据第一目标参数以及上述公式(4)更新第一样本模型中的模型参数；第二终端提取目标参数中的第二目标参数根据第二目标参数以及上述公式(4)更新第二样本模型中的模型参数。至此，就完成对第一样本模型以及对第二样本模型的一次更新，可以将更新了一次的第一样本模型作为新的第一样本模型，将更新了一次的第二样本模型作为新的第二样本模型，继续训练。步骤s206，将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势；所述更新后的第二样本模型是由所述第二终端根据所述目标参数对所述第二样本模型更新后的模型。具体的，当更新后的第一样本模型所确定的分类误差(或者当更新后的第一样本模型和更新后的第二样本模型共同确定分类误差)小于分类误差阈值，或者当第一样本模型的模型参数在相邻两次更新之间的差异量小于差异量阈值，且第二样本模型的模型参数在相邻两次更新之间的差异量也小于差异量阈值，则说明此时更新后的第一样本模型和更新后的第二样本模型满足模型收敛条件。当模型训练方式是横向联邦学习方式时，第一终端将满足模型收敛条件的更新后的第一样本模型和更新后的第二样本模型均确定为预测模型(如上述图2a-图2c对应实施例中的预测模型)，也就是说每个终端中都存储有预测模型，且该预测模型可以独立进行预测。当模型训练方式是纵向联邦学习方式时，第一终端将满足模型收敛条件的更新后的第一样本模型和更新后的第二样本模型组合为预测模型，也就是说每个终端中都只存储了预测模型的一部分，需要联合各终端，预测模型才可以进行预测。预测模型是用于预测待预测用户(称为目标用户)的医疗数据(称为目标医疗数据)所对应的医疗风险预测趋势。可选的，当预测模型是由横向联邦学习方式训练得到时，获取目标用户的目标医疗数据，此时目标医疗数据所包含的医疗特征类别和第一医疗样本数据以及第一医疗样本数据所包含的医疗特征类别是相同的。第一终端将目标医疗数据输入第一终端中的预测模型，预测模型输出目标医疗数据与预测模型中多种疾病类型之间的匹配概率，第一终端可以将多种匹配概率以及对应的疾病类型组合为医疗风险预测趋势。下面说明当模型训练方式为纵向联邦学习时，第一终端如何基于预测模型进行预测：请参见图7b，是是本申请实施例提供的另一种医疗风险预测方法的流程示意图，该方法包括如下步骤：步骤s2011，接收服务器发送的针对目标用户的预测请求。当预测模型是由纵向联邦学习方式训练得到时，将满足模型收敛条件的更新后的第一样本模型确定为第一预测模型，将满足模型收敛条件的更新后的第二样本模型确定为第二预测模型。可以知道，第一预测模型+第二预测模型即是预测模型。第一终端接收服务器发送的针对目标用户的预测请求，第二终端接收服务器发送的针对目标用户的预测请求。步骤s2012，根据所述预测请求，获取与所述目标用户对应的第一目标医疗数据。具体的，根据该预测请求第一终端获取目标用户的第一目标医疗数据，第二终端根据该预测请求获取目标用户的第二目标医疗数据，第一目标医疗数据和第二目标医疗数据属于目标用户的目标医疗数据。此时第一目标医疗数据所包含的医疗特征类别和第一医疗样本数据所包含的医疗特征类别是相同的，且第二目标医疗数据所包含的医疗特征类别和第二医疗样本数据所包含的医疗特征类别是相同的。步骤s2013，基于第一预测模型确定与所述第一目标医疗数据对应的第一预测分量，将所述第一预测分量发送至所述服务器，以使所述服务器将所述第一预测分量和第二预测分量合并为与所述第一目标医疗数据和第二目标医疗数据匹配的医疗风险预测趋势；所述第二预测分量是第二终端基于第二预测模型确定与所述目标用户的第二目标医疗数据对应的预测分量。具体的，第一终端将第一目标医疗数据输入第一预测模型，第一预测模型输出第一预测分量，第一终端将第一预测分量发送至服务器。第二终端将第二目标医疗数据输入第二预测模型，第二预测模型输出第二预测分量，第二终端将第二预测分量发送至服务器。服务器将第一预测分量和第二预测分量进行叠加，得到目标向量，该目标向量中的每一个分量都表示目标医疗数据与多种疾病类型之间的匹配概率服务器可以将上述与多种疾病类型之间的匹配概率，服务器可以将上述多种匹配概率以及对应的疾病类型组合为与第一目标医疗数据和第二目标医疗数据(即目标医疗数据)匹配的医疗风险预测趋势。步骤s2014，接收所述服务器发送的所述医疗风险预测趋势。具体的，第一终端和第二终端接收接收服务器发送的目标医疗数据的医疗风险预测趋势。请参见图8-图9，是申请实施例提供的一种横向联邦学习的示意图，服务器获取第一终端中第一原始样本数据的第一原始样本信息，以及获取第二终端中第二原始样本数据的第二原始样本信息。如图8所示，服务器比较第一原始样本信息中的用户信息和第二原始样本信息中的用户信息之间的重叠度，以及比较第一原始样本信息中的医疗特征类别和第二原始样本信息中的医疗特征类别之间的重叠度。若用户信息之间重叠度较小，但医疗特征类别之间的重叠度较大，服务器可以确定采用横向联邦学习方式。如图9所示，横向联邦学习主要包括如下4个步骤：第一步：参与者(参与者即是存储了样本数据以及模型的终端)在本地计算模型各参数的梯度，将梯度进行同态加密(或者是差分隐私加密)，通过mask操作屏蔽部分参数的梯度。最后将mask后的梯度上传至服务器。第二步：服务器将所有的梯度进行整合，即将所有的梯度进行加权平均或者直接相加。第三步：服务器将整合后的梯度下发至各个参与者。第四步：各个参与者将服务器下发的梯度解密，用于更新各自模型的参数。请参见图10-图11，是申请实施例提供的一种纵向联邦学习的示意图，服务器获取第一终端中第一原始样本数据的第一原始样本信息，以及获取第二终端中第二原始样本数据的第二原始样本信息。如图10所示，服务器比较第一原始样本信息中的用户信息和第二原始样本信息中的用户信息之间的重叠度，以及比较第一原始样本信息中的医疗特征类别和第二原始样本信息中的医疗特征类别之间的重叠度。若用户信息之间重叠度较大，但医疗特征类别之间的重叠度较小，服务器可以确定采用纵向联邦学习方式。如图11所示，纵向联邦学习主要包括如下4个步骤：第一步：一个可信赖的第三方(可以是服务器)产生编码对，并提供公钥给参与者(参与者即是存储了样本数据以及模型的终端)。第二步：参与者使用公钥对梯度中间结果进行同态加密，并将加密后的梯度中间结果相互交换。参与者通过交换的梯度中间结果计算模型各参数的梯度，并且使用mask操作屏蔽部分梯度信息。第三步：参与者将mask后的梯度上传至服务器。第四步：第三方将梯度解码，并将解码后的梯度反馈给各个参与者，参与者使用该梯度更新自己的模型的参数。上述可知，终端对外公开的不是样本数据，而是从样本数据中学习到的模型参数，服务器隐私保护学习所有模型的模型参数以得到等同于从所有样本数据中学习到的模型参数，从而实现在不暴露样本数据的前提下使每个终端中存储的样本数据都参与了模型训练，这样不仅可以保证各终端中样本数据的隐私安全，且能够扩大参与模型训练的样本数据的数量，进而提高了预测模型的预测准确率。进一步的，请参见图12，是本申请实施例提供的一种模型多端协同训练装置的结构示意图。如图12所示，模型多端协同训练装置1可以应用于上述图3a-图11对应实施例中的服务器，模型多端协同训练装置1可以包括：模型发送模块11、参数接收模块12、参数学习模块13以及第一模型确定模块14。模型发送模块11，用于向第一终端发送第一样本模型以及向第二终端发送第二样本模型；参数接收模块12，用于接收所述第一终端发送的加密第一待更新参数以及接收所述第二终端发送的加密第二待更新参数；所述加密第一待更新参数是所述第一终端根据第一医疗样本数据对所述第一样本模型训练所确定的加密后的待更新参数；所述加密第二待更新参数是所述第二终端根据第二医疗样本数据训练所述第二样本模型所确定的加密后的待更新参数；参数学习模块13，用于将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，将所述目标参数发送至所述第一终端和所述第二终端；所述目标参数用于更新所述第一样本模型以及所述第二样本模型；第一模型确定模块14，用于将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势。其中，模型发送模块11、参数接收模块12、参数学习模块13以及第一模型确定模块14的具体功能实现方式可以参见上述图3a对应实施例中的步骤s101-步骤s104，这里不再进行赘述。请参见图12，模型发送模块11可以包括：训练信息获取单元111以及第一模型生成单元112。训练信息获取单元111，用于获取模型训练信息；所述模型训练信息包括模型训练方式和目标样本信息；模型生成单元112，用于当所述模型训练方式是纵向联邦学习时，生成与所述纵向联邦学习方式对应的所述第一样本模型和所述第二样本模型，向所述第一终端发送所述第一样本模型和所述模型训练信息，向所述第二终端发送所述第二样本模型和所述模型训练信息；模型发送模块11还可以包括：第二模型生成单元113。第二模型生成单元113，用于当所述模型训练方式是所述横向联邦学习方式时，生成目标样本模型，将所述目标样本模型作为所述第一样本模型和所述第二样本模型，向所述第一终端发送所述第一样本模型和所述模型训练信息，向所述第二终端发送所述第二样本模型和所述模型训练信息。其中，训练信息获取单元111、模型生成单元112以及第二模型生成单元113的具体过程可以参见上述图3a对应实施例中的步骤s101。请参见图12，训练信息获取单元111可以包括：获取子单元1111、第一确定子单元1112。获取子单元1111，用于获取第一终端的第一原始样本信息和第二终端的第二原始样本信息，确定所述至少一个第一用户信息与所述至少一个第二用户信息之间的用户重叠度，以及确定所述至少一个第一医疗特征类别与所述至少一个第二医疗特征类别之间的特征类别重叠度；所述第一原始样本信息包括至少一个第一用户信息以及至少一个第一医疗特征类别；所述第二样本信息包括至少一个第二用户信息以及至少一个第二医疗特征类别；第一确定子单元1112，用于若所述用户重叠度大于用户重叠度阈值，且所述特征类别重叠度小于特征类别重叠度阈值，则确定所述模型训练方式为所述纵向联邦学习方式，将所述至少一个第一用户信息与所述至少一个第二用户信息之间的交集，作为所述目标样本信息，将所述模型训练方式和所述目标样本信息组合为所述模型训练信息。训练信息获取单元111还可以包括：第二确定子单元1113；第二确定子单元1113，用于若所述用户重叠度小于用户重叠度阈值，且所述特征类别重叠度大于特征类别重叠度阈值，则确定所述模型训练方式为所述横向联邦学习方式，将所述至少一个第一医疗特征类别与所述至少一个第二医疗特征类别的交集，作为目标样本信息，将所述模型训练方式和所述目标样本信息组合为所述模型训练信息。其中，获取子单元1111、第一确定子单元1112以及第二确定子单元1113的具体过程可以参见上述图3a对应实施例中的步骤s101。请参见图12，模型训练方式是纵向联邦学习方式；所述加密第一待更新参数和所述加密第二待更新参数属于同态加密数据；所述预设加密数据处理方式是同态解密处理方式；所述参数学习模块13可以包括：第一参数学习单元131。第一参数学习单元131，用于按照所述同态解密处理方式，解密所述加密第一待更新参数，得到针对所述第一样本模型的第一目标参数，按照所述同态解密处理方式，解密所述加密第二待更新参数，得到针对所述第二样本模型的第二目标参数，将所述第一目标参数和所述第二目标参数组合为所述目标参数；所述第一目标参数是用于指示所述第一终端更新所述第一样本模型，所述第二目标参数是用于指示所述第二终端更新所述第二样本模型。所述模型训练方式是横向联邦学习方式；所述加密第一待更新参数和所述加密第二待更新参数属于同态加密数据；所述预设加密数据处理方式是同态叠加处理方式；所述参数学习模块13，还可以包括：第二参数学习单元132。第二参数学习单元132，用于按照所述同态叠加处理方式，将所述加密第一待更新参数和所述加密第二待更新参数叠加为针对所述第一样本模型以及所述第二样本模型的所述目标参数；所述目标参数属于同态加密数据。其中，第一参数学习单元131以及第二参数学习单元132的具体过程可以参见上述图3a对应实施例中的步骤s103，此处不再赘述。请参见图13，是本申请实施例提供的一种医疗风险预测装置的结构示意图。如图13所示，医疗风险预测装置2可以应用于上述图3a-图11对应实施例中的服务器，医疗风险预测装置2可以包括：请求获取模块21以及第一预测模块22。请求获取模块21，用于获取针对目标用户的预测请求，将所述预测请求发送至第一终端和第二终端；所述预测请求用于指示所述第一终端获取所述目标用户的第一目标医疗数据以及指示所述第二终端获取所述目标用户的第二目标医疗数据；第一预测模块22，用于接收所述第一终端返回的基于第一预测模型和所述第一目标医疗数据确定的第一预测分量，接收所述第二终端返回的基于第二预测模型和所述第二目标医疗数据确定的第二预测分量，将所述第一预测分量和所述第二预测分量合并为与所述第一目标医疗数据和所述第二目标医疗数据匹配的医疗风险预测趋势，将所述医疗风险预测趋势发送至所述第一终端和所述第二终端；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用图3a-图11对应的模型多端协同训练方法训练得到。其中，请求获取模块21以及第一预测模块22的具体过程可以参见上述图3b对应实施例中的步骤s1011-步骤s1014，此处不再赘述。进一步的，请参见图14，是本申请实施例提供的另一种模型多端协同训练装置的结构示意图。如图14所示，模型多端协同训练装置3可以应用于上述图3a-图11对应实施例中的第一终端，模型多端协同训练装置3可以包括：模型接收模块31、样本获取模块32、参数生成模块33、参数发送模块34、模型更新模块35以及第二模型确定模块36。模型接收模块31，用于接收服务器发送的第一样本模型；样本获取模块32，用于获取第一医疗样本数据；参数生成模块33，用于根据所述第一医疗样本数据以及所述第一样本模型，确定针对所述第一样本模型的加密第一待更新参数；参数发送模块34，用于将所述加密第一待更新参数发送至所述服务器，以使所述服务器将所述加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数；所述加密第二待更新参数是第二终端根据第二医疗样本数据训练服务器发送的第二样本模型所确定的加密后的模型参数；模型接收模块31，还用于接收服务器发送的目标参数；模型更新模块35，用于根据所述目标参数更新所述第一样本模型；第二模型确定模块36，用于将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势；所述更新后的第二样本模型是由所述第二终端根据所述目标参数对所述第二样本模型更新后的模型。其中，模型接收模块31、样本获取模块32、参数生成模块33、参数发送模块34、模型更新模块35以及第二模型确定模块36的具体功能实现方式可以参见上述图5对应实施例中的步骤s201-步骤s206，这里不再进行赘述。请参见图14，样本获取模块32可以包括：训练信息接收单元321以及样本获取单元322。训练信息接收单元321，用于接收所述服务器发送的模型训练信息；所述模型训练信息包括目标样本信息；样本获取单元322，用于获取多个第一原始样本数据；每个第一原始样本数据包括用户信息以及多个医疗特征类别分别对应的第一原始医疗参数；所述训练信息接收单元321，还用于若所述目标样本信息是医疗特征类别，则将所述目标样本信息作为目标医疗特征类别，根据所述目标医疗特征类别从所述多个第一原始样本数据中确定所述第一医疗样本数据；所述第一医疗样本数据包括所述目标医疗特征类别对应的第一原始医疗参数；所述训练信息接收单元321，还用于若所述目标样本信息是用户信息，则将所述目标样本信息作为目标用户信息，从所述多个第一原始样本数据中提取包含所述目标用户信息的第一原始样本数据，作为所述第一医疗样本数据；样本获取单元322，具体用于获取多个用户信息分别对应的医疗文本，将每个医疗文本转换为分别对应多个医疗特征类别的多个辅助原始医疗参数，统计每个医疗特征类别对应的辅助原始医疗参数的缺失率，将缺失率小于缺失率阈值的医疗特征类别对应的辅助原始医疗参数，作为所述第一原始医疗参数，统计每个用户信息对应的第一原始医疗参数的缺失率，将缺失率小于所述缺失率阈值的用户信息作为辅助用户信息，将所述辅助用户信息以及所述辅助用户信息对应的第一原始医疗参数组合为第一原始样本数据。其中，训练信息接收单元321以及样本获取单元322的具体过程可以参见上述图5对应实施例中的步骤s202。请参见图14，模型训练信息还包括模型训练方式；参数生成模块33可以包括：第一预测单元331以及加密单元332。第一预测单元331，用于当所述模型训练方式为纵向联邦学习方式时，第一终端根据所述第一医疗样本数据以及所述第一样本模型，确定待加密预测分量；加密单元332，用于将所述待加密预测分量进行同态加密，得到第一样本预测分量；第一预测单元331，还用于将所述第一样本预测分量发送至所述第二终端，以使所述第二终端基于所述第一样本预测分量、第二样本预测分量以及所述第二医疗样本数据的医疗风险标签生成针对所述第二样本模型的第二待更新参数，加密所述第二待更新参数生成加密第二待更新参数；所述第二样本预测分量是所述第二终端根据所述第二医疗样本数据、所述第二样本模型所确定的预测分量；所述第二样本预测分量属于同态加密数据；所述第一预测单元331，还用于接收所述第二终端发送的第二样本预测分量，根据所述第一样本预测分量、所述第二样本预测分量以及所述第一医疗样本数据的医疗风险标签，生成分类误差；所述第一预测单元331，还用于根据所述分类误差确定针对所述第一样本模型的所述加密第一待更新参数。参数生成模块33还可以包括：第二预测单元333。第二预测单元333，用于当所述模型训练方式为横向联邦学习方式时，基于所述第一样本模型和所述第一医疗样本数据，确定预测医疗风险，根据所述预测医疗风险和所述第一医疗样本数据对应的医疗风险标签，确定分类误差，根据所述分类误差确定所述第一样本模型的第一待更新参数，加密所述第一待更新参数生成所述加密第一待更新参数。其中，第一预测单元331以及加密单元332以及第二预测单元333的具体过程可以参见上述图5对应实施例中的步骤s203。请参见图14，模型更新模块35可以包括：提取单元351。提取单元351，用于当所述模型训练方式为纵向联邦学习方式时，提取所述目标参数中的第一目标参数，根据所述第一目标参数更新所述第一样本模型；模型更新模块35还可以包括：解密单元352。解密单元352，用于当所述模型训练方式为横向联邦学习方式时，解密所述目标参数，得到辅助参数，根据所述辅助参数更新所述第一样本模型。其中，提取单元351以及解密单元352的具体过程可以参见上述图5对应实施例中的步骤s205。请参见图15，是本申请实施例提供的另一种医疗风险预测装置的结构示意图。如图15所示，医疗风险预测装置4可以应用于上述图3a-图11对应实施例中的第一终端，医疗风险预测装置4可以包括：请求接收模块41以及第二预测模块42。请求接收模块41，用于接收服务器发送的针对目标用户的预测请求；第二预测模块42，用于根据所述预测请求，获取与所述目标用户对应的第一目标医疗数据，基于第一预测模型确定与所述第一目标医疗数据对应的第一预测分量；第二预测模块42，还用于将所述第一预测分量发送至所述服务器，以使所述服务器将所述第一预测分量和第二预测分量合并为与所述第一目标医疗数据和第二目标医疗数据匹配的医疗风险预测趋势；所述第二预测分量是第二终端基于第二预测模型确定与所述目标用户的第二目标医疗数据对应的预测分量；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用上述图3a-图11对应的模型多端协同训练方法训练得到；第二预测模块42，还用于接收所述服务器发送的所述医疗风险预测趋势。其中，请求接收模块41以及第二预测模块42的具体过程可以参见上述图7b对应实施例中的步骤s1011-步骤s1014，此处不再赘述。进一步地，请参见图16，是本发明实施例提供的一种计算机设备的结构示意图。上述图3a-图11对应实施例中的服务器可以为计算机设备1000，如图16所示，所述计算机设备1000可以包括：用户接口1002、处理器1004、编码器1006以及存储器1008。信号接收器1016用于经由蜂窝接口1010、wifi接口1012、...、或nfc接口1014接收或者发送数据。编码器1006将接收到的数据编码为计算机处理的数据格式。存储器1008中存储有计算机程序，处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。存储器1008可包括易失性存储器(例如，动态随机存取存储器dram)，还可以包括非易失性存储器(例如，一次性可编程只读存储器otprom)。在一些实例中，存储器1008可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备1000。用户接口1002可以包括：键盘1018和显示器1020。在图16所示的计算机设备1000中，处理器1004可以用于调用存储器1008中存储计算机程序，以实现：向第一终端发送第一样本模型以及向第二终端发送第二样本模型；接收所述第一终端发送的加密第一待更新参数以及接收所述第二终端发送的加密第二待更新参数；所述加密第一待更新参数是所述第一终端根据第一医疗样本数据对所述第一样本模型训练所确定的加密后的待更新参数；所述加密第二待更新参数是所述第二终端根据第二医疗样本数据训练所述第二样本模型所确定的加密后的待更新参数；将所述加密第一待更新参数和所述加密第二待更新参数按照预设加密数据处理方式融合为目标参数，将所述目标参数发送至所述第一终端和所述第二终端；所述目标参数用于更新所述第一样本模型以及所述第二样本模型；将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势。处理器1004还可以用于调用存储器1008中存储计算机程序，以实现：获取针对目标用户的预测请求，将所述预测请求发送至第一终端和第二终端；所述预测请求用于指示所述第一终端获取所述目标用户的第一目标医疗数据以及指示所述第二终端获取所述目标用户的第二目标医疗数据；接收所述第一终端返回的基于第一预测模型和所述第一目标医疗数据确定的第一预测分量；接收所述第二终端返回的基于第二预测模型和所述第二目标医疗数据确定的第二预测分量；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用上述图3a-图11对应实施例中的模型多端协同训练方法训练得到；将所述第一预测分量和所述第二预测分量合并为与所述第一目标医疗数据和所述第二目标医疗数据匹配的医疗风险预测趋势；将所述医疗风险预测趋势发送至所述第一终端和所述第二终端。应当理解，本发明实施例中所描述的计算机设备1000可执行前文图3a到图11所对应实施例中对模型多端协同训练方法的描述，也可执行前文图12所对应实施例中对所述模型多端协同训练装置1的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。本发明实施例中所描述的计算机设备1000可执行前文图3b到图11所对应实施例中对医疗风险预测方法的描述，也可执行前文图13所对应实施例中对所述医疗风险预测装置2的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。此外，这里需要指出的是：本发明实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的模型多端协同训练装置1所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图3a到图11所对应实施例中对所述模型多端协同训练方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述。本发明实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的医疗风险预测装置2所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图3b到图11所对应实施例中对所述医疗风险预测方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述。进一步地，请参见图17，是本发明实施例提供的另一种计算机设备的结构示意图。上述图3a-图11对应实施例中的第一终端或第二终端可以为电子设备2000，如图17所示，所述电子设备2000可以包括：用户接口2002、处理器2004、编码器2006以及存储器2008。信号接收器2016用于经由蜂窝接口2010、wifi接口2012、...、或nfc接口2014接收或者发送数据。编码器2006将接收到的数据编码为计算机处理的数据格式。存储器2008中存储有计算机程序，处理器2004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。存储器2008可包括易失性存储器(例如，动态随机存取存储器dram)，还可以包括非易失性存储器(例如，一次性可编程只读存储器otprom)。在一些实例中，存储器2008可进一步包括相对于处理器2004远程设置的存储器，这些远程存储器可以通过网络连接至电子设备2000。用户接口2002可以包括：键盘2018和显示器2020。在图17所示的电子设备2000中，处理器2004可以用于调用存储器2008中存储计算机程序，以实现：接收服务器发送的第一样本模型；获取第一医疗样本数据，根据所述第一医疗样本数据训练所述第一样本模型，确定针对所述第一样本模型的加密第一待更新参数；将所述加密第一待更新参数发送至所述服务器，以使所述服务器将所述加密第一待更新参数和加密第二待更新参数按照预设加密数据处理方式融合为目标参数；所述加密第二待更新参数是第二终端根据第二医疗样本数据训练服务器发送的第二样本模型所确定的加密后的模型参数；接收服务器发送的目标参数，根据所述目标参数更新所述第一样本模型；将更新后的第一样本模型以及更新后的第二样本模型确定为预测模型；所述预测模型是用于预测与目标用户的目标医疗数据匹配的医疗风险预测趋势；所述更新后的第二样本模型是由所述第二终端根据所述目标参数对所述第二样本模型更新后的模型。处理器2004还可以用于调用存储器2008中存储计算机程序，以实现：接收服务器发送的针对目标用户的预测请求；根据所述预测请求，获取与所述目标用户对应的第一目标医疗数据；基于第一预测模型确定与所述第一目标医疗数据对应的第一预测分量；将所述第一预测分量发送至所述服务器，以使所述服务器将所述第一预测分量和第二预测分量合并为与所述第一目标医疗数据和第二目标医疗数据匹配的医疗风险预测趋势；所述第二预测分量是第二终端基于第二预测模型确定与所述目标用户的第二目标医疗数据对应的预测分量；所述第一预测模型和所述第二预测模型属于预测模型；所述预测模型是采用上述图3a-图11对应实施例中的模型多端协同训练方法训练得到；接收所述服务器发送的所述医疗风险预测趋势。应当理解，本发明实施例中所描述的电子设备2000可执行前文图3a到图11所对应实施例中对所述模型多端协同训练方法的描述，也可执行前文图14所对应实施例中对所述模型多端协同训练装置3的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。本发明实施例中所描述的计算机设备2000可执行前文图7b-图11所对应实施例中对医疗风险预测方法的描述，也可执行前文图15所对应实施例中对所述医疗风险预测装置4的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。此外，这里需要指出的是：本发明实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的模型多端协同训练装置3所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图3a到图11所对应实施例中对所述模型多端协同训练方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述。本发明实施例还提供了一种计算机存储介质，且所述计算机存储介质中存储有前文提及的医疗风险预测装置4所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图7b到图11所对应实施例中对所述医疗风险预测方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本发明所涉及的计算机存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。当前第1页1 2 3